JP2024504010A - モデルベースのデジタルツインを使用する無線周波数整合制御の実施 - Google Patents

Abstract

方法は、製造機器にＲＦ信号を生成させて、この製造機器に関連付けられた処理チャンバにエネルギー供給することを含む。この方法は、製造機器に関連付けられた一又は複数のセンサから、ＲＦ信号に関連付けられた現在のトレースデータを受信することを更に含む。方法は、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを更に含む。方法は、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを更に含む。方法は、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを更に含む。【選択図】図１

Description

［００１］本開示は、電気的コンポーネントに関し、より詳細には、モデルベースのデジタルツインを使用して無線周波数整合制御を実施することに関する。

［００２］製品は、製造機器を使用して一又は複数の製造プロセスを実施することによって作製されうる。例えば、半導体製造プロセスを通じて半導体デバイス（例えば基板やウエハなど）を作製するために、半導体製造機器が使用されうる。多くの半導体デバイスの製造段階において使用される従来型の無線周波数（ｒａｄｉｏ ｆｒｅｑｕｅｎｃｙ：ＲＦ）プラズマエッチングプロセスでは、ＲＦ信号が、ＲＦエネルギー源を介して基板処理チャンバに提供されうる。ＲＦ信号は、連続波モード又はパルス波モードで生成され、提供されうる。ＲＦエネルギー源のインピーダンスと処理チャンバ内で形成されるプラズマとの不整合により、一部のＲＦ信号は反射されてＲＦエネルギー源へと戻る。その結果、ＲＦ信号が非効率的に使用されてエネルギーが無駄になり、ＲＦエネルギー源を損傷する可能性、及び基板処理に関する不整合／非再現性の問題が生じる可能性がある。ゆえに、ＲＦ信号の送達の高い再現性を実現することが可能な、ＲＦ整合制御システムが求められている。

［００３］本開示の態様の一部の基本的な理解を提供するために、本開示の簡略化された概要を以下に示す。この概要は、本開示の網羅的な大要ではない。この概要は、本開示の主要点又は重要要素を特定するためのものでも、本開示の特定の実行形態の何らかの範囲又は特許請求の何らかの範囲を画定するためのものでもない。この概要の唯一の目的は、本開示の概念の一部を、後述する詳細な説明の導入部として、簡略化した形態で提示することである。

［００４］本開示の一態様では、方法は、製造機器にＲＦ信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給することを含む。この方法は、製造機器に関連付けられた一又は複数のセンサから、ＲＦ信号に関連付けられた現在の（ｃｕｒｒｅｎｔ）トレースデータを受信することを更に含む。方法は、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを更に含む。方法は、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを更に含む。方法は、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを更に含む。

［００５］本開示の別の態様では、システムは、メモリと、メモリに連結された処理デバイスとを含み、この処理デバイスは、製造機器にＲＦ信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給する。処理デバイスは更に、製造機器に関連付けられた一又は複数のセンサから、ＲＦ信号に関連付けられた現在のトレースデータを受信する。処理デバイスは更に、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新する。処理デバイスは更に、デジタルレプリカから、予測データを示す一又は複数の出力を取得する。処理デバイスは更に、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにする。

［００６］本開示の別の態様では、非一時的機械可読記憶媒体は命令を記憶しており、この命令は、実行されると、製造機器にＲＦ信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給することを含む工程を、処理デバイスに実施させる。かかる工程は更に、製造機器に関連付けられた一又は複数のセンサから、ＲＦ信号に関連付けられた現在のトレースデータを受信することを含む。工程は更に、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することを含む。工程は更に、デジタルレプリカから、予測データを示す一又は複数の出力を取得することを含む。工程は更に、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることを含む。

［００７］本開示は、添付図面の図中では、限定としてではなく例として示されている。

ある種の実施形態による、例示的なシステムアーキテクチャを示すブロック図である。 ある種の実施形態による、製造機器の例示的な実施形態を詳細に示すブロック図である。 ある種の実施形態による、予測データを生成して是正措置が行われるようにするためのフロー図である。 ある種の実施形態による、例示的な最適化プロファイルを示すグラフである。 ある種の実施形態による、例示的な最適化プロファイルを示すグラフである。 ある種の実施形態による、例示的な最適化プロファイルを示すグラフである。 ある種の実施形態による、２つの可変キャパシタに関連付けられた複数のチューニング経路を示すグラフである。 ある種の実施形態による、コンピュータシステムを示すブロック図である。

［００１４］モデルベースのデジタルツインを使用して無線周波数整合制御を実施することを対象とした技術について、本書では説明している。製品（例えばウエハ）を作製するために、製造機器が使用されうる。例えば、製造機器は、ＲＦエネルギーを、ＲＦ信号の形態で、処理チャンバに供給して、エッチング用のプラズマを生成することによって、ウエハを作製するためのレシピを実行しうる。多くの場合、ＲＦ信号は、固定的な又はチューニング可能な整合ネットワークを通じて、処理チャンバ内のプラズマに結合される。これらの整合ネットワークは、プラズマのインピーダンスをＲＦエネルギー源のインピーダンスにより厳密に整合させることによって、反射されるＲＦ信号を最小化するように動作する。整合ネットワークは、プラズマに結合されるエネルギー量を最大化するよう、ＲＦ源の出力が効率的にプラズマに結合されることを可能にする。ゆえに、整合ネットワークは、総インピーダンス（例えばプラズマインピーダンス、チャンバインピーダンス、及び整合ネットワークインピーダンス）が、ＲＦ電力供給の出力インピーダンスと同じになるか、又は同様になることを可能にする。

［００１５］従来型の一部のシステムでは、整合ネットワークのＲＦ整合制御プロファイルは、ルックアップテーブルに基づいて設計される。このルックアップテーブルは、処理チャンバにエネルギー供給するために使用される入力周波数の種類（例えば２．２ＭＨｚや１３．５６ＭＨｚ等）、使用される処理ガスの種類（例えばＨ_２、Ｈｅ、Ａｒ、Ｏ_２、ＮＦ_３等）、使用される処理チャンバの種類などといった、処理パラメータに関連付けられうる。制御プロファイルは、整合ネットワークの一又は複数の可変チューニング素子（可変キャパシタ、可変インダクタ、又は可変レジスタなど）を調整するために使用されうる。整合ネットワーク又は処理チャンバのパラメータが、（温度、経時的影響、腐食、部品の不具合、劣化などによって）変化すると、ルックアップテーブルを使用して選択された制御プロファイルにより最適な結果が得られない可能性がある。

［００１６］本書で開示しているデバイス、システム、及び方法は、現在のセンサデータを使用して、最小のチューニング時間で最大の電力供給を実現するための、制御プロファイルのリアルタイム最適化を提供する。一実施形態では、処理デバイスは、製造機器にＲＦ信号を生成させて、製造機器に関連付けられた処理チャンバにエネルギー供給する。処理デバイスは、製造機器に関連付けられた一又は複数のセンサから、ＲＦ信号に関連付けられた現在のトレースデータ（例えば電圧や電流など）を受信しうる。処理デバイスは次いで、現在のトレースデータに基づいて、製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新しうる。予測データを示す出力が、デジタルレプリカから取得されうる。予測データを示す出力は、訓練された機械学習モデル、ヒューリスティックモデル、又はルールベースのモデルを使用して生成されうる。処理デバイスは、予測データに基づいて、製造機器に関連付けられた一又は複数の是正措置を実施しうる。

［００１７］一部の実施形態では、整合ネットワークは、２つの調整可能な（チューニング可能な）キャパシタを含みうる。予測データは、キャパシタの一又は複数のチューニング設定を含みうる。チューニング設定は、反射されたＲＦ信号に関連付けられた反射係数と時間パラメータとの関数でありうる。是正措置は、予測データに基づいて、調整可能なキャパシタの一方又は両方を調整することを含みうる。

［００１８］一部の実施形態では、処理デバイスは、現在のトレースデータを使用して、デジタルレプリカをリアルタイムで更新しうる。例えば、現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、処理ロジックが、デジタルレプリカの最適化を実施しうる。

［００１９］一部の実施形態では、整合ネットワークは、入力インピーダンスセンサ及び出力インピーダンスセンサを含みうる。デジタルレプリカのインピーダンス値を更新することは、出力インピーダンスセンサからの現在のトレースデータを使用して、デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含みうる。デジタルレプリカのインピーダンス値を更新することは、入力インピーダンスセンサ及び出力インピーダンスセンサからの現在のトレースデータを使用して、デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを更に含みうる。

