JP2024509741A - パーツ、センサ、および計測データ統合 - Google Patents
パーツ、センサ、および計測データ統合 Download PDFInfo
- Publication number
- JP2024509741A JP2024509741A JP2023548968A JP2023548968A JP2024509741A JP 2024509741 A JP2024509741 A JP 2024509741A JP 2023548968 A JP2023548968 A JP 2023548968A JP 2023548968 A JP2023548968 A JP 2023548968A JP 2024509741 A JP2024509741 A JP 2024509741A
- Authority
- JP
- Japan
- Prior art keywords
- data
- sensor
- sets
- measurement data
- aggregated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 285
- 230000010354 integration Effects 0.000 title description 34
- 238000012545 processing Methods 0.000 claims abstract description 221
- 239000000758 substrate Substances 0.000 claims abstract description 201
- 238000000034 method Methods 0.000 claims abstract description 86
- 230000009471 action Effects 0.000 claims abstract description 60
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000010801 machine learning Methods 0.000 claims description 114
- 238000004519 manufacturing process Methods 0.000 claims description 94
- 238000012549 training Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 14
- 238000004630 atomic force microscopy Methods 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 18
- 239000000047 product Substances 0.000 description 60
- 238000012360 testing method Methods 0.000 description 41
- 238000010200 validation analysis Methods 0.000 description 33
- 238000003860 storage Methods 0.000 description 16
- 238000013507 mapping Methods 0.000 description 15
- 230000004044 response Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 235000012431 wafers Nutrition 0.000 description 8
- 238000009434 installation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000005219 brazing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012015 optical character recognition Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0095—Semiconductive materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/39—Circuit design at the physical level
- G06F30/398—Design verification or optimisation, e.g. using design rule check [DRC], layout versus schematics [LVS] or finite element methods [FEM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32179—Quality control, monitor production tool with multiple sensors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/22—Yield analysis or yield optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Drying Of Semiconductors (AREA)
Abstract
方法は、基板処理装置の対応するパーツに関連付けられるパーツデータと、1つまたは複数の対応する基板を作製するために基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられるセンサデータと、対応するパーツを含む基板処理装置によって実施される1つまたは複数の対応する基板処理動作によって作製される1つまたは複数の対応する基板に関連付けられる計測データとを受信することを含む。方法は、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データのセットを生成することをさらに含む。方法は、集約されたパーツ-センサ-計測データのセットの解析を行なって1つまたは複数の出力を生成し、基板処理装置の対応するパーツに関連付けられる訂正動作を実行することをさらに含む。【選択図】図2B
Description
本開示は、データ統合に関し、より詳細には、パーツ、センサ、および計測データ(metrology data)統合に関する。
製品は、製造機器を使用して1つまた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る。製造機器は、複数のパーツから作られる。欠陥のある製品は、最適ではないパーツによって、および最適ではない製造プロセスによって生じる場合がある。
以降は、本開示のいくつかの態様の基本的な理解を与えるための、本開示の簡略化した概要である。本概要は、本開示の広範な概略ではない。本概要は、本開示の主要または重要な要素を特定することも、本開示の特定の実装形態の範囲または特許請求の範囲を詳述することも意図されていない。本概要の唯一の目的は、後に提示するより詳細な説明への導入部として、本開示のいくつかの概念を簡略化した形で提示することである。
本開示の態様において、方法は、パーツデータの複数のセットを受信することであって、パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することを含む。方法は、センサデータの複数のセットを受信することであって、センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することをさらに含む。方法は、計測データの複数のセットを受信することであって、計測データの複数のセットのそれぞれが、対応するパーツを含む基板処理装置によって実施される1つまたは複数の対応する基板処理動作によって作製される1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することをさらに含む。方法は、集約されたパーツ-センサ-計測データの複数のセットを生成することであって、集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することをさらに含む。方法は、集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、基板処理装置の対応するパーツに関連付けられる訂正動作を実行することをさらに含む。
本開示の態様において、システムは、メモリと、メモリに結合された処理デバイスとを含む。処理デバイスは、パーツデータの複数のセットを受信することであって、パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することを行う。処理デバイスは、センサデータの複数のセットを受信することであって、センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することをさらに行う。処理デバイスは、計測データの複数のセットを受信することであって、計測データの複数のセットのそれぞれが、対応するパーツを含む基板処理装置によって実施される1つまたは複数の対応する基板処理動作によって作製される1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することをさらに行う。処理デバイスは、集約されたパーツ-センサ-計測データの複数のセットを生成することであって、集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することをさらに行なう。処理デバイスは、集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、基板処理装置の対応するパーツに関連付けられる訂正動作を実行することをさらに行なう。
本開示の態様において、命令が記憶された非一時的なコンピュータ可読媒体は、命令が処理デバイスによって実行されると、処理デバイスに、パーツデータの複数のセットを受信することであって、パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することを行わせる。処理デバイスは、センサデータの複数のセットを受信することであって、センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することをさらに行う。処理デバイスは、計測データの複数のセットを受信することであって、計測データの複数のセットのそれぞれが、対応するパーツを含む基板処理装置によって実施される1つまたは複数の対応する基板処理動作によって作製される1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することをさらに行う。処理デバイスは、集約されたパーツ-センサ-計測データの複数のセットを生成することであって、集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することをさらに行なう。処理デバイスは、集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、基板処理装置の対応するパーツに関連付けられる訂正動作を実行することをさらに行なう。
本開示は、例として図示されるものであり、添付の図面の図に限定されるものではない。
本明細書では、パーツ、センサ、および計測データ統合を対象とする技術を説明する。
製造機器は、製品を生成するために使用される。例えば、基板処理装置は、基板を作製するために使用される。基板処理装置は、(例えば、パーツ製造機器によって作成された)パーツから成る。基板処理装置は、基板処理装置を実施する。基板の性能データは、決定される。例えば、計測機器は、基板処理装置による基板処理動作を通じて作製された基板の計測データ(例えば、測定値、寸法、材料特性、イメージングデータなど)を決定するために使用される。しきい値を満たさない(例えば、しきい寸法を満たさないなど)性能データを伴う基板は、基板処理装置の1つもしくは複数の最適ではないパーツ、および/または基板処理動作の1つもしくは複数の最適ではないパラメータ(例えば、温度、圧力、流量など)の結果である場合がある。
従来、製品の改善は、マニュアルの試行錯誤のプロセスである。基板の性能データがしきい値を満たさないことに応答して、従来的にユーザは、基板処理装置の1つもしくは複数のパーツを交換する、および/または1つもしくは複数の基板処理動作の製造パラメータを変更する。これは、基板の性能データがしきい値を満たすまで反復される。これは、時間がかかり、パーツを無駄にし、基板を無駄にし、歩留まりを低下させるものであり、最適な性能の基板とならない場合がある。
従来、パーツデータ、センサデータ、および計測データは、異なる場所に異なるフォーマットで記憶され、ユーザからは容易にアクセスできないことがある。このことは、異なるタイプのデータのデータ解析を妨げている。場合によっては、性能不良の製品についての非難は、性能不良の製品の原因が実際には他の何かによって生ずる場合でも、パーツ製造、パーツ設置、基板処理動作、メンテナンスなどの1つまたは複数に対して誤って向けられる。
本明細書において開示されるシステムおよび方法は、パーツ、センサ、および計測データ統合に関連付けられる。パーツデータ、センサデータ、および計測データは、識別される。パーツデータは、基板処理装置の対応するパーツに関連付けられる。例えば、パーツデータは、寸法、材料特性、保管データ、輸送データ、環境データなどを含むことができる。センサデータは、基板を作製するために基板処理装置によって実施される基板処理動作に関連付けられる。例えば、センサデータは、温度、圧力、流量などを含むことができる。計測データは、パーツを含む基板処理装置によって実施される基板処理動作によって作製される基板に関連付けられる。計測データには、基板の測定値、基板の画像などが含まれ得る。
パーツデータ、センサデータ、および計測データは、集約されたパーツ-センサ-計測データを形成するように集約される(例えば、リンクされる、統合されるなど)。いくつかの実施形態では、パーツデータ、センサデータ、および計測データのそれぞれは識別子を含み、識別子同士の共通部分は、集約されたパーツ-センサ-計測データのセットを生成するために、パーツ-センサ計測の一致を識別するために使用される。
集約されたパーツ-センサ-計測データのセットの解析が行なわれて、出力を生成する。出力は、基板処理装置のパーツに関連付けられる訂正動作を実行するために使用される。訂正動作には、パーツの設計、パーツの品質、パーツの寸法、パーツの特徴レイアウト、パーツを作製するパーツ製造工程を更新すること、根本原因解析を実施してパーツまたは基板処理動作に対する更新を決定することなどが含まれ得る。いくつかの実施形態では、集約されたパーツ-センサ-計測データを解析することは、集約されたパーツ-センサ-計測データを記憶することを含む。いくつかの実施形態では、集約されたパーツ-センサ-計測データの解析を行なうことは、集約されたパーツ-センサ-計測データのデータ入力を使用して機械学習モデルを訓練して、訓練された機械学習モデルを生成することを含む。いくつかの実施形態では、集約されたパーツ-センサ-計測データの解析を行なうことは、集約されたパーツ-センサ-計測データをデータ入力として訓練された機械学習モデルに提供し、基板処理装置のパーツに関連付けられる訂正動作を実行するために出力を受信することを含む。
本開示の態様は、従来の解決策と比較して技術的利点を与える。本開示は、従来のマニュアルの試行錯誤を伴わずに、訂正動作を決定するために使用される。このことにより、時間が削減され、パーツの無駄を減らし、製品の無駄を減らし、歩留まりを向上させる。本開示は、パーツ、センサ、および計測データの解析を行って、データの一部しか考慮しない従来の解決策と比較して、パーツ製造および基板製造パラメータから訂正動作を決定する。本開示における集約されたパーツ-センサ-計測データの使用は、従来の手法より迅速に、かつ少ない誤りで、訂正動作を実行させる。本開示は、従来の解決策の使用では判断することができなかった、基板の製作に対するパーツおよび/または運転バラつきのインパクトを判断するために使用することができる(例えば、オンウエハ性能を改善するためにツール動作を制御するため)。本開示は、パーツの製造データをオンウエハ性能と相関させて、パーツの良と不良を識別するために、またパーツ製造プロセスを改善して良好なオンウエハ性能を有するパーツの数を増やすために、使用することができる。このことにより、従来の解決策に比べて、より良好なパーツ、より良好な基板、およびより高い歩留まりが実現され得る。
本開示のいくつかの実施形態は、パーツデータ、センサデータ、および計測データの統合を説明するが、いくつかの実施形態では、データの異なる組合せが使用される場合がある。例えば、集約されたパーツ-センサデータ、集約されたパーツ-計測データ、集約されたセンサ-計測データ、他のデータと集約されたパーツ製造データ、他のデータと集約されたパーツ設置データなどが、使用されてもよい。
