JP5841071B2 - 半導体製造ツールを自己学習及び自己改善するための方法及びシステム - Google Patents

半導体製造ツールを自己学習及び自己改善するための方法及びシステム Download PDF

Info

Publication number
JP5841071B2
JP5841071B2 JP2012551343A JP2012551343A JP5841071B2 JP 5841071 B2 JP5841071 B2 JP 5841071B2 JP 2012551343 A JP2012551343 A JP 2012551343A JP 2012551343 A JP2012551343 A JP 2012551343A JP 5841071 B2 JP5841071 B2 JP 5841071B2
Authority
JP
Japan
Prior art keywords
recipe
component
data
learning
tool
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
Application number
JP2012551343A
Other languages
English (en)
Other versions
JP2013518449A (ja
Inventor
コーシャール、サンジーブ
パテル、スケシュ・ジャナブハイ
賢次 杉島
賢次 杉島
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tokyo Electron Ltd
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of JP2013518449A publication Critical patent/JP2013518449A/ja
Application granted granted Critical
Publication of JP5841071B2 publication Critical patent/JP5841071B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Strategic Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Physiology (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • User Interface Of Digital Computer (AREA)

Description

関連出願の相互参照
本出願は、２０１０年１月２９日に出願された「半導体製造ツールを自己学習及び自己改善するための方法及びシステム」という名称の米国特許出願第１２／６９７，１２１号への優先権を主張し、その全体は参照によりここに組み込まれる。さらに、本出願は、２００８年３月８日に出願された「自律的な生物学に基づく学習ツール」という名称の米国特許出願第１２／０４４，９５８号の一部継続である。主題の出願は、また、２００８年３月８日に出願された「自律的に適応する半導体製造」という名称の米国特許出願第１２／０４４，９５９号に関連する。
背景
技術的進歩はますます複雑なプロセス駆動自動装置へ導いている。特定の目標（ゴール）を達成するか、又は、特定の技術的に高度なプロセスを実行するツールシステムは、一般に、目標を達成するか、又は、成功裡にプロセスを実行する複数の機能要素と、データを集めて装置の動作を監視する各種のセンサと、を組み込み得る。そのような自動装置は、大量のデータを生成し得る。データは、製品又は特定のタスクの一部として実行されるサービスに関する本質的な情報を含み得るが、さらにプロセス自体の実行に関するかなり大きいログ情報も含み得る。
現代の電子記憶技術は絶えず増加する多量のデータを保持することを提供できるが、蓄積されたデータの利用は断じて最適に維持されない。収集された情報の検討及び解釈は、一般に、人間の介在を必要とし、マルチコアプロセッサ、大規模並列プラットフォーム及びプロセッサグリッドのように、計算パワーが進歩し、さらに、オブジェクト指向プログラミング、モジュラーコードの再使用、ウェブに基づくアプリケーション、及びより近年の量子コンピューティングのように計算パラダイムが進歩する一方で、収集されたデータの処理は、非自律的な、静的プログラムの企画のままであり、その中でデータは操作される。より重要なことに、非自律的なデータプロセッシングにおいて、データは分析プロセス自体を駆動しない。そのようなデータ処理パラダイムの結果として、もし特定の分析が、設計されておらず、特定のタイプの関係に注目されなければ、技術的に高度なプロセス中に自動装置において生成されたデータの間に存在し得る豊富な関係の多くは、気かれない場合がある。より重要なことに、装置中の異なるユニットによって生成される異なるデータの間の多重相関から発生することができ、複雑な自動ツール又はマシンの最適な性能を決定することができる新生の現象は、気付かれないままであり得る。
加えて、マシン内で実行されたプロセスに関するデータ及び変数の間の各種の相関は、ツール又はマシンのセットの実際の動作性能と関係する本質的な情報を伝え得る。特定の較正相関はツールのセットの合成動作中に発展し得ることは認識されるべきであり、異なる生産相関は生産モードにおける動作の結果として発展し得る。相関における不均衡は、ツールの進化又は調整から発生し得る（例えば、命令された条件外の器具の利用のような動作における消耗、裂け、欠陥、など）。プロセスにおける１以上の器具の性能を監視する従来のシステム及びアプローチは、典型的に、そのような生産相関を捕らえ、及び、活かさないデータを利用する。
概要
本発明のいくつかの態様の基本的な理解を提供するために、本発明の簡素化した概要を次に提示する。この概要は、本発明の外延的な概観ではない。これは、本発明の重要又は重大な要素を特定することも、又は、本発明の範囲を定めることも意図していない。その唯一の目的は、後で提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した形式で提示することである。
製造ツールの性能を最適化するためのシステム及び方法が提供される。最適化は、レシピドリフティングと、製品出力メトリックと入力材料測定値とレシピパラメータとの間の関係を捕獲する知識の生成とを頼る。製造ツールの特定の処理又はサブシステムに対する最適化されたレシピパラメータは、製造ツールの現在の状態に対する出力メトリックと入力材料の測定値とを予測する学習された関数の基礎から抽出される；最適な又はほぼ最適なレシピパラメータは、逆問題アプローチを通じて決定されることができる；ドリフティングと学習とは、ツールの性能の動的な最適化に関連し及び導き、動的な最適化は、ツールの動作条件を変更する場合に、製造ツールからの最適化された出力を可能にする。レシピドリフティングと関連する学習との特徴は、自律的に、又は、適切なユーザインタフェースを通じて外部から設定され、エンドユーザの相互作用を最適化するようにドリフトされることもできる。
1つの態様において、レシピドリフトコンポーネントは、インクリメンタルに調節されたレシピのセットを生成する。自律的な生物学に基づく学習ツールシステムは、入力測定値とレシピパラメータを出力メトリックに関連付ける学習された予測関数のセットを生成する。自律最適化コンポーネントは、逆問題を解決し、入力材料測定値と、製造された製品に対するアセットターゲットメトリックのセットとを提供されるレシピパラメータのセットを抽出する。
自律的な生物学に基づく学習ツールシステムは、（ｉ）個別のシステム、又は、階層的に展開されたグループ又はコングロマリットのシステムのいずれでもある１つ以上のツールシステム。このツールシステムは、例えば半導体製造タスクのような特定のタスク、又は、酸化エッチング又はイオン注入のようなプロセスを実行し、プロセス及びツール性能を反映するデータを生成する、（ｉｉ）データを受け取り、さらなる使用のためにデータをパッケージ化する相互作用マネージャ、（ｉｉｉ）学習の生物学の原理に基づく自律学習システム、を含む；学習は、意味ネットワークのセットにおける概念の広げる活性化を通じて実行される。自律的な学習システムは、３つの機能ブロックのグループから再帰的に定義されることができる機能的な構造を具備する:３つの機能ブロックは、メモリプラットフォーム、処理プラットフォーム、及び、知識通信ネットワークであり、これを通じて、情報は、ツールシステム及び外部のアクタ（例えば、コンピュータ又は人間エージェント）と同様に、メモリプラットフォームと処理プラットフォームとの間で通信される。メモリプラットフォームは、メモリの階層を含み、データの印象（impression）及び関連する学習命令に対するエピソードメモリ、知識発展のために使用される短期メモリ、知識を記憶する長期メモリを含み、知識を意味（semantic）ネットワークにキャストする。処理プラットフォームにおける機能ユニットは、メモリプラットフォームに記憶されている情報を動作し、学習を促す。そのようなブロックと関連する機能の構築は、人間の脳の生物学上の構造及び振る舞いによって励起されます。
上述の関連する目的を達成するために、以下の詳細な説明及び添付の図面は、主題開示の詳細ないくらかの例示の態様を説明する。しかしながら、これらの態様は、請求項の主題の開示の原理を利用することができる様々なやり方のうちのほんのいくつかを示しているだけであり、請求項の主題は、そのような態様及びそれらと同等のものを全て含むことを意図している。主題開示の次の詳細な説明を、図面とともに検討することにより、主題開示の他の効果と新規の特徴とが明らかになるであろう。
図１は、ここで説明される態様に係る自律的な生物学に基づく学習ツールの高レベルのブロック図を示す。 図２は、ここで説明される態様に係るコンテキストの目標の適応を表す図である。 図３は、ここで説明される態様に係る例示の自律的な生物学に基づく学習ツールの高レベルのブロック図を示す。 図４は、ここでの態様に係る自律的な生物学に基づく学習システムを活用することができる半導体製造のための例示のツールシステムの図である。 図５は、主題開示の態様に係る自律的な生物学に基づく学習システムの例示のアーキテクチャの高レベルのブロック図を示す。 図６Ａは、ここで説明される態様に係る例示のオートボットコンポーネントを示す。 図６Ｂは、ここで説明される態様に係る例示のオートボットアーキテクチャを示す。 図７は、主題開示の態様に係る自律的な生物学に基づく学習システムの自己認識コンポーネントの例示のアーキテクチャを示す。 図８は、ここで説明される態様に係る認識ワーキングメモリ内で動作する例示のオートボットの図である。 図９は、ここで説明される態様に係る自律的な生物学に基づく学習システムの自己概念化コンポーネントの例示の実施形態を示す。 図１０は、ここで説明される態様に係る自律的な生物学に基づく学習システムの自己最適化コンポーネントの例示の実施形態を示す。 図１１Ａは、ここで説明される態様に係る例示の進化ツールシステムのブロック図である。 図１１Ｂは、ここで説明される態様に係る例示の進化ツールシステムのブロック図である。 図１２は、主題開示の態様に係る自律最適化コンポーネントの例示の実施形態のブロック図である。 図１３は、ここで説明される態様に係るレシピドリフトコンポーネントの例示の実施形態のブロック図である。 図１４は、ここで説明される態様に係るドリフトを通じたレシピ適応の図を表示する。 図１５は、主題開示の態様に係る相互作用マネージャの例示の実施形態を表示する。 図１６は、ここで説明される態様に係るツールシステムのドリフティング、及び、関連する知識生成の少なくとも一部を調節するために与えられることができる例示のユーザインタフェースである。 図１７は、ここで説明される態様に係る生物学に基づく自律学習のための例示の方法のフローチャートを与える。 図１８は、ここで説明される態様に係る知識を生成するための例示の方法のフローチャートを与える。 図１９は、ここで説明される態様に係る推論を通じて知識を生成するための例示の方法のフローチャートを与える。 図２０は、ここで説明される態様に係る、アセットを生産、例えば製造する１つ以上のツールによって生成される製造データに関する変数のセットの間の関係を学習するための例示の方法のフローチャートを与える。 図２１は、ここで説明される態様に係る製造レシピをドリフトするための例示の方法のフローチャートである。 図２２は、ここで説明される態様に係る、製品出力のための目標の仕様を備える製品を製作するための進化レシピを生成するための例示の方法のフローチャートである。 図２３は、ここで説明される態様に係る、製造レシピにおける入力変数及びパラメータと製品出力との間の予測の関数の関係を自律的に生成するための例示の方法フローチャートを表示する。
詳細な説明
ここで主題革新は、図面を参照して説明され、全体を通して同じ要素を指すために同じ参照番号を使用する。次の説明において、説明の目的のために、多くの具体的な詳細が、本発明の完全な理解を提供するために示される。しかしながら、これらの具体的な詳細がなくても本発明を実行できることは明らかであり得る。他の例では、本発明の説明を促進するために、周知の構造とデバイスとが、ブロック図の形で示されている。
主題の明細書及び図面で使用されるように、「オブジェクト」、「モジュール」、「インターフェイス」、「コンポーネント」、「システム」、「プラットフォーム」、「エンジン」、「セレクタ」、「マネージャ」、「ユニット」、「ストア」、「ネットワーク」、「ジェネレータ」などの用語は、コンピュータに関連するエンティティ、又は特定の機能を備える動作マシン又は装置に関連するエンティティ又はその一部を指すことを意図している；そのようなエンティティは、ハードウェア、ハードウェアとファームウェアとの組合せ、ファームウェア、ハードウェアとソフトウェアとの組合せ、ソフトウェア、又は実行中のソフトウェアの何れかであり得る。さらに、上記の用語を通じて明らかになるエンティティは、ここで機能要素として一般的に呼ばれる。例えば、コンポーネントは、プロセッサ上で実行されるプロセス、プロセッサ、オブジェクト、エグゼキュータブル、実行スレッド、プログラム、及び／又はコンピュータであり得るが、これらに制限されない。例として、サーバで実行されるアプリケーションとサーバとの両者が、コンポーネントであり得る。１以上のコンポーネントが、１つのプロセス及び／又は実行スレッド内に存在してもよく、１つのコンポーネントが、１つのコンピュータに配置されていても及び／又は２つ以上のコンピュータの間で分散されてもよい。さらに、これらのコンポーネントは、記憶される様々なデータ構造を備える様々なコンピュータ可読記憶媒体から実行されう得る。コンポーネントは、例えば１つ以上のデータパケットを持つ信号にしたがって、ローカル及び／又はリモートプロセスによって通信し得る(例えば、１つのコンポーネントからのデータは、ローカルシステム、分散システムにおいて別のコンポーネントと、及び／又はインターネットのようなネットワークを渡って他のシステムと、信号によって交換する）。一例として、コンポーネントは、電気又は電子回路によって動作される機械的パーツによって提供される特定の機能性を備える装置であってもよく、この電気又は電子回路は、プロセッサによって実行されたソフトウェアまたはファームウェアアプリケーションによって動作され、プロセッサは、装置の内部又は外部にあるとしてもよく、少なくとも目標を追求する間実行する。エピソードを識別するアクタは、プロセスエンジニアのような、人間のジェント、機械部分を除く電気コンポーネントを通じた特定の機能性であってもよく、電気コンポーネントは、そこの中に、電気コンポーネントの機能性の少なくとも一部を与えるソフトウェア又はファームウェアを実行するためのプロセッサを含み得る。インタフェースは、関連するプロセッサ、アプリケーション、又は、ＡＰＩ（アプリケーション・プログラム・インタフェース）と同様に、入力／出力（Ｉ／Ｏ）コンポーネントを含み得る。このように先に与えられた例はコンポーネントで指示されるが、例示の特徴又は態様は、オブジェクト、モジュール、インタフェース、システム、プラットフォーム、エンジン、セレクタ、マネージャ、ユニット、ストア、ネットワークなどにも適用する。
さらに、用語「又は」は、排他的な「又は」ではなく、包括的な「又は」を意味することを意図している。すなわち、特に指定されている場合を除いて、又は文脈から明らかである場合を除いて、「ＸはＡ又はＢを用いる」は、通常の包括的な置換の何れかを意味することを意図している。すなわち、ＸはＡを用いる、ＸはＢを用いる、又は、ＸはＡ及びＢの両者を用いる、である場合に、「ＸはＡ又はＢを用いる」は、上述の例の何れにおいても満たされる。さらに、この出願と添付された請求項とにおいて使用されている冠詞「ａ」と「ａｎ」は、特に指定されている場合を除いて、又は単数を指すことが文脈から明らかである場合を除いて、通常は、「１つ以上」を意味すると解釈されるべきである。
さらに、ここで使用されるような用語「セット」は、例えば、その中に要素を持たないセットのような、空セットを含む。したがって、主題開示における「セット」は、１つ以上の要素又はエンティティを含む。例として、コンポーネントのセットは、１つ以上のコンポーネントを含む；変数のセットは、１つ以上の変数を含む；など。
様々な態様又は特徴は、多数のデバイス、コンポーネント、モジュールなどを含むとしてもよいシステムによって提供されるだろう。様々なシステムは、付加的なデバイス、コンポーネント、モジュールなどを含むとしてもよく、及び／又は、図に関連して議論されるデバイス、コンポーネント、モジュールなどのすべてを含まなくてもよい。これらのアプローチの組み合わせは、また、使用されることができる。
図面を参照すると、図１は、ここに記述される態様に係る例示の自律的な生物学に基づく学習システム１００を示す。適応推論エンジン１１０は、目標コンポーネント１２０に接続される。有線又は無線の通信リンク１１５はそのようなコンポーネントに連結する。目標コンポーネント120によって設定又は遂行される特定の目標のために、適応推論コンポーネント１１０は、目標を達成するために用いられることができる入力１３０を受け取り、遂行又は達成される目標の態様を表わす又は記録することができる出力１４０を送る。さらに、適応推論エンジン１１０は、データストア１５０からリンク１５５を通してデータを受け取ることができ、かつ、このようなデータ記憶装置にデータ又は情報を記憶することができ、例えば、記憶される情報は、有線又は無線のリンク１６５を通して送られる出力１４０の一部であり得る。（ｉ）入力１３０と、出力１４０と、データストア１５０中のデータ(同様に、入力と、出力と、データストア中のデータ、の履歴)とが、適応推論エンジン１１０の動作に対するコンテキストを含み、（ｉｉ）リンク１１５，１５５，１６５を介する適応推論エンジンへのそのコンテキストのフィードバックが、コンテキストに基づく適応を促進する、と理解されるべきである。特に、目標コンポーネント１２０は、フィードバックコンテキストを活用して、特定の最初の目標を適応し、適応させた目標を設定及び遂行することができる。
入力１３０は、外部からのデータ又は情報と見なすことができ、外部からのデータ又は情報は、（１）音、例えば、音声コマンド、周囲の雑音又は音声、アラーム；（２）静的又は移動可能な地上に基づくカメラ、空中（例えば、飛行機、衛星）のカメラによって捕らえられる画像、ここでカメラは放射線スペクトルの複数の間隔で動作することができる；（３）バイオメトリックインジケータ；（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；命令、記録、測定結果を含み得るデータ；などを含むことができる。出力１４０は、入力１３０と性質上ほぼ同じであり得る。出力１４０は、内部からのデータと見なすことができる。入力と出力１４０は、入力と出力のインタフェースによって、それぞれ、受け取ることと、送ることができる。入力と出力のインターフェイスは、例えば、カメラ、入力パッド、メディアドック(例えば、ユニバース・シリアル・バス（ＵＳＢ）ポート、赤外線（ＩＲ）ワイヤレス入力)である。入力と出力のインターフェイスは、適応推論コンポーネント１１０中に存在し得る。既に記載したように、入力１３０と出力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得る。さらに、適応推論コンポーネント１１０は、目標を遂行するために、入力１３０を要求することができる。
自律的な生物学に基づくシステム１００中のコンポーネントは、再帰的に定義され得る。コンポーネントは、基礎の初等のコンポーネントのコンポーネント学習複雑さの実質的な程度を、自律システム１００に与えることができる。
各リンク１１５，１５５，又は，１６５は、通信インタフェースを含むことができる。通信インタフェースは、送信又は受信されるデータ又は情報の操作を促すことができ；データの保存とデータマニングとのためにデータベースを利用することができ;アクタから情報を受信することと、アクタに情報を送ることができる。リンク１１５，１５５，又は，１６５の有線の実施形態は、撚り対線と、Ｔ１／Ｅ１電話回線と、ＡＣ線と、光ファイバ線と、対応する回線とを含むことができる。一方で、無線の実施形態は、ウルトラモバイル広帯域リンク、ロングタームエボリューション（ＬＴＥ）リンク、又はＩＥＥＥ ８０２．１１リンクと、関連する電子機器とを含むことができる。データストア１５０に関して、データストア１５０は、単一の要素として示されているが、分散型データウェアハウスであってもよく、この分散型データウェアハウスにおいて、データメモリのセットは異なる物理的又は論理的位置に配置される。
例示的なシステム１００において、適応推論エンジン１１０と目標コンポーネント３２０は、別々のコンポーネントとして示されているが、このようなコンポーネントのうちの一方が、他方の中に存在する場合があると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、科学的分野、商業的分野、芸術的分野、文化的分野、など)、又は事業部門(例えば、市場部門、産業部門、研究部門、エネルギー部門、公共政策部門、など)に属し得る。さらに、目標は、通常、多くの分野にわたり、複数の市場に焦点を当てる場合があるので、目標コンポーネントは、１つ以上の特定の分野又はセクター内に、複数の異なる目標を設定することができる。目標を遂行するために、目標コンポーネントは、機能コンポーネントと、監視コンポーネントとを含むことができる。目標を達成するための特定の動作は、機能コンポーネントによって行なわれる。一方で、目標の達成に関する変数の条件は、監視コンポーネントによって決定される。さらに、機能コンポーネントは、目標コンポーネント１２０によって達成され得る目標空間を決定することができる。目標空間は、特定の機能を用いて到達できる目標を実質的に全て含む。機能コンポーネントによって与えら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に即した適応は、目標空間内で第１の目標を第２の目標に適応させることができると理解されるべきである。目標空間内の最初の目標は、１以上のアクタによって決定され得る；アクタは、機械又は人間のエージェント(例えば、エンドユーザ)であり得る。適応推論エンジン１１０は、目標のドリフティング（drifting）によって、目標コンポーネント１２０を、細かくて複雑な対象へ向かわせることができるので、最初の目標は、包括的な高レベルの対象であり得ることに留意すべきである。目標と、目標コンポーネントと、目標適応とについて次に説明する。
例示のシステム１００において、様々なコンポーネントの記述された機能性を与えるように構成され、及び、少なくとも部分で与える、１つ以上のプロセッサ（図示せず）が含まれ得る。このような機能性を与えるために、１つ以上のプロセッサ（図示せず）は、データ又は任意の他の情報交換のためのリンク１５５，１１５，及び，１６５を活用し得る。１つ以上のプロセッサ（図示せず）は、データストア１５０、又はそれの中のメモリコンポーネント又は要素に記憶されているコード命令（図示せず）を実行することができ、例のシステム１００及びその中のコンポーネントの記述された機能性を提供する。
図２は、ここでの態様に係るコンテキストに即した目標適応を表した図２００である。通常、目標(例えば、目標２１０1又は目標２１０3)は、目標コンポーネント(例えば、コンポーネント１２０)の機能に関連する抽象的概念であり得る。目標は、高レベルの抽象的概念であり得る：「退職後の生活のために貯蓄する」、「利益を確保する」、「楽しむ」、「料理を学ぶ」、「現地に行く」、「データベースを開発する」、「製品を製造する」など。さらに、目標は、例えば、例えば、「６０，０００−８０，０００ドルの範囲内の年収で貯金をして、早く退職する」、「オフシーズンに、宿を含む旅行費用を５，０００ドル以下にして、アメリカから日本に旅行する」、又は、「就職面接会場に着いたら、将来の雇用者である経営者たちのグループに３５分のプレゼンテーションをする」のように、より具体的に絞り込んだものであってもよい。さらに、目標(例えば、２１０1)は、関連するコンテキスト(例えば、２２０1)を所有する。既に記載したように、適応推論エンジン１１０に連結された目標コンポーネント１２０は、通常、設定目標(例えば、目標２１０1、又は目標２１０3)に適合性を持つ。例えば、「製品を製造する」という目標(例えば、目標２１０1)は、製造ツールシステムに任せることができる。製造ツールシステムは、例えば、分子線エピタキシーリアクタ(例示的な目標コンポーネント１２０)であって、標準仕様又はカスタム仕様を採用して、製品を製造する。このような目標(例えば、目標２１０1)を達成している間、出力１４０は、製造された製品を含み得る。さらに、適応推論コンポーネント(例えば、コンポーネント１１０)は、「製品を製造する」という目標(例えば目標２１０1)を、コンテキスト(例えば、コンテキスト２２０1)に基づいて適応させる(例えば、適応２３０1)ことができる。例えば、コンテキストは、ツールシステムの仕様によって、又は、目標コンポーネント中の監視コンポーネントによって収集されたデータによって、生成され得る。具体的には、最初の高レベルの目標(例えば、目標２１０1)を、「半導体デバイスを製造する」(例えば、目標２１０2)に適応させることができる。既に記載したように、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構成されてもよい。さらに、目標コンポーネント１２０は、モジュール式であってもよい。この場合に、目標が適応されるように、目標サブコンポーネントが組み込まれ得る。一例として、「製品を製造する」という目標を遂行する目標コンポーネントは、複数市場を評定して予見する、コンポーネントを具備し得る。複数市場を評定して予見するコンポーネントは、超並列インテリジェントコンピューティングプラットフォームに連結される。この超並列インテリジェントコンピューティングプラットフォームは、「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」という目標(例えば、目標２１０N)に適応させる(例えば、２３０N)ために、様々な市場の市場条件を分析することができる。このような適応は、幾つかの中間適応２３０1−２３０N-1と、中間適応された目標２１０1−２１０N-1とを含み得ることに留意すべきである。中間適応は、前に遂行された目標から生成された中間コンテキスト２２０1−２２０N-1に基づく。
目標と、目標コンポーネントと、目標適応との別の例において、目標は、「映画ＡのＤＶＤを店Ｂで購入する」ことであり得る。目標コンポーネント１２０は、ナビゲーションシステムを備えた車であって、適応推論エンジン１１０を具備する。（この例では、適応推論エンジン１１０が目標コンポーネント１２０の中にあることに留意すべきである)。アクタ(例えば、車の運転者)は、店Ｂの場所を入力又は選択することができ、目標コンポーネントは、目標を達成するための指示を生成することができる。アクタが店に向かっている間に、店Ｂが在庫の映画Ａの搬入を止めたという入力１３０を、適応推論エンジン１１０が受信した(例えば、ＲＦＩＤリーダが在庫のデータベースを更新して、更新メッセージがコンポーネント１１０に同報通信された)場合に、適応推論エンジン１１０は、（ｉ）映画Ａの在庫がある店Ｃを特定する追加の入力３３０を要求して、（ｉｉ）店Ｃに着くためにアクタが利用できる資源を評定して、（ｉｉｉ）目標の達成におけるアクタの関心レベルを評価することができる。（ｉ）−（ｉｉｉ）に示されているように、入力１３０を通して開発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、「映画ＡのＤＶＤを店Ｃで購入する」という目標に適応させる指示を受け取ることができる。
適応推論エンジン１１０は、目標コンポーネント１２０によって決定された目標に関連する副目標（サブゴール）を設定できると理解されるべきである。適応推論エンジンが、補完的なタスクの達成を可能にするか、又は目標に関連する概念の学習を可能にすることによって、副目標は目標の達成を促すことができる。
以上をまとめると、自律的な生物学に基づくシステム１００は、コンテキストに即した目標適応を備えた、目標駆動システム（goal-driven system）である。受け取られたコンテキストに基づく目標適応は、入力情報を分析して、アクション可能な情報の出力１４０を生成するために、適応の追加層を取り入れると理解されるべきである。（ａ）情報の処理又はデータ分析を適応させて、（ｂ）コンテキストに基づいて最初の目標を適応させる能力は、システムを、非常に適応性又は自律性のあるものにする。
図３は、主題開示の態様に係る例示の自律的な生物学に基づく学習ツール３００の高レベルのブロック図を示す。実施形態３００において、自律学習システムは、ツールシステム３１０（例えば、製造ツール又は処理ツール）を含み、ツールシステム３１０は、機能コンポーネント３１５と、センサコンポーネント３２５とを具備する。機能コンポーネント３１５は、ツールシステム３１０に特定の機能を与え、１つの機能ツールコンポーネントか、又は実質的に同じ又は異なる機能ツールコンポーネントの集まりを具備し得る。センサコンポーネント３２５は、ツールシステム３１０によって行なわれるプロセスに関する幾つかの観測可能な大きさを調べることができる。ツールによって行なわれるプロセスは、例えば、半導体ウェーハの熱処理である。ツールシステム３１０は、プロセスに関連するアセット３２８を生成する。主題開示におけるアセットは複雑さの程度を変化させる製品又はデバイスを含むことができ；例えば、アセット３２８は、半導体基板所有の集積回路（ＩＣ）、プラズマ放電に基づくフラットパネルディスプレイ（ＦＰＤ）、有機発光ダイオード（ＯＬＥＤ）に基づくＦＰＤ、液晶ディスプレイ（ＬＣＤ）に基づくＦＰＤ、又は、例えば薄膜トランジスタ・アクティブ・マトリクス・アレイ、カラーフィルタ、又は、偏光子（ポラライザ）などのようなそれらの要素を含む。集められたアセット３２８は、生産プロセスデータ又はテスト実行データのようなデータアセットを含む；このようなデータアセットは、相互作用コンポーネント３３０に送られ得る。相互作用コンポーネント３３０は、１つ以上のアセット３２８を受け取るインタフェースとしての役割を果たすことができるアダプタコンポーネント３３５と；受け取られた１つ以上のアセット３２８を処理できる相互作用マネージャ３４５としても呼ばれる、相互作用マネージャコンポーネント３４５と；受け取られた及び処理されたデータを記憶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の一部であり得るデータアセットは、ＳＥＣＳ（Semiconductor Equipment and Materials International Equipment Communication Standards）／ＧＥＭ（Generic Equipment Model）、ハイパーテキスト転送プロトコル（ＨＴＴＰ）などのような、様々な通信プロトコルにしたがって相互作用コンポーネント３３０へ運ばれ得る。相互作用コンポーネント３３０は、ツールシステム３１０と自律的な生物学に基づく学習システム３６０との相互作用を促す。ツールシステム３１０によって行なわれるプロセスにおいて生成されたデータに関連する情報は受信されて、自律的な生物学に基づく学習システム３６０にインクリメンタルに供給され得る。
自律的な生物学に基づく学習システム３６０は、メモリプラットフォーム３６５を含む。メモリプラットフォーム３６５は、受信された情報３５８(例えば、データ、変数、関連する関係、因果グラフ、テンプレート、など)を記憶する。受信された情報３５８は、知識ネットワーク３７５を介して、処理プラットフォーム３８５に通信され得る。処理プラットフォーム３８５は、受信された情報を操作することができ、処理された情報を、知識ネットワーク３７５を通してメモリプラットフォーム３６５に通信することができる。一つの態様において、自律的な生物学に基づく学習システム３６０の構成コンポーネントは、概して、脳の生物学的な態様に似ているかもしれない。生物学的なメモリは、情報を操作して知識を生成する処理コンポーネントとネットワーク化されている。そのような比較、又は類比は、メモリプラットフォーム３６５も処理プラットフォーム３８５も生物学的エンティティに割り当てないことを意図しないことは注目される。さらに、知識ネットワーク３７５は、相互作用コンポーネント３３０から情報を受け取ることと、相互作用コンポーネント３３０に情報を送ることができる。相互作用コンポーネント３３０は、ツールシステム３１０に、又は、相互作用マネージャ３４５を介して、アクタ３９０に、情報を通信することができる。情報３５８が自律学習システム360によって受け取られ、記憶され、処理され、運ばれると、それに依存するツールシステム３１０とアクタとに、複数の改善をもたらすことができる。すなわち、改善は、（ａ）時間の進行に伴って自律学習システム３６０とツールシステム３１０とが次第に独立し、アクタの介入(例えば、デバイスによって供給される人間の指示と管理)の必要が低減することと、（ｂ）自律システムが、アクタへの出力の品質を改善すること(例えば、故障の根本原因をより良く識別すること、又は、システムの故障をその発生前に予測すること)と、（ｃ）自律的な学習システム３６０が、時間の経過と共に、その性能を改善することと、を含み、自律システム３６０は、より高速に、より少ない消費資源で、改善された結果を与える。
メモリプラットフォーム３６５は、機能メモリコンポーネントの階層を具備する。機能メモリコンポーネントの階層は、ツールシステム３１０の初期設定又は構成中に受け取られた知識(例えば、情報３５８)(例えば、先験的知識)を記憶するように構成され得る。先験的知識は、相互作用コンポーネント３３０を通して、情報入力３５８として送られ得る。さらに、メモリプラットフォーム３６５は、（ａ）ツールシステム３１０の初期設定／構成後に、自律学習システム３６０をトレーニングするために用いられるトレーニングデータ(例えば、情報入力３５８)と、（ｂ）自律学習システム３６０によって生成された知識と、を記憶することができる；知識は、相互作用コンポーネント３３０を通して、相互作用マネージャ３４５を介して、ツールシステム３１０又はアクタ３９０に送られ得る。
例えば人間のエージェントである、アクタ３９０によって供給される情報入力３５８（例えばデータ）は、プロセスに関連する変数を識別するデータ、２つ以上の変数の関係、因果グラフ(例えば、依存+関係グラフ)、又は、エピソード情報を含むことができる。このような情報は、学習プロセスにおいて、自律的な生物学に基づくシステム３６０を導くことを促し得る。さらに、１つの態様において、このような情報入力３５８は、アクタ３９０によって重要であると考えられ、その重要さは、ツールシステム３１０によって行なわれる特定のプロセスに対する情報の適切性（relevance）に関連付けられる。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３９０は人間のエージェントである)は、製造プロセスの成果にとって、エッチングレートは重大であると判断し得る；したがって、エッチングレートは、自律学習システム３６０に通信される属性であり得る。別の態様において、アクタ３９０によって供給される情報入力３５８は、ヒントになる場合があり、それによって、プロセスの変数間の特定の関係を学習する指示が生成される。一例として、ヒントは、特定の蒸着ステップ内において、チャンバの容積と、排気圧と、入って来るガスフローとの関数として、ツールシステム３１０の蒸着チャンバ中の圧力の振る舞いを学習するための提案を送り得る。別の例として、ヒントは、チャンバの圧力に対する詳細な時間関係を学習するように指示し得る。このような例示のヒントは、複数のプロセスの変数に対する圧力の関数従属性を学習することができる、自律的な学習システム中の１つ以上の機能処理ユニットをアクティブにし得る。さらに、このようなヒントは、アクタ３９０に利用可能な経験に基づく関数又はモデルに対して、学習された関数を適用して比較する１つ以上の機能ユニットも、アクティブにし得る。
