JP5544413B2 - ツール性能劣化およびミスマッチの検出のための方法およびシステム - Google Patents
ツール性能劣化およびミスマッチの検出のための方法およびシステム Download PDFInfo
- Publication number
- JP5544413B2 JP5544413B2 JP2012503438A JP2012503438A JP5544413B2 JP 5544413 B2 JP5544413 B2 JP 5544413B2 JP 2012503438 A JP2012503438 A JP 2012503438A JP 2012503438 A JP2012503438 A JP 2012503438A JP 5544413 B2 JP5544413 B2 JP 5544413B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- variables
- component
- tool
- reference variable
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 172
- 238000006731 degradation reaction Methods 0.000 title claims description 66
- 230000015556 catabolic process Effects 0.000 title claims description 65
- 238000001514 detection method Methods 0.000 title 1
- 238000004519 manufacturing process Methods 0.000 claims description 131
- 239000011159 matrix material Substances 0.000 claims description 94
- 230000008569 process Effects 0.000 claims description 87
- 230000006870 function Effects 0.000 claims description 82
- 238000012549 training Methods 0.000 claims description 54
- 238000004458 analytical method Methods 0.000 claims description 46
- 238000005259 measurement Methods 0.000 claims description 35
- 239000004065 semiconductor Substances 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 14
- 238000004140 cleaning Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000003491 array Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010206 sensitivity analysis Methods 0.000 claims description 6
- 239000010409 thin film Substances 0.000 claims description 6
- 239000004973 liquid crystal related substance Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 230000001747 exhibiting effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000010195 expression analysis Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims 1
- 230000006866 deterioration Effects 0.000 claims 1
- 230000015654 memory Effects 0.000 description 96
- 238000012545 processing Methods 0.000 description 57
- 238000004891 communication Methods 0.000 description 31
- 235000012431 wafers Nutrition 0.000 description 30
- 230000003044 adaptive effect Effects 0.000 description 28
- 239000000047 product Substances 0.000 description 28
- 230000004913 activation Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 26
- 230000003993 interaction Effects 0.000 description 24
- 238000012423 maintenance Methods 0.000 description 23
- 238000005457 optimization Methods 0.000 description 22
- 238000000151 deposition Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 18
- 230000008021 deposition Effects 0.000 description 18
- 230000006403 short-term memory Effects 0.000 description 18
- 230000006978 adaptation Effects 0.000 description 17
- 230000007787 long-term memory Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 15
- 239000003795 chemical substances by application Substances 0.000 description 13
- 238000013500 data storage Methods 0.000 description 11
- 239000007789 gas Substances 0.000 description 10
- 239000000523 sample Substances 0.000 description 10
- 239000000758 substrate Substances 0.000 description 10
- 230000036541 health Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 230000001629 suppression Effects 0.000 description 8
- 238000005530 etching Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- PTHLSIBOMNYSIS-UHFFFAOYSA-N 5-(4-aminophenyl)-8-chloro-3-methyl-1,2,4,5-tetrahydro-3-benzazepin-7-ol Chemical compound C1N(C)CCC2=CC(Cl)=C(O)C=C2C1C1=CC=C(N)C=C1 PTHLSIBOMNYSIS-UHFFFAOYSA-N 0.000 description 6
- 238000000137 annealing Methods 0.000 description 6
- 230000002547 anomalous effect Effects 0.000 description 6
- 238000001816 cooling Methods 0.000 description 6
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000001419 dependent effect Effects 0.000 description 6
- 230000036961 partial effect Effects 0.000 description 6
- 238000000206 photolithography Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 230000008439 repair process Effects 0.000 description 6
- 238000012546 transfer Methods 0.000 description 6
- 230000003936 working memory Effects 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000002438 flame photometric detection Methods 0.000 description 5
- 238000005468 ion implantation Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007620 mathematical function Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000036962 time dependent Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000013256 coordination polymer Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000006641 stabilisation Effects 0.000 description 4
- 238000011105 stabilization Methods 0.000 description 4
- 230000002123 temporal effect Effects 0.000 description 4
- 238000013400 design of experiment Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013439 planning Methods 0.000 description 3
- 238000000275 quality assurance Methods 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000009850 completed effect Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000005137 deposition process Methods 0.000 description 2
- 238000010894 electron beam technology Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000001459 lithography Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000623 plasma-assisted chemical vapour deposition Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000002994 Monte Carlo simulated annealing Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000540 analysis of variance Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000000295 emission spectrum Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 238000010884 ion-beam technique Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001451 molecular beam epitaxy Methods 0.000 description 1
- 238000005442 molecular electronic Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000002096 quantum dot Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 235000021419 vinegar Nutrition 0.000 description 1
- 239000000052 vinegar Substances 0.000 description 1
- 238000003466 welding Methods 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
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- G05B2219/33—Director till display
- G05B2219/33041—Structure optimization and learning of artificial neural network by genetic algorithm
-
- 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
- G05B2219/37—Measurements
- G05B2219/37252—Life of tool, service life, decay, wear estimation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本出願は、２００８年３月８日に出願され、係属中の米国特許出願シリアル番号１２／０４４９５８、名称「AUTONOMOUS BIOLOGICALLY BASED LEARNING TOOL」の一部継続出願である。本出願は、また、２００８年３月８日に出願され、係属中の米国特許出願シリアル番号１２／０４４９５９、名称「AUTONOMOUS ADAPTIVE SEMICONDUCTOR MANUFACTURING」に関連するものである。これらの出願の全体は、参照によってここに引用したものとする。
技術的な進歩は、ますます複雑化するプロセスドライブ型自動化装置に至っている。特定の目標（ゴール）を達成するかまたは特定の高度な技術的なプロセスを実行するツールシステムは、目標を達成するかまたは成功裏にプロセスを実行する多重の機能素子（multiple functional elements）、および、装置の操作をモニタするためにデータを収集する各種センサを共通に組み込むことができる。このような自動化装置は、大きいデータ容量を生成することができる。データは、製品に関連した実質的な情報、または、特定のタスクの部分として実行されるサービスを含むことができる。しかし、それはまた、プロセス自体の実行に関連した大きいログ情報を具備することもできる。
最新の電子的ストレージ技術が常に増加する多量のデータを保持する余裕を有する一方で、蓄積されたデータのユーティライゼーションは決して最適のままでない。収集された情報の検査およびインタープリテイションは、一般には人間の介入を必要とし、一方では多重のコアプロセッサ、大規模並列処理のプラットホームおよびプロセッサグリッドのような計算能力の進歩を必要とし、同様に、オブジェクト指向プログラミング、モジューラーコードリユース、ウェブベースのアプリケーション、および、より最近の量子コンピューティングのようなコンピューティングパラダイムの進歩を必要とし、収集されたデータの処理は、非自律（ｎｏｎ―ａｕｔｏｎｏｍｏｕｓ）の、静的プログラムのエンタープライズとされたままであり、そこにおいて、データは操作される。さらに重要なことに、非自律なデータ処理において、データは、解析プロセス自体をドライブするのに不足している。このようなデータ処理パラダイムの結果として、もし特定の解析が設計されておらず関係の特殊型式にフォーカスされていなければ、高度な技術的プロセス中に自動化装置にて生成されるデータの中で現れうる貴重な関係の多くは、気づかれない。さらに重要なことに、装置内の異種ユニットによって生成される異種データの中の重相関（multiple correlations）から生じることができ、および、複雑な自動化ツールまたはマシンの最適のパーフォーマンスを決定することができるエマージェント現象（emergent phenomena）は、気づかれないままでありうる。
加えて、マシンにて実行されるプロセスと関連しているデータおよび変数の間のさまざまな相関は、一組のツールまたはマシンの実際の操作性能（operational performance）に関連した実質的な情報を提供することができる。特定のキャリブレーション相関が一組のツールの総合的な操作（synthetic operation）の間に作成され（develop）、異種の生産の相関が生産モードでの操作の結果として、作成されることができることを理解されるべきである。相関における不一致（disparity）は、ツールの展開（evolution）または調整（例えば損耗、定められた条件外の器具の利用（utilization）のような操作の不良など）から生じうる。プロセスにおける１つ以上の器具のパーフォーマンスをモニタする従来システムおよびアプローチは、このような生産相関を取り込んで、および、利用するために不足しているデータを一般的に使用する。
以下は、本発明のいくつかの態様の基本的理解を提供するために、革新（innovation）の簡略化された概要を示す。この概要は、本発明の広範囲な概観ではない。本発明の鍵となるまたはクリティカルな要素を特定するものではなく、また、本発明の範囲を線引きするものでもないことを意図するものである。その唯一の目的は、後で示されるより詳細な説明の前置きとして、本発明のいくつかの概念を簡略化された形にて示すことである。
ツールシステムが性能劣化（performance degradation）およびミスマッチのラーニングおよび解析を使用する自律生物学的ベースのラーニングツールシステム（autonomous biologically based learning tool system）および方法は、提供される。自律生物学上ベースのラーニングツールシステムは以下（ｉ）（ii）（iii）を含む。
(i) 特定のタスク、例えば酸化物エッチングまたはイオン注入のような半導体を製造するタスクまたはプロセスを実行し、並びに、プロセスおよびツールパーフォーマンスを反映するデータを生成する個々のシステム又は階層的に配置されたグループおよび集団化された（ｃｏｎｇｌｏｍｅｒａｔｅｄ）システムのいずれかである１つ以上のツールシステム、
（ii） データを受信し、更に利用するためにデータをパッケージ化するインタラクションマネージャ、および、
(iii) 一組の意味ネットワーク（semantic networks）のコンセプトのスプレッド活性化を介して実現されるラーニング（学習）の生物学的原理に基づいた自律ラーニングシステム。
自律ラーニングシステムは、メモリプラットホーム、処理プラットホームおよび知識通信ネットワークの３つの機能的ブロックのグループから再帰的に規定されることができる機能的構造（functional structure）を備えており、知識通信ネットワークを介して情報がメモリおよび処理プラットホーム同じくツールシステムおよび外部のアクター（例えばコンピュータまたはヒューマンエージェント）の間で通信される。メモリプラットホームは、メモリの階層を含んでおり、それは、データインプレッションおよび関連づけられたラーニング指示を受信するエピソードメモリと、知識開発（knowledge development）のために使用される短期メモリ（short term memory）と、知識を保存し、意味ネットワークに知識をキャスティングする長期メモリ（long term memory）を含んでいる。処理プラットホームの機能的ユニットは、メモリプラットホームに保存される情報に操作して、ラーニングを容易にする。このようなビルディングブロックおよび関連づけられた機能は、人間の脳の生物学的構造および挙動によってインスパイアされる。
(i) 特定のタスク、例えば酸化物エッチングまたはイオン注入のような半導体を製造するタスクまたはプロセスを実行し、並びに、プロセスおよびツールパーフォーマンスを反映するデータを生成する個々のシステム又は階層的に配置されたグループおよび集団化された（ｃｏｎｇｌｏｍｅｒａｔｅｄ）システムのいずれかである１つ以上のツールシステム、
（ii） データを受信し、更に利用するためにデータをパッケージ化するインタラクションマネージャ、および、
(iii) 一組の意味ネットワーク（semantic networks）のコンセプトのスプレッド活性化を介して実現されるラーニング（学習）の生物学的原理に基づいた自律ラーニングシステム。
自律ラーニングシステムは、メモリプラットホーム、処理プラットホームおよび知識通信ネットワークの３つの機能的ブロックのグループから再帰的に規定されることができる機能的構造（functional structure）を備えており、知識通信ネットワークを介して情報がメモリおよび処理プラットホーム同じくツールシステムおよび外部のアクター（例えばコンピュータまたはヒューマンエージェント）の間で通信される。メモリプラットホームは、メモリの階層を含んでおり、それは、データインプレッションおよび関連づけられたラーニング指示を受信するエピソードメモリと、知識開発（knowledge development）のために使用される短期メモリ（short term memory）と、知識を保存し、意味ネットワークに知識をキャスティングする長期メモリ（long term memory）を含んでいる。処理プラットホームの機能的ユニットは、メモリプラットホームに保存される情報に操作して、ラーニングを容易にする。このようなビルディングブロックおよび関連づけられた機能は、人間の脳の生物学的構造および挙動によってインスパイアされる。
各々のコンセプトと関連している優先度（priorities）の組合せを介して命令される活性化閾値によって、ラーニングは、規定された意味ネットワークのコンセプト活性化を介して達成される。優先度は、操作されたコンセプトのタイプに依存する；すなわち、手続きコンセプト（procedural concept）は、活性化および抑制エネルギに基づいた優先度を有している。ラーニングは、１つ以上のアセット（assets）（例えば半導体ウェハ、リソグラフィー的にエッチングされた電子回路、光および熱管理のための先進の薄膜デバイスなど）を生成するツールプロセスと関連している生産または総合的なデータを介して進行する。生成された知識は、選択された特定の目標または参照、変数、および、選択された影響を与えている変数の組の間の数学的関係としてキャスティングされる。さまざまなアプローチは、変数およびパラメータ、選択のために使用される。選択として：（１）汎用選択（Universal selection）。実質的に、影響を与える変数として参照変数以外の全ての変数は採用される。（２）半汎用選択（Semi-universal selection）。一旦目標または参照変数が選ばれると、影響を与える変数として、実質的に何らかの度合いで目標変数に影響を及ぼしうる実質的に全ての変数は選ばれる。(３)知識ベースの選択（Knowledge based selection）。影響を与える変数として、目標変数に関する理論およびシミュレーションを介して関連した変数は選ばれる。（４）経験的選択（Empirical selection）。影響を与える変数として、相関係数または実質的に何らかの他の統計計量（metric）に対する特定の閾値を上回る変数は選ばれる。（５）アクター駆動された選択（Actor-driven selection）。
参照変数および影響を与える変数の間の数学的関係は、ツールの性能劣化、又は、参照ツールおよび配置された生産ツールの間のパーフォーマンスミスマッチの判断を容易にする。性能劣化は、解析されたツールの一組を操作または構成するアクター（例えばヒューマンオペレータまたはインテリジェントマシン）によって決定されるキーパーフォーマンスインジケータ（ＫＰＩｓ）を介して評価されることができる。性能劣化、および、その識別の評価は、また、アクターによって提供される初期の入力、例えば一組の参照ＫＰＩｓを介して自律的に実行されることができる。別の形態として、若しくは追加として、性能劣化は、一組の所定のＫＰＩｓの解析および検査を介してアクターによって決定されることができる。
前述の、および、関連した目的を達成するために、次の明細書および添付の図面は、請求される内容の所定の図示態様を詳細に説明する。しかしながら、これらの態様は、直説的なものであり、請求された内容の原則が使用されることができるさまざまな方法のほんのいくつかだけであり、請求される内容は、全てのこのような態様およびそれらの等価物を含むことが予定されるものである。図と共に考慮されるときに、請求される内容の他の利点および新規な形態は、請求される内容の次の詳細な説明から明瞭になるものである。
本発明は、ここで図を参照し記載されている。そこにおいて、参照番号は、全体を通してエレメント等を指すために使われる。以下の明細書では、説明のために、多数の具体的な詳細が本発明の完全な理解を提供するために記載される。しかしながら、本発明がこれらの具体的な詳細なしで実施されることができることは、明白である。他の例において、周知の構造およびデバイスは、本発明を記載することを容易にするために、ブロック図形式にて示される。
本明細書において用いられているように、用語「オブジェクト」、「モジュール」、「インターフェース」、「コンポーネント」、「システム」、「プラットホーム」、「エンジン」、「セレクタ」、「ユニット」、「ストア（格納）」、「ネットワーク」などがコンピュータ関連の構成要素または特定の機能を有する操作可能なマシンまたは装置に関連した構成要素を指すことを意図する。構成要素は、ハードウェア、ハードウェアおよびファームウェアの組合せ、ファームウェア、ハードウェアおよびソフトウェアの組合せ、ソフトウェア、または実行中のソフトウェアのいずれかでありうる。加えて、前述の用語を介して特定される構成要素は、、ここでは一般的に「機能素子（functional elements）」と称される。一例として、コンポーネントは、限定されるものではないが、プロセッサ上で稼働するプロセス、プロセッサ、オブジェクト、実行可能な、実行のスレッド、プログラム、および／または、コンピュータのスレッドでありうる。実例として、サーバ上で稼働するアプリケーションおよびサーバの両方は、コンポーネントでありうる。１つ以上のコンポーネントは、実行のプロセスおよび／またはスレッドの中で存在することができ、および、コンポーネントは、１つのコンピュータ上にローカライズされることができ、および／または、２台以上のコンピュータの間に分散されることができる。また、これらのコンポーネントは、そこに保存されるさまざまなデータ構造を有しているさまざまなコンピュータ読み取り可能なメディアから実行することができる。コンポーネントは、１つ以上のデータパケット（例えば、ローカルシステム内、分散システム内、および／または、信号を介して他のシステムとインターネットのようなネットワークを渡って、別のコンポーネントと相互作用している１つのコンポーネントからのデータ）を有している信号に係るような、ローカルおよび／またはリモートなプロセスを介して通信することができる。実施例として、コンポーネントは、電気又は電子的回路によって操作される機械部品によって提供される特定の機能を有する装置でありうる。そして、それは、ソフトウェアまたはプロセッサによって実行されるファームウェアアプリケーションによって操作される。そこにおいて、プロセッサは、装置の内部または外部に存在することができ、ソフトウェアまたはファームウェアアプリケーションの少なくとも一部を実行する。別の実施例として、コンポーネントは、機械部品のない電子部品を介して特定の機能を提供する装置でありうる。電子部品は、部分的に少なくとも電子部品の機能を与えるソフトウェアまたはファームウェアを実行するために内部にプロセッサを含むことができる。インターフェースは、プロセッサ、アプリケーションまたはＡＰＩ（アプリケーションプログラムインタフェース）コンポーネントを関連づけるのと同様に、入出力（Ｉ／Ｏ）コンポーネントを含むことができる。上に示される実施例がコンポーネントに向けられる一方、例証される形態または態様は、また、オブジェクト、モジュール、インターフェース、システム、プラットホーム、エンジン、セレクタ、マネージャ、ユニット、ストア（格納）、ネットワークなどに適用する。
さらに、用語「または」は、排他的な「または」よりもむしろ、包括的な「または」を意味することを意図する。すなわち、一方が指定されたか、またはコンテキストから明白でない限り、「Ｘは、ＡまたはＢを使用する」は、自然で包括的な置換のいくつかの意味を意図する。すなわち、もし、Ｘは、Ａを使用する場合；Ｘは、Ｂを使用する；または、Ｘは、ＡおよびＢの両方とも使用する、従って、「Ｘは、ＡまたはＢを使用する」は、前述の事例のいくつかを受けて満たす。加えて、記載の「ａ」、および、「an」は、この出願において使用され、添付の請求の範囲は、通常、一方が指定されたか、または単数形に指定されるコンテキストから明白でない限りは、「１つ以上の」と解釈されるべきである。
さらにまた、ここで使用される「組（セット）」の用語は、空集合を、例えば、その中にエレメントなしで設定されたものを除外する。すなわち、本開示の「組」は、１つ以上のエレメントまたは構成要素（entities）を含む。説明において、一組のコンポーネントは、１つ以上のコンポーネントを含む；一組の変数は、１つ以上の変数を含む；などである。
図を参照して、図１は、例示の自律生物学的ベースのラーニングシステム１００を示す。適応推論エンジン（adaptive inference engine）１１０は、目標コンポーネント１２０に組み合わせられる。有線又はワイヤレス通信リンク１１５は、このようなコンポーネントを組み合わせる。目標コンポーネント１２０によって、特定の目標が決められるかまたは続行される（pursued）ために、適応推論コンポーネント１１０は、目標を達成するために使用されることができる入力１３０を受信し、そして、続行するか達成された目標の態様を表すかまたは記録することができる出力１４０を伝える。加えて、適応推論エンジン１１０は、リンク１５５を介してデータ格納（data store）１５０からデータを受信することができ、そして、このようなデータ格納にデータまたは情報を格納することができ、例えば、格納された情報は、有線または無線リンク１６５を介して伝えられる一部の出力１４０でありうる。(ｉ)入力１３０、出力１４０、およびデータ格納１５０内のデータ（同じく入力、出力、およびデータ格納内のデータの履歴）は、適応推論エンジン１１０の操作のためのコンテキストを具備すること、そして（ii）リンク１１５、１５５および１６５を介してエンジン内のコンテキストのフィードバックは、コンテキストに基づいて適合を容易にすることは理解されるべきである。特に、目標コンポーネント１２０は、特定の、初期の目標を適合させ、および、それで適合する目標を決めて、続行するために、フィードバックコンテキストを利用することができる。
入力１３０は、以下を含むことができる外部データまたは情報として考えることができる。（１）音、例えば、音声指令、環境音または音声、アラーム；（２）静的または移動のアースベースのカメラまたは空中（例えば平面、衛星）カメラによって取り込まれる画像、ここでカメラは放射スペクトルの多重インターバルにおいて操作することができる；（３）バイオメトリックインジケータ（biometric indicators）；(４)トークン、例えば製造された製品のバッチ、材料のサンプル；指示、記録、測定の結果を含むことができるデータ；および、その他。出力１４０は実質的にデータ入力１３０と性質において同一でありえて、そしてそれは、内在性のデータとして考えられる。入力および出力１４０は、それぞれ、入力および出力インターフェース、例えばカメラ、入力パッド、メディアドック（例えばユニバーサルシリアルバス（ＵＳＢ）ポート、赤外線（ＩＲ）無線入力）によって、受信され、および、伝えられることできる。それは適応推論コンポーネント１１０内に存在することができる。上記のように、入力１３０、および、出力１４０は、適応推論エンジン１１０に対するコンテキストの一部でありうる。加えて、適応推論コンポーネント１１０は、目標を続行する結果として、入力１３０をリクエストすることができる。
自律生物学的ベースのシステム１００のコンポーネントは、自律システム１００を与えることができ、基本的なエレメンタリーなコンポーネントを有する有能な学習の複雑さの実質的な度合いを再帰的に規定されることができる。
各々のリンク１１５、１５５または１６５は、データまたは伝送または受信される情報の処理を容易にすることができる通信インタフェースを含むことができる；データベースをデータ記憶、および、データマイニングのために利用することができる；および、アクターから、およびアクターに情報を受信し、および伝える。リンク１１５、１５５または１６５の有線の実施形態は、ツイストペアライン、Ｔ１／Ｅ１電話線、ＡＣライン、光ファイバライン、および、対応する回路を含むことができ、一方、無線の実施形態は、ウルトラ―モバイル広帯域リンク、長期展開リンク（long-term evolution link）またはＩＥＥＥ８０２．１１リンク、および、関連づけされた電子工学を具備することができる。データ格納１５０に関して、それが単一のエレメントとして示されるが、それは分散されたデータウェアハウスでありえて、そこにおいて、データメモリのセットは、異なる物理的または論理的な位置に配置される。
実施例のシステム１００において、適応推論エンジン１１０および目標コンポーネント３２０は、分離されたコンポーネントのように示される。しかしながら、このようなコンポーネントは、もう一方の中に存在しうることを理解されるべきである。
