JP2024514147A - 半導体製造のための環境効率(持続可能性)ダッシュボード - Google Patents
半導体製造のための環境効率(持続可能性)ダッシュボード Download PDFInfo
- Publication number
- JP2024514147A JP2024514147A JP2023562702A JP2023562702A JP2024514147A JP 2024514147 A JP2024514147 A JP 2024514147A JP 2023562702 A JP2023562702 A JP 2023562702A JP 2023562702 A JP2023562702 A JP 2023562702A JP 2024514147 A JP2024514147 A JP 2024514147A
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- manufacturing process
- selection
- efficiency
- data
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 373
- 239000004065 semiconductor Substances 0.000 title description 13
- 238000000034 method Methods 0.000 claims abstract description 226
- 230000007613 environmental effect Effects 0.000 claims abstract description 129
- 238000012986 modification Methods 0.000 claims abstract description 100
- 230000004048 modification Effects 0.000 claims abstract description 100
- 238000012545 processing Methods 0.000 claims abstract description 78
- 230000008569 process Effects 0.000 claims description 105
- 238000010801 machine learning Methods 0.000 claims description 104
- 238000005457 optimization Methods 0.000 claims description 57
- 238000012549 training Methods 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 19
- 238000005265 energy consumption Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 9
- 238000013386 optimize process Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 description 52
- 239000007789 gas Substances 0.000 description 33
- 235000012431 wafers Nutrition 0.000 description 23
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000010354 integration Effects 0.000 description 22
- 238000013461 design Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000010200 validation analysis Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 12
- 238000003860 storage Methods 0.000 description 12
- 238000013179 statistical model Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000003070 Statistical process control Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 238000000151 deposition Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000004134 energy conservation Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012384 transportation and delivery Methods 0.000 description 4
- 230000003466 anti-cipated effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000000869 ion-assisted deposition Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 229910021642 ultra pure water Inorganic materials 0.000 description 2
- 239000012498 ultrapure water Substances 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010011906 Death Diseases 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- -1 energy Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000012804 iterative process 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
- 230000007246 mechanism Effects 0.000 description 1
- 239000010814 metallic waste Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- 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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05B2219/32335—Use of ann, neural network
-
- 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
- G05B2219/32359—Modeling, simulating assembly operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
処理デバイスによって、第1の製造プロセス、または第1の製造プロセスの製造動作を実行するための第1の製造設備のうちの少なくとも一方の第1の選択を受信することを含む方法。本方法は、第1の製造設備のデジタルレプリカに第1の選択を入力することをさらに含み得、デジタルレプリカは、第1の製造プロセスの物理条件を出力する。本方法は、第1の製造プロセスの物理条件に基づいて第1の製造設備上で実行される第1の製造プロセスの第1の環境資源消費を示す環境資源使用量データを決定することをさらに含み得る。処理デバイスは、第1の製造設備上で実行される第1の製造プロセスの環境資源消費を低減する第1の製造プロセスに対する修正をさらに決定し得る。本方法は、第1の製造に修正を適用することのうちの少なくとも1つを実行することをさらに含み得る。【選択図】図2
Description
本明細書は、概して、半導体製造設備の環境影響に関する。より詳細には、本明細書は、半導体製造プロセスおよびこの製造プロセスと関連付けられた機能を実施する半導体製造設備の環境効率(ecological efficiency/eco-efficiency)を監視すること、その修正を突き止めること、およびその最適化を実施することに関する。
電子デバイスに対する継続した需要は、半導体ウエハに対するますますより大きな需要を求める。これらのウエハを生産するための製造の増加は、資源利用および環境破壊廃棄物の作成の形態で環境にかなりの負担をかける。故に、ウエハ製造および製造一般のより環境に優しくかつ環境的に責任を持てる方法の需要が増加している。ウエハ処理がエネルギー集約型であることを前提として、半導体産業の成長をその環境影響から切り離すことに価値がある。
以下は、本開示のいくつかの態様の基本理解を提供するための本開示の簡略化した概要である。この概要は、本開示の広範な概観ではない。本開示の特定の実施形態の任意の範囲または特許請求の範囲の任意の範囲を記述することは意図されない。その唯一の目的は、本開示のいくつかの概念を、後で提示されるより詳細な説明に対する前置きとして、簡略化した形態で提示することである。
半導体製造設備によって実施される半導体製造プロセスのエコ特徴を変更(例えば、改善)すること(例えば、単位当たりの環境資源消費を低減すること)と関連付けられた、製造プロセスに対する修正を突き止めるための方法およびシステム、及び同方法、システムの関連動作が説明される。いくつかの実施形態において、本方法は、処理デバイスによって、第1の製造プロセス、または第1の製造プロセスの製造動作を実施するための第1の製造設備のうちの少なくとも一方の第1の選択を受信することを含み得る。本方法は、第1の製造設備のデジタルレプリカに第1の選択を入力することをさらに含み得、デジタルレプリカは、第1の製造プロセスの物理条件を出力する。本方法は、第1の製造プロセスの物理条件に基づいて第1の製造設備上で実行される第1の製造プロセスの第1の環境資源消費(例えば、単位当たりの環境資源消費)および/または環境影響(例えば、雰囲気に入るガスまたは微粒子種)を示す環境資源使用量データを決定することをさらに含み得る。本方法は、第1の製造設備上で実行される第1の製造プロセスの単位当たりの環境資源費を低減する、第1の製造プロセスに対する修正を決定することをさらに含み得る。本方法は、第1の製造プロセスに修正を適用すること、またはグラフィカルユーザインターフェース(GUI)による表示のために修正を提供することのうちの少なくとも一方を実施することをさらに含み得る。
いくつかの実施形態において、製造プロセスまたは製造プロセスの製造動作を実施するための製造設備の選択に対する修正を突き止めるように機械学習モデルを訓練するための方法が実施される。本方法は、機械学習モデルのための訓練データを生成することを含む。訓練データを生成することは、第1の製造プロセスの第1の選択を有する第1の訓練入力を突き止めること、および第1の訓練入力のための第1の標的出力を突き止めることを含み得る。第1の標的出力は、適用されると第1の製造プロセスの第1の単位当たりの環境資源消費および/または環境影響を低減する、第1の製造プロセスに対する第1の修正を含む。本方法は、コンピューティングデバイスによって、第1の訓練入力を含む訓練入力のセットおよび第1の標的出力を含む標的出力のセットについて機械学習モデルを訓練するために、訓練データを提供することをさらに含む。訓練された機械学習モデルは後に、新規製造プロセスの新規選択を入力として受信し、新規入力に基づいて新規出力を産生し得、新規出力は、適用されると新規製造プロセスの新規環境資源消費および/または環境影響を低減する、新規製造プロセスに対する新規修正を示す。
本開示の展望および実施形態は、以下に提供される詳細な説明および添付の図面からより完全に理解されるものであり、それらは限定ではなく例として展望および実施形態を例証することが意図される。
環境効率(ecological efficiency/eco-efficiency)特性評価は、製造ツールのツール影響環境効率の使用中の特定の製造ツールと関連付けられた入力(例えば、資源、利用など)のレベルがどれくらい異なるかを決定するために使用される複雑な技術である。環境効率特性評価は、単位当たり(または時間当たり)の環境効率を最大限にし、かつ有害な環境影響を最小限にする製造ツールを開発するのを助けるために、製造ツールの開発中に有益であり得る。環境効率特性評価は、ツール開発後にも有益であり得るが、ツールは、どのツールが動作しているかに従って特定のパラメータを考慮してツールの単位当たりの環境効率特徴を微調整するように動作可能である。
本明細書に説明される実施形態は、製造ツールの環境効率特性評価を、そのツールの設計、開発、および製造プロセス全体にわたって系統的に実施するためのシステムを提供する。実施形態は、複数のプロセス(例えば、半導体デバイス(例えば、メモリ、ロジック、集積回路(IC)当たりの累積消費)の環境効率特性評価および最適化の統合をさらに提供する。実施形態は、環境資源消費および/または環境影響(例えば、デバイス、ダイ、ウエハ単位当たりなど)を低減するために修正および/または最適化をさらに決定するために、製造プロセスおよび/または製造設備と関連付けられたデジタルレプリカを用いた環境効率特性評価を使用することをさらに提供する。
いくつかの実施形態において、環境効率は、単位当たりで計算される。典型的には、単位当たりの環境効率は、製造ツール開発プロセスにおいては考慮されない。追加的に、ツールが使用中である間(例えば、ツールがウエハ生産のために使用される間)、製造ツールに対する設定を調節するために単位当たりの環境効率を特徴付けることは面倒で複雑なプロセスであり得る。さらには、以前の解決策は、環境効率特性評価分析のために、人間の特別な環境効率訓練や、専門的な技術者および解析者を使用していた。本開示の実施形態は、単位当たりでの環境効率特性評価のための改善された方法、システム、およびソフトウェアを提供する。これらの方法、システム、およびソフトウェアは、特別な環境効率訓練を受けていない個人によって使用され得る。
