-
Die vorliegende Veröffentlichung bezieht sich generell auf die Verbesserung existierender automatisierter Altsysteme. Genauer gesagt bezieht sich die vorliegende Veröffentlichung auf ein System und ein Verfahren für ein Proxyinterpreter-System zum Sammeln und Konsolidieren der Einrichtungs-, Konfigurations-, Betriebs- und Qualitätsprüfungsdaten von einer Vielzahl von Schnittstellengeräten und Steuerungen von Altsystemen und zum anschließenden Aufbau eines verstärkenden Lernmoduls (engl. Reinforcement learning module) unter Verwendung der konsolidierten Daten, um alle Funktionen automatisch ohne den Eingriff eines menschlichen Bedieners auszuführen. Die konsolidierten Daten in dem Proxyinterpreter-Modul können durch die Verwendung von Tiefen-Lernmethoden (engl. Deep learning methods) für Datenanalytik und künstliche Intelligenz weiter analysiert werden, um die Fehlerkriterien der Produkte zuverlässig und einheitlich zu klassifizieren, damit die Qualität der Überprüfung weiter verbessert wird. Die Klassifikation von Fehlerkriterien ermöglicht es dem Proxyinterpreter-System potenzielle Probleme aufzuzeigen und die präventive Instandhaltung von automatisierten Altsystemen zu unterstützen. Das Proxyinterpreter-System ermöglicht es dem Altsystem sich anzupassen und zu skalieren, um neue Produkte ohne menschliches Eingreifen herzustellen, sei es im Zusammenhang mit dem Betrieb der Altgeräte oder beim Prozess der Qualitätskontrolle.
-
Hintergrund der Erfindung
-
In dem Gebiet der automatisierten Herstellung ist es sehr wichtig, in der Lage zu sein, die Einsatzmöglichkeiten der Rechenleistung und der Informationsverarbeitung an eine wettbewerbsfähigere, technologisch fortgeschrittenere und fehlerfreie Umgebung anzupassen. Aber weil Altsysteme entscheidende Bestandteile in jeder automatisierten Produktionslinie sind, müssen viel Aufwand und Kosten bei dem Versuch unternommen werden, die Altsystemsoftware entweder gänzlich umzuschreiben oder die Systemfunktionalität in eine effizientere, funktionellere und kostengünstigere Produktionsumgebung zu verlagern oder zu migrieren. Das Umschreiben eines Altsystems von Grund auf, ist wegen der inhärenten Haftung, dem Risiko von Fehlern und Datenverlust und des fehlenden Verständnisses dafür, wie die Systemarchitektur des Altsystems konzipiert ist und wie sie tatsächlich intern funktioniert, da jegliche Unterstützung des Originalgeräteherstellers (OEM - engl. Original Equipment Manufecturer) unterbleibt, normalerweise keine praktikable Option.
-
Automatisierte Systeme wurden bereits in einer Vielzahl von mikroelektronischen Herstellungs- und Verpackungsprozessen verwendet. Zum Beispiel werden die geschnittenen Wafer in einer typischen Halbleiterherstellungseinrichtung (Fab) nach der Einrichtung und der Konfiguration der Geräteparameter zumeist auf das Gerät geladen. Diese Prozesse werden gewöhnlicherweise von einer Bedienperson ausgeführt, was anfällig für Fehler ist und darüber hinaus dadurch beeinflusst wird, dass jede Bedienperson die Geräteparameter für eine bestimmte Charge unterschiedlich installieren und konfigurieren kann. Nach der Verarbeitung eines Wafers muss die Bedienperson auch die defekten Siliziumchips wieder überprüfen und entscheiden, ob diese tatsächlich defekt sind oder ob sie als nicht defekt neu eingestuft werden. Erneut ist der menschliche Faktor hier Gegenstand vieler Fehler. Manueller Betrieb von Geräten in einer Herstellungseinrichtung wurde allmählich durch automatisierte Prozesse ersetzt, um die teuren mit einem nichtautomatisierten, manuellen Betrieb assoziierten Probleme bei der Halbleiterherstellung zu minimieren.
-
Einige Prozesse des manuellen Betriebs wurden auch dann fortgesetzt, nachdem die Herstellungsaltsysteme einen Punkt erreicht hatten, an dem die Original Equipment Hersteller entschieden haben, die Unterstützung bei der Verbesserung zu beenden oder Kunden zu zwingen neue Modelle des Geräts für neue Inspektionsmerkmale oder einfach nur, um eine bestimmte Aufgabe oder einen bestimmten Prozess zu automatisieren, zu kaufen.