目標コンポーネント１２０は、１つ以上の分野（例えば科学分野、商業分野、芸術的分野、文化的分野、その他）またはエンタープライズ部門（例えばマーケット部門、工業部門、リサーチ部門、エネルギ部門、公共政策部門、その他）に帰属することができる。加加えて、目標が一般的に多くの専門分野にわたることがありえて、および、複数マーケットに焦点を合わせることができる。目標コンポーネントは、１つ以上の特定の分野または部門内で複数の異なる目標を決めることができる。目標を続行するために、目標コンポーネントは、機能コンポーネント、および、モニターコンポーネントを具備することができる。目標を達成する特定の操作は、機能コンポーネントを介して遂行され、一方、目標の成果に関連した変数の状態は、モニターコンポーネントによって決定される。加えて、機能コンポーネントは、目標コンポーネント１２０によって達成されることができる目標の空間（a space of goals）を決定することができる。目標の空間は、実質的に、特定の機能によって遂げられることができる全ての目標を具備する。機能コンポーネントによって提供されるこのような特定の機能に対して、特定の目標のコンテキスト上の適合は、目標の空間の中で第２の目標に第１の目標を適合させることができることは理解されるべきである。目標の空間内の初期の目標は、１以上のアクターによって決定されることができる；そこにおいて、アクターは、マシン若しくはデバイス、またはヒューマンエージェント（例えばエンドユーザ）でありえる。適合推論エンジン１１０がドリフトしている目標を介して複雑で詳細な目的（a complex detailed objective）の方へ目標コンポーネント１２０をドライブすることができるように、初期の目標は、一般的な、高水準目的（generic, high-level objective）でありえる点に留意する必要がある。目標、目標コンポーネント、および、目標適合は、次に示される。
実施例のシステム１００において、各種コンポーネントの記載された機能を与えるように、少なくとも一部を与えるように構成されている１つ以上のプロセッサ（図示せず）は、含まれることができる。このような機能を与えるために、１つ以上のプロセッサ（図示せず）は、データまたは他の何らかの情報交換にために、リンク１５５、１１５および１６５を利用することができる。１つ以上のプロセッサ（図示せず）は、実施例のシステム１００および内部のコンポーネントの記載された機能を提供するように、データストレージ１５０、または内部のメモリコンポーネント若しくはエレメント（素子）に保存されたコード指示（図示せず）を実行することができる。
図２は、コンテキスト上の目標適合を描写するダイアグラム２００である。目標（例えば目標２１０１または目標２１０３）は、一般的に、目標コンポーネント（例えばコンポーネント１２０）の機能と関連している抽象概念（abstraction）でありうる。目標は、高いレベルの抽象概念：「定年のためにセーブする（Save for retirement）」、「利益を確保する（secure a profit）」、「楽しむ（be entertained）」、「料理を学ぶ（learn to cook）」、「現場に移動するために」、「データベースを開発する」、「製品を製造する」などでありうる。加えて、目標は、より特定の改善であり、例えば、「＄60,000〜＄80,000の範囲の年収で早く引退するために、セーブする」、「米国から、５０００ドルを上回らないようにハウジングを含む旅費で、閑散期の日本まで旅行する」、または、「３５分のプレゼンテーションを将来の雇用者の関連グループに配信するために、就職面接サイトに届ける。」である。さらにまた、目標（例えば２１０１）は、関連づけられたコンテキスト（例えば２２０１）を備えている。上記のように、一般に、適応推論エンジン１１０に組み合わせられる目標コンポーネント１２０は、決められた目標（例えば目標２１０１または目標２１０３）と互換性がある。例えば、目標「製品を製造する」（例えば目標２１０１）は、製造ツールシステム、例えば、標準かまたは製品の製造にカスタム仕様にて採用される分子線エピタキシーリアクタ（実施例の目標コンポーネント１２０）に依存しうる。このような目標（例えば目標２１０１）の達成中に、出力１４０は、製造された製品を含むことができる。加えて、適応推論コンポーネント（例えば、コンポーネント１１０）は、コンテキストなど（例えばコンテキスト２２０１）に基づいた「製品を製造する」目標（例えば目標２１０１）に適合（例えば適合２３０１）させることができ、それは、ツールシステムの仕様（specifications）または目標コンポーネントのモニターコンポーネントによって集められたデータによって生成されることができるものである。特に、最初の高いレベルの目標（例えば目標２１０１）は、「半導体デバイスを製造する」（例えば目標２１０２）に適合されることができる。上記のように、目標コンポーネント１２０は、目標を達成するために、複数の機能コンポーネントから成ることができる。加えて、目標コンポーネント１２０は、モジュラ形でありえて、そこにおいて、目標が適合するように、目標サブコンポーネントが組み込まれることができる。一例として、「製品を製造する」目標を追う目標コンポーネントは、複数マーケット評価を具備することができ、および、「分子エレクトロニクスコンポーネントを利用するマルチコア−プロセッサを製造する」（例えば目標２１０Ｎ）に目標を適合させる（例えば２３０１）ために、さまざまなマーケットのマーケット条件を解析することができる、大規模並列処理の、インテリジェントコンピューティングプラットホームに組み合わせられるコンポーネントを予測することができる。このような適合は、多くの中間体適合（intermediate adaptations）2301―230Ｎ―1、同様に中間体適合目標2102―210Ｎ―1を含むことができ、そこにおいて、中間体適合は、以前に追求された目標から生成された中間体コンテキスト2202―220Ｎに基づく点に留意する必要がありうる。
目標、目標コンポーネント、および、目標適合の別の例にて、目標は、「ムービーＡのＤＶＤをストアＢで購入する」とすることができ、目標コンポーネント１２０は、適応推論エンジン１１０を具備するナビゲーションシステムを有する車両とすることができる。（この例においては、適応推論エンジン１１０が目標コンポーネント１２０内に存在する点に留意する必要がある）。アクター（例えば車両オペレータ）は、ストアＢの位置を入力または選択することができ、および、目標コンポーネントは、目標を達成するために方向を生成することができる。適応推論エンジン１１０は、ストアＢが在庫ムービーＡを運び込むのをやめたとの入力１３０を受信するとき（例えば、ＲＦＩＤリーダが在庫データベースを更新し、および、更新メッセージがコンポーネント１１０に送信された）、一方で、アクターはストアへと移動しつつ、適応推論エンジン１１０は、(ｉ)ストック内にムービーＡを有するストアＣを特定するために追加の入力３３０をリクエストすることができ、（ｉｉ）ストアＣに到着するように、アクターが利用できるリソースを評価することができ、そして（ｉｉｉ）目標を達成するアクターの興味レベルを判断することができる。(ｉ)−（ｉｉｉ）にて示したように、入力１３０を介して展開された修正コンテキストに基づいて、目標コンポーネントは、目標「ムービーＡのＤＶＤをストアＣで購入する」を適合させるように、指示を受けることができる。
適応推論エンジン１１０が目標コンポーネント１２０によって決定される目標と関連しているサブ目標（sub-goals）を決めることができることは、理解されるべきである。サブ目標は、適応推論エンジンが補完的なタスクを達成するかまたは目標と関連しているコンセプトを学習することを可能にすることによって目標を達成することを容易にすることができる。
まとめとして、自律生物学的ベースのシステム１００は、コンテキスト上の目標−適合を備える目標駆動型システム（goal-driven system）である。受信されたコンテキストに基づく目標適合が実用的な情報出力１４０を生成するために入力情報の解析に適合の付加的なレイヤー（layer）を導入することは、理解されるべきである。（ａ）情報またはデータ解析のプロセスを適合させること、および、（ｂ）コンテキストに基づいて最初の目標を適合させることの可能性によって、システムが大規模に適応可能または自律するようにになる。
図３は、実施例の自律生物学的ベースのラーニングツール３００のハイレベルブロックダイアグラムを示す。実施形態の３００において、自律ラーニングシステムは、ツールシステム３１０（例えば製造ツールまたは処理ツール）を含む。それは、その特定の機能をツールシステムに提供し、かつ単一の機能的ツールコンポーネントまたは実質的に同一であるか多様な機能的ツールコンポーネントの集合を備えることができる機能コンポーネント３１５と、ツールシステム３１０によって実行されるプロセス（半導体ウェハの熱処理のような）に関連したいくつかの観測可能なマグニチュードを探索することができるセンサコンポーネント３２５とを具備し、プロセスと関連している１つ以上のアセット（ＡＳＳＥＴＳ）３２８を生成する。本開示のアセットは、複雑さの度合いが変化するデバイスを含むことができる；例えば、アセット３２８は、集積回路（ＩＣ）、プラズマ放電ベースのフラットパネルディスプレイ（ＦＰＤ）、有機的な発光ダイオード（ＯＬＥＤ）−ＦＰＤベース、液晶ディスプレイ（ＬＣＤ）−ＦＰＤベース、または、薄膜トランジスタアクティブマトリックスアレイ、カラーフィルタ、ポーラライザなどのような素子を備えている半導体基板を含むことができる。収集された１つ以上のアセット３２８は、データアセット、例えば生産プロセスデータまたはテストランデータを含むことができる；このようなデータアセットは、インタラクションコンポーネント３３０に伝えられる。それは、１つ以上のアセット３２８を受信するためにインターフェースとしての機能を果たすことができるアダプタコンポーネント３３５と、受信された１つ以上のアセット３２８を処理するインタラクションマネージャ３４５と、受信され処理されたデータを保存することができるデータベース３５５とを含む。１つ以上のアセット３２８の部分でありえるデータアセット３２８は、ＳＥＣＳ（Semiconductor Equipment and Materials International Equipment Communication Standards）、／ＧＥＭ（Generic Equipment Model）、ハイパーテキストトランスファープロトコル（ＨＴＴＰ）などのようなさまざまな通信プロトコルに従ってインタラクションコンポーネント３３０に伝えられることができる。インタラクションコンポーネント３３０は、自律生物学的ベースのラーニングエンジン３６０とツールシステム３１０とのインタラクションを容易にする。ツールシステム３１０によって実行されるプロセス中に生成されるデータと関連している情報は、受信され、インクリメンタルに自律生物学的ベースのラーニングシステム３６０に供給されることができる。
自律生物学的ベースのラーニングエンジン３６０は、受信された情報３５８（例えば、データ、変数、および、対応する関係、原因となるグラフ、テンプレート、その他）を保存するメモリプラットホーム３６５を含む。それは、知識ネットワーク３７５を介して、処理プラットホーム３８５に通信することができる。処理プラットホーム３８５は、受信された情報に操作することができ、知識ネットワーク３７５を介して処理された情報をメモリプラットホーム３６５に返信することができる。一態様において、自律生物学的ベースのラーニングシステム３６０の構成要素コンポーネントは、通常、脳の生物学的態様に似ていることができる。そこにおいて、生物学的メモリは、情報を操って、知識を生成するために生物学的処理コンポーネントとネットワーク化される。このような比較、または類似は、生物学的構成要素としてメモリプラットホーム３６５も処理プラットホーム３８５もキャストしないように意図する点に注意する。加えて、知識ネットワーク３７５は、インタラクションコンポーネント３３０から情報を受けることができ、および、インタラクションコンポーネント３３０へ情報伝達することができる。インタラクションコンポーネント３３０は、情報をインタラクションマネージャ３４５を介して、ツールシステム３１０またはアクター３９０に通信する。情報３５８は、自律ラーニングシステム３６０によって、受信され、保存され、処理され、および、伝えられる。複数の改良は、ツールシステム３１０、および、それに依存するアクターにて遂行されることができる。すなわち改良は、以下の（ａ）〜（ｃ）を含む。(ａ)自律ラーニングシステム３６０、および、ツールシステム３１０は、時間進行につれて、ますます独立したようになり、および、より少ないアクターの介入（例えば、デバイスを介して供給されるヒューマンの方向、および、監督）を必要とする。（ｂ）自律システムは、アクターに対し、その出力の品質を改良する（例えば、より適切に不良のルート原因の識別またはその出来事の前にシステム故障の予測）、および、（ｃ）自律ラーニングシステム３６０は、そのパーフォーマンスオーバータイムを改良し、自律システム３６０は、より高速なレートで、および、少ない消費資源で、改良された結果を配信する。
メモリプラットホーム３６５は、機能メモリコンポーネントの階層（hierarchy）を具備する。そして、それは、ツールシステム３１０（例えばアプリオリな知識（a priori knowledge））の初期化または構成の間、受けられる知識（例えば情報３５８）を保存するように構成されることができる。アプリオリな知識は、インタラクションコンポーネント３３０を介して情報入力３５８として、伝えられることができる。加えて、メモリプラットホーム３６５は、(ａ)ツールシステム３１０の初期化／構成の後で自律ラーニングシステム３６０を訓練するために使用されるトレーニングデータ（例えば情報入力３５８）と、（ｂ）自律ラーニングシステム３６０によって生成される知識とを保存することができる；知識は、インタラクションコンポーネント３３０を通してツールシステム３１０またはアクター３９０に、インタラクションマネージャ３４５を介して、伝えられることができる。
アクター３９０、例えばヒューマンエージェントによって供給される情報入力３５８（例えばデータ）は、プロセスと関連している変数、２つ以上の変数の間の関係、原因のグラフ（例えば依存関係グラフ）、またはエピソード情報を特定しているデータを具備することができる。このような情報は、学習過程の自律生物学的ベースのシステム３６０をガイドすることを容易にすることができる。加えて、一態様では、このような情報入力３５８は、アクター３９０によって重要であると考えられることができ、および、重要性は、ツールシステム３１０によって実行される特定のプロセスに、情報の関連性を対応付けることができる。例えば、酸化物エッチングシステムのオペレータ（例えば、アクター３９０は、ヒューマンエージェントである）は、エッチング速度が生産工程の結果に対して臨界（critical）であると決定することができる；従って、エッチング速度は、自律ラーニングシステム３６０に通信されるアトリビュートでありうる。別の態様において、アクター３９０によって供給される情報入力３５８は、ヒントでありえる。それによって、プロセス変数の間の特定の関係を学習する指示は作成される。一例として、ヒントは、特定の堆積ステップ内で、チャンバ空間、排圧、および、入って来るガスフローの関数として、ツールシステム３１０の堆積チャンバの圧力の挙動を学習するように示唆を伝えることができる。別の例として、ヒントは、チャンバ圧力に対して詳細な時間的関係を学習するように示すことができる。このような実施例のヒントは、複数のプロセス変数への圧力の関数的依存性を学習することができる自律ラーニングシステムの１つ以上の機能的処理ユニットをアクティブにすることができる。さらに、このようなヒントは、アクター３９０が利用できるモデルまたは経験的機能に関して学習された機能を適用、および、比較することができる１つ以上の機能ユニットをアクティブにすることができる。
ツールシステム３１０、例えばプラズマ増強蒸着（ＰＥＣＶＤ）システム、スパッタシステムまたは金属有機化学蒸着（ＭＯＣＶＤ）システムのような半導体製造ツールは、複雑でありえて、従って、異なるアクターは、特定の、完全な、または、不完全な知識の異なるタイプを通してツールシステムを操って、および、操作することを専門とすることができる。実施例として、ヒューマンエージェント、例えばツールエンジニアは、異なるガスが異なる分子量を有し、それで異なる圧力を生成することができるということを知っている一方で、プロセス／ツールエンジニアは、第１のガスからもたらされる圧力の読み値を、第２のガスからもたらされる同等の圧力へと変換する方法を知ることができる；このような知識の基本的な実施例は、単位（例えばＰａ）から別の単位（例えばｌｂ／ｉｎ2またはＰＳＩ）へと読み込む圧力を変換することができる。一般的なタイプに加えて、自律生物学的ベースのラーニングシステムにて存在するより複雑な知識は、ツールシステムの特性（例えばチャンバのボリューム）と、ツールシステム内で実行された測定（例えばチャンバの測定圧力）との間の機能的関係でありえる。例えば、エッチング―エンジニアは、エッチング速度がエッチングチャンバの温度に依存しているということを知っている。知識の多様性、および、このような知識が不完全であるという事実を許容するために、アクター（例えばエンドユーザのようなヒューマンエージェント）は、伝えられた知識の多重の度合いを通して、自律ラーニングシステム３６０をガイドすることができる：(ｉ)特定された知識がない。アクターは、自律ラーニングシステムに対してガイダンスを配信しない。(ｉｉ)基本的な知識。アクターは、ツールシステムの特性と、ツールシステムの測定との間の有効な関係を伝えることができる；例えば、アクターは、更なる詳細は無しで、エッチング速度（κＥ）と、プロセス温度（Ｔ）との関係（例えば関係（κＥ,Ｔ））を伝える。(ｉｉｉ)特定された出力を有する基本的な知識。ツールシステム特性と、ツールシステム測定との間の関係に関して、アクターは、関係（例えば、関係（出力（κＥ）,Ｔ）の従属変数に対する特定の出力を提供することができる。（iv）関係についての部分的な知識。アクターは、ツールシステム特性および測定、同じく関連した従属および独立した変数（例えば、ｋ1またはｋ2の具体的な値無しで、κＥ＝ｋ1ｅ−ｋ2／Ｔ））の間の数学的方程式の構造を知っている。アクターは、しかしながら、関係のより関連づけられた定数の正確な値を知らないことがありえる。（ｖ）完全な知識。アクターは、機能的関係の完全な数学的記載を有している。自律ラーニングシステム３６０が進化して、および、自律してツール機能的関係を学習することを試みるように、このようなガイダンスがインクリメンタルに提供されたオーバータイムでありえる点に留意する必要がある。
知識ネットワーク３７５は、決められた優先度に従った情報（例えばデータ）または伝送パワー（transfers power）を通信する知識バス（knowledge bus）である。優先度は、一対の情報源および情報宛先コンポーネント（information destination components）またはプラットホームによって決められることができる；例えば、認識作業メモリ７１０から認識知識メモリ７３０へのコミュニケーションは、概念化知識メモリ９１０から概念化作業メモリ９４０へのコミュニケーションよりも高い優先度を特定される。さらに、自己認識コンポーネント５５０、例えばイントラコミュニケーション（ｉｎｔｒａ―ｃｏｍｍｕｎｉｃａｔｉｏｎ）またはネットワークコンポーネント３７５によって有効にされるコミュニケーションが、自己認識コンポーネント５５０と、自己最適化コンポーネント５７０、例えばインターコミュニケーションとの間で起こることができるように、ソースから宛先へのコミュニケーションはグローバルな機能コンポーネント内で起こることができる。加えて、優先度は、伝送される情報（例えば、特定情報は、リアルタイムで送られなければならない）に基づくことがありうる；コミュニケーション優先度が、伝送または受信されたコミュニケーションに対してコミュニケーションの緊急性の少なくとも一部の度合いを決定することは理解されるべきである。優先度が、静的よりも動的に、かつ、自律ラーニングシステム３６０のラーニング開発の関数として、変化しうる点に留意する必要がある。そして自律生物学的ベースのラーニングツール300にある１つ以上のコンポーネントの１つ以上の要求の観点からみて、例えば、問題状況は認識されることができ、コミュニケーションは、正当化される（warranted）ことができて、および、応えて遂行される（effected）ことができる。コミュニケーションおよびパワー伝送は、知識ネットワーク３７５を介して有線リンク（例えばツイストペアリンク、Ｔ１／Ｅ１電話線、ＡＣライン、光ファイバライン、同軸ケーブル）、および、インターネットプロトコル（ＩＰ）パケットベースのコミュニケーションのような関連したプロトコル、または無線リンク（例えばウルトラモバイルブロードバンド（ＵＭＢ）、ロングタームエボリューション（ＬＴＥ）、ＩＥＥＥ８０２．１１））を通じて遂行される。そして、それは、機能的プラットホーム（例えばメモリプラットホーム３６５、および、処理プラットホーム３８５）内のコンポーネント（図示せず）の間で、または、異なるプラットホーム（例えば、他の自己認識のサブコンポーネントと通信している自己認識のメモリプラットホームのコンポーネント）のコンポーネントの間で起こることができ、または、コミュニケーションはコンポーネント（例えば、認識のコンポーネントは、概念化（コンセプト化）コンポーネントと通信する）の間でありうる。
処理プラットホーム３８５は、情報に操作する機能的処理ユニットを備えている。特定タイプ（例えば特定のデータタイプ（例えば数、シーケンス、時系列、機能、クラス、原因のグラフその他））の入力情報は、受信または取り出され、および、計算は、特定タイプの出力情報を生成するために処理ユニットによって実行される。出力情報は、知識ネットワーク３７５を介してメモリプラットホーム３６５の１つ以上のコンポーネントに伝えられることができる。一態様において、機能的処理ユニットは、メモリプラットホーム３３５に保存されたデータ構造またはデータタイプインスタンスを、読み込むことができ、および、修正することができる。そして、それは、新しいデータ構造をその内部で置く（deposit）ことができる。別の態様において、機能的処理ユニットは、適合性、重要性、活性化／抑制エネルギ、および、コミュニケーション優先度のようなさまざまなニューメリックのアトリビュートの調整を提供することができる。各々の機能的処理ユニットは、動的優先度（dynamic priority）を有する。そして、それは情報に操作する階層を決定する；より高い優先度ユニットは、より低い優先度ユニットより早くデータに操作する。特定情報に操作した機能的処理ユニットが新しい知識（例えば、学習して）を生成するために不足している場合、ツールシステム３１０の操作と関連している良好なランから悪いランを区別する順位番号（ranking number）または順位機能（ranking function）を生成するように、機能的処理ユニットと関連している優先度は低くされることができる。逆にいえば、もし新しい知識が生成されるならば、処理ユニットの優先度は増やされる。
処理プラットホーム３８５が、優先された機能的処理ユニットを介して、特定の状況（例えば特定のデータタイプ）の第１の操作を試みるヒューマンの傾向を模倣することは、理解されるべきである。もし操作が新しい知識を生成するならば、操作は次の実質的に同一の状況において利用される。逆にいえば、第１の操作が新しい知識を生成するのに不足する場合には、状況を扱うために第１の操作を使用する傾向は縮小され、そして、第２の操作が利用される（例えばスプレッド活性化（spread activation））。もし第２の操作が新しい知識を生成するのに不足しているならば、その優先度は縮小され、そして、第３の操作は使用される。処理プラットホーム３８５は、新しい知識が生成されるまで、操作を使用し続け、そして、別の操作は、より高い優先度を取得する。
一態様において、アクター３９０は、プロセスレシピパラメータ、命令（例えば、イオン注入されたウェハのアニーリングサイクルの温度プロファイル、半導体の蒸着のシャッタ開閉シーケンス、イオン注入プロセスのイオンビームのエネルギ、またはスパッタリング堆積の電界マグニチュード）、同じく自律ラーニングシステム３６０に対する初期化パラメータを提供することができる。別の態様において、アクターは、ツールシステム３１０のメンテナンスと関連しているデータを供給することができる。さらに他の態様では、アクター３９０は、ツールシステム３１０によって実行されるプロセスのコンピュータシミュレーションの結果を生成することができ、提供することができる。このようなシミュレーションにおいて生成される結果は、自律生物学的ベースのラーニングシステムを訓練するために、トレーニングデータとして使用されることができる。加えて、シミュレーションまたはエンドユーザは、プロセスと関連している最適化データをツールシステム３７０に配信することができる。
自律ラーニングシステム３６０は、１つ以上のトレーニングサイクルを介して訓練されることができる。各トレーニングサイクルは、以下の（ｉ）〜（ｉｉｉ）がなされるように自律生物学的ベースのラーニングツール３００を開発するために利用されることができる。（ｉ）外部の介入のないより多くの機能を実行することが可能とする；（ｉｉ）製造システムのヘルスルート（health root）の診断ルート原因が生じるときに、より適切にレスポンス、例えば改良された正確度または正当性を提供する；（ｉｉｉ）パーフォーマンス、例えばより高速な応答時間、減少されたメモリの消費または製品の改良された品質を増加させる。トレーニングデータがプロセスキャリブレーションと関連しているデータ３２８またはツールシステム310の標準のランから（このようなデータが内部的であると考えられる）、またはインタラクションマネージャ３４５を介して収集されるとき、トレーニングデータは、アダプタコンポーネント３３５を介して自律ラーニングシステムに供給されることができる。トレーニングデータは、データベース３６５（例えば外部プローブを介して導かれる外部測定に関連したデータまたはツールシステム３１０への修理介入の記録）から取り出される；このようなトレーニングデータは、外部的であると考えられることができる。トレーニングデータがアクターによって供給されるときに、データは、インタラクションマネージャ３４５を介して伝えられ、および、外部的であると考えられることができる。本発明の態様において、内部または外部のトレーニングデータに基づくトレーニングサイクルが、ツールシステム３１０の予想される挙動を学習するように、自律ラーニングシステム３６０を容易にする。
上記のように、機能コンポーネント３１５は、特定の半導体を製造する可能性と関連し、および、下記（ａ）〜（ｅ）をするように使用されるツールを可能にする複数機能的ツールコンポーネント（図示せず）を具備することができる。（ａ）複雑さのさまざまな度合い（例えばウェハ、フラットパネルディスプレイおよび関連したＴＦＴアクティブマトリックスアレイ、液晶ディスプレイ（ＬＣＤ）、ＯＬＥＤ、その他）を有する半導体基板を製造する、（ｂ）エピタキシァル蒸着または非エピタキシァル蒸着を導入する、（ｃ）イオン注入またはガス複合（ｃｌｕｓｔｅｒ）イオン注入を容易にする、（ｄ）プラズマまたはプラズマ無し（ドライ又は湿式）を実行する、（ｅ）リソグラフィプロセス（例えばフォトリソグラフィ、ｅビームリソグラフィなど）その他を実現する。ツールシステム３１０は、また、炉；制御された電気化学環境の操作の露光ツール；平坦化デバイス；電気めっき装置；光、電気的および熱特性の試験装置（寿命（操作サイクリングを介して）測定を含む）；計測ツール、ウェハクリーニングマシン等にて実施されることができる。
ツールシステム３１０によって導かれるプロセスにおいて、センサコンポーネント３２５を具備しているセンサ、および、プローブは、異なる物理的な特性（（例えば、圧力、温度、湿度、質量密度、堆積速度、層厚さ、表面粗さ、結晶性配向、ドーピング濃度、欠陥密度、エレクトロフォトルミネセンスなど））、同じく機械的な特性（バルブアパチャまたはバルブ角度、シャッタオン／オフ操作、ガスフラックス、基板角速度、基板配向など）のデータ（例えばデータアセット）を、集められたデータの用途に従う複雑さの様々な度合いによってさまざまな変換器および技術を介して、収集することができる。このような技術は、Ｘ線回折、透過電子顕微鏡（ＴＥＭ）、走査電子顕微鏡（ＳＥＭ）、質量解析法、露光評価、磁電気移送測定、光学的性質測定、その他を、（含むことを限定するものではないが）含むことができる。製品（例えば半導体基板）に関連する追加のデータアセットは、開発検査（ＤＩ）限界寸法（ＣＤ）、および、最終検査（ＦＩ）ＣＩである。プローブがツールシステム３１０に外部的でありえて、および、インターフェースコンポーネント（図示せず）を介してアクセスされることができることは理解されるべきである。例えば、このような外部のプローブは、ＤＩ ＣＩ、および、ＦＩ ＣＩを提供することができる。１つ以上のアセット３２８の部分であるこのようなデータアセットが効果的に出力アセットまたはツールシステム３１０によって製作若しくは組み立てられる物理的な製品を特徴づけることは理解されるべきである。
一態様において、センサコンポーネント３２５のデータソースが機能的にアダプタコンポーネント３３５に組み合わせられることができる。そして、それは、アナログまたはデジタル形式の１つ以上のアセット３２８内のデータアセットを集まることができるかまたは集めるために構成されることができる。１つ以上のアセット３２８内のデータアセットは、さまざまな通信プロトコル、例えばＳＥＣＳ／ＧＥＭプロトコル、ＨＴＴＰなどに従って、アダプタコンポーネント３３５に伝えられることができる。データがメモリプラットホーム３６５に置かれる（ｄｅｐｏｓｉｔｅｄ）かまたは保持される前に、アダプタコンポーネント３３５は、データ、例えばツールシステム３１０によって実行されたプロセスランにて収集される情報入出力（Ｉ／Ｏ）３５８が、自律生物学的ベースのラーニングシステム３６０のデータの意図された利用に従って組み立てられるか分解されることを、可能にすることができる。アダプタコンポーネント３３５のアダプタは、センサコンポーネント３２５の１つ以上のセンサと関連されることができ、および、特性周波数の、または他の特定の条件の１つ以上のセンサを読み込む（例えば世論調査（ｐｏｌｌ））ことができる。外部データソースアダプタ（図示せず）は、データを引っ張る能力、同様にツールシステム３１０の外側から押されるデータを通過させる能力を有することができる。例えば、ＭＥＳ／履歴データベースアダプタは、情報を抜き出し、自律生物学的ベースのラーニングシステム３６０内の１つ以上のコンポーネントに対して作業メモリに抜き出されたデータをパッケージ化／置くようにするために、ＭＥＳデータベースに相談することができる。特に、説明として、アダプタコンポーネント３３５は、ツールシステム３１０（例えば、製造ツール）がウェハを処理するときに、一度で１枚のウェハ−のウェハーレベルランデータを集めることができる。それで、アダプタコンポーネント３３５は、形態「ロット-レベル-データ」、「メンテナンス間隔（maintenance-interval）-データ」などにバッチの個々のランを整理統合することができる。別の形態として、ツールシステム３１０は、ロット-レベルデータに対して単一のファイル（またはコンピュータ製品アセット）を出力する。アダプタコンポーネント３３５は、ウェハ-レベルデータ、ステップ-レベルデータなどを抜き出すことができる。さらにまた、分解されたデータ要素（decomposed data elements）は、ツールシステム３１０の１つ以上のコンポーネントに関係することができる；例えば、センサコンポーネント３２５の圧力コントローラが動作している時間中の変数。処理またはパッケージングの次に、上記の通りに受信データアセットは１つ以上のアセット３２８に含まれ、アダプタコンポーネント３３５は、データベース３５５の処理されたデータを保存することができる。
データベース３５５は、以下の（ｉ）（ｉｉ）または（ｉｉｉ）にて生じたデータを含む。(ｉ)ツールシステム３１０（例えば、製造ツール）、センサコンポーネント３２５のセンサによって実行される測定を介して；(ｉｉ)製造実行システム（ＭＥＳ）データベースまたは履歴データベース；(ｉｉｉ)ツールシステム３１０のコンピュータシュミレーションにて生成されたデータ、例えば、アクター３９０によって実行された半導体ウェハ製造のシミュレーション。一態様において、ＭＥＳは、製造プロセスを測定し、コントロールすることができ、装置利用率および状態を追跡でき、在庫をコントロールでき、および、アラームのためにモニタすることができるシステムである。
ツールシステム３１０によって組み立てられる製品または製品アセットが、インタラクションコンポーネント３３０を介して、アクター３９０に伝えられることができるかまたは配信されることができることは、理解される。製品アセットは、１つ以上のアセット３３８の部分でありうる。製品アセットが、アクター３９０（例えば、品質保証装置、または、品質保証装置とそのオペレータ）、および結果情報、または、データアセットによって解析され、自律生物学的ベースのラーニングシステムに３６０に伝えられることができることは理解されるべきである。１つ以上のシナリオにおいて、このようなデータアセットは、インタラクションコンポーネント３３０、および、その中の１つ以上のコンポーネントを介して、または直接情報Ｉ／Ｏ３５８を移送することができる１つ以上の専用の通信リンク（図示せず）を介して自律生物学的ベースのラーニングシステム３６０に通信されることができる。別の態様において、インタラクションコンポーネント３３０は、アダプタコンポーネント３３５を介して製品アセット３２８の解析を実行することができる。
加えて、例示の実施形態の３００で、インタラクションコンポーネント３４０、および、自律ラーニングシステム３６０は、ツールシステム３１０に関して外部的に配置される点に留意する必要がある。自律生物学的ベースのラーニングツール３００の代わりまたは付加的な配備構成は、例えば埋め込み配備で、実現されることができる。そこにおいて、インタラクションコンポーネント３３０および自律生物学的ベースのラーニングシステム３１０は、ツールシステム３１０内で存在することができる。単一の特定のツールコンポーネント内に；例えば、単一の埋め込みモード、またはツールコンポーネントのクラスタ内に；例えば、複数の埋め込みモードで。このような配備代わりは、階層的な方法で実現されることができ、そこにおいて、自律ラーニングシステムは、グループツールまたはツール集合体を形成する一組の自律ラーニングツールをサポートする。それは、１つ以上の付加的なまたは代わりの実施形態において、容易に理解されるべきであり、インタラクションコンポーネント３３０および自律生物学的ベースのラーニングエンジン３６０は、単一の機能素子（コンポーネント、システム、プラットホームなど）に統合されることができる。
次に、図示されるツールシステム３１０は、図４に接して議論される。自律生物学的ベースのラーニングエンジン３６０に対する実施例のアーキテクチャは、図５-９に示され、詳細に議論される。
図４は、操作をモニタして、解析して、および、改良するために自律生物学的ベースのラーニングエンジン３６０を利用することができる実施例の半導体製造システム４００のダイアグラムである。特に、実施例のシステム４００は、図３に接して上記にて議論したツールシステム３１０を示す熱開発（thermal development）、および、コーティングシステムである。システム４００は、ロード／アンロード部分４０５、プロセス部分４１０、および、インターフェース部分４１５を含む。一態様において、ロード／アンロード部分４０５は、各々複数の半導体基板を保存しているカセット４２５がロードされて、および、システム４００から下ろされるカセットテーブル４２０を有する。カセットテーブル４２０は、また、フラットパネルディスプレイ製造のためのガラス製品またはプラスチック基板をローディング／アンローディングを可能にすることができる点に注意される。プロセス部分４１０は、シーケンシャルに一枚ごとに基板処理をするためのさまざまな枚葉処理ユニットを有する。インターフェース部分４１５は、複数のプローブおよびセンサにアクセスを容易にすることができ、および、ｉｎ−ｓｉｔｕルートの品質保証、プロセス開発によって解析を行う。インターフェースコンポーネントを介して、収集されたデータ（例えばデータ３６８）は、自律生物学的ベースのラーニングエンジン３６０に伝えられることができる。