［００２０］本開示の態様は、最適な設定、エネルギー消費、使用される帯域幅、プロセッサオーバーヘッドなどを実現するために必要な時間の大幅な削減という、技術的利点をもたらす。例えば、従来型のシステムは、最適なＲＦ電力供給の再現性の向上を試行するために、トライアンドエラーの反復を実施する。このトライアンドエラーのプロセスでは、各反復（例えば、トライアンドエラーによる命令の生成、この命令の送信、フィードバックの受信、トライアンドエラーによる更新済み命令の生成など）のたびに、必要とされる時間、エネルギー消費、帯域幅、及びプロセッサオーバーヘッドが増大していく。本開示は、予測データを取得し、この予測データに基づいて是正措置が行われるようにするために、信号処理、デジタルレプリカ、及び機械学習モデルを使用すること、並びにトライアンドエラーの反復を回避することによって、所要時間、エネルギー消費、帯域幅、及びプロセッサオーバーヘッドの削減をもたらす。本開示により、不整合な及び異常な製品、予定外のユーザ時間、並びに製造機器の損傷を回避するための、整合ネットワークに関連付けられた最適なパラメータ設定の予測が得られる。

［００２１］図１は、ある種の実施形態による、例示的なシステム１００（例示的なシステムアーキテクチャ）を示すブロック図である。システム１００は、シミュレーションシステム１１０、クライアントデバイス１２０、センサ１２６、製造機器１３０、計測機器１２８、及びデータストア１４０を含む。シミュレーションシステム１１０は、デジタル表現サーバ１７０、サーバマシン１８０、及び予測サーバ１１２を含みうる。

［００２２］製造機器１３０は、ＲＦ生成器１３２、整合ネットワーク１３４、処理チャンバ１３６、及びコントローラ１３８を含みうる。ＲＦ信号は、ＲＦ生成器１３２によって生成され、整合ネットワーク１３４に送信されうる。ＲＦ信号は次いで、エッチングプロセスで使用されるプラズマを点火し、維持するために、処理チャンバ１３６に印加されうる。一部の実施形態では、ＲＦ生成器１３２は、処理チャンバ１３６にエネルギー供給するための一又は複数の低ＲＦ信号（例えば２．２ＭＨｚや１３．５６ＭＨｚなど）、処理チャンバ１３６にエネルギー供給するための一又は複数の高ＲＦ信号（例えば２４ＭＨｚ、６０ＭＨｚ、１００ＭＨｚなど）、又はこれらの任意の組み合わせを生成しうる。ＲＦ生成器１３２は、望ましいパルス速度、デューティサイクル、及び位相角で、ＲＦ信号をパルス化する能力を有しうる。コントローラ１３８が、ＲＦ電力生成器１３２及びＲＦ整合ネットワーク１３４に接続されてよく、ＲＦ生成器１３２のＲＦ信号の制御（例えば、開始、切り替え、遮断など）を行いうる。更に、コントローラ１３８は、ＲＦ信号のパルス速度、デューティサイクル、及び位相角を調整するためにも使用されうる。

［００２３］整合ネットワーク１３４は、エッチングプロセスで使用されるプラズマのインピーダンスを、ＲＦ生成器１３２によって供給されるＲＦ信号のインピーダンス（例えば５０オーム）に整合させることによって、反射されるＲＦエネルギーを最小化するよう動作しうる。整合ネットワーク１３４は、容量素子、誘導素子、及び抵抗素子による構成を含みうる。整合ネットワーク１３４は、そのパラメータを変えるために、一又は複数の制御可能な調整可能素子又は可変チューニング素子（可変のキャパシタ、インダクタ、若しくはレジスタ、又はこれらの組み合わせなど）を含みうる。例えば、整合ネットワーク１３４は、可変シャントキャパシタ及び可変直列キャパシタを含んでよく、これらは両方とも、可変チューニング素子として機能する。可変キャパシタ（例えばチューニングキャパシタ又はチューニング可能キャパシタ）は、コントローラ１３８によって操作される電動真空キャパシタ、又はその他の任意の制御可能な可変キャパシタでありうる。一実施形態では、整合ネットワーク１３４は、整合ネットワーク１３４及び／又は処理チャンバ１３６に関連付けられたインピーダンスがＲＦ生成器１３２に関連付けられたインピーダンス（例えば５０オーム）に向かって増大／減少するように、制御可能な可変チューニング素子のうちの一又は複数をチューニングしうる。

［００２４］ＲＦ整合ネットワーク１３４は、一又は複数の電気センサ１３５も含みうる。電気センサ１３５は、センサデータ１４２（センサ値、特徴、トレースデータなど）を提供することが可能な、任意の種類のＲＦ電圧／電流測定デバイス（例えばセンサやプローブなど）でありうる。一部の実施形態では、電気センサ１３５は、ＲＦ生成器１３２、整合ネットワーク１３４、及び／又は処理チャンバ１３６に連結された給電導体（例えば給電ライン）の電気測定を実施する。電気センサ１３５は、給電導体の特性（例えばインピーダンス、給電導体の磁気揺動、電流、電圧、抵抗など）を感知し、かかる特性をセンサデータ１４２（例えばトレースデータ、履歴トレースデータ１４６、現在のトレースデータ１５４）に変換する。電気センサ１３５は、電流、交流電流（ＡＣ）の振幅（ｍａｇｎｉｔｕｄｅ）、位相、波形（例えばＡＣ波形やパルス波形）、直流電流（ＤＣ）、非正弦ＡＣ波形、電圧などのうちの一又は複数の値を測定することも可能である。

［００２５］一実施形態では、電気センサ１３５は、入力（ソース）インピーダンスセンサ及び出力（負荷）インピーダンスセンサを含む。入力インピーダンスセンサは、整合ネットワーク１３４における、ＲＦ信号に関連付けられたインピーダンスを特定しうる。出力インピーダンスセンサは、送信先（例えば処理チャンバ１３６）における、ＲＦ信号のインピーダンスを特定しうる。製造機器１３０については、図２を参照して、より詳細に後述する。

［００２６］センサ１２６は、製造機器１３０に関連付けられた（例えば製造機器１３０による、ウエハなどの対応する製品の作製に関連付けられた）センサデータ１４２（センサ値、特徴、トレースデータなど）を提供しうる。センサデータ１４２は、機器の健全性及び／又は製品の健全性（例えば製品品質）に関して使用されうる。製造機器１３０は、レシピに従って製品を作製すること、又はある期間にわたって操業を実施することが可能である。ある期間にわたって受信された、（例えば、レシピ又は操業の少なくとも一部に対応する）センサデータ１４２は、種々のセンサ１２６から経時的に受信されたトレースデータ（例えば履歴トレースデータ１４６や現在のトレースデータ１５４）と称されうる。

［００２７］センサ１２６は、別の種類のセンサデータ１４２を提供する追加のセンサを含みうる。一部の実施形態では、センサデータ１４２は、温度（例えばヒータ温度）、間隔（ＳＰ）、圧力、高周波無線周波数（ＨＦＲＦ）、静電チャック（ＥＳＣ）の電圧、電流、フロー、電力、電圧などのうちの一又は複数の値を含みうる。センサデータ１４２は、製造機器の、ハードウェアパラメータ（例えば、製造機器１３０の設定又はコンポーネント（例えばサイズや種類など））、若しくはプロセスパラメータといった製造パラメータに関連付けられうるか、又はかかる製造パラメータを示しうる。センサデータ１４２は、製造機器１３０が製造プロセスを実施している間に提供されることがある（製品処理時の機器の示度など）。センサデータ１４２は、各製品ごとに（例えば各ウエハごとに）異なることもある。

［００２８］一部の実施形態では、センサデータ１４２（例えば履歴トレースデータ１４６、履歴コンポーネントデータのセット１４８、現在のトレースデータ１５４、現在のコンポーネントデータのセット１５６など）は、（例えばクライアントデバイス１２０によって、及び／又はシミュレーションシステム１１０のコンポーネントによって）処理されうる。センサデータ１４２を処理することは、特徴を生成することを含みうる。一部の実施形態では、特徴は、センサデータ１４２におけるパターン（例えば傾斜、幅、高さ、ピークなど）、又はセンサデータ１４２からのセンサ値の組み合わせ（例えば、電圧及び電流の測定値から導出されるインピーダンスなど）である。センサデータ１４２は、特徴を含んでよく、かかる特徴は、シミュレーションシステム１１０のコンポーネントによって、シミュレーション処理を実施するため、並びに／又は、是正措置の実施のためのシミュレーションデータ１６７及び／若しくは予測データ１６８を取得するために、使用されうる。