-
Hersteller wurden mit einem Dilemma zurückgelassen, weil gesteigerte Kapitalausgaben zum Kauf von neuen Gerätemodellen zusammen mit der Aussonderung ihrer alten, aber verlässlichen Altsysteme ihre Gesamtproduktionskosten steigern würden. Einige entscheidende manuelle Arbeitsprozesse, die mit einer menschlichen Bedienperson zur Einrichtung, Konfiguration und Nachprüfung der Mängel oder Einstufung einiger Typen neuer Mängel verbunden sind, waren nach wie vor notwendig, um fehlerfreie Produkte für die Kunden sicherzustellen. Es ist ein wohlbekannter Fakt, dass derartige manuelle Arbeitsprozesse, die menschliche Prüfer involvieren, für Fehler während des Arbeitsprozesses, der Überprüfung, der Einstufung, der Dokumentation und der Ausbildung anfällig sind, weil menschliche Fehler und Ermüdung ein ständiger hinderlicher Faktor bei der Aufrechterhaltung von effizienter und optimaler Qualität waren.
-
Darüber hinaus war die Einrichtung des HerstellungsAltsystemen für die Überprüfung neuer Arten von Siliziumchips oder integrierten Schaltkreisen in hohem Maße abhängig von den Fähigkeiten und Erfahrung der Bedienperson sowie von der von ihnen durchlaufenen Ausbildung. Die Auswahl der korrekten Rezeptdatei für eine spezielle Geräteeinrichtung war besonders wichtig, wenn mehrere Typen von Siliziumchips, die zur selben Produktfamilie gehören, zusammentreffen. Rezept- oder Konfigurationseinrichtungsdateien hätten sich über die Jahre akkumuliert und neue menschliche Prüfer würden es schwierig finden, die korrekte Datei für eine optimale Einrichtung der Maschine zu wählen. Ein weiteres Problemfeld beim manuellen Betrieb eines Prozesses ist die Erfassung und Klassifizierung von Daten. Daten können in der Form von Parametereinstellung, Fehlereinstufung, Datenerfassung im Zusammenhang mit den Herstellungsprozessen, ... etc. auftreten. Herstellungsbedienpersonen und Prüfer geben Daten häufig manuell bei jedem Arbeitsschritt ein und interagieren mit dem Systemcomputerprogramm mehrere Male für jede individuelle Charge von Wafern, die verarbeitet wird. Außerdem besteht das Problem der Inkonsistenz zwischen verschiedenen Bedienpersonen/Prüfern, was weiter zu fehleranfälligen Qualitätskontrollen führt. Das Problem der Kontinuität ist daher eine Problematik, mit der sich angemessen befasst werden muss.
-
Was eindeutig für die Hersteller erforderlich ist, ist eine angemessene Lösung oder ein Rahmen, um sicherzustellen, dass mehrere Schnittstellen, die mit Altsystemen kommunizieren, vollständig und sicher durch ein Hilfsmittel integriert werden, das für den Hersteller/Endnutzer transparent bleibt und dennoch eine neue Art eines vollautomatischen Verstärkendes-Lernsystem (engl. Reinforcement learning system) einführt, das es ihnen ermöglicht, ihren bestehenden Maschinenaufbau weiter zu nutzen und alle menschlichen Eingriffe zu eliminieren oder zu minimieren, seien es der Maschinenaufbau oder abschließende Qualitätskontrollen, um eine hohe Beständigkeit in Genauigkeit und Wiederholbarkeit für eine hohe Qualität der Ergebnisse sicherzustellen. Während dieser Bedarf auf Altmaschinen zutrifft, kann dieser auch gleichfalls neue Geräte betreffen, die möglicherweise nach wie vor Menschen benötigen, um bestimmte entscheidende Entscheidungen bei verschiedenen Arbeitsschritten zu treffen.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Die vorliegende Erfindung, welche fortan als „Proxyinterpreter“ bezeichnet wird, bietet ein System und ein Verfahren zur Automatisierung eines Herstellungsprozesses durch das Konfigurieren einer Hardware-Proxyinterpreter-Einheit, die Fachwissen durch verstärkendes Lernen (engl. Reinforcement learning) aufbaut, um ein Stück Altgerät zu bedienen, indem jeder einzelne Aktivität des menschlichen Prüfers auf der Maus/Tastatur und einer Reihe von Eingabe-/Ausgabe-Anschlüssen überwacht werden. Das Fachwissen, das innerhalb des Proxyinterpreters ansässig ist, wird verwendet, um das Altgerät zu steuern und schließlich die Notwendigkeit eines menschlichen Prüfers zu beseitigen.