プラズマ増殖型気相成成長（ＰＥＣＶＤ）システム、スパッタシステム、又は、有機金属化学気相成長法（ＭＯＣＶＤ）システムのような例えば半導体製造ツールである、ツールシステム３１０は、複雑であり得るので、異なるアクタは、異なるタイプの特定の、十分又は不十分な知識を通して、ツールシステムの操作又は動作を専門に行い得る。一例として、人間のエージェント、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するので、異なる圧力を生成し得ることを知っており、一方で、プロセス／ツールエンジニアは、第１のガスから得られる圧力の読み取り値を、第２のガスから得られる等価な圧力に、どのように変換するかについて知っている；このような知識の基本的な例は、１つの単位(例えば、Ｐａ)から別の単位(例えば、ｌｂ／ｉｎ2、又はＰＳＩ)に、圧力の読み取り値を変換することであり得る。自律的な生物学に基づく学習システムで与えられる、別のタイプの一般的でより複雑な知識は、ツールシステムの特性(例えば、チャンバの容積)と、ツールシステムで行なわれた測定(例えば、チャンバで測定された圧力)との関数の関係であり得る。例えば、エッチングのエンジニアは、エッチングレートがエッチングチャンバの温度によって決まることを知っている。知識の多様性と、このような知識が不十分であり得るという事実とを考慮に入れて、アクタ(例えば、エンドユーザのような人間のエージェント)は、複数の程度の伝達される知識によって、自律学習システム３６０を導くことができる：（ｉ）特定の知識がない。アクタは、自律学習システムにガイダンスを与えない。（ｉｉ）基礎知識。アクタは、ツールシステムの特性とツールシステムにおける測定値との有効な関係を伝達することができる；例えば、アクタは、エッチングレート（кE）と処理温度（Ｔ）との関係(例えば、関係(例えば関係（кE，Ｔ）)を伝達する。さらなる詳細は備えていない。（ｉｉｉ）識別された出力を備えた基礎知識。ツールシステムの特性とツールシステムの測定値との関係に加えて、アクタは、従属変数に対する特定の出力を、関係(例えば、関係（出力(кE)，Ｔ）において提供することができる。（ｉｖ）関係に関する部分的な知識。アクタは、関連する従属変数及び独立変数とともに、ツールシステムの特性と測定値との間における数式の構造（例えば、кE＝ｋ1ｅ-k2/T、ｋ1又はｋ2に対する具体的な値はない）を知る。しかしながら、アクタは、その関係の１つ以上の関連する定数の正確な値を知らない。（ｖ）完全な知識。アクタは、機能の関係の完全な数学的記述を有する。自律学習システム３６０が進化して、ツールの関数の関係を自律的に学習することを試みると、このようなガイダンスは、時間の経過に伴って、インクリメンタルに提供され得ることに留意すべきである。
知識ネットワーク３７５は、知識のバスである。知識のバスは、設定された優先度にしたがって、情報(例えば、データ)を通信するか、又は電力を供給する。優先度は、情報ソースと、情報の宛先コンポーネント又はプラットフォームとの対によって設定され得る；例えば、認識（awareness）ワーキングメモリ７１０から認識知識メモリ７３０までの通信は、概念化知識メモリ９１０から概念化ワーキングメモリ９４０までの通信よりもより高い優先度を割り当てられ得る。さらに、ソースから宛先までの通信は、自己認識コンポーネント５５０のようなグローバルな機能コンポーネント内で発生することができ、例えばイントラ通信であり、又は、ネットワークコンポーネント３７５によって可能な通信は、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との間で発生することができ、例えばインター通信である。さらに、優先度は、送信される情報に基づき得る(例えば、特定の情報はリアルタイムで発送されなければならない)；通信の優先度は、送信又は受信通信に対する通信緊急の少なくとも一部の程度を決定する。優先度は、静的ではなく動的であって、自律学習システム３６０における学習の進歩の機能として、及び、自律的な生物学に基づく学習ツール３００中に存在する１つ以上のコンポーネントにおける１つ以上の要求を考慮して、変わり得ることに留意すべきである−例えば、問題の状況が認識されて、通信が認められて、それに応じて実行され得る。知識ネットワーク３７５を介しての通信と電力供給は、有線リンク(例えば、撚り対線、Ｔ１／Ｅ１電話回線、ＡＣ線、光ファイバ線、同軸ケーブル)及びインターネットプロトコル（ＩＰ）パケットに基づく通信のような関連するプロトコル、又は、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）、ＩＥＥＥ ８０２．１１)により行なうことができ、１つの機能プラットフォーム(例えば、メモリプラットフォーム３６５及び処理プラットフォーム３８５)内のコンポーネント(図示せず)の間、又は、異なるプラットフォームのコンポーネントの間で発生し得る（例えば、自己認識コンポーネントのメモリプラットフォーム中のコンポーネントは、自己認識コンポーネントの他のサブコンポーネントと通信する）。又は、通信は、コンポーネント間にあり得る(例えば、自己認識コンポーネントの１つのコンポーネントは、自己概念化コンポーネント中のコンポーネントと通信する)。
処理プラットフォーム３８５は、情報を操作する機能処理ユニットを具備する：特定のタイプ(例えば、数字、シーケンス、時系列、関数、クラス、因果グラフ、などのような、特定のデータ型)の入力情報は、受信又は検索され、計算は処理ユニットによって行われ、特定のタイプの出力情報を生成する。出力情報は、知識ネットワーク３７５を介して、メモリプラットフォーム３６５中の１つ以上のコンポーネントに送られ得る。１つの態様において、機能処理ユニットは、メモリプラットフォーム３３５に記憶されているデータ型のインスタンス又はデータ構造を読み出して修正して、新たなデータ構造をその中に入れることができる。別の態様において、機能処理ユニットは、適切性と、重要性と、活性化／抑制エネルギーと、通信の優先度とのような、様々な数値属性に対する調節を提供することができる。各機能処理ユニットは、動的な優先度を持つ。動的な優先度は、情報を操作する階層を決定する；優先度の高いユニットは、優先度の低いユニットよりも先にデータを操作する。特定の情報を操作した機能処理ユニットが、新たな知識の生成(例えば、学習)をしなかった場合は、その機能処理ユニットに関連する優先度を下げることができる。新たな知識の生成は、例えば、ランクキング順位又はランキング関数の生成であり、ツールシステム３１０の動作に関連する良い実行と悪い実行とを区別する。逆に、新たな知識が生成されると、処理ユニットの優先度は上がる。
処理プラットフォーム３８５は、優先度を付けられた機能処理ユニットを通して、特定の状況(例えば、特定のデータ型)において第１の動作を試みる人間の傾向をエミュレートし、その動作が新たな知識を生成する場合は、後の実質的に同じ状況において、その動作が活用されると理解されるべきである。逆に、第１の動作が新たな知識を生成しない場合は、その状況に対処するために第１の動作を用いる傾向が弱められ、第２の動作が利用される（例えば、活性化を伝播する)。第２の動作が新たな知識を生成しない場合は、その優先度が下げられて、第３の動作が用いられる。処理プラットフォーム３８５は、新たな知識が生成されて、別の動作がより高い優先度を獲得するまで１つの動作を用い続ける。
１つの態様において、アクタ３９０は、プロセスレシピ（recipe）パラメータと、命令(例えば、イオン注入されたウェーハのアニーリングサイクルに対する温度のプロファイル、半導体の蒸着におけるシャッタの一連の開／閉シーケンス、イオン注入プロセスにおけるイオンビームのエネルギー、又は、スパッタリング蒸着における電界の大きさ)を、初期設定パラメータと同様に、自律学習システム３６０に対して提供することができる。別の態様において、アクタは、ツールシステム３１０のメンテナンスに関連するデータを供給することができる。さらに別の態様において、アクタ３９０は、ツールシステム３１０によって行なわれた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して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た結果は、自律的な生物学に基づく学習システムをトレーニングするためのトレーニングデータとして用いることができる。さらに、シミュレーション又はエンドユーザは、プロセスに関連する最適化データを、ツールシステム３７０に送ることができる。
自律学習システム３６０は、１つ以上のトレーニングサイクルを通して、トレーニングされ得る。各トレーニングサイクルが利用され、自律的な生物学に基づく学習ツール３００を発展させて、（ｉ）外部からの介入なしに、多数の機能を行なうことを可能にし；（ｉｉ）製造システムの調子（health）の根本原因のうちの根本原因を診断する場合に、より良い応答、例えば改善された精度又は正確さを提供し；及び（ｉｉｉ）例えば、応答時間を速めること、メモリ消費量を低減すること、又は、製品の品質を改善すること、のように性能を向上させる。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、又は、相互作用マネージャ３４５を通して、自律学習システムに供給され得る。ツールシステム３１０で実行されたプロセスの較正又は標準に関連するデータ３２８から、トレーニングデータが集められる場合に；このようなデータは、内部にあると見なされ得る。データベース３５５(例えば、外部のプローブによって行われた外部での測定に関するデータ、又は、ツールシステム３１０における修復の介入の記録)から、トレーニングデータが取り出される場合に、このようなトレーニングデータは、外部と見なされ得る。アクタによって、トレーニングデータが供給される場合に、データは、相互作用マネージャ３４５を通して送られ、外部と見なされ得る。内部からの又は外部からのトレーニングデータに基づくトレーニングサイクルは、自律学習システム３６０がツールシステム３１０の予想される振る舞いを学習することを促す。
既に記載したように、機能コンポーネント３１５は、複数の機能ツールコンポーネント(図示せず)を具備し得る。機能ツールコンポーネントは、ツール別の半導体製造能力に関わり、機能ツールコンポーネントが使用されて、（ａ）様々な複雑度を持つ半導体基板(例えば、ウェーハ、フラットパネルディスプレイ及び関連するＴＦＴアクティブマトリクスアレイ、液晶ディスプレイ(ＬＣＤ)、ＯＬＥＤ、など)を製造すること、（ｂ）気相エピタキシャル成長又は非気相エピタキシャル成長を行なうこと、（ｃ）イオン注入又はガスクラスタイオンインフュージョンを促すこと、（ｄ）プラズマ又は非プラズマ(ドライ又はウェット)の酸化物エッチング処理を行なうこと、（ｅ）リソグラフィ処理(例えば、フォトリソグラフィ、電子ビームリソグラフィ、など)を実施すること、などができる。さらに、ツールシステム３１０は、また、炉と；制御された電気化学的環境で動作する露光ツールと；平坦化デバイスと；電気めっきシステムと；光学的、電気的、及び熱的特性に対するテストデバイスであって、(動作サイクルによる)寿命の測定に含まれ得るテストデバイスと；計測ツールと、ウェーハ洗浄装置、などにおいて具現され得る。
ツールシステム３１０によって行われるプロセスにおいて、センサコンポーネント３２５を含むセンサとプローブは、様々な変換器及び技術を通して、異なる物理的性質(例えば、圧力、温度、湿度、質量密度、蒸着速度、層の厚さ、表面の粗さ、結晶配向、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・イールド、など)と、機械的性質(バルブの開口部又はバルブの角度、シャッタのオン／オフ動作、ガスフラックス、基板の角速度、基板の配向、など)とに関するデータ(例えば、データアセット)を、集められたデータの意図された利用に依存する様々な複雑度で集めることができる。このような技術は、Ｘ線回折、透過型電子顕微鏡(transmission electron microscopy, TEM)、走査型電子顕微鏡(scanning electron microscopy, SEM)、質量分析、露光量評価、磁気電気伝導測定（例えば、ホール測定）、光学的特性の測定（例えば、フォトルミネセンス・スペクトル、光吸収スペクトル、時間分解フォトルミネセンス、時間分解光吸収）などを含むことができるが、これらに制限されない。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(development inspection, DI)の限界寸法(critical dimension, CD)と、最終検査(final inspection, FI)のＣＤとを含む。プローブは、ツールシステム３１０の外部にあり、インターフェイスコンポーネント(図示せず)を通してアクセスすることができると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 ＣＤとＦＩ ＣＤとを提供することができる。このようなデータアセットは、１つ以上のアセット３２８の一部であり、例えば、ツールシステム３１０によって製造又は製作された物理的な製品である、出力アセットを効果的に特徴付けると理解されるべきである。
１つの態様において、センサコンポーネント３２５中のデータソースは、アダプタコンポーネント３３５に機能的に連結されることができ、アダプタコンポーネント３３５は、アナログ又はデジタル形式で１つ以上のアセット３２８内のデータアセットを集め、又は、集めるように構成し得る。アセット３２８内のデータアセットは、ＳＥＣＳ／ＧＥＭプロトコル、ＨＴＴＰなどのような様々な通信プロトコルにしたがってアダプタコンポーネント３３５へ運ばれ得る。アダプタコンポーネント３３５は、データがメモリプラットフォーム３６５に置かれ又は保持される前に、自律的な生物学に基づく学習システム３６０におけるデータの意図的な利用にしたがって構成又は分解される、ツールシステム３１０によって行われるプロセス実行で集められたデータ、例えば情報入力／出力（Ｉ／Ｏ）３５８、を使用可能である。アダプタコンポーネント３３５におけるアダプタは、センサコンポーネント３２５における１つ以上に関連付けられることができ、特定の頻度又は他の特定の条件で１つ以上のセンサを読み出す（例えばポーリングする）ことができる。外部データソースのアダプタ（図示せず）は、ツールシステム３１０の外から送り込まれたデータを通す能力と、データを取り出す能力とを持つとしてもよい。例えば、ＭＥＳ／履歴データベースアダプタは、ＭＥＳデータベースを調べて（例えばアクセス及びリクエスト）、情報を抽出し、自律的な生物学に基づく学習システム３６０の１つのコンポーネントに対するワーキングメモリ内へ抽出されたデータをまとめ、又は、置く。特に、例として、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）がウェーハを処理するときに、ウェーハレベル実行データを、１ウェーハずつ収集することができる。次に、アダプタコンポーネント３３５は、個々の実行を１つのバッチに統合して、「ロットレベルデータ」、「メンテナンス間隔データ」、などを形成することができる。その代わりに、ツールシステム３１０が、ロットレベルデータに対する１つのファイル(又は、コンピュータ製品アセット)を出力すると、アダプタコンポーネント３３５は、ウェーハレベルデータ、ステップレベルデータ、などを抽出することができる。さらに、分解されたデータ要素は、ツールシステム３１０の１つ以上のコンポーネントに関係付けることができる；例えば、センサコンポーネント３２５中の圧力制御装置が動作する時間の変数。既に記載したように、受信されたデータ３２８を処理又はパッケージ化した後で、アダプタコンポーネント３３５は、処理されたデータをデータベース３５５に記憶することができる。
データベース３５５は、（ｉ）センサコンポーネント３２５中のセンサによって行なわれる測定を経た、ツールシステム３１０（例えば、製造ツール）；（ｉｉ）製造実行システム(manufacturing execution system, MES)データベース又は履歴データベース；又は（ｉｉｉ）ツールシステム３１０のコンピュータシミュレーション、例えばアクタ３９０によって行なわれた半導体ウェーハを製造するシミュレーション、で生成されたデータ、に生じるデータを含むことができる。１つの態様において、ＭＥＳは、製造プロセスを測定及び制御することと、装置の可用性と状態とを追跡することと、在庫を制御することと、危険を知らせるために監視することができるシステムである。
ツールシステム３１０によって製作された製品又は製品アセットは、相互作用コンポーネント３３０を通して、アクタ３９０に運び、又は、送られ得ると理解されるべきである。製品アセットは、１つ以上のアセット３３８の一部であり得る。製品アセットは、アクタ３９０（例えば、品質保証装置、又は、品質保証装置及びそのオペレータ）によって分析されることができ、結果として得られた情報又はデータアセットは、自律的な生物学に基づく学習システム３６０に送られる、と理解されるべきである。１つ以上のシナリオにおいて、そのようなデータアセットは、相互作用コンポーネント３３０、及びその中の１つ以上のコンポーネントを通じて、又は、情報Ｉ／Ｏ３５８を転送できる１つ以上のささげられた通信リンク（図示せず）を通じて直接的に、自律的な生物学に基づく学習システム３６０へ通信されることができる。他の態様において、相互作用コンポーネント３３０は、アダプタコンポーネント３３５を経由して製品アセット３２８の分析を実行することができる。
さらに、例の実施形態３００において、相互作用コンポーネント３３０及び自律学習システム３６０は、ツールシステム３１０に関して外部に配備されることに留意すべきである。自律的な生物学に基づく学習ツール３００の代替的又は追加的な配備コンフィグレーションは、例えば組み込み配備（embedded deployment）を実現することができ、相互作用コンポーネント３３０と自律的な生物学に基づく学習システム３１０は、例えばシングル組み込みモードである、１つの特定のツールコンポーネントにおいて、又は、例えばマルチ組み込みモードである、ツールコンポーネントのクラスタにおいて、ツールシステム３１０内に存在することができる。このような配備代替は、階層仕様で実現されることができ、自律学習システムは、自律学習ツールのセットをサポートし、自律学習ツールのセットは、グループツール又はツール複合体を形成する。１つ以上の追加又は代替の実施形態において、相互作用コンポーネント３３０と自律的な生物学に基づく学習エンジン３６０が単一の機能要素（コンポーネント、システム、プラットフォーム、など）に統合されることができることは、ただちに認識されるべきである。
次に、例示のツールシステム３１０は、図４に関して議論されており、自律的な生物学に基づく学習エンジン３６０に対する例のアーキテクチャは、図５−１０に関して詳細に与えられ、議論される。
図４は、主題開示の態様に係る、モニタ、分析、及び改善オペレーションへ自律的な生物学に基づく学習エンジン３６０を利用できる例の半導体製造システム４００の図である。特に、例のシステム４００は、図３で上述されたツールシステム３１０を示す熱現像及びコーティングシステムである。システム４００は、ロード／アンロードセクション４０５と、プロセスセクション４１０と、インタフェースセクション４１５とを含む。１つの態様において、ロード／アンロードセクション４０５は、カセットテーブル４２０を持ち、複数の半導体基板をそれぞれ保管するカセット４２５がシステム４００にロードされ、及び、システム４００からアンロードされるカセットテーブル４２０を持つ。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又はプラスティックの基板のローディング／アンローディング可能である。プロセスセクション４１０は、基板を１つずつ連続的に処理するために、様々なシングル基板処理ユニットを持つ。インタフェースセクション４１５は、品質確認、プロセスの開発、その場(in situ）の根本原因の分析のために、複数のプローブ及びセンサへのアクセスを促すことができる。集められたデータ(例えば、データ３６８)は、インタフェースコンポーネントを通して、自律的な生物学に基づく学習システムに送られ得る。
１つの態様において、プロセスユニット４１０は、第１のプロセスユニットグループ４３０を含む。第１のプロセスユニットグループ４３０は、冷却ユニット(cooling unit, COL)４３５と、配列ユニット（alignment unit, ALIM)４４０と、接着ユニット（adhesion unit, AD)４４５と、引き伸ばしユニット（extension unit, EXT)４５０と、２つのプリベーキングユニット（prebaking unit, PREBAKE)４５５と、２つのポストベーキングユニット（postbaking unit, POBAKE)４６０とを具備し、これらは下から順番に積み重ねられる。さらに、第２のプロセスユニットグループ４６５は、冷却ユニット(cooling unit, COL)４３５と、引き伸ばし−冷却ユニット(extension-cooling unit, EXTCOL)４７０と、引き伸ばしユニット（extension unit, EXT)４７５と、第２の冷却ユニット(COL)３５と、２つのプリベーキングユニット（prebaking unit, PREBAKE)４５５と、２つのポストベーキングユニット（postbaking unit ,POBAKE)４６０とを含む。冷却ユニット(COL)４３５と、引き伸ばし−冷却ユニット(EXTCOL)４７０は、低い処理温度で動作し、下方段に配置され得る。プリベーキングユニット（PREBAKE)４５５と、ポストベーキングユニット（POBAKE)４６０と、接着ユニット（AD)４４５は、高温で動作され、上方段に配置される。この配置により、ユニット間の熱干渉を低減することができる。その代わりに、これらのユニットは、代替の又は追加の配置であってもよい。プリベーキングユニット（PREBAKE)４５５と、ポストベーキングユニット（POBAKE)４６０と、接着ユニット（AD)４４５は、各々、熱処理装置を具備する。熱処理装置の中で、基板は、室温よりも高い温度に加熱される。ポストベーキングユニット４６０は、ＴＦＴのようなデバイスを備えるためのフォトリソグラフィック・メイキングに使用されるキュアリングフォトレジスト材料に対して用いられることができる。１つの態様では、温度及び圧力データは、プリベーキングユニット４５５と、ポストベーキングユニット４６０と、接着ユニット４４５とから、インタフェースコンポーネント３４０を通して、自律的な生物学に基づく学習システム３６０に供給されることができる。基板に対する回転速度と位置のデータは、配列ユニット４４０から送られ得る。
図５は、主題開示の態様に係る自律的な生物学に基づく学習エンジンの例のアーキテクチャ５００高レベルのブロック図を示す。実施形態５００において、自律的な生物学に基づく学習エンジン３６０は、機能メモリコンポーネントの階層を具備する。機能メモリコンポーネントの階層は、長期メモリ(long term memory, LTM)５１０と、短期メモリ(short term memory, STM)５２０と、エピソードメモリ(EM)５３０とを含む。このような機能メモリコンポーネントのそれぞれは、知識ネットワーク３７５を通して通信することができる。知識ネットワーク３７５は、図３に関連する記載に説明されているように動作する。さらに、自律学習システム３６０は、オートボットコンポーネント５４０を含むことができる。オートボットコンポーネント５４０は、プロセッサを含むことができる、オートボットとして識別される機能処理ユニットを含み、処理プラットフォーム３８５に関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性を有する。オートボットコンポーネント５４０は、処理プラットフォーム３８５の一部であり得ることに留意すべきである。
さらに、自律学習システム３６０は、１つ以上の主要な機能ユニットを具備することができる。１つ以上の主要な機能ユニットは、自己認識コンポーネント（self-awareness component）５５０と、自己概念化コンポーネント(self-conceptualization component)５６０と、自己最適化コンポーネント(self-optimization component)５７０とを含む。第１のフィードフォワード(feed forward, FF)ループ５５２は、正方向リンクとしての役割を果たすことができ、自己認識コンポーネント５５０と自己概念化５６０との間でデータを通信することができる。さらに、第１のフィードバック(feed back, FB)ループ５５８は、逆方向リンクとしての役割を果たすことができ、自己概念化コンポーネント５６０と自己認識コンポーネント５５０との間でデータを通信することができる。同様に、自己概念化コンポーネント５６０と自己最適化コンポーネント５７０との間における、正方向リンクと逆方向リンクのデータ通信は、それぞれ、第２のＦＦループ５６２と第２のＦＢループ５６８とを通して達成することができる。ＦＦリンクでは、そのデータを受信し、さらにそれを処理するコンポーネントへの通信の前に、データが変換される。一方で、ＦＢリンクでは、次のデータ要素が、それを処理する前に、そのデータを受け取るコンポーネントによって変換される、と理解されるべきである。例えば、ＦＦリンク５５２を通して転送されるデータは、自己認識コンポーネント５５０によって、自己概念化コンポーネント５６０へのそのデータの通信の前に、変換され得る。ＦＦリンク５５２と５６２は、コンポーネント５５０とコンポーネント５７０との間におけるデータの間接的な通信を促すことができ、一方で、ＦＢリンク５６８と５５８は、コンポーネント５７０と５５０との間におけるデータの間接的な通信を促すことができる。さらに、データは、コンポーネント５５０と、３６０と、３７０との間において、知識ネットワーク３７５を通して、直接的に送られ得る。
長期メモリ５１０は、初期設定／構成後に自律学習ツールシステム３００をトレーニングするために、ツールシステムの初期設定又は構成中に相互作用コンポーネント３３０を通して供給された知識(例えば、先験的知識)を記憶することができる。さらに、自律学習システム３６０によって生成された知識は、長期メモリ５１０に記憶され得る。ＬＴＭ５１０は、メモリプラットフォーム３６５の一部であり得るので、メモリプラットフォーム３６５の特性と実質的に同じ特性を示し得ると理解されるべきである。一般に、長期メモリ５１０は、知識ベースを含むことができる。知識ベースは、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、など)に関する情報と、関係と、手続きとを含む。知識ベースの少なくとも一部分は、意味ネットワークであって、データ型(例えば、数列、平均、又は標準偏差)と、データ型間の関係と、第1のセットのデータ型を第２のセットのデータ型に変換する手続きとを記述又は分類する。
知識ベースは、知識要素又は概念を含み得る。１つの態様において、各知識要素は、２つの数値属性に関連し得る：２つの数値属性は、知識要素又は概念の、適切性（suitability）（ξ）と慣性(inertia)（ι）とである；このような属性は、共同で、概念の優先度を決定する。これらの２つの数値属性の十分に定義された関数、例えば、加重和、幾何平均は、概念の状況スコア(situation score)（σ）であり得る。例えば、σ＝ξ＋ιである。知識要素の適切性は、特定時における、ツールシステム又は目標コンポーネントの状況に対する知識要素(例えば、概念)の関連性、として定義され得る。１つの態様において、第１の要素又は概念は、第２の要素よりも高い適切性スコアを有し、より低い適切性スコアを有する第２の要素よりも、自律学習システム３６０の現在の状態とツールシステム３１０の現在の状態とに、より関連性があり得る。知識要素又は概念の慣性は、知識要素の利用に関連する難しさとして定義され得る。例えば、低い第１の慣性値は、数の要素（element）に与られ得る。第１の値よりも高い第２の慣性値は、数のリスト(list)に属し得る。数の数列(sequence)は、第２の値よりも高い第３の慣性値を持ち得る。数の行列(matrix)は、第４の慣性値を持ち得る。第４の慣性値は、第３の値よりも大きい。慣性は、他の知識又は情報構造に適用され得ることに留意すべきである。他の知識又は情報構造は、例えば、グラフ、データベース中のテーブル、オーディオファイル、ビデオフレーム、コードの断片（snippet）、コードスクリプト、などである；後者のアイテムは、実質的に全て、入力１３０の一部であり得る。主題発明は、適切性と慣性との十分に定義された機能を提供する。この機能は、知識要素が検索されて適用される可能性に影響を及ぼし得る。最高の状況スコアを持つ概念は、処理ユニットによる処理のために短期メモリ５２０に与えられる最も可能性の高い概念である。
短期メモリ５２０は、一時記憶域であって、ワーキングメモリ(例えば、作業域又はキャッシュ)として、又は、特定のアルゴリズム又は手続きに関連する、協働／競合する動作又はオートボットが、データ型を操作できる位置として、利用され得る。ＳＴＭ５２０に含まれるデータは、１又は複数のデータ構造を持ち得る。ＳＴＭ５２０におけるこのようなデータ構造は、オートボットとプランナユーバボット（例えば、計画専用のオートボット）とによって行なわれるデータ変換の結果として、変更することができる。短期メモリ３０５は、データ、相互作用マネージャ３４５によって提供される学習命令、長期メモリ３１０からの知識、１つ以上のオートボット又はユーバボットによって提供及び／又は生成されるデータ、及び／又は、アクタ３９０によって提供される初期設定／構成コマンド、を含み得る。短期メモリ５２０は、その中に記憶されているデータを変換するために使用される、１つ以上のオートボット及び／又はユーバボットの状態を追跡することができる。
エピソードメモリ５３０は、エピソードを記憶する。エピソードは、プロセスに関連し得る概念とパラメータとの、アクタに識別されたセットを含み得る。１つの態様において、エピソードは、外部からのデータ又は入力１３０を含み、それは、特定のコンテキストを自律学習システム３００に提供することができる。一般に、エピソードは、目標を遂行しているときに(例えば、ツールシステム３１０、目標コンポーネント１２０、又は自律学習システム３６０によって)識別又は生成された特定のシナリオに関連付けられ得ることに留意すべきである。エピソードを識別するアクタは、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、などのような人間のエージェントであり得るか、又は機械であり得る。エピソードメモリ５３０は、人間のエピソード記憶に似ていると理解されるべきである。特定のシナリオに関連付けられた知識、例えばエピソードは、エピソードを生成した学習プロセスを思い起こすことなく与えられ及びアクセス可能であり得る。エピソードの紹介又は定義は、典型的に、トレーニングサイクルの一部か、又は、実質的に任意の入力の外部供給である。エピソードの紹介又は定義により、自律的な生物学に基づく学習システム３６０は、エピソードに関連するデータ中に存在し得るデータパターン又は入力パターンを特徴付けるように学習することを試み得る。エピソードに関連する特徴付けられたデータパターンは、エピソードと、エピソードの名前と共に、エピソードメモリ５３０に記憶され得る。エピソードをエピソードメモリ５３０に加えると、エピソード別のオートボットを生成することになり得る。ツールシステム３１０又は一般に目標コンポーネント１２０によって行われるプロセスのパラメータのセットが、エピソードにおいて定義されている動作範囲に入ると、エピソード別のオートボットがアクティブになる；遂行されている目標又はプロセスに関連する第１の特徴が認識されると、エピソード別のオートボットは、十分な活性化エネルギーを受け取る。受け取ったエピソードによって設定されている基準を、パラメータが満たしている場合に、エピソード別のオートボットは、エピソード中のデータパターンと、利用可能な現在のデータとを比較する。ツールシステム３１０又は目標コンポーネントの(認識されたデータパターンによって定義されている)現在の状況が、記憶されているエピソードと一致する場合は、アラームが発生されて、ツールメンテナンスエンジニアがその状況に確実に気付いて、予防処置をとって、機能コンポーネント３１５、センサコンポーネント３２５、又はツールプロセスで利用されている物質、に対する更なる損傷を軽減できるようにする。
オートボットコンポーネント５４０は、入力データ型(例えば、行列、ベクトル、数列、など)に対して特定の動作を行なうオートボットのライブラリを備える。１つの態様において、オートボットは、オートボットの意味ネット中に存在し、各オートボットは、関連する優先度を持ち得る；オートボットの優先度は、その活性化エネルギー(ＥA；例えば６１７1）とその抑制エネルギー(ＥI；例えば６１９1)との関数である。オートボットコンポーネント５４０は、オートボットの有機的に構成されたリポジトリであり、自己認識コンポーネント５５０に対するオートボットと、自己概念化コンポーネント５６０に対するオートボットと、自己最適化コンポーネント５７０に対するオートボットと、別のオートボットとを含むことができる。別のオートボットは、コンポーネント間及び様々なメモリユニット間において、データを転送する及び渡すことに関与し得る。オートボットが行うことができる特定の動作は、数列の平均；数列の順序付け；第１のベクトルと第２のベクトルとのスカラ積；第１の行列と第２の行列との乗算；時間に関する時系列の導関数；数列の自己相関の計算；第１の数列と第２の数列との相互相関演算；全ての基底関数中の１つの関数の分解；時系列の数値データストリームのウェーブレット分解、又は時系列のフーリエ分解を含み得る。入力データに応じて、更なる動作が行なわれ得ると理解されるべきである；すなわち、更なる動作は、画像か、録音された音か、又はバイオメトリックインジケータの中の特徴の抽出、ビデオフレームの圧縮、周囲の音又は音声コマンドのデジタル化、などである。オートボットによって行なわれる動作の各々は、１つ以上の入力データ型を変換して、１つ以上の出力データ型を生成する、指定された機能（named function）であり得る。オートボットコンポーネント５４０中のオートボットに存在する各機能は、ＬＴＭ中の要素を持ち得る。したがって、ユーバボットは、合計の「注意期間（attention span）」と、自律学習システム３６０の要求とに基づいて、オートボットの活性化／抑制エネルギーを決定することができる。自律学習システム３６０に類似して、オートボットコンポーネント５４０中のオートボットは、時間の経過に伴って、性能を改善することができる。オートボットにおける改善は、生成された結果(例えば、出力)のより良い品質、より良い実行性能(例えば、より短い実行時間、より多数の計算を行なう能力、など)、又は特定のオートボットに対する入力ドメインの拡張された範囲(例えば、オートボットが操作できる追加のデータ型を含むこと)を含み得る。
ＬＴＭ５１０と、ＳＴＭ５２０と、ＥＭ５３０とに記憶される知識−概念とデータ−は、主要な機能ユニットによって用いられ得る。主要な機能ユニットは、その機能の一部を、自律的な生物学に基づく学習システム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の最初の許容動作状態と、その後にツールシステムが劣化したときの状態との間における、ツールシステムの劣化レベルを決定し得る。１つの態様において、自律学習システム３６０は、許容動作状態を特徴付けるデータと、このような許容動作状態で製作された製品アセットに関連するデータとを受信することができる；このようなデータアセットは、規準データ（canonical data）として識別され得る。自律的な生物学に基づく学習システム３６０は、規準データを処理することができ、関連する結果(例えば、重要なパラメータに関する統計、１つ以上のパラメータの観測されたドリフト、ツールパラメータに関する予測関数、など)は、自己認識コンポーネント５５０によって記憶され、情報入力３５８として供給されたデータと比較するために用いられ得る；情報入力３５８として供給されるデータは、例えば、生産プロセスデータ又はテスト実行データである。規準データの生成された学習結果と、デバイスプロセスの実行データとの差が小さい場合に、製造システムの劣化は小さいと見なされ得る。その代わりに、規準データの記憶されている学習結果と、サンプルのプロセスデータとの差が大きい場合に、ツールシステム(例えば、半導体製造システム)の劣化は相当なレベルであり得る。相当なレベルの劣化のときは、プロセス又は目標に対して、コンテキストに即した調節をすることになり得る。ここに記載されている劣化は、劣化ベクトル（Ｑ1，Ｑ2，・・・ＱU）から計算することができる。なお、劣化ベクトルの各成分Ｑλ(λ＝１，２，・・・Ｕ）は、異なる観点の利用可能なデータセットである−例えば、Ｑ1は、多変量平均であってもよく、Ｑ2は、関連する多変量偏差であってもよく、Ｑ3は、プロセスステップにおける特定の変数に対するウェーブレット係数のセットであってもよく、Ｑ4は、予測圧力と測定圧力との平均差などでもよい。正常なトレーニングの実行により、コンポーネントごとに、値の特定のセット(例えば、トレーニングデータアセット)が生成される。これらの値は、各コンポーネントからの実行データ(例えば、実行データアセット)を用いて生成された成分Ｑ1−ＱUと比較され得る。劣化を評価するために、適切な距離メトリックを用いて、{Ｑ}の空間中の「正常な位置」から実行劣化ベクトルまでの(例えば、ユークリッド)距離を比較する；このようなユークリッド距離が大きい場合に、ツールシステムはより劣化していると言われる。さらに、第２のメトリックは、２つのベクトル間のコサイン類似度メトリックを計算することで存在し得る。