1つの実施形態において、環境効率特性評価は、ウエハ製造設備の設計ステージおよび動作ステージの間を含め、製造設備ライフサイクルのすべてのステージにおいてソフトウェアツールによって実施され得る。環境効率は、設備生産の単位当たり(例えば、ウエハ当たり、または製造されるデバイス当たり)に消費される環境資源(例えば、電気エネルギー、水、ガスなど)の量を含み得る。環境効率はまた、設備生産の単位当たりに生成される環境影響(例えば、CO2排出、重金属廃棄物など)の量として特徴付けられ得る。
単位が製造ツールによって動作される任意の測定可能な量(例えば、基板(ウエハ)、ダイ、面積(cm2)、時間期間、デバイスなど)である単位当たり分析は、環境効率のより精密な特性評価を可能にする。「単位当たり」での環境効率は、生産される単位当たりの資源使用量および環境影響の正確な決定を可能にし、値の尺度として容易に操作され得る。例えば、特定の製造ツールは、ウエハ通過当たり1.0~2.0kWhの電気エネルギーのウエハ通過当たりの環境効率評価を有する(他の実施形態において、環境効率評価は、ウエハ通過当たり0.5kWh未満、最大で20kWh、または20kWhよりもさらに大きい場合がある)ことが決定され得、製造ツールによって操作される各ウエハが、例えば、ウエハ通過当たり1.0~2.0kWhの電気エネルギーを使用し得ることを示す。他の実施形態において、様々な他の量の電気エネルギーが使用され得る。ウエハ通過当たりで環境効率を決定することは、年間ウエハスループットにおけるばらつきに起因して異なる年間電気エネルギー消費値を有する他の製造ツールとの容易な比較を可能にする。1つの実施形態において、環境効率はまた、ウエハ当たりの環境効率特性評価をウエハ当たりのデバイスの数で割ることによって、デバイス当たりで決定され得る。
設備製造の初期設計ステージの間に環境効率特性評価を実施することは、設計者が最小限のコストでより良好かつより環境効率の高い設計選択をすることを可能にする。環境効率は、製造設備の設計ステージにおいて早期に操作および改善され得る。設計プロセスにおける早期の環境効率特性評価は、より良好でより環境に優しい構成要素選択、サブシステム設計、システム統合、プロセス設計、プロセス材料選択、およびシステム構成を可能にし得る。
1つの実施形態において、複数の設計者が、特定の設備または副構成要素のための既に計算された環境効率モデルのデータベースへの並列アクセスを有し得る。設計者らは、各々がそれぞれ独自の環境効率モデルを有し得る1つまたは複数の副構成要素を選択して、それらをまとめて追加することによって、予想される設計をもたらし得る。副構成要素のすべての組み合わされた環境効率モデルは、次いで、予想される設計のための全体的な環境効率モデルをもたらすために組み合わされ得る。予想される設計およびその環境効率モデル、ならびにその副構成要素の環境効率モデルは、データベースに格納され得る。
ツールの開発プロセスにおけるいかなる時にも、技術者は、そのツールの構成を変更することができ、これにより、そのツールのための環境効率モデルに変化を引き起こし得る。構成に対する変化および結果として生じる環境効率モデルに対する変化は、データベースに格納され得る。このやり方では、環境効率特性評価(例えば、単位当たりの環境効率)は、協調的であり得、設備設計者らが互いの仕事から恩恵を受けることを可能にする。1つの実施形態において、設計者らは、環境効率と関連付けられた変化がなされると、製造設備設計に対する更新をリアルタイムで目にし得る。設計者らは、所望の用途のために所望の環境効率を有する設備または副構成要素を選択し得る。さらには、環境効率(例えば、単位当たりの環境効率)は、副構成要素のための既知の環境効率特性評価(例えば、単位当たりの環境効率特性評価)に基づいて製造設備について計算され得る。副構成要素についてのそのような既知の環境効率特性評価は、データベースに格納され得る。別の実施形態において、環境効率は、製造設備の副構成要素の各々についての製造設備ベースの組み合わされたユーティリティおよび利用データについて計算され得る。
構成要素および副構成要素は、比較および対比され得る。環境効率モデルが特定の設備または副構成要素のためにまだ存在していない場合、設計者は、その設備について環境効率分析を実施し、結果として生じる環境効率モデルをデータベースに格納し得る。設計者らは、開発中の設備の様々なバージョンを保存するための選択肢を有し得、各バージョンが関連した環境効率モデルを有する。このやり方では、バージョニングは追跡可能であり、環境効率は、所望の環境効率を有する設備設計バージョンを決定することにより最適化され得る。いくつかの実施形態において、構成要素および副構成要素間の比較は、複数のチャンバ整合を有する複数のデバイス間のチャンバ同士の整合について、パターン、問題、および/または見解を決定するために使用され得る。構成要素および副構成要素またはバージョン間のそのような比較および対比の結果として、全体的な環境効率性能、カーボンフットプリントなどの消費節約がレポートされ得る。
製造設備およびサブシステムは、時として、様々な用途で使用され、各用途が独自の環境効率を有する。そのような状況において、同じ設備または副構成要素が異なる条件下で使用されるための複数の環境効率特性評価がデータベースに格納され得る。設計者がデータベースから適切な設備を選択すると、各々が独自の環境効率特性評価を有する設備についての様々な用途が提示され得る。さらには、設計者は、データベース内にまだ存在していない新規用途のための開始点として使用するためにデータベースから設備を選択することができる。設計者は、適切な用途に適合するように設備のパラメータを修正し、環境効率特性評価を実施し、結果をデータベースに戻して格納し得る。
別の実施形態において、環境効率特性評価は、動作中、製造設備自体に対して実施され得る。製造設備は、設備の利用およびユーティリティ使用データなどのリアルタイム変数にアクセスし、そのリアルタイム変数を環境効率モデルにおいて使用し得る。この実施形態において、製造設備は、製造設備の現在の動作条件を考慮して環境効率を最大限にするために設備に対する設定を微調整し得る。設備に対する環境効率特性評価は、理論上の、平均の、または予期される変数条件を使用して設計された製造設備の環境効率を微調整するのに有益であり得る。
いくつかの実施形態において、環境効率特性評価は、デジタルレプリカを使用して決定され得る。製造プロセス、または製造プロセスの第1の製造プロセスの製造動作を実施するための製造設備のうちの一方を含む選択が、デジタルレプリカに入力され得る。デジタルレプリカは、製造プロセスおよび/または製造設備の物理学ベースのモデルを含み得る。物理学ベースのモデルは、モジュール/サブシステム消費が、完全に物理学ベースのモデルまたは低減次数モデル(例えば、赤外ベースのランプ加熱サブシステムなどのサブシステムが開発される前に概念化されたランプ加熱変動)を使用して推定される仮定のシナリオを可能にし得る。いくつかの実施形態において、デジタルレプリカは、製造プロセスまたは製造設備の物理条件(例えば、排気孔および/またはフォアラインから出るガスによって実行される加熱損失、エネルギー消費など)を決定するために、統計モデルなどの他のモデルを含み得る。
いくつかの実施形態において、環境効率特性評価は、複数の製造プロセスへと統合され得る。例えば、デバイスまたはプロセス構成要素当たりの累積消費が、累積環境効率をまとめるために様々なデバイスおよびプロセスにわたって計算され得る。追加的または代替的に、複数の製造設備にわたって共有される設備などの補助または支援設備(例えば、副製造設備)設備が特徴付けられ得る。例えば、ポンプ、除害装置、加熱器ジャケット、ろ過システムなどのデバイスおよび/もしくは設備、または基板を直接的に処理するために使用されない他のデバイスも同様に環境効率のために監視され、特徴付けられ得る。
いくつかの実施形態において、製造プロセス(例えば、プロセスのサブセットまたは複数のプロセス)に対する修正は、環境資源使用量データまたは環境効率特性評価に基づいて決定され得る。例えば、環境資源使用量データは、機械学習モデルへの入力として使用され得る。機械学習モデルからの1つまたは複数の出力が獲得され得、これらは、製造プロセスに対する修正、およびいくつかの実施形態においては、修正がしきい値条件を満たすという信頼度を示すものである。製造プロセスに対する修正は、選択した製造プロセスの環境効率を改善すること(例えば、環境資源消費および/または環境影響を低減すること)と関連付けられ得る。
いくつかの実施形態において、製造プロセスに対する1つまたは複数の修正を決定することは、製造プロセスのための最適化手順と関連付けられ得る。本システムおよび/または方法論は、既定の環境最適化要件を満たすように、製造プロセスに適用するための複数の修正を決定し得る。例えば、地方条例は、特定の資源(例えば、電力、水など)の使用のレベルに対して制限を課すか、または異なる報酬メカニズムによってより低い消費実践への動機づけを行い得る。本明細書に説明される環境効率システムおよび方法論(例えば、監視特徴としてのリアルタイムダッシュボード)は、準拠性の証拠として必要なレポートを準備するために容易に使用され得、環境効率最適化特徴は、製造システムのための節約を実現するために使用され得る。
いくつかの実施形態において、準拠性レポートは、半導体製造設備のためのエネルギー、電気、および生産保全のための半導体施設システムガイドライン(SEMI S23-0813)において公表される半導体製造装置材料協会(SEMI)などの一般に認められているコードおよび/または規格に基づいたレポートを含み得る。例えば、SEMI S23-0813は、重要なユーティリティのエネルギー変換因子(ECF)(例えば、流量単位当たりのエネルギー消費)を提供する。ECFは、ユーティリティのエネルギー消費を推定し得、半導体製造施設におけるエネルギー節約を推定するために使用される。
いくつかの実施形態において、環境効率は、例えば、エネルギー消費、ガス消費(水素、窒素、薄膜のエッチングまたは堆積のために使用される化学物質、CDA(クリーンドライエア)など)、および/または水消費(プロセス冷却水(PCW)、脱イオン水(DIW)、および超純水(UPW)など)などの資源消費に基づく。しかしながら、いくつかの実施形態において、環境効率は、製造設備と関連付けられた構成要素のライフサイクルデータに基づく。例えば、環境効率特性評価と関連付けられた環境資源消費および/または環境影響は、製造設備の消耗部品の交換手順または維持手順と関連付けられ得る。修正は、製造設備の消耗部品の維持手順と関連付けられ得る。
いくつかの実施形態において、製造プロセスの特性評価および最適化は、レシピビルダ方法論を含み得る。レシピビルダ方法論は、個々の製造ステップの資源消費および/または環境影響を、レシピ生成および/または修正プロセスの一部として動的に計算することを含み得る。ユーザは、処理ステップを実施するためにプロセスステップおよび/または製造設備の様々な組み合わせ、部分的組み合わせ、および/または順序を追加、削除、および/または修正することができる場合がある。修正されたレシピは、修正されたレシピの環境効率を決定するために分析され得る。プロセスを実施することは、例えば、ウエハを処理すること、ウエハを輸送すること、プロセスステップを可能にする補助/支援設備、および/または製造プロセスと関連付けられた他の機能を含み得る。
図1は、本開示の実施形態が動作し得る例示的なシステムアーキテクチャ100を例証するブロック図である。図1に示されるように、システムアーキテクチャ100は、製造システム102、データストア112、サーバ120、クライアントデバイス150、および/または機械学習システム170を含む。機械学習システム170は、サーバ120の一部であってもよい。いくつかの実施形態において、機械学習システム170の1つまたは複数の構成要素は、完全にまたは部分的にクライアントデバイス150へと統合され得る。製造システム102、データストア112、サーバ120、クライアントデバイス150、および機械学習システム170は各々、サーバコンピュータ、デスクトップコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、ノートブックコンピュータ、パーソナルデジタルアシスタント(PDA)、モバイル通信デバイス、携帯電話、ハンドヘルドコンピュータ、または同様のコンピューティングデバイスを含む、1つまたは複数のコンピューティングデバイスによってホストされ得る。
製造システム102、データストア112、サーバ120、クライアントデバイス150、および機械学習システム170は、ネットワークを介して互いに結合され得る(例えば、本明細書に説明される方法論を実施するため)。いくつかの実施形態において、ネットワーク160は、互いへのアクセスおよび他のプライベートで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システムアーキテクチャ100の各要素に提供するプライベートネットワークである。ネットワーク160は、1つまたは複数の広域ネットワーク(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、Ethernet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)、クラウドネットワーク、クラウドサービス、ルータ、ハブ、スイッチ、サーバコンピュータ、および/またはそれらの任意の組み合わせを含み得る。代替的または追加的に、システムアーキテクチャ100の要素のいずれかは、一緒に統合され得るか、またはネットワーク160の使用なしに別途結合され得る。