-
In einer Ausführungsform der Erfindung werden ein System und ein Verfahren zur Umsetzung eines Proxyinterpreters bereitgestellt, um mindestens ein Altsystem zu bedienen und zu steuern. Das System und das Verfahren beinhalten Schritte für (a) Erfassen eines Bildes auf dem Anzeigebildschirm, das durch die Aufbau- und Qualitätskontrollbedienperson gezeigt und überprüft wird; (b) Sammeln von Tastatur- und Mauspositionskoordinaten in Bezug auf das während des Prozesses der Einrichtung und Konfiguration erfasste Bild; (c) Aufzeichnen und Speichern der Maus, bestimmter Eingabe-/Ausgabe-Anschlüsse und der Tastaturbefehle, die durch die Bedienperson ausgelöst werden, sowie Analysieren der Vorgänge, die durch die relevanten Befehle eingeleitet werden; (d) Analysieren und Überwachen der darauffolgenden Ergebnisse, die auf dem Bildschirm und allen Eingabe-/Ausgabe-Anschlüsse, die von dem Befehl aktiviert wurden, angezeigt werden; (e) Erfassen der Antworten des Altsystems, um eine Antwortbibliothek zu erschaffen, die auf den aktivierten Befehlen beruht; und (f) Verwenden der Antwortbibliothek, um mehrere Befehlsaktivitäten zu analysieren und schließlich das Altgerät ohne menschliches Eingreifen zu steuern. Schlussendlich überschreibt der Proxyinterpreter die Maus- und Tastatureingabebefehle des Altsystems mit seiner eigenen Befehlssequenz und handelt so gewissermaßen wie ein Mensch, der das Altsystem steuert. Das Schlussziel der Automatisierung des Altsystems ohne die Einrichtung einer Software auf dem Altsystem selbst ist mithin erreicht.
-
In einer anderen Ausführungsform der vorliegenden Erfindung wird ein System und ein Verfahren zur Schaffung einer Konfiguration und einer Rezeptdatei für mehrere Geräte in dem Proxyinterpreter bereitgestellt, um die Einrichtung der Geräte zu automatisieren. Das System und das Verfahren beinhalten die Schritte (a) Erfassen eines Bildes auf dem Anzeigebildschirm, das der Qualitätskontrollbedienperson gezeigt wird; (b) Sammeln der Tastatur- und Mauspositionskoordinaten und bestimmten Eingabe-Anschlüsse, mit Bezug auf das während des Prozesses der Einrichtung und Konfiguration erfasste Bild; (c) Aufzeichnen und Speichern der Maus, bestimmter Eingabe-/Ausgabe-Anschlüsse und der Tastaturbefehle, die durch die Bedienperson ausgelöst werden, sowie Analysieren der Vorgänge, die durch die relevanten Befehle eingeleitet werden; (d) Schaffen einer Rezept- oder Einrichtungsdatei, die aus Konfigurationsparametern für ein bestimmtes Gerät besteht; und (e) Verwenden der Rezeptdatei, um das Altsystem automatisch ohne menschliches Eingreifen während des anschließenden Herstellungsprozesses einzurichten und zu konfigurieren.
-
In einer anderen Ausführungsform der vorliegenden Erfindung wird ein System und ein Verfahren zur Umsetzung eines Tiefen-Lernmoduls (engl. Deep learning modul) in dem Proxyinterpreter bereitgestellt, um die Qualitäts- oder Mangelüberprüfung zu verbessern. Das System und das Verfahren beinhalten die Schritte (a) Einstufen der Mangelkriterien, wie sie vom menschlichen Prüfer angegeben werden; (b) Anwenden der Tiefen-Lerntechnik (engl. Deep learning techniques) auf die eingestuften Mängel und Verbessern des Mangelidentifikationsprozesses; (c) Erzeugen neuen Fachwissens, basierend auf Tiefen-Lerntechniken (engl. Deep learning techniques); und (d) Verwenden des neuen Fachwissens, um Mängel zu überprüfen und, wenn geeignet, neu einzustufen, damit die Genauigkeit und Widerholbarkeit der Überprüfung verbessert werden kann; diese neuen Widereinstufungsergebnisse werden von dem Proxyinterpreter verwendet, um die Überprüfungsergebnisse im Altsystem zu ändern, indem er die Maus- und Tastatureingaben überschreibt und nachbildet, wie ein Mensch manuell die Ergebnisse ändern würde.