［００２９］データストア１４０は、メモリ（例えばランダムアクセスメモリ）、ドライブ（例えばハードドライブやフラッシュドライブ）、データベースシステム、又はデータを記憶することが可能な別の種類のコンポーネント若しくはデバイスでありうる。データストア１４０は、複数の記憶コンポーネント（例えば複数のドライブ又は複数のデータベース）を含んでよく、かかる記憶コンポーネントは、複数のコンピューティングデバイス（例えば複数のサーバコンピュータ）にわたって配置されることがある。データストア１４０は、センサデータ１４２、パフォーマンスデータ１６０、ライブラリデータ１６６、シミュレーションデータ１６８、及び予測データ１６９を記憶しうる。センサデータ１４２は、履歴センサデータ１４４及び現在のセンサデータ１５２を含みうる。履歴センサデータは、履歴トレースデータ１４６、履歴コンポーネントデータのセット１４８、及び履歴コンポーネント識別子１５０を含みうる。現在のセンサデータ１５２は、現在のトレースデータ１５４、現在のコンポーネントデータのセット１５６、及び現在のコンポーネント識別子１５８を含みうる。パフォーマンスデータ１６０は、履歴パフォーマンスデータ１６２及び現在のパフォーマンスデータ１６４を含みうる。履歴センサデータ１４４及び履歴パフォーマンスデータ１６２は、履歴データでありうる。現在のセンサデータ１４４は、現在のデータであってよく、それについて（例えば、是正措置を実施するために）シミュレーションデータ１６７及び予測データ１６８が生成される。現在のパフォーマンスデータ１６４は、（例えば、訓練された機械学習モデルを再訓練するための）現在のデータであってもよい。

［００３０］パフォーマンスデータ１６０は、製造機器１３０及び／又は製造機器１３０によって作製された製品に関連付けられたデータを含みうる。一部の実施形態では、パフォーマンスデータ１６０は、製造機器１３０のコンポーネントの寿命（例えば故障時間）、製造機器１３０の製造パラメータ、製造機器１３０のメンテナンス、製造機器１３０のコンポーネントのエネルギー使用、製造機器１３０の（例えば同じ型番の）コンポーネントにおける変動などの、表示を含みうる。パフォーマンスデータ１６０は、製造機器の（例えば同じ種類や同じ部品番号の）コンポーネントにおける変動の表示を含みうる。パフォーマンスデータ１６０は、かかる変動（例えばジッタ、傾斜、ピークなど）が製品間の変動に影響を与えるかどうかを示しうる。パフォーマンスデータ１６０は、変動によりウエハが改良されるかどうかを示しうる（例えば、ＲＦ生成器がより良好に整合され、フィードバックループがより良好にチューニングされ、ファームウェアが新しくなり、チップがより良好なものになる、など）。パフォーマンスデータ１６０は、製造機器１３０によって作製される製品の品質に関連付けられうる。計測機器１２８は、製造機器１３０によって作製された製品（例えばウエハ）に関連付けられたパフォーマンスデータ１６０（ウエハの特性データ、歩留まり、計測データなど）を提供しうる。パフォーマンスデータ１６０は、膜特性データ（例えばウエハ空間膜特性）、寸法（例えば厚さや高さなど）、誘電率、ドーパント濃度、密度、不良などのうちの一又は複数の値を含みうる。パフォーマンスデータ１６０は、完成品のものであっても、半完成品のものであってもよい。パフォーマンスデータ１６０は、各製品ごとに（例えば各ウエハごとに）異なることがある。パフォーマンスデータ１６０は、製品が閾値品質を満たすかどうか（例えば、不良品であるか、不良品ではないか、など）を示しうる。パフォーマンスデータ１６０は、閾値品質を満たさないことの原因も示しうる。一部の実施形態では、パフォーマンスデータ１６０は履歴パフォーマンスデータ１６２を含み、履歴パフォーマンスデータ１６２は、（例えば、履歴トレースデータ１４６に関連付けられた製造パラメータを使用して作製された）製品の履歴特性データに対応する。センサデータ１４２、パフォーマンスデータ１６０、及びライブラリデータ１６６は、教師あり機械学習及び／又は教師なし機械学習のために使用されうる。

［００３１］シミュレーションシステム１１０は、デジタル表現サーバ１７０、サーバマシン１８０、及び予測サーバ１１２を含みうる。予測サーバ１１２、デジタル表現サーバ１７０、及びサーバマシン１８０は各々、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ、グラフィックス処理ユニット（ＧＰＵ）、アクセラレータ、特定用途向け集積回路（ＡＳＩＣ）（例えばテンソル処理ユニット（ＴＰＵ））などといった、一又は複数のコンピューティングデバイスを含みうる。

［００３２］デジタル表現サーバ１７０は、製造機器１３０をシミュレートするアルゴリズムモデルでありうる。例としては、デジタル表現サーバ１７０は、製造機器１３０のデジタルレプリカモデル（例えばデジタルツイン）でありうる。デジタル表現サーバ１７０は、物理的要素及び製造機器１３０がどのように動作するかというダイナミクスの仮想表現を生成するために、教師あり機械学習、半教師あり機械学習、教師なし機械学習、又はこれらの任意の組み合わせを使用しうる。デジタル表現サーバ１７０は、センサ１２６、電気センサ１３５、センサデータ１４２、パフォーマンスデータ１６０、ライブラリデータ１６６、及び／又は製造機器１３０のデジタルレプリカモデルの生成及び維持に関連付けられた他の任意のデータからの定期的な更新を使用して、強化学習により更新されうる。

［００３３］デジタル表現サーバ１７０は、整合ネットワークモデル１７２及び処理チャンバモデル１７４を含みうる。整合ネットワークモデル１７２は、整合ネットワーク１３４の物理的要素及びダイナミクスに関連付けられうる。処理チャンバモデル１７４は、処理チャンバ１３６の物理的要素及びダイナミクスに関連付けられうる。

［００３４］一部の実施形態では、デジタル表現サーバ１７０はシミュレーションデータ１６７を生成しうる。シミュレーションデータ１６７は、現在のパラメータ又はシミュレートされたパラメータに基づいて製造機器１３０（例えば整合ネットワーク１３４や処理チャンバ１３６など）がどのように作動するかを決定するために使用される、データを含みうる。シミュレーションデータ１６７は、整合ネットワークモデル１７２及び処理チャンバモデル１７４に関連付けられた電気パラメータデータ（例えばインピーダンス、電圧、電流、抵抗、反射、信号反射など）を含みうる。シミュレーションデータ１６７は、（例えば、現在のトレースデータ１５４を使用して作製される又は作製された製品の）製造機器１３０のデジタルレプリカモデルの、予測される特性データを更に含みうる。シミュレーションデータ１６７は、現在のトレースデータ１５４を使用して作製される又は作製された製品の、予測される計測データ（例えば仮想計測データ）を更に含みうる。シミュレーションデータ１６７は、異常（例えば異常な製品、異常なコンポーネント、異常な製造機器１３０、異常なエネルギー使用など）、及びかかる異常の一又は複数の原因の表示を更に含みうる。シミュレーションデータ１６７は、製造機器１３０のコンポーネントの寿命の終わりの表示も更に含みうる。シミュレーションデータは、製造機器のあらゆる機械的態様及び電気的態様をすべて網羅し、カバーしうる。

［００３５］予測サーバ１１２は、予測コンポーネント１１４を含みうる。一部の実施形態では、予測コンポーネント１１４は、シミュレーションデータ１６７及び現在のトレースデータ１５４（例えば処理チャンバのフロー、処理チャンバの圧力、ＲＦ電力など）を受信し、製造機器１３０に関連付けられた是正措置を実施するための出力（例えば予測データ１６８）を生成しうる。一部の実施形態では、予測コンポーネント１１４は、シミュレーションデータ１６７及び現在のトレースデータ１５４に基づいて是正措置を実施するための出力を決定するために、一又は複数の訓練された機械学習モデル１９０を使用しうる。一部の実施形態では、予測コンポーネント１１４は、シミュレーションデータ１６７及び現在のトレースデータ１５４を受信し、現在のトレースデータ１５４を、現在のコンポーネント識別子１５８にマッピングされた現在のコンポーネントデータのセット１５６に分解するために、信号処理を実施し、現在のコンポーネントデータのセット１５６及び現在のコンポーネント識別子１５８を、訓練された機械学習モデル１９０への入力として提供し、訓練された機械学習モデル１９０から予測データ１６８を示す出力を取得する。訓練された機械学習モデル１９０は、単一のモデル又は複数のモデルを含みうる。一部の実施形態では、訓練された機械学習モデル１９０は、データストア１４０からの追加のデータ（例えばライブラリデータ１６６、パフォーマンスデータ１６０、センサデータ１４２など）を使用しうる。