自己概念化コンポーネント５６０は、重要なツールシステム３１０の、関係(例えば、１つ以上のツールの振る舞いの関数（behavior function）)と、記述(例えば、要求及び測定されたパラメータに関する統計、劣化に対するパラメータの影響、など)との理解を構築するために構成され得る。関係と記述は、データアセット又はソフトアセットでもあると理解されるべきである。理解は、ガイダンスを供給されたアクタ３９０(例えば、人間のエージェント)を通して、又は自律学習システム３６０によって、(例えば、入力データに基づく、コンテキストに即した目標適応と推論とによって；推論は、例えば、遺伝的アルゴリズムのような進化的プログラミング、又は多変量回帰によって達成され得る）自律的に確立される。自己概念化コンポーネント５６０は、ツールシステム３１０、又は一般にコンポーネント１２０のような目標コンポーネントの、１つのパラメータの振る舞いの関数の記述を構築することができる。例えば、半導体製造システムにおける蒸着チャンバ中の圧力を、特定の蒸着ステップ中における時間の関数として記述する。さらに、自己概念化コンポーネント５６０は、ツールシステムに関連する振る舞い、例えば、入力情報３５８の特定のセットの従属変数の関数の関係、を学習することができる。１つの態様において、自己概念化コンポーネント５６０は、特定のガスフロー、温度、排気バルブの角度、時間、などから、定められた容積の蒸着チャンバ中の圧力の振る舞いを学習することができる。さらに、自己概念化コンポーネント５６０は、予測の目的に使用され得る、システムの関係と特性とを生成することができる。学習した振る舞いの中から、自己概念化コンポーネントは、正常な状態を特徴付ける、関係と記述とを学習することができる。通常、このような正常な状態は、自律学習システム３６０によって、観測ツールの振る舞いの変化が比較されることに関する基準状態として用いられる。
自律学習システム３６０によって収集された情報に基づいて、（ａ）ツールシステム３６０の潜在的な故障原因、又は（ｂ）ツールシステムの劣化の根本原因の１つ以上の源、を識別するために、自己最適化コンポーネント５７０は、予測値(例えば、自己概念化コンポーネント５６０によって学習された関数従属性又は関係と、測定値とに基づく予測)の間におけるツールシステム３１０の偏差レベルに基づいて、自律的な生物学に基づく学習システム３００の現在の調子又は性能を分析することができる。自己最適化コンポーネント５７０は、自律学習システム３６０が故障の間違った根本原因を最初に誤って識別したかどうかを、時間の経過と共に、学習することができる。学習システム３００は、メンテナンスログ又はユーザガイダンスの入力により、実際の根本原因を正確に識別することができる。１つの態様において、自律学習システム３６０は、将来の診断の精度を改善するために、学習と共に、ベイズ推論を利用して、その診断の基準（basis）を更新する。その代わりに、最適化計画が適応されてもよく、そのような適応させた計画は、後で検索して、採用して、実行するために、最適化事例の履歴に記憶され得る。さらに、ツールシステム３１０によって行われるプロセス、又は一般に目標コンポーネント１２０によって遂行されている目標、に対する1組の適応化は、最適化計画を通して実現されることができる。プロセス又は目標の最適化を助け得る適応計画を立てるために、自己最適化コンポーネント５７０は、データのフィードバック(例えば、リンク５６５と、５５５と、５１５とを通して実行されるループ)を活用することができる。
実施形態５００において、自律的な生物学に基づく学習システム３６０は、プランナコンポーネント５８０と、システムコンテキストコンポーネント５９０とをさらに備えることができる。機能メモリコンポーネント５１０，５２０，５３０の階層と、主要な機能ユニット５５０，５６０，５７０とは、知識ネットワーク３７５を通して、プランナコンポーネント５８０及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、オートボットコンポーネント５４０中のより高レベルのオートボットを具備し活用することができる。このようなオートボットは、プランナユーバボットとして識別され、適切性と、重要性と、活性化／抑制エネルギーと、通信の優先度とのような、様々な数値属性を調節することができる。プランナユーバボットのセットを生成することによって、プランナコンポーネント５８０は、固定の、直接的で包括的な方式を実施することができる。プランナユーバボットのセットは、特定のデータ型又はデータ構造を、短期メモリ５２０中の利用可能な特定の知識と、特定のオートボットとを通して、短期メモリ５２０中で強制的に操作することができる。１つの態様では、プランナコンポーネント５８０によって生成されたオートボットを、オートボットコンポーネント５４０の中に置いて、知識ネットワーク３７５を通じて利用する。その代わりに又はさらに、プランナコンポーネント５８０は、自律学習システム３６０の現在のコンテキストと、ツールシステム３１０の現在の条件と、短期メモリ５２０の内容(その内容で動作することができる関連するオートボットを含み得る)と、様々なオートボットの利用のコスト／利益の分析と、の関数として、間接的で包括的な方式を実施することができる。主題の自律的な生物学に基づく学習ツール３００は、プランナコンポーネントの動的な拡張を与えることが理解されるべきである。
プランナコンポーネント５８０は、調整コンポーネントの役割を果たすことができる。調整コンポーネントは、自律的な生物学に基づくツール３００におけるプロセス又は目標、適応がそれの劣化を生じないことを、確実にすることができる。１つの態様において、計画されたプロセス又は目標、適応に基づいて動作条件を推論する調整ユーバボットを生成することによって直接的な包括的方式を通して調整する特徴を実施することができる。このような推論は、調整ユーバボットが作用するデータ型の意味ネットワークを通して行なわれる。この推論は、コスト／利益を分析することによって、サポート又は補完され得る。プランナコンポーネント５８０は、目標のドリフティングを、目標コンポーネント例えばツールシステム３１０に対する特定の損傷を軽減することができる目標空間の特定区域内に維持することができると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、自律学習システム３６０を活用する自室的な生物学に基づく学習ツール３００の現在の能力を捕らえることができる。システムコンテキストコンポーネント５９０は、状態識別子を含むことができる。状態識別子は、（ｉ）内部の能力の程度に関連する値(例えば、プロセスを行なう(又は、目標を遂行する)ツールシステム３１０の効果の程度、プロセスを行なう間に用いられる資源のセット、最終的な製品又はサービスの品質評価(又は、遂行されている目標の成果)、デバイスの配送時間、など)と、（ｉｉ）自律学習ツール３００の状態を示す標示又は識別子と、を含む。例えば、標示は、「初期状態」、「トレーニング状態」、「監視状態」、「学習状態」、又は「適用する知識」のような、状態を示すことができる。能力の程度は、決定された範囲における、数値又はメトリックによって特徴付けられ得る。能力は、自律システム（例えば、例示のシステム３００）のすべての年の測定、又は、例えばコンテキストの現在状態の開始からの年である、関係する年の測定、であり得る。したがって、システムコンテキストコンポーネント５９０によって供給されるコンテキストは、年又は経験に対するプロキシとして与えることができる。さらに、システムコンテキストコンポーネント５９０は、特定の期間に自律学習システム３６０によって行なわれる学習の要約と、行なわれた学習を考慮して実施することができる可能なプロセス又は目標適応の要約とを含むことができる。
図６Ａは、主題発明の態様に係る例示のオートボットコンポーネント５４０を示す。オートボット６１５1−６１５Nは、オートボットとユーバボットとのライブラリを表わす。各オートボット６１５1−６１５Nは、特定の動的な優先度６２５1−６２５Nを持ち、Ｎは自然数である。オートボット６１５1−６１５Nは、メモリ(例えば、長期メモリ、短期メモリ、又はエピソードメモリ)と通信することができる。既に示したように、オートボットの優先度は、オートボットの活性化エネルギーと抑制エネルギーとによって決定される。オートボット(例えば、オートボット６１５1又は６１５N)によって処理できるデータがＳＴＭの中にある場合、オートボットは、（ユーバボットを通して）活性化エネルギーを取得する。オートボット(例えば、オートボット６１５2)の活性化エネルギーと抑制エネルギーとの加重和、例えばΣ＝ｗAＥA＋ｗIＥIによって、オートボットがその機能タスクを行なうために自分自身をいつアクティブにできるか、を決定することができる：Σ＞ψである場合に、オートボットは、自分自身をアクティブにし、ここで、文字ψは、所定の組込まれた閾値（inbuilt threshold）である。主題の自律的な生物学に基づく学習ツール３００は、オートボットを動的に増加できると理解されるべきである。
図６Ｂは、主題開示の態様に係るオートボットの例示的なアーキテクチャ６５０を示す。実質的に、オートボット６６０は、オートボットコンポーネント５４０に含まれているオートボットの何れかであり得る。機能コンポーネント６６３は、オートボット６６０が入力データに対して行なうことができる動作の少なくとも一部を決定して実行する。プロセッサ６６６は、オートボット６６０によって行なわれる動作の少なくとも一部を実行することができる。１つの態様において、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動作することができる。さらに、オートボット６６０は、内部メモリ６６９を具備することができる。内部メモリ６６９の中には、以前に行なわれた動作結果のセットがある。１つの態様において、内部メモリは、キャッシュメモリとして動作し、動作に関連する入力データ、ＥAとＥIの現在の値と前の値、オートボットの動作履歴のログ、などを記憶する。さらに、例えば、エラー訂正コンポーネント６７２を通じて確立されたような、エラーの特定のタイプと量とがオートボット６６０にフィードバック又は逆伝搬された場合に、内部メモリ６６９は、次の結果の品質をどのように改善するかについて学習することを促すことができる。したがって、オートボット６６０は、特定のやり方で特定の入力データを操作するトレーニングサイクルのセットによって、トレーニングされることができる。メモリ６６９は、、また、プロセッサ６６６で実行されると、主題開示において説明されるオートボット６６０の機能性の少なくとも一部を実装する、コード命令を含むことができる。
オートボット(例えば、オートボット６６０)は、また、自己記述（self-describing）をすることができる。自己記述の中で、オートボットは、（ａ）オートボットが操作又は要求できる、入力データの１つ以上のタイプと、（ｂ）オートボットが生成できる、データのタイプと、（ｃ）入力情報と出力情報とに対する１つ以上の制約と、を特定することができる；操作と生成は、少なくとも一部でプロセッサ６６６を通じて達成される。１つの態様において、オートボット６６０が自己記述をして、オートボットの利用可能性と能力とをユーバボットに示すのを、インタフェース６７５が促すことができ、その結果、ユーバボットは、特定のツールのシナリオにしたがって活性化／抑制エネルギーをオートボットに供給することができる。インタフェース６７５は、プロセッサ６６６を含む、オートボット６６０内の１つ以上のコンポーネントと機能的に結合されることができる。さらに、インタフェース６７５は、また、自律的な生物学に基づく学習エンジン３６０における、又は、自律的な生物学に基づく学習エンジン３６０の外部の他のコンポーネント又は他の機能要素又は各種メモリに、オートボット６６０を機能的に連結することができる。
図７は、ここに記述される態様に係る自律的な生物学に基づく学習エンジンにおける自己認識コンポーネント５５０の例示のアーキテクチャ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)における、学習された正常状態に対する現在の劣化レベルを決定することができる。劣化は、多数の源から発生し得る。源は、例えば、ツールシステム中の機械部品の磨耗及び断裂；ツールシステムに１つ以上の最適範囲外で動作させ得るレシピ(例えば、データアセット)又はプロセスを開発する開発動作又は不適当な動作；ツールシステムの不適当なカスタマイゼーション；又は、メンテナンススケジュールに対する不適切な固執、である。自己認識コンポーネント５５０は、（ｉ）メモリの階層と、（ｉｉ）機能動作ユニットと、（ｉｉｉ）１つ以上の認識プランナ７５０のセットとを通して、再帰的にアセンブル又は定義され得る。メモリは、例えば、認識メモリ（７１０−７４０）である。認識メモリは、メモリプラットフォーム３６５の一部であり得る。機能動作ユニットは、例えば、認識オートボットである。認識オートボットは、オートボットコンポーネント５４０の中にあり、処理プラットフォーム３８５の一部であり得る。認識プランナ７５０は、また、１つ以上の認識プランナコンポーネント７５０としてここで呼ばれる。自律学習システム３６０は、劣化のレベルに基づいて、情報３５８と利用可能なデータアセット３２８とを分析して、可能性のある障害をランク付けすることができる。１つの態様において、極端なレベルの劣化、例えばツールシステムの障害、に応じて、アクタ(例えば、フィールドエンジニア)は、１つ以上のメンテナンス動作を行なうことができる。メンテナンス動作は、例えば、チャンバの洗浄、フォーカスリングの交換、などである。例えば、システム障害前の劣化に一致する劣化レベルを回復することによって確認されるような、ツールシステムの修復が成功した場合、自律学習システム３６０は、メンテナンス動作に先立つ関連する徴候(例えば、データアセット及びパターンと、関係と、このような組み合わせから抽出される他の実質的にあらゆるタイプの理解)を保存することができる。したがって、次の例おいて、データアセットから自律的に探り出した新たな理解と、劣化の分析とを通して、学習した徴候が識別された場合に、記憶されている修復計画を再び行って、コストを低減して、平均修復時間(mean time to repair, MTTR)を改善することができる。
認識ワーキングメモリ(awareness working memory, AWM)７１０は、ＳＴＭである。ＳＴＭは、認識センサメモリ（awareness sensory memory, ASM）７２０として識別されるメモリの特定区域を含み得る。ＡＳＭ７２０は、データを記憶するのに利用され得る。このデータは、例えば、情報入力３５８であって、センサコンポーネント３２５中のセンサ又はアクタ３９０から得られ、アダプタコンポーネント３３５中の１つ以上のアダプタによってパッケージ化され、知識ネットワーク３７５によって受信され得る。さらに、自己認識コンポーネント５５０は、また、複数の特定の機能オートボットを具備することができる。複数の特定の機能オートボットは、オートボットコンポーネント５４０中に存在し、認識プランナユーバボット（ＡＰ）を含むことができる。
さらに、自己認識コンポーネント５５０は、認識知識メモリ(awareness knowledge memory, AKM)７３０を具備することができる。ＡＫＭ７３０は、ＬＴＭの一部であり、自己認識コンポーネント５５０の動作に関連する複数の概念を含むことができる。概念は、例えば、属性（attribute）；例えばクラス(class)又は因果グラフ(casual graph)のようなエンティティ(entity)；関係(relationship)；或いは手続き(procedure)である。１つの態様において、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、ドメイン別の概念、例えば、ステップ（step）、実行(run)、バッチ(batch)、メンテナンス間隔(maintenance-interval)、ウェット洗浄サイクル(wet-clean-cycle)、などと、一般的な目的の概念、例えば、数(number)、リスト(list)、シーケンス(sequence)、集合(set)、行列(matrix)、リンク(link)、などとを含むことができる。このような概念は、より高レベルの抽象的概念を入れることができる；例えば、ウェーハの実行(run)は、ステップ(step)の順序付けられたシーケンス(sequence)として定義することができる。ステップは、レシピパラメータ(例えば、所望の値)の設定と、１つ以上のステップの測定との両者を含むことができる。さらに、ＡＫＭ７３０は、２つ以上の概念をリンクすることができる関数の関係、例えば、平均（average）、標準偏差(standard-deviation)、範囲(range)、相関(correlation)、主成分分析(principal component analysis, PCA)、マルチスケール主成分分析(multi-scale principal component analysis, MSPCA)、ウェーブレット(wavelet)、又は実質的にあらゆる基底関数、などを含むことができる。複数の関数の関係が、同じ１つの概念に適用され、したがって関係付けられることができることに留意すべきである；例えば、（関数の）関係である平均(average)、標準偏差(standard-deviation)の関係、最大値(maximum)の関係、などによって、数（number）のリスト(list)が実数のインスタンスにマップされる。１つ以上のエンティティから別の１つのエンティティへの関係が、関数又は汎関数(例えば、関数の関数)である場合に、その関数を実行するためのユーバボットによって実行されることができる関連する手続きが存在し得る。概念の正確な定義は、ＵＭＬ、ＯＭＧＬ、などのような適切なデータスキーマ定義言語で表現されることができる。さらに、システムを停止することなく、(ツールシステムの)実行時に、ＡＫＭ７３０の内容が、動的に増加できることに留意すべきである。
ここに記載される知識ベース中の任意の概念のような、ＡＫＭ７３０中の各概念を、適切性の属性と慣性の属性とに関連付けて、概念別の状況スコアを生成することができる。最初に、自律システムがデータを提供される前は、ＡＫＭ７３０中の全ての要素に対する適切性の値は、ゼロであるが、全ての概念に対する慣性は、ツールによって決まり、アクタによって割り当てられるか、又は履歴データ(例えば、データベース３５５中のデータ)に基づき得る。１つの態様において、数(numbers)の集合（set）から平均(average)を生成する手続き(procedure)の慣性は、かなり低くなり得る（例えば、ι＝１）。その理由は、平均の計算は、コンピュータシミュレーションから得られるか、又は実質的に全ての状況に関与する集められたデータセットに適用可能な、相当に単純な演算として見なすことができるからである。同様に、数(numbers)の集合(set)を１つの数に変換する、最大値及び最小値の手続き(procedure)は、相当に低い慣性値を与えられ得る。その代わりに、範囲の計算(compute a range)と、標準偏差の計算(compute a standard deviation)は、このような知識要素を適用するのがより難いので、より高い慣性値(例えば、ι＝２)を与えられ得る。ＰＣＡの算出（calculate a PCA）は、より高いレベルの慣性を示し、ＭＳＰＣＡの計算(calculate a MSPCA)は、さらにより高い慣性値を有し得る。
状況スコアを用いて、ＡＫＭ７３０及びＡＷＭ７１０から、どの概念を通信するかを決定することができる(以下を参照)。状況スコアの閾値を超えた知識要素又は概念は、ＡＷＭ７１０に送ることができる。このような概念は、概念を保持するのに十分に利用可能な記憶域がＡＷＭ７１０にあって、かつ、ＡＷＭ７１０へ送られていないより高い状況スコアを持つ異なる概念がない場合に、送られることができる。ＡＷＭ７１０中の概念の適切性、さらに、概念の状況スコアは、時間の進行と共に古くなり得る。既にメモリの中にある１つ以上の概念が、もはや不要であるか、又はもはや適用できない場合に、より高い適切性を有する新たな概念を、認識ワーキングメモリ７１０に入れることができる。概念の慣性がより大きくなると、概念をＡＷＭ７１０に送るのと、ＡＷＭ７１０から取り出すのとに、より長い時間がかかることに留意すべきである。
例えば、スパッタターゲットを替える、電子ビーム銃を加える、蒸着プロセスが終了する、その場のプローブ（in situ probe）を開始する、アニーリング段階が完了する、などのように、ツールシステムの状態が変化する場合に、認識プランナ５５０のユーバボットは、ＡＫＭ７３０の中の各概念のうちのどの概念(例えば、知識要素)が、新たな状態に適用されて、適切性の値、例えば状況スコア、を増加できるかを示すことができる。同様に、特定のオートボットの活性化エネルギーを低減して、新たな状況に適したオートボットのＥAを増加するために、ユーバボットは、オートボット６１５1−６１５Nの活性化エネルギーを調節することができる。プランナユーバボットは、適切性(及び状況スコア)のインクリメントを、それらの概念に対する第１の隣接、それとともに第２の隣接、などに広げることができる。ＡＫＭ７３０中の第１の概念の隣接は、選択された測度、例えば、ホップ数、ユークリッド距離、などにしたがって、位相的な方向で、第１の概念から特定の距離内に存在する第２の概念であると理解されるべきである。適切性における最初のインクリメントを受け取った第１の概念から第２の概念までの距離が長くなると、第２の概念の適切性のインクリメントは小さくなることに留意すべきである。したがって、適切性(及び、状況スコア)のインクリメントは、「概念上の距離」の関数として、抑えられた広がり（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、認識スケジュールアダプタ(awareness schedule adapter, ASA)７６０を具備する。ＡＳＡ７６０は、認識プランナコンポーネント７５０の拡張である。ＡＳＡ７６０は、(例えば、センサコンポーネント３２５を経て相互作用コンポーネント３３０を通った、入力１３０を経た、又は（フィードバック)リンク１１５を経た)外部からのデータ又は内部からのデータをまとめて要求及び変更することができる。１つの態様において、認識スケジュールアダプタ７６０は、データのサンプリング周波数の調節を取り入れることができる。例えば、認識スケジュールアダプタ７６０は、アダプタコンポーネント３３５中の異なるアダプタが、データ(例えば、情報入力３５８)を、ＡＳＭ７２０を宛先として知識ネットワーク３７５に送るレートを調整することができる。さらに、認識スケジュールアダプタ７６０は、正常なデータパターンの記述に含まれていないプロセスの変数か、又は適応推論エンジンで受信されたデータから推論されるように目標の達成を進めない変数、に関連するデータの集まりを、低い周波数でサンプリングするか、又は実質的に削除することができる。逆に、ＡＳＡ７６０は、正常なデータパターンの中で広範囲に使用されている変数のセット、又は、目標を積極的に進めることができる変数のセットを、より高い周波数でサンプリングすることができる。さらに、自律学習システム３６０が、ツールシステム３１０の状態の変化(又は、特定の目標に関連する状況の変化)を認知して、製品の品質又はプロセスの信頼度が正常なデータパターンから次第にずれていること(又は、目標がドリフトした結果、目標空間中の最初の目標から相当に外れたこと)を、データが示している場合に、自律学習システムは、ＡＳＡ７６０を介して、より迅速なデータサンプリングを要求して、より多くの量の役に立つ情報(例えば、入力１３０)を集めて、劣化を効率的に検証して、したがって適切にアラームを発することができる。１つの態様では、目標コンポーネントは、最初の目標を入力したアクタに、目標のドリフトの要約を表示することができる；例えば、家庭用娯楽システムを購入するときに、電器店が最初の支出目標から相当に逸脱している場合に、予算を適応させた後の支出の見積りを変更したログが、顧客に表示され得る；又は、データウェアハウスを最適化するように目標に適応させるときに、メモリ空間と、関連するインフラストラクチャとに関連付けられたコストのデータベースアーキテクチャが示され得る。
アクタ３９０(例えば、人間のエージェント、又は、人間のエージェントをによって使用されるデバイス)は、自己認識コンポーネント５５０を複数のやり方でトレーニングすることができる。複数のやり方は、１つ以上のエピソード(例えば、適応させるのに成功した目標の例を含む)を定義することを含み得る。エピソードに対する、自己認識コンポーネント５５０を通しての、自律的な生物学に基づく学習システム３６０のトレーニングは、次のように行われ得る。アクタ３９０は、エピソードを作成して、一意の名前をエピソードに提供する。次に、新たに作成されたエピソードのデータを、自律学習システム３６０に与え得る。データは、ツールシステムの１つの特定の動作ステップ中の特定のセンサのデータ、１つの特定のステップ中のパラメータのセット、実行に対する１つのパラメータの平均、などであり得る。
その代わりに又はさらに、アクタ３９０は、より基本的なガイダンスを提供してもよい。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に、予防のツールメンテナンス(preventive tool maintenance, PM)を行なうことができる。ＰＭは、計画されて周期的に行われても、計画されていなくても、又は非同期であってもよい。予防のツールメンテナンスが、自律学習システム３６０による要求に応じて、定期的な予防のメンテナンスに応じて、又はスケジュールされていないメンテナンスに応じて、製造システム上で行われることができると理解されるべきである。連続するＰＭの間にある期間が経過し、このような期間中に、ツールシステムにおいて、１つ以上のプロセス(例えば、ウェーハ／ロット製造)が生じることができる。データと、製品アセット（例えば、データアセット、フラットパネルディスプレイデバイス、ウェーハ…）と、関連する情報、例えば、行なわれた計画及び計画外のメンテナンス、とを通して、自律学習システムは、「故障のサイクル」を推論することができる。したがって、自律学習システムは、アセット３２８を利用して、平均故障間隔(mean time between failure, MTBF)を推論することができる。このような推論は、故障時間のモデルを通して、重大なデータ及び製品アセットの機能としてサポートされる。さらに、自律学習システム３６０は、情報Ｉ／Ｏ３５８として受信された異なるアセット間の関係を通して、又は、エキスパートアクタによって送られた管理下でのトレーニングセッションから得た履歴データを通して、モデルを開発することができる。エキスパートアクタは、トレーニングされる異なる自律学習システムと相互作用する異なるアクタであってもよいと理解されるべきである。
アクタ３９０（例えば、エンドユーザ又はエンドユーザに使用されるデバイス）は、ウェーハレベルの実行データを平均して、ＰＭ間の期間における重大なパラメータのドリフトを評価できることを、自律システムに知らせることによって、自律システムを導くことができる。より困難な課題がまた、自律システムによって行われることができる。アクタ３９０は、学習命令によって、計画外の各ＰＭの前に、ウェーハの平均レベルにおけるデータパターンを特徴付けるように学習することを、自律学習システム３６０に指示する。このような命令は、自律学習システム３６０に、計画外のＰＭの前にデータパターンを学習することを促すことができ、もしデータパターンが認識オートボットによって識別され得る場合、自己認識コンポーネント５５０は、時間の進行と共に、このようなパターンを学習することができる。パターンの学習中に、認識コンポーネント５５０は、オートボットコンポーネント５４０中に存在する認識オートボットからの、又は自己概念化コンポーネント５６０からの支援(又は、サービス)を要求することができる。ツールシステムのパターンが、高い信頼度で学習される場合に、自律的な生物学に基づく学習システム３６０は、ツールのメンテナンスを必要とし得る機能不全に関連する参照エピソードを作成することができる(信頼度は、例えば、パターンの再現性の程度によって測定され、パターンの再現性の程度は、ＰＣＡ分解係数、Ｋ−クラスタアルゴリズムにおける主要なクラスタのサイズ、又は異なるパラメータのセットと時間との関数としての第１のパラメータの大きさの予測、などに反映される)。したがって、参照エピソードが生じる前に、アラームを発することができる。オートボットコンポーネント５４０中に存在し得る認識オートボットは、機能不全の参照エピソードに対するデータパターン、又は、計画外のメンテナンスを必要とし得る実質的にあらゆる具体的な状況を、それが必要になる前に、完全に特徴付けることはできないことに留意すべきである。しかしながら、このようなツールシステム３１０の予防的な調子の管理は、難しい（deep）振る舞いと予測の関数の分析を含むことがあり、自己概念化コンポーネント５６０中のオートボットによって行われることができることが理解されるべきである。
図８は、ここに記述される態様に係る認識ワーキングメモリ５２０において動作することができるオートボットの図８００である。図示されているオートボット−定量化器（quantifier）８１５と、予想エンジン８２５と、予想外スコア生成器８３５と、要約生成器８４５−は、認識エンジンを構成し得る；認識エンジンは、仮想の新生（emergent）コンポーネントである。その新生の性質は、基本構成、例えば、オートボット８１５、８２５、８３５、８４５の協調的な動作から生じる。認識エンジンは、高度な動作をするために、１つ以上の計画ユーバボットが協働するオートボットの集まりをどのように使用することができるかの一例であると理解されるべきである。計画ユーバボットは、様々なオートボット(例えば、平均、標準偏差、ＰＣＡ、ウェーブレット、導関数、など)又は、自己概念化コンポーネント５６０のサービスを用いて、自律的な生物学に基づく学習システムにおいて受信されたデータパターンを特徴付ける。各ステップ、実行、ロット、などに対するデータは、外部のエンティティによって、トレーニング中に正常又は異常として標示される。正常なデータを利用して、典型的な正常なプロセスのデータパターンを学習するために、定量化器８１５は、計画ユーバボットによって使用されることができる。定量化器８１５は、ＡＳＭ７２０に配置されている非標示（unlabeled）のデータセット(例えば、情報入力３５８)を評価し、正常なデータパターンと非表示データのデータパターンとを比較することができる。正常なデータに対する予想パターン、又は正常なデータについてのパラメータを予測する式は、予想エンジン８２５によって、記憶されて操作され得る。非標示のデータパターンと、正常なデータパターンとは、幾つかのメトリックに基づいて、様々な点で異なり得ることに留意すべきである；例えば、(ＰＣＡとＭＳ−ＰＣＡとに適用され、トレーニングを実行することにより導き出される)ホテリングＴ２統計量に対する閾値を超える；非標示のデータセットのうちのデータのサブセットの平均は、正常なトレーニング実行データを用いて計算された平均から、３σ(又は、他の所定の偏差間隔)よりも大きく異なる；測定されたパラメータのドリフトが、正常な実行に関連するデータにおいて観測されたドリフトと、相当に異なる；などである。それとともに、要約生成器８４５は、正常なデータに対する成分のベクトルを生成する。一方で、予想外スコア生成器８３５は、ベクトル中の成分におけるこのような差を実質的に全て取り込んで、ランク付け又は重み付けして、ツールシステムに対する正味の劣化の予想外スコアを計算することができる。ツールシステムに対する正味の劣化の予想外スコアは、ツールシステムの調子の状態を反映し、ツールシステムがどのくらい「正常から離れている」かを反映する。正常なメトリックと非標示のメトリックとの不一致は、時間の関数として変化し得ると理解されるべきである。したがって、正常なデータをより多く集めることによって、自律学習システム３６０は、時間の経過と共に、より高レベルの統計的信頼度で、様々な動作制限を学習することができ、それに応じて製造プロセスレシピ(例えば、目標)を調節することができる。例えば、予想外スコアを通して測定された劣化条件は、要約生成器８４５を介して、アクタに報告されることができる。
図９は、ここに記述される態様に係る自律的な生物学に基づく学習システムの自己概念化コンポーネントの例示的な実施形態９００を示す。自己概念化コンポーネントの機能は、重要な半導体製造ツールの関係と記述の理解を構築することである。このような理解は、製造プロセス(例えば、目標)を調節するために用いられ得る。この獲得される理解は、ガイダンス（手引き）を供給するエンドユーザ(例えば、アクタ３９０)と協力して、又は自律的に、構築される。他の主要な機能コンポーネント５５０及び５７０と同様に、自己概念化コンポーネント５７０は、メモリの階層、動作ユニット、又はオートボット及びプランナ、に関して再帰的にアセンブル又は定義される；このようなコンポーネントは、優先度の使用可能とされた知識ネットワークと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を示す。ＣＫＭ９１０は、自己概念化コンポーネント５７０の動作に必要な概念(例えば、属性(attribute)、エンティティ(entity)、関係（relationship）、手続き(procedure))を含む。ＣＫＭ９１０中の概念は、（ｉ）ドメイン別の概念、例えば、ステップ（step）、実行(run)、ロット(lot)、メンテナンス間隔(maintenance-interval)、ウェット洗浄サイクル(wet-clean-interval)、ステップ測定(step-measurement)、ウェーハ測定(wafer-measurement)、ロット測定(lot-measurement)、ウェーハ上の位置(location-on-wafer)、ウェーハ領域(wafer-region)、ウェーハの中心(wafer-center)、ウェーハのエッジ(wafer-edge)、最初のウェーハ(first-wafer)、最後のウェーハ(last-wafer)、などと、（ｉｉ）一般的な目的の、ドメインから独立した概念、例えば、数(number)、定数(constant)(例えば、ｅ、π)、変数(variable)、数列(sequence)、時系列(time-sequence)、行列(matrix)、時間−行列(time-matrix)、細粒度の振る舞い(fine-grained-behavior)、粗粒度の振る舞い(coarse-grained-behavior)、などと、を含む。さらに、自己概念化コンポーネントは、一般的な目的の関数の関係、例えば、加算(add)、減算(subtract)、乗算(multiply)、除算(divide)、２乗(square)、３乗(cube)、累乗(power)、指数関数(exponential)、対数(log)、正弦(sine)、余弦(cosine)、正接(tangent)、誤差関数（erf）、などとともに、他のドメイン別の関数の関係の多くの配列を含む。他のドメイン別の関数の関係は、様々なレベルの詳細を示すことができ、適応概念化テンプレートメモリ(adaptive conceptualization template memory, ACTM)９２０中にある。
ＡＣＴＭ９２０は、関数の関係を保持するＣＫＭ９１０の拡張である。関数の関係は、ツールシステム３１０(例えば、半導体製造ツール)と相互作用するアクタ(例えば、エンドユーザ)に完全に又は部分的に知られている。ＡＣＴＭは、ＣＫＭの論理的な拡張であるが、実際のメモリ記憶装置は自己概念化コンポーネント５６０内の１つの記憶ユニットに見え得るので、このような分離によって、オートボットと、プランナと、他の機能コンポーネントは影響を受けないことに留意すべきである。さらに、自己概念化コンポーネント５６０は、概念化目標メモリ(conceptualization goal memory, CGM)９３０を含むことができる。ＣＧＭ９３０は、概念化ワーキングメモリ(conceptualization working memory, CWM)９４０の拡張である。ＣＧＭ９３０は、現在の目標のオートボットを促進することができる。現在の目標は、例えば、学習（ｆ，圧力，時間，ステップ）（learn(f, pressure, time, step)）である；特定のプロセスステップに対して、圧力(pressure)の関数ｆであって、時間に依存する関数ｆを学習する。関数ｆの学習は、副目標を表わすことに留意すべきである。副目標は、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という目標の達成を促進することができる。
さらに、ＡＣＴＭ９２０中の概念は、適切性の数値属性と、慣性の数値属性とを持ち、状況スコアをもたらすことができる。慣性値は、概念が学習される可能性を示し得る。例えば、行列(matrix)の概念に対する慣性値がより高く、時系列(time-sequence)の概念に対する慣性がより低い場合、自己概念化コンポーネント５６０は、行列(matrix)のデータの関数の振る舞いではなく、時系列(time-sequence)の関数の振る舞いを学習することができるという状況をも導くことができる。自己認識コンポーネント５５０と同様に、より低い慣性を持つ概念が、ＣＫＭ９１０からＣＷＭ９４０に送られる可能性がより高い。
現在のコンテキスト、ツールシステム３１０(又は、通常、目標コンポーネント１２０)の現在の状態、ＣＷＭ９４０の内容、又は、ＣＷＭ９４０においてアクティブな１又は複数の現在のオートボットの関数として、概念プランナ(conceptual planner, CP)は、活性化エネルギーを様々なオートボットに提供し、状況エネルギーをＣＫＭ９１０及びＡＣＴＭ９２０中の様々な概念に提供する。適応推論エンジンによる推論は、伝搬される概念の態様に基づくことができるので−活性化エネルギーと状況エネルギーとの変化は、ＣＷＭ９４０又はＣＫＭ９１０中の概念に対する変化された意味ネットワークの結果として（例えば、学習に基づいて）生成された知識に基づいて目標適用が導かれることができると理解されるべきである。
ＣＴＭ９２０の内容は、上述の知識を記述することができる概念であり、したがって、これらの概念は、適切性と慣性との数値属性を持ち得る。ＣＴＭ９２０の内容は、ツールシステム３１０の関数の振る舞いを学習するためにオートボットによって使用されることができる(より低い慣性を持つ概念が、より高い慣性を持つ概念よりも、活性化される可能性が高いという制約を受けて)。全てのガイダンス（手引き）が、同じ慣性を持つ必要はない；例えば、第１の完全な関数（complete function）と第２の完全な関数との両者の概念が、完全な関数を表わしていても、第１の完全な関数は、第２の完全な関数よりも、低い慣性を与えられることがある。