-
Figurenliste
-
Die vorliegende Erfindung wird mit Bezug auf eine bestimmte Ausführungsform beschrieben und Bezug auf die Zeichnungen genommen, in denen gleiche Bezugszeichen gleiche Merkmale bezeichnen und in denen:
- 1 eine Blockdiagramansicht eines heutzutage bereits existierenden typischen Automatisierungssystems ist, das ein Computersystem aufweist, welches das Altsystem dazu veranlasst das Verfahren gemäß einem Computerprogramm auszuführen;
- 2 eine Blockdiagramansicht einer Ausführungsform des Automatisierungssystems ist, das ein Computersystem aufweist, welches mit einem Proxyinterpreter verbunden ist, der während der Einrichtung und Konfiguration Informationen von Geräten wie der Maus, bestimmten Eingabe-/Ausgabe-Anschlüsse und von Tastaturbefehlen in Bezug auf das auf dem Monitor angezeigte Gerätebild gemäß der vorliegenden Erfindung, sammelt;
- 3 ein Ablaufdiagram ist, welches die Prozessschritte während eines typischen Überprüfungs- und Klassifizierungsüberprüfungsprozesses darstellt, der von einer menschlichen Bedienperson gemäß dem System in 1 befolgt wird,
- 4 ein Ablaufdiagram ist, welches die Prozessschritte während des Trainierens oder Anlernes gemäß der in 2 gezeigten Ausführungsform der vorliegenden Erfindung darstellt.
- 5 ein Ablaufdiagram ist, welches die Schritte für das verstärkendes Lernen engl. Reinforcement learning) gemäß einer Ausführungsform der vorliegenden Erfindung, darstellt.
- 5a ein Ablaufdiagram ist, dass die Schritte des verstärkenden Lernens (engl. Reinforcement learning) gemäß einer Ausführungsform der vorliegenden Erfindung darstellt.
- 6 ein Ablaufdiagram ist, welches den automatischen Betrieb des Proxyinterpretersystems während des gewöhnlichen Betriebs der Maschine ohne das Eingreifen einer menschlichen Bedienperson darstellt.
-
DETALLIERTE BESCHREIBUNG
-
Die vorliegende Erfindung bezieht sich auch ein Verfahren zur Automatisierung der Einrichtung, Konfiguration und des Betriebs eines mikroelektronischen Herstellungsprozesses. Während die unten vorgesehenen Ausführungsformen sich auf ein Verfahren zur Automatisierung eines mikroelektronischen Herstellungsprozesses beziehen, das dazu verwendet wird Halbleitergeräte herzustellen, versteht sich, dass die Methode der vorliegenden Erfindung dazu verwendet werden kann, um jeden beliebigen mikroelektronischen Herstellungsprozess zu automatisieren, zum Beispiel zur Herstellung von Flachbildschirmgeräten, Plattenlaufwerkgeräten und dergleichen. Die Absicht besteht darin eine Reihe Prozesse zu automatisieren, um Altgerät dazu zu befähigen, auf eine Art verwendet zu werden, die menschliches Eingreifen minimiert, die die Qualität des Prozesses durch die Verwendung von Tiefen-Lerntechniken (engl. Deep learning techniques) verbessert, um die Qualität des Herstellungsprozesses zu verbessern und dadurch die Nutzungsdauer des Altgeräts zu verlängern. Die vorliegende Erfindung bezieht sich eher auf ein Verfahren zur Automatisierung des Herstellungsprozesses als auf die bestimmte Art des Geräts oder des Herstellungsprozesses, der automatisiert wird.