本開示のいくつかの実施形態は、基板処理装置と関連付けられたパーツデータ、センサデータ、および計測データを説明するが、いくつかの実施形態では、パーツデータ、センサデータ、および計測データは、製品を作製するために使用される他のタイプの機器(例えば、製造機器)に対応することができる。
図1は、いくつかの実施形態による、システム100の例示のシステムアーキテクチャのブロック図である。システム100は、データ統合サーバ102、クライアントデバイス106、パーツシステム120、センサシステム130、計測システム140、予測サーバ112、およびデータストア150を含む。予測サーバ112は、予測システム110の一部であってもよい。予測システム110は、サーバマシン170および180をさらに含んでもよい。
パーツシステム120は、パーツサーバ122、パーツ製造機器124、センサ126、および(例えば、パーツのパーツナンバおよび/またはシリアルナンバを読み取るために)識別子リーダ128を含んでもよい。センサシステム130は、センササーバ132(例えば、製造設備におけるフィールドサービスサーバ(FSS))、基板処理装置134、センサ136、および識別子リーダ138(例えば、センサシステム130用の前方開口型統一ポッド(FOUP)高周波識別(RFID)リーダ)を含む。計測システム140は、計測サーバ142(例えば、計測データベース、計測フォルダなど)、計測機器144、および識別子リーダ146(例えば、計測システム140用のFOUP RFIDリーダ)を含む。
センサ126は、製造機器124によって作製されたパーツに関連付けられるパーツデータ152(例えば、パーツ製造機器124の製造パラメータ、パーツの測定値など)を提供することができる。
パーツデータ152は、温度(例えば、ヒータ温度)、間隔(SP)、圧力、高周波数の高周波(HFRF)、電圧、電流、フロー、電力、電圧などのうち、1つまたは複数の値を含むことができる。パーツデータ152は、パーツ製造機器124のハードウェアパラメータ(例えば、パーツ製造機器124のセッティングまたは構成要素(例えば、サイズ、タイプなど))またはプロセスパラメータなどの製造パラメータに、関連付けられてもよいし、それらを示してもよい。パーツデータ152は、パーツ製造機器124が製造工程を実施している間に提供される場合がある(例えば、パーツを製造する際の機器読取り値)。パーツデータ152は、パーツごとに違っていてもよい。パーツは、基板処理装置134において使用することができる。例えば、パーツは、シャワーヘッド、ペデスタル、ヒータ、基板の第2の面の基板処理を実施する際に基板の第1の面に圧力をかけるためのゴム膜、静電チャックなどであってもよい。
センサ136は、基板処理装置134によって作製された基板に関連付けられるセンサデータ154(例えば、基板処理装置134の製造パラメータなど)を提供することができる。センサデータ154は、温度(例えば、ヒータ温度)、間隔(SP)、圧力、高周波数の高周波(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、1つまたは複数の値を含むことができる。センサデータ154は、基板処理装置134のハードウェアパラメータ(例えば、基板処理装置134のセッティングまたは構成要素(例えば、サイズ、タイプなど))またはプロセスパラメータなどの製造パラメータに、関連付けられてもよいし、それらを示してもよい。センサデータ154は、基板処理装置134が基板処理動作を実施している間に提供される場合がある(例えば、基板を処理する際の機器読取り値)。センサデータ154は、製品(例えば、基板)ごとに違っていてもよい。
計測機器144は、基板処理装置134によって作製された基板の計測データ156(例えば、測定値、材料特性、保管情報、環境条件など)を提供することができる。計測機器144は、基板処理装置134によって作製された基板に関連付けられる計測データ156(例えば、基板の特性データ)を提供することができる。計測データ156は、フィルム特性データ(例えば、ウエハ空間的フィルム特性)、寸法(例えば、厚さ、高さなど)、誘電率、ドーパント濃度、密度、欠陥などのうちの1つまたは複数の値を含むことができる。計測データ156は、仕上げられた製品、または半仕上げの製品のデータであってもよい。計測データ156は、製品(例えば、基板)ごとに違っていてもよい。
識別子リーダ128、138、および/または146は、識別子158を与えることができる。いくつかの実施形態では、識別子リーダ128、138、および/または138は、RFIDリーダ(例えば、FOUP RFIDリーダ、キャリアRFIDリーダ)、イメージングデバイス(例えば、バーコードリーダなど)などであってもよい。識別子158は、キャリアのインジケーション(例えば、キャリア識別子)、製品のインジケーション(例えば、キャリア中のどの基板か、基板の順)、タイムスタンプのインジケーション(例えば、日付、時刻など)のうちの1つまたは複数を含む。
いくつかの実施形態では、パーツシステム120の識別子リーダ128は、パーツの製造、パーツの設置、パーツの保管、パーツの輸送などのうちの1つまたは複数に関連付けられる識別子158を提供することができる。
いくつかの実施形態では、センサシステム130の識別子リーダ138(例えば、FOUP RFIDリーダ)は、識別子158(例えば、FOUP識別子、基板キャリア識別子、スロット識別子などのキャリア識別子など)を提供することができる。
いくつかの実施形態では、計測システムの識別子リーダ146(例えば、FOUP RFIDリーダ)は、識別子158(例えば、FOUP識別子、基板キャリア識別子、スロット識別子などのキャリア識別子など)を提供することができる。
いくつかの実施形態では、製品キャリア(例えば、FOUP、ウエハキャリア)は、基板を基板処理装置134から計測機器144に移送することができる。基板は、センサシステム130において、および計測システム140において、同じ順序(例えば、FOUPまたはウエハキャリア中で同じ場所)を維持することができる。例えば、基板は、(例えば、計測システム140を介して計測データ156を提供するための)計測機器144に/からロードするのと同じ順で、(例えば、基板の基板処理を実施して、センササーバ132を介してセンサデータ154を提供するための)基板処理装置134に/からロードすることができる。いくつかの実施形態では、同一製品に対応する、識別子リーダ138によって提供される識別子158(例えば、センサシステム130に関連付けられるFOUP ID)および識別子リーダ146によって提供される識別子リーダ138(例えば、計測システム140に関連付けられるFOUP ID)は、同一の製品キャリア(例えば、同一FOUP)および/またはキャリア識別子に関連付けられる(例えば、センサキャリア識別子および計測キャリア識別子は同じである)。
データ統合サーバ102、クライアントデバイス106、パーツシステム120(例えば、パーツサーバ122、パーツ製造機器124、センサ126、識別子リーダ128など)、センサシステム130(例えば、センササーバ132、基板処理装置134、センサ136、識別子リーダ138など)、計測システム140(例えば、計測サーバ142、計測機器144、識別子リーダ146など)、予測サーバ112、データストア150、サーバマシン170、およびサーバマシン180は、集約されたパーツ-センサ-計測データ160を生成して訂正動作を実行するために、ネットワーク116を通じて互いに結合することができる。いくつかの実施形態では、ネットワーク116は、クライアントデバイス106に、予測サーバ112、データストア150、および他の公に利用可能なコンピューティングデバイスへのアクセスを与える、パブリックなネットワークである。いくつかの実施形態では、ネットワーク116は、データ統合サーバ102に、センサシステム130、計測システム140、データストア150、および他のプライベートに利用可能なコンピューティングデバイスへのアクセスを与え、クライアントデバイス106に、予測サーバ112、データストア150、および他のプライベートに利用可能なコンピューティングデバイスへのアクセスを与える、プライベートなネットワークである。ネットワーク116は、1つまた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)、ワイヤレスネットワーク(例えば、802.11ネットワークまたはWi-Fiネットワーク)、セルラネットワーク(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、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、および/またはそれらの組合せを含むことができる。
クライアントデバイス106は、パーソナルコンピュータ(PC)、デスクトップコンピュータ、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などのコンピューティングデバイスを含むことができる。クライアントデバイス106は、訂正動作構成要素108を含むことができる。訂正動作構成要素108は、基板処理装置134(例えば、基板処理装置のパーツ、基板処理装置によって作製される基板など)に関連付けられるインジケーションのユーザ入力(例えば、クライアントデバイス106を通じて表示されるグラフィックユーザインターフェース(GUI)を介して)を受信することができる。いくつかの実施形態では、訂正動作構成要素108は、インジケーションを予測システム110に送信し、予測システム110から出力(例えば、予測データ164)を受信し、その出力に基づいて訂正動作を決定し、訂正動作を実行させる。クライアントデバイス106は、ユーザに、データ(例えば、パーツ、基板処理装置134、基板、パーツに関連付けられる訂正動作に関連付けられるインジケーションなど)の生成、閲覧、または編集のうちの1つまたは複数を許可するオペレーティングシステムを含むことができる。
訂正動作は、計算的プロセス制御(CPC)、統計的プロセス制御(SPC)、自動プロセス制御(APC)、予防的運用保守、設計最適化、製造パラメータの更新、フィードバック制御、機械学習修正などのうち、1つまたは複数に関連付けられてもよい。
いくつかの実施形態では、訂正動作は、アラートを提供する(例えば、パーツの孔が丸くならないことが予測されるなど、予測データ164が、パーツまたは製品の性能が低下しようとしていることを示す場合、製造プロセスを停止する、または実行しないようにするアラーム)。いくつかの実施形態では、訂正動作は、フィードバック制御を提供する(例えば、予測データ164が、孔が丸くならないと予測したことに応答してドリル除去を低速にするなど、製造パラメータの修正)。いくつかの実施形態では、訂正動作は、機械学習を提供する(例えば、予測データ164に基づいて、ドリルの回転、挿入速度、除去速度など、1つまたは複数の製造パラメータの修正)。
いくつかの実施形態では、訂正動作は、1つまたは複数の製造パラメータに対して更新を生じさせる。製造パラメータは、(例えば、部品を置換する、いくつかの部品を使用するなどの)ハードウェアパラメータおよび/またはプロセスパラメータ(例えば、温度、圧力、フロー、速度など)を含むことができる。いくつかの実施形態では、訂正動作は、予防的運用保守(例えば、パーツ製造機器124および/または基板処理装置134の部品を置き換える、処理する、洗浄するなど)を生じさせる。いくつかの実施形態では、訂正動作は、設計最適化を生じさせる(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、パーツ設計、基板処理装置134などを更新する)。
データ統合サーバ102、予測サーバ112、センササーバ132、計測サーバ142、サーバマシン170、およびサーバマシン180は、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、PC、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、それぞれ1つまたは複数のコンピューティングデバイスを含むことができる。
データ統合サーバ102は、データ統合構成要素104を含むことができる。データ統合構成要素104は、パーツデータ152のセット(例えば、パーツサーバ122から、データストア150から)、センサデータ154のセット(例えば、センササーバ132から、データストア150から)、および計測データ156のセット(例えば、計測サーバ142から、データストア150から)を受信し、パーツデータ152のセットとセンサデータ154のセットと計測データ156のセットとの間のパーツ-センサ計測の一致を判断し、センサ-計測の一致に基づいて集約されたパーツ-センサ-計測データ160のセットを生成し、集約されたパーツ-センサ-計測データ160のセットをデータストア150に記憶することができる。
予測サーバ112は、予測構成要素114を含んでもよい。いくつかの実施形態では、予測構成要素114は、集約されたパーツ-センサ-計測データ160をデータストアから検索し、集約されたパーツ-センサ-計測データ160に基づいて基板処理装置134のパーツに関連付けられる訂正動作を実行するための出力(例えば、予測データ164)を生成することができる。いくつかの実施形態では、予測構成要素114は、訓練された機械学習モデル190を使用して、訂正動作を実行するための出力を決定することができる。訓練された機械学習モデル190は、集約されたパーツ-センサ-計測データ160を使用して、主要工程およびハードウェアパラメータを学習するように訓練することができる。訂正動作を実行するための出力を、訓練された機械学習モデル190によって生成することは、訓練された機械学習モデル190によって、最適な動作条件(例えば、プロセスパラメータ)および/または空間(例えば、ハードウェアパラメータ)を処方することを含むことができる。いくつかの実施形態では、予測構成要素114は、現行データ162(例えば、現行の集約されたパーツ-センサ-計測データ160)を訓練された機械学習モデル190に提供すること、訓練された機械学習モデル190から出力を取得すること、および出力に基づいて予測データ164を決定することによって、訂正動作を実行するための予測データ164を決定する。
データストア150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、フラッシュドライブ)、データベースシステム、またはデータを記憶することができる別のタイプの構成要素もしくはデバイスであってもよい。データストア150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)にまたがることができる複数のストレージ構成要素(例えば、複数のドライブ、または複数のデータベース)を含むことができる。データストア150は、パーツデータ152、センサデータ154、計測データ156、識別子158、集約されたパーツ-センサ-計測データ160、現行データ162、予測データ164(例えば、予測性能データ)、および性能データ166を記憶することができる。パーツデータ152、センサデータ154、計測データ156、および集約されたパーツ-センサ-計測データ160は、(例えば、機械学習モデル190を訓練するための)履歴データを含むことができる。現行データ162は、(例えば、履歴データに基づいて訂正動作を実行するための)予測データ164を生成する対象となるデータ(例えば、センサデータ154、計測データ156、および/または集約されたパーツ-センサ-計測データ160)であってもよい。
パーツデータ152は、パーツ値および識別子158を含んでもよい。センサデータ154は、センサ値および識別子158を含んでもよい。計測データ156は、計測値および識別子158を含んでもよい。パーツデータ152、センサデータ154、および計測データ156の各インスタンス(例えば、セット)は、(例えば、基板機器識別子に関連付けられる)対応する基板処理装置134、(例えば、パーツ識別子に関連付けられる)基板処理装置134の対応するパーツ、(例えば、識別子に関連付けられる)対応する製品キャリア、(例えば、識別子に関連付けられる)対応するタイムスタンプ、および/または(例えば、製品識別子に関連付けられる)対応する製品に、対応することができる。
いくつかの実施形態では、クライアントデバイス106は、現行データ162(例えば、集約されたパーツ-センサ-計測データ160を生成した後に受信した、パーツ、センサ、および/または計測データ)をデータストア150に記憶することができ、予測サーバ112は、データストア150から現行データ162を検索することができる。いくつかの実施形態では、予測サーバ112は、訓練された機械学習モデル190の出力(例えば、予測データ164)をデータストア150に記憶することができ、クライアントデバイス106は、データストア150から出力を検索することができる。