一態様において、処理ユニット４１０は、クーリングユニット（ＣＯＬ）４３５、アライメントユニット（ＡＬＩＭ）４４０、密着ユニット（ＡＤ）４４５、延長ユニット（ＥＸＴ）４５０、２つのプリベーキングユニット（ＰＲＥＢＡＫＥ）４５５、および、２つのポストベーキングユニット（ＰＯＢＡＫＥ）４６０を備えている第１のプロセスユニットグループ４３０を具備する。それらは、底からシーケンシャルに積み重ねられる。加えて、第２のプロセスユニットグループ４６５は、クーリングユニット（ＣＯＬ）４３５、延長-クーリングユニット（ＥＸＴＣＯＬ）４７０、延長ユニット（ＥＸＴ）４７５、第２のクーリングユニット（ＣＯＬ）４３５、２つのプリベーキングユニット（ＰＲＥＢＡＫＥ）４５５、および、２つのポストベーキングユニット（ＰＯＢＡＫＥ）４６０を含む。クーリングユニット（ＣＯＬ）４３５、および、延長クーリングユニット（ＥＸＴＣＯＬ）４７０は、低い処理温度で操作され、および、下方のステージに配置される。および、プリベーキングユニット（ＰＲＥＢＡＫＥ）４５５、ポストベーキングユニット（ＰＯＢＡＫＥ）４６０、および、密着ユニット（ＡＤ）は、高温度で操作され、および、上側のステージに配置される。この構成で、ユニットの間の熱干渉は、減少されることができる。別の形態として、これらのユニットは、代わりまたは付加的な配置を有することができる。プリベーキングユニット（ＰＲＥＢＡＫＥ）４５５、ポストベーキングユニット（ＰＯＢＡＫＥ）４６０、および、密着ユニット（ＡＤ）４４５は、各々、熱処理装置を具備し、基板は、室温より上の温度に加熱される。ポストベーキングユニット４６０は、デバイス、例えばＴＦＴの準備のためにフォトリソグラフィのマスキングに使用されるフォトレジスト材料を硬化させるために利用されることができる。一態様において、プリベーキングユニット４５５、ポストベーキングユニット４６０、および、密着ユニット４４５をから、温度、および、圧力データは、インターフェースコンポーネント３４０を介して自律生物学的ベースのラーニングエンジン３６０に供給されることができる。基板回転速度、および、位置データは、アライメントユニット４４０から伝えられることができる。
図５は、自律生物学的ベースのラーニングエンジンの実施例のアーキテクチャ５００のハイレベルブロックダイアグラムを示す。実施形態の５００において、自律生物学的ベースのラーニングエンジン３６０は、長期メモリ（long term memory：ＬＴＭ）５１０、短期メモリ（short term memory：ＳＴＭ）５２０、および、エピソードメモリ（ＥＭ）５３０を含む機能メモリコンポーネントの階層を具備する。各々のこのような機能メモリコンポーネントは、知識ネットワーク３７５を介して通信することができる。そして、図３に接して議論された中で記載されているように、それは操作される。加えて、自律生物学的ベースのラーニングエンジン３６０は、自動ＢＯＴ（ａｕｔｏｂｏｔ）として特定される機能的処理ユニットを含む自動ＢＯＴコンポーネント５４０を含むことができる。そして、それは、プロセッサを含むことができ、処理プラットホーム３８５と接して記載されたそれらの機能ユニットと実質的に同じ特徴を有する。その自動ＢＯＴコンポーネント５４０が処理プラットホーム３８５の部分でありえる点に留意する必要がある。
さらにまた、自律ラーニングシステム３６０は、自己認識コンポーネント５５０、自己コンセプト化コンポーネント５６０、および、自己最適化コンポーネント５７０を含む１つ以上のプライマリ機能ユニットを具備することができる。第１のフィードフォワード（ＦＦ）ループ５５２は、前方（ｆｏｒｗａｒｄ）リンクとして作用することができ、および、自己認識コンポーネント５５０、および、自己コンセプト化５６０の間でデータを通信することができる。加えて、第１のフィードバック（ＦＢ）ループ５５８は、リバースリンクとして作用することができ、および、自己コンセプト化コンポーネント５６０、および、自己認識コンポーネント５５０の間でデータを通信することができる。同様に、前方リンク、および、リバースリンクデータ通信は、自己コンセプト化コンポーネント５６０、および、自己最適化コンポーネント５７０の間で、それぞれ、第２のＦＦループ５６２、および、第２のＦＢループ５６８を介して達成されることができる。ＦＦリンクにおいて、データが更なるプロセスにデータを受信するコンポーネントに、コミュニケーションの前に変換される一方、ＦＢリンクにおいて、次のデータ要素がプロセスの前にデータを受信するコンポーネントによって変換されることができることは理解されるべきである。例えば、ＦＦリンク５５２を介して転送されるデータは、自己コンセプト化コンポーネント５６０に、データのコミュニケーションの前に、自己認識コンポーネント５５０によって変換されることができる。ＦＦリンク５５２、および、５６２がコンポーネント５５０、および、コンポーネント５７０の間でデータの間接通信を容易にする一方、ＦＢリンク５６８、および、５５８がコンポーネント５７０、および、５５０の間でデータの間接通信を容易にすることは更に理解されるべきである。加えて、データは、知識ネットワーク３７５を介してコンポーネント５５０、３６０、および、３７０の間で、直接伝えられることができる。
長期メモリ５１０は、初期化／構成の後で、自律ラーニングツールシステム３００を訓練するためにツールシステム（例えばアプリオリな知識）の初期化または構成の間、インタラクションコンポーネント３３０を介して供給される知識を保存することができる。加えて、自律ラーニングシステム３６０によって生成される知識は、長期メモリ５１０に保存されることができる。ＬＴＭ５１０がメモリプラットホーム３６５の部分でありえて、および、それで実質的にそれと同じ特徴を表示することができることは、理解されるべきである。長期メモリ５１０は、通常、ツールシステムコンポーネント（例えば製造コンポーネント、プローブコンポーネント、その他）、関係、および、手順に関する情報を収容している知識ベースを具備することができる。知識ベースの少なくとも一部は、データタイプ（例えばシーケンス、平均または標準偏差として）を記載するかまたは分類する意味ネットワーク、データタイプの間の関係、および、第１の組のデータタイプを第２の組のデータタイプへ変換する手順でありえる。
知識ベースは、知識エレメントまたはコンセプトを収容していることができる。一態様において、各々の知識エレメントは、２つのニューメリックのアトリビュートと関連していることがありえる：適合性（suitability）（ξ）、および、知識エレメントの慣性（inertia）（ι）またはコンセプト；集合的に、このようなアトリビュートは、コンセプトの優先度を決定する。これらの２つのニューメリックのアトリビュートの明瞭な機能（例えば加重和（weighted sum）、幾何平均（geometric average））は、コンセプトの状況スコア（situation score）（σ）でありえる。例えば、σ＝ξ＋ι。知識エレメントの適合性は、特定の時間でツールシステムまたは目標コンポーネント状況に知識エレメント（例えばコンセプト）の関連として規定される。一態様として、第１のエレメントまたはコンセプトは、第２のエレメントより高い適合性スコアを有し、低い適合性スコアを有する第２のエレメントより、自律ラーニングシステム３６０の現在状態、および、ツールシステム３１０の現在状態に関連することがありえる。知識エレメントまたはコンセプトの慣性は、知識エレメントの利用と関連している困難性として、規定されることができる。例えば、慣性の低い第１の値は、番号エレメント（number element）に与えられえて、番号リストは、第１の値より高い第２の慣性値にアトリビュートされることができ、一連の数は、第２の値より高い慣性の第３の値を有することができ、および、番号のマトリックスは、第３の値より高くありえる慣性の第４の値を有することができる。慣性が、グラフ、データベースのテーブル、オーディオファイル、ビデオフレーム、コード断片（code snippets）、コードスクリプト、その他のような他の知識または情報構造に適用される点に注意される；後のアイテムは、実質的に全て一部の入力１３０でありえる。本発明は、適合性の明確な機能、および、知識エレメントが取り出されて、および、適用されるという可能性に影響を与えることができる慣性を提供する。最も高い状況のスコアを有するコンセプトは、処理ユニットによって処理の短期メモリ５２０にレンダーされる（rendered）コンセプトである。
短期メモリ５２０は、作業メモリ（例えばワークスペースまたはキャッシュ）として、または、特殊アルゴリズムまたは手順と関連して協同／競争する操作の場所として、または自動ＢＯＴとして、利用されることができる一時記憶であり、データタイプに操作することができる。ＳＴＭ５２０に含まれるデータは、１つ以上のデータ構造を備えることができる。ＳＴＭ５２０のこのようなデータ構造は、自動ＢＯＴ、および、プランナｕｅｂｅｒｂｏｔｓ（ｕｅはｕにウムラウト記号が付されたものを表す）（例えばプランニングに費やされる自動ＢＯＴ）によって遂行されるデータ変換の結果として、変わることができる。短期メモリ３０５は、データ、インタラクションマネージャ３４５によって提供されるラーニング命令、長期メモリ３１０からの知識、１つ以上の自動ＢＯＴまたはｕｅｂｅｒｂｏｔｓによって提供および／または生成されるデータ、および／または、アクター３９０によって提供される初期化／構成コマンドを具備することができる。短期メモリ５２０は、内部に保存されるデータを変換するために使用される１つ以上の自動ＢＯＴおよび／またはｕｅｂｅｒｂｏｔｓの状態を追跡することができる。
エピソードメモリ５３０は、アクター特定されたパラメータおよびコンセプトの組を含むことができるエピソードを保存する。それは、プロセスと関連してすることができる。一態様において、エピソードが外部データまたは入力１３０を具備することができ、それは、自律ラーニングシステム３００に特定のコンテキストを提供することができる。目標を追う間、エピソードが、一般に、特定されるかまたは生成される特定のシナリオ（例えば、ツールシステム３１０、目標コンポーネント１２０または自律ラーニングシステム３６０によって）と関連している点に注意される。エピソードを特定するアクターは、ヒューマンエージェント、プロセスエンジニア、ツールエンジニア、フィールドサポートエンジニア、およびその他、または、それはマシンでありえる。エピソードメモリ５３０がヒューマンエピソードメモリに似ていることが理解されるべきであり、知識は特定のシナリオ、例えば、エピソードによって関連づけられる。それは、エピソードをもたらしたラーニング過程の記憶（recollection）なしで存在し、アクセスできる。一般的なエピソードの導入（introduction）または定義（definition）は、トレーニングサイクルの一部または実質的に何らかの入力の外部提供であり、それは、データパターンまたは入力パターンを特徴づけるために学習する自律生物学的ベースのラーニングシステム３６０による試みへと導き、それはエピソードと関連しているデータ内に存在しうる。エピソードと関連しているデータの特徴づけられたパターンは、エピソードおよびエピソードの名前とともにエピソードメモリ５３０に保存されることができる。ツールシステム３１０または、通常、目標コンポーネント１２０によって導かれるプロセスの一組のパラメータがエピソードにおいて定義されるように操作範囲に入力されるときに、エピソードメモリ５３０へのエピソードの付加は、アクティブになることができるエピソード特定の自動ＢＯＴの作成をもたらすことがありえる；追い求められた目標またはプロセスと関連している第１の形態が認識されるときに、エピソード特定の自動ＢＯＴは十分な活性化エネルギーを受信する。パラメータが受信されたエピソードを介して決められるクライテリアを満たす場合には、エピソード特定の自動ＢＯＴは、利用できる現行データとエピソードのデータのパターンとを比較する。もしツールシステム３１０の現在の状況（データの認識されたパターンによって規定されるように）または目標コンポーネントが保存されたエピソードに適合するならば、アラームは、ツールメンテナンスエンジニアが状況に気づくことができることを確保するために生成され、および、機能コンポーネント３１５またはセンサコンポーネント３２５に付加的なダメージを軽減する予防アクションまたはツールプロセスで利用される材料をとることができる。
自動ＢＯＴコンポーネント５４０は、入力データタイプ（例えば、マトリックス、ベクトル、シーケンス、その他）に特定の操作を実行する自動ＢＯＴのライブラリを備えている。一態様において、自動ＢＯＴは、自動ＢＯＴ意味ネット（semantic net）の中に存在する。そこにおいて、各々の自動ＢＯＴは、関連づけられた優先度を有することができる；自動ＢＯＴの優先度は、その活性化エネルギ（ＥＡ；例えば、６１７１）、および、その抑制エネルギ（ＥＩ；例えば、６１９１）の機能である。自動ＢＯＴコンポーネント５４０は、自己認識コンポーネント５５０、自己コンセプト化コンポーネント５６０、自己最適化コンポーネント５７０、および、コンポーネントの間およびさまざまなメモリユニットの間のデータを変換し、通過することに関係することができる付加的な自動ＢＯＴに対して、自動ＢＯＴを含むことができる自動ＢＯＴのオーガナイズされた貯蔵所（repository）である。自動ＢＯＴによって実行されることができる特定の操作は、シーケンス平均；シーケンス順序（sequence ordering）；第１および第２のベクトルのスカラー積；第１のマトリックスおよび第２のマトリックスの乗算；時間に関する時系列導関数（time sequence derivative）；シーケンス自己相関計算（sequence autocorrelation computation）；第１および第２のシーケンスの間の交差相関操作（cross-correlation operation）；基礎関数の完全な組の機能分解（decomposition of a function in a complete set of basis functions）；時系列数字データストリームのウェーブレット分解（wavelet decomposition of a time sequence numeric data stream）、または、時系列のフーリエ分解（ourier decomposition of a time sequence）を含む。付加的な操作が入力データ、すなわち画像、サウンドレコードまたはバイオメトリックインジケータ、ビデオフレーム圧縮、環境音のデジタル化または音声コマンド、その他の特徴抽出に従い実行されることができることは、理解されるべきである。自動ＢＯＴによって実行される各々の操作は、１つ以上の出力データタイプを生成するために１つ以上の入力データタイプを変換する名づけられた機能でありえる。自動ＢＯＴコンポーネント５４０の自動ＢＯＴが存在する各機能は、ＬＴＭのエレメントを備えていることができる。その結果、ｕｅｂｅｒｂｏｔｓは、トータルの「注意の範囲（attention span）」に基づく自動ＢＯＴ活性化／抑制エネルギの決定、および、自律ラーニングシステム３６０の必要性を作成することができる。自律ラーニングシステム３６０と同様に、自動ＢＯＴコンポーネント５４０の自動ＢＯＴは、そのパーフォーマンスオーバータイムを改良することができる。自動ＢＯＴの改良は、生成された結果（例えば出力）のより良い品質、より良い実行パーフォーマンス（例えば、より短いランタイム、より大きい計算を実行する可能性など）、または特定の自動ＢＯＴ（例えば自動ＢＯＴが操作することができる付加的なデータタイプのインクルージョン）に対する入力ドメインの増強された範囲を含む。
ＬＴＭ５１０、ＳＴＭ５２０、および、ＥＭ５３０に保存することができる知識（コンセプトおよびデータ）は、プライマリ機能ユニットによって使用されることができ、それは、その機能の部分を自律生物学的ベースのラーニングシステム３６０に与える。
自己認識コンポーネント５５０は、ツールシステム３１０の第１の許容できる操作状態と、後の次の状態との間のツールシステムが低下するツールシステム劣化のレベルを決定することができる。一態様において、自律ラーニングシステム３６０は、許容できる操作状態を特徴づけるデータ、および、このような許容できる状態において組み立てられる製品アセットと関連しているデータを受信することができる；このようなデータアセットは、カノニカルデータ（canonical data）と特定されることができる。自律生物学的ベースのラーニングシステム３６０は、カノニカルデータを処理でき、関連づけられた結果（例えば重要なパラメータの統計量、１つ以上のパラメータの観測されたドリフト、ツールパラメータと関連する予示する機能（predictive functions）、その他）が、自己認識コンポーネント５５０によって保存され、および、情報入力３５８として供給されるデータと比較するために使用される；例えば、生産プロセスデータまたはテストランデータである。もし生成された、カノニカルデータと、デバイスプロセスラン-データとの学習された結果の違いが小さいならば、それで、製造システム劣化は、低いと考えられることができる。別の形態として、もしカノニカルデータと、サンプルのプロセスデータとの間の保存され学習された結果の違いが大きいならば、それで、ツールシステム（例えば半導体製造システム）劣化の有意レベルがそこにあることになりうる。劣化の有意レベルは、プロセスまたは目標（コンテキスト上の調整）に繋がる。ここで記載されているような劣化は、劣化ベクトル（Ｑ１、Ｑ２、…、Ｑｕ）から計算される。ここで、劣化ベクトルの各々のコンポーネントＱλ（λ＝1,2，…,Ｕ）は、利用できるデータの組の異なる透視図（perspective）である。例えば、Ｑ１は、多変量の平均であり得て、Ｑ２は関連づけられた多変量の偏差、Ｑ３はプロセスステップにおいて特定の変数に対する一組のウェーブレット係数、Ｑ４は予測された圧力と測定圧力との間の平均差などであることができる。標準トレーニングランは、各々のコンポーネントに対して特定の組の値（例えばトレーニングデータアセット）を生成し、それは、各々のコンポーネントからランデータ（例えばランデータアセット）によって生成されるコンポーネントＱ1―ＱＵと比較されることができる。劣化を判断するために、適切な距離の計量（ｍｅｔｒｉｃ）が、｛Ｑ｝空間のその「ノーマル位置」からランの劣化ベクトルの（例えば、ユークリッドの）距離を比較するために、使用されることができる；大きいこのようなユークリッド距離は、よりツールシステムが低下すると述べる。加えて、第２の計量は、２本のベクトルの間のコサイン類似性の計量を計算することでありえる。
自己コンセプト化コンポーネント５６０は、重要なツールシステム３１０の関係（例えば、１つ以上のツール挙動機能）、および、説明（descriptions）（例えばリクエストされ、測定されたパラメータに関する統計量、劣化上のパラメータの影響など）の理解を構築するように構成されることができる。関係および説明は、また、ソフト、若しくはデータ、アセットであることは理解される。理解は、自律ラーニングシステム３６０によって、またはガイダンスを与えられたアクター３９０（例えばヒューマンエージェント）を介して、自律的に決められる（例えば、入力データから生じた推論、および、コンテキスト上の目標適合によって；推論は、例えば、多変量回帰（multivariate regression）または進化的（evolutionary）プログラミング（例えば遺伝的アルゴリズム）を介して達成される）。自己コンセプト化コンポーネント５６０は、ツールシステム３１０の単一のパラメータの挙動の機能説明（functional description）、または、一般に目標コンポーネントコンポーネント１２０、例えば、特定の堆積ステップの間の時間の関数として半導体製造システムの堆積チャンバの圧力を構成することができる。加えて、自己コンセプト化コンポーネント５６０は、特定の組の入力情報３５８の従属変数の機能的関係のような、ツールシステムと関連している挙動を学習することができる。一態様において、自己コンセプト化コンポーネント５６０は、特定のガスフロー、温度、排気バルブ角度、時間などで、所定のボリュームの堆積チャンバの圧力の挙動を学習することができる。さらに、自己コンセプト化コンポーネント５６０は、システム関係、および、特性を生成することができる。それは、予測目的にために使われることができる。学習された挙動の中で、自己コンセプト化コンポーネントは、ノーマル状態を特徴づける関係、および、説明を学習することができる。監視ツール挙動の変動が比較されることに関しての基準状態（reference state）として、このようなノーマル状態は、一般的に自律ラーニングシステム３６０によって使用される。
自己最適化コンポーネント５７０は、予想値間のツールシステム３１０偏差のレベルに基づいて自律生物学的ベースのラーニングシステム３００の現在のヘルスまたはパーフォーマンスを解析することができる（例えば、関数的従属性または自己コンセプト化コンポーネント５６０および測定値によって学習される関係に基づく予測）。それは、(ａ)ツールシステム３６０の故障のポテンシャル要因、または（ｂ）自律ラーニングシステム３６０によって集められる情報に基づいてツールシステム劣化のルート要因の１つ以上のソースを特定するためである。自律ラーニングシステム３６０が初めに不良に対する誤ったルート原因を間違えて特定するかどうかを、自己最適化コンポーネント５７０がオーバータイムで学習することができる。ラーニングシステム３００は、メンテナンスログまたはユーザガイダンスの入力に対して、実際のルート原因を正しく特定することを可能にする。一態様において、自律ラーニングシステム３６０は、更なる診断正確度を改良するラーニングによってベイズの推論（Bayesian inference）を利用しているその診断に対するベースを更新する。別の形態として、最適化プランは、適合することができ、および、このような適合プランは、次の検索（retrieval）、採用（adoption）、および、実行に対して最適化ケースヒストリに保存されることができる。さらに、ツールシステム３１０によって導かれるプロセスに対する一組の適合、または、目標コンポーネント１２０によって通常追い求められる目標は、最適化プランを介して遂げられることができる。自己最適化コンポーネント５７０は、プロセスまたは目標最適化を促進することができる適合プランを開発するために、データフィードバック（例えばリンク５６５、５５５、および、５１５を介して遂行されるループ）を利用することができる。
実施形態の５００において、自律生物学的ベースのラーニングシステム３６０は、プランナコンポーネント５８０、および、システムコンテキストコンポーネント５９０を更に備えることができる。機能メモリコンポーネント５１０、５２０、および、５３０、並びに、プライマリ機能ユニット５５０、５６０、および、５７０の階層は、知識ネットワーク３７５を介して、プランナコンポーネント５８０、および、システムコンテキストコンポーネント５９０と通信することができる。
プランナコンポーネント５８０は、自動ＢＯＴコンポーネント５４０のより高い水準の自動ＢＯＴを利用することができ、および、具備することができる。このような自動ＢＯＴは、プランナｕｅｂｅｒｂｏｔｓと特定されることができ、および、適合性、重要性、活性化／抑制エネルギ、および、コミュニケーション優先度のようなさまざまなニューメリックのアトリビュートの調整を実現することができる。プランナコンポーネント５８０は、堅固で、直接的なグローバル戦略を実現することができる；例えば、特定のデータタイプまたはデータ構造を強制することができる一組のプランナｕｅｂｅｒｂｏｔｓを作成することによって、短期メモリ５２０および特定の自動ＢＯＴにおいて利用できる特定の知識を介して、短期メモリ５２０にて操られる。一態様において、プランナコンポーネント５８０によって作成される自動ＢＯＴは、自動ＢＯＴコンポーネント５４０に置かれることができて、および、知識ネットワーク３７５を通じて利用されることができる。別の形態として、あるいは、付加で、プランナコンポーネント５８０は、自律ラーニングシステム３６０、ツールシステム３１０の現在条件、短期メモリ５２０のコンテント（それは、コンテントにおいて操作することができる関連づけられた自動ＢＯＴを含むことができる）、および、さまざまな自動ＢＯＴの利用コスト／利点解析の現行コンテキストの関数として、間接的なグローバルな戦略を実現することができる。本自律生物学的ベースのラーニングツール３００がプランナコンポーネントの動的な延長を与えることができることは、理解されるべきである。
プランナコンポーネント５８０は、プロセスまたは目標を確保することができる制御コンポーネント（regulatory component）として作用することができる。自律生物学的ベースのツール３００の適合は、その劣化の結果ではない。一態様において、調整形態は、プランされたプロセスまたは目標、適合に基づいて操作状態を推定する調整ｕｅｂｅｒｂｏｔｓの作成を通し、直接のグローバル戦略を介して実現されることができる。このような推論は、調整ｕｅｂｅｒｂｏｔｓが作用するデータタイプの意味ネットワークを介して遂行されることができ、および、推論は、コスト／利点解析によって、サポートまたは補われることができる。プランナコンポーネント５８０が目標コンポーネント（例えばツールシステム３１０）に特定のダメージを軽減することができる目標の空間の特定の領域の中でドリフトしている目標を維持することができることは、理解されるべきである。
システムコンテキストコンポーネント５９０は、自律ラーニングシステム３６０を利用する自律生物学的ベースのラーニングツール３００の現在の能力を取り込むことができる。システムコンテキストコンポーネント５９０は、以下の(ｉ)および（ｉｉ）を具備する状態ＩＤ（state identifier）を含む。(ｉ)能力（competency）の内部度合いと関連づけた値（例えば、プロセスを導く（または目標を追う）ツールシステム３１０の有効性の度合い、プロセスを導く間に使用される一組のリソース、最終製品またはサービスの品質アセスメント（または追求された目標の結果）、デバイスの納期、その他））、および、(ｉｉ) 自律ラーニングツール３００の状態を示すためのラベルまたはＩＤ。例えば、ラベルは、「初期状態」「トレーニング状態」「モニタリング状態」「ラーニング状態」、または「適用知識（applying knowledge）」のような状態を示すことができる。能力の度合いは、決定された範囲において、数値、または計量によって特徴づけられることができる。能力は、自律システム（例えば実施例システム３００）の全寿命の計測でありえて、または、相対的な寿命、例えばコンテキストの現在状態のスタートからの寿命の計測であり得る。それで、システムコンテキストコンポーネント５９０によって提供されるコンテキストは、寿命または経験のプロキシとしての機能を果たすことができる。更に、システムコンテキストコンポーネント５９０は、特定の時間インターバルに渡って、自律ラーニングシステム３６０によって実行されるラーニングのサマリー、同じく実行されたラーニングからみて実現されることができる可能なプロセスまたは目標適合のサマリーを含むことができる。
図６Aは、実施例の自動ＢＯＴコンポーネント５４０を示す。自動ＢＯＴ６１５１-６１５Ｎは、自然数Ｎを有する各々特定の動的優先度（dynamics priority）6251―625Ｎによって、自動ＢＯＴおよびｕｅｂｅｒｂｏｔｓのライブラリを表す。自動ＢＯＴ６１５１-６１５Ｎは、メモリ（例えば長期または短期メモリまたはエピソードメモリ）と通信することができる。上記に示されるように、自動ＢＯＴの優先度は、自動ＢＯＴの活性化エネルギー、および、抑制エネルギによって決定される。自動ＢＯＴ（例えば自動ＢＯＴ６１５１または６１５Ｎ）は、ＳＴＭの自動ＢＯＴによって処理されうるデータのときに、活性化エネルギ（ｕｅｂｅｒｂｏｔｓを介して）を得る。自動ＢＯＴ（例えば自動ＢＯＴ６１５２）活性化エネルギ、および、抑制エネルギの加重和（例えば、Σ＝ｗＡＥＡ＋ｗＩＥＩ）は、自動ＢＯＴがその機能的タスクを実行するためにそれ自体をアクティブにする時を決定することができる：自動ＢＯＴは、Σ＞ψ（ψが所定の、内蔵閾値（predetermined, inbuilt threshold）である）であるときに、自己アクティベートする。本自律生物学的ベースのラーニングツール３００は、自動ＢＯＴの動的な拡大を与えることができることは、理解されるべきである。
図６Bは、自動ＢＯＴの実施例のアーキテクチャ６５０を示す。自動ＢＯＴ６６０は、実質的に、自動ＢＯＴコンポーネント５４０に含まれるいずれかの自動ＢＯＴでありうる。機能コンポーネント６６３は、自動ＢＯＴ６６０が入力データに実行することができる少なくとも一部の操作を決定し、実行することができる。プロセッサ６６６は、自動ＢＯＴ６６０によって実行された操作の少なくとも一部を実行することができる。一態様において、プロセッサ６６６は、機能コンポーネント６６３のコプロセッサとして操作することができる。自動ＢＯＴ６６０は、また、以前に実行された操作の一組の結果が保持される内部メモリ６６９を具備することができる。一態様において、内部メモリは、操作、ＥＡおよびＥＩの現在および前の値、自動ＢＯＴの操作の履歴ログその他と関連している入力データを保存するキャッシュメモリとして操作する。例えば、エラー訂正コンポーネント６７２を介して決められるように誤差の特定タイプおよび量が自動ＢＯＴ６６０にフィードバック、または、バック伝播されるときに、内部メモリ６６９は、また、次の結果の品質を改良する方法を学習するために自動ＢＯＴ６６０を、例えばプロセッサ６６６を介して、容易にすることができる。従って、自動ＢＯＴ６６０は、一組のトレーニングサイクルを介して、特定の方法で、特定の入力データを操作するために訓練されることができる。
自動ＢＯＴが以下（ａ）（ｂ）および（ｃ）を詳述することができるという点で、自動ＢＯＴ（例えば自動ＢＯＴ６６０）は、また、自己記述する（self-describing）ことができる。(ａ)自動ＢＯＴが操ることができるかまたは必要とすることができる入力データの１つ以上のタイプ、（ｂ）自動ＢＯＴが生成することができるのデータのタイプ、および、(ｃ)入出力情報への１つ以上の制約（constraints）；処理および生成（manipulation and generation）は、プロセッサ６６６を介して少なくとも一部達成されることができる。一態様において、インターフェース６７５は、ｕｅｂｅｒｂｏｔｓが特定のツールシナリオに従って自動ＢＯＴに活性化／抑制エネルギを供給するために、自動ＢＯＴ６６０に自己記述を、そして、自動ＢＯＴの利用率および可能性をｕｅｂｅｒｂｏｔｓに表現することを容易にすることができる。インターフェースは、プロセッサ６６６を含む自動ＢＯＴ６６０内の１つ以上のコンポーネントに機能的に組み合わせられることができる。
図７は、自律生物学的ベースのラーニングシステムの自己認識コンポーネント５５０の実施例のアーキテクチャ７００を示す。自己認識コンポーネント５５０は、ツールシステム（例えばツールシステム３１０）の学習された正常状態に関して、劣化のカレントレベルを決定することができる。劣化は、多重ソース、例えばツールシステムの機械的な部分の摩耗および破断（wear-and-tear）から生じることができる；ツールシステムに１つ以上の最適範囲の外側で操作することを強いることができるレシピ（例えばデータアセット）またはプロセスを開発する誤操作または発達上の操作（improper operation or developmental operation）；ツールシステムの不適当なカスタマイズ；または保修計画への不十分な付着（inadequate adherence to maintenance schedules）。自己認識コンポーネント５５０は、以下の（ｉ）（ｉｉ）および（ｉｉｉ）を介して、再帰的に組立てられ、または規定されることができる。（ｉ）メモリの階層（hierarchy of memories）、例えばメモリプラットホーム３６５の部分でありえる認識メモリ（７１０-７４０）、(ｉｉ)機能的操作ユニット（functional operational units）、例えば自動ＢＯＴコンポーネント５４０にて存在することができて、および、処理プラットホーム３８５の部分であることができる認識自動ＢＯＴ、および、(ｉｉｉ)認識プランナ７５０の組。劣化のレベルに基づいて、自律ラーニングシステム３６０は、可能な不良にランクするために、情報３５８と同様に、利用できるデータアセット３２８を解析することができる。一態様において、劣化の過剰なレベルに応答において、例えば、ツールシステム不良であり、アクター（例えばフィールドエンジニア）は、チャンバのクリーニング、フォーカスリングの置き換えなどの１つ以上のメンテナンス活動を実行することができる。ツールシステムの成功した修理の場合には、確認されるように、例えば、システム障害の前の劣化と一致する劣化レベルを回復することによって、および、メンテナンス活動に先行して関連づけられた症状（例えば、データアセットおよびパターン、関係、および、実質的にこのような組合せから引き出されると思われる何らかの他のタイプ）は、自律ラーニングシステム３６０によって保持されることができる。それで、後天的な症状がデータアセットから収集されて、独立して新しく理解すること、および、劣化解析を介して特定されるこの次のインスタンスにおいて、保存された修理プランは、リプレイされる費用を減少して、および、平均修理時間（ＭＴＴＲ）を改良する。
認識作業メモリ（ＡＷＭ）７１０は、データ（例えば情報入力３５８）を保存するために利用されることができる認識感覚メモリ（awareness sensory memory：ＡＳＭ）７２０として特定されるメモリの特別な領域を含むことができるＳＴＭである。そして、それはセンサコンポーネント３２５のセンサにおいてまたはアクター３９０において生じることができて、アダプタコンポーネント３３５の１つ以上のアダプタによってパッケージ化されることができて、および、知識ネットワーク３７５によって受信されることができる。自己認識コンポーネント５５０は、また、複数の特定の機能自動ＢＯＴを具備することができる。そして、それは、自動ＢＯＴコンポーネント５４０にて存在することができて、および、認識プランナｕｅｂｅｒｂｏｔｓを含むことができる（awareness planner ueberbots：ＡＰｓ）。
加えて、自己認識コンポーネント５５０がＬＴＭの部分である認識知識メモリ（ＡＫＭ）７３０を具備することができ、自己認識コンポーネント５５０の操作に関連する多重コンセプト（multiple concepts）（例えばアトリビュート；構成要素、例えばクラスまたは原因のグラフ；関係、または手順）を含むことができる。一態様において、半導体製造ツールに対する自己認識コンポーネント５５０は、ステップ、ラン、バッチ、メンテナンス間隔、湿式クリーニングサイクルなど、同じく番号のような汎用コンセプト、リスト、シーケンス、組（set）、マトリックス、リンクその他のような領域特定コンセプト（domain specific concepts）を含むことができる。このようなコンセプトは、より高い抽象化のレベルに入ることができる；例えば、ウェハランは、ステップの順序づけられたシーケンスとして、ステップが両方のレシピパラメータ設定（例えば目標値）、および、１つ以上のステップ測定を有するところを規定されうる。さらに、ＡＫＭ７３０は、機能的関係を含むことができ、それは、平均、標準偏差、範囲、相関、主成分分析（ＰＣＡ）、マルチスケール主成分分析（ＭＳＰＣＡ）、ウェーブレットまたは実質的な何らかの基礎関数などのような２つ以上のコンセプトをリンクできる。複数の機能的関係（multiple functional relationships）は、適用できることがありえて、それ故、同じコンセプトにて関係づけられる点に留意する必要がある；例えば、番号のリストは、平均によって、実数インスタンスにマップする。それは、（機能的）関係、および、標準偏差関係であり、同様に、最大関係その他である。１つ以上の構成要素から別の構成要素への関係が機能または機能的（例えば機能の機能）である場合に、機能を効果的にするために、ｕｅｂｅｒｂｏｔによって実行されることができる関連づけられた手順がありうる。コンセプトの正確な定義は、適切なデータスキーマ定義言語（例えばＵＭＬ、ＯＭＧＬなど）で表されることができる。ＡＫＭ７３０のコンテントがシステムダウンをシャットすることなしで、（ツールシステム）ランタイムでダイナミックに増大される（augmented）ことができることを更に気付くべきである。