クライアントデバイス150は、任意のパーソナルコンピュータ(PC)、ラップトップ、携帯電話、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続テレビ(「スマートTV」)、ネットワーク接続メディアプレイヤ(例えば、ブルーレイプレイヤ)、セットトップボックス、オーバーザトップ(OOT)ストリーミングデバイス、オペレータボックスなどであり得るか、またはこれを含み得る。クライアントデバイス150は、ブラウザ152、アプリケーション154、ならびに/または、説明されるような、およびシステムアーキテクチャ100の他のシステムによって実施されるような他のツールを含み得る。いくつかの実施形態において、クライアントデバイス150は、製造システム102、データストア112、サーバ120、および/または機械学習システム170にアクセスすることと、1つもしくは複数の環境資源消費(例えば、環境資源消費)および/もしくは環境影響を含む環境効率を示すもの、ならびに/または本明細書に説明されるような、システムアーキテクチャ100の処理の様々なステージにおける様々なプロセスツール(例えば、構成要素統合ツール122、デジタルレプリカツール124、最適化ツール126、レシピビルダツール128、資源消費ツール130など)の入力および出力を通信すること(例えば、送信および/または受信すること)と、ができる場合がある。
図1に示されるように、製造システム102は、機械設備104、設備制御器106、プロセスレシピ108、およびセンサ110を含む。機械設備104は、イオン注入装置、エッチング反応器(例えば、処理チャンバ)、フォトリソグラフィデバイス、堆積デバイス(例えば、化学蒸着(CVD)、物理蒸着(PVD)、イオン支援蒸着(IAD)などを実施するため)の任意の組み合わせ、または製造デバイスの任意の他の組み合わせであり得る。
製造レシピまたは製造プロセス命令とも称されるプロセスレシピ108は、指定の順序で適用されると製造サンプル(例えば、既定の性質を有する、または既定の仕様を満たす基板またはウエハ)を作成するプロセス実施形態を伴う機械動作の順序を含む。いくつかの実施形態において、プロセスレシピは、データストアに格納されるか、または、代替的もしくは追加的に、製造プロセスのステップもしくは動作を示すデータの表を生成するような様式で格納される。各ステップは、所与のプロセスステップの既知の環境効率を格納し得る。代替的または追加的に、各プロセスステップは、プロセスステップによって必要とされる物理条件(例えば、標的圧力、温度、排出ガス、エネルギースループット、および同様のもの)を示すパラメータを格納し得る。
設備制御器106は、プロセスレシピ108のステップを実行することができるソフトウェアおよび/またはハードウェア構成要素を含み得る。設備制御器106は、センサ110を通じて製造プロセスを監視し得る。センサ110は、プロセス基準が満たされているかどうかを決定するためにプロセスパラメータを測定し得る。プロセス基準は、プロセスパラメータ値窓(例えば、図5と関連して説明されるような)と関連付けられ得る。センサ110は、消費(例えば、電力、電流など)を(明示的に、または1つの指標として)測定するために使用され得る様々なセンサを含み得る。センサ100は、物理センサ、モノのインターネット(IoT)、および/または仮想センサ(例えば、物理センサではないが、パラメータ値を推定するモデルに基づいた仮想測定値に基づくセンサ)を含み得る。
追加的または代替的に、設備制御器106は、様々なプロセスステップの資源消費(例えば、排出ガス、エネルギー消費、プロセス原料消費など)を測定することによって、環境効率を監視し得る。いくつかの実施形態において、設備制御器106は、関連機械設備104の環境効率を決定する。設備制御器106はまた、現在の製造条件を踏まえて設備104の環境効率を最適化するように、決定した環境効率モデル(例えば、プロセスレシピ108に対する決定した修正を含む)に基づいて製造設備104と関連付けられた設定を調節し得る。
1つの実施形態において、設備制御器106は、メインメモリ(例えば、リードオンリメモリ(ROM)、フラッシュメモリ、ダイナミックランダムアクセスメモリ(DRAM)、スタティックランダムアクセスメモリ(SRAM)など)、および/または二次メモリ(例えば、ディスクドライブなどのデータストアデバイス(例えば、データストア112またはクラウドデータ)を含み得る。メインメモリおよび/または二次メモリは、様々なタイプの製造プロセス(例えば、プロセスレシピ108)を実施するための命令を格納し得る。
1つの実施形態において、設備制御器106は、製造設備104と関連付けられた第1のユーティリティ使用データおよび製造設備104と関連付けられた第1の利用データに基づいて、製造設備104と関連付けられた実際の環境効率特性評価を決定し得る。第1のユーティリティ使用データおよび第1の利用データは、例えば、設備制御器106によって決定され得る。別の実施形態において、第1のユーティリティ使用データおよび第1の利用データは、外部ソース(例えば、サーバ120、クラウドサービス、および/またはクラウドデータストア)から受信される。設備制御器106は、実際の環境効率特性評価を、製造設備104と関連付けられた第1の環境効率特性評価(例えば、第1の推定環境効率特性評価)と比較し得る。環境効率特性評価は、動作している製造設備104と関連付けられた実際の値とは異なる使用および利用データ値が第1の環境効率特性評価を計算するために使用されたときには、異なり得る。
1つの実施形態において、設備制御器106は、第1の環境効率特性評価が、実際の環境効率特性評価よりも環境効率が高いことを決定し得、これは、環境効率のために製造設備104をより良好に最適化するために製造設備104に対する設定を調節することが可能であり得ることを示す。いくつかの実施形態において、製造設備104は、環境効率をより良好に最適化するために副構成要素設定を制御および調節し得る。
設備制御器106はまた、実際の使用データ、実際の利用データ、および環境効率特性評価に基づいて、実際の使用データまたは実際の利用データが第1の環境効率特性評価と関連付けられた使用データおよび利用データと同じではないことを決定し得る。これは、公称または推定データ値が、第1の環境効率特性評価を決定するために使用され、また異なる実際の記録されたデータ値が、製造設備104が動作している間に使用されるときに当てはまり得る。そのようなシナリオにおいて、製造設備104と関連付けられた1つまたは複数の設定に対する調節は、製造設備の環境効率を最適化するのに有益であり得る。
データストア112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、またはクラウドサーバおよび/もしくはプロセッサによって提供されるストアなど、データを格納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り得る。データストア112は、1つまたは複数の履歴センサデータを格納し得る。データストア112は、1つまたは複数の環境効率データ114(例えば、過去および/または現在の環境効率データを含む)、センサおよびプロセスレシピデータ116(例えば、過去および/または現在のセンサおよびプロセスレシピデータ116を含む)、ならびに修正および最適化データ(例えば、過去および/または現在の修正および最適化データ118)を格納し得る。センサおよびプロセスレシピデータ116は、重複する製造設備上で複数のプロセスを実施するために、様々なプロセスステップ、プロセスパラメータ窓、代替のプロセスステップ、プロセスキューイング命令などを含み得る。センサおよびプロセスレシピデータ116は、様々なプロセスステップ、レシピなどにわたる環境効率を追跡するために、環境効率データ114とリンクされ得るか、または別途これと関連付けられ得る。修正および最適化データ118は、以前のプロセスレシピ(個々のプロセスステップ、または複数のプロセスレシピの連携)に対してなされた履歴の修正、および修正から生じる関連した環境効率変化を含み得る。
環境効率データ114は、環境効率特性評価において使用される様々な消費資源を含み得る。1つの実施形態において、環境効率データ114は、水使用量、排出量、電気エネルギー使用量、およびそれらの任意の組み合わせのうちの1つまたは複数を組み入れる。他の実施形態において、環境効率データ114は、ガス使用量、重金属使用量、および富栄養化ポテンシャルなどの他の部類に関する資源消費を含み得る。
サーバ120は、構成要素統合ツール122、デジタルレプリカツール124、最適化ツール126、レシピビルダツール128、および/または資源消費ツール130を含み得る。構成要素統合ツール122は、デバイス当たり(例えば、個々の製造設備当たり)の累積消費を決定し得る。サーバ120の様々なツールは、本明細書に説明されるように、各々の機能を実行するために互いの間でデータを通信し得る。
構成要素統合ツール122は、製造データ(例えば、レシピ、レシピの選択、製造設備、レシピ間およびレシピ内プロセスなど)を受信し、データの様々な区分にわたって環境効率分析を実施し得る。いくつかの実施形態において、構成要素統合ツール122は、個々のプロセスレシピから複数のプロセスステップにわたって環境効率特性評価を決定し得る。例えば、構成要素統合ツール122は、開始から終了までレシピのすべてのステップにわたって環境効率特性評価を決定し得る。別の例において、プロセスの選択は、製造プロセスステップのサブセットの環境効率を決定するために使用され得る。
別の実施形態において、構成要素統合ツール122は、レシピ間プロセスの環境効率特性評価を実施し得る。例えば、環境効率特性評価は、複数の異なる製造プロセス(例えば、プロセスレシピ108)からの複数の異なるプロセスステップを実施する製造デバイス(例えば、製造システム102の)と関連付けられ得る。別の例において、様々なプロセスステップ(例えば、レシピ内またはレシピ間)の順序は、全体的な環境効率に影響を及ぼし得る。構成要素統合ツール122は、製造デバイスのシステムおよび/またはプロセスのシーケンスにわたって全体的な環境効率特性評価を実施し得る。例えば、構成要素統合ツール122は、同様の機能を実施する副構成要素(例えば、複数の処理チャンバ)間で環境効率比較を実施し得る。
例証的な例において、各プロセスステップは、エピタキシャル堆積またはエッチングなど、処理チャンバによって行われ得る。これらの各々は、プロセスレシピを使用して行われる。エピタキシャル堆積などのプロセスを実施するための多くの異なるプロセスレシピが存在し得る。例えば、プロセスレシピは、1)チャンバをパージする、2)ポンピングする、3)ガスを流入する、4)チャンバを加熱する、などの複数のステップを含み得る。これらのステップは、1つまたは複数のプロセスレシピと関連付けられ得る。
別の実施形態において、構成要素統合ツール122は、補助設備の環境効率を含む環境効率特性評価を実施し得る。補助設備は、製造のために直接的には使用されないが、様々なプロセスレシピを実行することを支援する設備を含み得る。例えば、補助設備は、様々な製造デバイス間でウエハを移動させるように設計される基板輸送システムを含み得る。別の例において、補助設備は、ヒートシンク、共有の排気ポート、電力送達システムなどを含み得る。構成要素統合ツール122は、補助デバイス資源消費を考慮し得、補助デバイス資源消費と製造資源消費とを組み合わせて、プロセスレシピ(例えば、サブセットまたは全レシピ)またはレシピ(例えば、サブセットまたは全レシピ)の組み合わせについての資源消費を決定し得る。
別の実施形態において、構成要素統合ツール122は、プロセスまたはレシピのシーケンスを考慮する環境効率特性評価を実施し得る。例えば、プロセスステップA、それに続いてプロセスステップBを実施することは、第1の資源消費を結果としてもたらし得る一方、プロセスステップB、それに続いてプロセスステップAを実施することは、第1の資源消費とは異なる第2の資源消費を結果としてもたらし得る。構成要素統合ツール122は、複数の機械設備および/またはプロセスステップにわたって環境効率を統合し、プロセスレシピ(例えば、サブセットまたは全レシピ)またはレシピ(例えば、サブセットまたは全レシピ)の組み合わせのためのプロセスステップのシーケンスを考慮する。
いくつかの実施形態において、プロセスステップの各々のために異なる製造設備が存在する。例えば、ウエハ上の膜は、複数の層を有し得る。第1の機械は、第1の動作(例えば、堆積)を実施し得、第2の機械は、第2の動作(例えば、エッチング)を実施し得、第3の機械は、第3の動作(例えば、堆積)を実施し得るなどである。構成要素統合ツール122は、複数の機械にわたる複数の処理ステップを追跡してデータ保管レポートを生成するように資源消費追跡装置に命令し得る。先に述べたように、消費レポートは、開始から終了までのウエハの寿命を含め、処理レシピの選択のために描写され得る。
デジタルレプリカツール124は、製造システム102および/またはクライアントデバイス150から製造データを受信し、その製造データと関連付けられたデジタルレプリカを生成する。製造データは、機械設備104およびプロセスレシピ108へのプロセスステップの選択を含み得る。デジタルレプリカツール124は、製造システムの物理システムアーキテクチャまたは仮想入力されたシステム(例えば、クライアントデバイス150上のユーザによって生成される)のデジタルツインを生成する。
デジタルレプリカツール124によって生成されるデジタルレプリカは、物理モデル、統計モデル、および/またはハイブリッドモデルのうちの1つを含み得る。物理モデルは、入力された製造データの物理条件(例えば、排出ガス温度、電力送達要求、および/または環境資源消費と関連付けられた物理環境を示す他の条件)を推定するように設計される物理ベースの制約および制御アルゴリズムを含み得る。例えば、ユーザは、クライアントデバイス150上でプロセスレシピを作成し得る。プロセスレシピは、プロセスまたはレシピのためのパラメータおよび機械設備を特定の方法で使用するための命令を含み得る。デジタルレプリカツール124は、この製造データを用いて、システムの物理制約(例えば、動作温度、圧力、排出ガスパラメータなど)を決定し得る。例えば、物理モデルは、チャンバのハードウェア構成(例えば、タイプAの設備材料を使用するか、タイプBの設備材料を使用するか)および/またはレシピパラメータに基づいてシステムの物理条件を識別し得る。別の例において、物理条件は、水、空気、および/または暖房換気への熱損失に影響を及ぼす関連機械設備部品、ならびに空調(HVAC)設備から決定され得る。デジタルレプリカツール124は、受信した製造データの環境効率特性評価を予測するために他のツール(例えば、構成要素統合ツール122および/または資源消費ツール130と協働し得る。デジタルレプリカツール124は、製造設備104によってプロセスレシピを実施することから経験的データを受信することなく、製造プロセスおよび選択した製造設備の環境効率を予測し得るということを留意されたい。したがって、製造設備のデジタルレプリカは、実際に特定の設備設計を構築することまたは特定のプロセスレシピを実行することなく、設備設計および/またはプロセスレシピの環境効率を予測するために使用され得る。