部分的に定義された式のような部分的な知識が、ＣＷＭ９４０においてアップロードされると、例えば、既存の知識を用いて、部分的な知識を完成させることができる−ＣＰは、オートボットを協働させて、利用可能なデータを用いて、最初に、未知の係数値を識別する。したがって、暫定的な係数のセットが、部分的に定義された式の概念を、完全な関数の概念に完成させることができる。次に、完全な式の概念は、加算（add）、乗算(multiply)、などのような、予め構築された関数の関係の概念において利用され得る。出力を備えた基礎知識(例えば、関係（出力（кE）,Ｔ)（relationship(output（кE）,Ｔ))）は、ＣＷＭ９４０中のオートボットが様々な関数の記述を構築して評価することを促進することができる。関数の記述は、кEとＴとの関係を記述することができる最良の関数を特定するために、кEに対するデータとＴに対するデータとを含む。代替的に、出力を備えていない基礎知識は、ＣＰの援助のあるオートボットが、出力変数又は独立変数として変数を指定して、残りの変数の関数としてそれを表現することを試みることを促進することができる。良い関数の記述が見付からない場合には、別の変数が独立変数として指定され、適切な関数の関係に収束するまで、プロセスを繰り返すか、又は、適切な関数の関係が見付からないことを、自律学習システム３６０が、例えばアクタ３９０に知らせる。識別された良い関数の関係は、ＣＫＭ９１０に提示され、自律学習システム３６０中のオートボットによって、慣性のレベルと共に、利用されることができる。慣性のレベルは、ＣＰによって割り当てられる。例えば、割り当てられた慣性は、識別された関係の数学上の複雑さの関数であり得る−複数の変数と、パラメータと、オペレータ(例えば、グラディエント、ラプラシアン、偏導関数、など)とを含む非線形の関係に割り当てられる慣性値よりも、２つの変数間の線形の関係は、より低い慣性値を割り当てられ得る。
概念化エンジン９４５は、「仮想のコンポーネント」であって、認識オートボットと概念化オートボットとの協働する動作をもたらすことができる。１つの態様において、自己認識コンポーネント５５０は、変数のグループ(例えば、グループ中の変数は、良い対の相関特性を示す変数であり得る)を、自己概念化コンポーネント５６０に、(ＦＦループ５５２によって)フィードフォワードすることができる。フィードフォワードされた情報は、自己概念化コンポーネント５６０が、関数の関係のテンプレートに対してＣＫＭ９１０とＡＣＴＭ９２０とをチェックすることを促進することができる。テンプレートが利用可能であると、概念化エンジン９４５中に存在し得る概念化学習者(conceptualization learner, CL)のオートボットは、フォワードされたグループ中の変数間の関数の振る舞いを、より迅速に学習することができる。このような関数の振る舞いの学習は、主要な目標のうちの副目標であり得ると理解されるべきである。ＣＰのオートボットの支援を受けるＣＬのオートボットは、概念化検証器(conceptualization validator, CV)のオートボットも使用することができる。ＣＶのオートボットは、提案された関数の関係の品質を(例えば、予測値と測定値との平均誤差は、機器が解決する範囲内であると)評価することができる。ＣＬのオートボットは、自律的に、又はアクタが供給したガイダンスを通して、関数の関係を独立して学習することができる；このようなアクタが供給したガイダンスは、外部からのデータとして見なすことができる。ＣＬによって学習された関数は、目的の変数のグループとして、(例えば、ＦＢリンク５５８を介して)自己認識コンポーネント５５０にフィードバックされることができる。例えば、к0(例えば、漸近エッチングレート)とＵ(例えば、活性化バリア)とが、ＣＬに既知の特定値を含む場合に、関数кE＝к0ｅｘｐ（−Ｕ／Ｔ）を学習した後で、自己概念化コンポーネント５６０は、ガイダンスのグループ（出力（кE）,Ｔ）を、自己認識コンポーネント５５０にフィードバックすることができる。このようなフィードバック通信により、自己認識コンポーネント５５０は、このような変数のグループに関するパターンを学習することができ、したがって、変数のグループに対する劣化を迅速に認識し、必要であれば、アラーム(例えば、アラームの要約、検証されたアラーム受信者リスト)を生成して発することができる。メモリ９６０は、概念化エピソードメモリである。
ＣＬとＣＶとに関する次の２つの態様に留意すべきである。第１に、ＣＬは、(例えば、符号を操作して)式を単純化できるオートボットを含み得る。これは、関数の関係を簡潔な数式として記憶することを促す。一例として、関係Ｐ＝（（２＋３）Φ）（（１＋０）÷θ）は、Ｐ＝３Φ÷θに単純化される。なお、Ｐと、Φと、θとは、それぞれ、圧力と、フローと、排気バルブの角度とを示す。第２に、ＣＶは、関数の関係の品質を決定する場合に、式の構造の複雑さを考慮することができる−例えば、予測値対測定値の平均誤差のような、実質的に同じ特性を持つパラメータの場合に、より複雑な式ではなく、より単純な式が好ましい(例えば、より単純な式は、より低い概念の慣性を持ち得る)。
さらに、自己認識コンポーネント５５０から自己概念化コンポーネント５６０への情報の重要なＦＦ５５２の通信と、自己概念化コンポーネント５６０から自己認識コンポーネント５５０へのＦＢ５５８の通信とは、エピソードに対するデータパターンを特徴付けるために、認識オートボットと概念化オートボットとの協働を含むことができる。図５に関連して既に記載したように、自己認識コンポーネント５５０がエピソードを学習しない場合に、自己概念化コンポーネント５６０は、適切な関数の関係のセットを提供することによって、自己認識コンポーネント５５０を支援することができる。例えば、ツールシステム３１０で実行されるプロセスの安定化ステップにおける圧力の時間依存性についての細かい記述が、エピソードを特徴付けるに必要である。自己概念化コンポーネント５６０は、安定化ステップにおける圧力のこのような詳しい(例えば、１秒ごとの)時間依存性を構築することができる。したがって、ＦＢループ５５８によって、自己認識コンポーネント５５０は、正常なツールの状況における安定化ステップの間の圧力のパターンを特徴付け、学習した圧力の時間依存性と、特定のエピソードデータにおける圧力のパターンとを比較して、学習することができる。一例として、自律的な生物学に基づく学習ツール３００中のエピソードの発生を識別するデータパターンとして、エピソード中のデータに対する安定化ステップ前の測定された圧力におけるスパイクの存在と、正常なツール動作中の圧力データにおけるスパイクの不存在とが検出される。
同様に、スケジュールされていないＰＭの予測は、、ツールシステムのデータの重大な測定値の経時的な変動についての知識と、自己概念化コンポーネント５６０によって送られる予測関数のセットを利用できることとをあてにする。予測関数は、自己認識コンポーネント(例えば、コンポーネント５５０)が、スケジュールされていないＰＭの新生状況を予測することを支援することができ、この場合に、予測は、時間の関数としての、変数の推定値（projected value）のセットに依存する。
図１０は、主題開示に係る自律的な生物学に基づく学習システムにおける自己最適化コンポーネントの例示的な実施形態１０００を示す。既に記載されたように、自己最適化コンポーネントの機能は、ツールシステム３１０の現在の調子(例えば、性能)を分析して、現在の調子の分析結果に基づいて、ツールシステム３１０の調子の劣化に対する実質的に全ての潜在的な原因を診断又はランク付けして、自律学習システム３６０によって獲得された学習に基づいて、根本原因を識別することである。他の主要な機能コンポーネント５５０及び５６０に類似して、自己最適化コンポーネント５７０は、メモリプラットフォーム３６５に属し得るメモリの階層と、処理プラットフォーム３８５の一部であり得るオートボット及びプランナと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の振る舞いの診断と最適化とに関する概念(例えば、知識)を含む。振る舞いは、目標又は副目標を含み得ると理解されるべきである。したがって、ＯＫＭ１０１０は、ドメイン又は目標の特別の概念、例えば、ステップ（step）、ステップデータ(step-data)、実行(run)、実行データ(run-data)、ロット(lot)、ロットデータ(lot-data)、ＰＭの時間間隔(PM-time-interval)、ウェット洗浄サイクル(wet-clean-cycle)、プロセスレシピ(process-recipe)、センサ(sensor)、制御装置(controller)、などを含む。後の方の概念は、半導体デバイスを製造するツールシステム３１０に関連する。さらに、ＯＫＭ１０１０は、ドメインから独立した概念を含む。ドメインから独立した概念は、読み出し(reading)(例えば、センサコンポーネント３２５における圧力センサからの読み出し)、シーケンス(sequence)、比較器(comparator)、ケース(case)、ケースインデックス(case-index)、ケースパラメータ(case-parameter)、原因(cause)、影響(influence)、因果依存関係(causal-dependency)、証拠(evidence)、因果グラフ(causal-graph)、などを含む。さらに、ＯＫＭ１０１０は、比較(compare)、伝搬(propagate)、ランク付け(rank)、解答(solve)、などのような、関数の関係のセットを含み得る。このような関数の関係は、オートボットコンポーネント５４０中に存在し得るオートボットによって活用され、手続の実行によって、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に記憶されている概念は、適切性の数値属性と、慣性の数値属性と、そこから導き出される状況スコアとを持つ。適切性と、慣性と、状況スコアとの意味は、自己認識コンポーネント５５０と自己概念化コンポーネント５６０とに対する意味と実質的に同じである。したがって、実行データ（run-data）が、ステップデータ(step-data)よりも、低い慣性を与えられる場合に、自己最適化コンポーネント５７０のプランナ(例えば、ユーバボット）は、ＯＫＭ１０１０から最適化ワーキングメモリ(optimizing working memory, OWM)１０２０に、実行データ（run-data）の概念を通信する可能性が高い。また、実行データ（run-data）とステップデータ(step-data)との間におけるこのような慣性の関係によって、実行（run）に関する概念を用いて動作する最適化オートボットの活性化率が増加し得る。
自己認識コンポーネント５５０と自己概念化コンポーネント５６０とは、ＦＦリンク５５２と５６２とを通して、ＯＫＭ１０１０に記憶されている概念の状況スコアと、最適化プランナ(optimization planner, OP)を通しての最適化オートボットの活性化エネルギーとに影響し得ることに留意すべきである。ＯＰは、最適化プランナコンポーネント１０５０に存在し得る。ＯＫＭ１０１０に記憶され、自己認識コンポーネント５５０と自己概念化コンポーネント５６０とによって影響される概念は、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し得ると理解されるべきである。一例として、プロセスのステップに対するデータパターンが著しく劣化したことを、自己認識コンポーネント５５０が認識すると、関連するステップ(step)の概念の状況スコアが上げられ得る。したがって、ＯＰは、(例えば、目標を遂行している一方で)プロセス中に実行されるステップのセットを修正するために、ステップ(step)の概念に関する最適化オートボットに、追加の活性化エネルギーを供給し得る。同様に、自己概念化コンポーネント５６０が、生産ロットに対するツールの測定値間に、新たな関数の関係を識別すると、自己概念化コンポーネント５６０から(例えば、ＦＦ５６２を介して)受信されたＦＦ情報により、自己最適化コンポーネント５７０は、（１）ロット（lot）の概念の状況スコアと、（２）ロット(lot)の概念に依存する機能を持つ最適化オートボットの活性化エネルギーとを上げて、ロット（lot)の概念の態様(例えば、ロット中のウェーハの数又はタイプ、アクティブマトリクスアレイ又はアレイのセットにおけるＴＦＴの数、ロットのコスト、アクティブマトリクスアレイのセットのコスト、ロットにおいて利用される資源、１つ以上のＴＦＴアクティブマトリクスアレイにおいて利用される資源、など)を変更する。適応状況ワーキングメモリ１０４０は、状況スコアの適応調整を可能であり、自己最適化コンポーネント５７０の動作に対するデータを保持する。最適化エピソードメモリ１０３０は、自己最適化のような様々な最適化を通じて収集されるデータインプレッションと知識とを保持する。
ツールシステム３１０の調子の評価は、次に記載するように、診断エンジン１０２５を通して行なわれ得る。調子の評価は、製造プロセスの副目標であり得ることに留意すべきである。診断エンジン１０２５は、依存関係グラフを自律的に作成して、アクタ３９０が依存関係グラフを増補することを可能にする(このような依存関係グラフは、外部からのデータとして又は内部からのデータとして見なすことができる)。因果グラフは、ツールシステム３１０によって行われるプロセスの動力（dynamics）と、アクタ３９０によって立てられ得る診断計画とにしたがって、インクリメンタルに送られ得る。例えば、因果グラフは、「圧力」の異常が、４つの原因のうちの１つによって生じることを示している：４つの原因は、蒸着チャンバに漏れがあること、チャンバへのガスフローが不良であること、(ガスフローの大きさを制御する)排気バルブの角度が不良であること、又は、圧力センサにエラーがあること、である。ツールシステム３１０のコンポーネントは、故障の先験的確率(例えば、チャンバの漏れが０．０１の確率で発生し得ること、ガスフローが０．００５の確率で不良になること、など)を持つ。さらに、アクタ３９０又は自己概念化コンポーネント５６０は、圧力異常に対する条件付き依存性（conditional dependency）を定義することができる。この条件付き依存性は、条件付き確率として表わされることができる；例えば、チャンバに漏れがあると仮定して圧力に問題がある確率は、ｐ（Ｐ｜leak）であり得る。通常、アクタ３９０は、ツールの故障の源に原因として関係している条件付き確率を提供することができる。自律学習システム３６０は、アクタ３９０によって定義された確率の割り当てが概算的な見積であり得ると仮定することに留意すべきである。多くの場合に、概算的な見積は、物理学的な確率(例えば、観測によってサポートされる実際の確率)と著しく異なり得る。因果グラフの例は、後述の図１１Ａと１１Ｂとに関連して次に提示及び説明される。
さらに、自己最適化コンポーネント５７０は、予知コンポーネント１０６０を備えることができる。予知コンポーネント１０６０は、ツール３１０に関連する情報Ｉ／Ｏ３５８を通して、ツールシステム３１０の性能に関する１組の予知を生成することができる。このような情報は、機能コンポーネントによって用いられる物質の品質、ツールシステム３１０によって生成される製品アセット３２８の物理的特性、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、ラマン分光学断面、欠陥密度、又は、製品アセット３２８がキャリアでドープされる場合の磁気伝導特性、などを含むことができる。複数の技術が予知コンポーネント１０６０によって利用され得る。この技術は、第1の特徴付け技術を含む。第1の特徴付け技術は、情報３５８を処理する場合に自己認識コンポーネントによって用いられ得る技術と実質的に同じである；すなわち、例えば、（ｉ）フーリエ変換を利用する周波数分析、ガボール変換、ウェーブレット分解、統計技術に基づく非線形フィルタリング、スペクトル相関、（ｉｉ）(センサコンポーネント３２５によって測定され得る)時間に依存するスペクトル特性を利用する時間分析、非線形信号処理技術、例えば、ポアンカレ写像及びリャプノフスペクトル技術、（ｉｉｉ）実空間ベクトル又は信号空間ベクトルの振幅と角度の変動分析、（ｉｖ）異常予測技術、などである。分析（ｉ）、（ｉｉ）、（ｉｉｉ）、又は（ｉｖ）を通して生成されたデータアセット又は情報は、ニューラルネットワークの推論、ファジー論理、ベイズネットワークの伝搬、進化的アルゴリズム、例えば遺伝的アルゴリズム、データ融合技術、シミュレートアニール、などにより補充されることができる。センサコンポーネント３２５と、ＯＫＭ１０１０において利用可能な情報とによって証明された、特定のアセット又は特性における不調傾向を識別すると、最適化プランナコンポーネント１０５０と、コンポーネント５４０に存在し得る最適化オートボットとによって生成された適切な訂正測定値を用いて、分析技術と予測技術との組み合わせを利用して、ツールシステム３１０の最適化を促進することができる。
１つ以上の実施形態において、自律的な生物学に基づく学習エンジン３６０と、その中のコンポーネントは、１つ以上のコンピュータ上で起動又は実行されることができるコンピュータ実行可能命令の一般的コンテキストで実装されることができる。代替の又は追加の実施形態において、例示のシステム３００及び自律的な生物学に基づく学習エンジン３６の様々な特徴は、また、他のプログラムモジュールとの組み合わせで、及び／又は、ハードウェア及びソフトウェアの組み合わせとして、実装されることができる。一般的に、プログラムモジュールは、ルーチン、プログラム、コンポーネント、データ構造などを含み、特別のタスクを実行又は特別の抽象的なデータ型を実装する。様々なコンピュータアーキテクチャは、先の実施形態を実装するために使用されることができる。
図１１Ａは、ここに記述される態様に係る時間進行とともに性能を自律的に改善する例の進化ツールシステム１１００のブロック図である。進化ツールシステム１１００は、ツールシステム３１０を含み、ツールシステム３１０は、半導体製造ツールであることができ、ここで説明されるような機能コンポーネント３１５とセンサコンポーネント３２５とを含む。ツールシステム３１０は、例えばウェーハである入力材料に対して動作し、アセット入力１１０２を受ける。アセット入力１１０２は、それぞれの入力測定属性に対する仕様（specification）と許容差（tolerance）とを含むことができる。センサコンポーネント３２５は、例えば、入力材料又は入力アセットに対する、ＤＩ ＣＤ、ＦＩ ＣＤ；エッチバイアス又はラインリソリューションのような特徴均一性；ウェーハの厚さ；電気的特性；光学的特性、などのような測定値を管理する。光学的特性は、フォトン波長又は周波数のスペクトルに関して測定されることができる；光学的特性（例えば、光学的放射又は光学的吸収）は連続波（continuous-wave:CW）モード又は時間解像（time-resolved）モードで測定されることができる。吸収された又は放射された光のスペクトル強度は、時間の関数として、１つ以上の波長での１セットに対して測定される。入力仕様及び許容差は、相互作用コンポーネント３３０を用いて、アクタ３９０（例えば、ツールシステム３１０のオペレータによって使用されるデバイス）により構成されることができる。相互作用コンポーネント３３０は、アクタ３９０から入力仕様及び許容差を受け、それらをそれぞれ材料仕様１１１８及び許容差ストア１１１６内に保持する。１つ以上の実施形態において、相互作用コンポーネント３３０は、機能コンポーネント３１５の部分であることができ、機能コンポーネント３１５の部分は、ここに説明される、少なくとも部分的な、相互作用コンポーネント３３０の機能を提供することができる。１つの態様において、入力仕様は、１つ以上の指定された入力測定属性のそれぞれのセットに対する、１つ以上の最小値又は最大値のセットを含むことができる。加えて、許容差は、指定された入力測定属性に対する装置の解像度を含むことができる；装置解像度は、指定された入力測定属性又はパラメータの値の最小変化を示す。指定された入力測定属性又はパラメータの値は、センサコンポーネント３２５におけるセンサが検出することができ、又は、機能コンポーネント３１５における装置の一片が調節することができる。１つの例として、入力仕様は、エッチングチャンバにおける圧力（Ｐ）に対する最小（ｍｉｎ）値及び最大（ｍａｘ）値を設定することができ、エッチングチャンバはツールシステム３１０における機能コンポーネント３１５の一部であり、例えばＰmin＝８０ｍＴｏｒｒでありＰmax＝９０ｍＴｏｒｒである。そして、許容差は、達成可能又は測定可能な圧力変化に対する解像度を決定することができ、例えばσＰ＝１ｍＴｏｒｒである。別の例として、ツールシステム３１０によって実装されるエッチング手順において使用されるエッチングガスに対して、入力仕様は、最小及び最大のガスフロー（Φ）を定義することができ、例えばΦmin＝１０．０及びΦmax＝１２．０であるのに対して、許容差は、ガスフローの達成可能又は検出可能な変化に対する０．１ｓｃｃｍの解像度を設定することができる。さらに別の例では、ツールシステム３１０の一部として動作するプラズマエッチングチャンバにおいて、入力仕様は、上側（upper）ＰＦパワー（ＵΠ）の最小値又は最大値を定義することができ：ＵΠmin＝１４００Ｗ及びＵΠmax＝１６００Ｗ、それに対して、許容差は、上側ＰＦパワーにおける検出可能な又はサポートされる変化に対して１Ｗの解像度を設定することができる。
ツールシステム３１０は、また、１つ以上のレシピを、アセット入力１１０２により受け取り、入力材料を処理する；１つ以上のレシピ中の１つのレシピは、相互作用コンポーネント３３０を通じて、アクタ３９０（例えば、ツールシステム３１０のオペレータによって使用されるデバイス）によって構成されることができ、相互作用コンポーネント３３０は、レシピを受け取り、それをレシピストレージ１１１２に保存する。レシピは、パラメータの一部を含み、パラメータの一部は、アセット入力１１０２に含まれる；レシピ内のパラメータは、制御可能であり、ツールシステム３１０によって実施される例えばエッチプロセス又は任意の他の製造プロセスのような、プロセスの結果を調節するために利用されることができる。１つ以上のレシピに加えて、ツールシステム３１０は、アセットターゲット１１０４を受け取り、アセットターゲット１１０４は、少なくとも一部で、ツールシステム３１０を通じて製造された製品又はアセットに対する所望の又は意図された出力品質又は特定の特徴のセットを決定する；製品又はアセットは、アセット出力１１０６の一部であり得る。例示のシステム１１００又はそれの１つ以上の代替の実施形態において、アセット出力１１０６は、１つ以上のアセット３２８の一部であり得る。半導体デバイス又は他のタイプのデバイスにような製品のアセットターゲット１１０４は、エッチバイアスの均一性、マイクロローディングなどのような複数のデバイス出力属性又は特徴を含むことができる。例えば、製造されるデバイスにおけるそれぞれの位置での１つ以上のエッチバイアス値のセットは、特定されることができる。加えて、主題開示の態様において、製品又はデバイスの属性（例えば、エッチバイアス）の特定の特徴について、アセットターゲット１１０４の値は、製造される製品又はデバイスにおける様々な位置で異なることができる；例えば、処理されるウェーハのエッジでのＤＩ ＣＤラインは、ウェーハにおける他の領域より厚いとしてもよく、そのうえで、処理されるウェーハのエッジで又はその近くで、より小さいエッチバイアスターゲットを必要とする。製品又はデバイスの特定の特徴に対するアセットターゲットの使用におけるそのような柔軟性は、アセットターゲットが定義される製品又はデバイスの特定の特徴を導くプロセスに先立って、処理ステップに導入されたプロセス変化を補償することを可能にする。
さらに、アセット入力１１０２を通じて、ツールシステム３１０(例えば生産ツール)は、また、製造される製品又はアセットの特徴の測定のための仕様および許容差を受け取る。センサコンポーネント３２５は、製造される製品の１つ以上の特性の測定を行う。ツールシステム３１０は、アセット出力１１０６の一部として、入力測定での製造される製品又はデータの出力特徴に関するデータの少なくとも１つを運ぶ。このようなデータは、前述のように、データアセットとすることができ、データベース３５５に保存される。アセット出力１１０６は、製品アセットを備え、この製品アセットは上述のように特定の製品又はデバイスの様々な複雑性を含む。
ツールシステム３１０（例えば製造ツール）の性能を自律的に改善するために、相互作用コンポーネント３３０は、レシピ１１２２をレシピドリフトコンポーネント１１３０へ運び、シグナリング１１２４によりレシピドリフトコンポーネント１１３０を管理し、レシピを定義する１つ以上のパラメータへの、インクリメンタル（漸進的）及びランダムであり得る、変化を行い、レシピドリフトコンポーネント１１３０は相互作用コンポーネント３３０へドリフトされたレシピ１１２６を供給する。レシピドリフトコンポーネント１１３０は、また、ドリフトされたレシピ１１２６を保持する。１つの態様において、レシピ１１２２とドリフトされたレシピ１１２６とは、自律的な生物学に基づく学習エンジン３６０における、例えば長期メモリ５１０のような、メモリプラットフォーム３６５内に保持されることができる。レシピドリフトコンポーネント１１３０は、レシピドリフトを行うために選択されたパラメータのリストからの１つ以上のレシピパラメータの選択を通じてレシピを変更することができる；パラメータのリストは、相互作用コンポーネント３３０によって供給されることができる。１つ以上のレシピパラメータの選択は、例えば３９０のようなアクタによって行われることができ、相互作用コンポーネント３３０によって受け取られることができ、パラメータのリスト中に保持されるか、又は、レシピ変更のために直接レシピドリフトコンポーネント１１３０へ運ばれることができる。代替的に又は付加的に、パラメータのリストが存在しない場合に、レシピドリフトコンポーネント１１３０は、履歴情報又は任意選択のうちの少なくとも１つに少なくとも部分的に基づいて、１つ以上のレシピパラメータを自律的に選択することができる。そのような自律の決定を達成するために、レシピドリフトコンポーネント１１３０は、少なくとも一部で、自律的な生物学に基づく学習エンジン３６０及びそれの推論能力を活用することができる。インクリメンタルな変化は、変更されるために選択されたレシピパラメータの大きさの小さい断片、例えば０．００５相対値又は０．５％であることができる。加えて、変化の特定の大きさは、確率分布関数、例えば、ガウス分布、Ｐｏｉｓｓｏｎｉａｎ分配など、によって生じることができる。レシピドリフトコンポーネント１１３０は、相互作用コンポーネント３３０への生成されドリフトされたレシピ１１２６の配達の前に、生成されドリフトされたレシピ１１２６をタグ付けするか、又は、別の方法で識別する。タグ付け又は識別は、ドリフトされたレシピ１１２６に対するラベル、例えばＲ1又は他の名前、と、１つ以上のレシピパラメータに達成される調節の大きさとを含む。
相互作用コンポーネント３３０は、シグナリング１１２４を通じて、変更対象の各レシピパラメータに対する許容差のセット(例えば最大値と最小値)を、レシピドリフトコンポーネント１１３０に供給することができる。許容差のセットは、アクタ（例えば、ツールシステム３１０のオペレータによって利用されるデバイスに具体化されることができる、アクタ３９０）から、相互作用コンポーネント３３０経由で、受け取ることができ、ドリフトされたレシピがツールシステム３１０によって処理された場合に、ツールシステム３１０の破滅的なオペレーション又はツールシステム３１０におけるなだれを緩和するように、少なくとも一部で、設定されることができる。１つの態様において、レシピコンポーネント１１３０は、許容差のセット内の１つの度量が超過された場合、レシピドリフトを止めることができる。許容差のセットは、また、許容差のセットによって特定される範囲内のレシピパラメータへの調節を維持することをレシピドリフトコンポーネント１１３０に強いることができる。加えて、相互作用コンポーネント３３０は、レシピストレージ１１１２中にドリフトされたレシピＲ1を記憶し、ツールシステム３３０にＲ1を運ぶことができ、ドリフトされたレシピＲ1にしたがって新しい入力材料又は入力アセットを処理する。ツールシステム３１０（例えば、製造ツール、処理ツール）は、所定の数のインスタンスに対するレシピＲ1を実装する。インスタンスの数は、例えばアクタ３９０である、アクタによって、又は、自律的な生物学に基づく学習システム３６０によって、設定されることができ、値Ｎ(1) R（Ｎ(1) Rは自然数）を適用できる。値Ｎ(1) Rは、ツールシステム３１０のノイズの存在及び変化における１つ以上の製品出力メトリック（例えば、製品の特徴又は特性の測定の出力値）に関するレシピに達成される変化の学習関連性を可能にする；変化は、アセット出力１１０６の一部である製品又は出力アセットで行われた測定を通じて明らかにされることができる。上述のように、製品出力メトリック又は製品出力特性の測定値から抽出されたデータは、相互作用コンポーネント３３０へアセット出力１１０６の一部として、例えばフィードバックのように運ばれ、データベース３５５中に保持されることができる。製品出力メトリックの測定値は、連続モード又はほとんど連続モードで相互作用コンポーネント３３０に運ばれることができる。
レシピＲ1がＮ(1) Rのインスタンスに対して、例えばウェーハのような入力材料を処理するために使用された場合、レシピＲ1は、レシピ１１２２として、調整及びレシピＲ2の生成を後に起こすためにレシピドリフトコンポーネント１１３０に運ばれる。上述のように、レシピドリフトコンポーネント１１３０は、レシピパラメータのセットを変更し、ドリフトされたレシピＲ2を生成する。レシピパラメータのセットは、以前のドリフティングの反復で変更されたパラメータのセットと異なる。変更は、変更される特定のレシピパラメータのリストにしたがって、又は、Ｒ1におけるレシピパラメータのランダム又は擬似ランダム選択により、進行できる。以前に議論されるように、Ｒ2は、レシピドリフトコンポーネント１１３０によって保持され、ドリフトされたレシピ１１２６として、相互作用コンポーネント３３０に運ばれる。レシピＲ2は、調整又はパラメータドリフトのために相互作用コンポーネント３３０がＲ2を通信する前に、Ｎ(2) Rのインスタンスの１サイクルの間に入力材料を処理するために使用される。製品出力メトリック又は製品出力特性の測定が、また、行われ、相互作用コンポーネント３３０へ供給される。
時間進行とともに、進化ツールシステム１１００によって実現されるレシピドリフトループは継続する。レシピドリフトループは、レシピＲS-1の受け取りを含み、Ｓは１より大きい自然数であること；関連する１つ以上のレシピパラメータのセットをドリフトすること、変更されるパラメータを識別するレコード又は自律的な識別子のうちの少なくとも１つによって命令されるものの選択；ドリフトされたレシピＲSを運び及び記録すること；調節されたレシピの実行のＮ(S) Rステップ又はインスタンスを含む生産サイクルの間に調節されたレシピＲSを処理することを持つ。レシピのドリフティングは、所定の時間間隔にわたり、この時間間隔は、アクタ、例えば３９０によって設定されることができ、ドリフティングが許可されない期間に散在された様々なドリフティングのサブ間隔を含むことができる。１つの態様において、相互作用マネージャ３４５は、アクタ３９０（例えば、ツールシステム３１０のオペレータによって利用される、デバイス、モバイル、又はその他のもの）がインタラクティブに又は自律的にドリフティングのオン及びオフをスイッチすることを可能にすることができることは、認識されるべきである。
例示の進化ツールシステム１１００において、相互作用コンポーネント３３０は、Ｎ(λ) R，λ＝１，２，３…のそれぞれのインスタンスで実現される入力材料及び出力製品メトリックの測定値を通じてツールシステム３１０（例えば製造ツール）から抽出されたデータを、情報Ｉ／Ｏ３５８の一部であり得る情報入力／出力（Ｉ／Ｏ）１１３５内に、運ぶ。レシピＲλは、製造実行で使用される。各レシピのために、自律的な生物学に基づく学習エンジン３６０は、学習サイクルを実行し、関数の関係Ｏк＝ｆк（Ｉ1，Ｉ2…；Ｐ1，Ｐ2…ＰM，ΔRF，ＰＭ，ｒｅｐａｉｒ…）を抽出し、ここで、к＝１，２…Ｇであり、（ｉ）出力測定値Ｏк、及び（ｉｉ）入力測定値｛Ｉ1，Ｉ2…｝、レシピパラメータ｛Ｐ1，Ｐ2…ＰM｝、及び、経過アクティブデューティΔRF、予防メンテナンス（ＰＭ）レコード、修理（ｒｅｐａｉｒ）レコードなどによって決定されるような、ツールシステム３１０の状態、である。パラメータＧは、例えば測定された変数のような、収集されたもののセットの基数を示す１以上の自然数である。例えば測定された変数は、製品出力メトリック（例えばデバイス測定属性）；光学スペクトル線の強度、、又は特定の波長での光学スペクトル強度；エッチバイアス、臨界の寸法、ウェーハの厚さ、のような装置の特徴の位置依存値；などを含む。アクティブデューティΔRF、ＰＭレコード、修理レコードなどに関するデータは、ツールシステム３１０（例えば製造ツール）の状態に関連するデータを含む状態レコードである。先の関数の関係Ｏкにおいて、Ｍは、１以上の自然数である。１つの態様において、Ｏкを特徴付ける学習された数学的関係ｆкは、分析的な式又は数の関数である；例として、学習された数学的関係ｆкは、非線形の方程式であり得る。しかしながら、別の態様では、自律的な生物学に基づくエンジン３６０は、変数｛Ｉ1，Ｉ2…；Ｐ1，Ｐ2…ＰM，ΔRF，ＰＭ，ｒｅｐａｉｒ…｝のセットの関数として、例えばＯG+1のようなブール変数を学習することができる。主題開示において、自律的な生物学に基づく学習エンジン３６０は、自律学習を通じて、異なる変数のセットの関数として、関数の関係Ｏкを生成することができることは、注目される。１つ以上のシナリオにおいて、次の関係が学習されることができる：Ｏк＝ｆк（Ｉ1，Ｉ2…；Ｏ1，Ｏ2…Ｏк-1，Ｏк+1…ＯG；Ｐ1，Ｐ2…ＰM，ΔRF，ＰＭ，ｒｅｐａｉｒ…）；しかしながら、入力測定変数と出力測定変数との様々な他の組み合わせは、また、関数の関係Ｏкを抽出するための領域変数のセットとして可能性があることは、認識されるべきである。
学習サイクルは、（ａ）アセット入力１１０２又はアセット出力１１０６に含まれるデータのような受け取られた入力データ及び出力データ；（ｂ）レシピパラメータ；又は（ｃ）ツールシステム３１０の様々な状態のうちの少なくとも１つと、そのような状態を特徴付ける関連データとに少なくとも部分的に基づいている。そのような状態は、１つ以上のレシピ｛Ｒλ’｝に関連し、λ’はλ’≦λのような自然数である−すなわち、すべて又は実質的にすべてのレシピからのデータが利用される。１つの態様において、データ（入力データ、出力データ、など）は、製造データ；ツールシステム３１０のメンテナンスサイクル中に生成されるデータ；例えば、センサコンポーネント３２５を通じて、測定された入力及び出力変数；データを生成した機器（例えばセンサコンポーネント３２５）に関する情報；製品又はアセットを製作するためのレシピＲλ（ウェット洗浄サイクルレシピ、フォトリソグラフィック・エッチング・レシピ、プラズマエッチングレシピ、薄膜トランジスタ又は他のチップセット集積の堆積）のタイプ；製造実行識別子；時間特徴（stamp）；オペレータの信任（名前、ランク又は経験レベル、など）及び製造又は処理プラント情報；休止時間と連続操作の履歴データ;などを含むことができる。
上述のように、出力測定変数と異なる領域変数のセットとの間の１つ以上の関係を学習するためにデータ（入力データ、出力データなど）を供給するために、アダプタコンポーネント３３５は、例えば製造された半導体デバイスのような製品アセットに関連する１つ以上の入力及び出力変数の測定を通じて観察された複数のデータを統合することができる。そのような測定は、少なくとも部分について、センサコンポーネント３２５における１つ以上のセンサによって、実行されることができ、位置解決測定（position-resolved measurement）、時間解決測定（time-resolved measurement）、スペクトル測定、又はそれらの組み合わせであることができる。加えて、アダプタコンポーネント３３５は、ツールシステム３１０によって実行される１つ以上のプロセスにおいて、散乱、放射、又は吸収された光のスペクトル測定の強さを正規化することができる。１つの実施形態において、ネットワークアダプタ３３５は、少なくとも一部分について、ネットワーク入力/出力アダプタとして動作することができる。正規化は、様々な基準又はアプローチにそって行われることができる；例えば、スペクトル線の強さは、そのスペクトル線を含む測定されたスペクトルにおける合計の強さによって正規化されてもよい。加えて、そのような正規化は、異種のツールシステム又はそれらの部分でのスペクトル線強度決定における系統的な誤差を計算するために行われる。