-
1 ist eine Ansicht eines Blockdiagrams eines gewöhnlichen Automatisierungssystems, welches aus den verschiedenen Komponenten des Steuersystems und des mechanischen Herstellungssystems besteht, welche als Altsystem bezeichnet werden. Daher sind bestimmte Geräte, die typischerweise das PC-Steuersystem 28 beinhalten, in 1 zu sehen, wie beispielsweise ein Prozessor, ein Speicher (nicht dargestellt), Eingabegeräte, die eine Maus 32 und eine Tastatur 26 umfassen, Ausgabegeräte, die eine Anzeige 24, einen Notfallknopf (nicht dargestellt), Turmanzeigen [sic!] ... etc., die durch Eingabe- Ausgabe-Anschlüsse 30 kontrolliert werden, von denen einige über ihre entsprechenden Schnittstellen angeschlossen sind, wie USB, Ethernet-Anschluss ... usw. Es versteht sich, dass weitere Peripheriegeräte mit dem Steuersystem 28 verbunden werden können, um sich mit externen Netzwerken oder Geräten für die Durchführung bestimmter Arten von Prozessen zu koppeln. Das Steuersystem 28 koppelt sich mit dem Herstellungsaltgerät 20, um die Schritte zur Herstellung, Überprüfung, Aussonderung und zur Ausgabe der erforderlichen Daten an externe Schnittstellen (nicht dargestellt) zur Konsolidierung und Verwaltung auszuführen.
-
2 ist eine Ansicht eines Blockdiagrams einer Ausführungsform eines Automatisierungssystems der vorliegenden Erfindung, welche mit dem Proxyserver 42 bestückt ist, der mit verschiedenen Peripheriegeräten des Altsystems kommuniziert, um das automatisierte Gerät 20 durch das PC- Steuersystem 28 zu steuern. In der neuen Systemarchitektur der vorliegenden Erfindung, sind alle Geräte, die ursprünglich mit dem PC-Steuersystem 28 verbunden waren, jetzt mit dem Proxyinterpreter 42 verbunden, der wiederum mit dem PC- Steuersystem 28 durch die jeweiligen Anschlüsse kommuniziert. In 2 sind die aus der Maus 32 und der Tastatur 26 bestehende Eingabegeräte mit dem Proxyserver 42 durch die jeweiligen Schnittstellen 50 und 48 verbunden. Der Anzeigeanschluss des PC-Steuersystems 28 ist mit dem Eingabeanzeigeanschluss des Proxyservers durch die Schnittstelle 34 verbunden. Der Proxyinterpreter koppelt sich und kommuniziert mit dem PC-Steuersystem 28 mit dem Mausanschlussdurch die Schnittstelle 54, dem Tastaturanschluss durch die Schnittstelle 52, überwacht und protokolliert alle Aktivitäten und baut das Fachwissen für ein bestimmtes automatisiertes Gerät auf, das in diesem Fall das automatisierte Gerät 20 ist. Der Anzeigeanschluss 24 ist mit dem Proxyserver 42 durch die Schnittstelle 40 verbunden. Es versteht sich, dass weitere Peripheriegeräte mit dem Proxyinterpreter 42 verbunden werden können, damit dieser bei Bedarf zusätzliche Aufgaben erfüllen kann. Der Proxyinterpreter verwendet das Fachwissen, welches dieser mit der Zeit aufbaut, um das automatisierte Geräte 20 über die Schnittstelle des PC- Steuersystem 28 zu steuern, damit die Schritte zum Steuern und Bedienen des Altsystems 20 ausgeführt werden.
-
3 ist ein Ablaufdiagram eines typischen Prozessablaufs einer automatisierten Maschine. Das Ablaufdiagram beginnt mit Schritt 60. In Schritt 62 scannt die Bedienperson den Chargencode des Chargendokuments und lädt die Informationen herunter, die sich auf diese Charge beziehen. Die Bedienperson wählt anschließend die entsprechende Einrichtungsdatei aus der Liste der Konfigurationsdateien auf Grundlage von dem zu betriebenen Gerät aus. In Schritt 64 beginnen der Betrieb des Geräts und die notwendigen Prozessschritte (in diesem Fall die Überprüfung der Siliziumchips). In Schritt 70 überprüft das Computerprogramm, das die Maschine steuert, ob der Siliziumchip, der die Überprüfung durchläuft, der letzte Chip ist. Falls es der letzte Siliziumchip ist, fährt das Programm mit Schritt 90 fort. Ist es nicht der letzte Siliziumchip fährt das Programm mit Schritt 74 fort. In Schritt 74 vergleicht die Bedienperson die Ergebnisse des überprüften Siliziumchips mit den Ergebnissen der Waferkartendatendatei. Wenn die Ergebnisse übereinstimmen, fährt das Programm mit Schritt 76 fort. Wenn die Ergebnisse nicht übereinstimmen, fährt das Programm mit Schritt 82 fort, in dem die Bedienperson sich den von dem Überprüfungsprogramm identifizierten Defekt genauer anschaut und entscheidet, ob es sich tatsächlich um einen Defekt handelt und nicht mit dem Ergebnis in der heruntergeladenen Waferkartendatendatei übereinstimmt, [sic!] die Bedienpersonen stuft den defekten Siliziumchip in eine entsprechende Kategorie ein und aktualisiert die Information in Schritt 86. Entscheidet die Bedienperson bei der genaueren Betrachtung des Defekts in Schritt 82, dass es sich bei dem als defekt identifizierten Siliziumchip nicht um einen Defekt handelt und das Ergebnis mit dem Ergebnis des heruntergeladenen Waferkartenüberprüfungsergebnisses übereinstimmt, entscheidet die Bedienperson mit dem nächsten Schritt 76 fortzufahren ohne die Waferkartendatendatei zu aktualisieren. Das Programm geht dann von Schritt 76 zu Schritt 70 über, wo der gesamte Ablauf bis zum letzten Siliziumchip des Wafers wiederholt wird.