いくつかの実施形態において、デジタルレプリカツール124によって使用される物理モデルは、流体流モデリング、ガス流および/または消費モデリング、化学ベースモデリング、熱伝達モデリング、電気エネルギー消費モデリング、プラズマモデリングなどを含み得る。
いくつかの実施形態において、デジタルレプリカツール124は、統計モデリングを用いて製造データの環境効率を予測し得る。統計モデルは、製造データを検証、予測、および/または変換するために統計動作を使用して、以前に処理した過去の環境効率データ(例えば、環境効率データ114)に基づいて製造データを処理するために使用され得る。いくつかの実施形態において、統計モデルは、データの制御限界を決定し、それらの制御限界に基づいてデータを多かれ少なかれ信頼できるものとして識別するために、統計プロセス制御(SPC)分析を使用して生成される。いくつかの実施形態において、統計モデルは、単変量および/または多変量データ解析と関連付けられる。例えば、様々なパラメータが、統計プロセス(例えば、範囲、最小、最大、四分位数、分散、標準偏差など)を通じてパターンおよび相関を決定するために統計モデルを使用して分析され得る。別の例において、複数の変数の間の関係性は、回帰分析、経路分析、因子分析、多変量統計プロセス制御(MCSPC)、および/または多変量分散分析(MANOVA)を使用して確認され得る。
最適化ツール126は、プロセスレシピ108および機械設備104の選択を受信し得、環境効率を改善する(例えば、資源消費、資源費用消費、および/または環境影響(例えば、雰囲気に入るガスまたは微粒子種)を低減する)ために選択に対する修正を識別し得る。最適化ツール126は、機械学習モデル(例えば、機械学習システム170のモデル190)の使用を組み込み得る。機械学習モデルは、プロセスレシピおよび/または機械設備の選択を入力として受信し、製造システム102によって実施されるときその選択の全体的な環境効率を改善する、選択に対する1つまたは複数の修正を決定し得る。いくつかの実施形態において、機械学習モデルは、訓練のために合成製造データを生成するためのデジタルレプリカツールを使用し得る。代替的または追加的に、機械学習モデルは、機械学習モデルを訓練するために履歴データ(例えば、環境効率データ114、センサおよびプロセスレシピデータ116、ならびに/または修正および最適化データ118)を使用し得る。
最適化ツール126によって突き止められる修正は、プロセスステップを変更すること、プロセスの順序を変えること、1つの機械設備によって実施されるパラメータを変更すること、第1のプロセスレシピと第2のプロセスレシピとの相互作用(例えば、順序、同時動作、遅延時間など)を変更することなどを含み得る。いくつかの実施形態において、最適化ツール126は、最適化を直接的に実施するために命令を製造システム102に送信し得る。しかしながら、他の実施形態において、最適化ツールは、オペレータが操作するためにグラフィカルユーザインターフェース(GUI)上に修正を表示し得る。例えば、デジタルレプリカツール124は、ブラウザ152および/またはアプリケーション154内での表示のため、1つまたは複数の修正をクライアントデバイス150に送信し得る。
いくつかの実施形態において、最適化ツール126は、デジタルレプリカツール124によって生成されるデジタルツインモデルのハイパーパラメータを調節し得る。後の実施形態において論じられるように、最適化ツール126は、シミュレートした修正をデジタルレプリカに対して実行し、デジタルレプリカから出力される環境効率結果を評価することによって、強化学習および/または深層学習を組み込み得る。
いくつかの実施形態において、最適化ツール126は、環境効率特性評価、および環境資源のうちの1つまたは複数のタイプを優先させる最適化を実施し得る。例えば、先に説明されるように、環境効率特性評価は、水使用量、ガス使用量、エネルギー使用量などの様々な資源消費に基づき得る。最適化ツール126は、第1の資源消費(例えば、水使用量)を第2の資源消費(例えば、ガス使用量)よりも優先させる最適化を実施し得る。いくつかの実施形態において、最適化ツール126は、重み付けされた優先システムを使用する最適化を実施し得る。例えば、環境効率を最適化するとき、および/または製造プロセスに対する環境効率修正を識別するとき、1つまたは複数の資源消費は、関連付けられた単位当たりの資源消費のための最適化優先を示す重みを割り当てられ得る。
レシピビルダツール128は、製造プロセスおよび/または機械設備の選択を受信し、仮想製造プロセスおよび/または設備選択に対する各追加、削除、および/または修正後に、ステップごとに動的に環境効率を決定および予測し得る。レシピビルダツール128は、製造レシピが更新されるとき決定された環境効率を動的に更新するために、他のツール(例えば、構成要素統合ツール122、デジタルレプリカツール124、最適化ツール126、および資源消費ツール130)を使用し得る。例えば、ユーザは、製造レシピを作成し得る。レシピビルダツール128は、プロセスレシピの現在の反復の現在の環境効率を出力し得る。レシピビルダツール128は、プロセスレシピを更新した現在の反復に対する修正を受信し得る。レシピビルダツール128は、更新された環境効率特性評価を出力し得る。
資源消費ツール130は、様々な資源消費を追跡し得る。例えば、先に記載されるように、環境特性評価は、エネルギー消費、ガス放出、水使用量などのより幅広い資源に基づき得る。しかしながら、資源消費ツール130は、資源消費をより具体的に追跡し得る。いくつかの実施形態において、プロセスレシピおよび/または製造設備の選択は、資源消費ツール130によって受信される。資源消費ツール130は、製造設備および/またはプロセスレシピの選択と関連付けられた構成要素のライフサイクルデータを決定し得る。例えば、製造設備は、使用によりすり減り、構成要素を交換および/または修理することなどの是正処置を必要とする。この是正処置はまた、環境消費(例えば、是正処置を実施するべき資源消費)と関連付けられる。資源消費ツール130は、構成要素寿命データを個々に追跡し、実施されることが予期される将来の是正処置に基づいて単位当たりの環境資源消費および/または環境影響を提供し得る。
いくつかの実施形態において、デジタルツインは、製造プロセスステップと関連付けられたいくつかの消耗品の寿命を推定するために使用され得る。寿命データは、寿命持続時間を推定し、予測した寿命に応答して取られるべき次の是正ステップを予測するために使用され得る。例えば、寿命データは、交換部品注文についてサプライチェーンに事前対応的に通知することによって、最適化された環境効率性能を維持するために使用され得る。
いくつかの実施形態において、サーバの他のツールによって決定される環境資源使用量データは、第1の製造設備の消耗部品の交換手順または維持手順のうちの一方と関連付けられた環境資源消費および/または環境影響を含み得る。いくつかの実施形態において、最適化ツール126は、機械設備(例えば、機械設備104)の構成要素に関連付けられた是正措置を実施することを含み得る製造プロセスに対する修正を決定し得る。
いくつかの実施形態において、機械学習システム170は、サーバマシン172、サーバマシン180、および/またはサーバマシン192をさらに含む。サーバマシン172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および標的出力のセット)を生成することができるデータセット生成器174を含む。データセット生成器174のいくつかの動作は、図7A~Cに関して以下に詳細に説明される。
サーバマシン180は、訓練エンジン182、検証エンジン184、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、および/または試験エンジン186)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、または専用マシン上で実行する命令など)、ファームウェア、マイクロコード、またはそれらの組み合わせを指し得る。訓練エンジン182は、データセット生成器174からの訓練セットと関連付けられた特徴の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てもよい。訓練エンジン182は、1つまたは複数の訓練された機械学習モデル190を生成し得、各訓練された機械学習モデル190は、訓練セットの特徴の個別セットおよび/または訓練セットのラベルの個別セットに基づいて訓練され得る。例えば、第1の訓練された機械学習モデルは、デジタルレプリカツール124によって出力される資源消費データを使用して訓練されていてもよく、第2の訓練された機械学習モデルは、過去の環境効率データ(例えば、環境効率データ114)を使用して訓練されていてもよい、などである。
検証エンジン184は、データセット生成器174からの検証セットを使用して、訓練された機械学習モデル190を検証することができてもよい。試験エンジン186は、データセット生成器174からの試験セットを使用して、訓練された機械学習モデル190を試験することができてもよい。
機械学習モデル190は、データ入力、およびいくつかの実施形態においては、対応する標的出力(例えば、それぞれの訓練入力のための正しい回答)を含む訓練セットを使用して訓練エンジン182によって作成される1つまたは複数の訓練された機械学習モデルを指し得る。データ入力をクラスタリングする、および/またはデータ入力を標的出力(正しい回答)にマッピングするデータセット内のパターンが発見され得、機械学習モデル190は、マッピングを提供される、および/またはこれらのパターンを捕捉するマッピングを学習する。機械学習モデル190は、人工ニューラルネットワーク、深層ニューラルネットワーク、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク(例えば、長短期メモリ(LSTM)ネットワーク、convLSTMネットワークなど)、および/または他のタイプのニューラルネットワークを含み得る。機械学習モデル190は、追加的または代替的に、線形回帰、ガウス回帰、ランダムフォレスト、サポートベクターマシンなどのうちの1つまたは複数を使用するものなど、他のタイプの機械学習モデルを含み得る。
修正識別構成要素194は、現在のデータを訓練された機械学習モデル190に提供し得、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獲得し得る。修正識別構成要素194は、訓練された機械学習モデル190の出力から、決定を行うことおよび/または動作を実施することができてもよい。MLモデル出力は、MLモデル出力(例えば、修正および最適化パラメータ)が、適用されると製造プロセスおよび/または製造設備の選択の全体的な環境効率を改善する修正に対応するという信頼度を示す信頼性データを含み得る。修正識別構成要素194は、いくつかの実施形態において、MLモデル出力に基づいてプロセスレシピ修正を実施し得る。修正識別構成要素194は、サーバ120の1つまたは複数のツールにMLモデル出力を提供し得る。
信頼性データは、MLモデル出力が正しい(例えば、MLモデル出力が訓練データアイテムと関連付けられた既知のラベルに対応する)という信頼度を含み得るか、またはこれを示し得る。1つの例において、信頼度は、包括的な0~1の間の実数であり、0は、MLモデル出力が正しいことに信頼性がないことを示し、1は、MLモデル出力が正しいという絶対的な信頼性を示す。既定数のインスタンス(例えば、インスタンスの割合、インスタンスの頻度、インスタンスの総数など)にわたってしきい値レベルを下回る信頼度を示す信頼性データに応答して、サーバ120は、訓練された機械学習モデル190が再訓練されるようにさせ得る。
限定ではなく例証の目的のため、本開示の態様は、プロセスレシピデータを使用し、製造プロセスおよび/または製造設備の現在の選択を訓練された機械学習モデルに入力して、MLモデル出力(特定の資源消費の標的環境効率などのプロセス修正および最適化パラメータ)を決定する機械学習モデルの訓練を説明する。他の実施形態において、発見的モデルまたはルールベースのモデルが、出力を決定するために使用される(例えば、訓練された機械学習モデルを使用せずに)。
いくつかの実施形態において、製造システム102、クライアントデバイス150、機械学習システム170、データストア112、および/またはサーバ120の機能は、より少ない数のマシンによって提供され得る。例えば、いくつかの実施形態において、サーバマシン172および180が、単一マシンへと統合され得る一方、いくつかの実施形態において、サーバマシン172、サーバマシン180、およびサーバマシン192が、単一マシンへと統合され得る。いくつかの実施形態において、サーバ120、製造システム102、およびクライアントデバイス150が、単一マシンへと統合され得る。
一般に、1つの実施形態において製造システム102、クライアントデバイス150、および/または機械学習システム170によって実施されるものとして説明される機能は、適切な場合、他の実施形態においては、サーバ120上でも実施され得る。加えて、特定の構成要素に帰属する機能性は、異なる構成要素、または、複数の構成要素が一緒に動作することによって実施され得る。例えば、いくつかの実施形態において、サーバ120は、製造データを受信し、機械学習動作を実施し得る。別の例において、クライアントデバイス150は、訓練された機械学習モデルからの出力に基づいて製造データ処理を実施し得る。
加えて、特定の構成要素の機能は、一緒に動作する異なる構成要素、または複数の構成要素によって実施され得る。サーバ120、製造システム102、または機械学習システム170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され得る。