ＡＫＭ７３０の各々のコンセプトは、知識ベースの何らかのコンセプトとしてここで記載されているように、コンセプトの特定の状況スコアに至って、適合性アトリビュートおよび慣性アトリビュート（a suitability attribute and an inertia attribute）と関連することができる。まず最初に、自律システムがデータを提供される前に、ＡＫＭ７３０の全てのエレメントに対して適合性の値はゼロであり、しかし、全てのコンセプトに対する慣性は、従属するツールでありえて、および、アクターによって、または履歴データ（例えば、データベース３５５内のデータ）に基づいて特定されることができる。一態様において、平均の計算が収集されたデータセットを含んでいる実質的に全ての状況に適用できうる重要な単純操作と見なされることができるので、一組の番号から平均を生成する手順の慣性は、実質的に低くありえる（例えばι＝１）か、またはコンピュータシュミレーションからもたらされる。同様に、単一番号（a single number）に一組の番号（a set of numbers）を変換する最大および最小の値の手順(maximum and minimum value procedures)は、実質的に低い慣性値を与えられうる（conferred）。別の形態として、範囲を計算し（compute）、および、標準偏差を計算することは、このような知識エレメントが適用するのがより困難であるために、より高い慣性値（＝例えば、ι＝２）を提供されることができる。一方、ＰＣＡの算出（calculate）は、慣性のより高レベルを示すことができて、および、ＭＳＰＣＡの算出は、慣性のさらにより高い値を有することができる。
状況スコアは、ＡＫＭ７３０から、およびＡＷＭ７１０（下記参照）の間を通信するコンセプトを決定するために使用されることができる。状況スコア閾値を上回る知識エレメントまたはコンセプトは、ＡＷＭ７１０に伝えられるために適格である。ＡＷＭ７１０内に十分に利用できるストレージがコンセプトを保持するためにあり、ＡＷＭ７１０に伝えられなかったより高い状況スコアを有する離隔コンセプト（disparate concepts）がない場合に、このようなコンセプトは伝えられることができる。ＡＷＭ７１０内のコンセプトの適合性、および、それでコンセプトの状況スコアが時間進行とともに減衰することができる。それは、すでにメモリの１つ以上のコンセプトがもはや必要でないかまたはもはや適用できないときに、より高い適合性を有する新しいコンセプトが認識作業メモリ７１０に入ることを可能にすることができる。
ツールシステム状態が変わるときに、例えば、スパッタターゲットが置き換えられて、電子ビーム銃は追加され、堆積プロセスが終了し、インシトゥプローブが起動され、アニーリングステージが完成されるなどのときに、認識プランナ５５０ｕｅｂｅｒｂｏｔｓは、文書化することができ、それは、コンセプト（例えば知識エレメント）が新しい状態において適用され、ＡＫＭ７３０の各々このようなコンセプトの適合性値および、それで状況スコアを増加させることができる。同様に、自動ＢＯＴ6151―615Ｎの活性化エネルギ6171―617Ｎは、特定の自動ＢＯＴの活性化エネルギを縮小するために、および、新しい状況に適切である自動ＢＯＴに対してＥＡを増加させるために、ｕｂｅｒｂｏｔｓによって調整されることができる。適合性（および、状況スコア）のインクリメントは、それらのコンセプトの第１の隣接値（neighbors）に、そして、第２の隣接値（neighbors）その他に対するプランナｕｅｂｅｒｂｏｔｓによって広がることができる。ＡＫＭ７３０の第１のコンセプトの隣接値が、位相的な感覚（sense）において存在する第２のコンセプトでありえることが理解されるべきである、そしてそれは、例えばホップの番号、ユークリッド距離などの選択された測定に従った第１のコンセプトから特定の距離の範囲内にある。より遠隔の第２のコンセプトが適合性のオリジナルインクリメント、より小さい第２のコンセプトの適合性のインクリメントを受信した第１のコンセプトからである点に注意される。それで、適合性（および、状況スコア）インクリメントは、「概念上の距離（conceptual distance）」の関数として、低下する広がり（dampened spread）を示す。
アーキテクチャ５００において、自己認識コンポーネント５５０は、認識予定アダプタ（awareness schedule adapter：ＡＳＡ）７６０を具備する。それは、認識プランナコンポーネント７５０の延長をすることができ、収集の外部データまたは内在性のデータ（例えばインタラクションコンポーネント３３０を通しセンサコンポーネント３２５を介して、入力１３０を介して、または（フィードバック）リンク１５５を介して）を要求し、および、変化を生じる。一態様において、認識予定アダプタ７６０は、データサンプリング周波数調整を導入することができる。例えば、それは、アダプタコンポーネント３３５の異なるアダプタが、ＡＳＭ７２０に対して意図される知識ネットワーク３７５（例えば情報入力３５８）にデータを伝えることができるレートを調整することができる。さらに、認識予定アダプタ７６０は、低周波数で、プロセス変数と関連しているデータのコレクションをサンプリングすることができ、または実質的に取り除くことができる。そしてそれは、データの標準パターンの記載に含まれないものであり、また、変数は適応推論エンジンで受信されるデータから推定されるように、目標の成果を前進させるために不足している。逆にいえば、ＡＳＡ７６０は、より高い周波数で、データの標準パターンにおいて広範囲に使用される変数の組をサンプリングでき、目標を能動的に前進させることができる。さらに、自律ラーニングシステム３６０は状態ツールシステム３１０の変化（または特定の目標と関連している状況の変化）を認め、そこにおいて、データが製品品質またはプロセス信頼性が標準データパターン（または、目標ドリフトが目標の空間の最初の目標から、重要な離脱（significant departure）をもたらす）から徐々に外れていることを示すときに、自律ラーニングシステムは、ＡＳＡ７６０を介して、実用的な情報（例えば入力１３０）のより大きいボリュームを収集するデータのより迅速なサンプリングを要求することができる。それは、効果的に劣化を確証することができて、および、したがって、適切なアラームをトリガーすることができる。一態様において、目標コンポーネントは、最初の目標に入力するアクターに、目標ドリフトサマリーを表示することができる；例えば、最初の支出目標から実質的に逸脱した電子工学ストアの顧客は、家庭用娯楽システムを調達するときに、履歴適合の後で突出した出費と共にログを示されることができる；または、データベースアーキテクトは、メモリ空間と関連している費用を示されることができ、および、データウェアハウスを最適化するために、目標の適合にインフラストラクチャを関連づける。
アクター３９０（例えば、ヒューマンエージェントまたはヒューマンエージェントによって使用されるデバイス）は、複数の方法で自己認識コンポーネント５５０を訓練することができる。それは、１つ以上のエピソード（例えば、成功裏に適合する目標の図を含む）の定義を含むことができる。自己認識コンポーネント５５０を介して、自律ラーニングシステム３６０のトレーニングは、以下の通りにエピソードが起こることができる。アクター３９０は、エピソードを作成して、および、固有の名を有するエピソードを提供する。新しく作成されたエピソードのデータは、それで自律ラーニングシステム３６０に与えられることができる。データは、ツールシステムの単一の特定の操作ステップの間、単一の特定のステップの間の一組のパラメータ、ランの単一のパラメータ平均などの特定のセンサデータでありえる。
別の形態として、または加えて、より基本のガイダンスは、アクター３９０によって提供されることができる。例えば、フィールドサポートエンジニアは、ツールシステム３１０上の予防ツールメンテナンス（preventive tool maintenance：ＰＭ）を実行することができる。ＰＭは計画されることができて、および、定期的に行われることができ、または、それは計画されることなく、非同期でありえる。予防ツールメンテナンスが自律ラーニングシステム３６０による要求に応答して、ルーチンの予防メンテナンスに応答して、または、計画外のメンテナンスに応答して、製造システムに実行されることができることは、理解されるべきである。時間間隔が連続的なＰＭの間で経過し、このような時間間隔の間、１つ以上のプロセス（例えばウェハ／ロット製造）は、ツールシステムで行われることができる。データ、および、製品アセット（例えばデータアセット、フラットパネル表示装置、ウェハ…）、および、関連情報（例えば遂行されたプランナ、および、計画されてないメンテナンス）を介して、自律ラーニングシステムは、「不良サイクル」を推定することができる。それで、自律ラーニングシステムは、故障間隔平均時間（mean time between failures：ＭＴＢＦ）を推定するために、アセット３２８を利用する。このような推論は、臨界のデータ、および、製品アセットの関数として、故障時間のモデルを介してサポートされる。さらにまた、情報入出力（Ｉ／Ｏ）３５８として受信される異なるアセット間の関係を介して、または、熟練したアクターによって配信される管理されたトレーニングセッションからもたらされる履歴データを介して、自律ラーニングシステム３６０は、モデルを開発することができる。熟練したアクターは、訓練された異なる自律ラーニングシステムと相互に作用する異なるアクターでありえることを理解すべきである。
アクター３９０は、それがウェハレベルランデータを平均化し、および、ＰＭ間隔に渡って臨界パラメータのドリフトを判断することができることをシステムに知らせることによって自律システムをガイドすることができる。よりチャレンジな練習は、また、自律システムによって実行されることができ、そこにおいて、アクター３９０は、各々計画されてないＰＭの前に、ウェハ平均レベルのデータのパターンを特徴づけるように学習する自律ラーニングシステム３６０に、ラーニング命令を介して示す。このような命令は、計画されてないＰＭの前にデータのパターンを学習するように、自律ラーニングシステム３６０を促進することができる。もし、データのパターンが認識自動ＢＯＴによって特定されることができるならば、時間が展開するにしたがって、自己認識コンポーネント５５０は、このようなパターンを学習することができる。パターンを学習する間、認識コンポーネント５５０は、自己コンセプト化コンポーネント５６０または自動ＢＯＴコンポーネント５４０にて存在する認識自動ＢＯＴから援助（またはサービス）をリクエストすることができる。ツールシステムのパターンが高度な信頼によって学習されるとき（例えば、ＰＣＡ分解の係数において反映されるように、パターンのある程度の再生性（reproducibility）で測定される、Ｋ-クラスターアルゴリズムの優位なクラスタのサイズ、または、一組の異なるパラメータおよび時間その他の関数としての第１のパラメータのマグニチュードの予測）、自律生物学的ベースのラーニングシステム３６０は、故障と関連している参照エピソードを作成することができ、それは、アラームが参照エピソードの発生の前にトリガーされることができるために、ツールメンテナンスの必要性に至ることができる。自動ＢＯＴコンポーネント５４０にて存在する認識自動ＢＯＴは、完全に故障参照エピソード（malfunction reference episode）のデータパターン、または、それが必要とする前に実質的に計画されてないメンテナンスを必要とすることができる何らかの特定状況を完全に特徴づけるために不足していることがありえることに注意する。それにもかかわらず、ツールシステム３１０のこのような予防ヘルス管理は、難解な行動（deep behavioral）および予測関数解析（predictive functional analysis）を含むことができ、自己コンセプト化コンポーネント５６０の自動ＢＯＴによって実行されることができることを理解されるべきである。
図８は、認識作業メモリ５２０にて操作することができる自動ＢＯＴのダイアグラム８００である。示された自動ＢＯＴの、限定子８１５、期待エンジン８２５、サプライズスコアジェネレータ８３５、および、サマリージェネレータ８４５は、認識エンジンを組み立てることができる；仮想エマージェントコンポーネントは、そのエマージェント性質（nature）が基本の構成要素（例えば自動ＢＯＴ８１５、８２５、８３５および８４５）の協調した操作から生じる。認識エンジンは、１つ以上の計画（planning）ｕｅｂｅｒｂｏｔｓの方法の実施例であることが理解されるべきであり、それは、洗練されたアクティビティを実行する調整された自動ＢＯＴの一まとまりを使用することができる。計画ｕｅｂｅｒｂｏｔｓは、自律生物学的ベースのラーニングシステムにて受信されるデータのパターンを特徴づけるために、さまざまな自動ＢＯＴ（例えば、平均、標準偏差、ＰＣＡ、ウェーブレット、導関数など）または自己コンセプト化コンポーネント５６０のサービスを使用する。各々のステップ、ラン、ロットなどのデータは、トレーニングの間、標準または異常であるとして、外部実体によってラベルをつけられることができる。限定子８１５は、プロトタイプの、標準プロセスのデータのパターンを学習するために標準データを利用するようにｕｅｂｅｒｂｏｔｓを計画することによって使用されることができる。加えて、限定子８１５は、ＡＳＭ７２０に置かれる（deposited）ラベルなしデータセット（例えば情報入力３５８）を判断することができて、および、標準データパターンをラベルのないデータのデータパターンと比較することができる。標準データの期待されたパターンまたは標準データを有するパラメータを予測する方程式は、保存されることができて、および、期待エンジン８２５を介して操作されることができる。複数計量に従って、ラベルのないデータのパターンは、さまざまな方法において、標準データパターンと異なる点に留意する必要がある；例えば、ホテリングＴ2統計量に対する閾値（ＰＣＡおよびＭＳ-ＰＣＡに適用され、および、トレーニングランから導き出されるように）は、上回られることができる；ラベルなしデータセットのデータサブセットの平均は、標準、トレーニングランデータによって計算される平均から3σ（または他の所定の偏差間隔）を越えて異なる；測定されたパラメータのドリフトが、標準ランなどと関連しているデータにて観測され、実質的に異なることができる。サマリージェネレータ８４５は、それで標準データコンポーネントのベクトルを生成する。一方、サプライズスコアジェネレータ８３５は、組み込むことができ、および、ランク付けし、または、ベクトルのコンポーネントの実質的に全てのこのような違いに重み付けをして、そして、正味の劣化サプライズスコアを計算し、それはツールシステムのヘルス条件を反映して、どの程度「標準から離れて（away from normal）」ツールシステムがあるかを反映する。標準およびラベルのない計量の間の矛盾が時間の関数として、変化することは、理解されるべきである。それで、標準データの増加させる量の収集を介して、自律ラーニングシステム３６０は、時間展開として、統計信頼のより大きなレベルを有するさまざまな操作制限を学習することができ、したがって、生産工程レシピ（例えば目標）を調整することができる。サプライズスコアを介して測定されるような劣化条件は、例えば、サマリージェネレータ８４５を介してアクターに報告される。
図９は、自律生物学的ベースのラーニングシステムの自己コンセプト化コンポーネントの例示の実施例９００を示す。自己コンセプト化コンポーネントの機能は、重要な半導体製造ツール関係、および、説明の理解を構築することになっている。このような理解は、生産工程（例えば目標）を調整するために使用されることができる。この取得された理解は、自律的に構築されるかまたはエンドユーザ（例えばアクター３９０）とともに、ガイダンスを提供される。他のプライマリ機能コンポーネント５５０および５６０と同様に、自己コンセプト化コンポーネント５７０は、組立てられるかまたはメモリ、操作ユニットまたは自動ＢＯＴ、および、プランナの階層に関して再帰的に規定される；このようなコンポーネントは、優先度−可能な知識ネットワークを通信することができる。
実施形態９００は、概念化知識メモリ（conceptualization knowledge memory：ＣＫＭ）９１０を示し、それは、自己コンセプト化コンポーネント５７０の操作必要なコンセプト（例えばアトリビュート、構成要素、関係、および、手順）を含む。ＣＫＭ９１０のコンセプトは、(ｉ)ドメイン特定コンセプト、例えばステップ、ラン、ロット、メンテナンス間隔、湿式クリーニングサイクル、ステップ測定、ウェハ測定、ロット測定、ウェハ上の位置、ウェハ領域、ウェハ中心、ウェハ端部、最初のウェハ、最後のウェハなどを含む；および、(ｉｉ)一般の目的、番号、定数（例えばｅ、π）、変数、シーケンス、時系列（time-sequence）、マトリックス、時間マトリックス、細かい粒状挙動（a fine-grained-behavior）、粗い粒状挙動(a coarse-grained-behavior)などのようなドメイン独立コンセプト、自己コンセプト化コンポーネントも一般の目的の機能関係、例えば追加、減算、増大、分割、二乗、三乗、乗算、指数、ログ、サイン、コサイン、タンジェント、エルフ（ｅｒｆ）などの巨大なアレイを含む、同様に、他のドメイン特定機能関係は詳細な各種レベル、および、適応概念化テンプレートメモリ（adaptive conceptualization template memory：ＡＣＴＭ）９２０にて存在する。
ＡＣＴＭ９２０は、ツールシステム３１０（例えば半導体製造ツール）と相互に作用するアクター（例えばエンドユーザ）に完全に、または、部分的に知られている機能的関係を持つことができるＣＫＭ９１０の延長である。ＡＣＴＭがＣＫＭの論理的な延長であり、実際の記憶装置（メモリストレージ）が自己コンセプト化コンポーネント５６０内の単一のストレージユニットのように見えることができるように、自動ＢＯＴ、プランナ、および、他の機能コンポーネントがこのような分離に影響を受けない点に留意する必要がある。自己コンセプト化コンポーネント５６０は、また、概念化目標メモリ（conceptualization goal memory：ＣＧＭ）９３０を含むことができ、それは、概念化作業メモリ（conceptualization working memory：ＣＷＭ）９４０の延長である。ＣＧＭ９３０は、現在の目標の自動ＢＯＴを容易にすることができる、例えば、学習する（ｆ、圧力、時間、ステップ）；特定のプロセスステップに対し、機能が時間に依存する圧力の機能ｆを学習する。学習機能ｆがツールシステム３１０を利用して半導体デバイスを製造する目標を達成することを容易にすることができるサブ目標を表す点に留意する必要がある。
ＡＣＴＭ９２０のコンセプトは、また、適合性数値アトリビュート（suitability numeric attribute）、および、慣性数値アトリビュート（inertia numeric attribute）を有する。そして、それは状況スコアに至ることができる。慣性の値は、コンセプトの可能性が学習されることを示すことができる。例えば、マトリックスコンセプトのより高い慣性値、および、時系列コンセプトのより低い慣性は、自己コンセプト化コンポーネント５６０がマトリックスのデータの機能的挙動よりむしろ時系列の機能的挙動を学習することができる状況に導く。自己認識コンポーネント５５０と同様に、より低い慣性を有するコンセプトは、さらにＣＫＭ９１０からＣＷＭ９４０まで伝えられ可能性がある。
現行コンテキスト、ツールシステム３１０（または一般に目標コンポーネント１２０）の現在状態、ＣＷＭ９４０のコンテントまたはＣＷＭ９４０にてアクティブな現在の自動ＢＯＴの関数として、概念上のプランナ（conceptual planners：ＣＰ）は、さまざまな自動ＢＯＴに活性化エネルギを提供して、および、ＣＫＭ９１０、および、ＡＣＴＭ９２０のさまざまなコンセプトに、状況エネルギを提供する。ＣＷＭ９４０またはＣＫＭ９１０のコンセプト変更された意味ネットワークの結果として、適応推論エンジンによる推論がコンセプトの伝播態様に基づくことがありえるように、活活性化エネルギおよび状況エネルギの変更が生成された知識に基づいて（例えば、学習することに基づいて）、目標適合に導くことができることは、理解されるべきである。
ＣＴＭ９２０のコンテントは、上で議論される知識を記載することができるコンセプトである。それで、それらのコンセプトは、適合性、および、慣性数値アトリビュートを有することができる。ＣＴＭ９２０のコンテントがツールシステム３１０の機能的挙動を学習するために自動ＢＯＴによって使われることができる（制約を前提として、より低い慣性を有するコンセプトは、より高慣性を有するコンセプトを通じてよりアクティブにされ可能性がある）。全てのガイダンスが同じ慣性を有することは、必要でない；例えば、両方のコンセプトが完全な機能を表す場合であっても、第１の完全な機能は第２の完全な機能より低い慣性を提供されることができる。
部分的に規定された方程式のような部分的な知識は、ＣＷＭ９４０にてアップロードされるときに、それが完成されることができて、例えば、既存の知識によって、ＣＰが利用できるデータを未知の係数に対して第１の特定された値に使用するために自動ＢＯＴを調整する。一組のアドホックな（ad hoc）係数は、それで完全な機能コンセプトに部分的に規定された方程式コンセプトを完成することができる。完全な方程式コンセプトは、それで、追加（add）、増大(multiply)などのような予め構築された機能的関係コンセプト(pre-built functional-relation concept)にて利用されることができる。出力を有する基本的な知識（例えば関係（出力（κＥ）,Ｔ））は、κＥおよびＴの間の関係を記載することができる最適な機能を特定するために、κＥおよびＴのデータを含むさまざまな機能説明を構成して、および、評価するＣＷＭ９４０の自動ＢＯＴを容易にすることができてる。別の形態として、出力のない基本的な知識は、ＣＰの援助によって、出力としての変数または独立した変数を指定する（specify）ために、自動ＢＯＴを容易にすることができ、および、残っている変数（remaining variables）の関数として、それを表すことを試みる。良好な機能記載（good functional description）がわかられないときに、それが十分な機能的関係に収束し、または、例えばアクター３９０に自律ラーニングシステム３６０が十分な機能的関係がわかられないことを示すまで、独立変数のプロセスが繰り返されるように、代わりの変数は指定されうる。特定された良好な機能的関係は、ＣＰによって特定される慣性のレベルを有する自律生物学的ベースのラーニングエンジン３６０の自動ＢＯＴによって利用されるＣＫＭ９１０に提出されることができる。例えば、特定された慣性は、特定された関係の数学的複雑さの機能でありえる。２つの変数の間の直線相関は、複数変数、パラメータ、および、オペレータ（例えば勾配（gradient）、ラプラシアン、偏導関数（partial derivative）その他）を含む非線形関係に特定された慣性より低い慣性値を特定されうる。
概念化エンジン９４５は、認識自動ＢＯＴ、および、概念化自動ＢＯＴの調整されたアクティビティを示すことができる「仮想コンポーネント」でありえる。一態様において、自己認識コンポーネント５５０は、自己コンセプト化コンポーネント５６０に一群の変数（例えば、グループの変数は、良好なペアワイズ相関特性を表示するものでありえる）を前へ送る（feed forward）ことができる（ＦＦループ５５２を介して）。回送情報（Forwarded information）は、ＣＫＭ９１０をチェックする自己コンセプト化コンポーネント５６０、および、機能関係テンプレートＡＣＴＭ９２０を容易にすることができる。テンプレートの利用率によって、概念化学習者（conceptualization learner：ＣＬ）（概念化エンジン９４５で存在することができる）の自動ＢＯＴがよりすばやく送り届けられたグループ（forwarded group）の変数の中の機能的挙動を学習することを可能にすることができる。このような機能的挙動を学習することが第一目標のサブ目標でありえることは、理解されるべきである。ＣＰ自動ＢＯＴの助けを借りたＣＬ自動ＢＯＴは、また、概念化バリデータ（conceptualization validator：ＣＶ）の自動ＢＯＴを使用することができる。ＣＶ自動ＢＯＴは、提案された機能的関係（例えば、予想値、および、測定の間の平均誤差は、器具分解能内（within instrument resolution）である）の質を評価することができる。ＣＬ自動ＢＯＴは、自律してまたはアクターを供給されたガイダンスを介して、機能的関係を独立して学習することができる；このようなアクター供給されたガイダンスは、外部データと考えられることができる。ＣＬによって学習される機能は、興味がある一群の変数として自己認識コンポーネント５５０にフィードバックされる（fed back）ことができる（例えばＦＢリンク５５８を介して）。例えば、機能κE＝κ０ｅｘｐ（−U/T）（ここでκ０（例えば漸近エッチング速度）、および、U（例えば活性化バリア））を学習した後に、ＣＬに知られている特定の値を備えており、自己コンセプト化コンポーネント５６０は、自己認識コンポーネント５５０に対してガイダンスグループをフィードバックできる（出力（κE,Ｔ））。変数の群（グループ）に関する劣化がすばやく認識されて、必要に応じて、アラームが生成されて（例えば、アラームサマリー、照合されるアラーム受信者リスト）、および、トリガーされうるために、このようなフィードバックコミュニケーションは、このようなグループの変数についてパターンを学習するために自己認識コンポーネント５５０の余裕を持つことができる。メモリ９６０は、概念化エピソードメモリである。
ＣＬおよびＣＶと関連する次の２つの態様は、注意すべきである。第一に、ＣＬは、方程式（例えば、記号処理を介して）を単純化することができる自動ＢＯＴを含むことができる。そして、簡潔な数式として、それはストアに機能的関係を容易にすることができる。一例として、関係 Ｐ＝（（２＋３）Φ）（（1+0）÷Φ）は、Ｐ＝５Φ÷θに簡略化される。ここでＰ、Φ、Θは、それぞれ、圧力、流れ、および、排気バルブ角度を示す。第２に、ＣＶは、それが機能的関係の質を決定するときの方程式の構造の複雑さのファクタでありえて、例えば、実質的に同じ特徴を有するパラメータに対して（予想値に対する測定の平均誤差のような）、より単純な方程式は、より複雑化された方程式の代わりに好まれることができる（例えば、より単純な方程式は、より低いコンセプト慣性を有することができる）。
加えて、自己認識コンポーネント５５０から自己コンセプト化コンポーネント５６０への情報の重要なＦＦ５５２コミュニケーション、および、自己コンセプト化コンポーネント５６０から自己認識コンポーネント５５０へのＦＢ５５８コミュニケーションは、エピソードのデータのパターンを特徴づけるために、認識自動ＢＯＴ、および、概念化自動ＢＯＴの協調を含むことができる。上記のように図５に接して、自己認識コンポーネント５５０がエピソードを学習するために不足するときに、自己コンセプト化コンポーネント５６０は、一組の関連した機能的関係の提供を介して自己認識コンポーネント５５０をアシストすることができる。例えば、エピソードのキャラクタリゼーションは、ツールシステム３１０のプロセスランにおけるスタビリゼーションステップの圧力の時間依存の細かい粒状説明（fine-grained description）を必要とすることができる。自己コンセプト化コンポーネント５６０は、スタビリゼーションステップの圧力のこのような詳細な（例えば秒ごとに（second by second））時間依存を構成することができる。それで、ＦＢループ５５８を介して、自己認識コンポーネント５５０が標準ツール状況におけるスタビリゼーションステップの間、圧力のパターンを特徴づけるように学習することができ、そして、学習された圧力時間依存を特定のエピソードデータの圧力のパターンと比較することができる。説明として、エピソードのデータに対してスタビリゼーションステップより前の測定された圧力のスパイクの存在、および、標準ツール操作中の圧力データのスパイクの欠如は、自律生物学的ベースのラーニングツール３００のエピソードの発生を特定するデータパターンとして検出されることができる。
同様に、予定外のＰＭの予測は、ツールシステムデータの臨界の測定、および、自己コンセプト化コンポーネント５７０によって伝えられる一組の予測機能の利用可能性の時間的変動（temporal fluctuations）の知識に依存することができる。予測機能は、予測が時間の機能として一組の変数の突出された値に依存する場合の計画されてないＰＭの新生の状況（emerging situation）を予測するために、自己認識コンポーネント（例えばコンポーネント５５０）をアシストすることができる。
図１０は、自律生物学的ベースのラーニングシステムの自己最適化コンポーネントの例示の実施例１０００を示す。上記のように、自己最適化コンポーネント機能は、ツールシステム３１０の現在のヘルス（例えばパーフォーマンス）を解析して、そして、現在のヘルス解析の結果に基づいて、ツールシステム３１０のヘルス劣化を生じる実質的に全てのポテンシャルを診断し、またはランク付けし、および、自律ラーニングシステム３６０によって取得されるラーニングに基づいてルートを特定する。他のプライマリ機能コンポーネント５５０および５６０と同様に、自己最適化コンポーネント５７０は、メモリプラットホーム３６５、並びに、自動ＢＯＴおよび処理プラットホーム３８５の部分でありえるプランナに帰属することができるメモリの階層から再帰的に構築される。
最適化知識メモリ（Optimization knowledge memory：ＯＫＭ）１０１０は、ツールシステム３１０の挙動の診断、および、最適化に関連したコンセプト（例えば知識）を含んでいる。挙動が目標またはサブ目標を含むことができることは、理解されるべきである。したがって、ＯＫＭ１０１０は、ドメイン、または目標、ステップのような特定コンセプト、ステップデータ、ラン、ランデータ、ロット、ロットデータ、ＰＭ時間間隔、湿式クリーニングサイクル、プロセスレシピ、センサ、コントローラなどを含む。後のコンセプトは、半導体デバイスを製造するツールシステム３１０と関連している。加えて、ＯＫＭ１０１０は、ドメイン独立コンセプトを具備し、それは、読み込み（例えばセンサコンポーネント３２５の圧力センサから読み取り）、シーケンス、コンパレータ、ケース（case）、ケースインデックス、ケースパラメータ、原因、影響、原因依存（ｃａｕｓａｌ―ｄｅｐｅｎｄｅｎｃｙ）、証拠、原因グラフ（ｃａｕｓａｌ―ｇｒａｐｈ）などを含むことができる。さらに、ＯＫＭ１０１０は、比較、伝播、ランク付け、解決などのような一組の機能関係（functional relations）を具備することができる。このような機能関係は、自動ＢＯＴによって利用されることができる。そして、それは自動ＢＯＴコンポーネント５４０にて存在することができて、および、手順の実行を介してその機能の少なくとも一部をＯＫＭ１０１０に与えることができる。ＯＫＭ１０１０に保存されるコンセプトは、適合性数値アトリビュート、および、慣性数値アトリビュートを備えており、および、状況スコアアトリビュートはそこで導き出される。適合性、慣性、および、状況スコアの意味は、実質的に自己認識コンポーネント５５０、および、自己コンセプト化コンポーネント５６０のそれと同様である。従って、もしランデータがステップデータより低い慣性で提供されるならば、自己最適化コンポーネント５７０のプランナ（例えばｕｅｂｅｒｂｏｔｓ）は、ＯＭＫ１０１０から最適化作業メモリ（optimizing working memory：ＯＷＭ）１０２０へとランデータのコンセプトをより通信する可能性がある。次に、ランデータ、および、ステップデータのこのような慣性関係は、コンセプトと関連させたランによって作業する最適化自動ＢＯＴの活性化レートを増加させることができる。
ＦＦリンク５５２および５６２を介して、自己認識コンポーネント５５０、および、自己コンセプト化コンポーネント５６０は、ＯＫＭ１０１０に保存されたコンセプトの状況スコア、および、最適化プランナコンポーネント１０５０にて存在することができる最適化プランナ（ＯＰ）を介して最適化自動ＢＯＴの活性化エネルギに影響を与えることができることを留意する必要がある。ＯＫＭ１０１０に保存され、自己認識コンポーネント５５０および自己コンセプト化コンポーネント５６０を介して影響を与えたコンセプトは、特定のコンテキストの関数として、最適化される特定の目標の態様を決定することができることを理解されるべきである。図として、自己認識コンポーネント５５０は、プロセスステップのデータのパターンがかなり低下して、関連づけられたステップコンセプトの状況スコアが増加することができることを認識する。したがって、ＯＰは、それで、プロセスの間（例えば、目標を追う間）、実行される一組のステップを修正するためにステップコンセプトに関連した自動ＢＯＴを最適化することに付加的な活性化エネルギーを供給することができる。同様に、もし、自己コンセプト化コンポーネント５６０が製品ロットに対するツール測定、自己コンセプト化コンポーネント５６０から受信されるＦＦ情報（例えばＦＦ５６２を介して）の間の新しい機能的関係を特定するときには、自己最適化コンポーネント５７０は、（１）ロットコンセプトの状況スコア、および、（２）ロットコンセプトに依存する機能を有する最適化自動ＢＯＴの活性化エネルギーを増加させる；従って、ロットコンセプト（例えば、ロット内のウェハの番号またはタイプ、アクティブマトリックスアレイまたは一組のアレイのＴＦＴの番号、ロットの費用、一組のアクティブマトリックスアレイの費用、ロットにおいて利用されるリソース、１つ以上のＴＦＴアクティブマトリックスアレイにおいて利用されるリソース、およびその他）の態様を修正する。適応状況作業メモリ１０４０は、状況スコアの適応調整を有効にすることができて、および、自己最適化コンポーネント５７０の操作データを保持することができる。最適化エピソードメモリ１０３０は、データインプレッション、および、さまざまな最適化（例えば自己最適化）を介して収集した知識を保持することができる。