いくつかの実施形態では、予測システム110は、サーバマシン170およびサーバマシン180をさらに含む。サーバマシン170は、機械学習モデル190を訓練、検証、および/または試験するために、データセット(例えば、データ入力のセット、データ入力のセットとターゲット出力のセット)を生成することができるデータセットジェネレータ172を含む。データセットジェネレータ172のいくつかの動作を、図3Aおよび図4Aに関して以下で詳細に説明する。いくつかの実施形態では、データセットジェネレータ172は、集約されたパーツ-センサ-計測データ160を、訓練セット(例えば、集約されたパーツ-センサ-計測データ160の60%)、検証セット(例えば、集約されたパーツ-センサ-計測データ160の20%)、および試験セット(例えば、集約されたパーツ-センサ-計測データ160の20%)に分割することができる。いくつかの実施形態では、予測システム110は、(例えば、予測構成要素114を介して)特徴の複数のセットを生成する。例えば、特徴の第1のセットは、(例えば、センサの第1のセットからの)データセットのそれぞれ(例えば、訓練セット、検証セット、および試験セット)に対応するデータの第1のセットであってもよく、特徴の第2のセットは、データセットのそれぞれに対応する(例えば、センサの第1のセットとは異なるセンサの第2のセットからの)データのタイプの第2のセットであってもよい。
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、および/または試験エンジン186を含む。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、および試験エンジン186)とは、ハードウェア(例えば、回路、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、また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、またはそれらの組合せを称する場合がある。訓練エンジン182は、データセットジェネレータ172からの訓練セットに関連付けられる特徴の1つまたは複数のセットを使用して、機械学習モデル190を訓練することができる。訓練エンジン182は、複数の訓練された機械学習モデル190を生成することができ、この場合、それぞれ訓練された機械学習モデル190は、訓練セットの特徴の別個のセット(例えば、センサの別個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てあってもよく、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てあってもよく、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得る特徴の第2のサブセット(例えば、X1、X3、X4、およびX5)を使用して訓練されてあってもよい。
検証エンジン184は、データセットジェネレータ172からの検証セットの特徴の対応するセットを使用して、訓練された機械学習モデル190を検証することができる。例えば、訓練セットの特徴の第1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、検証セットの特徴の第1のセットを使用して検証することができる。検証エンジン184は、検証セットの特徴の対応するセットに基づいて、訓練された機械学習モデル190のそれぞれの精度を判断することができる。検証エンジン184は、しきい精度を満たさない精度を有する訓練された機械学習モデル190を破棄してもよい。いくつかの実施形態では、選択エンジン185は、しきい精度を満たす精度を有する1つまたは複数の訓練された機械学習モデル190を選択することができる。いくつかの実施形態では、選択エンジン185は、訓練された機械学習モデル190の最高精度を有する訓練された機械学習モデル190を選択することができる。
試験エンジン186は、データセットジェネレータ172からの試験セットの特徴の対応するセットを使用して、訓練された機械学習モデル190を試験することができる。例えば、訓練セットの特徴の第1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、試験セットの特徴の第1のセットを使用して試験することができる。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から最高精度を有する訓練された機械学習モデル190を決定することができる。
機械学習モデル190とは、データ入力を含む訓練セットを使用して訓練エンジン182によって作成されたモデルアーチファクトを称する場合があり、いくつかの実施形態では、ターゲット出力(個々の訓練入力に対する正しい答え)に相当する。データセットにおいて、データ入力をクラスタリングするパターン、および/またはデータ入力をターゲット出力(正しい答え)にマッピングするパターンを見つけることができ、機械学習モデル190には、これらのパターンを捉えたマッピングが与えられる。機械学習モデル190は、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、1つまたは複数を使用することができる。
予測構成要素114は、現行データ162を訓練された機械学習モデル190に提供することができ、入力に対して訓練された機械学習モデル190を実行して、1つまたは複数の出力を取得することができる。予測構成要素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164を決定する(例えば、抽出する)ことができ、出力から、予測データ164が基板処理装置134のパーツおよび/または基板に相当する信頼のレベルを示す信頼度データを決定する(例えば、抽出する)ことができる。予測構成要素114または訂正動作構成要素108は、信頼度データを使用して、予測データ164に基づいて基板処理装置134に関連付けられる訂正動作を生じさせるかどうかを決定することができる。
信頼度データは、予測データ164が現行データ162に相当するという、信頼のレベルを含む、または示すことができる。一例では、信頼のレベルは、0と1を含む0~1の実数であり、0は予測データ164が現行データ162に相当するという信頼がないことを示し、1は予測データ164が現行データ162に相当するという絶対的な信頼を示す。いくつかの実施形態では、システム100は、計測機器144を使用して計測データを決定する代わりに、予測システム110を使用して、予測データ164を決定することができる。いくつかの実施形態では、信頼度データが、しきいレベルを下回る信頼のレベルを示したことに応答して、システム100は、計測機器144に計測データを生成させることができる。インスタンスの所定の数(例えば、インスタンスの割合、インスタンスの頻度、インスタンスの合計など)に関して、信頼度データが、しきいレベルを下回る信頼のレベルを示したことに応答して、予測構成要素114は、訓練された機械学習モデル190を(例えば、現行データ162および現行データ162に相当する性能データ166などに基づいて)再訓練させることができる。
限定ではなく、説明の目的で、本開示の態様は、集約されたパーツ-センサ-計測データ160を使用し、また現行データ162を訓練された機械学習モデルに入力して、予測データ164を決定する機械学習モデルの訓練を説明する。他の実装形態では、予測データ164を決定するために(例えば、訓練された機械学習モデルを使用することなく)ヒューリスティックなモデルまたは規則ベースのモデルが使用される。予測構成要素114は、集約されたパーツ-センサ-計測データ160をモニタすることができる。図3Aのデータ入力301に関して説明される情報のいずれも、モニタすることができるか、ヒューリスティックなモデルまたは規則ベースのモデルで使用することができる。
いくつかの実施形態では、データ統合サーバ102、クライアントデバイス106、予測サーバ112、センササーバ132、計測サーバ142、サーバマシン170、およびサーバマシン180の機能は、より少ない数のマシンによって提供される場合がある。例えば、いくつかの実施形態では、サーバマシン170と180は、単一のマシンに統合されてもよく、いくつかの他の実施形態では、サーバマシン170、サーバマシン180、および予測サーバ112は、単一のマシンに統合されてもよい。いくつかの実施形態では、センササーバ132、計測サーバ142、およびデータ統合サーバ102は、単一のマシンに統合されてもよい。
一般に、一実施形態において、データ統合サーバ102、クライアントデバイス106、予測サーバ112、センササーバ132、計測サーバ142、サーバマシン170、およびサーバマシン180によって実行されるものとして説明される機能は、適切であれば、他の実施形態では予測サーバ112上でも実行することができる。加えて、特定の構成要素に属する機能性は、共に動作する、異なるまたは複数の構成要素によって実行することができる。例えば、いくつかの実施形態では、予測サーバ112は、予測データに基づいて訂正動作を決定することができる。別の例では、クライアントデバイス106は、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164を決定することができる。
加えて、特定の構成要素の機能は、共に動作する、異なるまたは複数の構成要素によって実行することができる。予測サーバ112、サーバマシン170、またはサーバマシン180のうちの1つまたは複数は、適切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)を通じて他のシステムまたはデバイスに提供されるサービスとしてアクセスすることができる。
いくつかの実施形態では、「ユーザ」は、単一の個人として表現される場合がある。しかしながら、本開示の他の実施形態は、複数のユーザおよび/また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携している個人ユーザの集合は、「ユーザ」と考えることができる。
本開示の実施形態は、製造設備(例えば、基板製造設備)における訂正動作を実行するために集約されたパーツ-センサ-計測データ160を生成する観点で考察されるが、実施形態はまた、あるアクションを実施するためにデータのタイプを集約することに対して、一般的に適用することもできる。実施形態は、一般的に異なるタイプのデータを統合することに対して適用することができる。例えば、センサデータは、部品の寿命を予測するための対応する部品障害データと集約することができる。別の例として、画像は、画像の画像分類を予測するための対応する画像分類と集約することができる。
図2Aは、いくつかの実施形態による、パーツ、センサ、および計測データ統合の方法200Aのフロー図である。方法200Aは、ハードウェア(例えば、回路、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、また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、またはそれらの組合せを含むことができる処理ロジックによって実施することができる。一実施形態において、方法200Aは、部分的に、データ統合サーバ102(例えば、データ統合構成要素104)によって実施することができる。いくつかの実施形態では、非一時的な記憶媒体は、(例えば、データ統合サーバ102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200Aを実施させる命令を記憶する。
説明を容易にするために、方法200Aを、一連の行為として描き、説明する。しかしながら、本開示による行為は、様々な順序で、および/または同時に、ならびに本明細書において提示および説明がなされない他の行為と共に行うことができる。さらには、開示される主題に従って方法200Aを実施するために、すべての図示される行為が実施されなくてもよい。加えて、当業者であれば、方法200Aは、代替的に状態図またはイベントを介して相互に関連する一連の状態として表現することができることを、理解し、諒解するであろう。
図2Aを参照すると、ブロック202では、処理ロジックは、基板処理装置のパーツに関連付けられるパーツデータのセットを(例えば、パーツサーバ122から、データストア150から)受信する。パーツには、識別子を割り振ることができる。いくつかの実施形態では、パーツには、パーツナンバ(例えば、リビジョンナンバを含む)およびシリアルナンバを含む、少なくとも2つの一意な識別子が割り振られる。パーツを製造した後、寸法(例えば、サイズ、重量、表面粗さ、特徴の場所、特徴の形状寸法、孔の直径、孔の場所、孔の円形度、パーツにおける最小の孔と最大の孔との差、パーツにおける孔直径の範囲、表面トポロジ、ジュロ硬度、硬さなど)を、(例えば、自動光学検査(AOI)、原子間力顕微鏡(AFM)、および/または三次元測定機器(CMM)により)計測することができる。パーツデータとしては、パーツがどこで作られたか、パーツがどのように作られたか(例えば、製造プロセス、加工、研削、接合、溶接、洗浄、ろう付けなど)、パーツがいつ作られたか、硬化時間、パーツの保管および輸送の環境条件(例えば、温度、湿度、圧力など)、パーツがどれくらいの期間保管されていたか、パーツがいつ設置されたか、パーツの測定値、パーツの1つまたは複数の識別子などの情報を挙げることができる。
パーツデータは、パーツ測定データを含むことができ、パーツナンバおよびシリアルナンバに従って製造データベースに記憶することができる。パーツが基板処理装置(例えば、半導体製造システム)に設置されたことに応答して、パーツナンバ、シリアルナンバ、および日付(例えば、設置の日付)を、汎用のデータベースに記録してもよい。汎用のデータベースは、パーツ測定データを製造データベースから(例えば、パーツ測定データを識別するためにパーツナンバおよび/またはシリアルナンバを使用して)汎用のデータベースにコピーすることができる。
いくつかの実施形態では、パーツデータは、貫通孔構成(例えば、裏側に光を与え、もう一方の側で照明を測定する。これは孔のドリル加工に使用することができる)、ブラインド孔構成(例えば、測定と同じ側に光。これはろう付けの後に使用することができる)、バックライト照明(例えば、画像を取得して円をフィットする)、フロントライト(または環状ライト)照明などのAOI測定値を含む。焦点、コントラスト、および画像分析は、結果を最適化するように制御することができる。
パーツデータのセットは、パーツ製造データ(例えば、パーツ製造機器の製造パラメータ、プロセスパラメータ、ハードウェアパラメータなど)、パーツ測定データ、および/またはパーツ材料特性データを含むことができる。パーツデータのセットの少なくとも一部は、AOI機器、AFM、および/またはCMMマシンのうちの1つまたは複数を通じて測定することができる。パーツデータのセットのそれぞれは、パーツの作製に関するパーツ値、およびパーツ識別子を含むことができる。
パーツデータ152は、パーツデータの複数のセットを含むことができ、この場合、パーツデータの各セットは、パーツ値および1つまたは複数の識別子、ならびにタイムスタンプ(例えば、パーツがパーツ製造機器124によっていつ処理されたかに対応する、運転日付、運転時間など)を含む。
いくつかの実施形態では、パーツデータ152のセットごとに、パーツサーバ122は、(例えば、パーツ製造機器124の、パーツを作製するパーツ製造工程に関して)センサ126からパーツ値を受信することができ、識別子リーダ128から識別子を受信することができる。
識別子は、パーツデータ152のファイルに、フィールドまたは属性として追加することができる。いくつかの実施形態では、パーツサーバ122は、パーツデータ152のファイルに関する識別子情報を記憶する。
ブロック204では、処理ロジックは、基板を作製するために基板処理装置によって実施される基板処理動作に関連付けられるセンサデータのセットを(例えば、センササーバ123から、データストア150から)受信する。センサデータのセットのそれぞれは、基板処理装置による基板の作製に関するセンサ値、およびセンサデータ識別子を含むことができる。
基板処理装置によって基板が作製される(例えば、半導体製造システムで実行される基板)と、センサデータ(例えば、圧力、温度、時間、ガス流など)は、ウエハに関する追跡情報(例えば、FOUPナンバ、スロットナンバ、日付)と共にセンサデータベースに記録される。
センサデータ154は、センサデータの複数のセットを含むことができ、この場合、センサデータの各セットは、センサ値および1つまたは複数の識別子(例えば、LOT_IDなどのセンサデータ識別子、FOUP_IDなどのセンサキャリア識別子、製品識別子)、ならびにタイムスタンプ(例えば、製品が基板処理装置134によっていつ処理されたかに対応する、運転日付、運転時間など)を含む。