実施形態において、「ユーザ」は、単一の個人として表され得る。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統合される一連の個々のユーザのセットは、「ユーザ」とみなされ得る。
図2は、本開示の実施形態が動作し得る環境効率持続可能性システムアーキテクチャ200を例証するブロック図である。システムアーキテクチャ200は、1つまたは複数の副構成要素204(例えば、処理チャンバ)を有する処理ツール202の選択を含む。先に説明されるように、処理ツール202は、基板を処理するために使用される様々な製造ツールを含む。線206において、センサは、製造データ(例えば、エネルギー消費センサデータ、ガスおよび水消費データなど)を測定してコモングラウンドアーキテクチャ208に伝送する。コモングラウンドアーキテクチャ208は、製造プロセスステップを実行し、プロセスパラメータ(例えば、臨界プロセスパラメータ、機械設備診断パラメータ、製造プロセスを別途示すパラメータ)を管理するように構成される1つまたは複数の制御アルゴリズムを含み得る。
コモングラウンドアーキテクチャ208は、センサデータを(例えば、有線センサ、および/またはモノのインターネット(IOT)センサなどのワイヤレスセンサから)データ管理アルゴリズム(例えば、統合アルゴリズム210)へ伝送し得る。統合アルゴリズム210は、処理ツール202から受信される製造データを解析して、環境効率特性評価を実施するためのデータの一部分を選択し得る。統合アルゴリズム210は、製造プロセスステップおよび/または製造設備の選択に対して累積環境効率特性評価を実施するためにデータを引き出す。選択されたデータは、処理ツール202の(例えば、各副構成要素204の)物理条件を決定するために物理ベースのモデル214と関連して使用され得る。データは、搭載シーケンサおよび/もしくはプランナから、またはオペレータからのスケジュール情報と組み合わされ得る(例えば、線218において)。スケジュール情報は、次のレシピ、ツールアイドル状態、保守などを示すデータを含み得る。
スケジュールデータと組み合わされた製造データの選択は、物理ベースのモデル214内へ入力される。いくつかの実施形態において、物理ベースのモデルは、機械モデルである。機械モデルは、データ結合の物理/機械表現を決定するために、製造データの個々のデータ点およびスケジュール情報の仕組み、ならびに個々のデータ点が結合される様式を調査する。いくつかの実施形態において、機械モデルは、資源消費の予測を決定するためにデータを処理することを含み得る。例えば、機械モデルは、製造データを処理して、資源消費(例えば、水、エネルギー、ガスなど)予測および/または環境影響(例えば、雰囲気に入るガスまたは微粒子種)を決定し得る。機械モデルは、過去の製造データを使用して生成され得、後に、予測を決定するために現在のデータに対して使用され得る。
いくつかの実施形態において、物理ベースのモデル214は、熱力学、流体力学、エネルギー保存、気体法則、機械システム、エネルギー保存、輸送、および送達などの様々な物理関係を組み込み得る。例えば、処理ツールは、冷却プロセスを実施するために製造設備デバイスの一部への冷却水流を含み得る。物理モデルは、生の製造データを、その環境効率について特徴付けられ得るシステムプロセスデータへ変換するためのモデルを決定するために、流体機構を熱伝達と組み合わせ得る。いくつかの実施形態において、物理モデルは、しきい値資源消費条件が満たされているかどうかを判定するために使用され得る。同じ例によると、物理モデルは、副構成要素内の流体の流量、ひいては熱伝達率を決定するために使用され得る。この熱伝達率がしきい値率を下回る場合、追加のエネルギーが、排出のために失われ得る。故に、物理モデルは、流体流量が、所望のレベルの環境効率を維持するための好ましい所望の流量レベルを下回って運転されていることを決定し得る。
いくつかの実施形態において、物理ベースのモデル214は、補助または周辺設備動作資源消費を組み込む。例えば、制御アルゴリズムを処理ツール202に(例えば、コモングラウンドアーキテクチャ208を使用して)提供するために処理デバイスに電力供給するエネルギー消費である。補助設備は、製造設備に近接して配設されなくてもよく、また単一の製造プロセスと直接的に関連付けられなくてもよいが、物理ベースのモデル214を使用した様々な製造プロセスステップ(または個々の製造プロセス)への寄与として割り当てられ得る。
いくつかの実施形態において、物理モデルの使用に加えて、またはこれと代替的に、統計モデルが、製造データに対して使用される。統計モデルは、製造データを検証、予測、および/または変換するために、統計動作に基づいてデータを処理するために使用され得る。いくつかの実施形態において、統計モデルは、データの制御限界を決定し、それらの制御限界に基づいてデータを多かれ少なかれ信頼できるものとして識別するために、統計プロセス制御(SPC)分析を使用して生成される。いくつかの実施形態において、統計モデルは、単変量および/または多変量データ解析と関連付けられる。例えば、様々なパラメータが、統計プロセス(例えば、範囲、最小、最大、四分位数、分散、標準偏差など)を通じてパターンおよび相関を決定するために統計モデルを使用して分析され得る。別の例において、複数の変数の間の関係性は、回帰分析、経路分析、因子分析、多変量統計プロセス制御(MCSPC)、および/または多変量分散分析(MANOVA)を使用して確認され得る。
いくつかの実施形態において、システムアーキテクチャ200は、適応型最適化アルゴリズム216を含む。適応型最適化アルゴリズム216は、製造プロセスおよび/または関連プロセスを実施する製造設備の選択に対する修正を決定するために、物理ベースのモデル214と協働する。いくつかの実施形態において、適合型最適化アルゴリズムは、ソフトウェアを制御するために自動最適化コマンドを出力する(例えば、線224において)。他の実施形態において、適合型最適化アルゴリズムは、性能を最適化するためにオペレータに提案を出力し得る(例えば、線220において)。いくつかの実施形態において、適合型最適化アルゴリズムは、ハードウェア構成要素に向けた自動最適化コマンドを出力する(例えば、線222において)。
いくつかの実施形態において、適合型最適化アルゴリズム216は、製造プロセスおよび/または製造設備に対する修正を決定するために機械学習モデルを使用する。機械学習モデルは、訓練された機械学習モデルであり得る(例えば、方法700A~Cを使用して訓練および実行される)。さらなる実施形態において論じられるように、機械学習モデルは、入力として受信される製造プロセスおよび/または設備に対する修正を突き止めるために物理ベースのモデルと一緒に動作し得る。
システムアーキテクチャ200は、統合ダッシュボードGUI212を含み得る。統合ダッシュボードGUIは、関連性のある製造データ(例えば、センサデータ、機械設備診断、機械設備状態、製造プロセス状態など)を表示するように設計され得る。いくつかの実施形態において、統合ダッシュボードGUIは、ユーザからの入力を受信するための方法を含む。例えば、ユーザは、レシピを生成するために製造データを(例えば、レシピビルダツール128を使用して)入力し得る。この追加の製造データは、物理ベースのモデルおよび適合型最適化アルゴリズム216のうちの1つまたは複数への入力として使用され得る。
図3は、製造プロセスを監視、持続、および/または最適化するための例示的な方法論300のフロー図を描写する。例示的な方法論は、2つの部分:第一に、機械学習モデルを訓練すること324、および第二に、製造プロセスを実装すること324に分けられ得る。例示的な方法論300は、1つの実施形態において、機械学習モデル302、ツールソフトウェア306、ツールハードウェア308、および物理モデル312を含む。
いくつかの実施形態において、機械学習モデルは、製造プロセスおよび/または製造設備の選択を受信すること、ならびに環境効率を改善する(例えば、資源消費を低減する)ために製造プロセスおよび/または製造設備に対する1つまたは複数の修正を出力することである。いくつかの実施形態において、物理モデル312は、シミュレートされた訓練/検証データ320を(例えば、方法700Aを使用して)生成するために使用される。受信したシミュレートされた訓練/検証データ320に応答して、機械学習モデル302は、物理モデル312に返されて検証され得るシミュレートされた修正318を生成する。機械学習モデル302は、様々なシミュレートされたおよび/または実際の訓練/検証データ320に対して訓練される。一旦訓練されると、機械学習モデル302は、システムによって実施されるべき経験的な製造システムおよび/またはプロセスレシピの選択を受信し得る。機械学習モデル302は、ツールソフトウェア306を実装する設備制御器(例えば、設備制御器106)に製造プロセス命令および/または修正304を出力する。これらの修正は、環境効率を改善し得る。ツールソフトウェア306は、製造プロセス命令314をツールハードウェア308に提供する。ツールハードウェア308は、製造プロセスを実施する。ツールハードウェアは、ツールソフトウェア306を実装する設備制御器にセンサデータをレポートバックするセンサを含む。
いくつかの実施形態において、設備制御器は、ツールハードウェアの1つまたは複数の物理条件を、しきい値条件に違反するものとして識別する。(例えば、高温、過圧、ガス漏れ、電力不足など)。設備制御器は、(例えば、機械学習モデル302からの出力に基づいて)違反しているしきい値条件を是正するために製造プロセス命令を修正し得る。
ツールハードウェア308を含む製造システムは、経験的な訓練/検証310を物理モデル312にレポートバックする。次いで、物理モデルは、更新され得、機械学習モデルのさらなる訓練のために使用され得るシミュレートされた訓練/検証データ320を生成および更新し得る。
いくつかの実施形態において、物理モデル312は、シミュレートされた訓練/検証データを生成するが、他の実施形態において、物理学モデルは、製造プロセスに対する修正を出力する。そのような実施形態において、機械学習モデルは、製造プロセスをさらに最適化するための修正を識別するためにハイパーパラメータ(例えば、製造データパラメータ)を調整する最適化モデルとして使用され得る。例えば、製造プロセスは、物理モデル312への入力として使用され得る。機械学習モデルは、次いで、製造プロセスに対する可能な変化(すなわち、ハイパーパラメータ)を識別するために物理モデル312の出力を処理し得る。識別された変化は、物理モデルに対して実行されて、対応する更新された環境効率を決定し得る。これは、設備設計および/またはレシピ設計を微調整するために反復プロセスにおいて繰り返され得る。例において、最適化モデルは、ブロイデン・フレッチャー・ゴールドファーブ・シャンノ(BFGS)アルゴリズムのインスタンス、共役勾配(CG)アルゴリズム、ネルダー・ミードアルゴリズムのインスタンス、および/またはモデル予測制御(MPC)アルゴリズムを使用して生成および/または実装され得る。
図4は、本開示のいくつかの実施形態による例示的なデジタルレプリカ400を描写する。デジタルレプリカ400は、製造システムの選択のデジタルツインを含み得、例えば、同じチャンバ、弁、ガス供給ライン、材料、チャンバ構成要素などを含む製造システムのデジタル複製を含み得る。デジタルレプリカ400は、製造設備処理データ(例えば、センサデータ)404A-Cおよびプロセスレシピ404Dを入力として受信し、製造システムの物理条件406を出力し得る。いくつかの実施形態において、デジタルレプリカ400は、熱力学、流体力学、エネルギー保存、気体法則、機械システム、エネルギー保存、輸送、および送達などの様々な物理関係を組み込み得る物理ベースのモデルを含む。
例えば、図4に見られるように、デジタルレプリカは、第1のガス404Aの第1のガス流、第2のガス404Bの第2のガス流、および第3のガス404Cの第3のガス流、ならびに第1のプロセスレシピ404Dを入力として受信する。デジタルレプリカは、ガス流によりチャンバから出るエネルギーの量を推定するために物理ベースのモデルを使用する。例えば、このモデルは、排出ガスの温度および排出孔を通る合計エネルギー流を決定する。別の例において、同じデジタルレプリカ400が、チャンバの異なるハードウェア構成(例えば、第1の線タイプAを使用するのか、第2の線タイプBを使用するのか)などの環境効率最適化修正を出力し得る。デジタルレプリカは、水、空気、およびHVACへの熱損失に影響を及ぼすシステムの関連部分を識別し、エネルギー保全を改善するために、提案された最適化を識別し得る。
図5は、本開示のいくつかの実施形態による製造プロセスステップのための動作パラメータ制限500の例示的な説明である。様々な製造プロセスステップは、プロセスパラメータ窓510または値のセット(例えば、値の組み合わせ)を、満足されるとしきい値条件(例えば、最低品質条件)を満たす結果を得る対応するパラメータのセットに示す動作パラメータ制限500を含み得る。例えば、プロセスパラメータ窓510は、第1のパラメータ502(例えば、第1のガスの第1の流量)および第2のパラメータ504(例えば、ガスの温度)を含み得る。製造プロセスを実施し、しきい値条件(例えば、最低品質規格、統計プロセス制御(SPC)限界、仕様制限など)を満たすために、しきい値条件を満たす可能性の高い製品を結果としてもたらすパラメータ値組み合わせを識別するプロセスパラメータ値窓510が決定される。図5に示されるように、プロセスパラメータ窓510は、第1のパラメータ502に対する下限506Aおよび上限506Aならびに第2のパラメータに対する下限508Bおよび上限508Aを含む。
製造プロセスシステムによって(例えば、適合型最適化アルゴリズム216および/または物理ベースのモデル214を使用して)突き止められる最適化は、環境最適化されたプロセスパラメータ窓512の外側のプロセスパラメータ値と比較して低減された量の資源を製造動作に消費させる、プロセスパラメータ窓510内の環境最適化されたプロセスパラメータ窓512を決定することを含み得る。
図5は、2つのパラメータ502、504のみに依存した簡略化したプロセスパラメータ窓510および環境最適化されたプロセスパラメータ窓512を描写するということに留意されたい。プロセスパラメータ窓510および環境最適化されたプロセスパラメータ窓512の両方が単純な矩形を形成する。プロセスパラメータ窓は、3つ以上のパラメータを含み得、より多様なパラメータ依存を含み得る。例えば、パラメータ間の非線形の物理ベースの関係性は、非線形のプロセスパラメータ窓および環境最適化されたプロセスパラメータ窓を引き起こし得る。