次に議論されるように、ツールシステム３１０のヘルス評価は、診断エンジン１０２５を介して実行されることができる。ヘルス評価が生産工程のサブ目標でありえる点に留意する必要がある。自律して診断エンジン１０２５によって、依存関係グラフ（dependency graph）を作成して、および、アクター３９０が依存関係グラフを増大させる（augment）ことを可能にする。（このような依存関係グラフは、外部データとしてまたは内在性のデータとして考えられることができる）。ツールシステム３１０、および、アクター３９０によって考案されることができる診断プランによって導かれるプロセスの動力（dynamics）に従う原因のグラフは、インクリメンタルに伝えられることができる。例えば、原因のグラフは、「圧力」故障が４つの原因の１つによって生じられることを示すことができる：堆積チャンバはリークを有し、チャンバへのガスフローは不完全であり、排気バルブ角度（それは、ガスフローのマグニチュードを制御する）は不完全であり、または、圧力センサは誤差がある。ツールシステム３１０のコンポーネントは、不良の事前確率を有する（例えば、チャンバリークは確率０．０１で起こることができる、ガスフローは確率０．００５で不完全でありえる、および、その他）。加えて、アクター３９０または自己コンセプト化コンポーネント５６０は、条件付確率として表されることができる圧力故障条件に対する依存を規定することができる；例えば、チャンバがリークを有するという所定の不良がある圧力の確率は、ｐ（Ｐ｜ｌｅａｋ）でありえる。通常、原因となってツール不良のソースを関連させている条件付確率は、アクター３９０によって提供されることができる。自律ラーニングシステム３６０がアクター３９０によって規定されるアサインメントが近似推定されうるというその確率を仮定する点に留意する必要がある。そして、それがかなり異なって多くの場合物理的な確率（例えば観測によってサポートされる実際の確率）からあることができる。原因のグラフの実施例は、示されて、図11Ａおよび下図11Ｂと接して次に議論される。
自己最適化コンポーネント５７０は、また、ツール３１０と関連している情報Ｉ／Ｏ３５８を介してツールシステム３１０のパーフォーマンスに関して一組の予測を生成することができる予測コンポーネント１０６０を具備することができる。このような情報は、機能コンポーネントによって使用される材質を具備することができる。製品アセット３２８の物理的性質は、ツールシステム３１０によって生成される。例えば、屈折率、光吸収係数、エレクトロフォトルミネセンスイールド、ラマン分光法断面積、欠陥密度、または、キャリアによってドーピングされた製品アセット３２８の場合には磁気輸送特性など。複数技術は、予測コンポーネント１０６０によって利用されることができる。技術は、情報３５８を処理するときに、自己認識コンポーネントによって使用されることができるそれらの技術と実質的に同様の第１のキャラクタリゼーション技術を具備する；すなわち、例えば、(ｉ)フーリエ変換、ガボール変換、ウェーブレット分解、非線形フィルターベースの統計技術、スペクトル相関を利用している周波数分析；(ｉｉ)時間依存するスペクトル的性質を利用している時間的解析（それは、センサコンポーネント３２５で測定されることができる）、非線形信号処理技術、例えばＰｏｉｎｃａｒｅマップ（ｅはウムラウト付き）、および、リャプーノフスペクトル技術（Lyapunov spectrum techniques）；(ｉｉｉ)リアルまたは信号の空間ベクトル振幅、および、角度変動解析；（ｉｖ）異常予測技術その他。情報または解析(ｉ)(ｉｉ)（ｉｉｉ）または（ｉｖ）を介して生成されるデータアセットは、また、予測技術で補充される。たとえば、ニューラルネットワーク推論、ファジー論理、ベイズネットワーク伝播（Bayes network propagation）、遺伝的アルゴリズムのような進化アルゴリズム、データ融解技術、シミュレーションアニーリング、その他。解析、および、予測技術の組合せは、センサコンポーネント３２５によって探索されるように、特定のアセットまたは特性における不安定な傾向の識別を介してツールシステム３１０の最適化を容易にするために利用されることができる。同じく、最適化プランナコンポーネント１０５０によって生成される適切な是正措置によって、ＯＫＭ１０１、および、最適化自動ＢＯＴにおいて利用できる情報は、コンポーネント５４０にて存在することができる。
図１１は、本開示の態様に係るツールまたはツールミスマッチの性能劣化を判断する実施例システム１１００のブロックダイアグラムである。情報出力１１０５は、ツールシステム３１０から、抜き出され、または出力されるデータを具備することができる。データは、１つ以上の生産レシピを走らせることによって生成されるアセット（例えばアセット３２８）の生産（例えば製造ラン）と関連していることがありえて、または総合的なデータを含むことができる；例えば、実験計画法（design of experiment：ＤＯＥ）を介して生成されるデータである。加えて、情報出力１１０５内のデータは、ツールシステム３１０のメンテナンスサイクルにおいて生成されるデータを具備することができる。情報出力１１０５は、データに関連した情報を含むことができ、例えば、測定される変数、データを生成した器具（例えばセンサ、ツール…）、アセットを生成するために使用されるレシピ（例えば湿式クリーニングサイクルレシピ、フォトリソグラフィのエッチングレシピ、薄膜トランジスタの蒸着）、生産運転ＩＤ、タイムスタンプ、オペレータ、および、製造または加工工場情報である。
データセレクタ１１１０は、情報出力１１０５を受信して、および、目標または参照変数１１２４、および、選択された目標に影響を与えうる一組の変数、例えば、影響を与える変数１１２２を選択する。変数の選択において、参照変数１１２４、および、影響を与える変数１１２２は、自律生物学的ベースのラーニングエンジンに３６０に伝えられる。実質的に、全ての受信された変数は、変数格納１１２０において保持される。加えて、データセレクタ１１１０は、少なくとも２組のデータまたはデータの流れにおいて収集された（または受信された）データ１１１５を、分割し、および、集める。そして、それは操作データストレージ１１１７、および、参照データストレージ１１１９において保持される。参照またはトレーニングデータは、一般的に一部分の収集されたデータ１１１５であって、および、自律生物学的ベースのラーニングエンジン３６０に伝えられる。そして、それは上記にて説明したように、データを解析して、および、参照データを特徴づける知識を生成する。一態様において、参照データ１１１９は、装置の特定の、参照ツールまたはユニットと関連していることがありえて、一方、操作データ１１１７は、参照時間間隔から区別可能である次の時間間隔で（例えば、参照データが生成された時間間隔で）異なるツールまたは装置または参照ツールのユニットまたはユニットと関連していることがありえる。後のシナリオにおいて、パフォーマンスアセスメントは、参照ツール、および、操作ツールの中の不釣合いなパーフォーマンスの識別または参照ツールオーバータイムの劣化に向けられる。例えば、ツールまたは参照ツールのセットがフィールドにて操作のために配置され、ツール製造業者工場においてインストールされるように、その操作が実質的に参照ツールまたは参照ツールのセットの操作に適合させることが予想される。特に、特定のパフォーマンスは、ツールまたはツールのセットを配置されたフィールドがキャリブレーションまたは参照レシピの同一セットを実現するときに、予想される。ここで記載されているように、このような予想されるパーフォーマンスは、基準性能と直接対比されることができ、および、パーフォーマンスミスマッチ評価は導入されることができる。別の態様において、操作データ１１１７、および、参照データ１１１９は、メンテナンスサイクルを介して生成されることができる。そして、それは周期的でありえるか非周期的でありえる；例えば、情報出力１１０５は、所定の時間間隔の試験レシピの下でツール操作から抜き出されるデータを含むことができる。
操作データ１１１５は、一般的に、データを生成する１つ以上のプロセスと関連している一組の変数の測定したデータである。知識は、客観的に生成される。例えば、影響を与えている変数は、外部的に付勢されないかまたはラーニングのために明示的に制御されなず、参照変数１１２４および一組の選択された影響を与えている変数１１２２の間の自然の物理的な相関から生じる関連を含む。トレーニングデータによって導かれる目的ラーニングがプロセスを選ばないものであることは、理解されるべきである；すなわち、影響を与える変数１１２２、および、参照変数１１２４と関連づけられたデータの間で見いだされる関係を介して、１つ以上の意味ネットワーク（例えば知識ネットワーク３７５）にて生成されるコンセプトに従ってラーニングは進行する。一旦、影響を与える変数、および、区別された参照変数の空間は決定され、外部のバイアスに対する依存のないラーニング過程をドライブするのはデータ自体である。加えて、ラーニングがラーニングのアプリケーションから生成される推論の品質を妨げることができるかまたは限定することができる間、情報を隠す（suppressing information）；例えば、影響を与える変数の最初のセットにおいて、影響を与える変数のサブセットの除去は、推論または自律予測の範囲および／または品質または忠実度を妨げることができる。例えば、ラーニングのアプリケーションは、影響を与える変数の最初の、非抑制された一組を介して得られた推論に関する。プロセスを選ばないラーニング（process agnostic learning）またはｕｂｅｒ（ｕはウムラウト付き）目的ラーニングからみて、数学的関係ｆは、データによって学習されうる様々な時間粒状性（various time granularitie）例えばシングルステップまたは複数連続したステップ（例えばウェハラン）または複数分裂したステップ（multiple disjointed steps）その他である。したがって、本発明の態様において、生成された知識は、目標変数１１２４および影響を与える変数１１２２の間の数学的関係または機能ｆとしてキャストされる。特定された関係ｆを含むデータ（例えばデータ知識１１３０）の知識は、目標変数１１２４の値に関して、操作データ１１１７を解析するパフォーマンスアセスメントコンポーネント１１３５に伝えられ（例えばチャンバ圧力、フォトリソグラフィのエッチング速度）、測定され（例えばセンサ、ＣＤ走査型電子顕微鏡（ＳＥＭ）…）、および、操作データ１１１７によって伝えられるように、影響を与えている変数１１２２（例えばガスフロー、アニール温度…）の学習された数学的関係ｆおよび測定を介して予測される。
パフォーマンスアセスメントコンポーネント１１３５を介して導かれる解析は、情報出力１１０５を生成するプロセスと関連している１つ以上のツール（例えばツールシステム３１０）の性能劣化を決定することができる。加えて、操作データ１１１７が別の時間間隔に渡って異なるツールまたは同じツールによって生成される間に参照データ１１１９が参照ツールを介して生成されるときに、一組の異なるツールの間のパーフォーマンスミスマッチは、パフォーマンスアセスメントコンポーネント１１３５を介して評価されることができる。
一態様において、データセレクタ１１１０、および、パーフォーマンスアセットコンポーネント１１３５は、その中の処理プラットホームを通して自律生物学的ベースのラーニングエンジン３６０を介してそれらの機能の少なくとも一部を与えられることができ、および、プロセッサを関連づけることができる。代わりにまたは加えて、１つ以上のプロセッサ（図示せず）は与えるために構成されることができて、および、少なくとも１つには、与えることができる。そして、データセレクタ１１１０、および、パフォーマンスアセスメントコンポーネント１１３５の機能がここで記載されている。このような機能を与えるために、１つ以上のプロセッサ（図示せず）は、データセレクタ１１１０、および、パフォーマンスアセスメントコンポーネント１１３５の記載されている機能を提供するために実施例システム１１００のメモリに保存されるコード命令（図示せず）を実行することができる。次に、我々は、より詳細にデータセレクタ１１１０、および、パフォーマンスアセスメントコンポーネント１１３５の態様を解説する。
図１２は、データセレクタ１１１０についての例示の実施例１２００のブロックダイアグラムである。データセレクタ１１１０は、情報出力１１０５を受信する。そして、それは測定したデータを含む。解析コンポーネント１２０５は、一組の変数と関連している受信データの挙動の態様を区別するためにアルゴリズム記憶素子１２２４において保持したアルゴリズムを介して、実現されたヒューリスティック推理（heuristic reasoning）を利用することができて、および、変数選択を実現することができる。ヒューリスティック推理の部分は、少なくとも１つの実質的な変動、適度な変動または低い変動を呈する変数の決定を含む。一態様において、低い変動を呈する変数は、低い変動が特定のプロセス（例えば先進の光デバイスの化学気相成長またはフラットパネルディスプレイアクティブマトリックスアレイにおいて使用される薄膜トランジスタ（ＴＦＴ）のプラズマ増強化学蒸着）が導かれる条件に対する感度の欠如を明示することができるので、識別されることができる。ヒューリスティック推理も、変数のセットにおいて変数の各々の観測された変動に従って一組の変数の編成（organization）を容易にする。
加えて、解析コンポーネント１２０５は、変数またはパラメータ選択のさまざまなアプローチを実現することができる：（１）汎用選択（Universal selection）。実質的に全ての、または全ての、変数に影響を与えるように、参照変数以外の変数は採用される。（２）半汎用選択（Semi-universal selection）。一旦、目標または参照変数が選ばれると、実質的にいくつかの、またいくつかの、度合い、目標変数に影響を及ぼすことができる実質的に全ての変数は、影響を与える変数として選ばれる；例えば、電気ユニットと関連している全ての変数、例えばオーム、ファラド、アンペア、および、その他は、参照変数も電気単位と関連している全ての変数のセットのメンバーであるときに、選ばれることができる。(３)知識ベースの選択（Knowledge based selection）。目標変数の影響を与える変数として、理論およびシミュレーションを介して目標変数に関する変数は、選ばれる。加えて、変数は、一組のアセット（例えばアセット３２８）を生成するために使用される１つ以上のレシピに従って選ばれることができる。代わりとしてまたは加えて、後者に、レシピの所定の設定を有しない変数は、影響を与える変数をブロックするものとして選ばれる。解析コンポーネント１２０５は、レシピストレージ１２２２において保持される生産レシピ、キャリブレーションレシピまたはメンテナンスレシピの少なくとも１つと関連している情報を取り出すために、メモリ１２２０にアクセスすることができる。（４）経験的選択（Empirical selection）。相関係数の特定の閾値または実質的に何らなの他の統計的な計量を上回る変数は、影響を与える変数として、選ばれる。一態様において、閾値は、少なくとも部分的にはアクター（例えば配置されたツールのオペレータ）によって、または、自律して参照データ１１１９の少なくとも一部に基づく参照ツールによって、構成されることができる。（５）アクター駆動された選択（Actor driven selection）。装置または電子ビーム銃のような装置と関連しているツール、および、コンポーネントのオペレータは、特定の参照変数１１２４、および、それの影響を与える変数１１２２を決定することができる。一態様において、変数の選択のこのモダリティを実現するために、インターフェースコンポーネント１１０７は、利用されることができる；インターフェースコンポーネント１１０７がデータセレクタ１１１０に機能的に組み合わせられることは、理解されるべきである。このようなインターフェースコンポーネント１１０５は、ツールオペレータまたはコンピュータ化されたアクター（例えば溶接ロボットまたは組立ロボット）が参照および影響を与える変数を選ぶことを可能にすることができる。コンピュータ化されたアクターが自己診断にて、または、第三者によって実現されたモニタリングルーチンの一部として、変数の選択が実現された点に留意する必要がある。
集約演算コンポーネント（aggregation component）１２１０は、異なるツール、および、関連づけられた器具、または装置、例えば操作チャンバ（例えば、堆積チャンバ、ウェハ解析のためのクリーンチャンバ、リソグラフィエッチングのためのチャンバ、フォトリソグラフィのエッチング、先進の堆積プロセスにおける洗浄ステップのチャンバ、その他）または他の操作可能な設備または構成要素から受信されるデータを、データ（例えば、操作データ１１１７または参照データ１１１９）、および、変数（例えば、変数格納１１２０）のプールを生成するために、集める（aggregate）ことができる。異なる条件で探索されるときに、特にＤＯＥがさまざまな影響を与える変数の下で所定の参照変数のセットのインパクトを判断するために導かれるときに、このような集約演算がツールパーフォーマンスまたは器具パーフォーマンスの解析を容易にすることができる。集約演算コンポーネント１２１０が操作データストレージ１１１７、および、参照データストレージ１１１９にデータを伝えることができる点に留意する必要がある。
データセレクタ１１１０の例示の実施例１２００において、集約演算コンポーネント１２１０は、選ばれた影響を与える変数および１つ以上の予め定められ、あるいは、区別された参照変数の組と関連している参照データ１１１９および操作データ１１１７を伝える一組のデータ構造（例えばマトリックス、ベクトル…）を生成することができるフォーマッタコンポーネント１２１５を利用することができる。図示するように、図１３は、フォーマッタコンポーネント１２１５を介してフォーマット化されるように、変数の空間上の実施例のデータマトリックスのダイアグラムを示す。変数の空間は、影響を与える変数｛Ｖλ｝、λ＝1,2…Ｋ―１、および、参照変数ＯＫ、Ｋは自然数、の組によって張られる。受信データＤνμ（ν、μ＝１、２、…Ｋ）は、例えば生産データ、校正データまたはメンテナンスサイクルデータであり、変数｛Ｖ｝および、ＯＫと関連づけられて、それは、特定のインスタンスＳに対して生成される（インスタンスが１つ以上のレシピの組における１つ以上のステップでありえる）；複数ステップがインスタンスを具備するときに、ステップは連続または分裂していることがありえる。さらにまた、インスタンスは、また、レシピステップレベル、ウエハレベル、ロットレベル、その他でデータを含むことができる。更に、インスタンスは、さまざまな生産サイクルに対するある生産サイクル（例えば湿式クリーニングサイクル）と関連づけた複数ステップに渡って平均化されたデータを具備することができる。またさらに、インスタンスは、一組の１つ以上のツールを介して生成されるデータを具備することができる。一態様において、異なるツールまたは製造チャンバまたは他の操作可能な設備または構成要素からのデータが集計されるときに、マトリックス表現１３００は、変数（例えばマトリックスブロックＢ）の同一セットに対して、付加的なインスタンス（例えばインスタンスＱ）を張ることができる。加えて、データが集計されるときに、変数の空間は拡大されることがありえる；このようなシナリオにおいて、マトリックス表現は、マトリックスデータブロックＡおよびＣを追加する。新しいマトリックスが、生産ラン（例えばウェハ製造、ＴＦＴアクティブマトリックスアレイ製造または予め予定されたメンテナンス）において時間進行と共に起こるデータ更新の結果として、生成される点に注意される。
フォーマッタコンポーネント１２１５がトレーニングデータ（トレーニングマトリックス）、および、操作データ（ここで「適用のマトリックス（apply matrix）」と呼ぶ）に対してマトリックス表現１３００を生成することができることは、理解されるべきである。適用マトリックスの生成は、ウエハレベル（例えば、一組のツール上の各々のレシピランに対するウェハラン、ＴＦＴの堆積と関連しているフォトリソグラフィのエッチングラン）での生産データに対して、導かれることができる；１つ以上のツールにおいて遂行されるレシピレベルまたはレシピステップレベル；ロットレベル（例えば、１つ以上のツール上の各々のレシピランに対するロットラン）；一群のツールと関連しているＰＭ間隔レベルまたは湿式クリーニングサイクル；または実質的に何らかの、または何らかの、生産または時間粒状性の他のレベルである。１つ以上の適用のマトリックスが生成される生産の各種レベルで利用される生産データは、１つ以上のレシピを実行するツールまたは一群のツールから生成する。さらに、適用のマトリックスの生成の中に含まれる生産データは、このようなデータの部分がトレーニングデータに向けられる場合であっても、１つ以上のツールに対して全て利用できるデータを張る（apan）ことができる。フォーマッタコンポーネント１２１５は、アセットを生成して、および、情報入力／出力１１０５の関連データを伝える各々のツールに対する「適用のマトリックス」を生成することができる。そこにおいて、適用のマトリックスが生成される一組のツールは、必要性であるツールのトレーニングセットにおいて含まれる。適用のマトリックスおよびトレーニングマトリックスは、時間と共に（over time)生成される点に留意する必要がある。例えば、アセット生産（例えば製造）の進行と共に、連続的にリアルタイムで、ほとんど連続的にリアルタイムで、または所定のステップでありうる。トレーニングマトリックス、および、適用のマトリックスは、それぞれ、操作データストレージ１１１７、および、参照データストレージ１１１９に保存されることができる。
上記議論されるように、参照データは、自律生物学的ベースのラーニングエンジン３６０に伝えられる。それは、先に記載したように自律ラーニングおよび受信された参照データを介して、参照変数１１２４（Iは自然数）の各々の選択された参照変数ＯＩに対する数学的な関係ｆＩを生成することができる。加えて、ｆＩは、１つ以上の生産レシピに対して受信された生産データから、自律して学習されることができる。学習された数学的関係ｆＩは、非線形方程式でありえる。データは、マトリックス表現（例えば表示１３００）で伝えられることができる。別の態様において、モンテカルロ法シミュレーションまたはシミュレーションされたアニーリングのような他のアプローチがｆＩ＝ｆＩ（Ｖ１，Ｖ２．．．ＶＩ−１）を特定するように使用されることができる場合であっても、ｆＩ関係は、遺伝的アルゴリズムを介して決定されることができる。マトリックス表現がインスタンスを介して張られるように、および、インスタンスがレシピステップ内またはさまざまなレシピステップの経過される時間間隔を明示的に含むことができ、時間も影響を与える変数として使用されることができる点に留意する必要がある。それで、参照変数ＯＫに対して、自律生物学的ベースのラーニングエンジン３６０は、例えばＯＫ＝ｆ（ｔ；Ｖ１，Ｖ２．．．ＶＫ−１）のような数学的関係を推定することができる。図示するように、図１４は、５つの影響を与える変数の重量の展開（例えば時間展開）のダイアグラム１４００を示す：参照変数ＯＫに影響を与えるＶＡ、ＶＢ、ＶＣ、ＶＤ、ＶＥ。瞬間（instants）τ、および、瞬間τ’で、全ての変数の重量は、重要であり、一方で、それらの対照物の重量と比較したとき、瞬間τ’’での影響を与える変数ＶＣおよびＶＥの重量は、実質的にごくわずかになる。自律生物学的ベースのラーニングエンジン３６０は、学習された関係からそれらの影響を与える変数を取り除くことができ、時間と共に（over time)を重み付けが実質的にゼロ、またはゼロを有し、そして、参照変数に対して出力値に影響を与えない。相対的なごくわずかな重量を伴う影響を与える変数の消去に応じて、学習された数学関数は、変数の除去を説明するために、自律して調整されることができる。自律生物学的ラーニングエンジン３６０が参照変数および影響を与える変数との間の数学的関係を学習することができることがさらに留意される。そしてそれは、レシピ内の単一のステップ、レシピ内の一群の連続したステップ、レシピ内の一群の不連続ステップまたはレシピ内の全てのステップのうちの少なくとも１つに対して、時間を含むことができる。
一態様において、１つ以上のプロセッサ（図示せず）は、与えられるために構成されることができて、および、少なくとも一つには、与えられることができる。そして、データセレクタ１１１０（および、その中のコンポーネント）の機能が先に記載されている。このような機能が与えられるために、１つ以上のプロセッサ（図示せず）は、そこにおいて、データセレクタ１１１０、および、コンポーネントの記載されている機能を提供するためにメモリ１２２０に保存されるコード命令（図示せず）を実行することができる。
図１５は、パフォーマンスアセスメントコンポーネント１１３５についての例示の実施例１５００のブロックダイアグラムである。実施形態１５００において、解析コンポーネント１５０５は、受信されたデータ知識１１３０を処理し、それは、影響を与える変数｛Ｖλ｝の組のタームにおいて、参照変数（例えば、ＯＫ）の学習された形式的な表示ｆを含む。受信された関係は、関係ストレージ１５１５（それは、また、トレーニングおよび適用のマトリックスを保持することができる）において保持される；適用のマトリックスが、操作データ１１１７ストレージを介し、またはそこからを集められて受信されることができる一方、保持されたトレーニングマトリックスは、データ知識１１３０を介して受信されることができる。トレーニングマトリックスは、一組のレシピに対して、一組の参照ツールまたはその部分（例えばチャンバ）に対して受信されることができる。一方、受信された適用のマトリックスは、１つ以上の非参照ツールに対して生産データを供給することができる。トレーニングマトリックス、および、適用のマトリックスは、連続的に、若しくは、ほぼ連続的に、または、生産（例えば製造）が進行し生産データが生成されるときに予定の間隔で受信されることができる。予定の間隔は、適用のマトリックスは生成される粒状性によって命令されることができる。受信された形式的な表示ｆが受信されたトレーニングマトリックスおよび１つ以上の関連がある適用のマトリックスと関連していることが理解されるべきである。そこにおいて、ｆは、１つ以上の適用のマトリックスの各々に対して予測を生成するために使用される。適用のマトリックス、および、トレーニングマトリックスは、フォーマッタコンポーネント１２１５によって決定される粒状性のレベルで受信される点に注意される。解析コンポーネント１５０５は、操作データ１１１７のソースの達成レベルまたは劣化若しくはミスマッチのレベルを決定するために、トレーニングマトリックスと適用のマトリックスとを対比することができる。少なくともその終了に、解析コンポーネント１５０５は、測定値の関数として、選択された影響を与える変数のセットに対して、参照変数および選択された影響を与える変数の間の学習された数学的関係ｆに従って参照変数の値を計算することができる。一態様において、解析コンポーネント１５０５は、トレーニングマトリックスが、レシピステップレベル、ウエハレベル、ＴＦＴレベル、ロットレベル、アクティブマトリックスＴＦＴアレイレベルまたはＰＭ間隔レベルのうちの少なくとも１つで、参照チャンバから予測、および、参照データの間の違いを決定するために受信される粒状性を利用することができる。加えて、解析コンポーネント１５０５は、参照ツールの稼動性能またはそれの器具を決定するために所定の生産時間間隔にわたって受信されるトレーニングマトリックスを使用することができる。
解析コンポーネント１５０５は、トレーニングマトリックスおよび１つ以上の適用のマトリックスのデータの間の違いをサマライズするために、形式的分析コンポーネント１５０７、および、数値解析コンポーネント１５０９を利用することができる。このようなコンポーネントは、少なくとも、統計機能（例えば平均、標準偏差、および、より高い運動量、最大差、および、違いの１つ以上の分布を量的に記載する最小差）のマニホールドに、依存することができる；例えば、参照変数および関連づけられ学習された機能ｆの形式を生じる関連した予測の間の違いの予想されるマグニチュードを規定する。一態様において、このような統計機能は、統計力学タイプの、例えば自動ＢＯＴコンポーネント５４０またはその中のプロセッサを介して、実現される。トレーニングマトリックスにおいて、表されるように、参照データ１１１９の少なくとも一部は、自律して学習された数学関数を介して計算されるような予想値、および、実際データの間の違いを呈することができる。同様に、１つ以上の適用のマトリックスとしてフォーマットされた生産データは、自律して参照から学習される数学関数の少なくとも一部に基づく予測またはトレーニングデータに関する違いを示すことができる。解析コンポーネント１５０５も、このような違いを決定することができて、および、上で記載されている統計機能を介して、その１つ以上のサマリーを生成することができる。加えて、解析コンポーネント１５０５は、トレーニング-マトリックス差に対するサマリーと、適用のマトリックス差のサマリーとの違いを比較することができ、および、トレーニングマトリックス差と関連しているサマリーと、適用のマトリックス差に関連したサマリーとの間の異常な変化を決めるために、のような比較を使用する。異常な変化は、閾値上のマグニチュードシフト、または、パーセンテージ変化の少なくとも一部に基づいてマグニチュードシフトのうちの少なくとも１つを含むことができる。閾値は、設定可能でありえて、および、例えば、アクターによって、供給されることができる。パーセンテージ変化は、違いの１つ以上のサマリーを特徴づける特定の計量に対して、判断されることができる。；例えば、トレーニング-マトリックスデータの違いの平均誤差に関する適用のマトリックスデータの違いの平均誤差が２０％または１０％過剰であるときに異常を示すことができる。パーセンテージの特定のマグニチュードが設定可能でありえることが、理解されるべきであり、および、例えば、アクターによって、決定される。同様に、異常な変化は、設定可能な閾値またはパーセンテージ変化に対して判断される変動シフトに関して決定されることができる；一例として、異常な変化は、適用のマトリックスデータ、および、トレーニング-マトリックスデータ対するそれぞれサマライズされた違いの標準偏差が、マトリックスの組に対して、閾値（例えば３．１）より上に、または、所定のパーセンテージ（例えば３より上の５％）より上にあるときに、決めることができる。
本発明の一態様において、一組のツールの性能劣化または一組のツールのツール間のパーフォーマンスミスマッチは、影響を与える変数の関連性プロファイルに従ってプロファイルされることができる（関連性プロファイルがパーフォーマンスの感度解析から生じる）。選択された影響を与える変数のセットの中で単一の影響を与える変数が時間で変化し、変動が単一の影響を与える変数の確かなパーセンテージでありえる変化である場合に（例えば５％）、このような感度解析はパフォーマンスアセスメントコンポーネント１１３５によって遂行され、および、例えば、学習された数学的関係ｆの出力の変動ｆの計算を介して導かれる。代えてまたは加えて、感度解析は、選択された影響を与える変数のセットの中の単一の影響を与える変数に関して、学習された数学関数ｆの数値偏導関数の計算を介して、導かれることができる。一例として、関連性プロファイルは、Δｆまたは（∂ｆ／∂ＶＬ）のマグニチュードを介して測定されるように、影響を与える変数の順位を含むことができる。ここで、ＶＬは、選択された影響を与える変数のセットの影響を与える変数である；Ｌは、自然数である。形式的分析コンポーネント１５０７が管理されない定理証明アルゴリズムまたは発現解析の少なくとも１つを介して、影響力のある変数の少なくとも部分的に順位を決定することができる点に留意する必要がある。同様に、数値解析コンポーネント１５０９は、一組の関連づけた影響を与える変数に対して、ｆの勾配ベクトル∇ｆを数値的に計算することができ、および、∇ｆのコンポーネントのマグニチュードの少なくとも一部に基づくこのような計算から順番付けして関連性を決める。選択された影響を与える変数に関して、偏導関数の計算は、また、学習された機能｛ｆ｝のマニホールドの、選択された影響を与える変数に対して順位または階層的な計量を決定するために使用されることができる；例えば、各々影響を与えている変数に対して、影響を与える変数に関して、影響を与える変数の影響の正規化数の平均をとられるとき、階層的な計量は、ゼロでない偏導関数を呈する学習された機能の番号の製品に等しい。このようなその階層的な計量は、擬似グローバル（pseudo-global）で、および、選択された参照変数および選択された影響を与える変数のセットの間の関係を記載する全ての学習された機能ｆに対して、結果を含むことを理解されるべきである。
影響を与える変数に対する関連性プロファイルの計算と同様に、解析コンポーネント１５０５は、関係ストレージ１５１５において保持される一組の受信され学習された関係（例えば１つ以上の機能｛ｇ｝のセット）を利用することができる。そして、機能的関連性プロファイルを計算する。このようなプロファイルは、実質的に影響変数に対する関連性プロファイルと同様である。しかし、それは学習された機能｛ｇ｝の空間において決定される。劣化またはミスマッチのイベントの場合には、実質的に何らかの、または何らかの、パーフォーマンス（例えばキーパーフォーマンスインジケータ（ＫＰＩ）、サービス品質（ＱｏＳ）、等）を判断する閾値のタイプを介して決められるように、機能的関連性プロファイルは、このようなイベントのソースを特定するために解析コンポーネント１５０５を容易にすることができて、および、このようなソースを、例えば報告コンポーネント１５１０を介して報告することができる。
実施形態１５００において、解析コンポーネント１５０５は、ＫＰＩストア１５２０において保持される一組のキーパーフォーマンスインジケータを利用することができる。および、それとともに関連づけられた所定の閾値は、１つ以上のツールのパーフォーマンスが異常か否かを決定し、測定および影響を与える変数の測定されたマグニチュードを通して参照変数ＯＩの学習された数学的関係ｆＩを介して算出された予想値の間の計算された違いを介して、決定される。実質的に何らかの、または何らかの、パーフォーマンス計量および関連した閾値は、それとともに関連づけられるＫＰＩｓ、および、閾値の代わりに使用されることができる。異常なパーフォーマンスイベントまたは劣化イベントが決定されるときに、解析コンポーネント１５０５はツール-劣化タイムスタンプを生成することができる。さらに、解析コンポーネント１５０５は、データ（例えばツール、器具または装置コンポーネント）の低下するソースを特定するために、異常なパーフォーマンスがみられる生産データと関連している１つ以上の適用のマトリックスを利用することができる。；データのソースは、データの非参照ソースである。所定の閾値は、設定可能であり、および、１つ以上の判断されたツールのセットの予想されたかまたは履歴パーフォーマンスの少なくとも１つの少なくとも一部に基づいて、決められる。一例として、ＫＰＩは、トレーニングマトリックス、および、適用のマトリックスに対する予測および算出の間の違いに対しての平均値の間の違いが、アクターが供給した閾値を上回るときに、異常として性能劣化の決定を有効にすることができる。別の例として、ＫＰＩは、適用のマトリックスの違いの平均誤差がトレーニングマトリックスの違いの平均誤差を１０−２０％または他の何らかの所定のパーセンテージ上回るときに、異常なツール劣化または劣化の決定を可能にする。同様に、ＫＰＩまたは実質的に何らかのパーフォーマンス計量は、トレーニングおよび適用のマトリックスの間の違いの変動を標準偏差によってサマライズされるように、例えば最初の（例えば、同時に、まもなく後に、ツールまたはツールのセットは、調整されて、および、配置される）標準偏差値を上回るときに、異常なツール劣化が起こると決定することができる。ＫＰＩが、例えば、インターフェースコンポーネント１１０７を用いて、アクターによって決められることができることは、理解されるべきである。自律生物学的ベースのラーニングエンジン３６０の少なくとも部分的な関連のパフォーマンスアセスメントコンポーネント１１３５を介して少なくとも一部を決定されるように、ＫＰＩの初期セットは、１つ以上のツールのパーフォーマンスの履歴推定された評価に基づいてリファインされることができる。
パーフォーマンスが１つ以上の生産ツールのパーフォーマンスまたは標準または参照ツール、器具または装置のユニットに関するパーフォーマンスであろうとなかろうと、ＫＰＩストア１５２０のＫＰＩは、または実質的に何らかの、または何らかの、パーフォーマンス計量が、ツールパーフォーマンスの異常の決定のために使用されることができることを理解されるべきである。