１つの態様において、Ｏк＝ｆк（Ｉ1，Ｉ2…；Ｐ1，Ｐ2…ＰM，ΔRF，ＰＭ，ｒｅｐａｉｒ…）、又は領域変数の様々なセットに基づく実質的に任意又は任意のＯк関係の学習は目的として生成され、例えば、（ここに記述されるように達成される）知識の生成は、外部からバイアスされず、又は、学習の目的で明示的に制御されない。トレーニングデータを用いて行われる目的の学習は、プロセスアグノステックであることが認識されるべきである;すなわち、学習は、学習に利用可能なデータ中に発見された関係によって、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)で生成された概念にしたがって進む。ここに記述されるような学習は、レシピによって記述されるプロセス内のレシピ変数及び特定の利用の間の様々な相関からの関係を、捕らえるか、又は、反映することができる。利用可能なデータが、少なくとも一部で、レシピＲλの特定のパラメータによって駆動されることは、さらに認識されるべきである。付加的な又は代替の態様において、学習は、概念生成又は繁殖がレシピパラメータ｛Ｐ1，Ｐ2…Ｐm｝のサブセットにしたがって達成されることができることを管理することができる;例えば、ｍ≦Ｍのセットは、Ｏкを生成するために使用されることができ、そのような管理される学習は、原因−効果現象（cause-effect phenomena）と、サブセット｛Ｐ1，Ｐ2…ＰM｝に関連するレシピ変数の特定のサブセットの間の関係との識別を可能にすることができる。パラメータのサブセットは、パラメータ｛Ｐ1，Ｐ2…ＰM｝の空間においてｍ個の要素の次元ベクトルを定義することができる;ベクトルの方向は、ドリフトの方向を確立することができる。加えて、パラメータのサブセットは、固有の領域（intrinsic domain）にしたがって選択されることができる:選択されることができるレシピ又はプロセスにおいてパワーを制御するパラメータ;例えば化学蒸着プロセスにおけるソースチャンバにおけるシャッター開始期間のような化学薬品のソースを制御するパラメータ;例えばハードベイク温度、ソフトベイク温度、乾燥ベイク（dehydration bake）…のような、レシピの様々なステージにおける温度を規制するパラメータ；プロセス又はレシピがツールシステム３１０内で実行される場合の１つ以上のチャンバ内の圧力を命ずるパラメータ。サブセット｛Ｐ1，Ｐ2…Ｐm｝は、また、外部の領域、又は、コスト（利用された材料及びその質、蒸着された薄膜トランジスタのパッケージングのような処理されたアセットのパッケージング、処理されたデバイスにおける許容される欠陥密度）、又はプロセススピード（例えば、蒸着時間、アニーリング又はベイクの温度、リソグラフィック開発温度、など）のような領域に基づいて、決定されることができる。さらに、管理されるサブセット｛Ｐ1，Ｐ2…Ｐm｝は、例えば、ツールシステム３１０（例えば製造ツール）の特徴、アセットを製造するために利用可能な材料、特定の装置の予め決定された産出高（yield）、特定の運搬スケジュール、などのような、外部のプロセスの制約に基づいて選択されることができる。
例えば、図１１Ｂにおける例示のシステム１１６０のような、１つ以上の代替の又は付加的な実施形態では、領域変数の様々なセットの関数のような、関係Ｏкの学習は、本質的に、ここに記述されるような自律的な生物学に基づく学習エンジン３６０の機能に依存しない実質的に任意の学習エンジン１１７０によって実行されることができる。学習エンジン１１７０、又はその中の１つ以上のコンポーネント（図示せず）は、線形及びマルチ線形の近似、多項式曲線フィッティング、ニューラルネット、遺伝的プログラミング、タブーサーチ、ゲーム理論モデルなどのうちの少なくとも１つを通じて、関係Ｏкの学習を実行できる。１つの態様において、学習エンジン１１７０は、１つ以上のプロセッサ（図示せず）とメモリ（図示せず）を含むことができ、１つ以上のプロセッサは、関係Ｏкの学習を実行ために、メモリに保持されているコード命令の１つ以上のセットを実行する。メモリに記憶されるコード命令の１つ以上のセットは、１つ以上のコンポーネント（図示せず）を具体化することができる。１つ以上のコンポーネントは、１つ以上のプロセッサによって実行される場合に、学習システム１１７０の機能を実行する。他の態様において、１つ以上のコンポーネント（図示せず）のうちの少なくとも１つは、処理ユニット（図示せず）を含むことができ、処理ユニットは、少なくとも１つのコンポーネントの機能、及び学習エンジン１１７０の機能の部分を提供する。
１つ以上の学習されたＯк＝ｆк（Ｉ1，Ｉ2…；Ｐ1，Ｐ2…ＰM，ΔRF，ＰＭ，ｒｅｐａｉｒ…）、又は、領域変数の様々なセットに基づく実質的に任意の又は任意のＯк関係は、複製（replicum）の動作のモデルとしてツールシステム３１０の別の複製のコピーへ転送又は伝えられることができることは、認識されるべきである。さらに、任意の又は実質的に任意の学習された関数は、分析式又はブール演算式のいいずれでも、中心に集められたレポジトリ又は分散されたレポジトリのセットのうちの少なくとも１つに送られることができる。分散されたレポジトリは、ツールシステム３１０又は任意の他のツールシステムの複製されたコピー、又は、その中の又はそれに機能的に連結されたコンポーネント、によってアクセスされることができる。学習された関数のそのようなオン・ザ・クラウド・ストレージ態様は、地上の位置、動作スケジュール、又は他の動作の条件にかかわらず、異なるツールシステムの学習された動作態様を容易にアクセスすることができるという少なくとも利点を持つ。1つ以上の実施形態において、相互作用マネージャ３４５は、自律的な生物学に基づく学習エンジン３６０又は学習エンジン１１７０に、１つ以上の学習された関数Ｏкのグループをリクエストする。リクエストは、様々なプロトコル（ＨＴＴＰ、ファイル転送プロトコル（ＦＴＰ）、セキュアＦＴＰ（ＳＦＴＰ）、など）にしたがって情報Ｉ／Ｏ１１３５の一部として送られることができる。リクエストに応じて、自律的な生物学に基づく学習エンジン３６０又は学習エンジン１１７０は、相互作用マネージャ３４５によって受け取られメモリ１１１０内のデータベース３５５に記憶されている、学習された関数のセット、を供給することができる。相互作用マネージャ３４５は、学習された関数のセットを、１つ以上の異なるツールシステム、及び関連する相互作用コンポーネントに送ることができる。１つの態様において、ツールシステム３１０の複製のコピーでは、相互作用コンポーネント、又は、例えば相互作用マネージャコンポーネントのようなその中の１つ以上のコンポーネントは、１つ以上の学習された関数Ｏкを受け取り、この１つ以上の学習された関数Ｏкは、例えばレシピパラメータ、入力測定変数又は出力測定変数のような、領域変数の様々な組み合わせに依存することができる。学習された関数Ｏкは、また、ツールシステムに対して、伝えられ、又は送られることができる。ツールシステムは、ツールシステム３１０の複製のコピーではないが、それに対して等価か又は実質的に等価で、同じ又は類似の製品又はデバイスを製造する。
さらに、ツールシステム３１０の複製されたコピー、又は、等価又は実質的に等価のその配備の複製されたコピーに対する主題開示の態様において、１つ以上の学習された関数Ｏк＝ｆк（Ｉ1，Ｉ2…；Ｐ1，Ｐ2…Ｐm，ΔRF，ＰＭ，ｒｅｐａｉｒ…）、又は、領域変数の様々なセットに基づく実質的に任意の又は任意のＯк関係は、ツールシステム３１０の複製されたコピー、又は、等価か又は実質的に等価のその配備の複製されたコピーにおける、出力測定変数Ｏк又は別の変数の学習関数に対して使用されることができる。伝えられた１つ以上の学習された関数を受け取った、複製された又はそうではないツールシステムにおける学習エンジンは、そのような学習のための関数を活用することができる。１つの態様において、伝えられた１つ以上の学習された関数Ｏкは、複製（replicum）の性能に関連する特定の異なる関数を学習するための基礎セットとして、又は、自律最適化コンポーネント１１５０にしたがって動作する自律最適化コンポーネントによってその性能を評価又は最適化するために、使用される。そのようなシナリオにおいて、複製されたツールシステム又は等価のツールシステムに対する、学習ざれた関数Ｑк＝ｇк（Ｉ1，Ｉ2…；Ｐ1，Ｐ2…Ｐm，ΔRF，ＰＭ，ｒｅｐａｉｒ…）、又は、領域変数の異なるセットに依存する学習された関数Ｑкは、オリジナルのシステムに対する学習された関数の基礎セットで拡張されることができる。そのようなアプローチは、オリジナルのシステムにおける相関及び相互依存の実質的部分が複製されたツールシステムに保持されるかもしれないので、よりスピーディーな学習を導くことができる。例えば関数Ｏкのような受け取られた学習された関数に基づく関数Ｑкの学習は、厳密に等価でない２つ以上のシステムの結果であり得る。１以上の実施形態において、自律最適化コンポーネント１１５０、又は、その中の１以上のコンポーネント（例えば解決コンポーネント１２０４を参照）は、オリジナルのシステムの学習された関数の基礎セットでの拡張の係数に対して解決することができる。ツールシステム３１０の複製されたコピー、又は、その等価又は実質的に等価な配備へ、１つ以上の学習された関数Ｏкの配送の少なくとも１つの利点は、例えば、様々な仮想の動作シミュレーションを分析する能力が、直ちに、ツールシステム３１０の複製されたコピー、又は、その等価又は実質的に等価な配備で、実現されることができるような、学習に関連した利益である。例えば、先の分析能力を考慮すると、Ｏкの中の関数関係ｆкを学習するために使用される領域変数のセットに基づいて、エッチチャンバにおけるスペクトル線に関するエッチガス流の増加の影響は評価されることができる；同様に、デバイスの特徴（エッチバイアス、ＦＩ ＣＤ、など）に関する様々なエッチチャンバ圧力の影響は、評価されることができる。
主題開示の態様において、例えばアセットターゲット１１０４の値のようなアクタ特定の範囲内にある入力データ及びレシピパラメータの関数のような、各製品出力メトリックを正確に予測する複数の学習された関数のセット｛｛ｆ｝1，｛ｆ｝2…｛ｆ｝γ｝は、情報／知識１１４５として、自律最適化コンポーネント１１５０へ送られる。ここで、｛ｆ｝μ，μ＝１，２…γは、レシピμに関する１つ以上の出力変数（例えばＯк）に対する１つ以上の学習された関数のセットを示し、γ≦Ｓであり、Ｓはドリフトされたレシピのセットの濃度（cardinality）である。自律最適化コンポーネント１１５０は、また、入力材料測定値を受け取ることができる。
それと共に関連する解決コンポーネント及び処理装置(例えば、プロセッサ、又は、オートボットコンポーネントの特定のセット)によって、自律最適化コンポーネント１１５０は、レシピパラメータに対する逆（inverse）問題の解決を可能にすることができる。複数の学習された関数｛｛ｆ｝1，｛ｆ｝2…｛ｆ｝γ｝の受け取られたセット及び入力測定値は、レシピパラメータの値の解決を可能にし、１つ以上の出力測定値は、特定のアセットターゲットの設定された許容差内にあり（例えば、メモリ要素１１１４に保持され）、ΔRF、ＰＭ履歴、修理履歴、などのような現在の動作パラメータ又はレコードによって表されるようなツールシステム３１０の現在の状態を与えられる製品出力メトリック（例えば、メモリ要素１１１４に保持されている）に対する、仕様（例えば、メモリ要素１１１８又は１１２０に保持されている）及び許容差（例えば、メモリ要素１１１６に保持されている）が提供される。解決コンポーネントは、逆問題を解決するための遺伝的アルゴリズム、モンテカルロシュミレーション、シミュレートされたアニーリング、シンプレックス、グラディエントサーチ、又はタブーサーチのうちの少なくとも１つを実現することができる；しかしながら、逆問題解決に対する他のアプローチが、また、解決コンポーネントによって使用されることができることは、認識されるべきである。図１に例示される例の実施形態では、自律最適化コンポーネント１１５０は、解決コンポーネント１２０４を含むことができ、解決コンポーネント１２０４は、上述の逆問題についての解決を決定することができる。メモリ１２１６は、遺伝的アルゴリズム、モンテカルロシュミレーション、シミュレートされたアニーリング、タブーサーチなどを含む方法論のセットを含むことができる。方法論のセットは、そのような解決を決定するために、解決コンポーネント１２０４によって使用されることができる。方法論のセットは、１つ以上のコード命令のセットとして、メモリ１２１２に記憶されることができる。
レシピパラメータに対する値の割り当てが見つからない場合、例えば逆問題が解決されない場合、自律最適化コンポーネント１１５０は、逆問題が解決されるまで、１つずつ又はいくつか（例えば２−５）の制約のグループにおいて、各出力ターゲット又はアセットターゲットに関する制約を緩和する。そのような緩和は、緩和基準のセットにしたがって進行できる。例の実施形態１２００において、解決コンポーネント１２０４は、そのような制約を緩和することができ、緩和基準のセットは、メモリ要素１２１８に保持されることができる。１つの態様において、自律最適化コンポーネント１１５０は、アクタ３９０（人間又はその他のもの）が、製造された製品に関連する各出力パラメータ又はメトリックに対する重み（例えば、緩和基準のセットにおける基準）のセットを特定することができ、その上で、メトリックがそれらの緩和されたターゲット値を持つことにしたがってメトリックのランキングを提供する；例えば、トップ３にランク付けされたメトリックは、最後に緩和されるが、最低に位置するメトリックは、最初に緩和される。１つの態様において、アクタ３９０は、相互作用マネージャ３４５を通じてそのような重みを特定することができる；例えば、相互作用マネージャ３４５は、そのような重みに対する値を運ぶアクタ３９０からの指示（例えば、データパケット、コマンド又は命令、ビットのセット…）を受け取り、指示は様々な通信プロトコル（例えば、ＨＴＴＰ、ＦＴＰ、ＳＦＩＰ、例えば、ポイント・ツー・ポイントの短距離ワイヤレス通信のような、様々なワイヤレス通信プロトコル…）にしたがって運ばれる。メトリックのランキングは、また、製造目標への出力測定の関連の程度に少なくとも部分的に基づいて、例えば、自律的な生物学に基づく学習システム３６０によって、自律的に決定されることができる。自律最適化コンポーネント１１５０は、逆問題の解決を通じて抽出されたレシピパラメータによって命令されるような調節されたレシピ１１５５を運ぶことができる。１つ以上の実施形態において、自律最適化コンポーネント１１５０は、例えばフォーマッタコンポーネント１３１０のような、レシピ構築コンポーネントを含むことができ、調節されたレシピ１１５５を発行し運び、調節されたレシピ１１５５をメモリ（例えばメモリ１２１６）に記憶する。
自律最適化コンポーネント１１５０は、また、どれくらい積極的に出力メトリックが緩和されるかのロジックを示すことができる緩和パラメータを使用することができ、そのような緩和パラメータは、基準のセット（例えば１２１８）における別の基準とすることができ、アクタ３９０（例えば、ツールシステム３１０の利用を管理する人間エージェントによって操作されるデバイス、モバイル又はその他のもの）によって設定されることができる；無効（Ｎｕｌｌ）緩和パラメータは、それに関連付けられたメトリックが、そのランキングに関係なく緩和されないことを示すことができる。そのような緩和パラメータは、ツールシステム３１０が性能、例えば特定のフォトリソグラフィー特徴出力解像度又はチップセットのパッケージ密度のような重大な特徴、において制約されるシナリオで有益になりえる。したがって、そのようなパラメータの緩和は実行可能ではない。
もし、所定の数の制約が使われた後、各出力メトリックが特定の許容差内にあるような適切なレシピ調節が見つからない場合、自律最適化エンジン１１５０は、予防メンテナンスパラメータを設定できる。予防メンテナンスパラメータは、例えば、アセットターゲットと仕様と許容差にしたがって出力を製造するためのツールシステム３１０のための、スケジュールテスト、及び、ツールシステム３１０（例えば製造ツール）に対する測定実行、又は、修理手続である。修理手続は、一部の交換、又は、蒸着チャンバのセット又はエッチングチャンバのセットにおける一部又は密封真空リークなどである。したがって、ツールシステム３１０の出力を改善することに加えて、例のシステム１１００は、メンテナンス又は修理手続を自律的に促し、ツールシステム３１０が、例えば材料、デバイス、製造データ、測定(calibratuion)データ、などの出力アセットを、最適に又はほぼ最適に製造することを可能にする。例の実施形態１２００において、自律最適化コンポーネント１１５０は、オペレーション及びメンテナンス（Ｏ＆Ｍ）コンポーネント１２１２を含む。Ｏ＆Ｍコンポーネント１２１２は、予防メンテナンスパラメータ又は修正パラメータを生成し、そのようなパラメータをシグナリング１１５７（図１２に示さず）の部分として特定の受け側（例えば、アクタ３９０）に送ることができる。
記述された自律最適化コンポーネント１１５０の機能を提供するために、例の実施形態１２００では、プロセッサ１２０８は、解決コンポーネント１２０４及びＯ＆Ｍコンポーネント１２１２の記述された機能を、少なくとも一部、提供するように構成されることができ、又は、提供することができる。プロセッサ１２０８は、自律最適化コンポーネント１１５０の開示されたメモリ１２１６又はコンポーネント又はサブコンポーネントの間での、データ又は任意の他の情報の交換コンジット、プロトコル、又は、メカニズムのために、バス１２２０を使用することができる。１つの態様において、バス１２２０は、メモリバス、システムバス、アドレスバス、又はメッセージバスのうちのすくなくとも１つで具体化されることができる。プロセッサ１２０８は、メモリ１２１２、又は、代替の又は追加のメモリコンポーネント又はその中の要素、に記憶されたコード命令（図示せず）を実行することができ、自律最適化コンポーネント１１５０又はそのコンポーネントの記述された機能を提供する。
追加の又は代替の実施形態において、自律最適化コンポーネント１１５０は、サーバで実現される。サーバは、１つ以上のプロセッサ（例えばプロセッサ１２０８）；システムバス、メモリバス、アドレスバス、又はメッセージバス；及び、揮発性又はそうではない、１つ以上のメモリ（例えばメモリ１２１６）、のうちの少なくとも一つを含む。ここで、サーバは、自律最適化コンポーネント１１５０の１つ以上のコンポーネントと機能的に連結されることができる。例のシナリオにおいて、解決コンポーネント１２０４又はＯ＆Ｍコンポーネント１２１２は、１つ以上のコード命令として、サーバにおける１つ以上のメモリ内に存在することができる。１つ以上のコード命令のセットは、サーバにおける少なくとも１つ以上のプロセッサによって実行された場合に、自律最適化コンポーネント１１５０の記述された機能を実行する。１つの態様において、コード命令の１つ以上のセットの実行は、解決コンポーネント１２０４又はＯ＆Ｍコンポーネント１２１２のうちの少なくとも１つを実行することと類似である。さらに代替又は追加の実施形態において、自律最適化コンポーネント１１５０における異なるコンポーネントは、それぞれプロセッサ、メモリ、及びバスを持つ、複数のサーバで具体化されることができる。複数におけるサーバ間の接続は、１つ以上の従来のバスアーキテクチャ又はリモート通信を通じて生じることができる。リモート通信は、１つ以上のリモート通信プロトコルにしたがって進行することができる。複数でのサーバは、例えばその中の少なくとも１つ以上のプロセッサを通じて、それによって具体化される１つ以上のコンポーネントを実行することができ、自律最適化コンポーネント１１５０のコンポーネントの少なくとも一部の機能を提供する。そのような実施形態における複数のサーバが、例示のシステム１１００にための分散されたフレームワークを、少なくとも一部、提供することができることは、認識されるべきである。
自律最適化コンポーネント１１５０を通じて抽出されるレシピが、入力材料の現在の又はほぼ現在の測定値、例えばセット｛Ｉ1，Ｉ2…ＩM｝及びツールシステム３１０（例えば製造ツール）の現在の又はほぼ現在の状態に対する製品出力メトリックを最適化することは、注目される。ツールシステム３１０（例えば製造ツール）の状態は、製造ツールシステム３１０の機能要素のために観察さえたデータによって部分的に決定されることができる。そのような最適化は、オリジナルのレシピをドリフトすることと、例えば｛｛ｆ｝1，｛ｆ｝2…｛ｆ｝γ｝のような予測関数のセットを学習することとを通じて抽出された知識の基礎に、少なくとも部分的に基づいている。その知識の基礎は、例えば、セット｛Ｐ1，Ｐ2…ＰM｝のようなレシピパラメータの解決の基礎を含む。レシピパラメータは、ツールシステム３１０（例えば製造ツール）を通じて製造された製品に対して設定された特定の出力メトリックへ制約される。したがって、例の進化ツールシステム１１００は、連続的に又はほぼ連続的に、様々な傾向と様々なパラメータとを改善し学習する。様々なパラメータは、時間に関する標準の磨耗及び断裂によるツールドリフトと、ツールで実行されるメンテナンス及び修理に影響を及ぼす。
図１３は、ここでの態様に係るレシピドリフトコンポーネント１１３０の例示の実施形態１３００のブロック図である。更新コンポーネント１３０５は、メモリ要素１３２４に保持されているアルゴリズムに少なくとも部分的にしたがってレシピ１１２２の部分として受け取られたレシピパラメータを変更することができる。１つの態様において、上述のように、アルゴリズムは、駆動変数（driving variable）１３２６のセットを使用することができる。駆動変数１３２６のセットは、レシピパラメータがドリフトされるランキングとシーケンスとを決定する。駆動変数１３２６のセットは、例えば相互作用マネージャ３４５経由で、アクタ３９０によって決定されることができる。フォーマッタコンポーネント１３１０は、レシピ系統を生成し、メモリ要素１３２２に記録することができる。レシピ系統は、例えばセット｛Ｐ1，Ｐ2…ＰM｝のようなレシピパラメータ、及び、例えばレシピＲ1のようなレシピを処理するツールシステム３１０のようなツールに関連するセット｛Ｉ1，Ｉ2…ＩM｝のような入力材料又は入力条件の測定値、を集めることができる。加えて、Ｒ1により製造された製品に対して集められた出力測定値（例えば、製造されたデバイスの特徴）は、また、レシピ系統の一部として保持されることができる。さらに、ツールシステム３１０の条件の情報、又は、例えばＰＭレコード、修理履歴、アクティブデューティサイクルの時間、などのツール条件は、レシピ系統の一部として記録されてもよい。１つの態様において、メモリ１３２０は、長期メモリ５１０の一部とすることができる。
記述されたレシピドリフトコンポーネント１１３０の機能を提供するために、例の実施形態１３００では、プロセッサ（図示せず）は、更新コンポーネント１３０５及びフォーマッタコンポーネント１３１０の記述された機能を、少なくとも一部、提供するように構成されることができ、又は、提供することができる。そのようなプロセッサ（図示せず）は、レシピドリフトコンポーネント１１３０の開示されたメモリ１２１６又はコンポーネント又はサブコンポーネントの間での、データ又は任意の他の情報交換のためのコンジット、プロトコル、又は、メカニズムとして、バスを使用することができる。１つの態様において、そのようなバスは、メモリバス、システムバス、アドレスバス、又はメッセージバスのうちのすくなくとも１つで具体化されることができる。プロセッサ（図示せず）は、メモリ１３２０、又は、メモリプラットフォーム３６５のような代替の又は追加のメモリコンポーネント、に記憶されたコード命令（図示せず）を実行することができ、レシピドリフトコンポーネント１１３０又はそのコンポーネントの記述された機能を提供する。例示のシステム１１００の１つ以上の追加の又は代替の実施形態において、レシピドリフトコンポーネント１３０５は、自律最適化コンポーネント１１５０の一部であることができ、又は、レシピドリフトコンポーネント１３０５は、自律的な生物学に基づく学習エンジン３６０及自律最適化コンポーネント１１５０の間で分散されることができる。
図１４は、ここに記述される態様に係るレシピドリフティングを通じレシピ適応の図１４００を示す。スタートレシピＲは、結果としてＮ（自然数）個のドリフトされたレシピを生じる。Ｎ個のドリフトされたレシピは、インクリメンタルなレシピＲJ（１＜Ｊ＜Ｎ）のレシピパラメータを持ち、レシピＲJ+1（１＜Ｊ＋１≦Ｎ）を生成するためにランダムに変更される。ターゲットレシピ及びドリフトされたレシピＲ1−ＲNが、処理される場合に、出力メトリックを産出することは、注意される。出力メトリックは、ターゲットメトリックからの許容差ΔＯ(R’）内にある。レシピのドリフティングと出力測定値を予測する関数の関連付けられた学習とは、レシピパラメータのフェーズ空間の調査を可能にし、製品出力メトリック、入力材料の測定値、レシピパラメータの間の様々な関係を明らかにすることができる。例えば、Ｎ個のレシピが生成されるように、レシピドリフティングサイクル１４０５が完了し、出力製品（製造された製品、処理された製品、など）の１つ以上のメトリックに対して製品出力を予測することができる学習された関数のセットに少なくとも部分的に基づいている場合、予測出力が、そのΔＯ(R’）よりも小さいΔＯ(R’）を持つターゲットメトリックの許容差ΔＯ(R’）内となるように−例えば、矢印１４１０で例示される−、レシピパラメータのセットは抽出される；すなわち、フェーズ空間の調査を通じて、レシピパラメータの改良された出力は、例えばツールシステム３１０のようなツールの現在の状態、例えばセット｛Ｉ1，Ｉ2…ＩM｝のような現在の測定値又は入力材料に対して達成される。例として、ドリフティングサイクル１４１５は、また、調節されたレシピＲ’に対して実行される。
レシピパラメータのドリフティング及び１つ以上の製品出力メトリックを予測することができる学習された関数の生成が、性能又は出力品質空間における第１の領域から、出力品質空間における第２の領域まで、製品ツールを効果的にドリフトできることは、注目される。出力品質空間における第２の領域は、製品ツールが現在の状態に対して最適化されるように、入力測定値及びレシピパラメータと、出力メトリックとの間の様々な関係を取り込む。
図１５は、ここに記述される態様に係る相互マネージャ３４５の例示の実施形態１５００を示す。表示コンポーネント１５０４は、１つ以上のユーザインタフェースと、レシピドリフティングに関係する他のコンテンツを与えることができる；少なくともそのような結論へ、表示コンポーネント１５０４は、視覚的又は聴覚的なしるし（indicia）を伝える。様々なスキームは、１つ以上のユーザインタフェース、又は、例えばウインドウベースのスキームのような他のコンテンツを与えるために使用されることができる。ウインドウベースのスキームは、例えば、アイコンの表示、しるしののポップアップ表示；スクロールダウン、スクロールサイドウェイ、又はテキストベースの表示、静的レンダリング、である。加えて、１つ以上のユーザインタフェース又は他のコンテンツは、表示コンポーネント１５０４の一部であることができるレンダリングエリア（例えば、ディスプレイスクリーン）内の様々なコンフィグレーションで組織化されることができる。１つの態様において、表示コンポーネント１５０４は、ＣＲＴ（cathode ray tube）モニタ、液晶ディスプレイ（ＬＣＤ）モニタ、プラズマモニタ、ＬＥＤ（light emitting diode）モニタ、エレクトロクロミックモニタ、などのような、モニタ内の表示要素で、少なくとも一部、具体化されることができる。
例示の実施形態１５００において、データエントリコンポーネント１５０８は、レシピドリフティングの一部及びそれの制御パラメータのような、アクタ３９０（例えば、人間のエージェント、自動マシーンのエージェント、デバイス…）からの入力を集めることができる。１つの態様において、レシピの設定は、駆動変数１３２６のセット、許容差（許容差ストア１１１６に保持される）のセット；出力仕様のセット（例えば１１２０）；緩和基準（例えば１２１８）のセット又は特定の出力パラメータ（例えばアセット出力）に関連する重みのセット、のうちの少なくとも１つを含むことができる。重みのセットは、レシピにおけるターゲット出力パラメータに対する緩和戦略を確立することができる。表示インタフェース１５０４は、アクタ３９０からの入力を、少なくとも一部、処理（例えばデコード又はコード）することができ、（ｉ）レシピドリフトコンポーネント１１３０又はその中のコンポーネント；（ｉｉ）自律最適化コンポーネント１１５０又はその中のコンポーネント；又は、（ｉｉｉ）メモリ１１１０、のちの少なくとも１つへ、シグナリング（例えば１１２４、１１５７）としてそれを送ることができる。１つの例として、そのようなレシピドリフティングの設定は、レシピドリフトコンポーネント１１３０によって受け取られることができ、アルゴリズムストレージ１３２４内に保持されることができる。別の例において、レシピドリフティングの設定は、データベース３５５の一部のような、メモリ１１１０に保持されることができる。
データエントリコンポーネント１５０８を、少なくとも１部、具体化することができる様々な機能要素と関連する回路とは、データ入力を可能にする；そのような機能要素は、キーパッド、タッチスクリーン、マイクロホン、カメラ；バーコードリーダ、ＲＦＩＤ（radio frequency identity）リーダ、ＩＲ（infrared）ワイヤレスベースのリーダ；など、を含むことができる。さらに、データエントリコンポーネント１５０８は、また、周辺デバイスへの接続と、それとの通信とを可能にする周辺インタフェース１５１２を含むことができる；例として、周辺インタフェース１５１２は、アダプタコンポーネント３３５の一部とすることができ、又は、アダプタコンポーネント３３５の少なくとも一部分を含むことができる。アダプタコンポーネント３３５は、ツールシステム３１０からのデータ検索を可能にする。１つの態様において、周辺インターフェース１５１２は、ポートのセットを含むことができる。ポートのセットは、パラレルポート、シリアルポート、イーサネット（登録商標）ポート、Ｖ．３５ポート、Ｘ．２１ポート、のうちの少なくとも１つを含む。パラレルポートは、ＧＰＩＢ（General Purpose Interface Bus）、ＩＥＥＥ−１２８４を含むことができ、一方で、シリアルポートは、ＲＳ（Recommended Standard）−２３２、Ｖ．１１、ＵＳＢ（Universal Serial Bus）、ファイヤーワイヤ又はＩＥＥＥ−１３９４を含むことができる。他の態様において、周辺の１５１２及び関連する回路は、また、ワイヤレス通信を可能にすることができる（例えば、ポイント−ツー−ポイント、インドア、又は、セルラー）。
１つの態様において、相互作用マネージャ３４５の記述された機能を提供するために、プロセッサ１５２０は、表示コンポーネント１５０４及びデータエントリコンポーネント１５０８の記述された機能を、少なくとも一部、提供するように構成されることができ、又は、提供することができる。プロセッサ１５２０は、メモリ１１１０、又は、相互作用マネージャ３４５のコンポーネント、又は、ここで説明された相互作用コンポーネント３３０の他のコンポーネントの間のデータ又は任意の他の情報の交換のためのコンジット、プロトコル、又は、メカニズムとして、バスを使用することができる。そのようなバス（ばらばらの矢印で表される）は、メモリバス、システムバス、アドレスバス、又はメッセージバスのうちのすくなくとも１つで具体化されることができる。プロセッサ１５２０は、メモリ１１１０、又は、メモリプラットフォーム３６５のような、代替の又は追加のメモリ要素、に記憶されたコード命令（図示せず）を実行することができ、相互作用マネージャ３４５の記述された機能又はその中のコンポーネント又はそれと連結される機能を提供する。
図１６は、ここに記述される態様に係るツールシステムのドリフト及び関連する知識生成を、少なくとも一部、調節するために表現されることができる例示のユーザインターフェース１６００である。相互作用マネージャコンポーネント３４５は、表示コンポーネント１５０４を用いて、ユーザインタフェース１６００を描くことができる。モーションジェスチャー（トラックボール操作、制御ムーブメント）、タッチジェスチャー（例えばスクリーンタッチ）、スピーチジェスチャー（例えば音声コマンド）などの様々なジェスチャーは、例示のユーザインタフェース１６００におけるツールバーのスライド又はソフトボタンのスライドを制御することができる。１つの態様において、レシピのドリフティングの大きさは、最小（ｍ）値と最大（Ｍ）値との間で、ツールバーのスライド、又はソフトボタンのスライドにより制御されることができる；選択される値（例えば０．５％）は、ドリフトされることできるレシピにおける１つ以上の選択された変数のセットに導入される変更の大きさを決定することができる。そのような最大値又は最小値は、また、ツールシステム３１０又はその中の機能要素の安全な動作のための範囲を決定することができる。加えて、例示のユーザインタフェース１６００は、また、ドリフトすることのためのスケジュールの設定を可能にする。スケジュールは、レシピドリフティングと関連する最適化が行われることになる期間を確立する。さらに、ユーザインタフェース１６００は、グラフィカルなしるし１６０６によって例示されるように、学習目標（goal）の設定を可能にする。グラフィカルなしるし１６０６は、例えば、上述されたように、例えばＯкのような分析式、又は、ブール変数を学習するためのオプションを提供する。例示のユーザインタフェース１６００は、また、１つ以上の選択された変数のセットのプロファイルの構築、又は構成、を可能にする。視覚的なしるし１６０８は、例えば、セット｛Ｐ1，Ｐ2…Ｐm｝の生成のような、レシピにおいうて、ドリフトされる１つ以上の変数のセットの選択を可能にすることができる。例として、選択は、クロスシンボルでタグ付けされることができるが、他のタグ付けのしるしが使用できることは、認識されるべきである。例えば、ＶＡＲ Ｊ＋２（Ｊは、１以上の自然数）のような特定の変数の選択は、選択された変数（例えば、ＶＡＲ Ｊ＋２）の変化の境界の定義の少なくとも１つを可能にする設定環境（図示せず）へ導くことができる。特定の変数は、例えば、蒸着チャンバ中の圧力に対応することができる。境界は、ドリフトすることの停止；逆問題の解決が見つからないシナリオにおける緩和のための基準（例えば、緩和基準１２１８）内の選択された変数の重みの値又は関連性；選択された変数のターゲット出力値、を決定する。設定環境（図示せず）は、ポップアップウィンドウ又は任意の他のしるしとして表現される。
さらに又は代替として、例示のユーザインタフェース１６００は、確率分布関数（ＰＤＦ）（例えば、ガウス分布、ポアソン分布、指数分布…）の設定を可能にするしるし１６１２を表現する。確率分布関数は、レシピをドリフトする部分として選択された変数に対する変化の予め決定された大きさの可能性を規定する。さらに又は他の代替として、例示のユーザインタフェース１６００は、サブシステム（例えば１−５）又は装置のグループ又はセンサの選択を可能にするしるし１６１６を表現する。サブシステム又は装置のグループ又はセンサは、そのような装置又はセンサに関連するレシピパラメータ又は変数をドリフトするためのツールシステム３１０の一部である；そのような選択は、ツールシステム３１０の異なる部分を分離することができ、レシピのパラメータとアセット出力特性との間の因果関係の分析を可能にする。しるし１６１６における表現された選択は、例えば図１６に例示される５つのサブシステムのような、サブシステムを含むことができ、サブシステムは、例えばアクタ３９０のようなエンドユーザによって操作されるマシン又はデバイスにリモートである。しるし１６１６で示されるサブシステムは、また、ツールシステム３１０における、測定又は監視装置のような、特定用途の機能要素の一部であることができる；例えば、サブシステム１−５は、製造、処理、又は半導体基板のアセンブリのうちの少なくとも１つのための装置又はセンサを含むことができ、半導体基板のアセンブリは、１つ以上の集積回路（ＩＣ）、フラットパネル・デバイス・チップセット又はＩＣ、フレキシブルディスプレイ、又は、発光ダイオード（ＬＤＥ）ディスプレイ技術のような他のディスプレイ技術を含む。
例示のユーザインタフェース１６００は、また、例えば、ソフトボタン１６２０（れいとして「報告」とラベル付けされている）のような、レシピドリフティングに関連するフィードバック；フィードバックは、１つ以上の学習された関数のうちの少なくとも１つを含むことができる；アセット出力データ及びアセット入力データの間の相関、ここでアセットは製造された製品であることができる；１つ以上のドリフトされたレシピの系統、特定のレシピ又は製造プロセスに対する出力アセットデータ及び出力入力データに関連する履歴データ、所望の業績；１つ以上の出力製品メトリックの値のセット、又は、１つ以上の入力変数の値のセット、のグラフ又はチャート、例えば、エッチングチャンバにおける様々なガスの光学スペクトル；などを提供することができるしるしを含むことができる。例えば表示コンポーネント１５０４を介して、相互作用マネージャ３４５は、異なるツールシステム又はアクタとの通信に対して適切な様々なフォーマットへ割り当てることができる。供給されたフィードバックのレベルと品質は、ユーザインタフェース１６００のような、ユーザインタフェースと、そのようなユーザインタフェースを表現する相互作用マネージャ（例えば相互作用マネージャコンポーネント３４５）を通じて、ドリフティングプロセスを設定するエンドユーザの信任にしたがって変えることができる。ソフトボタン１６２０が起動されると、相互作用マネージャ３４５は、入力シグナリングを受け取ることができ、例えば、メモリ１１１０，１２１６，１３２０などのうちの１つ以上に保持されるデータのような、利用可能なオペレーショナルデータの１つ以上のビューを生成する。入力シグナリングは、一部において周辺インタフェース１５１２を経由して、データエントリコンポーネント１５０８を通じて、生産されることができる。さらに、相互作用マネージャ３４５は、１つ以上のビューで伝達されたデータを、ツールシステム又はアクタへ送ることができる。他の態様において、ソフトボタン１６２０の起動は、表示エリア１６２４における先のフィードバックの視覚的な表現又は先のフィードバックの聴覚的な表現を供給することができる。１つの例において、学習された関数又は学習されたブール演算式が表示されることができる。同様に、出力製品メトリック又は入力変数に関連するデータを持つチャート又はテーブルも、エリア１６２４に表示されることができる。