図6、図7A~Cは、本開示のいくつかの実施形態による、製造プロセスの環境資源消費および/または環境影響と関連して機械学習モデルを訓練および/または使用することに関連した例となる方法600、700A~Cを例証するフロー図を描写する。説明の簡略性のため、方法600、700A~Cは、一連の行為として描写および説明される。しかしながら、本開示に従う行為は、様々な順序で、および/または同時に、また本明細書に提示および説明されない他の行為を伴って、発生し得る。さらには、例証された行為のすべてが、開示された主題に従う方法600、700A~Cを実施するために実施されるわけではない。加えて、当業者は、方法600、700A~Cが、代替的に、状態図またはイベントにより一連の相関状態として表現され得ることを理解および認識するものとする。
図6は、本開示のいくつかの実施形態による製造プロセスに対する修正を突き止めるための方法600の例示的な説明である。方法600は、ハードウェア(回路、専用ロジックなど)、ソフトウェア(汎用コンピュータシステムまたは専用マシン上で実行されるなど)、またはそれらの任意の組み合わせを含み得るロジックを処理することによって実施される。1つの実施形態において、本方法は、図1のサーバ120および訓練された機械学習モデル190を使用して実施されるが、いくつかの他の実施形態において、図6の1つまたは複数のブロックは、図には描写されない1つまたは複数の他のマシンによって実施され得る。
方法600は、第1の製造プロセス、または第1の製造プロセスの製造動作を実施するための第1の製造設備のうちの少なくとも一方の選択を受信することを含み、環境効率を改善する(資源消費および/または環境影響を低減する)ために修正および/または最適化を突き止め得る。製造プロセスは、製造システム(例えば、図1の製造システム102)と関連付けられ得る。
ブロック601において、処理ロジックは、第1の製造プロセス、または第1の製造プロセスの製造動作を実施するための第1の製造設備(例えば、図2のツール202および副構成要素204)のうちの少なくとも一方の第1の選択を受信する。
ブロック602において、処理ロジックは、第1の選択を第1の製造設備のデジタルレプリカ(例えば、図4のデジタルレプリカ400)へ入力する。いくつかの実施形態において、デジタルレプリカは、物理ベースのモデル(例えば、図2の物理ベースのモデル214)を含み得る。
ブロック603において、処理ロジックは、第1の製造プロセスの物理条件に基づいて第1の製造設備上で実行される第1の製造プロセスの第1の環境資源消費および/または環境影響を示す環境資源使用量データを決定する。いくつかの実施形態において、環境資源使用量データは、第1の製造プロセスの製造動作を実施するための第1の製造設備と関連付けられたエネルギー消費、ガス消費、または水消費のうちの少なくとも1つを含む。
いくつかの実施形態において、処理ロジックは、環境資源使用量データを機械学習モデルへの入力として使用する。処理ロジックは、機械学習モデルの1つまたは複数の出力を獲得することをさらに含み、1つまたは複数の出力が、修正を示す。いくつかの実施形態において、機械学習モデルの1つまたは複数の出力は、修正が、実施されると製造プロセスの第1の環境資源消費および/または環境影響を低減するという信頼度をさらに示し得る。処理ロジックは、修正についての信頼度がしきい値条件を満足するとさらに判断する。
いくつかの実施形態において、第1の環境資源消費および/または環境影響は、第1の製造設備の消耗部品の交換手順または維持手順のうちの一方と関連付けられた環境資源消費および/または環境影響を含む。
いくつかの実施形態において、環境資源使用量データは、製造設備と関連付けられた構成要素のライフサイクルデータを含む。修正は、構成要素と関連付けられた是正処置を実施することをさらに含み得る。
ブロック604において、処理ロジックは、第1の製造設備上で実行される第1の製造プロセスの環境資源消費および/または環境影響(例えば、単位当たりの資源消費)を低減する第1の製造プロセスに対する修正を決定する。いくつかの実施形態において、修正は、製造プロセスステップおよび/または製造設備処理パラメータのうちの1つまたは複数を変更することを含む。いくつかの実施形態において、第1の製造プロセスの製造動作を実施するための第1の製造設備のエネルギー消費、ガス消費、または水消費のうちの1つまたは複数の優先最適化。
ブロック605において、処理ロジックは、任意選択的に、製造プロセスに修正を適用する。ブロック606において、処理ロジックは、任意選択的に、グラフィカルユーザインターフェース(GUI)による表示のために修正を提供する。いくつかの実施形態において、複数の修正が、グラフィカルユーザインターフェース(GUI)上での提示(例えば、システムオペレータなどのユーザへの提示)のために決定および提供される。いくつかの実施形態において、修正は、信頼度によるランク順にユーザに提示される。いくつかの実施形態において、修正は、各規範行動と関連付けられた信頼度を表す可視指標を伴ってユーザに提示される。例えば、最も高い信頼度を有する1つまたは複数の修正は、第1の色(例えば、緑または金)で描写され得、しきい値レベルに近い信頼度を有する1つまたは複数の修正は、第2の色(例えば、黄または銀)で描写され得る。いくつかの実施形態において、修正は、関連付けられた信頼度に基づいて階層またはグループ内に置かれ得る。
いくつかの実施形態において、処理ロジックは、環境資源使用量データに基づいて、第1の選択がしきい値環境効率を満足しないとさらに判定し得る。処理ロジックは、第1の選択がしきい値環境効率を満足しないと判定することに応答して第1の選択の最適化をさらに実施し得る。第1の選択の最適化を実施することは、適用されるとしきい値環境効率を満足する更新された環境効率を結果としてもたらす第1の選択に対する1つまたは複数の修正を突き止めることを含む。
いくつかの実施形態において、処理ロジックはさらに、第2の製造プロセスにおいて第2の製造動作を実施するための製造設備の第2の選択を受信することである。本処理は、製造設備の第2の選択と関連付けられた1つまたは複数のセンサから、第2の製造動作と関連付けられた第2のセンサデータを受信し得る。処理ロジックは、デジタルレプリカをさらに更新して、更新されたデジタルレプリカを生成し得、更新されたデジタルレプリカは、製造設備の第1および第2の選択と関連付けられる。処理ロジックは、デジタルレプリカから、第1の選択および第2の選択の環境資源消費および/または環境影響(例えば、単位当たりの消費および/または影響)を示す集計環境資源データを含む1つまたは複数の出力をさらに獲得し得る。
図7A~Cは、本開示のいくつかの実施形態による、製造プロセスに対する修正を突き止めることと関連付けられた方法700A~Cのフロー図である。方法700A~C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、または専用マシン上で実行される命令など)、ファームウェア、マイクロコード、またはそれらの組み合わせを含み得る処理ロジックによって実施され得る。いくつかの実施形態において、方法700Aは、部分的に、機械学習システム170(例えば、サーバマシン172、データセット生成器174など)によって実施され得る。機械学習システム170は、本開示の実施形態に従って、機械学習モデルを訓練、検証、または試験することのうちの少なくとも1つを行うために方法700Aを使用し得る。いくつかの実施形態において、方法700Aの1つまたは複数の動作は、サーバマシン172のデータセット生成器174によって実施され得る。いくつかの実施形態において、方法700B~Cは、部分的に、機械学習システム170(例えば、サーバマシン172、サーバマシン180、およびサーバマシン192など)によって実施され得る。機械学習システム170は、本開示の実施形態に従って、機械学習モデルを訓練するために方法700Bを使用し得る。機械学習システム170は、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ために方法700Cを使用し得る。いくつかの実施形態において、方法700B~Cの1つまたは複数の動作は、機械学習システム170の修正識別構成要素194によって実施され得る。図1~図6のうちの1つまたは複数に関して説明される構成要素が、図7A~Cの態様を例証するために使用され得るということに留意されたい。いくつかの実施形態において、非一時的なストレージ媒体が、処理デバイス(例えば、機械学習システム170の)によって実行されるとき処理デバイスに方法700A~Cを実施させる命令を格納する。
説明の簡略性のため、方法700A~Cは、一連の行為として描写および説明される。しかしながら、本開示に従う行為は、様々な順序で、同時に、ストア当たりの複数のインスタンスと並行して、および/または本明細書に提示および説明されない他の行為を伴って、発生し得る。さらには、例証された行為のすべてが、開示された主題に従って方法700A~Cを実施するために実施されるわけではない。加えて、当業者は、方法700A~Cが、代替的に、状態図またはイベントにより一連の相関状態として表現され得ることを理解および認識するものとする。
図7Aを参照すると、方法700Aは、製造プロセスおよび/または製造設備の選択を処理して入力に対する修正を識別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と関連付けられる。
ブロック702において、方法700Aを実装する処理ロジックは、訓練セットTを空のセットへと初期化する。
ブロック704において、処理ロジックは、製造プロセスおよび製造設備の選択を含む第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において、ブロック706において、処理ロジックは、データ入力(例えば、第1のデータ入力)のうちの1つまたは複数のための第1の標的出力を生成する。第1の標的出力は、例えば、製造プロセスおよび/または製造設備に対する修正であり得る。処理ロジックは、製造プロセスおよび/または製造設備の入力選択に基づいて標的出力を生成し得る。
ブロック708において、処理ロジックは、任意選択的に、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)、データ入力のための標的出力(例えば、標的出力は出力データを識別する)、データ入力と標的出力との関連性を指し得る。処理ロジックは、例えば、機械学習モデルの1つまたは複数の層におけるノードのための重みを更新するために勾配降下法および逆伝搬(バックプロパゲーション)を実施し得る。
ブロック710において、処理ロジックは、ブロック704において生成されるデータ入力および/またはブロック708において生成される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712において、処理ロジックは、データセットTが機械学習モデル190を訓練、検証、および/または試験することのうちの少なくとも1つのために十分であるかどうかに基づいて、分岐する。十分である場合、実行はブロック714へと進み、そうでなければ、ブロック704に戻って継続する。いくつかの実施形態において、データセットTの充足性は、単純にデータセット内の入力/出力マッピングの数に基づいて決定され得るが、いくつかの他の実施形態において、データセットTの充足性は、入力/出力マッピングの数に加えて、またはその代わりに、1つまたは複数の他の基準(例えば、データ例の多様性の尺度、正確性など)に基づいて決定され得る。
ブロック714において、処理ロジックは、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Tを(例えば、サーバマシン180に)提供する。いくつかの実施形態において、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において、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において、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、データ入力と関連付けられた数値)は、ニューラルネットワークに入力され、入力/出力マッピングの出力値(例えば、標的出力と関連付けられた数値)は、ニューラルネットワークの出力ノードに格納される。ニューラルネットワーク内の接続重みは、次いで、学習アルゴリズム(例えば、逆伝搬など)に従って調節され、この手順は、データセットT内の他の入力/出力マッピングについて繰り返される。ブロック714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か、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か、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かの少なくとも1つであり得る。訓練された機械学習モデルは、サーバ120手順(例えば、構成要素統合ツール122、デジタルレプリカツール124、最適化ツール126、レシピビルダツール128、および/または資源消費ツール130によるさらなる使用のための出力データを生成するために、修正識別構成要素194(機械学習システム170の)によって実装され得る。
図7Bを参照すると、方法700Bは、環境効率を改善する製造プロセスおよび/または製造設備に対する修正を決定するための機械学習モデルを訓練することと関連付けられる。
ブロック720において、処理ロジックは、製造プロセスまたは製造設備の選択を受信する。
いくつかの実施形態において、ブロック722において、処理ロジックは、製造プロセスに対する修正に対応するラベルを識別する。いくつかの実施形態において、ラベルは、製造設備部品および/または製造プロセスに対する修正、ならびに環境資源消費および/または環境影響における関連した低減を示す。