報告コンポーネント１５１０は、参照変数の予想値、および、参照変数と関連している影響を与える変数の操作データを介して決定される値の間の違いをサマライズすることができる。加えて、報告コンポーネント１５１０は、性能劣化の違いまたはその他の計量のサマライズするように、例えばパーフォーマンスサマリー１１４５の一部として、伝えることができる。一態様において、パーフォーマンスサマリー１１４５は、最も影響力のあるものから最も影響力が少ないものへの順番を、影響を与える変数に順位を伝えることができる（例えば、表示インターフェースを介して）ことを理解されるべきである。そして、パーフォーマンスサマリー１１４５を介して、順位は、最も少ないものから最も影響力があるものへと順番にされることを、伝えられる。さらに、報告コンポーネントは、時間的指示を、例えば、１つ以上のタイムスタンプで、保持することができ、それは、１つ以上のツールの異常なパーフォーマンスまたは操作可能なツール、および、参照ツールの間の異常なパーフォーマンスを示す；解析コンポーネント１５０５によって生成される時間的指示は、観測データ、および、１つ以上の参照変数の予測値の間の違いの計算に少なくとも部分的に基づいてされる。例えば、報告コンポーネント１５１０は、パーフォーマンスイベントの一連の異常な劣化と関連している情報、および、ミスマッチされたパーフォーマンスイベントを保存することができる。異常なパーフォーマンスイベントに生成されるコンテント（例えばイベントの実績、および、影響を与える変数の関連性プロファイル）一組のツールの劣化または一組のツールの間のミスマッチのどちらかに対して、パーフォーマンス知能記憶素子（performance intelligence memory element）１５２５にて保持されることができる。
一態様において、１つ以上のプロセッサ（図示せず）が与えるように構成されることができて、および、先に記載されているようにパフォーマンスアセスメントコンポーネント１１３５（および、その中のコンポーネント）の機能が少なくとも部分的に、与えることができる。このような機能を与えるために、１つ以上のプロセッサ（図示せず）は、パフォーマンスアセスメントコンポーネント１１３５、および、その中のコンポーネントの記載されている機能を提供するためにメモリ１５１４に保存されるコード命令（図示せず）を実行することができる。
図１６Ａは、一連の生産ランにおいて、２つの異なるツールに対して参照チャンバにおける、実施例の測定データ、および、参照変数の予想値（例えば電圧）のチャート１６００を示す。この例では、参照変数は、ウェハ生産プロセスにおいてより低い電圧である。点線、および、破線ボックスで示されるように、２つの異なるツール（例えばＴ2、および、Ｔ３）は、異なるランのセットで同一チャンバ（例えばＣ4）を利用する。それがチャート１６００から理解されるように、チャート１６００から理解されるように、参照変数、および、影響を与える変数の間において、測定された（灰色のダイヤモンドシンボル）参照変数、および、機能的関係を学習した後の予測される（黒い平方シンボル）参照変数の値との実質的な一致がそこにある。変数の汎用選択は、この例で参照変数（例えば電圧）の目的ラーニングのために利用された。
図１６Bは、実施例のチャート１６５０を示し、２つの異なるツールに対して非参照チャンバにおいて、測定データ、および、参照変数の予想値（例えば、電圧）を示す。一連の生産ランに対して、チャート１６００の参照チャンバを使用され、それらと同様である。対象チャンバ（例えばＣ1）に対して参照変数の予想値が両方のツール（例えばＴ2、および、Ｔ３）の測定値が一致しないことが、理解されるべきである。特に、ツールＴ３の操作が、例えば、点線ボックスによって区別されて、それは、測定値、および、参照の予想値の間の実質的な不一致がある。生産ランのインデックスに関して、実質的な矛盾が実施番号１０５近傍の後でフェーズが変化していることを含むでいることは、また、理解されるべきである。変数の汎用選択は、この例で参照変数（例えば電圧）の目的ラーニングのために利用された。
観測に基づく何らかの方式またはモニタリングにて、測定値は、ツール性能劣化の問題を見のがしうる。一例として、ツール（例えばツールＴ2またはツールシステム３１０）上の電流センサ（例えばアンペアの測定）は、ダメージを受けうるが、しかし、電流の真のマグニチュードは、エラーではなく、測定された電圧は、誤差はあるが、それは観測されない。しかしながら、シューハートチャートまたは従来のその他、性能制御、および、モニタリングに対する単純な統計量ベースのアプローチ（例えば累積和、指数的に重み付けをされた移動平均、範囲チャート…）によって実行されるように、注意が出力電圧の観測値に焦点に合わされるときに、電流センサ（例えば、センサは、センサコンポーネント３２５の部分である）に対するセンサ誤差は、マスキングされる。一態様において、本発明は、ツールパーフォーマンスのモニタリングまたは評価の従来の手段ではずされる少なくとも１つの従属変数（例えば電圧）または独立変数（例えば、電流）の誤差の認識を、可能にする。
図１６Ｃは、単一のツール、および、単一のチャンバにおいて、実施例の測定データ、および、予想値のチャート１６７５を示し、選択された参照変数（例えば電圧）のデータのセットから自律ラーニングされる。チャート１６７５の参照変数として考慮される電圧は、チャート１６００および１６５０の電圧参照変数と異なる点に注意される。予想値は、参照変数の中の学習された関係を介して決定され、および、先に記載されているように、影響を与える変数は経験的選択を介してを選ばれた。特に、選択された影響を与える変数は、少なくとも０．４の相関を示す。参照データとして使用されるデータは、ツールＴ2、および、３つのチャンバのセットを含む２つのツールの組において集められた全てのデータの１０％を含む；３つのチャンバの少なくとも一部がツールのセットにおいて各々のツールにおいて使用された。参照変数に対して抜き出される測定データは、予想値によって適切に再現される。デュアルモードオペレーションは、例えば、高い電圧のランのセット、または、より低い電圧のランセットであって、データ（円シンボルによって表される測定値）によって、予想値（クロスシンボル）によって、現され、選択された影響を与える変数の自律して客観的に学習された機能を介して適切に記載されることに注意する。そして、デュアルモードオペレーションの予測は、参照変数の自律して、客観的に学習された関係から生じ、および、機能的関係のラーニングの間の外部的に導入しているデュアルモードタイプ操作よりむしろそれの実際の測定されたマグニチュード、影響を与える変数を選んだ点に注意される。図１６Dの実施例チャート１６８５は、予想値の詳細を示して、および、低い電圧動作モード値を測定した。同様に、チャート１６９５は、予想値の詳細を示して、および、低い電圧、および、高電圧の動作モード値を測定した。上記のように、自律予測、および、データとの一致は、実質的である。
上記にて示されて、および、記載されている実施例のシステムからみて、上記開示された内容に係る実現されることができる手順は、図１７-２１のフローチャートに関して、より適切に理解されるであろう。説明の簡潔さのために、手順は、一連のブロックとして図と共に記載され、開示された態様が番号によって限定されないことが、理解されるうる。また動作の命令は、なんらかの作用する異なって命令において、および／または同時に記載されて、および、ここで記載されていることから他のブロックで起こることができる。さらに、全ての示された行為が、以下に記載されている手順を実現することを必要とすることができるというわけでない。ブロックと関連している機能がソフトウェア、ハードウェア、それの組合せまたは他のいかなる適当手段（例えばデバイス、システム、プロセス、コンポーネント）にもよって実現されることができることは、理解されることになっている。加えて、以下に開示される手順、および、全体にこの明細書が各種デバイスにこのような手順を移送して、および、移送することを容易にするために製造の記載に保存されることが可能であることが、更に理解されるべきである。実行、および、それで実現（少なくともプロセッサまたは処理ユニットまたはプラットホームによる）される。手順が、あるいは、一連の相互関係のある状態、または、例えば状態図において、イベントとして表されることがありえることは、理解される。
図１７は、コンテキスト上の目標調整を有する生物学的ベースの自律ラーニングのための実施例方法１７００のフローチャートを表す。適応推論エンジン（例えば１１０）またはそれに機能的に組み合わせられる１つ以上のコンポーネントは、部分的に少なくとも本願実施例の方法１７００を実現することができる。代わりにまたは加えて、処理プラットホーム、および、機能ユニットまたは、そこにおいて、適応推論エンジンに機能を与えるプロセッサ、または、それに機能的に組み合わせられるコンポーネントは、部分的に少なくとも実現することができる。アクト１７１０で、目標は、決められる。目標は、目標または目的を達成するために使用される目標コンポーネントの機能と関連している抽象概念である。目標は、多くの専門分野にわたることがありえて、および、さまざまな部門（例えば、工業用、科学的な、文化的、政治的な、および、こうして進行中の）を渡ることがありえる。通常、アクト１７１０は、外部的でありえるアクターによって実行されることができ、または外部、目標コンポーネント（例えば１２０）に、それはラーニングシステム（例えば適応推論エンジン１１０）に組み合わせられることができる。目標の多くの専門分野にわたる性質からみて、目標コンポーネントは、ツール、デバイスまたは複数機能を備えているシステムでありえる；例えば、ツールシステム（例えばツールシステム３１０）は、特定のプロセスまたはそれが一組の要求に特定の結果によって提供するデバイス、等を実行する。アクト１７２０のデータは、受信される。例えば、このようなデータは内在性でありえる。そして、データが目標を追求する目標コンポーネント（例えばコンポーネント１２０）において生成される。態様（特定のプロセスを実行する部分としての）において一組のセンサまたはツールと関連づけられて、探索する適応インテリジェントコンポーネントにおいて受信されるデータを集めることができる。受信データは、また、外部、例えば、アクター（例えばアクター３９０）（ヒューマンエージェントまたは埋込み知能またはそうでないものを有するマシンでありえる）によってデータは伝えられる。外部データは、プロセスをドライブするかまたは、通常、特定の目標の成果をドライブするために利用されるデータでありえる。ヒューマンエージェントは、ツールシステムのオペレータでありえて、および、ツールによって実行されるプロセスと関連している命令または特定の手順を提供することができる。アクターの実施例は、ツールシステムまたは実質的に何らかの目標コンポーネントのシミュレーションを実行するコンピュータでありえる。ツールシステムのシミュレーションが配備パラメータを決定するために使用されることができることが、理解されるべきである。ツールシステムまたは操作の代わりの条件を試験する（例えば、ヒューマンエージェントに危険を提起することができるか、または高い費用の操作条件）。受信データは、特定のプロセス（例えばフラットパネルディスプレイアクティブマトリックスの部分であるＴＦＴのマトリックスの堆積）または、通常、特有コードと関連しているトレーニングデータまたは生産データでありえる。
更なる態様において、受信データが、データタイプと関連しているかまたは手続き（または機能的）ユニットを有することができる。データタイプは、実際データの高い水準の抽象概念である；例えば、温度がありえて、ツールシステムのアニーリング状態の制御されプログラムされたレベルのアニーリングサイクルのシステムがありえて、ツールの温度センサで測定される温度値の時系列は、シーケンスデータタイプを関連づけられる。機能ユニットは、少なくとも受信された命令のライブラリに、一つには対応することができる、または、処理コードは、それを修復する。そのとき、プロセッサまたは処理プラットホームによって少なくとも実行され、必要なデータを操作するツールで操作またはツールによって生成されるデータを解析する。プロセッサによって少なくとも与えられる機能については、機能ユニットは、ユニットの特定の機能に関連したコンセプトに、部分的に少なくとも抽象化されることがありえる；例えば、乗算コード断片は、抽象化でありえるコンセプトを増大させる。単一のコンセプトが複数のデータタイプに依存して作成されることができるという点で、このようなコンセプトは負担をかけられすぎることができる例えば増大（シーケンス）、増大（マトリックス）、または、増大（定数（マトリックス））でありうる。さらに、コンセプトを示すことができる導関数（ｓｃａｌａｒ＿ｐｒｏｄｕｃｔ（ベクトル（ベクトル）））が独立変数に関して２本のベクトルのスカラー積の導関数を表すように、機能ユニットと関連しているコンセプトは機能ユニットと関連している他のコンセプトを継承することができる。機能的コンセプトがクラスとの直接の類似（analogy）においてあることは理解されるべきである。そして、それはそれ自身コンセプトにてありうる。さらにまた、データタイプは優先度を関連づけられ、および、優先度に一致することは意味ネットワークに置かれることができる。同様に、機能的コンセプト（または自動ＢＯＴの少なくとも一部；図６Bを参照）、また、優先度と関連づけられることができて、および、異なる意味ネットワークにおいて置くことができる。コンセプト優先度は、動的であって、および、意味ネットワークのコンセプト活性化を容易にすることができる。
アクト１７３０の知識は、受信データから生成される。そして、それは、上記のように、意味ネットワークにおいて表されることができる。知識の生成は、意味ネットワークの活性化を伝播させることによって達成されることができる。このような伝播は、スコアがスコアの組合せに加えてコンセプトに特定した状況によって決定されることができる。態様において、スコアの組合せは、２つのスコアまたは平均２つ以上のスコアの重み付けをされた付加でありえる。それは理解されるべきであるそのルール、外部のアクターから受信される少なくとも１つのツールシステム条件または情報入力に従って、スコアの組合せは修正されることができる。優先度が減衰することができることが、理解されるべきである。優先度が減衰することができることが、理解されるべきであり、時間進行のためにコンセプトがそれほどあまりアクティブにされないことを許容し、新しいコンセプトがより関連するようになることを許容する。
生成された知識は、メモリにおいて保持されることができて、および、実用的な情報として使用されることができる；例えば、堆積ステップの恒常的な圧力は、定常流れ（steady-state flow）および恒常的な排気バルブ角度（steady-state exhaust valve angle）のような２つの独立変数の正確な、明瞭な数学関数（例えば、統計的であるか未知よりはむしろ、判断されて決定論的に機能に入る全てのパラメータを有する一価関数（single-valued function））としてキャストされることができる。別の形態として、あるいは、付加で、遷移の間の圧力は、独立変数および／またはパラメータの関数として、または代わりにキャストされることができるか、またはレシピ（例えばＦＰＤ（プラットパネルディスプレイ）ピクセルのＴＦＴ構造のフォトリソグラフィのエッチング）の実行中に圧力であることができる。そこにおいて全ての時間インスタンスは、含まれ、レシピの実行中に他の測定変量／パラメータの関数として、キャストすることができる。
アクト１７４０で、生成された知識は、自律ツールの、および、次の利用のために、更なる知識の生成のために保存される。態様において、知識は、メモリの階層において保存されることができる。階層は、メモリの知識の持続、および、付加的な知識の作成のための知識の適用可能性にて決定されることができる。態様において、第３の階層はエピソードメモリ（例えばエピソードメモリ５３０または認識エピソードメモリ７４０）でありえる。そこにおいて、受信データインプレッション、および、知識は収集されることができる。このようなメモリにおいて、コンセプトの階層処理は重要でない。そして、入手可能な情報のリザーバがツールシステムまたは外部のアクターから受信したように、メモリが代わりとして作用する。態様において、このようなメモリは、メタデータベースと特定されることができる。そこにおいて、複数データタイプ、および、手続きコンセプトは保存されることができる。第２の階層において、知識は、コンセプトがかなり操られることができ、および、意味ネットワークの広げられた活性化が行われることができる短期メモリに保存されることができる。このようなメモリ階層において、機能ユニットまたは手続きコンセプトは、受信データ、および、新しい知識またはラーニングを生成するコンセプトに操作する。第１の階層メモリは、作動中の利用（このメモリ階層に保存される重要な新しい知識を有する）に対して知識が維持される長期メモリ（例えばＬＴＭ５１０）でありえる。付加において、長期メモリの知識は、短期メモリ（例えば５２０）の機能ユニットによって利用されることができる。
アクト１７５０で、生成されたか保存された知識は、利用される。知識は、（ｉ）保存された知識（データ、および、手順）に基づいて違いを特定することによって目標コンポーネント（例えばツールシステム３１０）の劣化のレベルを決定するために使用されることができて、および、新しく、データ（自己認識コンポーネント５５０を参照）を受信し、受信データが、外部（例えば入力１３０）または内在性で（例えば一部の出力１４０）あることができる；（ii）例えばデータパターンを特定することによってまたは変数（例えば自己コンセプト化コンポーネント５６０において）の中の関係を見いだすことによって、外部であるか内在性のデータか両方とも特徴づける。そこにおいて、変数は決められた目標を達成するために利用されることができる；または、（ｉｉｉ）データ（例えば自己最適化コンポーネント５７０）を生成するツールシステムのパーフォーマンスの解析を生成する、ルートの指示を提供することは生じる必要な修理またはトリガーしているアラームと同様に不良または既存の不良を予測し、ツール不良が生じるツールシステムの劣化の前に予防保守を実現する。保存され、および、生成された知識の利用が受信データに影響を受ける点に留意する必要がある。外部または内在性の、および、引き続いていく知識を生成する。
アクト１７６０は、目標の達成の程度が生成された知識からみて検査されることができる評価アクトである。決められた目標が達成される場合に備えて、方法１７００は終了を例示する。別の形態として、もし決められた目標が達成されなかったならば、決められた目標はアクト１７７０で検討されることができる。後者において、現在の目標が修正されることになっているかまたは適合することになっている場合に備えて、方法１７００の流れは新しい目標を決めることに導くことができる；例えば、目標適合は、生成された知識に基づくことがありえる。現在の目標のリビジョンが追われることになっていない場合に備えて、１７００が帰ってくる方法の中で流れる知識（現在決められた目標を追い続けるために利用されることができる）を生成する。
図１８は、目標コンポーネントの状態と関連しているコンセプトの状況スコアを調整する実施例の方法のフローチャート１８００を表す。自律生物学的ベースのラーニングエンジン（例えば３６０）（および、それに機能的に組み合わせられる１つ以上のコンポーネント）の部分的に少なくとも実現することができる実施例の方法２１００である。代わりにまたは加えて、処理プラットホーム（例えば３８５）、および、機能ユニット、そこにおいて、プロセッサ、または、それに機能的に組み合わせられる自律生物学的ベースのラーニングエンジンまたは１つ以上のコンポーネントに機能を与える部分的に少なくとも実現することができる実施例方法である。アクト１８１０で、目標コンポーネントの状態は、決定される。状態は一般的にコンテキストを介して決められる。そして、それはさまざまなデータ入力（例えば入力１３０）によって、または入力と関連していて、および、特定の関係を呈しているコンセプトのネットワークを介して決定されることができる。入力データは、目標コンポーネントによって追求される目標に関する；例えば、レシピ特定の薄膜デバイス（例えばＴＦＴ）の中でコーティングプロセスに関連づけられる入力として考えられる「絶縁デバイスを堆積させる」目標である。アクト１８２０で、目標コンポーネントの状態に適用されることができるコンセプトの組は、決定される。このようなコンセプトは、アクト１８１０において入られるデータタイプの抽象概念でありえるか、または、メモリプラットホーム（例えば長期メモリ５１０または短期メモリ５２０）の既存のコンセプトでありえる。通常、機能的コンセプトはアクトでき、少なくともプロセッサまたは処理ユニットを介して、図形コンセプト（例えば機能コンポーネントのないコンセプト）上のアクトは、より目標を達成する方へしばしば利用されることができる。アクト１８３０で、目標状態と関連している一組のコンセプトの各々のコンセプト状況スコアは、決定される。一組の状況スコアは、目標適合またはサブ目標作成／ランダム化のような、コンセプト利用またはアプリケーション（目標の動的を決定することができる）に対して階層を決めることができる。目標適合の一部として目標の空間の中で伝播、特定コンセプト状況スコアの調整は同様に目標成果をドライブすることができる。
図１９は、推論を介して知識を生成する実施例の方法のフローチャート１９００を表す。自律生物学的ベースのラーニングエンジン（例えば３６０）（および、それに機能的に組み合わせられる１つ以上のコンポーネント）の部分的に少なくとも実現することができる実施例方法１９００である。代わりにまたは加えて、処理プラットホーム、および、機能ユニット、または、そこにおいて、自律生物学的ベースのラーニングエンジンに機能を与えるプロセッサ、または、それに機能的に組み合わせられるコンポーネントは、部分的に少なくとも実現することができる実施例の方法である。アクト１９１０で、コンセプトはデータタイプに関連づけられ、および、コンセプト優先度は決定される。優先度は、一般的にコンセプトまたはコンセプトの重量の利用の確率に基づいて決定されることができる。このような重量はコンセプト（例えばデータタイプに操作する複雑さ）を利用するために容易さを表すことができるパラメータの機能（例えば加重和、算術平均または幾何平均）を介して決定されることができ、このようなパラメータはコンセプトの慣性、および、状態（例えばコンセプトに関連がありえる多くの隣接したコンセプト）を記載するコンセプトの適合性パラメータによって特定されることができる。優先度が明示的に時間依存慣性、および、適合性パラメータの結果として、またはコンセプト伝播の結果として、従属する時間でありえることは、理解されるべきである。時間従属する優先度は、特定コンセプトにエージング態様を導入することができて、および、それで、特定の知識シナリオ（例えば優先度ベースの知識ネットワークのノードの構造）において関連するのをやめているコンセプトを介して、知識フレキシビリティ（目標を追うために使用されるパラダイムで例えばＦＰＤのアクティブマトリックスアレイのＴＦＴのようなナノ-構造のデバイスの中で、レシピのような準備である）を進めることができる。アクト１９２０で、一組の優先するコンセプト意味ネットワークは、決められる。意味ネットワークが複数サブネットワークを具備することができることは理解されるべきである。そこにおいて、各々の複数ネットワークはクラスのコンセプトの中の一組の関係を特徴づけることができる。一例として、２階層意味ネットワークで、第２のサブネットワークがデータにタイプを変更するために利用されることができる操作を記載している機能的コンセプト（例えば、プランナ自動ＢＯＴまたはｕｅｂｅｒｂｏｔ、概念上の自動ＢＯＴである、）の中の関係を具備することができるのに反して、第１のサブネットワークはデータタイプから導き出されるコンセプトの中の関係を表すことができる。アクト１９３０で、優先度で設定されたものは、推論を作成して、および、それでコンセプトのネットワークと関連している知識を生成するために、意味ネットワークを通じて伝播される。態様において、このような伝播は、目標適合最適化プランを生成するか、または特定の目標を追うシステムの不良を予測するために利用されることができる。
図２０は、実施例の方法２０００のフローチャートを表す。例えば、製造（ここで記載されている態様に係るアセット）を生成する１つ以上のツールによって生成される生産データと関連している一組の変数の中の関係を学習する。自律生物学的ベースのラーニングエンジン（例えば３６０）（および、それに機能的に組み合わせられる１つ以上のコンポーネント）部分的に少なくとも実現することができる実施例の方法２０００である。代わりにまたは加えて、処理プラットホーム、および、機能ユニットまたは、そこにおいて、自律生物学的ベースのラーニングエンジンに機能を与えるプロセッサ、または、それに機能的に組み合わせられるコンポーネントは、部分的に少なくとも実現することができる実施例の方法である。アクト２０１０で、一組のデータは、受信される；データは、１つ以上のアセット（例えば３２８）の生産によって、少なくとも一つには関連づけられる。態様において、受信データはプロダクションランのうちの少なくとも１つから、例えば、製造ランを生じることができる。そして、それについて生産ツール、装置または器具において実現される；または、参照操作は、参照ツール、装置または器具を介して遂行される。生産データが１つ以上の生産レシピを遂行することからもたらすことができて、プロダクションランにおいて受信されたデータのセットは生じられ、例えば上記の通りに、ゲートコンタクトを堆積させるレシピのようなアクティブマトリックスアレイのＴＦＴ（１つ以上のアセットを製造するために）である。付加において、生産データは、さまざまな生産またはレシピステージまたはインスタンス（例えば一組の１つ以上の連続したレシピステップまたは一組の分裂したレシピステップ）から生じることができる。１つ以上のアセットは、複雑さの変化する度合いのデバイス（例えば半導体デバイス）を含むことができる；例えば、アセット３２８は、プラズマ放電ベースのフラットパネルディスプレイ（ＦＰＤ）、有機的な発光ダイオード（ＯＬＥＤ）-ＦＰＤベース、液晶ディスプレイ（ＬＣＤ）-ＦＰＤベース、薄膜-トランジスタアクティブマトリックスアレイまたはその素子、カラーフィルタ、ポーラライザ、などを含むことができる。アクト２０２０で、データの受信された一組は、フォーマットされる。態様において、上記の通りに、データは例えば、トレーニングデータと関連しているマトリックスによって、マトリックスフォーマットにキャストされることができる。そして、試験がデータを製造する。そして、適用のマトリックスとして、特定された生産データ（例えば製造ランデータ）の中で組み立てられるトレーニングマトリックス、および、マトリックスを特定される。トレーニング、および、適用のマトリックスが、それぞれ、参照ツールまたはそれの装置の操作、および、生産の間、さまざまな瞬間で生成されることができる。そのほかに、トレーニング、および、適用のマトリックスをさまざまな操作または生産インスタンス（例えば１つ以上のレシピのステップレベル、連続したか１つ以上のレシピで分裂した複数のステップ等）で生成することができる。付加トレーニング、または、適用のマトリックスがアセットレベル（例えばウエハレベルまたはロットレベル）の生成論理回路受信データでありえる。さらに、また、メンテナンスサイクル（例えば予防計画保守）で収集されるデータは、トレーニングマトリックスまたは適用のマトリックスのうちの少なくとも１つにフォーマットされることができる。
アクト２０３０で、一組の参照データは、一組の変数を選ばれる。選択された参照データは、受信データの部分（例えば１０％または２０％）でありえる。データが参照ツールまたはそれの器具の中で少なくとも１つで、選択された参照または一組の生産ツールを生じることができる。ツールで設定されたものは１つ以上のツールまたはツールユニット、操作するツールグループを含むことができる点に注意される。加えて、選択された参照データは、１つ以上の生産インスタンスまたはステージの間、生成されるデータの平均を含むことができる；例えば、平均は、少なくとも１つのステップレベル平均でありえる１つ以上のアセットの生産において使用される複数のレシピの各々のレシピにおける各々のステップである（エッチングステップ、例えばフォトリソグラフィ、およびそうでないもの）；各々ウエハレベル平均は、ロットまたはバッチまたは何らかの製造ボリュームのウェハを生成される；各々のロットロットレベル平均は、１つ以上のツールによって生成される；１つ以上の製造されたアクティブマトリックスアレイＴＦＴ-堆積レベル平均；または、各々の湿式クリーニング湿式クリーニングサイクル平均は、レシピで繰り返される。態様において、データの選択は、アクター指示を受信することによって遂行されることができる。さらに、選択された参照データは生産データから合理化されることができる。そこにおいて、選択された参照データは所定の測定サンプリングレートで収集される生の生産データである。１つ以上のアセット（例えばフラットパネルディスプレイ）、特定の実現された単一のレシピまたは一組の実現されたレシピ（例えば堆積レシピ、フォトリソグラフィレシピ、および、エッチングレシピ）の生産において実現される全てのレシピから生産される生のデータである。１つ以上の実現された生産レシピにとって、データ選択を容易にする測定サンプリングレートは、１つ以上のレシピにおける少なくとも１つの単一のステップ、一群の連続したステップまたは全てのステップでありえる。
アクト２０４０で、変数で設定された範囲内の参照変数は決定され、および、影響を与える変数の組は選ばれる。参照変数の決定はアクト２０３０において特定される変数で設定されたものによって呈される分散分析に基づくことがありえて、選択の影響を与え、上記議論されるように、変数はさまざまな選択メカニズムに従うことができる。特に、選択メカニズムは、汎用選択、半汎用選択、知識ベースの選択、経験的選択またはアクター駆動された選択のうちの少なくとも１つを含むことができる。影響を与える変数は、時間（例えばレシピステップの経過時間）を含むことができる。アクト２０５０で、影響を与える変数に決定された参照変数、および、設定されたものの形式的な機能的関係ｇは、学習されている。実施例の方法１７００のアクト１７３０において、ラーニングは実質的に同じ方法または同じ方法を続行する。付加において、影響を与える変数、形式的な機能関係を学習することは時間を含むことができる。実施例の方法がいくつかの参照変数複数機能を学習するために複数回再制定されることができることは、理解されるべきである。本明細書に記載されている自律システムがデータの受信された一組に含まれる各々のパラメータ機能を学習することができることは、更に理解されるべきである。
図２１は、実施例の方法２１００のフローチャートを表し、１つ以上のツールまたはそれの器具の性能劣化または不一致を決める。（ここで記載されている態様に係る）本実施例の方法２１００は、参照ツールまたは生産工具性能劣化を決定するために定められることができる。自律生物学的ベースのラーニングエンジン（例えば３６０）（および、それに機能的に組み合わせられる１つ以上のコンポーネント）の部分的に少なくとも実現することができる実施例の方法２１００である。代わりにまたは加えて、処理プラットホーム、および、機能ユニット、または、そこにおいて、自律生物学的ベースのラーニングエンジンに機能を与えるプロセッサ、または、それに機能的に組み合わせられるコンポーネントは、部分的に少なくとも実現することができる実施例の方法である。アクト２１１０で、参照変数の値は、測定される。態様において、測定は、生産プロセスの部分である１つ以上のレシピの利用を介して１つ以上のツールを介してアセット（例えばＦＰＤのようなアセット３９０）である。別の態様において、本実施例の方法は、生産プロセスに関して粒状性のさまざまなレベルで利用されることができる。アクト２１２０で、参照変数と関連している影響を与える変数の組において変数の各々値は、測定される。アクト２１３０で、参照変数の値は、参照変数および測定として影響を与える変数のセットの間の学習された形式的な関係に基づいて予測される。アクターによって、参照変数の予測、および、測定の中の違いが例えばパーフォーマンス計量閾値（パーフォーマンス計量閾値が設定可能でありえる）の下にあるかどうか、アクト２１４０で、それは確証される。パーフォーマンスは、キーパーフォーマンスインジケータを介して少なくとも一つには判断されることができ、または、実質的に何らかの、または何らかの、サービス品質のような最も計量パーフォーマンスである。先に議論されるように、さまざまなＫＰＩは利用されることができる。違いがＫＰＩ閾値の下にあるときに、流れる参照変数の測定にリダイレクトする。逆にいえば、アクト２１５０で、影響を与える変数の関連性プロファイル、および、学習された形式的な関係は、生成されて、および、保持される。先に議論されるように、関連性プロファイルの生成は実現されることができる。例えば、感度分析は、導かれることができ、感度分析は、参照変数に対する予想値の影響を与える変数の組のパーセンテージインパクト、または、影響を与える変数の組の学習された形式的な関係の数値導関数評価のうちの少なくとも１つに、部分的に少なくとも基づくことができる。態様において、性能劣化または不一致は、アセットを生成するためにプロセスを実現する１つ以上のツールの操作と関連している。性能劣化の評価が一般的に生産データと関連している学習された形式的な関係を伴うことは、理解されるべきであり、パーフォーマンス不一致の場合には、学習された形式的な関係は、異なるツールから生産されたデータと関連している。そこにおいてツールの１つは参照ツールである。
アクト２１６０で、パーフォーマンス劣化またはミスマッチの少なくとも１つは、報告され、および、パーフォーマンス報告（例えば、パーフォーマンスサマリー１１４５）は、保持される。態様において、報道は、関連性プロファイルのようなパーフォーマンス情報をアクターに伝えるかまたは配信することを含む。一例として、異常なパーフォーマンスイベントに対して、報道は、上位の判別条件に係る順序づけられた影響を与える変数の組を示すことを含むことができ、そこで、イベントと関連しているタイムスタンプを有する。
本明細書にて使用されるように、用語「プロセッサ」は実質的に次に示すものであり、しかし、具備するものに限定されるものではなく、単一のコアプロセッサを具備しているいかなるコンピューティング処理ユニットまたはデバイスを指すことができる；ソフトウェアマルチスレッド実行可能性を有するシングルプロセッサ；マルチコアプロセッサ；ソフトウェアマルチスレッド実行可能性を有するマルチコアプロセッサ；ハードウェアマルチスレッド技術を有するマルチコアプロセッサ；平行のプラットホーム；および、分散された共用メモリを有する平行のプラットホーム。加えて、プロセッサは、集積回路、特定用途向け集積回路（ＡＳＩＣ）、デジタルシグナルプロセッサ（ＤＳＰ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックコントローラ（ＰＬＣ）、複雑なプログラマブルロジックデバイス（ＣＰＬＤ）、分離したゲートまたはトランジスターロジック（分離したハードウェアコンポーネントまたはここで記載されている機能を実行するためにそれについて設計されたいかなる組合せも）を指すことができる。プロセッサは、例えばナノ-スケールアーキテクチャを利用することができ、（しかし、限定されるものではなく）、分子、および、量子ドットベースのトランジスタ、スイッチ、および、ゲート、空間使用を最適化するかまたはユーザ機器のパーフォーマンスを増強するためのものである。プロセッサは、また、コンピューティング処理ユニットの組合せとして実現されることができる。