-
4 ist ein Ablaufdiagramm einer Ausführungsform, das während des Anlernens oder des Trainierens des verwendeten Automationssystems der vorliegenden Erfindung verwendet wird, das mit einem Proxyinterpreter 84 implementiert ist, wobei alle anderen Prozessschritte dieselben sind, wie im Ablaufdiagramm in 3. Der Proxyinterpreter überwacht alle Aktivitäten der Maus 32 (2) und erlernt die Bedienung des Geräts 20 unter Verwendung eines verstärkenden Lernmoduls (engl. Reinforcement learning module). Alle mit der Steuerung und Befehlen zusammenhängenden Daten, die bei der Ausgabe von Schritt 74 und 82 angetroffen werden, werden konsolidiert und im Proxyinterpreter gespeichert. Die konsolidierten Daten werden analysiert, um das Erstellen des verstärkenden Lernmoduls (engl. Reinforcement learning modul) zu fördern, um anschließend für eine automatisierte Überprüfung des Geräts 20 ohne die Mitwirkung einer menschlichen Bedienperson verwendet zu werden.
-
5 ist ein Ablaufdiagramm, das die Schritte darstellt, die während des Prozesses zum Erzeugen eines verstärkenden Lernmoduls (engl. Reinforcement learning module) befolgt werden, welches in erster Linie die Bedienungssequenzen des Altgeräts erlernt und speichert. Der in 4 dargestellte Proxyinterpreter 84 ist der Eingangsschritt des Ablaufdiagramms in 5. Schritt 100 ist der Anfangspunkt des im Proxyinterpreter befindlichen verstärkenden Lernens (engl. Reinforcement learning). Vorzugsweis kann der erste Schritt die Aufnahme des Bildes auf dem Anzeigebildschirms wie in Schritt 102 sein. Alle Informationen und Daten, die von den externen Schnittstellengeräten, wie der Maus, bestimmten Eingabe-/Ausgabeanschlüssen und Tastatureingaben oder -befehlen, gesammelt wurden, stehen in Bezug zu dem aktuellen Bild, das erfasst und im Proxy-Interpreter gespeichert wird. Das verstärkende Lernmodul (engl. Reinforcement learning module) speichert und konsolidiert die Eingaben und Ausgaben, die als Teil des von der Bedienperson bei der Einrichtung und Konfiguration der Maschine in Schritt 104 ausgelösten Prozesses gesammelt wurden. Die Aufzeichnung und Protokollierung der Bedienaktivität zusammen mit dem Eingreifen der Bedienperson, um jeden bestimmten Prozesse auszulösen, einschließlich, aber nicht ausschließlich für die Verifikation des zu prüfenden Gegenstands, wird vorzugsweise für jeden einzelnen Siliziumchips des Wafers fortgesetzt, wie in Schritt 106 dargestellt ist. In Schritt 108, stellt das verstärkende Lernmodul (engl. Reinforcement learning module) einen Bedienungsablauf für verschiedene Befehle in Bezug auf die Prozesse der Bedienungssequenzen des Altgeräts her. Diese Befehle und ihre zugehörigen Prozesse werden vom Proxyinterpreter verwendet werden, um das Altgerät ohne menschliches Eingreifen zu bedienen. Schritt 110 stellt das Ende des Prozessablaufdiagramms des verstärkenden Lernmoduls (engl. Reinforcement learning module) des Proxyinterpreters dar. Der Proxyinterpreter kann die Eingaben der Bedienperson im Hinblick auf die Qualitätskontrolle und die Klassifizierung von Defekten weiter analysieren, um eine automatische Fehlerklassifizierung (ADC - engl. automatic defect classification) mit Hilfe von einer Tiefen-Lerntechnik (engl. Deep learning technique) zu entwickeln, die es Altgeräten ermöglicht, Qualitätsprüfungen mit höherer Genauigkeit und Zuverlässigkeit durchzuführen. Das Tiefen-Lernmodul (engl. Deep learning modul) befindet sich im Proxyinterpreter, zusammen mit dem verstärkenden Lernmodul (engl. Reinforcement learning module), die zusammen die Leistung der Altgeräte, sowohl in Bezug auf die Funktionen als auch auf die Produktivität, fördern. Der Proxyinterpreter hilft, die Haltbarkeit von Altgeräten zu verlängern, was das Hauptmerkmal der vorliegenden Erfindung ist.