ブロック724において、処理ロジックは、製造プロセスデータを含むデータ入力(例えば、およびラベルを含む標的出力)を使用して機械学習モデルを訓練して、環境資源消費および/または環境影響を低減するために製造プロセスに適用され得る出力(例えば、修正)を生成するように構成される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において、機械学習モデルは、教師なし学習を使用して、訓練された機械学習モデルを生成するために(例えば、データをクラスタリングするために)、データ入力に基づいて(例えば、標的出力なしで)訓練される。いくつかの実施形態において、機械学習モデルは、教師あり学習を使用して、訓練された機械学習モデルを生成するために、データ入力および標的出力に基づいて訓練される。
図7Cを参照すると、方法700Cは、環境効率を改善する(例えば、最適化する)(例えば、環境資源消費および/または環境影響を低減する)ために、製造プロセスおよび/または製造設備に対する修正を決定するための機械学習モデルを使用することと関連付けられる。
ブロック740において、処理ロジックは、現在の製造プロセスデータを受信する。ブロック742において、処理ロジックは、現在のデータ(例えば、製造プロセスデータ)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700Bによって訓練され得る。
ブロック744において、処理ロジックは、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獲得する。いくつかの実施形態において、出力は、実施された場合、製造プロセスおよび/または製造設備の環境効率を改善する、製造プロセスおよび/または製造設備に対する修正を含む。ブロック746において、処理ロジックは、出力に基づいて、製造プロセスに対するより多くの製造プロセス修正のうちの1つの適用を引き起こす。
図8は、本開示の1つまたは複数の態様に従って動作する、例となるコンピューティングデバイスのブロック図を描写する。様々な例証的な例において、コンピューティングデバイス800の様々な構成要素は、図1に例証されるクライアントデバイス150、サーバ120、データストア112、および機械学習システム170の様々な構成要素を表し得る。
例となるコンピューティングデバイス800は、(例えば、クラウド環境、クラウド技術、および/またはエッジコンピューティングを使用して)LAN、イントラネット、エクストラネット、および/またはインターネット内の他のコンピュータデバイスに接続され得る。コンピューティングデバイス800は、クライアント・サーバネットワーク環境内のサーバの能力で動作し得る。コンピューティングデバイス800は、パーソナルコンピュータ(PC)、セットトップボックス(STB)、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取られるべき行動を指定する命令のセットを(順次または別途)実行することができる任意のデバイスであり得る。さらに、単一の例となるコンピューティングデバイスのみが例証されるが、用語「コンピュータ」はまた、本明細書に論じられる方法のうちの任意の1つまたは複数を実施するために命令のセット(または複数のセット)を個々または一緒に実行するコンピュータの任意の集合を含むとみなされるものとする。
例となるコンピューティングデバイス800は、処理デバイス802(プロセッサまたはCPUとも称される)、メインメモリ804(例えば、リードオンリメモリ(ROM)、フラッシュメモリ、シンクロナスDRAM(SDRAM)などのダイナミックランダムアクセスメモリ(DRAM)など)、スタティックメモリ806(例えば、フラッシュメモリ、スタティックランダムアクセスメモリ(SRAM)など)、および二次メモリ(例えば、データストレージデバイス818)を含み得、これらはバス830を介して互いと通信し得る。
処理デバイス802は、マイクロプロセッサ、中央処理装置、および同様のものなどの1つまたは複数の汎用処理デバイスを表す。より具体的には、処理デバイス802は、複雑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、他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであり得る。処理デバイス802はまた、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)、ネットワークプロセッサなどの1つまたは複数の特殊目的処理デバイスであり得る。本開示の1つまたは複数の態様によると、処理デバイス802は、図6~図7に例証される方法600、700A~Cを実施する命令を実行するように構成され得る。
例となるコンピューティングデバイス800は、ネットワーク820に通信可能に結合され得るネットワークインターフェースデバイス808をさらに備え得る。例となるコンピューティングデバイス800は、ビデオディスプレイ810(例えば、液晶ディスプレイ(LCD)、タッチスクリーン、またはブラウン管(CRT))、英数字入力デバイス812(例えば、キーボード)、カーソル制御デバイス814(例えば、マウス)、および音響信号生成デバイス816(例えば、スピーカ)をさらに備え得る。
データストレージデバイス818は、実行可能な命令822の1つまたは複数のセットが格納されるマシン可読ストレージ媒体(または、より詳細には、非一時的なマシン可読ストレージ媒体)828を含み得る。本開示の1つまたは複数の態様によると、実行可能な命令822は、図6~図7に例証される方法600、700A~Cを実行することと関連付けられた実行可能な命令を含み得る。
実行可能な命令822はまた、メインメモリ804内、および/または例となるコンピューティングデバイス800によるその実行中は処理デバイス802内に、完全に、または少なくとも部分的に存在し得、メインメモリ804および処理デバイス802もまた、コンピュータ可読ストレージ媒体を構成する。実行可能な命令822は、ネットワークインターフェースデバイス808を介してネットワークを通じてさらに伝送または受信され得る。
コンピュータ可読ストレージ媒体828は、図8では単一の媒体として示されるが、用語「コンピュータ可読ストレージ媒体」は、動作命令の1つまたは複数のセットを格納する単一の媒体または複数の媒体(例えば、中央集中型もしくは分散型データベース、ならびに/または関連付けられたキャッシュおよびサーバ)を含むとみなされるものとする。用語「コンピュータ可読ストレージ媒体」はまた、本明細書に説明される方法のうちの任意の1つまたは複数をマシンに実施させる、マシンによる実行のための命令のセットを格納または符号化することができる任意の媒体を含むとみなされるものとする。用語「コンピュータ可読ストレージ媒体」は、したがって、固体メモリ、ならびに光学および磁気媒体を含むが、これらに限定されないとみなされるものとする。
上の詳細な説明のいくつかの部分は、コンピュータメモリ内のデータビットに対する動作のアルゴリズムおよび象徴的表現に関して提示される。これらのアルゴリズム的な説明および表現は、データ処理技術において当業者により、他の当業者に自らの取り組みの内容を最も効果的に伝えるために使用される手段である。アルゴリズムは、ここでは、および一般的には、所望の結果を導くステップの自己矛盾のないシーケンスであることが着想される。ステップは、物理量の物理操作を必要とするものである。通常、しかしながら必須ではないが、これらの量は、格納、移送、結合、比較、および別途操作されることができる電気または磁気信号の形態を取る。主として共通使用の理由のため、これらの信号をビット、値、要素、符号、文字、項、数字、または同様のものと称することが時として簡便であることが証明されている。
しかしながら、これらおよび同様の用語のすべては、適切な物理量と関連付けられるものとし、単にこれらの量に適用される簡便なラベルにすぎないということに留意しておくべきである。別途具体的に記載のない限り、以下の議論から明白であるように、説明全体を通して、「突き止める」、「決定・判断する」、「格納する」、「調節する」、「引き起こす」、「返す」、「比較する」、「作成する」、「停止する」、「読み込む」、「コピーする」、「投げる」、「交換する」、「実行する」、または同様のものなどの用語を利用する議論は、コンピュータシステムのレジスタおよびメモリ内の物理(電子)量として表されるデータを操作して、コンピュータシステムメモリもしくはレジスタまたは他のそのような情報ストレージ、伝送、もしくはディスプレイデバイス内の物理量として同様に表される他のデータへ変換するコンピュータシステムまたは同様の電子コンピューティングデバイスの行為およびプロセスを指すことを理解されたい。
本開示の例はまた、本明細書に説明される方法を実施するための装置に関する。この装置は、必要な目的のために特別に構築され得るか、または、それは、コンピュータシステムに格納される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る汎用コンピュータシステムであり得る。そのようなコンピュータプログラムは、限定されるものではないが、光学ディスク、コンパクトディスクリードオンリメモリ(CD-ROM)、および光磁気ディスクを含む任意のタイプのディスク、リードオンリメモリ(ROM)、ランダムアクセスメモリ(RAM)、消去可能なプログラマブルリードオンリメモリ(EPROM)、電気的に消去可能なプログラマブルリードオンリメモリ(EEPROM)、磁気ディスクストレージ媒体、光学ストレージ媒体、フラッシュメモリデバイス、他のタイプのマシンアクセス可能なストレージ媒体、または電子命令を格納するのに最適な任意のタイプの媒体などのコンピュータ可読ストレージ媒体に格納され得、これらは各々、コンピュータシステムバスに結合される。
本明細書に提示される方法およびディスプレイは、本質的には任意の特定のコンピュータまたは他の装置に関連しない。様々な汎用システムが、本明細書内の教示に従うプログラムと共に使用され得るか、またはそれは、必要な方法ステップを実施するためにより専門的な装置を構築するのに簡便であることを証明し得る。様々なこれらのシステムの必要な構造は、以下の説明において明記されるように見える。加えて、本開示の範囲は、任意の特定のプログラミング言語に限定されない。様々なプログラミング言語が本開示の教示を実施するために使用され得ることを理解されたい。
上記説明は、例証的であり、制限的ではないということを理解されたい。多くの他の実施例が、上記説明を読んで理解する際に当業者には明白であるものとする。本開示は、特定の例について説明するが、本開示のシステムおよび方法は、本明細書に説明される例に限定されないが、添付の特許請求の範囲の範囲内の修正を伴って実践され得るということを認識されたい。したがって、本明細書および図面は、制限的意味というよりも例証的意味とされるものとする。したがって、本開示の範囲は、添付の特許請求の範囲を参照して、そのような特許請求の範囲に認められる等価物の全範囲と一緒に、決定されるべきである。
Claims (20)
- 処理デバイスによって、第1の製造プロセス、または前記第1の製造プロセスの製造動作を実行するための第1の製造設備のうちの少なくとも一方の第1の選択を受信することと、
前記第1の製造設備のデジタルレプリカに前記第1の選択を入力することであって、前記デジタルレプリカは、前記第1の製造プロセスの物理条件を出力する、前記第1の選択を入力することと、
前記第1の製造プロセスの前記物理条件に基づいて前記第1の製造設備上で実行される前記第1の製造プロセスの第1の環境資源消費を示す環境資源使用量データを決定することと、
前記処理デバイスによって、前記第1の製造設備上で実行される前記第1の製造プロセスの前記環境資源消費を低減する前記第1の製造プロセスに対する修正を決定することと、
a)前記第1の製造プロセスに前記修正を適用すること、またはb)グラフィカルユーザインターフェース(GUI)による表示のために前記修正を提供することのうちの少なくとも一方を実行することと
を含む、方法。 - 前記修正を決定することは、
前記環境資源使用量データを機械学習モデルへの入力として使用することと、
前記機械学習モデルの1つまたは複数の出力を獲得することと
を含み、前記1つまたは複数の出力が、前記修正を示す、請求項1に記載の方法。 - 前記1つまたは複数の出力は、前記修正が実行されると、前記製造プロセスの前記第1の環境資源消費を低減するという信頼度をさらに示し、前記方法は、
前記修正についての前記信頼度がしきい値条件を満足すると判断することをさらに含む、請求項2に記載の方法。 - 前記環境資源使用量データに基づいて、前記第1の選択がしきい値環境効率を満足しないと判断することと、
前記第1の選択が前記しきい値環境効率を満足しないと判断することに応答して、前記第1の選択の最適化を実行することと
をさらに含み、前記第1の選択の前記最適化を実行することは、適用されると前記しきい値環境効率を満足する更新された環境効率を結果としてもたらす前記第1の選択に対する1つまたは複数の修正を突き止めることを含む、請求項1に記載の方法。 - 前記製造動作のうちの第1の製造動作と関連付けられたプロセスパラメータのためのプロセスパラメータ値窓を決定することと、
前記プロセスパラメータ値窓内で、環境最適化されたプロセスパラメータ窓を決定することと
をさらに含み、前記環境最適化されたプロセスパラメータ窓内のプロセスパラメータ値は、前記第1の製造動作に、前記環境最適化されたプロセスパラメータ窓の外側のプロセスパラメータ値と比較して低減された量の資源を消費させる、請求項1に記載の方法。 - 前記環境資源使用量データは、前記第1の製造プロセスの前記製造動作を実行するための前記第1の製造設備と関連付けられたエネルギー消費、ガス消費、または水消費のうちの少なくとも1つを含む、請求項1に記載の方法。
- 前記修正は、前記第1の製造プロセスの製造動作を実行するための前記第1の製造設備の前記エネルギー消費、前記ガス消費、または前記水消費のうちの1つまたは複数の優先最適化と関連付けられる、請求項6に記載の方法。
- 前記デジタルレプリカは、前記第1の製造プロセスの前記製造動作を実行するための前記第1の製造設備の物理ベースのモデルを含む、請求項1に記載の方法。
- 第2の製造プロセスにおいて第2の製造動作を実行するための製造設備の第2の選択を受信することと、