１６００のようなユーザインタフェースに含まれる利用可能な選択又はしるしのスペースは、ユーザプロファイルのセットによって決定されることができる。ユーザプロファイルは、ツールシステム３１０（例えば製造ツール）の管理人（人間のエージェント又はその他）によって設定されることができる。ユーザプロファイルは、ツールセット３１０の１つ以上のサブシステムに対するアクセス、ユーザが変更を許可されているレシピ変数のセット、緩和基準を決定するためにユーザに対して設定される特権、などの、様々な程度を確立することができる。さらに又は代替として、ユーザインタフェース（例えばユーザインタフェース１６００）に表現される利用可能な選択は、一部で、（ｉ）例えばツールシステム３１０、関連装置、及び関係する処理の専門知識のようなエンドユーザの認識に関する量が、選択の高い複雑性又は柔軟性を保証する；（ｉｉ）訓練生、専門家、エンジニア、マネージャなどのようなエンドユーザの状態；又は（ｉｉｉ）ツールシステム３１０（製造ツール、処理ツール、特徴付けツール）の動作を通じて集められた外部からの兆候、及び、例えば危険値へドリフトされた１つ以上の変数のセットのような、関連するレシピドリフティング。このようなドリフティングは、逆問題の不安定な解決又はツールシステムの動作における欠陥により発生する場合がある；のうちの少なくとも１つにより決定されることができる。ユーザインタフェース（例えばユーザインタフェース１６００）において利用可能な選択の程度、又は、利用可能な選択及び関連情報が表現される方法は、また、ランダムにドリフトされることができ、情報の最適又はほぼ最適な表現の確立、エンドユーザの経験の最大化又はほぼ最大化、安全性の増加、ドリフティングの設定の改善、などを行う。相互作用マネージャコンポーネント３４５は、レシピドリフトコンポーネント１１３０及び自律的な生物学に基づく学習エンジン３６０を使用することができる。
相互作用マネージャコンポーネント３４５は、１６００のようなユーザインタフェースをローカルに表現するか、又は、１つ以上のアクタデバイス、モバイル又はその他でユーザインタフェースを表現するためのデータ又はシグナリングを送る。１つの態様において、アクタであり異なる位置に存在する異なるエンドユーザは、ユーザインタフェースの表現及び異なるデバイスにおける関連情報を受け取ることができる。そのような情報配送特徴は、アクセスネットワーク（例えば、広域ネットワーク、ワイヤレス広域ネットワーク、ローカルエリアネットワーク、アドホックネットワーク;図示されず）によって可能にされることができる。アクセスネットワークは、相互作用コンポーネント３３０に、例えば３９０のようなアクタを機能的に連結する。
上記に与えられ及び説明された例示のシステムの考察において、開示された主題事項にしたがって実現されることができる方法論は、図１７−２３のフローチャートに関してよりよく認識されるだろう。説明の簡略化のため、方法論は、シリアルなブロックとして示され及び記述されるが、開示された態様は、動作の数又は順序で限定されないことは理解及び認識されることになる。いくつかの動作は、ここで描かれ及び記述されたものについて異なる順序で、及び／又は、他のブロックと同時に、発生してもよい。さらに、すべての例示の動作が、以下に記述される方法論を実現するために要求されるとは限らない。ブロックに関連する機能は、ソフトウェア、ハードウェア、それらの組み合わせ、又は、任意の他の適切な手段（例えば、デバイス、システム、プロセス、コンポーネント）によって実現されるとしてもよい。さらに、以下に及び明細書を通じて開示される方法論は、少なくともプロセッサ又は処理ユニット又はフラットフォームによる実行及びそれと共に実装のために、様々なデバイスへそのような方法論を輸送及び転送することを促進するために製造の物品（article）に記憶されることができることが、さらに認識されるべきである。方法論は、代替的に、ステート図のような、相互に関連するステート又はイベントの一連として表されることができたことが、理解され及び認識されることになる。
主題開示及び添付の図面にわたって開示される方法は、プロセッサによる実行及びそれと共に実装のために、又は、メモリにおけるストレージのために、コンピュータへそのような方法論を輸送及び転送することを促進するために製造の物品（article）に記憶されることができる。１つの態様において、ここに記述された方法を実行する１つ以上のプロセッサは、メモリ又は任意のコンピュータ又はマシン可読媒体に保持されたコード命令を実行するために使用されることができ、これにより、ここに記述された方法を実現する；コード命令は、１つ以上のプロセッサによって実行されると、ここに記述される方法における各種の動作を実行又は行う。コード命令は、ここに記述される方法を実行するためのコンピュータ又はマシン実行可能なフレームワークを提供する。
図１７は、文脈の目標（contextual goal）調節を持つ生物学に基づく自律学習のための例示の方法１７００のフローチャートを与える。適応推論エンジン（例えば１１０）、又は、それに対して機能的に連結されている１つ以上のコンポーネントは、少なくとも一部の、主題の例示の方法１７００実行する。代替的に又は追加で、処理プラットフォーム及びそれにおける機能ユニット又はプロセッサは、また、少なくとも一部の主題の例示の方法を実行することができる。プロセッサは、適応推論エンジン又はそれに対して機能的に連結された１つ以上のコンポーネントに対する機能を与える。動作１７１０で目標（goal）が確立される。目標は、目標コンポーネントの機能に関連する抽象概念（abstraction）である。目標コンポーネントは目標又は目的を達成するために使用される、。目標は、複数の学術分野にあり、様々なセクタ（例えば、産業の、科学的、文化的、政治的、など）に及ぶことができる。一般に、動作１７１０は、目標コンポーネント（例えば１２０）に対する外部、又は非本質であるアクタによって実行されることができる。目標コンポーネントは、学習システム（例えば適応推論エンジン１１０）と連結されることができる。目標の多くの学問分野にわたる性質を考慮して、目標コンポーネントは、複数の機能を所有するツール、デバイス、又はシステムとすることができる；例として、特定のプロセスを実行するツールシステム（例えば、ツールシステム３１０）、又は、リクエストのセットに対して特定の結果を提供するデバイス、など。動作１７２０で、データが受け取られる。このようなデータは本質的（intrinsic）であり、例えば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）で生成されるデータであり得る。１つの態様において、特定のプロセスを行う一部として、ツールに関連するセンサ又はプローブのセットは、適応インテリジェントコンポーネントにおいて受け取られるデータを集めることができる。受け取られたデータは、また、アクタ（例えばアクタ３９０）によって送られたデータのように、外部からのものとすることができる。アクタは、人間のエージェント、又は、埋め込まれた知性又はその他のものを持つマシンとすることができる。外部のデータは、プロセスを駆動するために利用されるデータとすることができ、一般に、特定の目標の到達を推進する。人間のエージェントは、ツールシステムのオペレータとすることができ、ツールシステムによって行われるプロセスに関連する命令又は特定の手続を提供することができる。アクタの例は、ツールシステムのシミュレーションを実行するコンピュータ、又は、実質的に任意の目標コンポーネントとすることができる。ツールシステムのシミュレーションは、ツールシステムに対する、又は、ツールに対する動作の代替条件（例えば、人間のエージェントへ警告を提示することができる、又は、コスト高にすることができる、動作の条件）をテストするための、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は、認識されるべきである。受け取られたデータは、特定のプロセス（例えば、プラットパネル・ディスプレイ・アクティブ・マトリクスの一部であるＴＦＴのマトリクスの蒸着）に関連するトレーニングデータ又は製造データ、又は、一般的に特定のコードとすることができる。
さらなる態様において、受け取られたデータは、データ型、又は、手続ユニット又は機能ユニット、に関連することができる。データ型は、実際のデータの高レベルの抽象概念である；例えば、ツールシステムにおけるアニーリング状態では、温度はアニーリングサイクルの期間の間に、プログラムされたレベルに制御されることができ、ツールシステムにおける温度センサによって測定された温度値の時間系列は、シーケンスのデータ型に関連付けられることができる。機能ユニットは、受け取られた命令又は処理コードパッチのライブラリに、少なくとも部分的に、対応することができる。処理コードパッチは、少なくともプロセッサ又は処理プラットフォームによって実行された場合に、ツールの動作に対して又はツールによって生成される分析データに対して必要なデータを、操作する。機能ユニットは、少なくともプロセッサによって与えられた機能性と共に、ユニットの特定の機能性に関連する概念へ、少なくとも部分的に抽象化されることができる；例えば、掛け算のコードスニペット（multiplication code snippet）は、掛け算（multiply）の概念へ抽象化されることができる。そのような概念は、multiply（sequence）、multiply（matrix）、又はmultiply（constant, matrix）のように、単一の概念が複数のデータ型に依存するようにオーバーロードさせることができる。さらに、機能ユニットに関連する概念は、derivative(scalar_product(vector, vector))のように、機能ユニットに関連する他の概念を継承することができる。derivative(scalar_product(vector, vector))は、独立変数に関する２つのベクトルのスカラー積の導関数を示す画面を例示することができる。機能的な概念がクラスに直接に類似であることは認識されるべきである。クラスは、それら自体の概念である。さらに、データ型は、優先度に関連させることができ、優先度にしたがって、意味ネットワークに置かれることができる。同様に、機能概念(又はオートボットの少なくとも部分；図６を参考)も、優先度に関連させることができ、異なる意味ネットワークに置かれることができる。概念の優先度は、動的であり、意味ネットワークにおける概念活性化を促進することができる。
動作１７３０で、知識は、受け取られたデータから生成される。受け取られたデータは、上で議論されたように、意味ネットワークにおいて表現される。知識の生成は、意味ネットワークにおける活性化（activation）を伝播すること（propagating）により遂行されることができる。そのような伝播は、スコアコンビネーションに加えて、概念に割り当てられた状況スコアによって決定されることができる。１つの態様において、スコアコンビネーションは、２つのスコアの重み付けされた加算、又は、２つ以上のスコアの平均とすることができる。ツールシステム条件又は外部のアクタから受信された情報入力のうちの少なくとも１つに依存して、スコアコンビネーションのための規則は修正されることができることは、認識されるべきである。新しい概念がより適切になることを可能にし、めったに活性化されない概念が退化すること可能にするために、優先度が時間進行とともに減少することができることは認識されるべきでである。
生成された知識は、メモリに保持され、活性可能な情報として使用されることができる；例えば、蒸着ステップの定常状態の圧力は、定常状態フロー及び定常状態排気バルブの角度のような２つの独立変数の正確で十分に定義された数学関数（例えば、確率的又は未知であるよりむしろ、決定論的に評価された関数に入るすべてのパラメータを持つ一価関数）として計算されることができる。代替的に又は追加として、転移中の圧力は、独立変数及び／又はパラメータ、又は、レシピの実行のアイ代の圧力、の関数、として計算されることができる（例えば、ＦＰＤ（plat panel display）ピクセルにおけるＴＦＴ構成のフォトリソグラフィックエッチング）。ここで、すべての時間インスタンスは含まれており、レシピの実行中の他の測定された変数／パラメータの関数として計算されることができる。
動作１７４０では、生成された知識は、自律ツールの連続の使用及びさらなる知識の生成のために、記憶される。１つの態様において、知識は、メモリの階層に記憶されることができる。階層は、メモリにおける知識の持続性、及び、追加の知識の生成のための知識の適用可能性により決定されることができる。１つの態様において、階層における３番目の層は、エピソードメモリ(例えば、エピソードメモリ５３０、又は、認識エピソードメモリ７４０)とすることができる。受け取られたデータの印象及び知識は、集められることができる。そのようなメモリにおいて、概念の層操作は重要ではなく、メモリは、ツールシステム又は外部のアクタから受け取られた利用可能情報の蓄積器として代わりに働く。１つの態様において、そのようなメモリは、メタデータベースとしてとして識別されることができる。メタデータベースには、複数のデータ型及び手続的概念が格納されることができる。２番目の層において、２番目の層において、知識は、短期メモリに記憶されることができる。短期メモリでは、概念に重要な操作がなされ、意味ネットワークにおいて活性化を広げることができる。そのようなメモリ層では、機能ユニット又は手続的な概念は、受け取られたデータ及び概念に関して動作し、新しい知識、又は学習を生成する。１番目の層のメモリは、長期メモリ（例えば、ＬＴＭ５１０）とすることができる。長期メモリでは、このメモリ層に記憶された重要な新しい知識と共に、知識が活発な利用のために維持される。さらに、長期メモリ中の知識は、短期メモリ（例えば、５２０）中の機能ユニットによって利用されることができる。
動作１７５０では、生成され及び記憶された知識は利用される。知識は、（ｉ）記憶された知識（データ及び手続）と新たに受け取られたデータとに基づいて差を識別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（degradation）のレベルを決定し（自己認識コンポーネント５５０）、ここで、受け取られたデータは外部から（例えば、入力１３０）、又は、内在（例えば、出力１４０の部分）とすることができる。；（ｉｉ）外部からの又は内在のデータのどちらも、又は、例えば、データパターンを識別することによって又は変数の間の関係を発見することによって、特徴づけを行い（自己概念化コンポーネント５６０におけるような）、ここで、変数は確立された目標を遂行するために利用されることができる；又は（ｉｉｉ）データを生成するツールシステムの性能の分析を生成し（例えば、自己最適化コンポーネント５７０）、予測された不良（failure）に対する根本原因又は必要な修理とともに存在する不良の指示を提供し、又は、ツールシステムの劣化がツールの不良を引き起こす前に予防のメンテナンスを実行するためのアラームをトリガする、ために使用されることができる。記憶され及び生成された知識の利用は、受け取られたデータ―外部から又は内在の―と、続いて生成される知識とによって影響されることは、注目されることになる。
動作１７６０は、目標の到達の程度が生成された知識を考慮して検査されることができる確認動作である。確立された目標が到達された場合、例示の方法１７００は終了することができる。代替として、もし確立された目標が到達されていない場合、確立された目標は、動作１７７０で調査されることができる。その後において、１７００のフローは、現在の目標が修正又は適応されることになっている場合に新しい目標を確立することへ導く；例えば、目標の適応は、生成された知識に基づくことができる。現在の目標の修正が追求されていない場合、方法１７００のフローは、現在確立されている目標を追求し続けるために利用されることができる知識を生成するために戻される。
図１８は、目標コンポーネントの状態に係る概念の状況スコアを調節する例示の方法のフローチャート１８００を与える。自律的な生物学に基づく学習エンジン（例えば３６０）と、それと機能的に連結される１つ以上のコンポーネントとは、少なくとも一部の主題の例示の方法１８００を実行することができる。代替的に又は追加として、処理プラットフォーム（例えば、３８５）とそれにおける機能ユニット又はプロセッサは、自律的な生物学に基づく学習エンジン又はそれに対して機能的に連結された１つ以上のコンポーネントとしての機能を与え、少なくとも一部の主題の例示の方法も実行することができる。動作１８１０では、目標コンポーネントの状態が決定される。状態は、典型的には、様々なデータ入力（例えば、１３０）によって決定されることができるコンテキストを通じて、又は、入力に関連する概念のネットワークを通じて、確立され、特定の関係を示している。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連する；例えば、ＴＦＴのような、特定の薄膜デバイスのコーティングプロセスに対するレシピは、「絶縁デバイスを蒸着する」目標に関連する入力として考えられることができる。動作１８２０では、目標コンポーネントの状態に適用されることができる概念のセットが決定される。そのような概念は、１８１０で入れられたデータ型の抽象概念とすることができ、又は、メモリプラットフォーム（例えば、長期メモリ５１０、又は、短期メモリ５２０）に存在している概念とすることができる。一般に、機能の概念は、異なる概念（例えば、機能の概念を持たない概念）上で、少なくともプロセッサ又は処理ユニットにより、行うことができ、目標の達成に向けてより頻繁に利用されることができる。動作１８３０では、目標状態に関連する概念のセットにおける各概念に対して状況スコアが決定される。状況スコアのセットは、概念利用又は適用に対する階層を確立することができ、目標適応又はサブ目標の生成／ランダム化のような、目標の原動力を決定することができる。特定の概念に対する状況スコアの調節は、目標適応の一部として、目標のスペース内の伝播とともに、目標の到達も行うことができる。
図１９は、ここに記述される態様に係る推論によって知識を生成するための例示の方法のフローチャート１９００を与える。自律的な生物学に基づく学習エンジン（例えば、３６０）と、それに機能的に連結される１つ以上のコンポーネントとは、少なくとも一部の主題の例示の方法１９００を実行することができる。代替的に又は追加として、処理プラットフォーム及び機能ユニット又はプロセッサは、自律的な生物学に基づく学習エンジン又はそれに対して機能的に連結される１つ以上のコンポーネントとしての機能を与え、少なくとも一部の主題の例示の方法を実行することもできる。動作１９１０では、概念がデータ型に関連付けられ、概念に対する優先度が決定される。優先度は、典型的に、概念の使用の確率、又は、概念の重みに基づいて決定されることができる。そのような重みは、概念を使用するための容易さ（例えば、データ型を動作するための複雑さ）を表すことができるパラメータの関数（例えば、重み付けされた合計、算術平均、又は、幾何平均）を通じて決定されることができ、そのようなパラメータは、概念の慣性、及び、状態（例えば、概念に関係付けられることができる近い概念の数）を記述する概念の適当なパラメータにより識別されることができる。優先度は、明示的に時間依存の慣性及び適当なパラメータの結果として、又は、概念伝播の結果として、時間に依存であってもよい。時間依存の優先度は、特定の概念への経年変化態様を導入することができ、例えば、特別の知識シナリオ（例えば、優先度に基づく知識ネットワークにおけるノード構成）に関連性のあることを停止する概念を通じて知識の柔軟性（例えば、ＦＰＤにおけるアクティブマトリクスアレイ内のＴＦＴのようなナノ構成デバイスの準備にのためのレシピのような、目標を追求するために使用されるパラダイム）を助長することができる。動作１９２０では、優先付けされた概念のセットに対して意味ネットワークが確立される。意味ネットワークは複数のサブネットワークを含むことができ、複数のネットワークのそれぞれはクラスにおける概念の間の関係のセットを特徴付けることが、認識されるべきである。一例として、２つの層の意味ネットワークにおいて、第１のサブネットワークは、データ型から導出される概念の間の関係を表すことができ、第２のサブネットワークは、データ型に変えて利用されることができる動作を記述する機能概念（例えば、プランナオートボット又はユーバボット、概念のオートボット）の間の関係を含むことができる。動作１９３０では、優先度のセットが、推論を行うために意味ネットワークを越えて伝播され、したがって、概念のネットワークに関連する知識を生成する。１つの態様において、このような伝搬は、目標適応に対する最適化計画を生成するために、又は、特定の目標を遂行するシステムにおける不良を予測するために、使用されることができる。
図２０は、ここに記述される態様に係るアセットを生産、例えば製造する１つ以上のツールによって生成される製造データに関連するに関連する変数のセットの間の関係を学習するための例示の方法２０００のフローチャートを与える。自律進化製造ツールとそれにおける自律的な生物学に基づく学習エンジン（例えば、３６０）とは、少なくとも一部の主題の例示の方法２０００を実行することができる。代替的に又は追加として、処理プラットフォーム及びそれにおける機能ユニット又はプロセッサは、自律的な生物学に基づく学習エンジン又はそれに機能的に連結される１つ以上のコンポーネントとしての機能を与え、少なくとも一部の主題の例示の方法２０００を実行することもできる。動作２０１０では、ターゲット製品出力がセットされる。ターゲット製品出力は、例えば相互作用マネージャ３４５のような、インタフェースコンポーネントを通じてアクタ（例えば、３９０）によって確立された特定の製品仕様及び関連する許容差のような１つ以上の製品出力メトリックを備える。動作２０２０では、ターゲット製品出力を満たす製品を作製するために初期レシピがドリフトされる。動作２０３０では、１つ以上の製品出力メトリックに関連する関係のセットは、ドリフトを通じて学習される。ドリフトを通じた学習は、１つ以上のドリフトされたレシピにより生成されたデータに基づいて、ここに記述されるように、知識生成にしたがって関係のセットにおける１つ以上の関係を学習することを含む。関係のセットは、Ｍ（Ｍは自然数）個の関数のセットを含み、関数は、例えば選択されたメトリックの測定値のような、入力測定データ及び現在のレシピのレシピパラメータのセットを持つ、製品出力に関連する。Ｎ個の生産ステージのセットのために、Ｍ≦Ｎの関数が学習されることができ、各ステージはＱ（Ｑは自然数）個の生産実行を含む。動作２０４０では、調節されたレシピは、学習された関係のセットに少なくとも部分的に基づいてターゲット製品出力を遂行するために生成される。動作２０５０では、少なくとも１つの製品が調節されたレシピにしたがって製造される。２０６０では、少なくとも１つの製品の出力属性に関するデータを収集すること（例えば、測定すること）によって、調節されたレシピの生成が成功したか、決定される；生成の成功は、製品出力に対して確立された許容差と仕様とのセットによって規定されるような、少なくとも１つの製品の出力属性の品質によって決定される。ネガティブな場合には、動作２０７０では、メンテナンス手続が実施され、フローは動作２０２０へ向けられる。これに対して、動作２０８０では、ターゲット出力製品が満たされるか評価される。動作２０８０のネガティブな結果は、フローを動作２０２０へ向ける。ここで、初期のレシピは、先のレシピのドリフティングにより、少なくとも一部の創出される学習を通じて調節される。これに対して、ポジティブな結果は、動作２０３０へフローを戻す。したがって、成功の製品を生成するためのレシピに関連するデータとそのレシピとは、例えば、改良、学習サイクルのような連続の又はほぼ連続の精製により、レシピと入力データとの間のさらなる１つ以上の関係を学習するために利用されることができる。ここで、学習は、上述されるように遂行されることができる。
例示の方法２０００を通じて、製品仕様と出力製品測定値に対する許容差とによって規定されるカスタム特性を持つ製品の作製のためのレシピが、ドリフティング及び学習を通じて、再帰的に、最適化され、又は、評価されることは、注目される。
図２１は、ここに記述される態様に係る製造レシピをドリフティングするための例示の方法２１００のフローチャートである。進化ツールシステム１１００内のレシピドリフトコンポーネント１１３０のようなコンポーネントは、主題方法を実行することができる。代替的に又は追加において、処理プラットフォーム及びそれにおける機能ユニット又はプロセッサは、自律的な生物学に基づく学習エンジン及びレシピドリフトコンポーネントとしての機能を与え、少なくとも一部の主題の例示の方法を実行することもできる。動作２１１０では、初期レシピが現在のレシピとしてセットされる。動作２１２０では、現在のレシピがドリフトされる。ドリフトは、現在のレシピにおける１つ以上の変数の選択と、１つ以上の変数のインクリメントな変化の遂行とを含むことができ、１つ以上の調節されたレシピパラメータのセットを生成する。１つの態様において、１つ以上の変数の選択は、メモリ１２２０に保持された駆動変数１２２６のような、ドリフトを行う変数のリストによって規定される。そのようなリストは、アクタ（例えば、３９０）によって提供されることができ、又は、自律的な生物学に基づく学習エンジン３６０によって推論され、送られることができる。ドリフトされる変数が、現在のレシピに対して特有とすることができることは、注目される。加えて、ドリフトは、それぞれの方向のあるベクトルについて大きさのレベルを変えることにより、多次元的に達成されることができる。ここで、方向のあるベクトルは、ドリフトされる又はランダム化されることができるレシピパラメータによって広げられる空間で定義される。次元は、領域（例えば、パワー、化学薬品、温度、圧力、コスト、速度など)をわたることができる。動作２１３０では、現在のレシピをドリフトすることを通じて得られた調節されたレシピが処理される。動作２１４０では、調節されたレシピがドリフトされるか決定される。ポジティブな結果において、動作２１５０では、調節されたレシピは、ドリフティングを通じて作成されたレシピの系統に加えられることができる。動作２１６０では、調節されたレシピは、現在のレシピとしてセットされる。動作２１４０における評価に対するネガティブな結果において、ドリフティング、及び、系統における各レシピに関連する、例えば、入力測定値、出力測定値、ツール条件、メンテナンスなどのデータを通じて作成されたレシピの系統は、動作２１７０で供給される。
図２２は、ここに記述される態様に係る製品出力のためのターゲット仕様を用いて製品を作製するための進化されたレシピを生成するための例示の方法２２００のフローチャートである。進化ツールシステム１１００内の例えば１１５０の自律的な生物学に基づく最適化システムは、主題の例示の方法２２００を実行することができる。代替的に又は追加において、処理プラットフォーム及びそれにおける機能ユニット又はプロセッサは、自律的な生物学に基づく最適化エンジン、及びそのコンポーネントとしての機能を与え、少なくとも一部の、主題の例示の方法２２００を実行することもできる。動作２２１０では、製造レシピのセットに対する製品出力を予測する学習された関数のセットが受け取られる。動作２２２０では、入力材料測定値が受け取られる。動作２２３０では、製造ツールの現在の状態について、学習された関数の受け取られたセット又は受け取られた入力材料測定値の少なくとも部分に基づいて、レシピに対するパラメータが抽出される。製造ツールの現在の状態は、例えば、ＲＦ時間のようなアクティブデューティサイクル；予防メンテナンス履歴；修理履歴；動作領域；又は、蒸着チャンバ又はエッチングチャンバのような、単一のツールシステムで製造される異なる製品のタイプを確立する製品製造範囲のような、レコードのうちの少なくとも１つによって、少なくとも一部を決定される。１つの態様において、受け取られた入力測定値と結合される学習された関数の受け取られたセットは、逆問題の解決の基礎として利用される。レシピパラメータのセットは、予め決定された境界内で出力が生成されるように、識別される。そのような境界は、進化製造ツールにおけるコンポーネントによって自律的に設定されることができ、又は、アクタ、人間、又は、その他のものによって供給されることができる；人間のアクタによって提供される出力境界は、例えば、少なくとも供給される境界のマシン実装を可能にすることができる相互作用コンポーネント３３０のようなヒューマンマシンインタフェースによって受け取られることができる。
動作２２４０では、レシピのセットにおける各レシピに対する予測された出力が、それぞれの制約又は境界を満たすか、評価される。ネガティブな場合において、例えば、レシピパラメータへの値の適切な割り当ての解決が制約内の出力を産出しない場合、１つ以上の制約のセットは動作２２５０で緩和される。１つの態様において、高い重み付けのなされた出力特性が、緩和の後ステージで緩和されたそれらのそれぞれのターゲット値を持つように、緩和は、製品出力における各出力パラメータに対する設定可能重みの特定のランキングに少なくとも部分的にしたがって遂行されることができる。重みのランキングは、例えば３９０のようなアクタによって設定されることができ、又は、自律的に、例えば３６０のような自律的な生物学に基づく学習エンジンによって推論されることができる。動作２２４０に対するポジティブな結論は、動作２２８０へフローを向け、レシピは、抽出されたパラメータに少なくとも部分的にしたがって供給される。動作２２６０では、緩和された制約の現在の数がしきい値の上にあるか調査され、しきい値は、設定されることができ、緩和の数を決定する。緩和の数の上で、レシピパラメータの抽出は、ツールシステム３１０にによって処理された場合に不安定レシピを生成する場合があり、例えば、爆発又は不安定な化学反応、機能コンポーネント３１５のダメージ、又は、仕様アセット出力１１０６の大きな離脱のように、製造ツールシステム３１０内のなだれシナリオ又は危険な動作を生じる場合がある。動作２２６０の結果が肯定の場合、メンテナンス手続が動作２２７０で設定される。メンテナンス手続は、予防メンテナンス（ＰＭ）メトリック又は修理メトリックのうちの少なくとも１つに対する値の識別又は定義を含むことができ、これにより製造ツールは、出力製造制約を定義する仕様又は許容差によって要求されるように、又は、確立されるように、出力を生成することができる。
動作２２４０の結果が肯定の場合、動作２２７０で、抽出されたパラメータに少なくとも部分的にしたがうレシピが供給される。
図２３は、ここに記述される態様に係る製造レシピにおける入力変数及びパラメータと製品出力との間の予測関数関係を自律的に生成するための例示の方法２３００のフローチャートを示す。自律的な生物学に基づく学習エンジン（例えば、３６０）と、それにおける1つ以上のコンポーネント又はそれに対して機能的に連結されるその他のものは、少なくとも一部の主題の例示の方法２３００を実行することができる。代替で又は追加において、処理プラットフォーム（例えば、３８５）及びそれにおける機能ユニット又はプロセッサは、自律的な生物学に基づく学習エンジン又はそれにおける又はそれに機能的に連結されている１つ以上のコンポーネントとしての機能を与え、少なくとも一部の主題の例示の方法を実行することもできる。１つ以上の実施形態において、主題の例示の方法２３００は、例えば学習エンジン１１７０のような；生物学に基づく学習原理に基づかない、又は、少なくとも全部が基づいていない、学習エンジンで遂行されることができる。動作２３１０では、１つ以上の製造レシピ｛Ｒ1，Ｒ2，…，Ｒλ｝のセットの実行を通じて生成された製造データが受け取られる。動作２３２０では、製造出力と、レシピを実行する製造ツールの材料入力測定値又はレシピパラメータのうちの少なくとも１つとの間の関数の関係が学習される。動作２３３０では、製造出力の予測が特定の品質内にあるか評価され、予測は学習された関数の関係を通じて遂行される。肯定の場合、動作２３４０では、学習された関数の関係が受け付けられる。学習された関数の関係の受け付けは、学習された機能の関係を保持すること又は伝えることを含む。１つの態様において、学習された関数の受け付けは、学習された関数の配送又は記憶の少なくとも１つを含むことができる。これに対して、評価動作２３３０のネガティブな結果は、動作２３５０に導き、学習された関数の関係が拒絶される。
主題の例示の方法２３００が、それぞれのレシピによって実行されたいくつかの製造実行に対する複数の関数の関係を学習するために複数回再現できることは、認識されるべきである。
主題の明細書で使用される場合、用語「プロセッサ」は、実質的に任意の計算処理ユニット又はデバイスを指すことができる。実質的に任意の計算処理ユニット又はデバイスは、シングルコアプロセッサ；ソフトウェアマルチスレッド実行可能な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なマルチコアプロセさｓ；ハードウェアマルチスレッド技術を備えたマルチコアプロセッサ；パラレルプラットフォーム；及び、分散共有メモリを備えたパラレルプラットフォーム、を含み、しかし含むことに限定されない。さらに、プロセッサは。集積回路、特定用途向けＩＣ（ＡＳＩＣ）、デジタルシグナルプロセサ（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）、コンプレックスプログラマブルロジックデバイス（ＣＰＬＤ）、離散ゲート又はトランジスタロジック、離散ハードウェアコンポーネント、又は、ここに記述される機能を実行するように設計されたその任意の組み合わせ、を指すことができる。プロセッサは、ユーザ設備のスペース使用又は性能向上を最適化するために、これに限定されないが例えば分子及び量子ドットに基づくトランジスタ、スイッチ、及びゲートのような、ナノスケールのアーキテクチャを用いることができる。プロセッサは、また、計算処理ユニットの組み合わせとして実装されてもよい。
主題の明細書において、「ストア」「ストレージ」「データストア」「データストレージ」「データベース」及びコンポーネントの動作及び機能に関連する実質的に任意の他の情報ストレージコンポーネントは、「メモリコンポーネント」、又は、「メモリ」を具体化するエンティティ、又は、メモリを具備するコンポーネントを指す。ここに記述されるメモリコンポーネントは、揮発性メモリでも不揮発性メモリでもよく、又は、揮発性と不揮発性のメモリの双方を含むことができることは、認識されるべきである。
実例として、これに限定はされないが、不揮発性メモリは、リードオンリーメモリ（ＲＯＭ）、プログラマブルＰＯＭ（ＰＲＯＭ）、電気的プログラマブルＲＯＭ（ＥＰＲＯＭ）、電気的消去可能ＲＯＭ（ＥＥＰＲＯＭ）、又は、フラッシュメモリを含むことができる。揮発性メモリは、外部キャッシュメモリとして働くランダムアクセスメモリ（ＲＡＭ)を含むことができます。実例として、これに限定はされないが、ＲＡＭは、同期ＲＡＭ（ＳＲＡＭ）、ダイナミックＲＡＭ（ＤＲＡＭ）、同期ＤＲＡＭ（ＳＤＲＡＭ）、ダブルデータレートＳＤＲＡＭ（ＤＤＲ ＳＤＲＡＭ）、拡張ＳＤＲＡＭ（ＥＳＤＲＡＭ）、サイクリックＤＲＡＭ（ＳＬＤＲＡＭ）、及び、ダイレクトラムバスＲＡＭのような多くの形式で利用可能である。さらに、ここでのシステム又は方法の開示されたメモリコンポーネントは、これら、及び、他の適切なタイプのメモリを具備することが意図されているが、これに限定されることはない。
ここに記述される様々な態様又は特徴は、方法又は、ハードウェア、ハードウェアとソフトウェアの組み合わせ、ハードウェアとファームウェアの組み合わせのような装置、又は、標準プログラミング及び／又はエンジニアリング技術を使用する製造物品、として実装されるとしてもよい。例えば、方法、又は、ハードウェアとソフトウェアの組み合わせとしての実装は、メモリに保持されるコンピュータアクセス可能なコード命令を実行するプロセッサ又は処理ユニット（例えば、処理プラットフォーム３８５）を、少なくとも一部通じて、遂行されることができる。１つ以上の態様において、記述された機能は、ハードウェア、ソフトウェア、ファームウェア、又は、任意のそれらの組み合わせで実装されてもよい。ソフトウェアで実装される場合、ここに記述された様々な機能性がコンピュータ可読記憶媒体又はメモリ上の１つ以上の命令又はコードとして記憶される又は転送されることができる。コンピュータ可読媒体は、コンピュータ記憶媒体と通信媒体の双方をふくみ、通信媒体はある場所から他の場所へコンピュータプログラムの転送を促す任意の媒体である。記憶媒体は、コンピュータによってアクセスされることができる任意の利用可能媒体としてもよい。ここで使用される用語「製造物品」は、任意のコンピュータ可読デバイス、キャリア、又は媒体からアクセス可能なコンピュータプログラムを含むことを意図されている。例えば、コンピュータ可読媒体は、磁気記憶デバイス（例えば、ハードディスク、フロッピー（登録商標）ディスク、磁気ストリップ…）、光学ディスク[例えば、コンパクトディスク（ＣＤ）、デジタル汎用ディスク（ＤＶＤ）…]、スマートカード、及びフラッシュメモリデバイス（例えば、カード、スティック、キードライブ…）を含むが、これに限定されない。
上述は、請求項に係る内容の例を含んでいる。請求項に係る内容を記載する目的で、コンポーネント又は方法論の考えられる組合せを全て記載することは当然に不可能であるが、当業者には、請求項に係る内容の多くのさらなる組合せと置換とが可能であることが分かり得る。したがって、請求項に係る内容は、添付の請求項の思想及び範囲内に入る変更と、修正と、バリエーションとを全て包含することを意図している。さらに、用語「含む」又は「含んでいる」が詳細な説明又は請求項のどちらでも使用される範囲について、請求項において移行ワード（transitional word）として使用される場合に用語「具備する」又は「具備している」が解釈されるように、そのような用語は、「具備する」又は「具備している」に類似な仕様で包括することを意図される。