本明細書の、用語、例えば「ストア」、「ストレージ」、「データ格納」、「データストレージ」、「データベース」、および、実質的にコンポーネントの操作、および、機能に関連する他のいかなる情報記憶コンポーネントも「メモリコンポーネント」を指す、または、構成要素がメモリを具備している「メモリ」またはコンポーネントに実施される。ここで記載されているメモリコンポーネントが揮発性メモリか不揮発性メモリでありえるか、または揮発性の、および、不揮発性メモリを含むことができることはいうまでもない。
図によって、（制限されるものではない）、不揮発性メモリは、リードオンリーメモリ（ＲＯＭ）、プログラム可能なＲＯＭ（ＰＲＯＭ）、電気的プログラム可能ＲＯＭ（ＥＰＲＯＭ）、電気的消去可能ＲＯＭ（ＥＥＰＲＯＭ）またはフラッシュメモリを含むことができる。揮発性メモリはランダムアクセスメモリ（ＲＡＭ）を含むことができる。そして、それは外部キャッシュメモリとして作用する。図によって、（制限されるものではない）、ＲＡＭは、多くの形態（例えば同期ＲＡＭ（ＳＲＡＭ）、ＤＲＡＭ（ＤＲＡＭ）、同期ＤＲＡＭ（ＳＤＲＡＭ）、データ転送速度が２倍のＳＤＲＡＭ（ＤＤＲ ＳＤＲＡＭ）、増強ＳＤＲＡＭ（ＥＳＤＲＡＭ）、Ｓｙｎｃｈｌｉｎｋ ＤＲＡＭ（ＳＬＤＲＡＭ）、および、直接的なＲａｍｂｕｓ ＲＡＭ（ＤＲＲＡＭ））（登録商標）において利用できる。加えて、システムまたはここで方法の開示されたメモリコンポーネントが、具備するものに限定されずに、これら、および、メモリの他のいかなる適切なタイプも具備することは、意図される。
ここで記載されているさまざまな態様または形態は、方法、ハードウェアまたはハードウェアおよびソフトウェアまたはハードウェア、および、ファームウェアの組合せとしての装置または標準のプログラミングおよび／または工学技術を使用している製造の論文として実現されることができる。方法としての実現は、プロセッサまたは処理ユニット（例えば処理プラットホーム３８５）を介して少なくとも一つには遂行されることができる。用語「製造の論文」は、ここで使われ、いかなるコンピュータ可読のデバイス、キャリアまたはメディアからアクセスできる計算機プログラムを包含することを意図する。例えば、コンピュータ読み取り可能なメディアは、磁気記憶装置（例えばハードディスク、フロッピー（登録商標）ディスク、磁気ｓｔｒｉｐｓ…）、光ディスク、［例えばコンパクトディスク（ＣＤ）、デジタル多用途ディスク（ＤＶＤ）…］、スマートカード、および、フラッシュメモリデバイス（例えばカード、スティク、キードライブ…）を含むが、これに限定されるものではない。
上記していたことは、請求された内容の実施例を含む。請求された内容を記載するためにコンポーネントまたは手順のすべての考えられる組合せを記載することは、もちろん、可能でない。しかし、技術の当業者は、請求された内容の多くの更なる組合せ、および、置換が可能であると認識することができる。したがって、請求された内容が添付の請求項の範囲内で、減少する全てのこのような変更、変更態様、および、変動を包含することは、意図される。さらにまた、範囲にその用語「含む」または「含んでいる」は、詳細な説明か請求項において使用し、このような用語は、用語と類似の方法で含んでいることを意図される。「具備する」または「具備している」は、請求項の伝統的な文言として使用されるものと、解釈される。
Claims (48)
- 参照変数および前記参照変数に対して一組の影響を与える変数を含んでいる一組の変数、並びに、アセットを生成するツールシステムの装置の一組のユニットと関連しているデータを選択するコンポーネントと；
前記参照変数、および、前記選択されたデータに対して前記一組の影響を与える変数の間の関係を自律して学習する目的ラーニングエンジンと；
前記装置の一組のユニットのうちの少なくとも１つの装置のユニットの性能劣化を決めるように前記関係に基づいて、前記参照変数の測定値と、前記参照変数の予想値とを比較するパフォーマンスアセスメントコンポーネントとを具備し、
前記パフォーマンスアセスメントコンポーネントは、前記性能劣化と関係する前記一組の影響を与える変数の順位を生成するシステム。 - 前記アセットは、１つ以上の半導体デバイスを含み、
前記１つ以上のデバイスは、プラズマ放電ベースのフラットパネルディスプレイ（ＦＰＤ）、有機的な発光ダイオード（ＯＬＥＤ）-ＦＰＤベース、液晶ディスプレイ（ＬＣＤ）-ＦＰＤベース、または、１つ以上の薄膜トランジスタアクティブマトリックスアレイ、カラーフィルタ若しくはポーラライザを備える素子を具備している、請求項１のシステム。 - 前記パフォーマンスアセスメントコンポーネントは、装置の異なるユニットの間のパーフォーマンスミスマッチを決定するように、前記関係に基づいて前記参照変数、および、前記その予想値の前記測定値を比較する請求項１のシステム。
- 前記データは、製造ランデータ、総合的な製造データ、および、試験製造データのうちの少なくとも１つを含む請求項３のシステム。
- データセレクタが、自動解析、または、アクター入力の少なくとも１つを介して、前記参照変数を選ぶ請求項１のシステム。
- 前記自動解析は、前記アセットの生産工程の各々の選択された参照変数の変動のマグニチュードに従って選択された参照変数のアレンジメントを含む請求項５のシステム。
- 前記データセレクタは、低い変動を呈する変数、中間の変動を呈する変数、または、高い変動を呈する変数のうちの少なくとも１つを選択する請求項６のシステム。
- 前記データセレクタは、汎用選択、半汎用選択、知識ベースの選択、または、経験的選択のうちの少なくとも１つに基づいて一組の影響を与える変数を選択する請求項５のシステム。
- 前記データセレクタは、マトリックス表現の選択データを伝えるフォーマッタコンポーネントを含む請求項５のシステム。
- 前記マトリックス表現は、参照変数、および、前記参照変数と関連している前記一組の影響を与える変数のうちの少なくとも１つの変数を含む請求項９のシステム。
- 前記データセレクタは、前記アセットを生成する前記ツールシステムの前記装置の一組のユニットと関連している参照データを選ぶコンポーネントを含み、
前記参照データは、前記データのうちの少なくとも一部である請求項１０のシステム。 - 前記データセレクタは、アクター入力を介して参照データを選ぶ請求項１１のシステム。
- 前記フォーマッタコンポーネントは、前記選択された参照データのうちの少なくとも一部に基づいてトレーニングマトリックスを生成する請求項１２のシステム。
- 前記参照データは、参照チャンバ、一組のツール、または、所定のサンプリングレートでデータを収集する測定ユニットのうちの少なくとも１つからのデータを含む請求項１３のシステム。
- 前記参照データは、前記アセットを生成するレシピにおいて、単一のステップまたは複数のステップの１つからのデータを含み、
前記複数のステップは、連続するか、または、分裂する、請求項１４のシステム。 - 前記参照データは、ステップレベル、ウエハレベル、ロットレベル、アクティブマトリックスアレイ製造、または、湿式クリーニングサイクルのうちの少なくとも１つから生じる平均データを含む請求項１５のシステム。
- 前記参照データは、前記アセットを製造するためにプロセス内で所定のサイクルにて生じる平均データを含み、
前記アセットは、フラットパネルディスプレイ装置を具備する請求項１６のシステム。 - 前記トレーニングマトリックスは、前記アセットを製造するプロセスの１つ以上のインスタンスに対して生成され、
前記１つ以上のインスタンスは、前記プロセスのレシピのステップ、一組のツールのウェハラン、一組のツールのロットラン、または、プロセス内の一組のサイクルのうちの少なくとも１つを含む請求項１３のシステム。 - 前記参照変数、および、前記選択されたデータに対して前記一組の影響を与える変数の間の前記関係は、数学的機能的関係であり、
前記関係は、外部のバイアスに対する依存なしで自律して学習される請求項３のシステム。 - 前記数学的機能的関係は、前記参照変数の測定値、および、その予想値の間の違いを伝える請求項１９のシステム。
- 前記数学的機能的関係は、前記参照変数の測定値、および、それの予想値の間の違いの変動を伝える請求項２０のシステム。
- 前記選択されたデータは、前記アセットを製造するプロセスの少なくとも１つのインスタンスに対しての生産データである請求項１９のシステム。
- 前記パフォーマンスアセスメントコンポーネントは、一組の統計力学機能を介して、測定され、および、予測された値の違い分布をサマライズする解析コンポーネントを含む請求項１９のシステム。
- 一組のアクター供給されたキーパーフォーマンスインジケータ閾値は、異常な性能劣化または異常なパーフォーマンスミスマッチのうちの少なくとも１つを決定する請求項２３の中でシステム。
- 前記異常な性能劣化または前記異常なパーフォーマンスミスマッチの少なくとも１つは、参照ツール、または、そのツールのうちの少なくとも１つに対して決定される請求項２４のシステム。
- 前記解析コンポーネントは、前記数学的機能的関係の管理されない定理証明アルゴリズム、および、発現解析を介して前記一組の影響を与える変数の前記順位を決定する形式的分析コンポーネントを含む請求項２４のシステム。
- 前記解析コンポーネントは、前記一組の影響を与える変数に対して前記数学的機能的関係の勾配ベクトルの計算を介して前記一組の影響を与える変数の前記順位を決める数値解析コンポーネントを含む請求項２６のシステム。
- 一組のツールの性能劣化、または、一組のツールのツールの間のパーフォーマンスミスマッチのうちの少なくとも１つは、影響を与える変数の前記順位に従ってプロファイルされことができ、
関連性プロファイルは、影響力のある変数の前記順位から生じる請求項２７のシステム。 - １つ以上のアセットを製造する１つ以上のツールの性能劣化またはミスマッチを決める方法であって、：
参照変数の値を測定することと；
前記参照変数と関連している一組の影響を与える変数において各々の変数の差の値を測定することと：
前記参照変数、および、前記一組の影響を与える変数の間の学習している関係に基づいて参照変数の参照変数値を予測することと；
前記参照変数に対する前記参照変数値および前記参照変数に対する前記値の間の違いがパーフォーマンス計量閾値より上にあるときに、複数のツールの間の少なくとも１つのツールの性能劣化またはパーフォーマンスミスマッチのうちの少なくとも１つを報告することとを具備し、
前記報告することは、前記性能劣化または前記パーフォーマンスミスマッチと関連するプロファイルを生成することを含み、順序づけの判別条件に従って順序づけられた一組の影響を与える変数を含む方法。 - 前記参照変数に対する前記参照変数値および前記参照変数に対する前記値の間の違いが前記パーフォーマンス計量閾値より上にあるときに、前記一組の影響を与える変数に対する前記プロファイルおよび学習している機能を保持することとを更に具備する請求項２９の方法。
- 前記少なくとも１つのツールの前記性能劣化または前記パーフォーマンスミスマッチのうちの少なくとも１つを報告することは、アクターにパーフォーマンス情報を伝えることを含み、
前記パーフォーマンス情報は、前記プロファイル、または、前記性能劣化若しくは前記ミスマッチのイベントに関連しているタイムスタンプを有する前記順序づけの判別条件に従って順序づけられた一組の影響を与える変数のうちの少なくとも１つを具備する請求項３０の方法。 - 前記プロファイルを生成することは、前記参照変数に対する参照変数値の前記一組の影響を与える変数のパーセンテージインパクト、および、前記一組の影響を与える変数の学習している機能の数値導関数評価のうちの少なくとも１つの少なくとも一部に基づいて感度解析を実行することを含む、請求項３１の方法。
- 測定された前記参照変数および前記一組の影響を与える変数の間の学習された関係に基づいて前記参照変数に対する前記参照変数値を予測することは、
少なくとも１つ以上のアセットの製造と部分的に関連づけられる一組のデータを受信することと；
一組の変数に対して一組の参照データを選択することと；
変数に影響を与える組変数、および、選択で設定されたものの前記参照変数および前記一組の影響を与える変数の間の形式的機能的関係を自律して学習することとを更に具備し；
前記関係は、外部のバイアスに対する依存なしで自律して学習されている、請求項２９の方法。 - 前記１つ以上のアセットは、半導体デバイスを含み、
前記１つ以上のデバイスは、プラズマ放電ベースのフラットパネルディスプレイ（ＦＰＤ）、ＯＬＥＤ−ＦＰＤベース、ＬＣＤ−ＦＰＤベースを備えている請求項３３の方法。 - 前記一組のデータは、ランデータ、総合的な製造データ、または、試験製造データのうちの少なくとも１つを含む請求項３４の方法。
- 前記受信された一組のデータをフォーマットすることを更に具備し、
前記受信データをフォーマットすることは、試験製造データまたは生産ランデータのうちの少なくとも１つに対してマトリックス表現を生成することを含む請求項３５の方法。 - 前記試験製造データの前記マトリックス表現は、参照ツールまたは生産ツールのうちの少なくとも１つの操作の間、１つ以上のインスタンスで生成される請求項３６の方法。
- 前記生産ランデータの前記マトリックス表現は、生産ツールの操作の間、１つ以上のインスタンスで生成される請求項３７の方法。
- 前記試験製造データまたは前記生産ランデータのうちの少なくとも１つに対して前記マトリックス表現を生成することは、１つ以上の生産インスタンスで生成され、
前記１つ以上の生産インスタンスは、１つ以上のレシピのステップレベル、または、１つ以上のレシピで連続したか、または分裂したいずれかの複数のステップのうちの少なくとも１つを含む請求項３６の方法。 - 前記試験製造データまたは前記生産ランデータのうちの少なくとも１つに対して前記マトリックス表現を生成することは、アセットレベルで受信データを介して生成される請求項３６の方法。
- 前記一組の変数に対する前記一組の参照データを選択することは、受信データの部分を選択すること、または、アクターから入力した受信することのうちの少なくとも１つを含む請求項３３の方法。
- 前記一組の変数に対する前記一組の参照データは、参照ツール、一組のツール、または、所定のサンプリングレートでデータを収集する少なくともツールの測定ユニットのうちの少なくとも１つのものからのデータを含む請求項４１の方法。
- 前記一組の変数に対する前記一組の参照データは、前記アセットを生成するレシピにおいて、単一のステップまたは複数のステップの１つからのデータを含み、
前記複数のステップは、連続するか、または、分裂する、請求項４２の方法。 - 前記一組の変数に対する前記一組の参照データは、ステップレベル、ウエハレベル、ロットレベル、アクティブマトリックスアレイ製造、または、湿式クリーニングサイクルのうちの少なくとも１つから生じる平均データを含む請求項４３の方法。
- 前記一組の影響を与える変数を選択することは、汎用選択、半汎用選択、知識ベースの選択、経験的選択またはアクター駆動された選択のうちの少なくとも１つである請求項３３の方法。
- 前記参照変数および前記一組の影響を与える変数の間の形式的な機能的関係を学習することは、形式的な機能的関係が取り除かれた１つ以上の影響を与えている変数を含むときに、異なる予測された出力に関して参照変数に対する予測された出力に弱く影響を及ぼす１つ以上の影響を与える変数を取り除くことを含む請求項４５の方法。
- 一組の命令を具備しているコンピュータプログラムであって、次のアクトを実行するようにコンピュータに実行されるものであり：
アセットの生産工程のインスタンスの参照変数の一組の値を測定することと；
参照変数と関連している変数に影響を与える組において変数の各々一組の値を測定することと；
測定されるように自律して参照変数の中の関係、および、変数に影響を与えることで設定されたものを学習することと；
学習している関係に基づいて一組の参照変数の値を予測することと；
少なくともツールの性能劣化または参照変数の予測値、および、参照変数の測定値の中の違いがキーパーフォーマンスインジケータ閾値より上にある複数のツールのパーフォーマンスミスマッチを報告することとを具備し、
前記報告することは、前記性能劣化または前記パーフォーマンスミスマッチに関連する順序づけの判別条件に従って一組の影響を与える変数を順序づけることを含むコンピュータプログラム。 - アセットを生成するツールシステムの装置の一組のユニットと関連している一組の変数およびデータを特定する手段と、そこにおいて、一組の変数は、参照変数、および、参照変数に対して一組の影響を与える変数を含み；
前記参照変数および前記一組の影響を与える変数の間の機能的関係を自律して学習するための手段と；
学習している機能的関係を介して予測される参照変数の値の少なくとも一部に基づいてツールシステムの装置の一組のユニットの装置の少なくとも１つのユニットの性能劣化またはパーフォーマンスミスマッチのうちの少なくとも１つを判断する手段とを具備し、
前記判断する手段は、順序づけの判別条件に従って順序づけられた前記一組の影響を与える変数を含む前記性能劣化または前記パーフォーマンスミスマッチと関連する関連性プロファイルを生成する手段を含む装置。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US12/416,018 US8725667B2 (en) | 2008-03-08 | 2009-03-31 | Method and system for detection of tool performance degradation and mismatch |
| US12/416,018 | 2009-03-31 | ||
| PCT/US2010/023113 WO2010114641A1 (en) | 2009-03-31 | 2010-02-03 | Method and system for detection of tool performance degradation and mismatch |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012522307A JP2012522307A (ja) | 2012-09-20 |
| JP5544413B2 true JP5544413B2 (ja) | 2014-07-09 |
Family
ID=42828622
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012503438A Active JP5544413B2 (ja) | 2009-03-31 | 2010-02-03 | ツール性能劣化およびミスマッチの検出のための方法およびシステム |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US8725667B2 (ja) |
| JP (1) | JP5544413B2 (ja) |
| KR (1) | KR101609017B1 (ja) |
| CN (1) | CN102449623B (ja) |
| TW (1) | TWI524189B (ja) |
| WO (1) | WO2010114641A1 (ja) |
Families Citing this family (104)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8423224B1 (en) * | 2007-05-01 | 2013-04-16 | Raytheon Company | Methods and apparatus for controlling deployment of systems |
| US8078552B2 (en) * | 2008-03-08 | 2011-12-13 | Tokyo Electron Limited | Autonomous adaptive system and method for improving semiconductor manufacturing quality |
| US8725667B2 (en) | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| US8190543B2 (en) | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
| US8396582B2 (en) * | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| US8145334B2 (en) * | 2008-07-10 | 2012-03-27 | Palo Alto Research Center Incorporated | Methods and systems for active diagnosis through logic-based planning |
| US8266092B2 (en) | 2008-07-10 | 2012-09-11 | Palo Alto Research Center Incorporated | Methods and systems for target value path identification |
| US8165705B2 (en) * | 2008-07-10 | 2012-04-24 | Palo Alto Research Center Incorporated | Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources |
| US8219437B2 (en) | 2008-07-10 | 2012-07-10 | Palo Alto Research Center Incorporated | Methods and systems for constructing production plans |
| US9058707B2 (en) * | 2009-02-17 | 2015-06-16 | Ronald C. Benson | System and method for managing and maintaining abrasive blasting machines |
| US8359110B2 (en) * | 2009-03-23 | 2013-01-22 | Kuhn Lukas D | Methods and systems for fault diagnosis in observation rich systems |
| US9893958B2 (en) * | 2009-12-23 | 2018-02-13 | At&T Intellectual Property I, L.P. | Method and system for service assurance and capacity management using post dial delays |
| US8280671B2 (en) * | 2010-01-29 | 2012-10-02 | Microsoft Corporation | Compressive data gathering for large-scale wireless sensor networks |
| US8954184B2 (en) * | 2011-01-19 | 2015-02-10 | Tokyo Electron Limited | Tool performance by linking spectroscopic information with tool operational parameters and material measurement information |
| US8723869B2 (en) * | 2011-03-21 | 2014-05-13 | Tokyo Electron Limited | Biologically based chamber matching |
| KR101216517B1 (ko) * | 2011-04-01 | 2012-12-31 | 국방과학연구소 | 최적의 네트워크 시뮬레이션 환경 구축 방법 및 그 시스템 |
| US20120308969A1 (en) * | 2011-06-06 | 2012-12-06 | Paramit Corporation | Training ensurance method and system for copmuter directed assembly and manufacturing |
| US8762301B1 (en) * | 2011-10-12 | 2014-06-24 | Metso Automation Usa Inc. | Automated determination of root cause |
| US10047439B2 (en) * | 2011-12-08 | 2018-08-14 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method and system for tool condition monitoring based on a simulated inline measurement |
| JP5985837B2 (ja) * | 2012-03-02 | 2016-09-06 | 浜松ホトニクス株式会社 | Ｘ線照射源及びｘ線照射装置 |
| US20130282333A1 (en) * | 2012-04-23 | 2013-10-24 | Abb Technology Ag | Service port explorer |
| US8849440B2 (en) * | 2012-05-31 | 2014-09-30 | International Business Machines Corporation | Manufacturing control based on a final design structure incorporating both layout and client-specific manufacturing information |
| US20140052425A1 (en) * | 2012-08-16 | 2014-02-20 | Sankar Selvaraj | Method and apparatus for evaluating a model of an industrial plant process |
| US9298456B2 (en) * | 2012-08-21 | 2016-03-29 | Apple Inc. | Mechanism for performing speculative predicated instructions |
| US9508042B2 (en) * | 2012-11-05 | 2016-11-29 | National Cheng Kung University | Method for predicting machining quality of machine tool |
| US9746849B2 (en) | 2012-11-09 | 2017-08-29 | Tokyo Electron Limited | Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing |
| US9265458B2 (en) | 2012-12-04 | 2016-02-23 | Sync-Think, Inc. | Application of smooth pursuit cognitive testing paradigms to clinical drug development |
| US9405289B2 (en) * | 2012-12-06 | 2016-08-02 | Tokyo Electron Limited | Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends |
| CN103092074B (zh) * | 2012-12-30 | 2015-09-09 | 重庆邮电大学 | 半导体先进过程控制的参数优化控制方法 |
| EP2770387A1 (en) * | 2013-02-21 | 2014-08-27 | ABB Technology AG | Optimal operation of a gearless mill |
| US9380976B2 (en) | 2013-03-11 | 2016-07-05 | Sync-Think, Inc. | Optical neuroinformatics |
| US9817663B2 (en) | 2013-03-19 | 2017-11-14 | Apple Inc. | Enhanced Macroscalar predicate operations |
| US9348589B2 (en) | 2013-03-19 | 2016-05-24 | Apple Inc. | Enhanced predicate registers having predicates corresponding to element widths |
| US9857271B2 (en) | 2013-10-10 | 2018-01-02 | Baker Hughes, A Ge Company, Llc | Life-time management of downhole tools and components |
| US9396443B2 (en) * | 2013-12-05 | 2016-07-19 | Tokyo Electron Limited | System and method for learning and/or optimizing manufacturing processes |
| US10290088B2 (en) * | 2014-02-14 | 2019-05-14 | Kla-Tencor Corporation | Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput |
| JP6181589B2 (ja) * | 2014-03-31 | 2017-08-16 | 株式会社Ihi | 計測値解析装置及び計測値解析方法 |
| US10789367B2 (en) * | 2014-04-18 | 2020-09-29 | Micro Focus Llc | Pre-cognitive security information and event management |
| US10722065B2 (en) * | 2014-07-24 | 2020-07-28 | Adagio Teas, Inc. | Apparatus and method of multi-course infusion for brewing tea and other beverages |
| US20180018797A1 (en) * | 2015-02-18 | 2018-01-18 | Nec Corporation | Impact visualization system, method, and program |
| US11042128B2 (en) * | 2015-03-18 | 2021-06-22 | Accenture Global Services Limited | Method and system for predicting equipment failure |
| US10542961B2 (en) | 2015-06-15 | 2020-01-28 | The Research Foundation For The State University Of New York | System and method for infrasonic cardiac monitoring |
| EP3144763A1 (de) * | 2015-09-15 | 2017-03-22 | Siemens Aktiengesellschaft | System und verfahren zur steuerung und/oder analytik eines industriellen prozesses mittels einer anlagenexternen recheneinheit und einem revisionsmodul für den systembetreiber |
| JP6055058B1 (ja) * | 2015-09-30 | 2016-12-27 | ファナック株式会社 | 機械学習器及び組み立て・試験器を備えた生産設備 |
| KR102525873B1 (ko) * | 2015-10-16 | 2023-04-27 | 삼성전자주식회사 | 반도체 공정 시뮬레이션 장치 및 그것의 시뮬레이션 방법 |
| CN106685750B (zh) * | 2015-11-11 | 2019-12-24 | 华为技术有限公司 | 系统异常检测方法和装置 |
| CN106991095B (zh) * | 2016-01-21 | 2021-09-28 | 阿里巴巴集团控股有限公司 | 机器异常的处理方法、学习速率的调整方法及装置 |
| JP6645993B2 (ja) * | 2016-03-29 | 2020-02-14 | 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ | 処理装置、装置管理コントローラ、及びプログラム並びに半導体装置の製造方法 |
| US10411946B2 (en) * | 2016-06-14 | 2019-09-10 | TUPL, Inc. | Fixed line resource management |
| JP6698446B2 (ja) * | 2016-07-05 | 2020-05-27 | 東京エレクトロン株式会社 | 基板液処理装置、基板液処理方法および記憶媒体 |
| JP2018005714A (ja) * | 2016-07-06 | 2018-01-11 | 三菱電機ビルテクノサービス株式会社 | 異常データの重要度判定装置及び異常データの重要度判定方法 |
| WO2018009643A1 (en) * | 2016-07-07 | 2018-01-11 | Aspen Technology, Inc. | Computer systems and methods for performing root cause analysis and building a predictive model for rare event occurrences in plant-wide operations |
| TWI608365B (zh) * | 2016-09-23 | 2017-12-11 | 財團法人工業技術研究院 | 擾動源追溯方法 |
| TWI632441B (zh) * | 2017-01-20 | 2018-08-11 | 財團法人工業技術研究院 | 機台的預診斷方法及預診斷裝置 |
| US11579574B2 (en) * | 2017-02-10 | 2023-02-14 | Nec Corporation | Control customization system, control customization method, and control customization program |
| JP6526081B2 (ja) * | 2017-02-28 | 2019-06-05 | ファナック株式会社 | 在庫管理および予防保全を行う機能を有する在庫管理システム |
| EP3391939B1 (en) * | 2017-04-19 | 2020-01-15 | Ion Beam Applications S.A. | System and method for detecting hardware degradation in a radiation therapy system |