［００３６］一部の実施形態では、シミュレーションシステム１１０は、サーバマシン１８０を更に含む。サーバマシン１８０は、機械学習モデル（複数可）１９０を訓練し、検証し、かつ／又は試験するために、データセット生成器を使用して、一又は複数のデータセット（例えばデータ入力のセット及びターゲット出力のセット）を生成しうる。詳細には、サーバマシン１８０は、訓練エンジン１８２、検証エンジン１８４、選択エンジン１８５、及び／又は試験エンジン１８６を含みうる。エンジン（例えば訓練エンジン１８２、検証エンジン１８４、選択エンジン１８５、及び試験エンジン１８６）は、ハードウェア（例えば回路網、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど）、ソフトウェア（処理デバイス、汎用コンピュータシステム、若しくは専用マシンで実行される命令など）、ファームウェア、マイクロコード、又はこれらの組み合わせを参照しうる。訓練エンジン１８２は、データセット生成器１７２からの訓練セットに関連付けられた一又は複数の特徴のセットを使用して、一又は複数の機械学習モデル１９０を訓練することが可能でありうる。訓練エンジン１８２は複数の訓練された機械学習モデル１９０を生成することがあり、この場合、訓練された機械学習モデル１９０の各々は、訓練セットの特徴の個別のセット（例えば、センサの個別のセットからのセンサデータ）に対応する。例えば、第１の訓練された機械学習モデルは、すべての特徴（例えばＸ１～Ｘ５）を使用して訓練されたものであってよく、第２の訓練された機械学習モデルは、特徴の第１のサブセット（例えばＸ１、Ｘ２、Ｘ４）を使用して訓練されたものであってよく、第３の訓練された機械学習モデルは、特徴の第１のサブセットと部分的に重複しうる特徴の第２のサブセット（例えばＸ１、Ｘ３、Ｘ４、及びＸ５）を使用して訓練されたものでありうる。

［００３７］検証エンジン１８４は、データセット生成器からの検証セットの対応する特徴のセットを使用して、訓練された機械学習モデル１９０を検証することが可能でありうる。例えば、訓練セットの第１の特徴のセットを使用して訓練された、第１の訓練された機械学習モデル１９０は、検証セットの第１の特徴のセットを使用して検証されうる。検証エンジン１８４は、検証セットの対応する特徴のセットに基づいて、訓練された機械学習モデル１９０の各々の精度を特定しうる。検証エンジン１８４は、閾値精度に満たない精度を有する訓練された機械学習モデル１９０を破棄しうる。一部の実施形態では、選択エンジン１８５が、閾値精度を満たす精度を有する一又は複数の訓練された機械学習モデル１９０を選択することが可能でありうる。一部の実施形態では、選択エンジン１８５は、訓練された機械学習モデル１９０のうちの、精度が最も高い訓練された機械学習モデル１９０を選択することが可能でありうる。

［００３８］試験エンジン１８６は、データセット生成器からの試験セットの対応する特徴のセットを使用して、訓練された機械学習モデル１９０を試験することが可能でありうる。例えば、訓練セットの第１の特徴のセットを使用して訓練された、第１の訓練された機械学習モデル１９０は、試験セットの第１の特徴のセットを使用して試験されうる。試験エンジン１８６は、試験セットに基づいて、訓練された機械学習モデルのすべてのうち、精度が最も高い訓練された機械学習モデル１９０を特定しうる。

［００３９］機械学習モデル１９０はモデルアーチファクトを参照しうる。このモデルアーチファクトは、データ入力及び対応するターゲット出力（それぞれの訓練入力に対する正解）を含む訓練セットを使用して、訓練エンジン１８２によって作成される。データセットにおける、データ入力をターゲット出力（正解）にマッピングするパターンが見いだされることがあり、機械学習モデル１９０には、かかるパターンを捕捉するマッピングが提供される。機械学習モデル１９０は、サポートベクトルマシン（ＳＶＭ）、放射基底関数（ＲＢＦ）、クラスタリング、教師あり機械学習、半教師あり機械学習、教師なし機械学習、ｋ最近傍アルゴリズム（ｋ－ＮＮ）、線形回帰、ランダムフォレスト、ニューラルネットワーク（例えば人工ニューラルネットワーク）などのうちの一又は複数を使用しうる。

［００４５］予測コンポーネント１１４は、訓練された機械学習モデル１９０にシミュレーションデータ１６７及び現在のセンサデータ１５２を提供してよく、訓練された機械学習モデル１９０を入力に対して実行して、一又は複数の出力を取得しうる。予測コンポーネント１１４は、訓練された機械学習モデル１９０の出力から、予測データ１６８を決定すること（例えば抽出すること）が可能でありうる。

［００４１］本開示の態様では、限定ではなく例示の目的で、予測データ１６８を決定するために、一又は複数の機械学習モデル１９０を訓練することと、一又は複数の訓練された機械学習モデル１９０にシミュレーションデータ１６７及びセンサデータ１４２を入力することについて説明している。他の実行形態では、（例えば、訓練された機械学習モデルを使用せずに）予測データ１６８を決定するために、ヒューリスティックモデル又はルールベースモデルが使用される。予測コンポーネント１１４は、履歴センサデータ１４４及び履歴パフォーマンスデータ１６２をモニタしうる。データストア１４０からのデータに関連して記述されている情報はいずれも、ヒューリスティックモデル又はルールベースモデルでもモニタされうるか、又は別様に使用されうる。

［００４２］一部の実施形態では、クライアントデバイス１２０、予測サーバ１１２、デジタル表現サーバ１７０、及びサーバマシン１８０の機能が、より少数のマシンによって提供されることもある。例えば、一部の実施形態では、デジタル表現サーバ１７０とサーバマシン１８０とは、単一のマシンに一体化されうるが、他の実施形態の一部では、デジタル表現サーバ１７０とサーバマシン１８０と予測サーバ１１２とが、単一のマシンに一体化されうる。一部の実施形態では、クライアントデバイス１２０と予測サーバ１１２とが、単一のマシンに一体化されうる。

［００４３］一般に、一実施形態ではクライアントデバイス１２０、予測サーバ１１２、デジタル表現サーバ１７０、及びサーバマシン１８０によって実施されると説明されている機能は、他の実施形態では適宜、予測サーバ１１２上で実施されることもある。加えて、特定のコンポーネントにより生じる機能が、共に動作する様々な又は複数のコンポーネントによって実施されることもある。例えば、一部の実施形態では、予測サーバ１１２が、予測データ１６８に基づいて是正措置を決定しうる。別の例では、クライアントデバイス１２０が、訓練された機械学習モデルからの出力に基づいて、予測データ１６８を決定しうる。

［００４４］加えて、特定のコンポーネントの機能が、共に動作する様々な又は複数のコンポーネントによって実施されることもある。予測サーバ１１２、デジタル表現サーバ１７０、及びサーバマシン１８０のうちの一又は複数は、他のシステム又はデバイスに提供されるサービスとして、好適なアプリケーションプログラミングインターフェース（ＡＰＩ）を通じてアクセスされうる。

［００４５］実施形態では、「ユーザ」は単一の個人として表されることがある。しかし、本開示の別の実施形態は、複数のユーザ及び／又は自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとして連合している個々のユーザのセットも、一「ユーザ」と見なされうる。

［００４６］本開示の実施形態は、データ品質評価、特徴強化、モデル評価、仮想計測（ＶＭ）、予測メンテナンス（ＰｄＭ）、限界最適化などに適用されうる。

［００４７］本開示の実施形態は、製造施設（例えば半導体製造施設）において是正措置を実施するために予測データ１６８を生成することに関して記述されているが、実施形態は、一般に、コンポーネントの特徴付け及びモニタリングにも適用されうる。実施形態は、一般に、様々な種類のデータに基づく特徴付け及びモニタリングに適用されうる。

［００４８］クライアントデバイス１２０、製造機器１３０、センサ１２６、計測機器１２８、予測サーバ１１２、データストア１４０、デジタル表現サーバ１７０、及びサーバマシン１８０は、予測データ１６８を生成して是正措置を実施するために、ネットワーク１０５を介して互いに連結されうる。

［００４９］一部の実施形態では、ネットワーク１０５はパブリックネットワークであり、このパブリックネットワークは、クライアントデバイス１２０に、予測サーバ１１２、データストア１４０、及び公的に利用可能なその他のコンピューティングデバイスへのアクセスを提供する。一部の実施形態では、ネットワーク１０５はプライベートネットワークであり、このプライベートネットワークは、クライアントデバイス１２０に、製造機器１３０、センサ１２６、計測機器１２８、データストア１４０、及び私的に利用可能なその他のコンピューティングデバイスへのアクセスを提供する。ネットワーク１０５は、一又は複数のワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、有線ネットワーク（例えばイーサネットネットワーク）、無線ネットワーク（例えば８０２．１１ネットワーク又はＷｉ－Ｆｉネットワーク）、セルラーネットワーク（例えばロングタームエボリューション（ＬＴＥ）ネットワーク）、ルーター、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、及び／又はこれらの組み合わせを含みうる。