-
In 5a werden die Schritte, die im Zusammenhang mit dem verstärkenden Lernmodul (engl. Reinforcement learning module) 108 in 5 stehen, detaillierter dargestellt. Das verstärkende Lernmodul (engl. Reinforcement learning module) in Schritt 150 wird umgesetzt, indem ein „Dueling-Double-Deep-Q-Network-Architektur“ (D3QN) verwendet wird, die zwei Netzwerke enthält: ein Hauptnetzwerk, um aus der Interaktion mit dem Umfeld zu lernen, indem Belohnungen für positives Verhalten und Sanktionen für negatives Verhalten verwendet werden, um die richtigen Aktionen in einem interaktiven Umfeld zu bestimmen, und ein Zielnetzwerk (welches eine eingefrorene Version des Hauptnetzwerks nach k Trainingsschritten ist), um das dynamische Ziel zu stabilisieren. Das D3QN-System nutzt darüber hinaus auch zwei Ströme: Einen Wertstrom 152 zum Erlernen des üblichen Q-Werts (Qualität) jedes Maschinenzustands (ein Versatzwert für alle Aktionen in dem Zustand) und ein Vorteilsstrom 154, um zu erlernen, welche Aktion in welchem bestimmten Zustand ausgeführt werden sollte. Die Vorteilsströme in Schritten 172 und 174 werden fortlaufend durch den Erfahrungspuffer aktualisiert 170, um den Q-Wert jedes Maschinenzustandes zu verbessern, der in Schritt 176 summiert wird, bevor er in Schritt 150 zu dem D3QN-Modul zurückgegeben wird.
-
Das Hauptnetzwerk erhält eine Eingabe von Merkmalkarten 164 innerhalb des eingefrorenen Modells 160, die von einem Objekterkennungsmodell für den Anzeigebildschirm 178 generiert werden, wie z. B. einem modifizierten YOLO (You Only Look Once - dt. man schaut nur einmal), sowie von einem Konfidenzvektor für das Bild und den Text auf dem Bildschirm vom Tiefen-Lernnetzwerken (engl. Deep learning networks), wie etwa jeweils einem modifizierten YOLO und einem modifizierten CTPN (Connectionist Text Proposal Network -dt. konnektionistischem Textvorschlagsnetz). Der Konfidenzvektor wird als Filter verwendet, um sicherzustellen, dass keine Aktion vom Aktionsklassifikator 162 ausgeführt wird, die nicht erheblich für den derzeitigen Zustand ist. Außerdem wird ein benutzererzeugtes LSTM- Modell (Long Short Term Memory - dt. Lang-/Kurzzeitspeicher) verwendet, um zwischen ähnlichen Bildschirmen in unterschiedlichen Zuständen zu unterscheiden.
-
6 ist ein Ablaufdiagramm, das die Schritte während des normalen Betriebs der Maschine darstellt, wobei das Proxyinterpreter-System alle Befehle basierend auf dem Verstärkenden- und Tiefen-Lernmodul (engl. Reinforcement and Deep learning module) initiiert, die während des Prozessablaufs in 5 erstellt wurden. Ein typischer Proxyinterpreter-Ablauf beginnt bei Schritt 120 und fährt mit dem Einscannen der Chargeninformationen eines Chargenvertreters oder -dokuments in Schritt 120 fort. Die Chargeninformationen werden durch den Proxyinterpreter weiter ausgewertet und die relevanten Tastatur- und Mausbefehle werden in Schritt 124 zum zentralen Server geschickt, um die Einrichtungs- und Konfigurationsinformationen auf das Altmaschinensteuerungssystem herunterzuladen. In Schritt 126 beginnt das Steuerungssystem der Altmaschine mit der Bedienung der Maschine, indem es überprüft, ob der sich derzeitig unter der Überprüfungskamera befindliche Siliziumchip der letzte Chip ist. Falls ja, springt der Prozess zu Schritt 136, um den Ablauf des Betriebs in 6 zu beenden. Falls nicht, fährt der Betrieb mit dem nächsten Schritt 130 fort, bei dem der Defekt oder andere Informationen, die mit dem sich derzeitig unter der Kamera befindlichen Siliziumchip in Beziehung stehen, aus der Waferkartendatei entnommen werden. In Schritt 133 wird der sich derzeitig unter der Kamera befindliche Siliziumchip unter Verwendung der Tiefen-Lernmodule (engl. Deep learning modules) weiter überprüft, um eine hochkomplexe Analyse zur verbesserten Überprüfung durchzuführen, damit ein zuverlässigeres Überprüfungsergebnis erreicht wird.