いくつかの実施形態では、センサデータ154のセットごとに、センササーバ132は、(例えば、基板処理装置134の、基板を作製する基板処理動作に関して)センサ136からセンサ値を受信することができ、基板の基板キャリア(例えば、FOUP)に関連付けられる識別子リーダ138(例えば、FOUP RFIDリーダ)から識別子(例えば、FOUP IDなどのセンサキャリア識別子)を受信することができる。センサデータのセットごとに、センササーバ132は、センサキャリア識別子およびタイムスタンプに基づいて識別子(例えば、LOT_ID)を、(例えば、センサキャリア識別子の少なくとも一部とタイムスタンプの少なくとも一部を連結することによって)生成することができる。例えば、センサキャリア識別子FOUP ID3044とタイムスタンプ2018年11月14日では、センササーバ132はF3044_111418というセンサデータ識別子を生成することができる。連結文字は、「-」、「+」など、ソフトウェアアーキテクチャ用に選ばれた、またはそれに都合のよい任意の文字であってもよい。
識別子は、センサデータ154のファイルに、フィールドまたは属性として追加することができる。いくつかの実施形態では、センササーバ132は、センサデータ154のファイルに関するキャリア識別子(例えば、FOUP ID)情報を記憶する。いくつかの実施形態では、センササーバ132は、一意なセンサデータ識別子(例えば、LotIDなど)を、FOUP ID+日付スタンプ+タイムスタンプに基づいて自動作成する。
ブロック206では、処理ロジックは、パーツを含む基板処理装置によって実施される基板処理動作によって作製された基板の計測データのセットを(例えば、計測サーバ142から、データストア150から)受信する。計測データのセットのそれぞれは、基板処理装置によって作製されたパーツに関する計測値、およびパーツ識別子を含むことができる。
基板が処理された後、基板は、計測ツール(例えば、計測機器)で測定され、基板測定値(例えば、厚さ、フィルム厚さ、レイヤ厚さ、屈折率、粒子数、オンウエハ計測データ、イメージングデータなど)はウエハに関する追跡情報(例えば、FOUPナンバ、スロットナンバ、および日付)と共に計測データベースに記録される。
計測データ156は、計測データの複数のセットを含むことができ、計測データの各セットは、計測値および識別子を含む。各識別子は、計測キャリア識別子(例えば、FOUP ID)、製品識別子、および/またはタイムスタンプ(例えば、計測がいつ測定されたかに対応する日付、時刻など)を含むことができる。
いくつかの実施形態では、計測データ156のセットごとに、計測サーバ142は、(例えば、基板処理装置134の、基板処理動作によって作製された基板に関して)計測機器144から計測値を受信することができ、製品の製品キャリア(例えば、FOUP)に関連付けられる識別子リーダ146(例えば、FOUP RFIDリーダ)から識別子(例えば、FOUP IDなどの計測キャリア識別子)を受信することができる。計測データのセットごとに、計測サーバ142は、計測キャリア識別子とタイムスタンプに基づいて識別子158を生成することができる。例えば、計測キャリア識別子F3044(例えば、対応するセンサデータ154のセンサキャリア識別子に一致する)とタイムスタンプ2018年11月14日では、センササーバ132はF3044_111418という計測データ識別子を生成することができる。計測データ156は、計測データ識別子(例えば、LOT_ID)および追加的なコンテキスト情報(例えば、製品識別子など)を有する計測ファイルに保存することができる。
いくつかの実施形態では、同一の製品キャリア(例えば、FOUP)は、(例えば、基板の基板処理を実施している)センサシステム130内の、および(例えば、ウエハを測定している)計測システム140内の同一製品に関連付けることができる。同一製品では、センサキャリア識別子と計測キャリア識別子は、同一のキャリア識別子であってもよい。
いくつかの実施形態では、計測サーバ142は、事前測定(例えば、センサデータ154が取得される基板の基板処理を実施する前に提供される計測データ156)または事後測定(例えば、センサデータ154が取得される基板の基板処理を実施した後に提供される計測データ156)に、計測データ156が対応するかどうかを判断することができる。計測サーバ142は、識別子158内に、対応する計測データ156が事前測定か事後測定かのインジケーションを含むことができる。例えば、事前測定に対応する計測データ156のファイル名は、「PRE」を含むことができ、「PRE」を含まないファイル名は事後測定と考えることができる。
いくつかの実施形態では、製品のセットに対応するセンサデータ154は、第1の時点においてセンサ136からセンササーバ132に提供され、製品の同一セットに対応する計測データ156は、第2の時点において提供される。いくつかの実施形態では、第1の時点と第2の時点は、同一日付(例えば、同一の日付スタンプ)に相当する。いくつかの実施形態では、第1の時点と第2の時点は、(例えば、同一FOUP IDに関して)一致する対応キャリア識別子に、時間的に最も近い時点である。いくつかの実施形態では、事前測定値である計測データ156では、第2の時点は、(例えば、同一FOUP IDに関して)一致する対応キャリア識別子について、第1の時点より前の最も早い時点である。いくつかの実施形態では、事後測定値である計測データ156の一部では、第2の時点は、(例えば、同一FOUP ID)一致する対応キャリア識別子について、第1の時点より後の最も早い時点である。
いくつかの実施形態では、識別子158(例えば、FOUP ID+タイムスタンプ)は、パーツサーバ122、センササーバ132、および/または計測サーバ142によって自動生成される。いくつかの実施形態では、識別子158は、ユーザ入力により生成される。例えば、パーツサーバ122、センササーバ132、および/または計測サーバ142は、ユーザ(例えば、プロセスエンジニア)から、パーツデータ152、センサデータ154、および/または計測データ156のセットにアクセスする(例えば、閲覧する、記憶するなど)要求(例えば、加工命令)を受信することがある。パーツサーバ122、センササーバ132、および/または計測サーバ142は、計測データ156のセットを、ユーザによる使用のために、集中化したデータベースに送信することができる。識別子158(例えば、FOUP ID+タイムスタンプ、シーケンスID)は、パーツデータ152、センサデータ154、および/または計測データ156のために作成されるファイル名の一部であってもよい。識別子は、情報を連結することによって作成することができる(例えば、11/14/2018に実行されたFOUP ID3044などのFOUP###_DateStampが、ファイル名FOUP3044_111418中に他のコンテキスト情報と共に後続の文字列を有する)。いくつかの実施形態では、処理ロジックは(例えば、データ統合構成要素104を介して)、自動生成された識別子158の代わりに(例えば、自動生成された識別子を確認するために、またはスポットチェックするために)手動入力された識別子158を使用してもよい。
いくつかの実施形態では、ブロック208では、処理ロジックは、識別子同士(例えば、パーツ識別子、センサデータ識別子、計測データ識別子)の共通部分を判断して、パーツ-センサ計測の一致を識別する。いくつかの実施形態では、共通部分は、パーツデータ152、センサデータ154、および/または計測データ156の識別子158同士の部分文字列(例えば、FOUP3044_111418)である。いくつかの実施形態では、処理ロジックは、パーツサーバ122、センササーバ132、および計測サーバ142を検索して、パーツサーバ122、センササーバ132、および計測サーバ142上で共通部分(例えば、部分文字列FOUP3044_111418)を一致させる。
いくつかの実施形態では、各共通部分(例えば、部分文字列)は、一致する(例えば、同一FOUP IDである)対応キャリア識別子を含む。各共通部分は、キャリアの一致が最も近い(例えば、同一の日である、最も近い時点であるなど)、対応するセンサタイムスタンプ(例えば、運転日付)および対応する計測タイムスタンプを含むことができる。
いくつかの実施形態では、処理ロジックは、センサデータ154のセットに対応する、計測データ156の事前測定セット、および/または計測データ事後測定セットを識別する。センサデータ154のセットに対応する運転日付(例えば、センサタイムスタンプ)についての事前測定計測データを決定するために、処理ロジックは、運転日付より所定時間前の(例えば、運転日付から5日遡る、運転日付と先行する5日の共通部分、など)対応するタイムスタンプを有し、キャリア識別子が一致し(例えば、同一FOUP ID)、製品識別子が一致し(例えば、同一のスロットナンバ)、かつ事前測定値である(例えば、ファイル名に「PRE」を含む)、計測データ156のすべてのセット(例えば、すべての計測機器144からの計測ファイル)を決定する。処理ロジックは、運転日付より前で最も近い、対応するタイムスタンプを有する計測データ156を、センサデータ154にリンクさせる対象となる事前測定計測データとして選択することができる。
運転日付についての事後測定計測データを決定するために、処理ロジックは、運転日付より所定時間後の(例えば、運転日付から5日後ろ、運転日付と後続の5日の共通部分、など)対応するタイムスタンプを有し、キャリア識別子が一致し、製品識別子が一致し、かつ事後測定値である(例えば、ファイル名に「PRE」を含まない)、計測データ156のすべてのセット(例えば、すべての計測機器144からの計測ファイル)を決定する。処理ロジックは、運転日付より後で最も近い、対応するタイムスタンプを有する計測データ156を、センサデータ154にリンクさせる対象となる事後測定計測データとして選択することができる。
処理ロジックは、センサデータ154のセットにリンクさせる対象となる、計測データ156(例えば、最も近い事前測定計測データおよび最も近い事後測定計測データ)の1つまたは複数のセットを選択することができる。
いくつかの実施形態では、センサデータ154は、運転(例えば、基板処理動作、製造プロセス)ごとに記憶される。センサデータ154の各セットは、同一運転に対応し得る。センサデータ154は、対応する基板処理装置134の識別子(例えば、ツールID)、対応する製造プロセスの識別子(例えば、運転ID)、タイムスタンプ(例えば、2018-11-14 5:00:00.000など、製造プロセス開始時刻、運転開始時刻)、センサデータ識別子(例えば、F3044_111418など、タイムスタンプとつなげたロットID、キャリア識別子)、および製造プロセス識別子(例えば、方策)を含むことができる。センサデータ154の例示的なデータ構造(例えば、テーブル)を、表1に示す。
いくつかの実施形態では、計測データ156は、ファイル識別子(例えば、ファイルID)、ファイル名、および計測プロセス(例えば、誘電測定、偏光解析法など)を含むファイルに記憶される。ファイル名は、キャリア識別子(例えば、F3044)、タイムスタンプ(例えば、111418)または時間範囲(例えば、111418~11.15.18)、および(例えば、「_s1」などスロットナンバを示す)製品識別子を含むことができる。計測データの例示的なデータ構造(例えば、テーブル)を、表2に示す。
処理ロジックは、センサデータ154をセンササーバ132から、また計測データ156(例えば、計測ファイルデータ)を計測サーバ142(例えば、共有フォルダ)から受信することができる。処理ロジックは、センサデータ154と計測データ156との間で、共通属性(例えば、キャリア識別子、タイムスタンプ、部分、部分文字列など)を識別することができる。スロットの一体性(例えば、製造プロセスおよび計測プロセスにおいて、同一順の製品)により、処理ロジックは、センサデータ154の順で、計測データ156の製品識別子156に対応するセンサデータ154を識別することができる(例えば、センサデータ154の第1のタイムスタンプは第1の製品識別子に対応する)。処理ロジックは、ファイル識別子、製造機器の識別子、および製造プロセス識別子を関連付けることによって、計測データ156(例えば、計測ファイル)とセンサデータ154(例えば、運転データ)との間にリンクを与えることができる。処理ロジックは、リンク情報を表示するためにGUIを提供することができる。センサデータ154と計測データ156との間のリンクの例示的なデータ構造(例えば、テーブル)を、表3に示す。
表3は、スロット2の製品が、ツールAによって5:00に処理され、スロット4の製品がツールAによって5:10に処理され、スロット1の製品がツールBによって5:00に処理され、スロット3の製品がツールBによって5:10に処理され、スロット5の製品がツールBによって5:20に処理されたことを示す。処理ロジックは、センサデータ154、計測データ156、および共通属性のインジケーション(例えば、表3におけるリンク属性との類似、または違い)を含む、集約されたパーツ-センサ-計測データ160を生成することができる。
ブロック210では、処理ロジックは、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データ(例えば、集約されたパーツ-センサ-計測データ構造またはデータテーブル)のセットを生成する。処理ロジックは、パーツ-センサ計測の一致のそれぞれについて、集約されたパーツ-センサ-計測データのセットを生成することができる。
いくつかの実施形態では、センサデータベースからの基板の製作に関連付けられるセンサデータ、および計測データベースからの基板の計測データは、追跡情報(例えば、FOUPナンバ、スロットナンバ、および日付)を一致させることによってリンクされる。センサ-計測データは、日付(例えば、パーツの設置の日付、パーツの製造の日付、基板処理動作の日付)を使用することによって、製造データベースからのパーツデータとリンクされてもよい。リンクされたデータは、マニュアルのデータ処理(例えば、スプレッドシートまたはデータ分析ソフトウェアを使用する、マニュアル計算、マニュアル処理)、または自動化されたデータ処理(例えば、自動化された計算、自動化された処理、自動化された機械学習モデル)に使用可能なフォーマット(例えば、集約されたパーツ-センサ-計測データ)で出力することができる。
集約されたパーツ-センサ-計測データの各セットは、パーツデータの個々のセット、センサデータの個々のセット、および計測データの個々のセットを含むことができ、これらはそれぞれが共通識別子158に対応する(例えば、統合される、集約される、リンクされるなど)。例えば、集約されたパーツ-センサ-計測データ構造は、パーツデータ、センサデータ(例えば、sensor_1~sensor_N)、製品識別子(例えば、wafer_ID)、キャリア識別子(例えば、FOUP_ID)、センサタイムスタンプ(例えば、日付スタンプ、計測データ(例えば、厚さ、屈折率(RI)、誘電体定数(k)など)、および/または計測タイムスタンプ(例えば、日付スタンプ)を含むことができ、この場合、製品識別子148と製品識別子は一致し、センサキャリア識別子と計測キャリア識別子は一致し、センサタイムスタンプと計測タイムスタンプは一致する。
いくつかの実施形態では、処理ロジックは、共通フィールドまたは属性として、ファイルを製品識別子(例えば、Wafer_ID)とつなげる、またはリンクさせる。
ブロック212では、処理ロジックは、集約されたパーツ-センサ-計測データのセットの解析を行って出力を生成し、基板処理装置のパーツに関連付けられる訂正動作を実行する。
集約されたパーツ-センサ-計測データのセットの解析を行うことには、機械学習モデルを訓練するために集約されたパーツ-センサ-計測データのセットを提供することを含むことがある(例えば、図4B参照)。
集約されたパーツ-センサ-計測データのセットの解析を行うことには、集約されたパーツ-センサ-計測データのセットを訓練された機械学習モデルに提供することと、訓練された機械学習モデルから、1つまたは複数の出力を受信することとを含むことがある(例えば、図4C参照)。
集約されたパーツ-センサ-計測データのセットの解析を行うことには、(例えば、根本原因解析を実施するために)集約されたパーツ-センサ-計測データのセット同士の相関(例えば、ウエハ範囲およびAOI範囲)、集約されたパーツ-センサ-計測データのセットの根本原因の振れ幅、集約されたパーツ-センサ-計測データのセットのクラスタリングなどを決定することに対してデータマイニングを実施することを含むことができる。いくつかの実施形態では、集約されたパーツ-センサ-計測データのセットの解析を行うことは、さらなる解析の実施(例えば、均一性をどのように改善するかを判断する)に関して問題の生じる(例えば、均一性が低い)一般的なエリアを識別する。いくつかの実施形態では、集約されたパーツ-センサ-計測データのセットの解析を行うことは、クラスタリング、異常検出、相関解析などのうち1つまたは複数の工程を含む。例えば、解析は、どの部品が問題を生じているかを決定し、続いて問題を生じている部品の特徴を決定し、続いて問題を生じている製造パラメータを決定するために使用することができる。