［００５０］クライアントデバイス１２０は、パーソナルコンピュータ（ＰＣ）、ラップトップ、携帯電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続されたテレビ（スマートＴＶ）、ネットワーク接続されたメディアプレーヤー（例えばブルーレイプレーヤー）、セットトップボックス、オーバーザトップ（ＯＴＴ）ストリーミングデバイス、オペレータボックスなどといった、コンピューティングデバイスを含みうる。クライアントデバイス１２０は、是正措置コンポーネント１２２を含みうる。是正措置コンポーネント１２２は、製造機器１３０に関連付けられた表示のユーザ入力を（例えば、クライアントデバイス１２０を介して表示されるグラフィカルユーザインターフェース（ＧＵＩ）を通じて）受信しうる。一部の実施形態では、是正措置コンポーネント１２２は、シミュレーションシステム１１０に表示を送信し、シミュレーションシステム１１０から出力（例えば予測データ１６８）を受信し、出力に基づいて是正措置を決定し、是正措置が実装されるようにする。一部の実施形態では、是正措置コンポーネント１２２は、製造機器１３０に関連付けられたセンサデータ１４２（例えば現在のトレースデータ１５４）を（例えばデータストア１４０などから）取得し、製造機器１３０に関連付けられたセンサデータ１４２（例えば現在のトレースデータ１５４）を、シミュレーションシステム１１０に提供する。一部の実施形態では、是正措置コンポーネント１２２が、データストア１４０内にセンサデータ１４２を記憶させ、予測サーバ１１２が、データストア１４０からセンサデータ１４２を読み出す。一部の実施形態では、予測サーバ１１２が、データストア１４０内に訓練された機械学習モデル（複数可）１９０の出力（例えば予測データ１６８）を記憶させてよく、クライアントデバイス１２０が、データストア１４０から出力を読み出しうる。一部の実施形態では、是正措置コンポーネント１２２は、シミュレーションシステム１１０から是正措置の表示を受信し、是正措置が実装されるようにする。各クライアントデバイス１２０はオペレーティングシステムを含んでよく、このオペレーティングシステムにより、ユーザが、データ（例えば製造機器１３０に関連付けられた表示や製造機器１３０に関連付けられた是正措置など）の生成、閲覧、又は編集のうちの一又は複数を行うことが可能になる。

［００５１］不良品をもたらす製造プロセスが実施されることで、時間、エネルギー、製品、コンポーネント、製造機器１３０、欠陥を特定し不良品を廃棄するコストなどの点で、コストがかかりうる。システム１００は、センサデータ１４２（例えば、製品の製造に使用されているか、又は使用されることになっている製造パラメータ）を入力すること、予測データ１６８の出力を受信すること、及び予測データ１６８に基づいて是正措置を実施することによって、不良品の作製、特定、及び廃棄のコストを回避するという、技術的利点を有しうる。

［００５２］製造プロセスを実施して製造機器１２４のコンポーネントの不具合が生じると、ダウンタイム、製品の損傷、機器の損傷、交換コンポーネントの特急注文などの点で、コストがかかる可能性がある。システム１００は、センサデータ１４２（例えば、製品の製造に使用されているか、又は使用されることになっている製造パラメータ）を入力すること、予測データ１６８の出力を受信すること、及び予測データ１６８に基づいて是正措置（例えば、コンポーネントの交換、処理、洗浄などといった、予測される運用メンテナンス）を実施することによって、予想外のコンポーネント不具合、予定外のダウンタイム、生産性の損失、予想外の機器不具合、製品廃棄などのうちの一又は複数のコストを回避するという、技術的利点を有しうる。

［００５３］是正措置は、計算プロセス制御（ＣＰＣ）、統計プロセス制御（ＳＰＣ）（例えば、制御におけるプロセスを決定するための電子コンポーネントに対するＳＰＣ、コンポーネントの耐用年数を予測するためのＳＰＣ、３シグマのグラフと比較するためのＳＰＣなど）、高度プロセス制御（ＡＰＣ）、モデルベースプロセス制御、予防運用メンテナンス、設計最適化、製造パラメータの更新、フィードバック制御、機械学習の修正などのうちの一又は複数に関連付けられうる。一部の実施形態では、是正措置は、整合ネットワーク１３４の制御可能な可変チューニング素子のうちの一又は複数を調整することを含みうる。これについては、以下で詳述する。

［００５４］一部の実施形態では、是正措置は、警報（例えば、予測データ１６８が、製品、コンポーネント、又は製造機器１３０の異常といった、予測される異常を示している場合に、製造プロセスを停止するか又は実施しないための警報）を提供することを含む。一部の実施形態では、是正措置は、フィードバック制御を提供すること（例えば、予測される異常を示す予測データ１６８に応答して、製造パラメータを修正すること）を含む。一部の実施形態では、是正措置は、機械学習を提供すること（例えば、予測データ１６８に基づいて一又は複数の製造パラメータを修正すること）を含む。一部の実施形態では、是正措置の実施は、一又は複数の製造パラメータの更新が行われるようにすることを含む。

［００５５］製造パラメータは、ハードウェアパラメータ（例えばコンポーネントの交換、特定のコンポーネントの使用、処理チップの交換、ファームウェアの更新など）、及び／又はプロセスパラメータ（例えば温度、圧力、フロー、速度、電流、電圧、ガス流、上昇スピードなど）を含みうる。一部の実施形態では、是正措置は、予防的運用メンテナンス（例えば、製造機器１３０のコンポーネントの交換、処理、洗浄など）が行われるようにすることを含む。一部の実施形態では、是正措置は、設計の最適化が行われるようにすること（例えば、最適化された製品のために、製造パラメータ、製造プロセス、製造機器１３０などを更新すること）を含む。一部の実施形態では、是正措置は、レシピを更新すること（例えば、製造機器１３０がアイドルモード、スリープモード、ウォームアップモードなどになること）を含む。

［００５６］図２は、製造機器１３０の例示的な実施形態をより詳細に示しているブロック図である。図２のコンポーネントは、例示を目的とした例として使用されている。したがって、コンポーネント（絶縁体、キャパシタ、レジスタなど）の種々の組み合わせが、本開示の実施形態で使用されうる。上述したように、製造機器１３０は、ＲＦ生成器１３２、整合ネットワーク１３４、処理チャンバ１３６、及びコントローラ１３８を含む。

［００５７］整合ネットワーク１２６は、第１キャパシタ２２６（「Ｃ１」とも称される）及び第２キャパシタ２２８（「Ｃ２」とも称される）を含みうる。第１キャパシタ２２６と第２キャパシタ２２８の各々は、整合ネットワーク１３４の総インピーダンスをチューニングすることが可能な可変キャパシタ（チューニング又は調整可能なキャパシタ）でありうる。例えば、本開示の実施形態では、処理チャンバ１３６に関連付けられた出力インピーダンスがＲＦ生成器１３２に関連付けられた入力インピーダンス（例えば５０オーム）に向けて調整されるように、第１キャパシタ２２６と第２キャパシタ２２８の一方又は両方を調整することによって、整合チューニングが実施されうる。これにより、ＲＦ生成器１３２から処理チャンバ１３６への電力供給が最大化されうる。一部の実施形態では、更に第１キャパシタ２２６がシャントキャパシタであってよい一方、第２キャパシタ２２８は直列キャパシタでありうる。直列キャパシタは、電力ハンドリング能力の向上のために、直列補償を行うように伝送線路で使用されうる。シャントキャパシタは、単一のアプリケーションにおける複数のタスクのために、電気システムに適用されうる。それに加えて、直列キャパシタでは、無効電力の発生は、負荷電流の二乗に比例する。シャントキャパシタでは、無効電力の発生は電圧の二乗に比例する。

［００５８］整合ネットワーク１３４は、入力センサ２２２及び出力センサ２２４を含みうる。入力センサ２２２は、整合ネットワーク１３４に関連付けられたインピーダンスを特定しうる。出力センサ２２４は、処理チャンバ１３６におけるＲＦ信号のインピーダンスを特定しうる。

［００５９］整合ネットワーク１２６は、第１インピーダンス２１２（「Ｚ１」とも称される）及び第２インピーダンス２１４（「Ｚ２」とも称される）に関連付けられうる。第１インピーダンス２１２は、整合ネットワーク１３４における並列経路の第１キャパシタ２２６、抵抗素子２３４（「Ｒ１」とも称される）、及びインダクタンス素子２３２（「Ｌ１」とも称される）に関連付けられうる。第１インピーダンス２１２は、次に示す方程式１によって表されうる。式中、項ｊは虚数単位を表し、項ｗは、角周波数を表し、かつ２×π×ｆとして表され、ここでｆはＲＦ信号の周波数（例えば２．２ＭＨｚ、１３．５６ＭＨｚ、１００ＭＨｚなど）である。

［００６０］第２インピーダンス２１４は、第２キャパシタ２２８に関連付けられうる。一部の実施形態では、第２インピーダンス２１４は、一又は複数の受動デバイス（例えばインダクタやレジスタなど）にも関連付けられる。第２インピーダンス２１４は、次に示す方程式２によって表されうる。

［００６１］処理チャンバ１３６は、処理チャンバコンポーネントからのインピーダンス、遷移線インピーダンス、（整合ネットワーク１３４から処理チャンバ１３６までの）給電ロッドインピーダンスなどに関連付けられた、第３インピーダンス２１６（「Ｚ３」とも称される）に関連付けられうる。例としては、Ｚ３は、処理チャンバ１３６に関連付けられたインピーダンスの実数部Ｒｐ２３８と虚数部Ｌｐ２３６とを使用して表されうる。Ｒｐ及びＬｐは、入力インピーダンスセンサ２２４を使用して、リアルタイムで測定されうる。第３インピーダンス２１６は、次に示す方程式３によって表されうる。