-
Die Tiefen-Lernmodule (engl. Deep learning modules) in Schritt 133 werden mit Architekturen erstellt, die ein modifiziertes Effizienznetz und eine modifiziertes Schneller-RCNN (Region-based Convoilutional Neural Networks - dt. Regionenbasiertes-Faltungs-Neuronale- Netzwerke) beinhalten. Diese Tiefen-Lernmodelle (engl. Deep learning models) werden trainiert, um Defekte an Objektoberflächen zu erkennen, indem sie das Eingabebild mit modifizierten ResNET-101 (Residual NETworks - dt. Residuum NETZwerke)-Schichten auswerten.
-
Die in Schritt 133 erzielten Ergebnisse werden in Schritt 134 mit den Ergebnissen aus Schritt 130 verglichen. Wenn die verglichenen Ergebnisse die gleichen sind, fährt der Betrieb mit Schritt 128 fort, bei dem die Maschine den Wafer zu dem nächsten zu überprüfenden Siliziumchip fortschaltet. Wenn die in Schritt 134 verglichenen Ergebnisse nicht die gleichen sind, sendet der Proxyinterpreter die entsprechenden Tastatur- und Mausbefehle an das Altsteuersystem, um die aktuellen Siliziumchipergebnisse in der Waferkartendatei zu aktualisieren. In Wirklichkeit werden die in der Waferkartendatei vorliegenden Ergebnisse in Schritt 124 in Schritt 132 mit neuen Ergebnissen für den überprüften Siliziumchip überschrieben. Der Betrieb fährt mit Schritt 128 fort, bei dem der nächste Siliziumchip, der überprüft werden soll, unter der Kamera fortgeschaltet wird. Anschließend fährt der Betrieb mit Schritt 126 fort. Der Ablauf geht weiter und wiederholt sich bis zum letzten zu überprüfenden Siliziumchip. Dieses essenzielle Merkmal der Anwendung neuer und verbesserter Überprüfungsmethodik auf einer Altmaschine durch ein Proxyinterpreter-System, ist ein Hauptmerkmal der vorliegenden Erfindung.
-
Die hier beschriebenen Verfahren müssen nicht zwingend in der beschriebenen Reihenfolge ausgeführt werden und die Reihenfolge der Schritte solcher Verfahren sollten lediglich als exemplarisch verstanden werden. Ebenso können zusätzliche Schritte zu solchen Verfahren hinzugefügt werden und bestimmte Schritte können in Verfahren, die mit verschiedenen Ausführungsformen der vorliegenden Erfindung stimmig sind, ausgelassen oder zusammengefasst werden.
-
Obwohl Ausführungsformen der vorliegenden Erfindung hier beschrieben wurden, versteht es sich, dass die vorangehenden Ausführungsformen und Vorteile lediglich Beispiele sind und die vorliegende Erfindung und den Umfang der Ansprüche nicht einschränken. Zahlreiche weitere Modifikationen und Ausführungsformen können von Fachleuten durch Anwendung eines beliebigen neuronalen Berechnungsmodells entwickelt werden, die unter den Erfindungsgedanken und den Umfang der Offenbarung fallen. Die vorliegende Lehre kann auch auf andere Altsystem ohne Weiteres angewandt werden. Insbesondere sind mehrere Variationen und Modifikationen in der Anordnung des Gegenstandskombinationsanordnung innerhalb des Umfangs der Beschreibung, der Zeichnungen und angefügten Ansprüche möglich. Zusätzlich zu den Variationen und Modifikationen bei der Anordnung sind für Fachleute auch alternative Verwendungszwecke offenkundig.