前記製造設備の第2の選択と関連付けられた1つまたは複数のセンサから、前記第2の製造動作と関連付けられた第2のセンサデータを受信することと、
前記デジタルレプリカを更新して、更新されたデジタルレプリカを生成することであって、前記更新されたデジタルレプリカは、前記製造設備の第1および第2の選択と関連付けられる、更新されたデジタルレプリカを生成することと、
前記デジタルレプリカから、前記第1の選択および前記第2の選択の環境資源消費を示す集計環境資源データを含む1つまたは複数の出力を獲得することと
をさらに含む、請求項1に記載の方法。 - 前記第1の環境資源消費は、前記第1の製造設備の消耗部品の交換手順または維持手順のうちの一方と関連付けられた環境資源消費を含む、請求項1に記載の方法。
- 前記環境資源使用量データは、前記製造設備と関連付けられた構成要素のライフサイクルデータを含み、前記修正は、前記構成要素と関連付けられた是正処置を実行することを含む、請求項1に記載の方法。
- 製造プロセス、または前記製造プロセスの製造動作を実行するための製造設備の選択に対する修正を突き止めるように機械学習モデルを訓練するための方法であって、前記修正は、前記製造プロセスの環境資源消費を低減することと関連付けられ、前記方法は、
コンピューティングデバイスによって、前記機械学習モデルのための訓練データを生成することを含み、前記訓練データを生成することは、
第1の製造プロセスの第1の選択を有する第1の訓練入力を識別することと、
前記第1の訓練入力のための第1の標的出力を識別することであって、前記第1の標的出力は、適用されると前記第1の製造プロセスの第1の環境資源消費を低減する前記第1の製造プロセスに対する第1の修正を含む、第1の標的出力を識別することと、
前記コンピューティングデバイスによって、(i)前記第1の訓練入力を含む訓練入力のセット、および(ii)前記第1の標的出力を含む標的出力のセット、について前記機械学習モデルを訓練するために前記訓練データを提供することであって、前記訓練された機械学習モデルは、新規製造プロセスの新規選択を入力として受信することになり、また前記新規入力に基づいて新規出力を産生することになり、前記新規出力は、適用されると前記新規製造プロセスの新規環境資源消費を低減する前記新規製造プロセスに対する新規修正を示す、前記訓練データを提供することと
を含む、方法。 - 前記訓練データを生成することは、前記第1の製造プロセスと関連付けられた製造設備のデジタルレプリカに前記第1の選択を入力することをさらに含み、前記デジタルレプリカは、前記第1の製造プロセスの物理条件を出力する、請求項12に記載の方法。
- 前記新規環境資源消費は、前記新規製造プロセスの製造動作を実行する新規製造設備と関連付けられたエネルギー消費、ガス消費、または水消費のうちの1つを含む、請求項12に記載の方法。
- 前記訓練入力のセット内の各訓練入力は、前記標的出力のセット内の標的出力にマッピングされる、請求項12に記載の方法。
- メモリと、
前記メモリに結合される処理デバイスと、
を備えるシステムであって、前記処理デバイスが、
第1の製造プロセス、または前記第1の製造プロセスの製造動作を実行するための第1の製造設備のうちの少なくとも一方の第1の選択を受信することと、
前記第1の製造設備のデジタルレプリカに前記第1の選択を入力することであって、前記デジタルレプリカは、前記第1の製造プロセスの物理条件を出力する、前記第1の選択を入力することと、
前記第1の製造プロセスの前記物理条件に基づいて前記第1の製造設備上で実行される前記第1の製造プロセスの第1の環境資源消費を示す環境資源使用量データを決定することと、
前記第1の製造設備上で実行される前記第1の製造プロセスの前記環境資源消費を低減する前記第1の製造プロセスに対する修正を決定することと、
a)前記第1の製造プロセスに前記修正を適用すること、またはb)グラフィカルユーザインターフェース(GUI)による表示のために前記修正を提供することのうちの少なくとも一方を実行することと、を行う、システム。 - 前記処理デバイスはさらに、
前記環境資源使用量データを機械学習モデルへの入力として使用することと、
前記機械学習モデルの1つまたは複数の出力を獲得することと
を行うことになり、前記1つまたは複数の出力が、前記修正を示す、請求項16に記載のシステム。 - 前記処理デバイスはさらに、
前記環境資源使用量データに基づいて、前記第1の選択がしきい値環境効率を満足しないと判断することと、
前記第1の選択が前記しきい値環境効率を満足しないと判断することに応答して、前記第1の選択の最適化を実行することと
を行うことになり、前記第1の選択の前記最適化を実行するために、前記処理デバイスは、適用されると前記しきい値環境効率を満足する更新された環境効率を結果としてもたらす前記第1の選択に対する1つまたは複数の修正を突き止めることになる、請求項16に記載のシステム。 - 前記環境資源使用量データは、前記第1の製造プロセスの製造動作を実行するための前記第1の製造設備と関連付けられたエネルギー消費、ガス消費、または水消費のうちの1つを含む、請求項16に記載のシステム。
- 前記デジタルレプリカは、前記第1の製造プロセスの前記製造動作を実行するための前記第1の製造設備の物理ベースのモデルを含む、請求項16に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/230,897 | 2021-04-14 | ||
US17/230,897 US12001197B2 (en) | 2021-04-14 | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
PCT/US2022/024460 WO2022221306A1 (en) | 2021-04-14 | 2022-04-12 | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024514147A true JP2024514147A (ja) | 2024-03-28 |
Family
ID=83601346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023562702A Pending JP2024514147A (ja) | 2021-04-14 | 2022-04-12 | 半導体製造のための環境効率(持続可能性)ダッシュボード |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP2024514147A (ja) |
KR (1) | KR20230169310A (ja) |
CN (1) | CN117178350A (ja) |
TW (1) | TW202307599A (ja) |
WO (1) | WO2022221306A1 (ja) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6560506B2 (en) * | 2000-12-04 | 2003-05-06 | Advanced Micro Devices, Inc. | Method and apparatus for control for semiconductor processing for reducing effects of environmental effects |
US20100249975A1 (en) * | 2009-03-24 | 2010-09-30 | Siemens Product Lifecycle Management Software Inc. | System and method for sustainability analysis |
CN105512445B (zh) * | 2016-02-04 | 2019-01-15 | 南瑞(武汉)电力设备与工程能效测评中心 | 一种基于云技术的典型用能系统能耗仿真与节能诊断平台 |
US10185313B2 (en) * | 2016-04-20 | 2019-01-22 | Applied Materials, Inc. | Eco-efficiency characterization tool |
US20200310526A1 (en) * | 2019-03-26 | 2020-10-01 | Kyocera Document Solutions Inc. | Systems and methods for managing power consumption and device resources |
-
2022
- 2022-04-12 JP JP2023562702A patent/JP2024514147A/ja active Pending
- 2022-04-12 CN CN202280027625.XA patent/CN117178350A/zh active Pending
- 2022-04-12 KR KR1020237038908A patent/KR20230169310A/ko unknown
- 2022-04-12 WO PCT/US2022/024460 patent/WO2022221306A1/en active Application Filing
- 2022-04-14 TW TW111114167A patent/TW202307599A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2022221306A1 (en) | 2022-10-20 |
CN117178350A (zh) | 2023-12-05 |
US20220334569A1 (en) | 2022-10-20 |
KR20230169310A (ko) | 2023-12-15 |
TW202307599A (zh) | 2023-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102648517B1 (ko) | 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법 | |
US7974723B2 (en) | Yield prediction feedback for controlling an equipment engineering system | |
KR101609017B1 (ko) | 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템 | |
CN112074940A (zh) | 结合有集成半导体加工模块的自感知校正异构平台及其使用方法 | |
US8483861B2 (en) | Scheduling modeling system for adaptive, automated data collection and performance analysis of manufacturing system for optimal scheduling | |
US11022968B2 (en) | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time | |
SG182776A1 (en) | Method and system for self-learning and self-improving a semiconductor manufacturing tool | |
US11586794B2 (en) | Semiconductor processing tools with improved performance by use of hybrid learning models | |
Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
CN115803858A (zh) | 半导体制造设备的预测性维护 | |
US20220198333A1 (en) | Recipe optimization through machine learning | |
Chien et al. | Bayesian decision analysis for optimizing in-line metrology and defect inspection strategy for sustainable semiconductor manufacturing and an empirical study | |
TW202213006A (zh) | 用於多腔室半導體設備的預測晶圓排程 | |
JP2024514147A (ja) | 半導体製造のための環境効率(持続可能性)ダッシュボード | |
US12001197B2 (en) | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
Lee et al. | Improving early stage system design under the uncertainty in reliability-wise structure | |
US20230185268A1 (en) | Eco-efficiency monitoring and exploration platform for semiconductor manufacturing | |
US20240012393A1 (en) | Sustainability monitoring platform with sensor support | |
Bagchi et al. | Data analytics and stochastic modeling in a semiconductor fab | |
CN117678061A (zh) | 使用基于物理信息的压缩感知来虚拟测量邻近基板的状态 | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 | |
JP2024068660A (ja) | 製造システムのモデル化での予測リスク評価 | |
CN118020083A (zh) | 使用缺陷模型估计缺陷风险并优化处理配方 | |
TW202338537A (zh) | 用於使用物理為基模型的基板製造腔室的診斷方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231208 |