［００６２］したがって、製造機器１３０の総負荷インピーダンスは、次に示す方程式４によって表されうる。

［００６３］図３は、ある種の実施形態による、予測データを生成して是正措置が行われるようにするための方法３００のフロー図である。方法３００は、ハードウェア（例えば回路網、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど）、ソフトウェア（処理デバイス、汎用コンピュータシステム、又は専用マシンで実行される命令など）、ファームウェア、マイクロコード、又はこれらの組み合わせを含みうる、処理ロジックによって実施されうる。一部の実施形態では、方法３００は、シミュレーションシステム１１０によって部分的に実施されうる。一部の実施形態では、非一時的記憶媒体が命令を記憶し、この命令は、（例えば、シミュレーションシステム１１０、サーバマシン１８０、予測サーバ１１２などの）処理デバイスによって実行されると、処理デバイスに方法３００を実施させる。

［００６４］説明を単純化するために、方法３００は、一連の工程として図示され、説明されている。しかし、この開示に従った工程は、様々な順序で、かつ／又は本書で提示及び説明されていない別の工程と同時に及び共に行われうる。更に、開示されている主題に従って方法３００を実装するために、例示されている工程のすべてが実施されるわけではないことがある。加えて、当業者であれば、方法３００が、状態図又は状態イベントを介して、一連の相互に関連した状態として代替的に表現されうることを理解し、認識しよう。

［００６５］ブロック３１０において、方法３００を実装する処理ロジックは、ＲＦ生成器１３２にＲＦ信号を生成させて、処理チャンバにエネルギー供給する。

［００６６］ブロック３１２において、処理ロジックは、デジタルレプリカにおけるインピーダンス値を更新する。詳細には、処理ロジックは、入力センサ２２２から生成された現在のトレースデータに基づいて、整合ネットワークモデル１７２に関連付けられたインピーダンスを更新し、出力センサ２２４から生成された現在のトレースデータ１５４に基づいて、処理チャンバモデル１７４に関連付けられたインピーダンスを更新することが可能である。

［００６７］ブロック３１４において、処理ロジックは、現在のインピーダンス値に基づいて、デジタルレプリカが精度閾値基準を満たすかどうかを判定しうる。例えば、処理ロジックは、整合ネットワークモデル１７２及び処理チャンバモデル１７４が許容誤差の範囲内にあるかどうかを判定するために、コスト関数式（例えば二乗平均差）を使用しうる。

［００６８］例としては、処理ロジックは、次の方程式５を利用しうる。式中、項Ｊ１は許容誤差を表し、項Ｚ_{ｉｎｐｕｔ}は入力センサ２２２によって特定されたインピーダンスを表し、項ａｎｇｌｅはＲＦ信号の周波数及び位相を表す。

［００６９］項Ｊ１が０に近づくほど、整合ネットワークモデル１７２は、整合ネットワーク１３４の物理的要素及びダイナミクスのパラメータに対してより正確になると、理解されている。方程式５に関連付けられた項には、制約が課されることがある。一部の実施形態では、第１キャパシタ２２６及び第２キャパシタ２２８の値には、上限（Ｃ１_ｍａｘとＣ２_ｍａｘ）及び下限（Ｃ１_ｍｉｎとＣ２_ｍｉｎ）が定められることがある。これらの値は次のように表される。Ｃ１_ｍｉｎ＜Ｃ１＜Ｃ１_ｍａｘ；Ｃ２_ｍｉｎ＜Ｃ２＜Ｃ２_ｍａｘ処理ロジックは、デジタルレプリカが閾値基準を満たした（例えば、整合ネットワークモデル１７２及び／又は処理チャンバモデル１７４が各々許容誤差の範囲内にある）ことに応答して、ブロック３１８に進む。処理ロジックは、デジタルレプリカが閾値基準を満たさなかったことに応答して、ブロック３１６に進む。

［００７０］ブロック３１６において、処理ロジックはデジタルレプリカを最適化する。一実施形態では、処理ロジックは、方程式５を使用して、整合ネットワークモデル１７２で使用される抵抗素子Ｒ１及び／又はインダクタンス素子Ｌ１の最適値を決定しうる。例えば、処理ロジックは、項Ｊ１が精度閾値基準を満たすまで一又は複数のパラメータ（例えばＬ１、Ｒ１、Ｃ１、Ｃ２など）を調整することによって、整合ネットワークモデル１７２を更新しうる。一実施形態では、処理ロジックは、更新アルゴリズムを使用して一又は複数のパラメータ（例えばＬ_ｐやＲ_ｐなど）を調整することによって、処理チャンバモデル１７４を更新しうる。調整されたパラメータは、シミュレーションデータ１６７として記憶されうる。

［００７１］ブロック３１８において、処理ロジックは、シミュレーションシステム１１０から、予測データを示す一又は複数の出力を取得する。例えば、処理ロジックは、反射されるＲＦ信号を最小化するために、第１キャパシタ２２６及び第２キャパシタ２２８の最適値を決定しうる。一部の実施形態では、処理ロジックは、シミュレーションデータ１６７及びモデル１９０を使用して閉ループシミュレーションを実施するために、予測コンポーネント１１４を使用しうる。予測コンポーネント１１４は、値を示しうる一又は複数の最適化プロファイルを生成しうる。反射されるＲＦ信号を最小化するために、第１キャパシタ２２６及び第２キャパシタ２２８は、この値に調整される。一部の実施形態では、予測コンポーネント１１４は、最適値に到達するのに必要な時間を最小化するために、チューニング時間パラメータを更に利用しうる。

［００７２］例としては、処理ロジックは、最適化プロファイルを生成するために、次の方程式６を利用しうる。

［００７３］式中、項Ｊ２は、コスト関数を表し、かつ製造機器１３０の総インピーダンス（例えばＺ_{ｔｏｔａｌ}）に設定されてよく、項ｗ_１は反射係数（

又はγ（ガンマ））に関連付けられた重み係数を表し、項Ｔ_ｔｕｎｅはチューニング時間であり、項ｗ_２はチューニング時間に関連付けられた重み係数であり、項Ｚ０はターゲットインピーダンス（例えば、ＲＦ生成器１３２の、５０オームなどのインピーダンス）を表す。一部の実施形態では、方程式６には、次のような制約条件が課される。

［００７４］予測サーバは、第１キャパシタ２２６及び第２キャパシタ２２８のための一又は複数の最適化プロファイルを生成するために、方程式６を使用しうる。最適化プロファイルは、第１キャパシタ２２６と第２キャパシタ２２８との組み合わせの各チューニングのための反射係数値を示しうる。最適化プロファイルは更に、キャパシタのターゲット値に到達するためのチューニング経路も示しうる。キャパシタターゲット値により、達成可能な最小の反射係数を有する、第１キャパシタ２２６及び第２キャパシタ２２８のパラメータが設定されうる。

［００７５］図４Ａ～Ｃは、ある種の実施形態による、例示的な最適化プロファイルを示すグラフである。具体的には、図４Ａは、第１キャパシタ２２６と第２キャパシタ２２８の初期チューニング値の各々（例えば０～１００％）に対する、反射係数（γ）値を示している。ポイント４１０は、約８６％にチューニングされた第１キャパシタ２２６及び約３０％（キャパシタターゲット値）にチューニングされた第２キャパシタに関連付けられている、最適化プロファイルの達成可能な最小の反射係数を示す。

［００７６］図４Ｂは、第１キャパシタ２２６及び第２キャパシタ２２８の初期値の各セットが、キャパシタターゲット値に到達するために必要な時間を示す。例えば、第１キャパシタ２２６が５０％のチューニング値を有し、第２キャパシタ２２８が０％のチューニング値を有する場合（例えば点４３０）には、是正措置コンポーネント１２２は、第１キャパシタ２２６及び第２キャパシタ２２８をキャパシタターゲット値（例えば、それぞれ８６％及び３０％）にチューニングするのに１．２５秒を必要とする。

［００７７］図４Ｃは、勾配ベースの整合チューニング最適化プロファイルを示している。勾配ベースの整合チューニング最適化プロファイルは、次のコスト関数によって定義されうる。

［００７８］コスト関数の偏導関数を方程式７に取り込むことにより、最適化モデルの制御パラメータが決定されうる。例えば、次の方程式はコスト関数の偏導関数を示す。

［００７９］偏導関数は、勾配チューニングを規定する勾配制御値を導きうる。例えば、勾配制御則により、次の勾配制御が導かれうる。

［００８０］正のパラメータｋ_１、ｋ_２、ｇ_１、及びｇ_２はコントローラゲインである。ｃ１及びｃ２の値は、勾配制御から線形制御への切り替えの閾値である。例えば、最適化プロファイルの定常状態部分におけるチャタリング又はノイズを除去するか、さもなければ軽減するために、勾配制御と線形制御との間の切り替えが使用されうる。

［００８１］一部の実施形態では、最適化プロファイルは、ヤコビアンベースのＲＦ整合チューニングアルゴリズムに基づくものでありうる。ＲＦ整合を制御するという文脈において、ヤコビアンは、最適化プロファイルの過去及び将来の反復によって引き起こされる静電容量（例えば、図２の第１キャパシタＣ１ ２２６及び第２キャパシタＣ２ ２２８）における、突然の変化を予測しうる。前述したように、整合ネットワーク（例えば、図１の整合ネットワーク１３４）は、エッチングプロセスで使用されるプラズマのインピーダンスをＲＦ信号のインピーダンスに整合させることによって、反射されるＲＦエネルギーを最小化するように動作しうる。例えば、望ましい実数値インピーダンス（例えば５０オームや７５オームなど）が、プラズマによって整合されうる。方程式４を使用することで、入力インピーダンスは次のように表されうる。

［００８２］方程式１２より、ヤコビアン行列は次のように計算されうる。

［００８３］一部の実施形態では、ヤコビアンコントローラは、次の方程式によって定義されるように使用されうる。

［００８４］ここで、Ｃ（ｔ）＝［Ｃ１Ｃ２］、ｅ（ｔ）＝［５０－ａｂｓ（Ｚ）；－ａｎｇｌｅ（Ｚ）］であり、Ｋは正定ゲイン行列（例えば方程式１３）である。更なる実施形態では、振幅位相制御システムのループゲインを調整するために、ヤコビアンＪ_ｃが修正されうる。

［００８５］更なる実施形態では、ヤコビアン行列Ｊ_ｃの逆計算における特異点を防止し、更に処理ロジックによる逆ヤコビアン行列の特定を更に容易にするために、減衰定数λが使用されうる。別の実施形態では、逆ヤコビアン行列を直接求めることなく、チューニング値を計算及び更新するために、非直接行列ソルバーが使用されうる。例えば、他の実施形態で詳述するように、行列最小二乗解、反復ソルバー、及び行列分解ソルバー（例えば上三角ソルバー及び下三角ソルバー、特異値分解など）といった方法が使用されうる。

［００８６］一部の実施形態では、特異値分解（ＳＶＤ）を通じて、最適化プロファイルの分散制御が利用されうる。例えば、ヤコビアン行列のＳＶＤは、次のように表現されうる。

［００８７］ＵとＶは直交行列であり、Ｄは対角行列である。例えば、Ｄは、行列の対角要素に沿った非ゼロ値（例えば、対角に沿ったσ_ｉ＝ｄ_ｉ，＿ｊ）のみを含む。特異点が存在しない場合、対角要素は、行列の行の下方に向かって、かつ列にわたって減少する（例えばσ_１≧σ_２…＞０）。Ｄを対角行列として設定した結果として、最適化モデルの制御が分散される。例えば、対角行列Ｄの一又は複数のゲインを調整することによって、インピーダンスの振幅制御ループと位相制御ループとが個別にチューニングされうる。

［００８８］一部の実施形態では、ＲＦ整合回路最適化モデルは、正確性閾値を満たさないことがある。例えば、本書に記載の最適化モデル（例えば図４Ａ～Ｃ）は、特定のＲＦ整合回路の固有の特性を誤表現する値（理論値や一般化された値など）に依存しうる。一部の実施形態では、パラメータ及び値をより正確に測定して、より正確な最適化プロファイルを決定及び予測するために、以下のような較正が使用されうる。

［００８９］処理ロジックは、（例えば、最適化プロファイルの精度及び正確性を向上させるために）最適化パラメータを更新するための、較正手順に従いうる。処理ロジックは、第１キャパシタ（例えばシャントキャパシタＣ１）及び第２キャパシタ（例えば直列キャパシタＣ２）のチューニング位置を見いだすために、ＲＦ整合自動チューニングモードを使用しうる。処理ロジックは、チューニングされたインピーダンス位置の摂動計算を使用して、ヤコビアンを測定しうる。例えば、処理ロジックは、Ｃ１／Ｃ２を、（例えば、ＲＦ整合を手動制御に設定することによって）整合位置に移動させうる。処理ロジックは、Ｃ２に変更を加えることなく、Ｃ１デルタ全体にわたってインピーダンスを計算しうる（例えば

＝０．５）。この例では、処理ロジックは、Ｃ１をＣ１＋

に移動させ、短時間（例えば１０秒間）にわたり入力インピーダンスＲ_１を読み取る。処理ロジックはＣ１をＣ１－

に移動させ、短時間（例えば１０秒間）にわたり整合入力インピーダンスＲ_２を読み取りうる。処理ロジックは、Ｃ１に変更を加えることなく、Ｃ２デルタ全体にわたってインピーダンスを計算しうる（例えば

＝０．５）。
この例では、処理ロジックは、Ｃ２をＣ２＋

に移動させ、短時間（例えば１０秒間）にわたり入力インピーダンスＲ_３を読み取る。処理ロジックは、Ｃ２をＣ２－

に移動させ、短時間（例えば１０秒間）にわたり整合入力インピーダンスＲ_４を読み取りうる。処理ロジックは次いで、次の方程式及びこの較正例中に記載のパラメータ値を使用して、ヤコビアンを計算しうる。

［００９０］方程式２０で特定されたヤコビアンは次いで、本書に記載しているように、他の最適化プロファイル（例えばＳＶＤや減衰など）と関連付けて使用されうる。

［００９１］一部の実施形態では、処理ロジックは、予測データ（例えば最適化プロファイル）を、この予測データが重み付け係数に基づく閾値基準を満たすまで、継続的に生成しうる。詳細には、重み付け係数は１に設定されてよい（例えばｗ_１＋ｗ_２＝１又は１００％）。ユーザは、チューニング時間に対する最小反射電力の優先度に基づいて、重み付け係数を変更しうる。例えば、ユーザは、整合チューニング時間を最小化することを優先する場合には、ｗ_２を高い値に設定しうる。ユーザは、反射電力を最小化することを優先する場合には、ｗ_１を高い値に設定しうる。

［００９２］ブロック３２０において、処理ロジックは、予測データに基づいて、是正措置の実施が行われるようにする。例えば、処理ロジックは最適化プロファイルからチューニング経路を選択しうる。コントローラ１３８は、チューニング経路に基づいて、第１キャパシタ２２６及び／又は第２キャパシタ２２８を調整しうる。図５は、第１キャパシタ２２６及び／又は第２キャパシタ２２８に関連付けられた複数のチューニング経路を示すグラフである。詳細には、図５は、第１キャパシタ２２６と第２キャパシタ２２８の初期チューニング値（例えば０から１００％）の各々がキャパシタターゲット値に向かう、チューニング経路を示す。

［００９３］図６は、ある種の実施形態による、コンピュータシステム６００を示すブロック図である。一部の実施形態では、コンピュータシステム６００は、（例えば、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、又はインターネットといったネットワークを介して、）他のコンピュータシステムに接続されうる。コンピュータシステム６００は、クライアント－サーバ環境におけるサーバ若しくはクライアントコンピュータとして、又はピアツーピア若しくは分散ネットワーク環境におけるピアコンピュータとして動作しうる。コンピュータシステム６００は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチ若しくはブリッジ、又は任意のデバイスであって、そのデバイスが行うアクションを指定する命令のセット（順次命令若しくはそれ以外の命令）を実行することが可能なデバイスによって、提供されうる。更に、「コンピュータ（ｃｏｍｐｕｔｅｒ）」という語は、本書に記載の方法のうちの任意の一又は複数を実施するために、命令のセット（又は複数のセット）を個別に又は共同で実行する、コンピュータの何らかの集合を含むものとする。

［００９４］更なる態様では、コンピュータシステム６００は、処理デバイス６０２、揮発性メモリ６０４（例えばランダムアクセスメモリ（ＲＡＭ））、不揮発性メモリ６０６（例えば、読取専用メモリ（ＲＯＭ）又は電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ））、及びデータ記憶デバイス６１６を含んでよく、これらは、バス６０８を介して互いに通信しうる。

［００９５］処理デバイス６０２は、汎用プロセッサ（例えば、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令ワード（ＶＬＩＷ）マイクロプロセッサ、他の種類の命令セットを実装するマイクロプロセッサ、若しくは複数の種類の命令セットの組み合わせを実装するマイクロプロセッサなど）、又は、特殊なプロセッサ（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、若しくはネットワークプロセッサなど）といった、一又は複数のプロセッサによって提供されうる。

［００９６］コンピュータシステム６００は、（例えば、ネットワーク６７４に連結された）ネットワークインターフェースデバイス６２２を更に含みうる。コンピュータシステム６００は、ビデオディスプレイユニット６１０（例えばＬＣＤ）、英数字入力デバイス６１２（例えばキーボード）、カーソル制御デバイス６１４（例えばマウス）、及び信号生成デバイス６２０も含みうる。