Claims (21)

  1. アセットを製造する製造ツールと、
    少なくとも駆動変数のセットおよび予め決定された確率分布関数の一部を使用して前記製造ツールによって処理された製造レシピを変更し、前記アセットのために１つ以上の調節されたレシピを生成し、前記駆動変数のセットは前記製造レシピと関連するレシピパラメータのセットを変更する特定のシーケンスを決定する、ドリフトコンポーネントと、
    前記製造ツールによって処理される前記変更されたレシピに基づく前記製造ツールに対する１つ以上の関数を推論し、前記１つ以上の関数は前記製造されるアセットに対するアセット出力メトリックを予測する、目的の自律学習エンジンと、
    入力測定値と前記１つ以上の推論された関数とのセットとから更新されたレシピパラメータのセットを抽出し、前記アセット出力メトリックに対するターゲット値の予め決定された許容差内を持つ調節された製造レシピを生成する自律最適化エンジンと、
    を具備する自律的な生物学に基づく学習システム。
  2. 前記アセットは、半導体デバイスの1以上を含み、前記半導体デバイスは、半導体基板所有の集積回路（ＩＣ）、プラズマ放電に基づくフラットパネルディスプレイ（ＦＰＤ）、有機発光ダイオード（ＯＬＥＤ）に基づくＦＰＤ、液晶ディスプレイ（ＬＣＤ）に基づくＦＰＤ、又は、薄膜トランジスタ・アクティブ・マトリクス・アレイ、カラーフィルタ、又は、偏光子のうちの１つ以上を含むそれらの要素を具備する、請求項１のシステム。
  3. 前記ドリフトコンポーネントは、前記駆動変数のセットおよび予め決定された前記確率密度関数を用いて少なくとも部分的に前記製造レシピをランダムに変更する、請求項１のシステム。
  4. 前記ドリフトコンポーネントは、１つ以上の調節された製造レシピのセット、それぞれの調節された製造レシピにリンクされた入力材料データ、それぞれの調節された製造レシピに関連する出力データ、又は、それぞれの調節された製造レシピに関係付けられた前記製造ツールのための動作条件のセット、のうちの少なくとも１つを含むレシピ系統を生成するフォーマッタコンポーネントを含む、請求項３のシステム。
  5. 前記それぞれの調節された製造レシピに関係付けられた前記製造ツールのための動作条件のセットは、経過アクティブデューティ、予防メンテナンス（ＰＭ）レコード、又は、修理レコードのうちの少なくとも１つを含む、請求項４のシステム。
  6. 前記１つ以上の関数を推論するために、前記目的の自律学習エンジンは、前記アセット出力メトリックに対する１つ以上の制約を緩和する、請求項１のシステム。
  7. 前記１つ以上の制約の前記緩和は、少なくともアセット出力メトリックの重みのランキングにより、少なくとも一部規定される、請求項６のシステム。
  8. 前記自律最適化エンジンは、前記レシピパラメータのセットを抽出するために、逆問題を解決し、前記逆問題は、遺伝的アルゴリズム、モンテカルロシュミレーション、シミュレートされたアニーリング、又は、タブーサーチのうちの少なくとも１つを通じて解決される、請求項１のシステム。
  9. 前記自律最適化エンジンは、前記アセット出力メトリックに対する前記ターゲット値の前記定義された許容差内に生成されないレシピに調整された決定に応じて修理手続を実行する、請求項１のシステム。
  10. 前記駆動変数のセットを設定するためのユーザインタフェースを与えるコンポーネントをさらに具備する、請求項１のシステム。
  11. 少なくとも１つの異なる製造ツールにおける少なくとも１つの関数を学習するために、前記１つ以上の関数を、前記少なくとも１つの異なる製造ツールに送るコンポーネントをさらに具備する、請求項６のシステム。
  12. 少なくとも１つのプロセッサを使用してメモリに保持されているコード命令を実行することを具備し、
    初期レシピと関連する１以上のパラメータを変更するための特定のシーケンスを決定することと、
    ターゲット製品出力を満たす製品を作製するために少なくとも前記特定のシーケンスおよび予め決定された確率分布関数の一部を使用して前記初期のレシピを変更することと、
    前記初期のレシピの前記変更を通じて、製品出力に関連付けられた関係のセットを学習することと、
    前記学習された関係のセットに少なくとも部分的に基づいて、前記ターゲット製品出力を遂行するために、調節されたレシピを生成することと、
    前記調整されたレシピの生成が成功であるという決定に応じて前記ターゲット製品出力が満たされるか評価することと、
    前記評価が成功ではない結果を産出する決定に応じて前記変更を継続する、方法。
  13. 前記調整されたレシピを失敗して生産するという決定に応じてメンテナンス手続を遂行することをさらに具備する、請求項１２の方法。
  14. 前記変更することは、
    現在のレシピとして前記初期のレシピを設定することと、
    前記現在のレシピにおける前記１つ以上のパラメータをランダム化することと、
    前記ランダム化に応じて得られる調節されたレシピを、前記製造ツールにより処理することと、
    前記調節されたレシピがランダム化されたという決定に応じて、ランダム化を通じて作成されたレシピの系統に、前記調節されたレシピを加えることと、現在のレシピとして前記調節されたレシピを設定することと、
    前記設定されたレシピがランダム化されないという決定に応じて、前記ランダム化を通じて作成された前記レシピの系統と、前記系統に関連付けられているデータとを提供することと
    を含む、請求項１２の方法。
  15. 前記生成することは、
    レシピのセットに対する製品出力を予測する前記学習された関係のセットを受け取ること、
    入力材料測定値を受け取ること、
    学習された関数の前記受け取られたセット又は前記受け取られた入力材料測定値に少なくとも部分的に基づいて、前記調節されたレシピに対するレシピパラメータを抽出すること、
    前記学習された関係のセットにおけるそれぞれの学習された関係に対する前記予測された製品出力が、出力制約を満たすという決定に応じて、前記抽出されたレシピパラメータに少なくとも部分的にしたがって前記調節されたレシピを供給すること、
    を含む、請求項１２の方法。
  16. 前記学習された関係のセットにおけるそれぞれの学習された関係に対する前記予測された製品出力が、出力制約を満たさないという決定に応じて、
    出力制約のセットを緩和することと、
    緩和された制約の現在の数が予め決定されたしきい値の下であるという決定に応じて、学習された関数の前記受け取られたセット又は前記受け取られた入力材料測定値に少なくとも部分的に基づいて、前記調節されたレシピに対するレシピパラメータを抽出することと
    をさらに具備する、請求項１５の方法。
  17. 前記緩和された制約の現在の数が予め決定されたしきい値の下であるという決定に応じて、メンテナンス修理手続を実行することを更に具備する、請求項１６の方法。
  18. 前記学習することは、
    １つ以上の変更されたレシピの実行を通じて生成された製造データを受け取ることと、
    製品出力メトリックと前記製造ツールの材料入力測定値と受け取られた製品データに基づくレシピパラメータとの間の関数の関係を学習することと、
    前記製品出力の予測が特定の品質内であるという決定に応じて、前記学習している関数の関係を受け付けること、
    を含む、請求項１４の方法。
  19. 前記抽出することは、遺伝的アルゴリズム、モンテカルロシュミレーション、シミュレートされたアニーリング、又は、タブーサーチのうちの少なくとも１つを通じて逆問題を解決することを含む、請求項１５の方法。
  20. 前記受け付けることは、前記学習された関数の関係を送ること又は前記学習された関数の関係を記憶することとのうちの少なくとも１つを含む、請求項１８の方法。
  21. プロセッサに実行された場合に動作を実行するコード命令、を保持するコンピュータ可読記憶媒体であって、
    初期レシピと関連する１以上のパラメータを変更するための特定のシーケンスを決定することと、
    ターゲット製品出力を満たす製品を作製するために少なくとも前記特定のシーケンスおよび予め決定された確率分布関数の一部を使用して前記初期のレシピを変更することと、
    前記初期のレシピの前記変更を通じて、製品出力に関連付けられた関係のセットを学習することと、
    前記学習された関係のセットに少なくとも部分的に基づいて、前記ターゲット製品出力を遂行するために、調節されたレシピを生成することと、
    前記調節されたレシピの生成が成功であるという決定に応じて、前記ターゲット製品出力が満たされるか評価することと、
    前記評価が成功でないという結果を産出する決定に応じて、前記変更することを続けること、
    を実行する、コンピュータ可読記憶媒体。
JP2012551343A 2010-01-29 2011-01-28 半導体製造ツールを自己学習及び自己改善するための方法及びシステム Active JP5841071B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US12/697,121 2010-01-29
US12/697,121 US8396582B2 (en) 2008-03-08 2010-01-29 Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
PCT/US2011/022997 WO2011094592A1 (en) 2010-01-29 2011-01-28 Method and system for self-learning and self-improving a semiconductor manufacturing tool

