JP2024509741A - パーツ、センサ、および計測データ統合 - Google Patents

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。

いくつかの実施形態による、例示のシステムアーキテクチャのブロック図である。 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のフロー図である。 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である。 いくつかの実施形態による、機械学習モデル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である。 いくつかの実施形態による、予測データの決定を図示するブロック図である。 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のフロー図である。 いくつかの実施形態による、コンピュータシステムを図示するブロック図である。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。
17. 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。
18. 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。
19. 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。
20. 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。

Images