［００９７］一部の実行形態では、データ記憶デバイス６１６は非一時的コンピュータ可読記憶媒体６２４を含みうる。非一時的コンピュータ可読記憶媒体６２４には、図１のコンポーネント（例えば是正措置１２２や予測コンポーネント１１４など）を符号化する命令を含む、本書に記載の方法又は機能のうちの任意の一又は複数を符号化する命令６２６であって、本書に記載の方法を実装するための命令６２６を記憶しうる。

［００９８］命令６２６は、コンピュータシステム６００によってそれが実行されている間に、完全に又は部分的に揮発性メモリ６０４及び／又は処理デバイス６０２の中に常駐してもよく、ゆえに、揮発性メモリ６０４及び処理デバイス６０２が、機械可読記憶媒体を構成することもある。

［００９９］コンピュータ可読記憶媒体６２４は、実施例では単一の媒体として図示されているが、「コンピュータ可読記憶媒体（ｃｏｍｐｕｔｅｒ－ｒｅａｄａｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉｕｍ）」という語は、実行可能な命令の一又は複数のセットを記憶する、単一の媒体又は複数の媒体（例えば、集中データベース若しくは分散データベース、ならびに／又はそれに関連するキャッシュ及びサーバ）を含むものである。「コンピュータ可読記憶媒体」という語は、本書に記載の方法のうち任意の一又は複数をコンピュータに実施させる、コンピュータによって実行される命令のセットを記憶又は符号化することが可能な、任意の有形媒体も含むものとする。「コンピュータ可読記憶媒体」という語は、ソリッドステートメモリ、光媒体、及び磁気媒体を含むが、これらに限定されるわけではない。

［００１００］本書に記載の方法、コンポーネント、及び特徴は、複数の別個のハードウェアコンポーネントによって実装されうるか、又は、他のハードウェアコンポーネント（ＡＳＩＣＳ、ＦＰＧＡ、ＤＳＰ、若しくは同様のデバイスなど）の機能に一体化されることもある。加えて、方法、コンポーネント、及び特徴は、ハードウェアデバイス内のファームウェアモジュール又は機能回路網によって実装されうる。更に、方法、コンポーネント、及び特徴は、ハードウェアデバイスとコンピュータプログラムコンポーネントとの何らかの組み合わせにおいて、又はコンピュータプログラムにおいて、実装されうる。

［００１０１］特に別段の指示のない限り、「受信する（ｒｅｃｅｉｖｉｎｇ）」、「実施する（ｐｅｒｆｏｒｍｉｎｇ）」、「提供する（ｐｒｏｖｉｄｉｎｇ）」、「取得する（ｏｂｔａｉｎｉｎｇ）」、「～させる（ｃａｕｓｉｎｇ）」、「アクセスする（ａｃｃｅｓｓｉｎｇ）」、「特定する／決定する／判定する（ｄｅｔｅｒｍｉｎｉｎｇ）」、「追加する（ａｄｄｉｎｇ）」、「使用する（ｕｓｉｎｇ）」、「訓練する（ｔｒａｉｎｉｎｇ）」などといった語は、コンピュータシステムによって実施又は実装されるアクション及びプロセスを指し示す。かかるコンピュータシステムは、コンピュータシステムのレジスタ及びメモリ内の物理（電子）量として表現されるデータを操作し、かつ、コンピュータシステムのメモリ若しくはレジスタ、又はその他のかかる情報を記憶し、送信し、又は表示するデバイスの中の物理量として同様に表現される別のデータに変換する。また、本書で使用される、「第１（ｆｉｒｓｔ）」、「第２（ｓｅｃｏｎｄ）」、「第３（ｔｈｉｒｄ）」、「第４（ｆｏｕｒｔｈ）」などの語は、種々の要素同士を区別するための符号を意味するものであり、これらの数値指定にしたがった順序的な意味は持たないことがある。

［００１０２］本書に記載の例は、本書に記載の方法を実施するための装置にも関する。この装置は、本書に記載の方法を実施するために特に構築されうるか、又は、コンピュータシステムに記憶されたコンピュータプログラムによって選択的にプログラミングされた、汎用コンピュータシステムを含みうる。かかるコンピュータプログラムは、コンピュータ読取可能な有形記憶媒体に記憶されうる。

［００１０３］本書に記載の方法及び実施例は、何らかの特定のコンピュータ又はその他の装置に内在的に関連付けられるものではない。多種多様な汎用システムが本書に記載の教示に従って使用されうるか、又は、本書に記載の方法及び／又はそれらの個々の機能、ルーチン、サブルーチン、又は工程の各々を実施するために、より専門化された装置を構築することが便利であると判明することもある。これらの多種多様なシステムの構造の例が、上記に明示されている。

［００１０４］上記の説明は、限定ではなく例示を意図したものである。本開示では、特定の実施例及び実行形態を参照して説明してきたが、本開示は、説明された例及び実行形態に限定されないということが認識されよう。本開示の範囲は、後続の特許請求の範囲とともに、この特許請求の範囲が権利付与される均等物の全範囲を参照して、決定されるべきである。

Claims (20)

1. 製造機器にＲＦ信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
   前記製造機器に関連付けられた一又は複数のセンサから、前記ＲＦ信号に関連付けられた現在のトレースデータを受信することと、
   前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
   前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
   前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、
   を含む、方法。
2. 前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施することを更に含む、請求項１に記載の方法。
3. 前記デジタルレプリカの前記インピーダンス値を更新することが、
   出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含み、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項１に記載の方法。
4. 前記デジタルレプリカの前記インピーダンス値を更新することが、
   入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを含み、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項１に記載の方法。
5. 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項１に記載の方法。
6. 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含む、請求項１に記載の方法。
7. 前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項１に記載の方法。
8. メモリと、
   前記メモリに連結された処理デバイスと、を備えるシステムであって、前記処理デバイスが、
   製造機器にＲＦ信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
   前記製造機器に関連付けられた一又は複数のセンサから、前記ＲＦ信号に関連付けられた現在のトレースデータを受信することと、
   前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
   前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
   前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、を行う、
   システム。
9. 前記処理デバイスが更に、
   前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施する、請求項８に記載のシステム。
10. 前記デジタルレプリカの前記インピーダンス値を更新するために、前記処理デバイスが更に、
    出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新し、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項８に記載のシステム。
11. 前記デジタルレプリカのインピーダンス値を更新するために、前記処理デバイスが更に、
    入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新し、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項８に記載のシステム。
12. 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項８に記載のシステム。
13. 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含む、請求項８に記載のシステム。
14. 前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項８に記載のシステム。
15. 命令を記憶している非一時的機械可読記憶媒体であって、前記命令は、実行されると、処理デバイスに、
    製造機器にＲＦ信号を生成させて、前記製造機器に関連付けられた処理チャンバにエネルギー供給することと、
    前記製造機器に関連付けられた一又は複数のセンサから、前記ＲＦ信号に関連付けられた現在のトレースデータを受信することと、
    前記現在のトレースデータに基づいて、前記製造機器に関連付けられたデジタルレプリカのインピーダンス値を更新することと、
    前記デジタルレプリカから、予測データを示す一又は複数の出力を取得することと、
    前記予測データに基づいて、前記製造機器に関連付けられた一又は複数の是正措置の実施が行われるようにすることと、を含む工程を実施させる、
    非一時的機械可読記憶媒体。
16. 前記工程が更に、
    前記現在のトレースデータに基づいて、デジタルレプリカが精度閾値基準を満たしていないと判定することに応答して、前記デジタルレプリカの最適化を実施することを含む、請求項１５に記載の非一時的機械可読記憶媒体。
17. 前記デジタルレプリカの前記インピーダンス値を更新することが、
    出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた処理チャンバモデルを更新することを含み、前記出力インピーダンスセンサは前記製造機器の整合ネットワークに関連付けられている、請求項１５に記載の非一時的機械可読記憶媒体。
18. 前記デジタルレプリカの前記インピーダンス値を更新することが、
    入力インピーダンスセンサ及び出力インピーダンスセンサからのトレースデータを使用して、前記デジタルレプリカに関連付けられた整合ネットワークモデルを更新することを含み、前記入力インピーダンスセンサ及び前記出力インピーダンスセンサは、前記製造機器の整合ネットワークに関連付けられている、請求項１５に記載の非一時的機械可読記憶媒体。
19. 前記予測データを示す一又は複数の出力が、訓練された機械学習モデルを使用して生成される、請求項１５に記載の非一時的機械可読記憶媒体。
20. 前記予測データが、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタの一又は複数のチューニング設定を含み、前記是正措置が、前記予測データに基づいて、前記製造機器の整合ネットワークに関連付けられた一又は複数の可変キャパシタを調整することを含む、請求項１５に記載の非一時的機械可読記憶媒体。
    

Images