Publications (2)

Publication Number Publication Date
JP2013518449A JP2013518449A (ja) 2013-05-20
JP5841071B2 true JP5841071B2 (ja) 2016-01-06

Family

ID=44320400

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012551343A Active JP5841071B2 (ja) 2010-01-29 2011-01-28 半導体製造ツールを自己学習及び自己改善するための方法及びシステム

Country Status (6)

Country Link
US (3) US8396582B2 (ja)
JP (1) JP5841071B2 (ja)
KR (1) KR101755746B1 (ja)
SG (1) SG182776A1 (ja)
TW (1) TWI525407B (ja)
WO (1) WO2011094592A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI728247B (zh) * 2017-05-17 2021-05-21 美商谷歌有限責任公司 特殊用途神經網路訓練晶片

Families Citing this family (167)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8190543B2 (en) 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
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
US8266092B2 (en) 2008-07-10 2012-09-11 Palo Alto Research Center Incorporated Methods and systems for target value path identification
US8219437B2 (en) 2008-07-10 2012-07-10 Palo Alto Research Center Incorporated Methods and systems for constructing production plans
US8145334B2 (en) * 2008-07-10 2012-03-27 Palo Alto Research Center Incorporated Methods and systems for active diagnosis through logic-based planning
EP2161637B1 (en) * 2008-09-04 2015-05-20 Siemens Aktiengesellschaft Method for updating manufacturing planning data for a production process
US8359110B2 (en) * 2009-03-23 2013-01-22 Kuhn Lukas D Methods and systems for fault diagnosis in observation rich systems
US8655472B2 (en) * 2010-01-12 2014-02-18 Ebara Corporation Scheduler, substrate processing apparatus, and method of transferring substrates in substrate processing apparatus
EP2365410B1 (en) * 2010-03-09 2018-06-27 Siemens Aktiengesellschaft Controlling a manufacturing process
US8396583B2 (en) * 2010-03-25 2013-03-12 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for implementing virtual metrology in semiconductor fabrication
JP5764380B2 (ja) * 2010-04-29 2015-08-19 エフ イー アイ カンパニＦｅｉ Ｃｏｍｐａｎｙ Ｓｅｍ画像化法
TWI407325B (zh) * 2010-05-17 2013-09-01 Nat Univ Tsing Hua 製程品質預測系統及其方法
JP2012137934A (ja) * 2010-12-27 2012-07-19 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
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
US10586227B2 (en) 2011-02-16 2020-03-10 Visa International Service Association Snap mobile payment apparatuses, methods and systems
CN106803175B (zh) 2011-02-16 2021-07-30 维萨国际服务协会 快拍移动支付装置，方法和系统
AU2012220669A1 (en) 2011-02-22 2013-05-02 Visa International Service Association Universal electronic payment apparatuses, methods and systems
KR101216517B1 (ko) * 2011-04-01 2012-12-31 국방과학연구소 최적의 네트워크 시뮬레이션 환경 구축 방법 및 그 시스템
US9582598B2 (en) 2011-07-05 2017-02-28 Visa International Service Association Hybrid applications utilizing distributed models and views apparatuses, methods and systems
US10121129B2 (en) 2011-07-05 2018-11-06 Visa International Service Association Electronic wallet checkout platform apparatuses, methods and systems
US9355393B2 (en) 2011-08-18 2016-05-31 Visa International Service Association Multi-directional wallet connector apparatuses, methods and systems
KR20140045991A (ko) 2011-07-25 2014-04-17 일렉트로 싸이언티픽 인더스트리이즈 인코포레이티드 객체 특성화 및 제조공정 모니터링을 위한 방법 및 장치
US20130030760A1 (en) * 2011-07-27 2013-01-31 Tom Thuy Ho Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20130173332A1 (en) * 2011-12-29 2013-07-04 Tom Thuy Ho Architecture for root cause analysis, prediction, and modeling and methods therefor
US9710807B2 (en) 2011-08-18 2017-07-18 Visa International Service Association Third-party value added wallet features and interfaces apparatuses, methods and systems
US10825001B2 (en) 2011-08-18 2020-11-03 Visa International Service Association Multi-directional wallet connector apparatuses, methods and systems
US10242358B2 (en) 2011-08-18 2019-03-26 Visa International Service Association Remote decoupled application persistent state apparatuses, methods and systems
US10223730B2 (en) 2011-09-23 2019-03-05 Visa International Service Association E-wallet store injection search apparatuses, methods and systems
AU2013214801B2 (en) 2012-02-02 2018-06-21 Visa International Service Association Multi-source, multi-dimensional, cross-entity, multimedia database platform apparatuses, methods and systems
AU2013277083A1 (en) * 2012-02-22 2015-01-22 Visa International Service Association Intelligent consumer service terminal apparatuses, methods and systems
JP5744321B2 (ja) * 2012-04-02 2015-07-08 三菱電機株式会社 パラメータ設定装置
US11110648B2 (en) * 2012-07-31 2021-09-07 Makerbot Industries, Llc Build material switching
WO2014138949A1 (en) * 2013-03-15 2014-09-18 P.C. Automax Inc. Automation system and method of manufacturing products using automated equipment
US9720393B2 (en) 2012-08-31 2017-08-01 P.C. Automax Inc. Automation system and method of manufacturing product using automated equipment
JP5969875B2 (ja) * 2012-09-28 2016-08-17 株式会社Ｓｃｒｅｅｎホールディングス データ生成システムおよびデータ生成方法
CN103793265B (zh) * 2012-10-30 2016-05-11 腾讯科技（深圳）有限公司 优化进程的处理方法及装置
US20140180738A1 (en) * 2012-12-21 2014-06-26 Cloudvu, Inc. Machine learning for systems management
US9265458B2 (en) 2012-12-04 2016-02-23 Sync-Think, Inc. Application of smooth pursuit cognitive testing paradigms to clinical drug development
US10032659B2 (en) * 2012-12-28 2018-07-24 Sunedison Semiconductor Limited (Uen201334164H) Methods and systems for preventing unsafe operations
US9092187B2 (en) * 2013-01-08 2015-07-28 Apple Inc. Ion implant indicia for cover glass or display component
US10423889B2 (en) 2013-01-08 2019-09-24 Purepredictive, Inc. Native machine learning integration for a data management product
US9623628B2 (en) 2013-01-10 2017-04-18 Apple Inc. Sapphire component with residual compressive stress
JP5999668B2 (ja) 2013-02-12 2016-09-28 アップル インコーポレイテッド マルチステップのイオンインプランテーション及びイオンインプランテーションシステム
US9416442B2 (en) 2013-03-02 2016-08-16 Apple Inc. Sapphire property modification through ion implantation
US9380976B2 (en) 2013-03-11 2016-07-05 Sync-Think, Inc. Optical neuroinformatics
US10289751B2 (en) * 2013-03-15 2019-05-14 Konstantinos (Constantin) F. Aliferis Data analysis computer system and method employing local to global causal discovery
US9218583B2 (en) * 2013-03-29 2015-12-22 International Business Machines Corporation Computing system predictive build
US9218574B2 (en) 2013-05-29 2015-12-22 Purepredictive, Inc. User interface for machine learning
US9646262B2 (en) 2013-06-17 2017-05-09 Purepredictive, Inc. Data intelligence using machine learning
JP6179224B2 (ja) * 2013-07-02 2017-08-16 富士通株式会社 画像処理フィルタの作成装置及びその方法
US9606519B2 (en) * 2013-10-14 2017-03-28 Applied Materials, Inc. Matching process controllers for improved matching of process
US9396443B2 (en) 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
CN104168324A (zh) * 2014-08-26 2014-11-26 浪潮集团有限公司 一种安全云存储层
TWI702732B (zh) * 2014-10-20 2020-08-21 加拿大商奧羅拉太陽能技術（加拿大）有限公司 量測資料對生產工具位置及處理批次或時間的映射
CN105867206A (zh) * 2015-01-22 2016-08-17 陈仕昀 智能型控制模块、智能型灯扇及其遥控器与其控制方法
US9934475B2 (en) 2015-05-13 2018-04-03 Bank Of America Corporation Managing enterprise data movement using a heuristic data movement detection engine
JP6302954B2 (ja) * 2015-05-14 2018-03-28 株式会社アドダイス 管理システム及び管理方法
US20160342147A1 (en) * 2015-05-19 2016-11-24 Applied Materials, Inc. Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
JP2018518693A (ja) * 2015-06-12 2018-07-12 イデアキュリア インク． 情報処理機能を有する物質モニタリングシステムおよび物質モニタリング方法
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
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
US10359371B2 (en) 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US10280504B2 (en) 2015-09-25 2019-05-07 Apple Inc. Ion-implanted, anti-reflective layer formed within sapphire material
US10643745B2 (en) * 2015-09-29 2020-05-05 Jeff Scott Bruno Systems and methods for determining human performance capacity and utility of a biomedical intervention/neurotechnology device
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US20170205795A1 (en) * 2016-01-15 2017-07-20 Yokogawa Electric Corporation Method for process operators to personalize settings for enabling detection of abnormal process behaviors
CN107292223A (zh) * 2016-04-13 2017-10-24 芋头科技（杭州）有限公司 一种实时手势检测的在线验证方法及系统
US11327475B2 (en) * 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US20180284735A1 (en) 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
JP6608344B2 (ja) 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
JP6424874B2 (ja) * 2016-10-12 2018-11-21 オムロン株式会社 動作状態監視装置、学習データ生成装置、方法およびプログラム
JP6450724B2 (ja) 2016-10-18 2019-01-09 ファナック株式会社 工作機械の加工プログラムの設定値を学習する機械学習装置および加工システム
DE102016225899A1 (de) * 2016-12-21 2018-06-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Modifizieren von Abbildungseigenschaften eines optischen Systems für die Mikrolithographie
US11537837B2 (en) * 2017-02-13 2022-12-27 Kla-Tencor Corporation Automated accuracy-oriented model optimization system for critical dimension metrology
WO2018154359A1 (en) * 2017-02-24 2018-08-30 Omron Corporation Learning data acquiring apparatus and method, program, and storing medium
US20190332969A1 (en) * 2017-02-24 2019-10-31 Omron Corporation Configuring apparatus, method, program and storing medium, and learning data acquiring apparatus and method
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
KR102257939B1 (ko) * 2017-03-27 2021-05-27 지멘스 악티엔게젤샤프트 설계 툴들로부터의 데이터 및 디지털 트윈 그래프로부터의 지식을 사용하는 자동화된 생성적 설계 합성을 위한 시스템
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
US10360500B2 (en) * 2017-04-20 2019-07-23 Sas Institute Inc. Two-phase distributed neural network training system
US10303829B2 (en) 2017-05-31 2019-05-28 International Business Machines Corporation Automated method for integrated analysis of back end of the line yield, line resistance/capacitance and process performance
KR101959627B1 (ko) * 2017-06-12 2019-03-18 에스케이 주식회사 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템
JP6824121B2 (ja) * 2017-07-14 2021-02-03 株式会社東芝 状態検知装置、状態検知方法及びプログラム
CN107332708A (zh) * 2017-07-28 2017-11-07 上海德衡数据科技有限公司 一种基于多核处理器的运维多模态决策感知系统
US11442445B2 (en) 2017-08-02 2022-09-13 Strong Force Iot Portfolio 2016, Llc Data collection systems and methods with alternate routing of input channels
JP6778666B2 (ja) 2017-08-24 2020-11-04 株式会社日立製作所 探索装置及び探索方法
TWI639925B (zh) * 2017-08-28 2018-11-01 Powerchip Technology Corporation 統計多維變數而推算生產力的方法、統計多維變數而排程優先順序的方法與統計多維變數進行最佳化配置的方法
US10747210B2 (en) * 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
US10783290B2 (en) * 2017-09-28 2020-09-22 Taiwan Semiconductor Manufacturing Company, Ltd. IC manufacturing recipe similarity evaluation methods and systems
KR101984760B1 (ko) 2017-10-20 2019-05-31 두산중공업 주식회사 인공지능을 이용한 자가 설계 모델링 시스템 및 방법
US10448267B2 (en) * 2017-11-03 2019-10-15 Salesforce.Com, Inc. Incorporation of expert knowledge into machine learning based wireless optimization framework
US10761974B2 (en) 2017-11-10 2020-09-01 International Business Machines Corporation Cognitive manufacturing systems test repair action
US10337852B1 (en) * 2017-12-18 2019-07-02 Kla-Tencor Corporation Method for measuring positions of structures on a substrate and computer program product for determining positions of structures on a substrate
US11080359B2 (en) * 2017-12-21 2021-08-03 International Business Machines Corporation Stable data-driven discovery of a symbolic expression
US11067964B2 (en) 2018-01-17 2021-07-20 Kymeta Corporation Method to improve performance, manufacturing, and design of a satellite antenna
US11423300B1 (en) * 2018-02-09 2022-08-23 Deepmind Technologies Limited Selecting actions by reverting to previous learned action selection policies
CN108681240B (zh) * 2018-03-09 2021-04-02 南京航空航天大学 基于未知输入观测器的无人机分布式编队的故障诊断方法
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
US10795346B2 (en) 2018-03-13 2020-10-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing
JP7121506B2 (ja) 2018-03-14 2022-08-18 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
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
WO2019198143A1 (ja) * 2018-04-10 2019-10-17 株式会社日立製作所 加工レシピ生成装置
CN110390396B (zh) * 2018-04-16 2024-03-19 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
JP6529690B1 (ja) * 2018-06-08 2019-06-12 千代田化工建設株式会社 支援装置、学習装置、及びプラント運転条件設定支援システム
US10698392B2 (en) * 2018-06-22 2020-06-30 Applied Materials, Inc. Using graphics processing unit for substrate routing and throughput modeling
TWI684177B (zh) * 2018-06-29 2020-02-01 劉建宏 工作機械語音控制系統
KR102513707B1 (ko) * 2018-09-03 2023-03-23 가부시키가이샤 프리퍼드 네트웍스 학습 장치, 추론 장치, 학습 모델 생성 방법 및 추론 방법
JP7190495B2 (ja) * 2018-09-03 2022-12-15 株式会社Preferred Networks 推論方法、推論装置、モデルの生成方法及び学習装置
CN109615080B (zh) 2018-09-20 2020-05-26 阿里巴巴集团控股有限公司 无监督模型评估方法、装置、服务器及可读存储介质
US10481379B1 (en) 2018-10-19 2019-11-19 Nanotronics Imaging, Inc. Method and system for automatically mapping fluid objects on a substrate
US11605001B2 (en) 2018-11-14 2023-03-14 Nvidia Corporation Weight demodulation for a generative neural network
US11620521B2 (en) * 2018-11-14 2023-04-04 Nvidia Corporation Smoothing regularization for a generative neural network
US11989492B2 (en) 2018-12-26 2024-05-21 Applied Materials, Inc. Preston matrix generator
TWI701595B (zh) * 2018-12-28 2020-08-11 技嘉科技股份有限公司 記憶體的效能優化方法以及使用其的主機板
KR102138122B1 (ko) * 2019-01-09 2020-07-27 에스케이실트론 주식회사 웨이퍼 카세트의 포장 장치
TWI706365B (zh) * 2019-01-14 2020-10-01 和碩聯合科技股份有限公司 模擬管理系統及其運算方法
JP7262232B2 (ja) * 2019-01-29 2023-04-21 東京エレクトロン株式会社 画像認識システムおよび画像認識方法
KR102042031B1 (ko) * 2019-03-21 2019-11-08 이재선 평판 디스플레이를 제조하기 위한 맞춤형 자동 공정 장치 및 방법
US11568307B2 (en) * 2019-05-20 2023-01-31 International Business Machines Corporation Data augmentation for text-based AI applications
US11983609B2 (en) * 2019-07-10 2024-05-14 Sony Interactive Entertainment LLC Dual machine learning pipelines for transforming data and optimizing data transformation
US11340060B2 (en) * 2019-07-23 2022-05-24 Kla Corporation Automatic recipe optimization for overlay metrology system
TWI700565B (zh) * 2019-07-23 2020-08-01 臺灣塑膠工業股份有限公司 參數修正方法及系統
WO2021019551A1 (en) * 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
US11250350B2 (en) * 2019-07-31 2022-02-15 Rohde & Schwarz Gmbh & Co. Kg Measurement apparatus
CN110503322A (zh) * 2019-08-13 2019-11-26 成都飞机工业（集团）有限责任公司 一种军机维修性评估方法
TWI707214B (zh) * 2019-09-18 2020-10-11 崑山科技大學 機械手臂教學模組
KR102627062B1 (ko) * 2019-10-06 2024-01-18 피디에프 솔루션즈, 인코포레이티드 비정상 장비 트레이스 검출 및 분류
WO2021111511A1 (ja) 2019-12-03 2021-06-10 株式会社日立ハイテク 探索装置、探索プログラム及びプラズマ処理装置
US11727284B2 (en) 2019-12-12 2023-08-15 Business Objects Software Ltd Interpretation of machine learning results using feature analysis
US20210192376A1 (en) * 2019-12-23 2021-06-24 Sap Se Automated, progressive explanations of machine learning results
US11797836B1 (en) * 2019-12-23 2023-10-24 Waymo Llc Sensor-integrated neural network
KR102104090B1 (ko) * 2019-12-26 2020-04-24 이재선 자동화된 증착 공정 장치 및 방법
US11574420B2 (en) * 2019-12-31 2023-02-07 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
TWI724743B (zh) * 2020-01-10 2021-04-11 台達電子工業股份有限公司 機台及其操作方法
US11269901B2 (en) 2020-01-16 2022-03-08 International Business Machines Corporation Cognitive test advisor facility for identifying test repair actions
CA3109590A1 (en) 2020-02-21 2021-08-21 Worximity Technologies Inc. Controller and method using machine learning to optimize operations of a processing chain of a food factory
WO2021199164A1 (ja) * 2020-03-30 2021-10-07 株式会社日立ハイテク 診断システム
US11580455B2 (en) 2020-04-01 2023-02-14 Sap Se Facilitating machine learning configuration
US11783198B2 (en) * 2020-04-03 2023-10-10 Baidu Usa Llc Estimating the implicit likelihoods of generative adversarial networks
DE102020109858A1 (de) * 2020-04-08 2021-10-14 Balluff Gmbh Verfahren zum Betreiben eines Systems
US11055639B1 (en) * 2020-04-28 2021-07-06 Sas Institute Inc. Optimizing manufacturing processes using one or more machine learning models
US11455534B2 (en) * 2020-06-09 2022-09-27 Macronix International Co., Ltd. Data set cleaning for artificial neural network training
MX2022016042A (es) * 2020-06-21 2023-02-02 Hubbell Inc Herramienta electrica con imagen de engaste.
US20220012586A1 (en) * 2020-07-13 2022-01-13 Macronix International Co., Ltd. Input mapping to reduce non-ideal effect of compute-in-memory
JP7467284B2 (ja) * 2020-08-27 2024-04-15 キオクシア株式会社 半導体装置の不良解析システム、半導体装置の不良解析方法、およびプログラム。
JP7468616B2 (ja) * 2020-10-30 2024-04-16 Ｊｆｅスチール株式会社 水素ガス用鋼管、水素ガス用鋼管の製造方法、水素ガス用圧力容器、および水素ガス用圧力容器の製造方法
TWI775285B (zh) * 2021-01-21 2022-08-21 正鉑雷射股份有限公司 雲端雷射加工裝置之維修系統及其維修方法
CN116848626A (zh) * 2021-01-26 2023-10-03 朗姆研究公司 处理前与处理后衬底样本的匹配
CN112884147B (zh) * 2021-02-26 2023-11-28 上海商汤智能科技有限公司 神经网络训练方法、图像处理方法、装置及电子设备
WO2022195001A1 (en) * 2021-03-19 2022-09-22 Versum Materials Us, Llc Shared data induced production process improvement
US20240184277A1 (en) * 2021-03-19 2024-06-06 Versum Materials Us, Llc Shared data induced quality control system for materials
CN113536572B (zh) * 2021-07-19 2023-10-03 长鑫存储技术有限公司 晶圆循环时间的确定方法和装置
CN113792878B (zh) * 2021-08-18 2024-03-15 南华大学 一种数值程序蜕变关系的自动识别方法
US20230135102A1 (en) * 2021-11-02 2023-05-04 Applied Materials, Inc. Methods and mechanisms for process recipe optimization
WO2023205103A1 (en) * 2022-04-18 2023-10-26 Celligence International Llc Method and computing apparatus for operating a form-based interface
TWI819578B (zh) * 2022-04-20 2023-10-21 國立中央大學 多目標參數最佳化系統、方法及電腦程式產品
TWI825713B (zh) * 2022-05-10 2023-12-11 中華電信股份有限公司 用於感測裝置之分析設備、分析方法及電腦程式產品
US11928128B2 (en) * 2022-05-12 2024-03-12 Truist Bank Construction of a meta-database from autonomously scanned disparate and heterogeneous sources
WO2023230517A1 (en) * 2022-05-27 2023-11-30 Onto Innovation Inc. Performance management of semiconductor substrate tools
CN117046692B (zh) * 2023-10-12 2023-12-08 南通华隆微电子股份有限公司 一种半导体快速涂胶方法及系统
CN117519052B (zh) * 2023-12-12 2024-05-28 博纯(泉州)半导体材料有限公司 基于电子气体生产制造系统的故障分析方法及系统

Family Cites Families (67)

* Cited by examiner, † Cited by third party
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
JPH04123231U (ja) 1991-04-26 1992-11-06 東燃化学株式会社 粘着テ−プ
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
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
JP3446311B2 (ja) 1994-06-22 2003-09-16 富士通株式会社 最適製造、制御、提示条件生成装置
JP3129932B2 (ja) 1995-05-16 2001-01-31 シャープ株式会社 ファジィ・ニューラルネットワーク装置およびその学習方法
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
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
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
WO2002089189A1 (fr) 2001-04-27 2002-11-07 Tokyo Electron Limited Procede et systeme de maintenance a distance
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
WO2003044687A1 (en) 2001-11-16 2003-05-30 Yuan Yan Chen Pausible neural network with supervised and unsupervised cluster analysis
JP2003209035A (ja) 2002-01-17 2003-07-25 Toshiba Corp 半導体製造工程のパラメータ管理値設定方法及びプログラム並びに装置
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
EP1518198A2 (en) 2002-07-03 2005-03-30 Tokyo Electron Limited Method and apparatus for automatic sensor installation
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
IE20030437A1 (en) 2003-06-11 2004-12-15 Scient Systems Res Ltd A method for process control of semiconductor manufacturing equipment
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited 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
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
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
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
US7299154B1 (en) * 2005-05-16 2007-11-20 Advanced Micro Devices, Inc. Method and apparatus for fast disturbance detection and classification
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
US8619452B2 (en) 2005-09-02 2013-12-31 Google Inc. Methods and apparatus of stacking DRAMs
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
US20080051930A1 (en) * 2006-07-10 2008-02-28 Oh Hilario L Scheduling method for processing equipment
US7522968B2 (en) * 2006-07-10 2009-04-21 Applied Materials, Inc. 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
US7373216B1 (en) * 2007-03-30 2008-05-13 Tokyo Electron Limited Method and apparatus for verifying a site-dependent wafer
US7531368B2 (en) * 2007-03-30 2009-05-12 Tokyo Electron Limited In-line lithography and etch system
US7974728B2 (en) 2007-05-04 2011-07-05 Taiwan Semiconductor Manufacturing Company, Ltd. System for extraction of key process parameters from fault detection classification to enable wafer prediction
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
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
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
DE102008020379A1 (de) * 2008-04-23 2009-10-29 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems
US7937175B2 (en) * 2008-07-10 2011-05-03 Palo Alto Research Center Incorporated Methods and systems for pervasive diagnostics
US8015514B2 (en) * 2008-12-29 2011-09-06 International Business Machines Corporation Random personalization of chips during fabrication

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI728247B (zh) * 2017-05-17 2021-05-21 美商谷歌有限責任公司 特殊用途神經網路訓練晶片
US11275992B2 (en) 2017-05-17 2022-03-15 Google Llc Special purpose neural network training chip

Also Published As

Publication number Publication date
US8396582B2 (en) 2013-03-12
US8744607B2 (en) 2014-06-03
TW201202876A (en) 2012-01-16
US20140229409A1 (en) 2014-08-14
SG182776A1 (en) 2012-09-27
JP2013518449A (ja) 2013-05-20
KR101755746B1 (ko) 2017-07-07
US20100138026A1 (en) 2010-06-03
TWI525407B (zh) 2016-03-11
KR20120123493A (ko) 2012-11-08
US20130151447A1 (en) 2013-06-13
US9424528B2 (en) 2016-08-23
WO2011094592A1 (en) 2011-08-04

Similar Documents

Publication Publication Date Title
JP5841071B2 (ja) 半導体製造ツールを自己学習及び自己改善するための方法及びシステム
TWI524189B (zh) 用以偵測工具性能劣化及不匹配之方法及系統以及相關電腦程式產品及裝置
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
Shastri et al. Intelligent approach to switch replacement planning for Internet service provider networks
TW202349153A (zh) 用於判定處理設備效能的綜合分析模組

Legal Events

Date Code Title Description
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

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140116

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20150728

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20150928

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: 20151104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20151112

R150 Certificate of patent or registration of utility model

Ref document number: 5841071

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