集約されたパーツ-センサ-計測データのセットの解析を行うことには、(例えば、機械学習モデルを訓練して、訂正動作を実行するための出力を生成することができる訓練された機械学習モデルを提供するために)集約されたパーツ-センサ-計測データのセットを記憶することを含むことができる。いくつかの実施形態では、処理ロジックは、集約されたパーツ-センサ-計測データのセットをデータストアに、データベースウェアハウスに、技術データウェアハウスなどに記憶する。集約されたパーツ-センサ-計測データのセットのそれぞれは、対応するデータ構造(例えば、対応するテーブル、対応するファイルなど)に記憶することができる。
いくつかの実施形態では、集約されたパーツ-センサ-計測データは、最適なパーツ設計、パーツ製造パラメータ、パーツ特徴レイアウト、パーツ寸法、パーツ材料特性などを決定するために、パーツデータ、センサデータ、および/または計測データに基づいて検索対象となるデータベースに記憶される。
いくつかの実施形態では、集約されたパーツ-センサ-計測データ(例えば、ラベル付けされていないデータ)は、機械学習モデル(例えば、教師無し機械学習、クラスタリングなど)を訓練して、訓練された機械学習モデルを生成するために記憶される。訓練された機械学習モデルは、1つまたは複数の出力(例えば、予測データ、新しいデータがどのクラスタに属するかのインジケーション)を生成することができる。
いくつかの実施形態では、集約されたパーツ-センサ-計測データ(例えば、ラベル付けされたデータ)は、機械学習モデル190(例えば、教師あり機械学習)を訓練して、訓練された機械学習モデルを生成するために記憶される。訓練された機械学習モデルは、基板処理装置134に関連付けられる訂正動作を実行するための1つまたは複数の出力(例えば、現行データ162の入力に基づいて予測データ164を生成するなどの、人工知能(AI)アプリケーション)を生成することができる。
いくつかの実施形態では、集約されたパーツ-センサ-計測データは、将来的な使用のために、集中化された場所(例えば、データストア150)でカタログ化されたデータとして記憶される。従来的には、パーツデータ、センサデータ、および計測データは、異なる場所(例えば、異なる設備、ユーザのラップトップなど)に記憶される。センサは数百個(例えば、500を越えて)存在する場合もあるため、パーツデータおよびセンサデータは、時間と共に(例えば、ユーザのラップトップで)多くの記憶容量を占め、最終的には破棄されることがある。方法200Aは、訂正動作を実行するための後々の解析に使用するために、長期間(例えば、数か月、数年)に渡って集約されたパーツ-センサ-計測データ160を生成して記憶するために使用することができる。
いくつかの実施形態では、処理ロジックは、マニュアルでパーツデータ、センサデータ、および計測データを関連付けるユーザ入力を伴わずに、集約されたパーツ-センサ-計測データのセットを生成する。いくつかの実施形態では、処理ロジックは、光学文字認識(OCR)システムを使用することなく、集約されたパーツ-センサ-計測データのセットを生成する。
いくつかの実施形態では、各製品キャリアは、製品(例えば、基板など)を搬送する複数のスロットを有し、スロットの一体性(例えば、スロット内での製品の順序)は、(例えば、チャンバ上で)製品が基板処理装置134によって処理され、計測機器144による計測測定に送られる際、維持することができる(例えば、基板処理装置134によって処理される第1の製品は、計測機器144によって測定される第1の製品である)。
いくつかの実施形態では、訂正動作は、パーツの設計(例えば、パーツ製造工程を無くす)、パーツの品質(例えば、孔の直径、場所、および/または円形度を改善するなど、パーツのバラつきを低減する)、パーツの寸法(例えば、パーツの部分の厚みおよび/または直径を更新する)、パーツの特徴レイアウト(例えば、パーツ上で孔の場所を更新する)、パーツを作製するパーツ製造工程(例えば、特定の製造工程を置き換える、または回避する)などを更新することを含む。いくつかの実施形態では、訂正動作は、根本原因解析を実施して、パーツにおける、または基板処理動作に対する更新を決定することを含む。いくつかの実施形態では、訂正動作は、GUIにアラートを表示させ、パーツ製造機器または基板処理装置の動作を中断すること(例えば、基板処理装置134を停止する、基板処理装置134の一部を停止する、製造プロセスを実施しない、など)、および/またはパーツ製造機器もしくは基板処理装置の製造パラメータに対して更新を生じさせることを含む。いくつかの実施形態では、訂正動作は、基板処理動作を更新する(例えば、動作条件を調節して基板出力を達成する)ことを含む。
いくつかの実施形態では、方法200Aは、異なる性能(例えば、パーツの差異、製造パラメータの差異など)をもたらす類似の基板処理装置同士の差異を決定するために使用される。
訂正動作の結果、新しいパーツの品質はより良好となり得る(例えば、バラつきが低減する、孔サイズのバラつきが低減するなど)、および/または基板の品質はより良好となり得る(例えば、測定値がしきい値内となる)。
図2Bは、いくつかの実施形態による、パーツ、センサ、および計測データ統合のブロック図200Bである。ブロック図200Bの一部は、図2Aの方法200Aのブロック図に類似しているか、それと同一である場合がある。
ブロック図200Bは、パーツサーバ222、パーツシステム220、センササーバ232(例えば、図1のFSS、センササーバ132)、センサシステム230(例えば、図1のツール/プロセスシステム、センサシステム130)、計測サーバ242、および計測システム240(例えば、図1の計測システム140)を含むことができる。パーツシステム220は、パーツ製造機器224、センサ226(例えば、図1のセンサ126)、および識別子リーダ228を含むことができる。センサシステム230は、基板処理装置234(例えば、図1の基板処理装置134)、センサ236(例えば、図1のセンサ136)、および識別子リーダ238(例えば、図1のFOUP RFIDリーダ、識別子リーダ138)を含むことができる。計測システム240は、計測機器244(例えば、図1の計測機器144)、および識別子リーダ246(例えば、図1のFOUP RFIDリーダ、識別子リーダ146)を含むことができる。
パーツサーバ222は、パーツ値およびパーツ識別子を、パーツシステム220から受信して、パーツデータ252(図1のパーツデータ152)を生成することができる。センササーバ232は、センサ値およびセンサデータ識別子を、センサシステム230から受信して、センサデータ254(図1のセンサデータ154)を生成することができる。計測サーバ242は、計測値および計測データ識別子を、計測システム240から受信して、センサデータ254(図1のセンサデータ154)を生成することができる。
データ統合サーバ102は(例えば、データ統合構成要素104を介して)、パーツデータ252を受信すること(例えば、ブロック202参照)、センサデータ254を受信すること(例えば、ブロック204参照)、および計測データ256を受信すること(例えば、ブロック206参照)ができる。いくつかの実施形態では、データ統合サーバ102は、FOUP IDおよび日付スタンプの(例えば、マニュアルで入力された)ユーザ入力を、ユーザデータストアから受信することができる。ユーザ入力は、識別子(例えば、計測データ識別子)のマニュアル入力を含んでもよい。データ統合サーバ102は、計測サーバ242から受信した計測データを、ユーザ入力と比較して、計測データ256の精度を確認(例えば、スポットチェック)することができる。
データ統合サーバ102は、共通部分(例えば、部分文字列FOUP####_DateStamp)を一致させることができる(例えば、ブロック208参照)。データ統合サーバ102は、共通部分に基づいて集約されたパーツ-センサ-計測データのセットを生成することができる(例えば、ブロック210参照)(例えば、ファイルを、データテーブルなどのデータ構造内でリンクする/つなげる)。データ統合サーバ102は、集約されたパーツ-センサ-計測データ260(例えば、図1の集約されたパーツ-センサ-計測データ160)を、データストア(例えば、図1のデータストア150、技術データウェアハウス(TDW)など)に記憶することができる。
図3Aは、いくつかの実施形態による、集約されたパーツ-センサ-計測データ360(例えば、図1の集約されたパーツ-センサ-計測データ360)を使用して機械学習モデル(例えば、図1のモデル190)用のデータセットを作成するための例示のデータセットジェネレータ372(例えば、図1のデータセットジェネレータ172)である。図3Aのシステム300Aは、データセットジェネレータ372、データ入力301、およびターゲット出力303を示す。
いくつかの実施形態では、データセットジェネレータ372は、1つまたは複数のデータ入力301(例えば、訓練入力、検証入力、試験入力)を含むデータセット(例えば、訓練セット、検証セット、試験セット)を生成する。いくつかの実施形態では、データセットは、データ入力301に対応する1つまたは複数のターゲット出力303をさらに含む。データセットはまた、データ入力301をターゲット出力303にマッピングするマッピングデータを含むこともできる。データ入力301はまた、「特徴」、「属性」、または「情報」と称される場合もある。いくつかの実施形態では、データセットジェネレータ372は、データセットを訓練エンジン182、検証エンジン184、または試験エンジン186に提供することができ、この場合、データセットは、機械学習モデル190を訓練、検証、または試験するために使用される。訓練セットを生成するいくつかの実施形態を、図4Aに関してさらに説明することができる。
いくつかの実施形態では、データセットジェネレータ372は、集約されたパーツ-センサ-計測データ360に基づいてデータ入力301を生成する。いくつかの実施形態では、データセットジェネレータ372は、集約されたパーツ-センサ-計測データ360に関連付けられる性能データ366に基づいてターゲット出力303を生成する。データセットジェネレータ372は、集約されたパーツ-センサ-計測データ360の各セットから性能データ366へのマッピングを決定することができる。
いくつかの実施形態では、データ入力301は、集約されたパーツ-センサ-計測データ360について特徴の1つまたは複数のセットを含むことができる。集約されたパーツ-センサ-計測データ360の各インスタンスは、1つもしくは複数のタイプのパーツについてのパーツデータ、1つもしくは複数のタイプのセンサからのセンサデータ、および/または1つもしくは複数のタイプの基板に関連付けられる計測データを含むことができる。
いくつかの実施形態では、データセットジェネレータ272は、第1の機械学習モデルを訓練、検証、または試験するために、特徴の第1のセットに対応する第1のデータ入力を生成することができ、データセットジェネレータ272は、第2の機械学習モデルを訓練、検証、または試験するために、特徴の第2のセットに対応する第2のデータ入力を生成することができる。
いくつかの実施形態では、データセットジェネレータ272は、データ入力301またはターゲット出力303の1つまたは複数を、(例えば、回帰問題用の分類アルゴリズムで使用するために)離散化することができる。データ入力301またはターゲット出力303の離散化は、変数の連続値を離散な値に変形することができる。いくつかの実施形態では、データ入力301についての離散な値は、ターゲット出力303(例えば、離散な特性データ)を取得するための離散な製造パラメータを示す。
機械学習モデルを訓練、検証、または試験するためのデータ入力301およびターゲット出力303は、特定の設備についての(例えば、特定のパーツ製造設備または基板製造設備についての)情報を含むことができる。例えば、集約されたパーツ-センサ-計測データ360および性能データ366は、同一の製造設備についてのデータであってもよい。
いくつかの実施形態では、機械学習モデルを訓練するために使用される情報は、特定の特性を有する製造設備の特定のタイプの製造機器(例えば、パーツ製造機器124、基板処理装置134)からの情報であってもよく、訓練された機械学習モデルが、特定のグループの特性を共有する1つまたは複数の部品に関連付けられる集約されたパーツ-センサ-計測データ360に関する入力に基づいて、製造機器の特定のグループについての結果を決定できるようにする。いくつかの実施形態では、機械学習モデルを訓練するために使用される情報は、2つ以上の製造設備からの部品についての情報であってもよく、訓練された機械学習モデルが1つの製造設備からの入力に基づいて部品についての結果を決定できるようにする。
いくつかの実施形態では、データセットを生成すること、およびデータセットを使用して機械学習モデル190を訓練、検証、または試験することに続いて、機械学習モデル190は、さらに訓練、検証、もしくは試験(例えば、図1のさらなる集約されたパーツ-センサ-計測データ160および性能データ166)すること、または調節すること(例えば、ニューラルネットワークにおける結合重みなど、機械学習モデル190の入力データに関連付けられる重みを調節すること)ことができる。
図3Bは、いくつかの実施形態による、予測データ364(例えば、図1の予測データ164)を生成するためのシステム300を図示するブロック図である。システム300Bは、集約されたパーツ-センサ-計測データ360(例えば、図1の集約されたパーツ-センサ-計測データ360)に基づいて基板処理装置134のパーツに関連付けられる訂正動作を決定するために使用することができる。
ブロック310では、システム300(例えば、図1の予測システム110)は、(例えば、図1のサーバマシン170のデータセットジェネレータ172を介して)集約されたパーツ-センサ-計測データ360(例えば、図1の集約されたパーツ-センサ-計測データ160)(また、いくつかの実施形態では、性能データ366)のデータ分割を実施して、訓練セット302、検証セット304、および試験セット306を生成する。例えば、訓練セットは、集約されたパーツ-センサ-計測データ360の60%であってもよく、検証セットは集約されたパーツ-センサ-計測データ360の20%であってもよく、検証セットは集約されたパーツ-センサ-計測データ360の20%であってもよい。システム300は、訓練セット、検証セット、および試験セットのそれぞれについての特徴の複数のセットを生成することができる。例えば、集約されたパーツ-センサ-計測データ360が20センサ(例えば、図1のセンサ126)と100製品(例えば、20センサからのセンサデータにそれぞれ対応するウエハ)に関連付けられる場合、特徴の第1のセットは、センサ1~10であってもよく、特徴の第2のセットはセンサ11~20であってもよく、訓練セットは、製品1~60であってもよく、検証セットは製品61~80であってもよく、試験セットは製品81~100であってもよい。この例では、訓練セットの特徴の第1のセットは、製品1~60についてセンサ1~10からのものとなる。
ブロック312では、システム300は、訓練セット302を使用してモデル訓練(例えば、図1の訓練エンジン182を介して)を実施する。システム300は、訓練セット302の特徴の複数のセット(例えば、訓練セット302の特徴の第1のセット、訓練セット302の特徴の第2のセットなど)を使用して、複数のモデルを訓練することができる。例えば、システム300は、訓練セット(例えば、製品1~60について、センサ1~10からのセンサデータ)中の特徴の第1のセットを使用して第1の訓練された機械学習モデルを生成するために、また訓練セット(例えば、製品1~60について、センサ11~20からのセンサデータ)中の特徴の第2のセットを使用して第2の訓練された機械学習モデルを生成するために、機械学習モデルを訓練することができる。いくつかの実施形態では、第1の訓練された機械学習モデルおよび第2の訓練された機械学習モデルは、第3の訓練された機械学習モデル(例えば、第1または第2の訓練された機械学習モデルそれ自身よりも良好な予測器となり得る)を生成するために組み合わせてもよい。いくつかの実施形態では、モデルの比較に使用される特徴のセットは、重複してもよい(例えば、センサ1~15からのものである特徴の第1のセットと、センサ5~20からのものである特徴の第2のセット)。いくつかの実施形態では、特徴の様々な並べ替えを伴うモデル、およびモデルの組合せを含め、数百のモデルが生成され得る。
ブロック314では、システム300は、検証セット304を使用してモデル検証(例えば、図1の検証エンジン184を介して)を実施する。システム300は、検証セット304の特徴の対応するセットを使用して訓練されたモデルのそれぞれを検証することができる。例えば、システム300は、検証セット(例えば、製品61~80について、センサ1~10からのセンサデータ)中の特徴の第1のセットを使用して第1の訓練された機械学習モデルを検証すること、また検証セット(例えば、製品61~80について、センサ11~20からのセンサデータ)中の特徴の第2のセットを使用して第2の訓練された機械学習モデルを検証することができる。いくつかの実施形態では、システム300は、ブロック312で生成された数百のモデル(例えば、特徴の様々な並べ替えを伴うモデル、モデルの組合せなど)を検証することができる。ブロック314では、システム300は、(例えば、モデル検証を通じて)1つまたは複数の訓練されたモデルのそれぞれの精度を決定することができ、訓練されたモデルのうちの1つまたは複数がしきい精度を満たす精度を有するかどうかを判断することができる。訓練されたモデルのいずれもしきい精度を満たす精度を有していないと判断したことに応答して、フローはブロック312に戻り、システム300は訓練セットの特徴の異なるセットを使用して、モデル訓練を実施する。訓練されたモデルのうちの1つまたは複数がしきい精度を満たす精度を有していると判断したことに応じて、フローはブロック316に続く。システム300は、(例えば、検証セットに基づいて)しきい精度を下回る精度を有する訓練された機械学習モデルを破棄してもよい。
ブロック316では、システム300は、しきい精度を満たす1つまたは複数の訓練されたモデルのうちどれが最も高い精度を有するかを決定するために、(例えば、図1の選択エンジン185を介して)モデル選択を実施する(例えば、ブロック314の検証に基づいた、選択されるモデル308)。しきい精度を満たす訓練されたモデルのうち2つ以上が同一の精度を有すると判断したことに応答して、フローはブロック312に戻ってもよく、システム300は、最も高い精度を有する訓練されたモデルを決定するための特徴のさらに改良されたセットに対応する、さらに改良された訓練セットを使用してモデル訓練を実施する。
ブロック318では、システム300は、選択されたモデル308を試験するために、試験セット306を使用してモデル試験(例えば、図1の試験エンジン186を介して)を実施する。システム300は、試験セット中の特徴の第1のセット(例えば、製品81~100について、センサ1~10からのセンサデータ)を使用して第1の訓練された機械学習モデルを試験して、第1の訓練された機械学習モデルがしきい精度を満たすかどうかを(例えば、試験セット306の特徴の第1のセットに基づいて)判断することができる。選択されたモデル308の精度が、しきい精度を満たしていない(例えば、選択されたモデル308が訓練セット302にオーバフィットしている、および/または検証セット304が、試験セット306などの他のデータセットに適用できない)ことに応答して、フローはブロック312に続き、システム300は特徴の異なるセットに対応する異なる訓練セット(例えば、異なるセンサからのセンサデータ)を使用してモデル訓練(例えば、再訓練)を実施する。試験セット306に基づいて、選択されたモデル308がしきい精度を満たす精度を有すると判断したことに応答して、フローはブロック320に続く。少なくともブロック312では、モデルは、集約されたパーツ-センサ-計測データ360におけるパターンを学習して予測を行うことができ、ブロック318では、システム300は、そのモデルを残りのデータ(例えば、試験セット306)に適用して、予測を試験することができる。
ブロック320では、システム300は、訓練されたモデル(例えば、選択されたモデル308)を使用して現行データ362(例えば、図1の現行データ162、図1の現行の集約されたパーツ-センサ-計測データ160)を受信し、訓練されたモデルの出力から、予測データ364(例えば、図1の予測データ164)を決定し(例えば、抽出し)、パーツ製造機器124のパーツに関連付けられる訂正動作を実行する。
いくつかの実施形態では、現行データ362に対応する性能データ366が受信され、モデル308は、現行データ362と性能データ366に基づいて再訓練される。
いくつかの実施形態では、ブロック310~320のうちの1つまたは複数の動作は、様々な順序で、ならびに/または本明細書において提示および説明されない他の動作を伴って行なわれてもよい。いくつかの実施形態では、ブロック310~320のうちの1つまたは複数の動作は、実施されなくてもよい。例えば、いくつかの実施形態では、ブロック310のデータ分割、ブロック314のモデル検証、ブロック316のモデル選択、またはブロック318のモデル試験のうちの1つまたは複数は、実施されなくてもよい。
図4A~図4Cは、いくつかの実施形態による、パーツ、センサ、および計測データ統合に関連付けられる方法400A~400Cのフロー図である。方法400A~400Cは、ハードウェア(例えば、回路、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、また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、またはそれらの組合せを含むことができる処理ロジックによって実施することができる。いくつかの実施形態では、方法400Aは、部分的に、予測システム110(例えば、サーバマシン170、データセットジェネレータ172など)によって実施されてもよい。予測システム110は、方法400Aを使用して、本開示の実施形態に従って、機械学習モデルの訓練、検証、または試験のうちの少なくとも1つを行うことができる。いくつかの実施形態では、方法400Aの1つまたは複数の動作は、図1および図3Aに関して説明したようにサーバマシン170のデータセットジェネレータ172によって実施されてもよい。いくつかの実施形態では、方法400B~400Cは、部分的に、予測システム110(例えば、予測サーバ112、予測構成要素114など)によって実施されてもよい。予測システム110は、方法400Bを使用して、本開示の実施形態に従って、機械学習モデルを訓練することができる。予測システム110は、方法400Cを使用して、本開示の実施形態に従って、訓練された機械学習モデルを使用することができる。いくつかの実施形態では、方法400B~400Cの1つまたは複数の動作は、図1および図3Bに関して説明したように予測サーバ112の予測構成要素114によって実施されてもよい。図1、図2、または図3A~図3Bのうちの1つまたは複数に関して説明した構成要素は、図4A~図4Cの態様を説明するために使用される場合があることに留意されたい。いくつかの実施形態では、非一時的な記憶媒体は、(例えば、予測システム110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400A~400Cを実施させる命令を記憶する。
説明を容易にするために、方法400A~400Cを、一連の行為として描き、説明する。しかしながら、本開示による行為は、様々な順序で、および/または同時に、ならびに本明細書において提示および説明がなされない他の行為と共に行なうことができる。さらには、開示される主題に従って方法400A~400Cを実施するために、すべての図示される行為が実施されなくてもよい。加えて、当業者であれば、方法400A~400Cは、代替的に状態図またはイベントを介して相互に関連する一連の状態として表現することができることを、理解し、諒解するであろう。
図4Aを参照すると、方法400Aは、基板処理装置のパーツに関連付けられる訂正動作を実行するための機械学習モデルのためのデータセットを生成することに関する。
ブロック402では、方法400Aを実装する処理ロジックは、訓練セットTを空集合に初期化する。
ブロック404では、処理ロジックは、集約されたパーツ-センサ-計測データ(例えば、図1の集約されたパーツ-センサ-計測データ160)を含む第1のデータ入力(例えば、第1の訓練入力、第1の検証入力)を生成する。いくつかの実施形態では、第1のデータ入力は、集約されたパーツ-センサ-計測データのタイプのための特徴の第1のセットを含むことができ、第2のデータ入力は、集約されたパーツ-センサ-計測データのタイプのための特徴の第2のセットを含むことができる(例えば、図3Aに関して説明した通り)。処理ロジックは、集約されたパーツ-センサ-計測データ160の一部に基づいてデータ入力を生成することができる(例えば、集約されたパーツ-センサ-計測データ160のデータ構造またはテーブルから、パーツデータ152、センサデータ154、および/または計測データ156を抽出する)。
いくつかの実施形態では、ブロック406では、処理ロジックは、データ入力のうちの1つまたは複数(例えば、第1のデータ入力)に対して第1のターゲット出力を生成する。第1のターゲット出力は、対応する性能データ(例えば、性能データ366、集約されたパーツ-センサ-計測データ160に関連付けられる基板のラベル)であってもよい。処理ロジックは、集約されたパーツ-センサ-計測データ160に基づいてターゲット出力を生成することができる(例えば、データ入力のセンサデータを抽出したのと同じ集約されたパーツ-センサ-計測データ160のデータ構造またはテーブルから、パーツデータ152、センサデータ154、および/または計測データ156を抽出する)。
ブロック408では、処理ロジックは、任意選択で、入力/出力マッピングを示すマッピングデータを生成する。入力/出力マッピング(またはマッピングデータ)は、データ入力(例えば、本明細書において説明されるデータ入力のうちの1つまたは複数)、データ入力に対するターゲット出力(例えば、ターゲット出力は性能データ166を識別する)、およびデータ入力とターゲット出力との関連付けを参照することができる。マッピングデータは、データ入力およびターゲット出力が抽出された集約されたパーツ-センサ-計測データ160の、共通のデータ構造またはテーブルに基づくことができる。
ブロック410では、処理ロジックは、ブロック404で生成されたデータ入力、および/またはブロック408で生成されたマッピングデータを、データセットTに追加する。
ブロック412では、処理ロジックは、データセットTが、機械学習モデル190の訓練、検証、および/または試験のうちの少なくとも1つに対して十分かどうかに基づいて、分岐する。十分であれば、実行はブロック414に進み、十分でない場合、実行はブロック404に戻って続く。いくつかの実施形態では、データセットTの十分さは、単純にデータセットにおける入力/出力マッピングの数に基づいて判断されてもよく、一方でいくつかの他の実装形態では、データセットTの十分さは、入力/出力マッピングの数に加え、またはその代わりに、1つまたは複数の他の基準(例えば、データ例、精度の多様さの尺度など)に基づいて判断されてもよい。
ブロック414では、処理ロジックは、データセットTを(例えば、サーバマシン180に)提供して、機械学習モデル190を訓練、検証、および/または試験する。いくつかの実施形態では、データセットTは、訓練セットであり、訓練を実施するためにサーバマシン180の訓練エンジン182に提供される。いくつかの実施形態では、データセットTは、検証セットであり、検証を実施するためにサーバマシン180の検証エンジン184に提供される。いくつかの実施形態では、データセットTは、試験セットであり、試験を実施するためにサーバマシン180の試験エンジン186に提供される。ニューラルネットワークの場合、例えば、所与の入力/出力マッピングの入力値(例えば、データ入力301に関する数値)は、ニューラルネットワークへの入力であり、入力/出力マッピングの出力値(例えば、ターゲット出力303に関する数値)は、ニューラルネットワークの出力ノードに記憶される。次いで、ニューラルネットワーク中の結合重みは、学習アルゴリズム(例えば、後方伝播など)に従って調節され、その手順はデータセットTにおける他の入力/出力マッピングに対して繰り返される。ブロック414の後、機械学習モデル(例えば、機械学習モデル190)は、サーバマシン180の訓練エンジン182を使用して訓練される、サーバマシン180の検証エンジン184を使用して検証される、またはサーバマシン180の試験エンジン186を使用して試験される、のうちの少なくとも1つであることができる。訓練された機械学習モデルは、基板処理装置134のパーツに関連付けられる訂正動作を実行するための予測データ164を生成するために、(予測サーバ112の)予測構成要素114によって実施することができる。
図4Bを参照すると、方法400Bは、基板処理装置のパーツに関連付けられる訂正動作を実行するための機械学習モデルを訓練することに関する。
ブロック420では、処理ロジックは、基板処理装置のパーツに関連付けられる集約されたパーツ-センサ-計測データを識別する。集約されたパーツ-センサ-計測データは、パーツのパーツデータ、基板を作製するパーツを含む基板処理装置によって実施される基板処理動作のセンサデータ、および基板の計測データから生成することができる。集約されたパーツ-センサ-計測データのセットは、製造されたパーツおよび作製された基板に対応する履歴データであってもよい。
いくつかの実施形態では、ブロック422では、処理ロジックは、集約されたパーツ-センサ-計測データに対応する性能データを識別する。いくつかの実施形態では、性能データは、集約されたパーツ-センサ-計測データに関連付けられる基板の測定値(例えば、寸法、画像など)がしきい測定値を満たすかどうか(例えば、それらが良か不良か)を示す。
ブロック424では、処理ロジックは、集約されたパーツ-センサ-計測データを含むデータ入力(および、例えば性能データを含むターゲット出力)を使用して機械学習モデルを訓練して、基板処理装置のパーツに関連付けられる訂正動作を実行させる出力を生成するように構成された訓練された機械学習モデルを生成する。
いくつかの実施形態では、機械学習モデルは、(例えば、ターゲット出力無しに)データ入力に基づいて訓練され、(例えば、データをクラスタリングするために)教師無しの訓練された機械学習モデルを生成する。いくつかの実施形態では、機械学習モデルは、データ入力とターゲット出力に基づいて訓練され、教師ありの訓練された機械学習モデルを生成する。
図4Cを参照すると、方法400Cは、基板処理装置のパーツに関連付けられる訂正動作を実行するための機械学習モデルを使用することに関する。
ブロック440では、処理ロジックは、現行データを受信する。いくつかの実施形態では、現行データは、現在のパーツおよび/または現在の基板についての集約されたパーツ-センサ-計測データである(例えば、それに対する性能データは存在しない)。いくつかの実施形態では、現行データは、パーツデータ、センサデータ、および/または計測データを含む。
ブロック442では、処理ロジックは、現行データ(例えば、集約されたパーツ-センサ-計測データ)を訓練された機械学習モデルに提供する。訓練された機械学習モデルは、方法400Bによって訓練することができる。
ブロック444では、処理ロジックは、訓練された機械学習モデルから、予測データを示す1つまたは複数の出力を取得する。いくつかの実施形態では、予測データは、予測的な性能データである(例えば、基板が良か不良か、パーツが良か不良か)(例えば、教師あり機械学習モデルから得られる)。いくつかの実施形態では、予測データは、履歴データと現行データとの間の類似性のインジケーションである(例えば、履歴データと現行データが同一クラスタの一部である、現行データが履歴データのいずれともクラスタリングされない)(例えば、教師無し機械学習モデルから得られる)。
ブロック446では、処理ロジックは、予測データに基づいて、基板処理装置のパーツに関連付けられる訂正動作を実行させる。いくつかの実施形態では、訂正動作は、パーツ製造(例えば、設計、寸法、特徴レイアウト、製造工程)または基板製作(例えば、基板処理動作、基板処理装置のハードウェア、基板処理動作の製造パラメータなど)を調節することを含む。
図5は、いくつかの実施形態による、コンピュータシステム500を図示するブロック図である。いくつかの実施形態では、コンピュータシステム500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、またはインターネットなどの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することができる。コンピュータシステム500は、クライアント-サーバ環境内でサーバもしくはクライアントコンピュータの能力範囲内で動作すること、またはピアツーピアもしくは分散ネットワーク環境内でピアコンピュータとして動作することができる。コンピュータシステム500は、PC、タブレットPC、携帯情報端末(PDA)、携帯電話、ウェブ家電、サーバ、ネットワークルータ、スイッチもしくはブリッジ、またはそのデバイスによって採られるべきアクションを指定する(シーケンシャルまたはそれ以外の)命令のセットを実行することができるあらゆるデバイスによって実現することができる。さらには、「コンピュータ」という用語には、本明細書において説明される方法の1つまたは複数を実行するために、個別にまたは併せて命令のセット(または複数のセット)を実行する、コンピュータのあらゆる集合が含まれるものとする。
さらなる態様において、コンピュータシステム500は、処理デバイス502、揮発性メモリ504(例えば、ランダムアクセスメモリ(RAM))、非揮発性メモリ506(例えば、読み取り専用メモリ(ROM)、または電気的消去可能プログラマブルROM(EEPROM))、およびデータストレージデバイス516を含むことができ、これらはバス508を介して互いに通信することができる。
処理デバイス502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、超長命令語(VLIW)マイクロプロセッサ、他のタイプの命令セットを実装するマイクロプロセッサ、または命令セットのいくつかのタイプの組合せを実装するマイクロプロセッサなど)または特殊化されたプロセッサ(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)、またはネットワークプロセッサなど)など、1つまたは複数のプロセッサによって実現することができる。
コンピュータシステム500は、ネットワークインターフェースデバイス522をさらに含むことができる。コンピュータシステム500はまた、映像ディスプレイユニット510(例えば、液晶ディスプレイ(LCD))、英数字入力デバイス512(例えば、キーボード)、カーソル制御デバイス514(例えば、マウス)、信号生成デバイス520を含んでもよい。
いくつかの実装形態では、データストレージデバイス516は、非一時的なコンピュータ可読記憶媒体524を含み、図1の構成要素(例えば、データ統合構成要素104、訂正動作構成要素108、予測構成要素114など)をエンコードする命令、および本明細書において説明される方法を実施するための命令を含め、本明細書において説明される方法または機能のうちの1つまたは複数をエンコードする命令526を、非一時的なコンピュータ可読記憶媒体524に記憶することができる。
命令526はまた、コンピュータシステム500によるその実行中、完全にまたは部分的に、揮発性メモリ504内および/または処理デバイス502に存在することができるため、揮発性メモリ504および処理デバイス502はまた、機械可読記憶媒体を構成することができる。
コンピュータ可読記憶媒体524は、図の例では単一の媒体として示されているが、「コンピュータ可読記憶媒体」という用語には、実行可能命令の1つまたは複数のセットを記憶した、単一または複数の媒体(例えば、集中化もしくは分散させたデータベース、および/または関連付けされたキャッシュとサーバ)が含まれるものとする。「コンピュータ可読記憶媒体」という用語はまた、コンピュータによる実行用の命令のセットを記憶またはエンコードすることができる、あらゆる有形な媒体を含み、このような命令のセットは、コンピュータに本明細書において説明される方法のうちの1つまたは複数を実行させるものとする。「コンピュータ可読記憶媒体」という用語は、限定はしないが、ソリッドステートメモリ、光学媒体、および磁気媒体を含むものとする。
本明細書において説明される方法、構成要素、および特徴は、個別のハードウェア構成要素によって実装されてもよいし、ASIC、FPGA、DSPまたは類似のデバイスなど他のハードウェア構成要素の機能性に統合されてもよい。加えて、方法、構成要素、および特徴は、ファームウェアモジュールまたはハードウェアデバイス内の機能的な回路によって実装されてもよい。さらには、方法、構成要素、および特徴は、ハードウェアデバイスおよびコンピュータプログラム構成要素のあらゆる組合せとして、またはコンピュータプログラムとして実装されてもよい。
具体的にそうではないと述べられない限り、「受信する(receiving)」、「生成する(generating)」、「行なわせる(causing)」、「判断する、決定する(determining)」、「更新する(updating)」、「実施する、実行する(performing)」、「記憶する(storing)」、「訓練する(training)」、「中断する(interrupting)」、「選択する(selecting)」、「提供する、実現する(providing)」、「表示する(displaying)」などの用語は、コンピュータシステムレジスタおよびメモリ内の物理的(電子的)な量として表現されるデータを操作し、コンピュータシステムメモリまたはレジスタまたは他のそのような情報ストレージ、送信または表示デバイス内の物理量として同様に表現される他のデータに変形する、コンピュータシステムによって実施または実装されるアクションおよびプロセスを称する。また、「第1の(first)」、「第2の(second)」、「第3の(third)」、「第4の(fourth)」などの用語は、本明細書で使用される場合、異なる要素同士を区別するためのラベルであることを意図されており、その数値指定に応じた順序的な意味は有していなくてもよい。
本明細書において説明される例はまた、本明細書において説明される方法を実施するための装置にも関する。この装置は、本明細書において説明される方法を実施するために特別に構築することができるか、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ムされた汎用コンピュータシステムを含んでもよい。このようなコンピュータプログラムは、コンピュータ可読の有形な記憶媒体に記憶することができる。
本明細書において説明される方法および図の例は、本質的にいかなる特定のコンピュータまたは他の装置にも関連するものではない。様々な汎用システムが、本明細書において説明される教示に従って使用されてもよいし、本明細書において説明される方法および/またはそれらの個々の機能、ルーチン、サブルーチン、もしくは動作のそれぞれを実施するためにより特殊化された装置を構築するために便利であることを明らかにすることができる。これらの多様なシステムの構造の例は、上記で説明した。
上記の説明は、限定的ではなく例示的であることが意図されている。本開示は、特定の図の例および実装形態を参照して説明されたが、本開示は説明された例および実装形態に限定されないことが理解されよう。本開示の範囲は、請求項が権利を有する等価物のすべての範囲と併せて、以下の請求項を参照して決定されるべきである。
Claims (20)
- パーツデータの複数のセットを受信することであって、前記パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することと、
センサデータの複数のセットを受信することであって、前記センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために前記基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することと、
計測データの複数のセットを受信することであって、前記計測データの複数のセットのそれぞれが、前記対応するパーツを含む前記基板処理装置によって実施される前記1つまたは複数の対応する基板処理動作によって作製される前記1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することと、
集約されたパーツ-センサ-計測データの複数のセットを生成することであって、前記集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することと、
前記集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、前記基板処理装置の前記対応するパーツに関連付けられる訂正動作を実行することと
を含む、方法。 - 前記パーツデータの複数のセットが、パーツ製造データ、パーツ測定データ、またはパーツ材料特性データのうちの1つまたは複数を含む、請求項1に記載の方法。
- 前記パーツデータの複数のセットの少なくとも一部が、自動光学検査(AOI)機器、原子間力顕微鏡(AFM)、または三次元測定機器(CMM)のうちの1つまたは複数を通じて測定される、請求項1に記載の方法。
- 前記センサデータの複数のセットが、圧力データ、温度データ、時間データ、またはガス流データのうちの1つまたは複数を含む、請求項1に記載の方法。
- 前記計測データの複数のセットが、オンウエハ計測データ、イメージングデータ、または厚さデータのうちの1つまたは複数を含む、請求項1に記載の方法。
- 前記パーツデータの複数のセットのそれぞれが、前記対応するパーツの作製に関する対応するパーツ値、および対応するパーツ識別子を含み、
前記センサデータの複数のセットのそれぞれが、前記基板処理装置による前記1つまたは複数の対応する基板の作製に関する対応するセンサ値、および対応するセンサデータ識別子を含み、
前記計測データの複数のセットのそれぞれが、前記基板処理装置によって作製された前記1つまたは複数の対応する基板に関する対応する計測値、および対応する計測データ識別子を含む、
請求項1に記載の方法。 - 前記集約されたパーツ-センサ-計測データの複数のセットを前記生成することが、
パーツ-センサ計測の一致を識別するために、各対応するパーツ識別子、各対応するセンサデータ識別子、および各対応する計測データ識別子との間で共通部分を決定することと、
前記パーツ-センサ計測の一致ごとに、前記対応するパーツ識別子に対応するパーツデータの個々のセット、前記対応するセンサデータ識別子に対応するセンサデータの個々のセット、および前記対応する計測データ識別子に対応する計測データの個々のセットを含む集約されたパーツ-センサ-計測データの対応するセットを生成して、前記集約されたパーツ-センサ-計測データの複数のセットを生成することと
を含む、請求項6に記載の方法。 - 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうことが、機械学習モデルを訓練するために前記集約されたパーツ-センサ-計測データの複数のセットを提供することを含む、請求項1に記載の方法。
- 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうことが、前記集約されたパーツ-センサ-計測データの複数のセットを訓練された機械学習モデルに提供することと、前記訓練された機械学習モデルから、前記1つまたは複数の出力を受信することとを含む、請求項1に記載の方法。
- 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうことが、機械学習モデルを訓練して、訓練された機械学習モデルを提供するために、前記集約されたパーツ-センサ-計測データの複数のセットを記憶することを含み、前記訓練された機械学習モデルが、前記訂正動作を実行するための前記1つまたは複数の出力を生成することができる、請求項1に記載の方法。
- 前記訂正動作を実行することが、
前記対応するパーツの設計を更新すること、
前記対応するパーツの品質を更新すること、
前記対応するパーツの寸法を更新すること、
前記対応するパーツの特徴レイアウトを更新すること、
前記対応するパーツを作製するパーツ製造工程を更新すること、または
根本原因解析を実施して、前記対応するパーツに対する、または前記1つもしくは複数の対応する基板処理動作に対する更新を決定すること
のうちの1つまたは複数を含む、請求項1に記載の方法。 - メモリと、
前記メモリに結合された処理デバイスであって、前記処理デバイスが
パーツデータの複数のセットを受信することであって、前記パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することと、
センサデータの複数のセットを受信することであって、前記センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために前記基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することと、
計測データの複数のセットを受信することであって、前記計測データの複数のセットのそれぞれが、前記対応するパーツを含む前記基板処理装置によって実施される前記1つまたは複数の対応する基板処理動作によって作製される前記1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することと、
集約されたパーツ-センサ-計測データの複数のセットを生成することであって、前記集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することと、
前記集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、前記基板処理装置の前記対応するパーツに関連付けられる訂正動作を実行することと
を行なう、メモリに結合された処理デバイスと
を備える、システム。 - 前記パーツデータの複数のセットのそれぞれが、パーツ製造データ、パーツ測定データ、またはパーツ材料特性データのうちの1つまたは複数を含み、
前記パーツデータの複数のセットの少なくとも一部が、自動光学検査(AOI)機器、原子間力顕微鏡(AFM)、または三次元測定機器(CMM)のうちの1つまたは複数を通じて測定される、請求項12に記載のシステム。 - 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうために、前記処理デバイスが、機械学習モデルを訓練するために前記集約されたパーツ-センサ-計測データの複数のセットを提供する、請求項12に記載のシステム。
- 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうために、前記処理デバイスが、前記集約されたパーツ-センサ-計測データの複数のセットを訓練された機械学習モデルに提供して、前記訓練された機械学習モデルから、前記1つまたは複数の出力を受信する、請求項12に記載のシステム。
- 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうために、前記処理デバイスが、機械学習モデルを訓練して、訓練された機械学習モデルを提供するために、前記集約されたパーツ-センサ-計測データの複数のセットを記憶し、前記訓練された機械学習モデルが、前記訂正動作を実行するための前記1つまたは複数の出力を生成することができる、請求項12に記載のシステム。
- 命令が記憶された非一時的なコンピュータ可読媒体であって、前記命令が処理デバイスによって実行されると、前記処理デバイスに
パーツデータの複数のセットを受信することであって、前記パーツデータの複数のセットのそれぞれが、基板処理装置の対応するパーツに関連付けられる、パーツデータの複数のセットを受信することと、
センサデータの複数のセットを受信することであって、前記センサデータの複数のセットのそれぞれが、1つまたは複数の対応する基板を作製するために前記基板処理装置によって実施される1つまたは複数の対応する基板処理動作に関連付けられる、センサデータの複数のセットを受信することと、
計測データの複数のセットを受信することであって、前記計測データの複数のセットのそれぞれが、前記対応するパーツを含む前記基板処理装置によって実施される前記1つまたは複数の対応する基板処理動作によって作製される前記1つまたは複数の対応する基板に関連付けられる、計測データの複数のセットを受信することと、
集約されたパーツ-センサ-計測データの複数のセットを生成することであって、前記集約されたパーツ-センサ-計測データの複数のセットのそれぞれが、パーツデータの対応するセット、センサデータの対応するセット、および計測データの対応するセットを含む、集約されたパーツ-センサ-計測データの複数のセットを生成することと、
前記集約されたパーツ-センサ-計測データの複数のセットの解析を行なって1つまたは複数の出力を生成し、前記基板処理装置の前記対応するパーツに関連付けられる訂正動作を実行することと
を行なわせる、非一時的なコンピュータ可読媒体。 - 前記パーツデータの複数のセットが、パーツ製造データ、パーツ測定データ、またはパーツ材料特性データのうちの1つまたは複数を含み、
前記パーツデータの複数のセットの少なくとも一部が、自動光学検査(AOI)機器、原子間力顕微鏡(AFM)、または三次元測定機器(CMM)のうちの1つまたは複数を通じて測定される、請求項17に記載の非一時的なコンピュータ可読媒体。 - 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうために、前記処理デバイスが、機械学習モデルを訓練するために前記集約されたパーツ-センサ-計測データの複数のセットを提供する、請求項17に記載の非一時的なコンピュータ可読媒体。
- 前記集約されたパーツ-センサ-計測データの複数のセットの前記解析を行なうために、前記処理デバイスが、前記集約されたパーツ-センサ-計測データの複数のセットを訓練された機械学習モデルに提供して、前記訓練された機械学習モデルから、前記1つまたは複数の出力を受信する、請求項17に記載の非一時的なコンピュータ可読媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/177,978 | 2021-02-17 | ||
US17/177,978 US11853042B2 (en) | 2021-02-17 | 2021-02-17 | Part, sensor, and metrology data integration |
PCT/US2022/016003 WO2022177805A1 (en) | 2021-02-17 | 2022-02-10 | Part, sensor, and metrology data integration |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024509741A true JP2024509741A (ja) | 2024-03-05 |
Family
ID=82801169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023548968A Pending JP2024509741A (ja) | 2021-02-17 | 2022-02-10 | パーツ、センサ、および計測データ統合 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11853042B2 (ja) |
JP (1) | JP2024509741A (ja) |
KR (1) | KR20230146069A (ja) |
CN (1) | CN116830254A (ja) |
TW (1) | TW202236119A (ja) |
WO (1) | WO2022177805A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
US20220066410A1 (en) * | 2020-08-28 | 2022-03-03 | Pdf Solutions, Inc. | Sequenced Approach For Determining Wafer Path Quality |
US11989495B2 (en) * | 2020-12-31 | 2024-05-21 | Applied Materials, Inc. | Systems and methods for predicting film thickness using virtual metrology |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
Family Cites Families (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7337019B2 (en) * | 2001-07-16 | 2008-02-26 | Applied Materials, Inc. | Integration of fault detection with run-to-run control |
US7401066B2 (en) | 2002-03-21 | 2008-07-15 | Applied Materials, Inc. | Correlation of end-of-line data mining with process tool data mining |
US6751518B1 (en) | 2002-04-29 | 2004-06-15 | Advanced Micro Devices, Inc. | Dynamic process state adjustment of a processing tool to reduce non-uniformity |
US7363099B2 (en) * | 2002-06-07 | 2008-04-22 | Cadence Design Systems, Inc. | Integrated circuit metrology |
US20040167655A1 (en) * | 2003-02-22 | 2004-08-26 | Scott Middlebrooks | Optimal model predictive control of overlay implemented in a ASIC fab |
US7321993B1 (en) * | 2004-07-01 | 2008-01-22 | Advanced Micro Devices, Inc. | Method and apparatus for fault detection classification of multiple tools based upon external data |
US7212878B2 (en) * | 2004-08-27 | 2007-05-01 | Tokyo Electron Limited | Wafer-to-wafer control using virtual modules |
US7359759B2 (en) | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
US20080262769A1 (en) * | 2007-04-23 | 2008-10-23 | Daniel Kadosh | Using multivariate health metrics to determine market segment and testing requirements |
US7765020B2 (en) | 2007-05-04 | 2010-07-27 | Applied Materials, Inc. | Graphical user interface for presenting multivariate fault contributions |
US7873585B2 (en) * | 2007-08-31 | 2011-01-18 | Kla-Tencor Technologies Corporation | Apparatus and methods for predicting a semiconductor parameter across an area of a wafer |
CN101621016B (zh) | 2008-07-02 | 2011-10-05 | 中芯国际集成电路制造(上海)有限公司 | 在制造集成电路中用于缺陷检测的方法和系统 |
US8239056B2 (en) * | 2009-11-11 | 2012-08-07 | Taiwan Semiconductor Manufacturing Company, Ltd. | Advanced process control for new tapeout product |
US10295993B2 (en) * | 2011-09-01 | 2019-05-21 | Kla-Tencor Corporation | Method and system for detecting and correcting problematic advanced process control parameters |
US9915940B2 (en) | 2011-10-31 | 2018-03-13 | Applied Materials, Llc | Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data |
US9031684B2 (en) * | 2011-11-01 | 2015-05-12 | Taiwan Semiconductor Manufacturing Company, Ltd. | Multi-factor advanced process control method and system for integrated circuit fabrication |
US9588441B2 (en) * | 2012-05-18 | 2017-03-07 | Kla-Tencor Corporation | Method and device for using substrate geometry to determine optimum substrate analysis sampling |
US20140149296A1 (en) | 2012-11-29 | 2014-05-29 | Applied Materials, Inc. | Enhanced preventative maintenance utilizing direct part marking |
US9470743B2 (en) * | 2014-03-04 | 2016-10-18 | Nvidia Corporation | Dynamic yield prediction |
WO2016086138A1 (en) * | 2014-11-25 | 2016-06-02 | Stream Mosaic, Inc. | Improved process control techniques for semiconductor manufacturing processes |
US20160342147A1 (en) | 2015-05-19 | 2016-11-24 | Applied Materials, Inc. | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time |
NL2017123A (en) | 2015-07-24 | 2017-01-24 | Asml Netherlands Bv | Inspection apparatus, inspection method, lithographic apparatus and manufacturing method |
SG11201509818UA (en) | 2015-07-24 | 2017-03-30 | Certis Cisco Security Pte Ltd | System and method for high speed threat intelligence management using unsupervised machine learning and prioritization algorithms |
JP6382911B2 (ja) | 2016-11-01 | 2018-08-29 | ファナック株式会社 | ワイヤ放電加工機 |
EP3352013A1 (en) * | 2017-01-23 | 2018-07-25 | ASML Netherlands B.V. | Generating predicted data for control or monitoring of a production process |
TWI644190B (zh) | 2017-06-29 | 2018-12-11 | 台灣積體電路製造股份有限公司 | 製程系統與製程方法 |
TWI647564B (zh) | 2017-11-07 | 2019-01-11 | 先智雲端數據股份有限公司 | 用於診斷資料中心儲存設備之剩餘壽命的方法與系統 |
WO2019177905A1 (en) * | 2018-03-13 | 2019-09-19 | Applied Materials, Inc. | Machine learning systems for monitoring of semiconductor processing |
WO2020114692A1 (en) * | 2018-12-07 | 2020-06-11 | Asml Netherlands B.V. | Method for determining root cause affecting yield in a semiconductor manufacturing process |
US11263737B2 (en) | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
US20220171373A1 (en) | 2019-03-29 | 2022-06-02 | Lam Research Corporation | Model-based scheduling for substrate processing systems |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
-
2021
- 2021-02-17 US US17/177,978 patent/US11853042B2/en active Active
-
2022
- 2022-02-10 JP JP2023548968A patent/JP2024509741A/ja active Pending
- 2022-02-10 WO PCT/US2022/016003 patent/WO2022177805A1/en active Application Filing
- 2022-02-10 CN CN202280014485.2A patent/CN116830254A/zh active Pending
- 2022-02-10 KR KR1020237031428A patent/KR20230146069A/ko unknown
- 2022-02-14 TW TW111105218A patent/TW202236119A/zh unknown
-
2023
- 2023-10-26 US US18/495,724 patent/US20240061409A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230146069A (ko) | 2023-10-18 |
WO2022177805A1 (en) | 2022-08-25 |
US11853042B2 (en) | 2023-12-26 |
TW202236119A (zh) | 2022-09-16 |
US20220260978A1 (en) | 2022-08-18 |
US20240061409A1 (en) | 2024-02-22 |
CN116830254A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7471312B2 (ja) | センサ計測データ統合 | |
JP2024509741A (ja) | パーツ、センサ、および計測データ統合 | |
JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
KR20200096895A (ko) | 탐색 장치 및 탐색 방법 | |
US20130173332A1 (en) | Architecture for root cause analysis, prediction, and modeling and methods therefor | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
US20130080372A1 (en) | Architecture and methods for tool health prediction | |
US20220198333A1 (en) | Recipe optimization through machine learning | |
US11698628B2 (en) | System, method, and computer program product for optimizing a manufacturing process | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
CN113127342A (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
Caricato et al. | Prognostic techniques for aeroengine health assessment and Remaining Useful Life estimation | |
Cherukuri et al. | Control Spare Parts Inventory Obsolescence by Predictive Modelling | |
Taetragool et al. | Method for failure pattern analysis in disk drive manufacturing | |
Adesiyan | Performance prediction of production lines using machine learning algorithm | |
US20240087135A1 (en) | Clog detection via image analytics | |
US20240062097A1 (en) | Equipment parameter management at a manufacturing system using machine learning | |
US20240144464A1 (en) | Classification of defect patterns of substrates | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 | |
CN118131709A (zh) | 传感器计量数据整合 | |
Saraswatula | Modelling and analysis of energy footprint at industry level | |
TW202307599A (zh) | 半導體製造的生態效率(可持續性)儀表板 | |
CN116663711A (zh) | 一种建筑能耗数据的预测处理方法及应用 | |
CN115481575A (zh) | 一种基于数据驱动的失效模式及影响分析方法 | |
KR20230158428A (ko) | 기판 처리 장비를 위한 다차원 센서 데이터의 전체적 분석 |