| CN107220713B (zh) * | 2017-06-06 | 2020-10-09 | 上海理工大学 | 基于健康状态的机器人手臂实时保养方法 |
| US11282077B2 (en) | 2017-08-21 | 2022-03-22 | Walmart Apollo, Llc | Data comparison efficiency for real-time data processing, monitoring, and alerting |
| US20190066010A1 (en) * | 2017-08-24 | 2019-02-28 | United States Of America As Represented By The Secretary Of The Army | Predictive model for optimizing facility usage |
| US10810595B2 (en) | 2017-09-13 | 2020-10-20 | Walmart Apollo, Llc | Systems and methods for real-time data processing, monitoring, and alerting |
| JP6616375B2 (ja) * | 2017-10-23 | 2019-12-04 | ファナック株式会社 | 状態判定装置 |
| US11263835B2 (en) * | 2017-10-27 | 2022-03-01 | The Boeing Company | Vehicle fault detection system and method utilizing graphically converted temporal data |
| US11080359B2 (en) * | 2017-12-21 | 2021-08-03 | International Business Machines Corporation | Stable data-driven discovery of a symbolic expression |
| US10217654B1 (en) * | 2018-02-12 | 2019-02-26 | Varian Semiconductor Equipment Associates, Inc. | Embedded features for interlocks using additive manufacturing |
| DE102018105322A1 (de) | 2018-03-08 | 2019-09-12 | Carl Zeiss Smt Gmbh | Verfahren zum Betreiben einer industriellen Maschine |
| WO2019174709A1 (de) * | 2018-03-12 | 2019-09-19 | Celonis Se | Verfahren zur behebung von prozessanomalien |
| JP7137943B2 (ja) * | 2018-03-20 | 2022-09-15 | 株式会社日立ハイテク | 探索装置、探索方法及びプラズマ処理装置 |
| US11550841B2 (en) * | 2018-05-31 | 2023-01-10 | Microsoft Technology Licensing, Llc | Distributed computing system with a synthetic data as a service scene assembly engine |
| CN110609699B (zh) * | 2018-06-15 | 2023-10-03 | 伊姆西Ip控股有限责任公司 | 维护存储系统的组件的方法、电子设备和计算机可读介质 |
| US11573879B2 (en) | 2018-10-22 | 2023-02-07 | General Electric Company | Active asset monitoring |
| CN112912716A (zh) * | 2018-10-23 | 2021-06-04 | 美国安进公司 | 用于实时预测的拉曼光谱模型的自动校准和自动维护 |
| US20220009049A1 (en) * | 2018-11-06 | 2022-01-13 | Rochester Institute Of Technology | Calibration-Based Tool Condition Monitoring System for Repetitive Machining Operations |
| US11213946B1 (en) * | 2018-12-27 | 2022-01-04 | X Development Llc | Mitigating reality gap through optimization of simulated hardware parameter(s) of simulated robot |
| KR102138122B1 (ko) * | 2019-01-09 | 2020-07-27 | 에스케이실트론 주식회사 | 웨이퍼 카세트의 포장 장치 |
| TWI676088B (zh) * | 2019-01-11 | 2019-11-01 | 國立高雄科技大學 | 動力輔助裝置之偵測失效備援系統 |
| US11133204B2 (en) * | 2019-01-29 | 2021-09-28 | Applied Materials, Inc. | Chamber matching with neural networks in semiconductor equipment tools |
| WO2020167720A1 (en) * | 2019-02-14 | 2020-08-20 | Lam Research Corporation | Data capture and transformation to support data analysis and machine learning for substrate manufacturing systems |
| CN112148391A (zh) * | 2019-06-26 | 2020-12-29 | 北京百度网讯科技有限公司 | 生成基于芯片的计算功能的方法、装置、设备和存储介质 |
| CN110303380B (zh) * | 2019-07-05 | 2021-04-16 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
| TW202105100A (zh) * | 2019-07-16 | 2021-02-01 | 神通資訊科技股份有限公司 | 自動加工機之異常偵測系統及方法 |
| JP7159128B2 (ja) | 2019-08-08 | 2022-10-24 | 株式会社日立ハイテク | 荷電粒子線装置 |
| JP7173937B2 (ja) | 2019-08-08 | 2022-11-16 | 株式会社日立ハイテク | 荷電粒子線装置 |
| US20210049242A1 (en) * | 2019-08-13 | 2021-02-18 | International Business Machines Corporation | Process Optimization by Clamped Monte Carlo Distribution |
| US11400592B2 (en) * | 2019-08-19 | 2022-08-02 | Wipro Limited | Method and system for task execution in dynamic heterogeneous robotic environment |
| JP7189103B2 (ja) * | 2019-08-30 | 2022-12-13 | 株式会社日立ハイテク | 荷電粒子線装置 |
| CN112819190B (zh) * | 2019-11-15 | 2024-01-26 | 上海杰之能软件科技有限公司 | 设备性能的预测方法及装置、存储介质、终端 |
| US11310141B2 (en) | 2019-12-11 | 2022-04-19 | Cisco Technology, Inc. | Anomaly detection of model performance in an MLOps platform |
| US11797836B1 (en) * | 2019-12-23 | 2023-10-24 | Waymo Llc | Sensor-integrated neural network |
| US11461216B1 (en) | 2020-05-18 | 2022-10-04 | Vignet Incorporated | Monitoring and improving data collection using digital health technology |
| CN111581730A (zh) * | 2020-05-18 | 2020-08-25 | 江铃汽车股份有限公司 | 一种基于Hyperstudy集成平台的汽车车架多学科优化方法 |
| US11605038B1 (en) | 2020-05-18 | 2023-03-14 | Vignet Incorporated | Selecting digital health technology to achieve data collection compliance in clinical trials |
| CN115060011B (zh) * | 2020-05-19 | 2023-10-27 | 山东大学 | 一种基于机器学习的环路热管太阳能流速控制方法 |
| CN111724126B (zh) * | 2020-06-12 | 2024-03-12 | 北京科技大学顺德研究生院 | 一种工艺流程质量异常精准追溯方法及系统 |
| US11537292B2 (en) * | 2020-06-24 | 2022-12-27 | Western Digital Technologies, Inc. | Methods and apparatus for enhancing uber rate for storage devices |
| WO2022018466A1 (en) * | 2020-07-22 | 2022-01-27 | Citrix Systems, Inc. | Determining server utilization using upper bound values |
| US11321211B1 (en) * | 2020-10-25 | 2022-05-03 | Motional Ad Llc | Metric back-propagation for subsystem performance evaluation |
| CN114766023B (zh) * | 2020-10-30 | 2023-05-16 | 京东方科技集团股份有限公司 | 数据处理方法、装置及系统、电子设备 |
| WO2022226258A2 (en) * | 2021-04-23 | 2022-10-27 | Battelle Memorial Institute | Causal relational artificial intelligence and risk framework for manufacturing applications |
| CN113753344A (zh) * | 2021-09-01 | 2021-12-07 | 普林斯顿科技发展（北京）有限公司 | 一种装箱机用自动化控制软件 |
| US20230341841A1 (en) * | 2022-04-24 | 2023-10-26 | Applied Materials, Inc. | Bayesian decomposition for mismatched performances in semiconductor equipment |
| US11928128B2 (en) * | 2022-05-12 | 2024-03-12 | Truist Bank | Construction of a meta-database from autonomously scanned disparate and heterogeneous sources |
| WO2024059729A1 (en) * | 2022-09-15 | 2024-03-21 | Onto Innovation Inc. | Parameter aggregation and normalization for manufacturing tools |
| CN116147833A (zh) * | 2023-04-19 | 2023-05-23 | 苏州森斯缔夫传感科技有限公司 | 一种基于数据挖掘的压力传感器性能分析方法及系统 |
Family Cites Families (62)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US2007200A (en) * | 1931-11-25 | 1935-07-09 | Semet Solvay Eng Corp | Water gas carburetor |
| US5495417A (en) | 1990-08-14 | 1996-02-27 | Kabushiki Kaisha Toshiba | System for automatically producing different semiconductor products in different quantities through a plurality of processes along a production line |
| JPH04112204A (ja) | 1990-09-03 | 1992-04-14 | Agency Of Ind Science & Technol | 制御知識生成装置 |
| JP3115082B2 (ja) | 1992-03-10 | 2000-12-04 | 株式会社東芝 | 熱源機器の運転制御装置 |
| JPH05265512A (ja) * | 1992-03-17 | 1993-10-15 | Hitachi Ltd | 学習型制御装置およびファジィ推論装置 |
| US5644686A (en) | 1994-04-29 | 1997-07-01 | International Business Machines Corporation | Expert system and method employing hierarchical knowledge base, and interactive multimedia/hypermedia applications |
| JPH08272761A (ja) * | 1995-03-28 | 1996-10-18 | Nippon Telegr & Teleph Corp <Ntt> | パラメータチューニング法 |
| US5867799A (en) | 1996-04-04 | 1999-02-02 | Lang; Andrew K. | Information system and method for filtering a massive flow of information entities to meet user information classification needs |
| JP3377163B2 (ja) * | 1997-03-06 | 2003-02-17 | 株式会社日立製作所 | 自律的制御システム |
| US6201999B1 (en) | 1997-06-09 | 2001-03-13 | Applied Materials, Inc. | Method and apparatus for automatically generating schedules for wafer processing within a multichamber semiconductor wafer processing tool |
| US6122397A (en) | 1997-07-03 | 2000-09-19 | Tri Path Imaging, Inc. | Method and apparatus for maskless semiconductor and liquid crystal display inspection |
| JPH11110367A (ja) * | 1997-09-30 | 1999-04-23 | Ffc:Kk | プラントの状態総合評価における評価構造・パラメータ自動調整装置 |
| JP3612973B2 (ja) * | 1997-12-22 | 2005-01-26 | 松下電工株式会社 | 成形性解析方法 |
| JP3325833B2 (ja) | 1998-05-20 | 2002-09-17 | 東京エレクトロン株式会社 | 熱処理装置 |
| US8938688B2 (en) * | 1998-12-04 | 2015-01-20 | Nuance Communications, Inc. | Contextual prediction of user words and user actions |
| US6678572B1 (en) | 1998-12-31 | 2004-01-13 | Asml Holdings, N.V. | Recipe cascading in a wafer processing system |
| US6931644B2 (en) | 2000-12-21 | 2005-08-16 | International Business Machines Corporation | Hierarchical connected graph model for implementation of event management design |
| US7233933B2 (en) * | 2001-06-28 | 2007-06-19 | Microsoft Corporation | Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability |
| US6965895B2 (en) * | 2001-07-16 | 2005-11-15 | Applied Materials, Inc. | Method and apparatus for analyzing manufacturing data |
| US7218980B1 (en) | 2001-07-23 | 2007-05-15 | Esilicon Corporation | Prediction based optimization of a semiconductor supply chain using an adaptive real time work-in-progress tracking system |
| EP1444600A1 (en) * | 2001-11-16 | 2004-08-11 | Yuan Yan Chen | Pausible neural network with supervised and unsupervised cluster analysis |
| US7133804B2 (en) | 2002-02-22 | 2006-11-07 | First Data Corporatino | Maintenance request systems and methods |
| US20030199112A1 (en) | 2002-03-22 | 2003-10-23 | Applied Materials, Inc. | Copper wiring module control |
| GB0216858D0 (en) * | 2002-07-19 | 2002-08-28 | Bae Systems Plc | Fault diagnosis system |
| JP4123231B2 (ja) | 2002-08-22 | 2008-07-23 | サンケン電気株式会社 | 直流変換装置 |
| US7194445B2 (en) | 2002-09-20 | 2007-03-20 | Lenovo (Singapore) Pte. Ltd. | Adaptive problem determination and recovery in a computer system |
| US7062411B2 (en) * | 2003-06-11 | 2006-06-13 | Scientific Systems Research Limited | Method for process control of semiconductor manufacturing equipment |
| IE20030437A1 (en) | 2003-06-11 | 2004-12-15 | Scient Systems Res Ltd | A method for process control of semiconductor manufacturing equipment |
| MY138544A (en) * | 2003-06-26 | 2009-06-30 | Neuramatix Sdn Bhd | Neural networks with learning and expression capability |
| US20050114829A1 (en) | 2003-10-30 | 2005-05-26 | Microsoft Corporation | Facilitating the process of designing and developing a project |
| US6876894B1 (en) | 2003-11-05 | 2005-04-05 | Taiwan Semiconductor Maufacturing Company, Ltd. | Forecast test-out of probed fabrication by using dispatching simulation method |
| TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
| US7451011B2 (en) | 2004-08-27 | 2008-11-11 | Tokyo Electron Limited | Process control using physical modules and virtual modules |
| US7212878B2 (en) | 2004-08-27 | 2007-05-01 | Tokyo Electron Limited | Wafer-to-wafer control using virtual modules |
| US7177714B2 (en) | 2004-09-28 | 2007-02-13 | Siemens Technology-To-Business Center, Llc | Method and apparatus for determining and representing continuous resource loading profiles and overload probability functions for complex discrete manufacturing |
| GB0423110D0 (en) | 2004-10-18 | 2004-11-17 | Manthatron Ip Ltd | Acting on a subject system |
| US20060129257A1 (en) * | 2004-12-13 | 2006-06-15 | Taiwan Semiconductor Manufacturing Co., Ltd. | Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework |
| JP4900642B2 (ja) | 2005-02-23 | 2012-03-21 | ソニー株式会社 | 学習制御装置、学習制御方法、およびプログラム |
| JP2007018490A (ja) | 2005-02-23 | 2007-01-25 | Sony Corp | 行動制御装置および行動制御方法、並びに、プログラム |
| JP4525477B2 (ja) | 2005-02-23 | 2010-08-18 | ソニー株式会社 | 学習制御装置および学習制御方法、並びに、プログラム |
| US7127304B1 (en) * | 2005-05-18 | 2006-10-24 | Infineon Technologies Richmond, Lp | System and method to predict the state of a process controller in a semiconductor manufacturing facility |
| CN100386702C (zh) | 2005-06-10 | 2008-05-07 | 同济大学 | 基于信息素的用于半导体生产线的动态调度方法 |
| US7937264B2 (en) | 2005-06-30 | 2011-05-03 | Microsoft Corporation | Leveraging unlabeled data with a probabilistic graphical model |
| US7359759B2 (en) | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
| US7571019B2 (en) | 2005-12-30 | 2009-08-04 | Intel Corporation | Integrated configuration, flow and execution system for semiconductor device experimental flows and production flows |
| US7454312B2 (en) * | 2006-03-15 | 2008-11-18 | Applied Materials, Inc. | Tool health information monitoring and tool performance analysis in semiconductor processing |
| US7596718B2 (en) * | 2006-05-07 | 2009-09-29 | Applied Materials, Inc. | Ranged fault signatures for fault diagnosis |
| TWI315054B (en) | 2006-05-10 | 2009-09-21 | Nat Cheng Kung Universit | Method for evaluating reliance level of a virtual metrology system in product manufacturing |
| US20070288419A1 (en) | 2006-06-07 | 2007-12-13 | Motorola, Inc. | Method and apparatus for augmenting data and actions with semantic information to facilitate the autonomic operations of components and systems |
| US7522968B2 (en) | 2006-07-10 | 2009-04-21 | Applied Materials, Inc. | Scheduling method for processing equipment |
| US20080051930A1 (en) | 2006-07-10 | 2008-02-28 | Oh Hilario L | Scheduling method for processing equipment |
| JP2008158748A (ja) | 2006-12-22 | 2008-07-10 | Toshiba Corp | 変数選択装置、方法およびプログラム |
| US7596423B2 (en) | 2007-03-30 | 2009-09-29 | Tokyo Electron Limited | Method and apparatus for verifying a site-dependent procedure |
| US7531368B2 (en) | 2007-03-30 | 2009-05-12 | Tokyo Electron Limited | In-line lithography and etch system |
| US7373216B1 (en) | 2007-03-30 | 2008-05-13 | Tokyo Electron Limited | Method and apparatus for verifying a site-dependent wafer |
| US8010321B2 (en) * | 2007-05-04 | 2011-08-30 | Applied Materials, Inc. | Metrics independent and recipe independent fault classes |
| US8682466B2 (en) * | 2007-05-04 | 2014-03-25 | Taiwan Semiconductor Manufacturing Company, Ltd. | Automatic virtual metrology for semiconductor wafer result prediction |
| US7702411B2 (en) | 2007-05-31 | 2010-04-20 | International Business Machines Corporation | Integration of job shop scheduling with discreet event simulation for manufacturing facilities |
| US20090222123A1 (en) | 2007-11-07 | 2009-09-03 | Optessa, Inc. | Method and system for scheduling a set of events in real time |
| US8396582B2 (en) | 2008-03-08 | 2013-03-12 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| US8725667B2 (en) | 2008-03-08 | 2014-05-13 | Tokyo Electron Limited | Method and system for detection of tool performance degradation and mismatch |
| DE102008020379A1 (de) | 2008-04-23 | 2009-10-29 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems |
-
2009
- 2009-03-31 US US12/416,018 patent/US8725667B2/en active Active
-
2010
- 2010-02-03 WO PCT/US2010/023113 patent/WO2010114641A1/en active Application Filing
- 2010-02-03 JP JP2012503438A patent/JP5544413B2/ja active Active
- 2010-02-03 KR KR1020117025734A patent/KR101609017B1/ko active IP Right Grant
- 2010-02-03 CN CN201080024664.1A patent/CN102449623B/zh active Active
- 2010-02-05 TW TW099103467A patent/TWI524189B/zh active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2010114641A1 (en) | 2010-10-07 |
| CN102449623B (zh) | 2015-07-01 |
| CN102449623A (zh) | 2012-05-09 |
| KR101609017B1 (ko) | 2016-04-04 |
| TWI524189B (zh) | 2016-03-01 |
| JP2012522307A (ja) | 2012-09-20 |
| KR20110133497A (ko) | 2011-12-12 |
| US8725667B2 (en) | 2014-05-13 |
| TW201104452A (en) | 2011-02-01 |
| US20090240366A1 (en) | 2009-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5544413B2 (ja) | ツール性能劣化およびミスマッチの検出のための方法およびシステム | |
| US9424528B2 (en) | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool | |
| JP5732495B2 (ja) | 生物学に基づく自律学習ツール | |
| JP5405499B2 (ja) | 自律的に適応する半導体製造 | |
| TWI794451B (zh) | 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法 | |
| US11860617B2 (en) | Forecasting industrial aging processes with machine learning methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121106 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20121129 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20130619 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20130619 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131015 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131216 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20140121 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140324 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140415 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140512 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 5544413 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |