JP7128367B2 - ロボットの関節座標教示精度を向上させるための装置、システム、及び方法 - Google Patents

Description

［００１］ 本開示の実施形態は、ロボットの関節座標教示精度を改善するための装置、システム、及び方法に関する。

［００２］ 基板処理システムなどの電子デバイス製造システムは、複数の処理チャンバ及びロードロックチャンバを含む。このようなチャンバは、例えば、複数の処理チャンバが移送チャンバの周りに分配されるクラスタツールに含まれる。また、電子デバイス製造システムは、ファクトリインターフェース及び収容領域（例えば、前方開口型統一ポッド（ＦＯＵＰ））を含む。電子デバイス製造システムは、多関節ロボット又は多腕ロボットを採用しており、これらロボットは、様々な処理チャンバとロードロックチャンバとの間で基板を搬送するために移送チャンバ内に収容され、収容領域とロードロックチャンバとの間で基板を搬送するためにファクトリインターフェース内に収容される。例えば、ロボットは、基板をチャンバからチャンバへ、ロードロックチャンバから処理チャンバへ、処理チャンバからロードロックチャンバへ、ロードロックチャンバから収容領域へ、及び／又は収容領域からロードロックチャンバへ搬送する。電子デバイス製造システムの種々の部分の間の基板の効率的かつ正確な搬送は、システムスループットを向上させ、したがって、全体的な動作コストを下げる。

［００３］ 多くのシングルブレード（例えば、エンドエフェクタ）及びデュアルブレードロボットでは、シングルブレード又はデュアルブレードの各々が取り付けられるリストは、ヨー回転と呼ばれる独立した回転が可能である。いくつかの例では、各ロボットは、１つ又は複数のモータによって駆動される３つのアーム（上腕、前腕部、及びリスト）を用いる。いくつかの例では、各ロボットはまた、１つ又は複数のモータによって駆動される４つのアーム（上腕、前腕部、追加の腕、及びリスト）も用いる。これらのロボットのそれぞれにおいて、リストは独立したヨー回転が可能である。ブレードは、リストに接続され、内容物（例えば、基板）を搬送するために、又は内容物（例えば、基板）を処理チャンバ又はロードロックチャンバなどの目的地から拾い上げるために使用される。

［００４］ 以下は、本開示のいくつかの態様の基本的な理解を提供するために簡略化された本開示の概要である。この概要は、本開示の網羅的な要約ではない。これは、本開示の主要点又は重要な要素を特定することも、本開示の特定の実施態様の何らかの範囲又は特許請求の何らかの範囲を画定することも意図されていない。その唯一の目的は、後に提示されるより詳細な説明の前置きとして、本開示のいくつかの概念を簡略化された形式で提示することである。

［００５］ 本開示の一態様では、方法は、基板処理システム内の固定位置に対して、ロボットを基板処理システム内に複数の姿勢で位置付けることと、複数の姿勢のロボットに対する固定位置を特定するセンサデータを生成することと、センサデータに基づいて、基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、複数のエラー値に基づいて、基板処理システムの１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることとを含む。

［００６］ 本開示の別の態様では、命令を記憶する非一時的な機械可読記憶媒体であって、実行されると、基板処理システム内の固定位置に対して、ロボットを基板処理システム内に複数の姿勢で位置付けることと、複数の姿勢のロボットに対する固定位置を特定するセンサデータを生成することと、センサデータに基づいて、基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、複数のエラー値に基づいて、基板処理システムの１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることと
を含む動作を処理デバイスに実行させる、非一時的な機械可読記憶媒体。

［００７］ 本開示の別の態様では、システムは、メモリと、メモリに接続された処理デバイスとを含む。処理デバイスは、基板処理システム内の固定位置に対して、ロボットを基板処理システム内に複数の姿勢で位置付けることと、複数の姿勢のロボットに対する固定位置を特定するセンサデータを生成することと、センサデータに基づいて、基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、複数のエラー値に基づいて、基板処理システムの１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることとを行うためのものである。

［００８］ 後述する図面は、例示のみを目的としており、必ずしも縮尺通りではない。図面は、決して本開示の範囲を限定することを意図していない。可能な限り、同一又は類似の部品を指すために、同一又は類似の参照番号が図面全体を通して使用されることになる。

［００９］ 特定の実施形態による基板処理システムの概略上面図を示す。 ［００１０］ 特定の実施形態によるロボットの上面図を示す。 ［００１１］ 特定の実施形態によるロボットの断面側面図を示す。 ［００１２］ Ａ－Ｃは、特定の実施形態による、ビームセンサを有するロボットの単一エンドエフェクタの上面図を示す。 ［００１３］ 特定の実施形態による、ピンの位置を検出するエンドエフェクタの上面図を示す。 ［００１４］ 特定の実施形態による、ピンを検出する、いくつかの位置にあるビームセンサを有するエンドエフェクタの上面図を示す。 ［００１５］ 特定の実施形態による、ロボットが固定位置を測定した座標データ点を示すグラフを示す。 ［００１６］ 特定の実施形態による例示的なシステムアーキテクチャを示すブロック図である。 ［００１７］ 特定の実施形態による、機械学習モデルのデータセットを作成するための例示的なデータセットジェネレータである。 ［００１８］ 特定の実施形態による、予測データを決定することを示すブロック図である。 ［００１９］ 特定の実施形態による、是正処置を引き起こすためにエラー値を決定することに関連する方法のフロー図である。 特定の実施形態による、是正処置を引き起こすためにエラー値を決定することに関連する方法のフロー図である。 特定の実施形態による、是正処置を引き起こすためにエラー値を決定することに関連する方法のフロー図である。 特定の実施形態による、是正処置を引き起こすためにエラー値を決定することに関連する方法のフロー図である。 ［００２０］ 特定の実施形態によるコンピュータシステムを示すブロック図である。

［００２１］ 本明細書に記載の実施形態は、ロボットの関節座標教示精度に関する。基板処理システムでは、ロボット（例えば、大気ロボット、ファクトリインターフェースロボット等）がファクトリインターフェース内に配置され、エンクロージャシステム（例えば、ＦＯＵＰ、サイドストレージポッド（ＳＳＰ））、位置合わせデバイス、ロードロック、及び／又は同様のものといった基板処理システムの部分の間で内容物（例えば、基板、プロセスキットリング等）を移送する。ロボット（例えば、真空ロボット、移送チャンバロボット等）は、移送チャンバ内に配置され、処理チャンバ、ロードロック、ローカル中心測定（ＬＣＦ）デバイス、及び／又は同様のもの等のような基板処理システムの部分間で内容物を搬送する。基板処理（例えば、電子デバイス製造）では、様々な特定の位置間の内容物の非常に精密で迅速な搬送を達成することが目標である。特に、ロボットのブレード又はエンドエフェクタは、ロボットが搬送する内容物及びロボットがサービス提供する基板処理システムの部分（例えば、処理チャンバ、ロードロック、ＦＯＵＰ等）に対して正確に配向される。いくつかの例では、不適切な配向は、不均一な処理をもたらし、基板ハンドオフの不整合の結果として基板の品質を低下させる。いくつかの例では、エラーを有するロボット、位置合わせデバイス、及び／又はＬＣＦデバイスは、内容物、基板処理システムの部分、及び／又はそれら自体に損傷をもたらす。ロボットの中には、ロボットの関節座標教示中に導入された関節エラーの結果として、特定の配向問題を被るものがある。

［００２２］ マルチリンクロボットにおいて、関節エラーはロボット教示精度に大きく寄与する。例えば、関節運動学的エラー、関節ヒステリシス、及び関節バックラッシュは、それぞれ、マルチリンクロボットが経験する位置エラーに大きく寄与する、対応するタイプの関節エラーである。

［００２３］ 従来、ロボット、位置合わせデバイス、及び／又はＬＣＦデバイスの位置の教示、較正、及び誤動作構成要素（例えば、判定エラー、速度低下が閾値速度を下回るなど）の診断は、手動プロセスである。手動プロセスのために、技術者は、基板処理システムを開き（その結果、基板処理システムのファクトリインターフェース及び／又は移送チャンバ内の密閉環境を大気に曝す）、ロボットアームを手動で取り扱い（ロボットアームに汚染物質を潜在的に導入する）、教示、較正、及び診断を手動で行う。開かれた後に、基板処理システムは、長い再認定プロセスを経て、その間、基板処理システムは、基板を処理するために使用されない。再認定プロセスは、ライン歩留まり（ｌｉｎｅ ｙｉｅｌｄ）、スケジューリング、品質、ユーザ時間、使用エネルギーなどに影響を及ぼす。

［００２４］ 本明細書に開示されるデバイス、システム、及び方法は、ロボットの関節座標教示精度を向上させる。本明細書で開示される装置、システム、及び方法は、ロボットの教示（例えば、自動教示）中の関節エラーの影響を低減する。いくつかの実施形態では、処理デバイス（例えば、基板処理システムのコントローラ）は、基板処理システム内の固定位置に対して、ロボットを基板処理システム内に複数の姿勢で位置決めする。いくつかの実施形態では、固定位置は、エンクロージャシステム（例えば、ＦＯＵＰ、ＳＳＰ）内、位置合わせデバイス上、ＬＣＦデバイス上、ロードロックなどに位置するピンである。いくつかの実施形態では、ロボットは、エンドエフェクタ、リスト部材、前腕部、上腕などの複数の構成要素を含む。

［００２５］ 処理デバイスは更に、異なる姿勢のロボットに対する固定位置を特定するセンサデータを生成する。いくつかの実施形態では、ロボットは、ロボットの１つの部分を分離し、ロボットのその部分のみを動かすことによって、異なる姿勢で位置決めされる。センサデータの第１の部分は、ロボットのリスト部材をロボットの第１の関節の周りで動かすだけで生成され、センサデータの第２の部分は、ロボットの前腕部をロボットの第２の関節の周りで動かすだけで生成される。

［００２６］ 処理ロジックは更に、センサデータに基づいて、基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定する。いくつかの例では、ロボットのリスト部材に対応するエラー値は、センサデータに基づいて決定される。いくつかの例では、位置合わせデバイスに対応するエラー値は、センサデータに基づいて決定される。

［００２７］ 処理デバイスは、更に、複数のエラー値に基づいて、基板処理システムの１つ又は複数の構成要素に関連する１つ又は複数の是正処置の実行をもたらす。いくつかの例では、リスト部材に関連するエラー値を決定することに応じて（例えば、リスト部材を第１の角度に回転させるように方向付けることは、実際に、リスト部材を第１の角度とは異なる第２の角度に回転させる）、処理デバイスは、そのエラー値を使用して、リスト部材を正しい角度に回転させる。いくつかの例では、経時的に増加するエラー値を決定すると、予防保守、１つ又は複数の構成要素の交換などが実行される。いくつかの例では、ロボットに対して第１の是正処置（例えば、較正、自動教示、診断など）が実行され、次に、ロボットを使用して、基板処理システムの異なる構成要素（例えば、位置合わせデバイス、ＬＣＦデバイスなど）に対して第２の是正処置が決定される。

［００２８］ いくつかの実施形態では、エラー値は、機械学習モデルをトレーニングすることによって決定される。履歴センサデータ（例えば、位置データ、画像等）及び履歴エラー値（例えば、第三者センサから、位置合わせデバイスから、ＬＣＦデバイスから等の平均）が受信され、機械学習モデルが、履歴センサデータを含むデータ入力及び履歴エラー値を含むターゲット出力でトレーニングされ、トレーニングされた機械学習モデルを生成する。センサデータは、トレーニングされた機械学習モデルへの入力として提供され、予測データを示す出力は、トレーニングされた機械学習モデルから得られ、エラー値は、予測データに基づいて決定される。

［００２９］ 本明細書に記載されるデバイス、システム、及び方法は、従来の解決策を上回る利点を有する。基板処理システムの構成要素に対するエラー値は、基板処理システムを開くことなく、かつ基板処理システムのその後の再認定プロセスを含まずに、決定される（例えば、密封環境を維持しながら動作の性能を可能にする）。密封された環境を維持することは、有害なガスが基板処理システムから出るのを防ぎ、汚染物質が基板処理システムに入るのを防ぎ、基板処理システムの対応する部分内に不活性環境及び／又は真空レベルを維持する。特定の構成要素のエラーは、（例えば、構成要素、ロボット、位置合わせデバイス、ＬＣＦデバイス、基板処理システムなどの）自動教示、較正、及び診断を改善するために決定される。これにより、ロボットは、内容物を除去し、内容物を特定の位置に配置するように制御できるようになり、位置合わせデバイス及びＬＣＦデバイスが、内容物をより正確に位置合わせできるようになる。そうすることで、これは、処理内容のエラーを低減し、ロボット、エンクロージャシステム、及び／又は基板処理システムへの損傷を低減する。本明細書に記載される解決策は、従来の解決策よりも、ライン歩留まり、スケジューリング、品質、ユーザ時間、使用されるエネルギーなどに対する影響が少ない。

［００３０］ ロボットの関節座標教示精度を向上させるための装置、システム、及び方法は、例示を目的とし、限定するものではない。いくつかの実施形態では、本明細書に記載の解決策は、ロボットのブレードのウエハ中心に対するファイバビームオフセット、ロボットの各関節ごとのモータ又はギア伝達エラー、ロボットの楕円関節エラー、ロボットのリンクゼロ調整オフセットなどに関連する是正処置を実行するためなど、関節座標教示精度以外の是正処置を実行するために使用される。いくつかの実施形態では、本明細書に記載の解決策は、位置合わせデバイス、ＬＣＦデバイス、及び／又は同様のものなど、ロボット以外の構成要素のための是正処置を実行するために使用される。

［００３１］ 図１は、処理システム１００（例えば、電子デバイス処理装置、基板処理システム）の上部概略図を示す。処理システム１００は、処理システム１００の異なる部分間で内容物（例えば、基板、プロセスキットリング、キャリア、検証ウエハ、構成要素等）を転送する。処理システム１００は、（例えば、１つ又は複数の処理チャンバ１０４を介して）、基板１０５（例えば、３００ｍｍ又は４５０ｍｍのシリコン含有ウエハ、シリコンプレートなど）に１つ又は複数のプロセスを付与することによって、それらの基板１０５を処理するように適合される。プロセスは、脱気、洗浄、前洗浄、化学気相堆積（ＣＶＤ）、物理的気相堆積（ＰＶＤ）、原子層堆積などの堆積、コーティング、酸化、ニトロ化、エッチング、研磨、リソグラフィなどを含む。いくつかの実施態様において、処理システム１００は、エッチングチャンバ、堆積チャンバ（原子層堆積、化学気相堆積、物理的気相堆積、又はこれらのプラズマ強化バージョンを含む）、アニールチャンバ、及び／又は同様のものを含む処理チャンバ１０４を含む。

［００３２］ 図示した処理システム１００は、内部に形成された移送チャンバ１０２を含むメインフレームハウジング１０１を含む。移送チャンバ１０２は、例えば、蓋（例示の目的で除去されている）、底部、及び側壁によって形成され、いくつかの実施形態では真空に維持される。メインフレームハウジング１０１は、正方形、長方形、五角形、六角形、七角形、八角形（図示されたように）、又は他の幾何学的形状などの任意の適切な形状を含む。図示された実施形態では、マルチアームロボットなどのロボット１０６が、移送チャンバ１０２の内部に少なくとも部分的に受容される。ロボット１０６は、移送チャンバ１０２の周りに配置された様々なチャンバ（例えば、１つ又は複数の処理チャンバ１０４及び／又は１つ又は複数のロードロックチャンバ１０９）にサービス提供するために、内部で動作可能に適合される。本明細書で使用される「サービス提供する（Ｓｅｒｖｉｃｅ）」は、ロボット１０６のエンドエフェクタ１０８を用いて、チャンバ（例えば、処理チャンバ１０４及び／又はロードロックチャンバ１０９）内に又はチャンバから、内容物（例えば、基板１０５、プロセスキットリングなど）を配置又は取り出すことを含む。図１に示される移送チャンバ１０２は、６つの処理チャンバ１０４及び２つのロードロックチャンバ１０９に接続される。しかし、他の実施形態では、他の数の処理チャンバ１０４及びロードロックチャンバ１０９が使用される。

［００３３］ ロボット１０６は、ロボット１０６のエンドエフェクタ１０８（「ブレード」と呼ばれることもある）に装着された基板１０５（「ウエハ」又は「半導体ウエハ」と呼ばれることもある）などの内容物を、１つ又は複数のスリットバルブアセンブリ１０７を通して目的地に又は目的地から拾い、置くように適合される。図１の図示された実施形態では、ロボット１０６は、様々な処理チャンバ１０４及び／又はロードロックチャンバ１０９の間で基板１０５を移送するのに十分な移動性を有する任意の適切な多腕ロボットである。

［００３４］ 図１の図示された実施形態では、ロボット１０６は、移送チャンバ１０２内に位置し収容されるように示されている。しかしながら、ロボット１０６の本実施形態は、本明細書に記載の他のロボットと同様に、例えば、基板キャリア１１４（例えば、エンクロージャシステム、ＦＯＵＰなど）のロードポートとロードロックチャンバ１０９との間で、ロボットが内容物（例えば、基板１０５）を搬送する電子フロントエンドモジュール（ＥＦＥＭ）１１０（例えば、ファクトリインターフェース）のような、電子デバイス製造の他の領域で使用されると認識すべきである。本明細書に記載のロボット１０６は、他の輸送使用も可能である。

［００３５］ ロードロックチャンバ１０９は、ＥＦＥＭ １１０のインターフェースチャンバ１１１とインターフェースで接続するように適合される。ＥＦＥＭ １１０は、ロードポート１１２にドッキングされた前方開口型統一ポッド（ＦＯＵＰ）のような基板キャリア１１４から、内容物（例えば、基板１０５）を受け取る。ロボット１１８（ロード／アンロードロボット、ファクトリインターフェースロボット、大気ロボット、ＥＦＥＭロボットなど）（点線で示す）は、基板キャリア１１４とロードロックチャンバ１０９との間で基板１０５を移送するために使用される。いくつかの実施形態では、ロボット１１８は、ロボット１０６と同一又は類似の構成要素（例えば、エンドエフェクタ１０８など）及び機能性を有する。スリットバルブアセンブリ１０７は、処理チャンバ１０４内への開口部の一部又はすべてに、加えて、ロードロックチャンバ１０９の開口部の一部又はすべてに設けられる。

［００３６］ ロボット１１８は、選択コンプライアンスアセンブリロボットアーム（ＳＣＡＲＡ）ロボットのようなロボットアームを含む。ＳＣＡＲＡロボットの例は、２リンクＳＣＡＲＡロボット、３リンクＳＣＡＲＡロボット、４リンクＳＣＡＲＡロボットなどを含む。ロボット１１８は、ロボットアームの端部上にエンドエフェクタ１０８を含む。エンドエフェクタ１０８は、基板などの特定の物体を拾い上げて取り扱うように構成される。代替的に又は追加的には、エンドエフェクタ１０８は、較正基板及びプロセスキットリング（エッジリング）などの物体を取り扱うように構成される。また、エンドエフェクタ１０８は、固定位置に配置された物体（例えば、ピン、自動教示ピン、較正ピンなど）を走査するように構成される。ロボット１１８は、エンドエフェクタ１０８を異なる配向及び異なる位置に移動させるために移動されるように構成された１つ又は複数のリンク又は部材（例えば、リスト部材、上腕部材、前腕部部材など）を有する。

［００３７］ ロボット１１８は、基板キャリア１１４（例えば、カセット、ＦＯＵＰ）（又はロードポート）、ロードロック１１９Ａ、１１９Ｂ、ＳＳＰ、位置合わせデバイス及び／又は同様のもの等の間で物体を移送するように構成される。従来のシステムは、オペレータによる処理システム（例えば、ＥＦＥＭ）の開放（例えば、分解、シールの破壊、汚染等）に関連付けられて、エラー値を決定し、ロボット（例えば、ファクトリインターフェースロボット）に対する是正処置（例えば、ロボットの誤動作の教示、較正、及び／又は診断）を実行するが、処理システム１００は、オペレータによる処理システム１００の開放（例えば、分解、シールの破壊、汚染等）なしに、エラー値の決定及び是正処置（例えば、自動教示、較正、及び／又は診断）の実行を容易にするように構成される。したがって、実施形態では、基板キャリア１１４の内部空間及びＥＦＥＭ１１０の内部空間を含む密閉環境は、エラー値を決定し、是正処置（例えば、自動教示、較正、及び／又は診断動作）を実行する間、維持される。

［００３８］ ロボット１１８には、実施形態において、ピン（例えば、自動教示エンクロージャシステムの自動教示ピン）のような物体を使用して、ロードポート、基板キャリア１１４、ロードロック１１９、ＳＳＰ、位置合わせデバイス、ＬＣＦデバイス等に対して固定位置が教示される。１つの実施形態における固定位置は、特定のロードポートに配置された基板キャリア１１４（例えば、自動教示エンクロージャシステム）の中心位置に対応し、これは、実施形態では、特定のロードポートに配置された異なる基板キャリア１１４（例えば、基板のカセット）の中心位置にも対応する。あるいは、固定位置は、処理システム１００内の他の固定位置（例えば、基板キャリア１１４、位置合わせデバイス、ロードロック１１９、ＬＣＦデバイスなどの前面又は背面）に対応する。ロボット１１８は、いくつかの実施形態において、物体（例えば、自動教示エンクロージャシステムの自動教示ピン及び／又は較正基板）を使用して較正される。ロボット１１８は、いくつかの実施形態において、物体（例えば、自動教示エンクロージャシステムの較正基板）を使用して診断される。

［００３９］ いくつかの実施形態では、ロボット１０６は、ロボット１１８と実質的に類似である。いくつかの実施形態では、ロボット１０６はＳＣＡＲＡロボットであるが、ロボット１１８よりもリンク及び／又は自由度が少ない。

［００４０］ 基板１０５などの内容物は、ＥＦＥＭ １１０から移送チャンバ１０２内に受容され、また、ＥＦＥＭ １１０の表面（例えば、後壁）に接続されたロードロックチャンバ１０９を通って、移送チャンバ１０２を出てＥＦＥＭ １１０に至る。ロードロックチャンバ１０９は、１つ又は複数のロードロック（例えば、ロードロック１１９Ａ、１１９Ｂ）を含む。いくつかの実施形態では、ロードロックチャンバ１０９に含まれるロードロック１１９Ａ、１１９Ｂは、例えば、単一ウエハロードロック（ＳＷＬＬ）チャンバ、マルチウエハチャンバ、又はこれらの組み合わせである。基板キャリア１１４の各々は、ロードポート上に位置する。いくつかの実施形態では、ロードポートは、ＥＦＥＭ １１０に直接装着される（例えば、ＥＦＥＭ １１０に対して封止される）。基板キャリア１１４（例えば、カセット、ＦＯＵＰ、プロセスキットエンクロージャシステム、自動教示エンクロージャシステム、エンクロージャシステムなど）は、ロードポートに取り外し可能に接続（例えば、ドッキング）するように構成される。いくつかの実施形態では、１つ又は複数の基板キャリア１１４が、ウエハ及び／又は他の基板を処理システム１００に出し入れするためにロードポートに接続される。基板キャリア１１４の各々は、それぞれのロードポートに対してシールする。いくつかの実施形態では、第１の基板キャリア１１４は、（例えば、ＥＦＥＭ １１０のロボット１１８を教示、較正、及び／又は診断するために）第１のロードポートにドッキングされる。このような１つ又は複数の動作が実行されると、次に、第１の基板キャリア１１４がロードポートからドッキング解除され、次に、第２の基板キャリア１１４（例えば、ウエハを含むＦＯＵＰ）が同じロードポートにドッキングされる。いくつかの実施形態では、基板キャリア１１４は、自動教示動作、較正動作、又は診断動作のうちの１つ又は複数を実行するための自動教示エンクロージャシステムである。いくつかの実施形態では、基板キャリア１１４は、プロセスキットリングなどの内容物を処理システム１００に出し入れするためのプロセスキットエンクロージャシステムである。

［００４１］ いくつかの実施形態では、ロードポートは、垂直開口部（又は実質的に垂直な開口部）を形成する前面インターフェースを含む。ロードポートは、加えて、基板キャリア１１４（例えば、カセット、エンクロージャシステム、自動教示エンクロージャシステム）を支持するための水平面を含む。各基板キャリア１１４（例えば、ウエハのＦＯＵＰ、自動教示エンクロージャシステム、プロセスキットエンクロージャシステム）は、垂直開口部を形成する前面インターフェースを有する。基板キャリア１１４の前面インターフェースは、ロードポートの前面インターフェースと境界を接する（例えば、シールする）ようなサイズである（例えば、基板キャリア１１４の垂直開口部は、ロードポートの垂直開口部とほぼ同じサイズである）。基板キャリア１１４は、ロードポートの水平面上に配置され、基板キャリア１１４の垂直開口部は、ロードポートの垂直開口部と位置合わせされる。基板キャリア１１４の前面インターフェースは、ロードポートの前面インターフェースと相互接続する（例えば、クランプされる、固定される、シールされる）。基板キャリア１１４の底部プレート（例えば、ベースプレート）は、ロードポートの水平面と係合するフィーチャ（例えば、ロードポート運動学的ピンフィーチャと係合する凹部又はレセプタクルなどのロードフィーチャ、ピンクリアランス（ｐｉｎ ｃｌｅａｒａｎｃｅ）のためのロードポートフィーチャ、及び／又はエンクロージャシステムドッキングトレイラッチクランピングフィーチャ）を有する。同じロードポートが、異なるタイプの基板キャリア１１４（例えば、自動教示エンクロージャシステム、プロセスキットエンクロージャシステム、ウエハを含むカセットなど）に使用される。

［００４２］ いくつかの実施形態では、基板キャリア１１４（例えば、自動教示エンクロージャシステム）は、自動教示動作を実行するための自動教示ピンを含む。いくつかの実施形態では、基板キャリア１１４は、較正動作又は診断動作のうちの１つ又は複数を実行するための較正基板（例えば、較正ピンを含む）を含む。したがって、いくつかの実施形態では、基板キャリア１１４は、自動教示ピンと較正基板との両方を含む。

［００４３］ いくつかの実施形態では、基板キャリア１１４、ＳＳＰ、位置合わせデバイス、ＬＣＦデバイス、ロードロック１１９、及び／又はロードポートのうちの１つ又は複数は、処理システム１００の１つ又は複数の構成要素のエラー値を決定するために使用される、対応する固定位置（例えば、ピン、円筒形ピン、台形ベースを有する円筒形ピンなど）を有する。

［００４４］ いくつかの実施形態では、基板キャリア１１４（例えば、プロセスキットエンクロージャシステム）は、１つ又は複数の内容物アイテム（例えば、プロセスキットリング、空のプロセスキットリングキャリア、プロセスキットリングキャリア上に配置されたプロセスキットリング、配置検証ウエハなどのうちの１つ又は複数）を含む。いくつかの例では、基板キャリア１１４は、ＥＦＥＭ １１０に（例えば、ロードポートを介して）接続されて、使用済みプロセスキットリングの交換のためにプロセスキットリングキャリア上のプロセスキットリングを処理システム１００に自動移送できるようにする。

［００４５］ いくつかの実施形態では、処理システム１００は、ＥＦＥＭ １１０をそれぞれのロードロック１１９（例えば、脱ガスチャンバ）に接続する第１の真空ポート（例えば、ロードロック１１９とＥＦＥＭ １１０との間のスリットバルブアセンブリ１０７）も含む。第２の真空ポート（例えば、ロードロック１１９と移送チャンバ１０２との間のスリットバルブアセンブリ１０７）は、それぞれのロードロック１１９（例えば、脱ガスチャンバ）に接続され、基板１０５及び内容物（例えば、プロセスキットリング）の移送チャンバ１０２への移送を容易にするために、ロードロック１１９と移送チャンバ１０２との間に配置される。いくつかの実施形態では、処理システム１００は、１つ又は複数のロードロック１１９及び対応する数の真空ポート（例えば、スリットバルブアセンブリ１０７）を含み及び／又は使用する（例えば、処理システム１００は、単一ロードロック１１９、単一の第１のスリットバルブアセンブリ１０７、及び単一の第２のスリットバルブアセンブリ１０７を含む）。移送チャンバ１０２は、その周囲に配置され、それに接続された処理チャンバ１０４（例えば、４つの処理チャンバ１０４、６つの処理チャンバ１０４など）を含む。処理チャンバ１０４は、スリットバルブ等のそれぞれのポート１０７を通して、移送チャンバ１０２に接続される。いくつかの実施形態では、ＥＦＥＭ １１０は、より高い圧力（例えば、大気圧）にあり、移送チャンバ１０２は、より低い圧力（例えば、真空）にある。各ロードロック１１９（例えば、脱ガスチャンバ、圧力チャンバ）は、ＥＦＥＭ １１０からロードロック１１９をシールするための第１のドア（例えば、第１のスリットバルブアセンブリ１０７）と、移送チャンバ１０２からロードロック１１９をシールするための第２のドア（例えば、第２のスリットバルブアセンブリ１０７）とを有する。内容物は、第１のドアが開いていて第２のドアが閉じている間に、ＥＦＥＭ １１０からロードロック１１９に移送され、第１のドアが閉じ、ロードロック１１９内の圧力は、移送チャンバ１０２に一致するように低減され、第２のドアが開き、内容物がロードロック１１９から移送される。ＬＣＦデバイスは、（例えば、処理チャンバ１０４に入る前に、処理チャンバ１０４を出た後に）移送チャンバ１０２内の内容物を位置合わせするために使用される。

［００４６］ コントローラ１０９は、処理システム１００の様々な態様を制御する。コントローラ１０９は、パーソナルコンピュータ、サーバコンピュータ、プラグラム可能な論理制御装置（ＰＬＣ）、マイクロコントローラなどのコンピューティングデバイスであり、かつ／又はこれらを含む。コントローラ１０９は、いくつかの実施形態では、マイクロプロセッサ、中央処理デバイスなどの汎用処理デバイスである１つ又は複数の処理デバイスを含む。より詳細には、いくつかの実施形態では、処理デバイスは、複合命令セット演算（ＣＩＳＣ）マイクロプロセッサ、縮小命令セット演算（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、又は他の命令セットを実装するプロセッサ、若しくは命令セットの組み合わせを実装するプロセッサである。いくつかの実施形態では、処理デバイスは、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサなどの１つ又は複数の専用処理デバイスである。いくつかの実施形態では、コントローラ１０９は、データ記憶デバイス（例えば、１つ又は複数のディスクドライブ及び／又はソリッドステートドライブ）、メインメモリ、スタティックメモリ、ネットワークインターフェース、及び／又は他の構成要素を含む。いくつかの実施形態では、コントローラ１０９は、本明細書に記載の方法又はプロセスのうちの任意の１つ又は複数を実行するための命令を実行する。命令は、（命令の実行中に）メインメモリ、スタティックメモリ、セカンダリストレージ、及び／又は処理デバイスのうちの１つ又は複数を含む、コンピュータ読み取り可能記憶媒体に記憶される。コントローラ１０９は、いくつかの実施形態において、ロボット１１８及びロボット１０６から信号を受信し、それらに制御を送信する。

［００４７］ 図１は、内容物（例えば、基板１０５、プロセスキットリングキャリアに接続されたプロセスキットリング）の処理チャンバ１０４内への移送を概略的に示す。本開示の１つの態様によれば、内容物は、ＥＦＥＭ １１０内に位置するロボット１１８を介して、基板キャリア１１４から除去される。ロボット１１８は、第１のスリットバルブアセンブリ１０７の１つを通って、それぞれのロードロック１１９Ａ、１１９Ｂに内容物を移送する。移送チャンバ１０２内に位置するロボット１０６は、第２のスリットバルブアセンブリ１０７を通って、ロードロック１１９Ａ、１１９Ｂのうちの１つから内容物を除去する。ロボット１０６は、内容物を移送チャンバ１０２内に移動させ、そこで、その内容物は、それぞれのスリットバルブアセンブリ１０７を通って、処理チャンバ１０４に移送される。図１には明確にするために示されていないが、内容物の移送は、基板１０５の移送、プロセスキットリングキャリア上に配置されたプロセスキットリングの移送、空のプロセスキットリングキャリアの移送、配置検証ウエハの移送、ウエハ上の撮像デバイスの移送などの１つ又は複数が含まれる。

［００４８］ 図１は、内容物の移送の一例を示すが、他の例も考えられる。いくつかの例では、基板キャリア１１４は、（例えば、移送チャンバ１０２に装着されたロードポートを介して）移送チャンバ１０２に接続されることが企図される。移送チャンバ１０２から、内容物は、ロボット１０６によって処理チャンバ１０４にロードされる。加えて、いくつかの実施形態では、内容物はＳＳＰにロードされる。いくつかの実施形態では、追加のＳＳＰが、図示されたＳＳＰの反対側でＥＦＥＭ １１０と通信するように位置決めされる。処理された内容物（例えば、使用されたプロセスキットリング）は、本明細書に記載される任意の方法とは逆に、処理システム１００から除去される。複数の基板キャリア１１４又は基板キャリア１１４とＳＳＰとの組み合わせを利用する場合、いくつかの実施形態では、１つのＳＳＰ又は基板キャリア１１４は、未処理の内容物（例えば、新しいプロセスキットリング）に使用される一方で、別のＳＳＰ又は基板キャリア１１４は、処理済み内容物（例えば、使用済みプロセスキットリング）を受け取るために使用される。基板キャリア１１４は、ロボットアームを介して内容物を移送する前に、ロボットアーム（例えば、ロボット１１８、ロボット１０６など）の自動教示動作、較正動作、又は診断動作のうちの１つ又は複数を実行するために使用される。自動教示、較正、又は診断動作のうちの１つ又は複数は、（例えば、第１の基板キャリア１１４がドッキングされたのと同じロードポートに第２の基板キャリア１１４をドッキングすると）ロボットアームが、特定の位置から物体を正しく除去し、物体を特定の位置に正しく配置できるようにする。

［００４９］ 処理システム１００は、ＥＦＥＭ １１０などのチャンバと、ＥＦＥＭ １１０に隣接する隣接チャンバ（例えば、ロードポート、基板キャリア１１４、ＳＳＰ、ロードロック１１９、及び／又は同じようなもの）とを含む。チャンバのうちの１つ又は複数がシールされる（例えば、チャンバの各々がシールされる）。隣接するチャンバは、ＥＦＥＭ １１０にシールされる。いくつかの実施形態では、不活性ガス（例えば、窒素、アルゴン、ネオン、ヘリウム、クリプトン、又はキセノンのうちの１つ又は複数）が、チャンバのうちの１つ又は複数（例えば、ＥＦＥＭ １１０及び／又は隣接するチャンバ）内に供給されて、１つ又は複数の不活性環境を提供する。いくつかの例では、ＥＦＥＭ １１０は、ユーザがＥＦＥＭ １１０に入る必要がないように、ＥＦＥＭ １１０内の不活性環境（例えば、不活性ＥＦＥＭミニ環境）を維持する不活性ＥＦＥＭである（例えば、処理システム１００は、ＥＦＥＭ １１０内で手動アクセスがないように構成される）。

［００５０］ いくつかの実施形態では、ガス流（例えば、不活性ガス、窒素）は、処理システム１００の１つ又は複数のチャンバ（例えば、ＥＦＥＭ １１０）内に供給される。いくつかの実施形態では、ガス流は、１つ又は複数のチャンバを通る漏れよりも大きく、１つ又は複数のチャンバ内の正圧を維持する。いくつかの実施形態では、ＥＦＥＭ １１０内の不活性ガスは再循環される。いくつかの実施形態では、不活性ガスの一部は排気される。いくつかの実施形態では、ＥＦＥＭ １１０内への非再循環ガスのガス流は、排気ガス流及びガス漏れよりも大きく、ＥＦＥＭ １１０内の不活性ガスの正圧を維持する。いくつかの実施形態では、ＥＦＥＭ １１０は、ＥＦＥＭ １１０に出入りするガスの流れを提供するために、１つ又は複数のバルブ及び／又はポンプに接続される。処理デバイス（例えば、コントローラ１０９の）は、ＥＦＥＭ １１０に出入りするガスの流れを制御する。いくつかの実施形態では、処理デバイスは、１つ又は複数のセンサ（例えば、酸素センサ、水分センサ、運動センサ、ドア作動センサ、温度センサ、圧力センサなど）からセンサデータを受信し、センサデータに基づいて、ＥＦＥＭ １１０に流入及び／又はＥＦＥＭ １１０から流出する不活性ガスの流量を決定する。

［００５１］ 処理システム１００内の１つ又は複数の物体（例えば、ピン）は、ＥＦＥＭ １１０及び隣接するチャンバ内の密閉環境を開くことなく、エラー値を決定し、処理システム１００の１つ又は複数の構成要素（例えば、ロボット、位置合わせデバイス、ＬＣＦデバイスなど）の是正処置（例えば、教示、較正、及び／又は診断）を実行できるようにする。基板キャリア１１４は、ロードポート上にドッキングされることに応じてロードポートをシールする。基板キャリア１１４は、ＥＦＥＭ １１０内の不活性環境の妨害を最小限に抑えるために基板キャリア１１４を開く前に、基板キャリア１１４の内部をパージできるように、パージポートアクセスを提供する。

［００５２］ いくつかの実施形態では、各ロードポート及び／又は基板キャリア１１４は、固定位置に対応する対応ピン（例えば、ＦＯＵＰ固定具上の単一ピン走査のために構成される）を有する。いくつかの実施形態では、各ＳＳＰは、固定位置に対応する対応ピン（例えば、ＳＳＰピン上の単一ピン走査のために構成される）を有する。いくつかの実施形態では、位置合わせデバイス（例えば、ＥＦＥＭ １１０内）は、固定位置に対応する対応ピン（例えば、位置合わせチャック上の単一ピン走査のために構成される）を有する。いくつかの実施形態では、各バッファチャンバは、固定位置に対応する対応するピン（例えば、バッファピン上の単一ピン走査のために構成される）を有する。いくつかの実施形態では、各ロードロック１１９は、固定位置に対応する対応するピン（例えば、すべてのロードロック１１９上のオフセットピン走査のために構成された）を有する。

［００５３］ 特定の実施形態による、ロボット２１０（例えば、図１のロボット１０６及び／又はロボット１１８）の上面図を示す図２Ａを参照する。特定の実施形態による、ロボット２１０（例えば、図１のロボット１０６及び／又はロボット１１８）の断面側面図を示す図２Ｂも参照する。いくつかの実施形態では、ロボット２１０は、処理システム（例えば、図１の処理システム１００、図１の移送チャンバ１０２、図１のＥＦＥＭ １１０など）の壁に取り付けられるように適合されたベース２２０を含む。いくつかの実施形態では、ロボット２１０は、図示された実施形態において、実質的に剛性の片持ちビームである上部腕２２２も含む。上腕２２２は、第１回転軸２２４の周囲を時計回り及び反時計回りの回転方向に回転するよう適合される。第１の回転軸２２４周囲での回転は、可変リラクタンス又は永久磁石電気モータなどの任意の適切なモータによって提供される。モータは、モータハウジング２２６に受容される。上腕２２２の回転は、コントローラ２２８（例えば、図１のコントローラ１０９）からモータへの適切なコマンドによって制御される。

［００５４］ 前腕部２３０は、第２の回転軸２３２で上腕２２２に接続される。第２回転軸２３２は、第１回転軸２２４から離間している。前腕部２３０は、第２の回転軸２３２の周りで上腕２２２に対してＸ－Ｙ平面内で回転するように適合される。リスト部材２３６は、第３の回転軸２３８で前腕部２３０に接続される。リスト部材２３６は、第３の回転軸線２３８の周囲をＸ－Ｙ平面内で回転するよう適合される。エンドエフェクタ１０８は、リスト部材２３６に接続され、基板１０５を運搬及び移送するよう適合される。

［００５５］ 図２Ｂは、特定の実施形態による、ロボット２１０の断面側面図を示す。ロボット２１０は、ロボット１０６のリンク又はアームの間に複数の関節（例えば、回転関節）を含む。関節は、アームが互いに対して回転できるようにする。関節内の遊びは、エンドエフェクタ１０８の実際の位置及びその上に位置する内容物（例えば、図１の基板１０５）を決定する際に不正確さをもたらす。

［００５６］ 図２Ａ－Ｂに示されるロボット２１０は、３つの関節を含む。第１の関節２４０は、モータハウジング２２６と上腕２２２との間に位置する。第１の関節２４０は、上腕２２２が、第１の回転軸２２４の周りでモータハウジング２２６に対して回転できるようにする。第２の関節２４２は、上腕２２２と前腕部２３０との間に位置する。第２の関節２４２は、前腕部２３０が、第２の回転軸２３２の周りで上腕２２２に対して回転できるようにする。第３の関節２４４は、前腕部２３０とリスト部材２３６との間に位置する。第３の関節は、リスト部材２３６が、第３の回転軸２３８の周りで前腕部２３０に対して回転できるようにする。

［００５７］ いくつかの実施形態では、図２Ａ－Ｂのロボット２１０は、基板処理システム内の固定位置に対して基板処理システム内の異なる姿勢で位置決めされる。異なる姿勢のロボットに対する固定位置を特定するセンサデータが生成される。センサデータに基づいて、基板処理システムの１つ又は複数の構成要素に対応するエラー値が決定され、そのエラー値に基づいて、１つ又は複数の構成要素に関連する１つ又は複数の是正処置の性能がもたらされる。いくつかの実施形態では、エラー値及び是正処置は、第１の関節２４０、第２の関節２４２、及び／又は第３の関節２４４のうちの１つ又は複数の周りの関節回転に対応する。いくつかの実施形態では、コントローラ２２８（例えば、図１のコントローラ１０９）は、（例えば、各構成要素の動きを分離することによって）各構成要素の各エラー値を別々に決定する。

［００５８］ 図３Ａは、ロボット３１０のリスト部材２３６及びエンドエフェクタ１０８（例えば、図２Ａ－Ｂのロボット２１０、図１のロボット１０６及び／又はロボット１１８など）の一実施形態の上面図である。エンドエフェクタ１０８及び／又はリスト部材２３６は、いくつかの実施形態では、光源３５２及び受光器３５４を含むビームセンサ３５０を含む。光伝送ファイバ３５６Ａは、光源３５２に接続される。光伝送ファイバ３５６Ａは、リスト部材２３６及びエンドエフェクタ１０８を通って経路決定され、エンドエフェクタ１０８の第１の端部３５８Ａで終端する。受光ファイバ３５６Ｂは、受光器３５４に接続される。受光ファイバ３５６Ｂは、リスト部材２３６及びエンドエフェクタ１０８を通って経路決定され、エンドエフェクタ１０８の第２の端部３５８Ｂで終端する。エンドエフェクタ１０８の第１の端部３５８Ａ及び第２の端部３５８Ｂは、基板１０５（図１を参照）、他の内容物、及び／又は物体（例えば、ピン）の周縁を検出することを含む、ある種の処理のためのレリーフ領域を形成する間隙３６０を横切って離間される。

［００５９］ 光伝送ファイバ３５６Ａは、第１の端部３５８Ａに近接する第１の光路開口部３６２Ａで終端する。同様に、受光ファイバ３５６Ｂは、第２の端部３５８Ｂに近接する第２の光路開口部３６２Ｂで終端する。第１の光路開口部３６２Ａ及び第２の光路開口部３６２Ｂは、互いに向き合い、基板１０５（図１を参照）、他の内容物、及び／又は物体（例えば、ピン）の有無を検出するための光伝送経路３６４（例えば、光線）を形成する。光伝送経路３６４は、第１の端部３５８Ａと第２の端部３５８Ｂとの間（即ち、２つの点の間）を延び、これにより、間隙３６０内の物体の検出が可能になる。

［００６０］ ビームセンサ３５０は、更に、光伝送ファイバ３５６Ａと受光ファイバ３５６Ｂとの間の光伝送の度合いを検出する光伝送／受光モジュール３６６を含む。光伝送／受光モジュール３６６は、基板１０５（図１）又は他の物体が光伝送経路３６４を遮るときに、第１の光路開口部３６２Ａと第２の光路開口部３６２Ｂとの間に位置する基板１０５又は他の物体の周縁を感知する。光伝送／受光モジュール３６６によって生成された出力信号は、ロボット３１０を通過する導体（図示せず）を介して、コントローラ（例えば、図２Ａ－Ｂのコントローラ２２８、図１のコントローラ１０９）に供給される。

［００６１］ ロボット３１０の動作中、コントローラ（例えば、図２Ａ－Ｂのコントローラ２２８、図１のコントローラ１０９）は、エンドエフェクタ１０８を特定の位置に移動させる信号をロボット３１０に送信する。例えば、コントローラ２２８は、上腕２２２、前腕部２３０、及びリスト部材２３６を、処理システム（例えば、図１の処理チャンバ１０４、移送チャンバ１０２、又はＥＦＥＭ １１０）内の位置といった特定の位置に移動させる信号を生成する。コントローラは、ロボット３１０に対する固定位置に基づいて、エンドエフェクタ１０８を移動させる信号を生成する。例えば、ロボット３１０は、エラー値を決定し、是正処置（例えば、自動教示機能、較正機能、診断機能など）を実行するために使用され、ロボット３１０は、固定位置に対応するセンサデータ（例えば、座標データ点、画像など）を決定するために使用される。次いで、コントローラは、エンドエフェクタ１０８を固定位置に対して相対的な特定の位置に移動させるために、上腕２２２、前腕部２３０、及びリスト部材２３６を移動させる信号を生成する。

［００６２］ ロボット力学におけるいくつかのエラーは、エンドエフェクタ１０８の位置決めにエラーを生じさせる。いくつかの例では、関節２４０、２４２、２４４は、位置エラーに寄与するエラー又は遊びを有する。これらの位置エラーは、ロボット３１０によって実行される自動教示、較正、及び／又は診断の精度を低下させる。関節２４０、２４２、２４４におけるエラーは、関節運動学的エラー、関節ヒステリシス、及び関節バックラッシュを含む。関節運動学的エラーは、関節エラーと呼ばれることがあり、関節が指示されたときに回転しないことの結果である（例えば、異なる姿勢から同じ点を要求すると、運動学的エラーが示される）。例えば、関節は特定の角度まで回転するように指示されるが、関節は別の角度に回転する（例えば、軸（Ｔｙ）に対してプロットされた横（Ｔｘ）のプロットにわたる差は関節エラーである）。関節のバックラッシュは、関節が時計回り又は反時計回りに回転し、位置に繰り返し可能な差が生じた場合に発生する（例えば、前進ドライブと後退ドライブの差がバックラッシュである）。関節ヒステリシスは、関節の時計回りと反時計回りの回転で観察されるヒステリシスに関係する。伝動エラーは、公表されているものとは異なる（例えば、公表されている３５：１の減速ではなく、３５：１．０００２の実際の減速）歯車及びプーリの減速（例えば、関節角度において）に関するものである。分析される他のエラー（例えば、リンク長エラー）は、コントローラによって記憶される上腕２２２、前腕部２３０、及びリスト部材２３６の実際の長さ対それらの長さ（例えば、３６０ｍｍのストック長ではなく、３６０．１３ｍｍの長さまでの変動）を含む。セットゼロ（ＳｅｔＺｅｒｏ）オフセットエラーは、ゼロ番目の位置を設定するためにロボットをピン留めすることに関連し、いくつかの例では、機械的ゼロ番目の位置が最大０．１～０．２度外れる。

［００６３］ 異なるロボット姿勢を用いてエンドエフェクタ１０８を固定位置に繰り返し配向することにより、自動教示、較正、診断などの精度が向上する。いくつかの実施形態では、ロボット姿勢は、上腕２２２、前腕部２３０、及びリスト部材２３６の位置を指す。ロボット１０６は、固定位置のセンサデータ（例えば、異なる座標データ点、異なる画像等）を決定するために使用され、これらは、関節エラー及び他のエラーにより変化する。

［００６４］ 正確な運動学（例えば、決定されたエラー値による調整）は、より真っ直ぐなロボット経路、より良好なＬＣＦデバイスの再現性、正確な自動教示動作、ロボットが測定を行うことを可能にする等の利点をもたらす。

［００６５］ 図３Ｂは、特定の実施形態による、ロボット３１０の上面図を示す。ロボット３１０は、ピンなどの物体を使用して、１つ又は複数のエラー値を決定する（例えば、自動教示動作、較正動作、又は診断動作のうちの１つ又は複数を実行する）ために使用されるように構成される。ロボット３１０は、エンドエフェクタ１０８と、リスト部材２３６と、光源３５２に接続された第１の光路開口部２６２Ａ（例えば、ファイバ放射器）と、受光器４５４に接続された第２の光路開口部３６２Ｂ（例えば、ファイバ受信器）とを含む。光伝送経路３６４（例えば、光線、ビームトリガ経路）が、第１の光路開口部３６２Ａと第２の光路開口部３６２Ｂとの間に配置される。

［００６６］ ロボット３１０は、実際のウエハ中心３７２に対応するロボットリスト中心３７０を有する。ロボット３１０の特性エラー３７４（例えば、ロボットアームエラー）は、中心線とエラー線との間の距離又は角度である。中心線は、ロボットリスト中心３７０と実際のウエハ中心３７２との間（例えば、ベクトルリストからウエハ中心まで）である。エラー線（例えば、ビームに対するベクトルリスト）は、光伝送経路３７４（例えば、ビームトリガ経路）に対して直角（例えば、９０度の角度３７６で）である。いくつかの実施形態では、ロボット３１０は、較正動作を介して特性エラー３７４を決定する。

［００６７］ 図３Ｃは、特定の実施形態による、ロボット３１０及び位置合わせデバイス３８０の上面図を示す。いくつかの実施形態では、位置合わせデバイス３８０のエラー値が決定され（例えば、位置合わせデバイス３８０が較正され）、次いで、位置合わせデバイス３８０を使用して、ロボット３１０のエラー値が決定される（例えば、ロボット３１０が較正される）。いくつかの実施形態では、ロボット３１０のエラー値が決定され（例えば、ロボット３１０が較正され）、次いで、位置合わせデバイス３８０のエラー値が、位置合わせロボット３１０を使用して決定される（例えば、位置合わせデバイス３８０が較正される）。

［００６８］ いくつかの実施形態では、較正ウエハ３８４は、ノッチ及び／又はピンを有する。いくつかの実施形態では、位置合わせデバイス３８０は、ノッチを使用して較正ウエハ３８４を位置合わせし、ロボット３１０は、較正ウエハ３８４のピンの位置を検出する。

［００６９］ 位置合わせデバイス３８０又はロボット３１０のエラー値を決定する（例えば、較正する）ことに続き、較正ウエハ３８４（例えば、オフセットピン３８６を有するノッチ付きウエハ）を支持するロボット３１０は、位置合わせデバイス３８０まで移動され、ロボットＸ－Ｙ中心３８８を位置合わせデバイス３８０に位置合わせする（例えば、位置合わせデバイス３８０の一部を走査することによって）。これは、ロボットＸ－Ｙ中心を位置合わせデバイス真中心Ｘ－Ｙに整合させる（例えば、Ｘ－Ｙ位置合わせデバイス３８０－ロボット３１０の整合）が、位置合わせデバイス３８０に対するロボット３１０の相対角度は不明である。ロボット３１０は、較正ウエハ３８４を位置合わせデバイス３８０上に置く。位置合わせデバイス３８０は、較正ウエハ３８４のノッチを使用して、（例えば、較正ウエハ３８４を回転させることによって）較正ウエハ３８４の位置（例えば、回転、ヨー）を決定する。位置合わせデバイス３８０は、較正ウエハ３８４を左右に回転させて、ロボット３１０上のマッピングファイバ（例えば、光伝送経路３６４、反復可能なトリガ線）をトリガし、中点角度基準を決定する。ロボット３１０のリストを左右に回転させて、ロボット３１０上のマッピングファイバをトリガし、ロボット３１０の中間点を決定する。いくつかの実施形態では、この手順は、複数のアクセス角度について繰り返される（例えば、反復間でＸ－Ｙを再び位置合わせする）。これは、指令位置対位置合わせデバイス測定位置のプロットを提供する。いくつかの実施形態では、データがフィッティングされ、線形勾配を見つけるために回帰が実行される。

［００７０］ 位置合わせデバイス３８０によって決定される中点基準（例えば、座標データ点）とロボット３１０によって決定される中点（例えば、座標データ点）との間の差は、相対差である（例えば、ブレードセットゼロ、ピンについての走査された中点間の差は、示された軸についてのゼロオフセットである）。位置合わせデバイス３８０のエラー値を先に決定する（例えば、較正する）ことに応じて、相対差は、ロボット３１０のエラー値である（例えば、ロボット３１０を較正するために使用される）。ロボット３１０のエラー値を先に決定する（例えば、較正する）ことに応じて、相対差は、位置合わせデバイス３８０のエラー値である（例えば、位置合わせデバイス３８０を較正するために使用される）。

［００７１］ 図３Ｃはロボット３１０及び位置合わせデバイス３８０を指すが、ロボット３１０及びＬＣＦデバイス等の他の構成要素を使用することもできるだろう。

［００７２］ 特定の実施形態による、ピン４６８（例えば、固定位置）を検出するエンドエフェクタ１０８の上面図を示す図４を参照する。ピン４６８の既知の直径に基づいて、ピン４６８の中心４７０の位置が決定される。エンドエフェクタ１０８がピン４６８に近づくと、ピン４６８の周囲が光伝送経路３６４を破壊する。このとき、関節２４０、２４２、２４４の角度は、コントローラ２２８によって記録される。このプロセスは、破線のエンドエフェクタ１０８によって示されるように、異なるロボット姿勢を用いて複数回繰り返される。

［００７３］ いくつかの実施形態では、コントローラは、ピン４６８がエンドエフェクタ１０８の第１の端部３５８Ａと第２の端部３５８Ｂとの間の中央に位置することをチェックする。いくつかの実施形態では、センタリングは、エンドエフェクタ１０８がピン４６８の接線に平行にわずかに移動する際に、単一の関節（例えば、分離した関節、第３の関節２４４）を介して、エンドエフェクタ１０８を前後に回転させることによって達成される。また、エンドエフェクタ１０８又は、ピン４６８から離れるように、またピン４６８に向かって移動する。ピン４６８までの最短の測定距離は、エンドエフェクタ１０８の第１の端部３５８Ａと第２の端部３５８Ｂとの間の中間点を構成する。この位置はまた、第１の端部３５８Ａと第２の端部３５８Ｂとの間の間隙３６０の中間点でもある。

［００７４］ 関節エラーを考慮するために関節エラーを測定するプロセスは、エンドエフェクタ１０８をピン４６８などの既知の及び／又は固定された位置に移動させることから始まる。次いで、エンドエフェクタ１０８は、ロボット１０６の異なる姿勢を使用して、いくつかの異なる点からピン４６８の位置を測定する。いくつかの実施形態では、ピン４６８上の同じ位置は、異なる姿勢を使用して測定される。

［００７５］ ここで、特定の実施形態による、ピン４６８を検出するいくつかの位置にビームセンサを備えたエンドエフェクタ１０８の平面図を示す、図５を更に参照する。いくつかの実施形態では、エンドエフェクタ１０８は、エンドエフェクタ１０８がピン４６８の周りをヨー方向５７４に移動する際に、ピン４６８の位置を測定するために使用される。

［００７６］ 理想的な条件下では、関節又は他のエラーが全くない状態で、ロボット１０６は、ロボット（例えば、図１のロボット１０６、図１のロボット１１８、図２のロボット２１０、図３のロボット３１０）の姿勢にかかわらず、ピン４６８の同じ中心位置４７０を測定しなければならない。

［００７７］ 図６を更に参照するが、図６は、特定の実施形態による、ロボット（例えば、図１のロボット１０６、図１のロボット１１８、図２のロボット２１０、図３のロボット３１０など）が固定位置（例えば、図４－５のピン４６８）を測定した場合の例示的な座標データ点を示すグラフである。図６において、ピン４６８の実際の位置は座標データ点（０．０，０．０）にある。図６に示すように、ロボットは、ピン４６８の実際の位置を位置決めすることはまれである。自動教示プロセスが、図６に示された測定値又は類似の測定値に依存する場合、ロボットは、エンドエフェクタ１０８を正確に位置決めすることはないだろう。

［００７８］ 自動教示、較正、診断などを改善するために、関節エラーを因数分解した。既知の基準（例えば、ピン４６８）の座標データ点は、処理デバイス、コントローラ、又は他のデバイスによって記録される。いくつかの実施形態では、較正ステップ（較正動作、セットゼロ調整）の間に取られた事前に較正されたデータから導出された値に基づいて、座標データ点に線形フィットが行われる。線形フィットの例を図６に線で示す。いくつかの実施形態では、測定値が中心４７０を示した平均、モード、及び標準偏差のうちの少なくとも１つが決定される。平均、モード、及び標準偏差のうちの少なくとも１つに基づく極値及び統計的外れ値を構成する座標は破棄される。統計的外れ値の例を図６に示す。次いで、残りの座標データ点は、破棄された外れ値なしに第２の線形フィットを適用することによって再平均化される。次いで、第２の線形フィットのデータを使用して、自動教示手順中に、より正確な位置決めを行う。いくつかの実施形態では、基板１０５は、エンドエフェクタ１０８上に配置され、上述のプロセスは、既知の及び／又は固定された位置の周りを移動する基板のエッジに基づいて実行される。

［００７９］ 図７は、特定の実施形態による、例示的なシステム７００（例示的なシステムアーキテクチャ）を示すブロック図である。システム７００は、クライアントデバイス７２０と、製造設備７２４（例えば、図１の処理システム１００）と、センサ７２６と、計測機器７２８と、予測サーバ７１２と、データストア７４０とを含む。予測サーバ７１２は、予測システム７１０の一部である。予測システム７１０は、サーバマシン７７０及び７８０を更に含む。

［００８０］ センサ７２６は、製造設備７２４（例えば、移動ロボットに関連する）に関連するセンサデータ７４２（例えば、固定位置を特定する座標データ点、固定位置の画像など）を提供する。センサデータ７４２は、補正措置（例えば、較正、自動教示、診断など）を実行するためのエラー値を決定するために使用される。製造設備７２４は、レシピに従って製品を製造するために、又はある期間にわたってランを実行するために使用される。いくつかの実施形態では、センサデータ７４２は、製品の製造の前又は後に受信される。いくつかの実施形態では、センサデータ７４２の少なくとも一部は、異なるセンサ７２６からある期間にわたって（例えば、レシピ又はランの少なくとも一部に対応する）受信される。

［００８１］ センサ７２６は、製造設備７２４及び１つ又は複数の固定位置に対してセンサデータ７４２を提供する。いくつかの実施形態では、センサ７２６は、ロボットに対する固定位置を決定するために使用されるロボットの光源及び受光器を含む（例えば、ロボットのエンドエフェクタ内に）。いくつかの実施形態では、センサ７２６は、ロボットに対する固定位置を決定するように構成された撮像デバイスを含む。いくつかの例では、撮像デバイスは、ロボットに取り付けられる（例えば、リスト部材に取り付けられる）か、又はロボット上に配置される（例えば、撮像基板、ウエハ上の撮像デバイスなど）。相対的なセンサ７２６（Ｔｈｅ ｓｅｎｓｏｒｓ ７２６ ｒｅｌａｔｉｖｅ）。

［００８２］ いくつかの実施形態では、センサデータ７４２（例えば、履歴センサデータ７４６、現在のセンサデータ７５２など）は、処理される（例えば、クライアントデバイス７２０及び／又は予測サーバ７１２によって）。センサデータ７４２の処理は、外れ値を除去すること、センサデータ７４２をフィッティングすること、回帰を実行すること、線形勾配を見つけることなどのうちの１つ又は複数を含む。

［００８３］ エラー値７６０は、製造設備７２４の１つ又は複数の構成要素に関連するデータを含む。いくつかの例では、エラー値７６０は、関節の回転エラー、ロボットのリンクの長さエラー、及び／又は同様のものを含む。いくつかの実施形態では、エラー値７６０は、管理された機械学習のために使用される。

［００８４］ エラー値７６０は、製造設備の構成要素（例えば、同じタイプ、同じ部品番号）の変動の表示を含む。いくつかの実施形態では、構成要素の変動を決定することは、製品間の均一性のためのチャンバマッチングのために使用される。いくつかの例では、ロボットの関節の回転エラーは、内容物、ロボット、及び／又は処理システムに損傷を引き起こす内容物の誤配置を引き起こす。いくつかの例では、エラー値７６０は、製品間の変動に寄与する。エラー値７６０に基づいて是正処置を行うことにより、製品の品質が改善され、製造設備７２４への損傷が低減され、処理システムへの損傷が低減されるなどである。

［００８５］ いくつかの実施形態では、予測システム７１０は、管理された機械学習（例えば、管理されたデータセット、測定されたデータを含むエラー値７６０など）を使用して、予測データ７６８を生成する。いくつかの実施形態では、予測システム７１０は、半管理学習（例えば、半管理データセット、エラー値７６０は、予測パーセンテージであるなど）を使用して予測データ７６８を生成する。いくつかの実施形態では、予測システム７１０は、管理されない機械学習（例えば、管理されないデータセット、クラスタリング、エラー値７６０に基づくクラスタリングなど）を使用して予測データ７６８を生成する。

［００８６］ クライアントデバイス７２０、製造設備７２４、センサ７２６、計測機器７２８、予測サーバ７１２、データストア７４０、サーバマシン７７０、及びサーバマシン７８０は、予測データ７６８を生成し、是正処置を実行するために、ネットワーク７３０を介して互いに接続される。

［００８７］ いくつかの実施形態では、ネットワーク７３０は、クライアントデバイス７２０に予測サーバ７１２、データストア７４０、及び他の公的に利用可能なコンピューティングデバイスへのアクセスを提供する公衆ネットワークである。いくつかの実施形態では、ネットワーク７３０は、製造設備７２４、センサ７２６、計測機器７２８、データストア７４０、及び他の個人的に利用可能なコンピューティングデバイスへのアクセスをクライアントデバイス７２０に提供するプライベートネットワークである。ネットワーク７３０は、１つ又は複数のワイドエリアネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、有線ネットワーク（例えば、イーサネットネットワーク）、無線ネットワーク（例えば、８０２．１１ネットワーク又はＷｉ－Ｆｉネットワーク）、セルラーネットワーク（例えば、ロングタームエボリューション（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ：ＬＴＥ）ネットワーク）、ルータ、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、及び／又はこれらの組み合わせを含む。

［００８８］ クライアントデバイス７２０は、パーソナルコンピュータ（ＰＣ）、ラップトップ、モバイルフォン、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続テレビ（「スマートＴＶ」）、ネットワーク接続メディアプレーヤ（例えば、ブルーレイプレーヤ）、セットトップボックス、オーバーザトップ（ＯＴＴ）ストリーミングデバイス、オペレータボックスなどのコンピューティングデバイスを含む。クライアントデバイス７２０は、是正処置構成要素７２２を含む。是正処置構成要素７２２は、製造設備７２４に関連する指標のユーザ入力を受信する（例えば、クライアントデバイス７２０を介して表示されるグラフィカルユーザインターフェース（ＧＵＩ）を介して）。いくつかの実施形態では、是正処置構成要素７２２は、予測システム７１０に指標を送信し、予測システム７１０から出力（例えば、予測データ７６８）を受信し、出力に基づいて是正処置を決定し、その是正処置を実施させる。いくつかの実施形態では、是正処置構成要素７２２は、製造設備７２４に関連するセンサデータ７４２（例えば、現在のセンサデータ７５２）を（例えば、データストア７４０などから）取得し、製造設備７２４に関連するセンサデータ７４２（例えば、現在のセンサデータ７５２）を予測システム７１０に提供する。いくつかの実施形態では、是正処置構成要素７２２は、センサデータ７４２をデータストア７４０に格納し、予測サーバ７１２は、センサデータ７４２をデータストア７４０から取り出す。いくつかの実施形態では、予測サーバ７１２は、トレーニングされた機械学習モデル７９０の出力（例えば、予測データ７６８）をデータストア７４０に格納し、クライアントデバイス７２０は、データストア７４０から出力を取り出す。いくつかの実施形態では、是正処置構成要素７２２は、予測システム７１０から是正処置の指標を受信し、是正処置を実施させる。各クライアントデバイス７２０は、ユーザが、データ（例えば、製造設備７２４に関連した指標、製造設備７２４に関連した是正処置など）を生成、閲覧、又は編集の１つ又は複数を行うことができるようにするオペレーティングシステムを含む。

［００８９］ いくつかの実施形態では、履歴エラー値７６２は、履歴センサデータ７４４の少なくとも一部の中心値のうちの１つ又は複数、履歴センサデータ７４４の少なくとも一部の標準偏差の収束、ＬＣＦデバイスからのＬＣＦセンサデータ、位置合わせセンサデバイスからの位置合わせセンサデータ、１つ又は複数の第三者センサからの第三者センサデータなどを含む。いくつかの実施形態では、予測データ７６８は、予測エラー値（例えば、予測回転エラー、予測長さエラーなど）に対応する。いくつかの実施形態では、予測データ７６８は、異常（例えば、異常構成要素、異常製造設備７２４など）の指標である。いくつかの実施形態では、予測データ７６８は、製造設備７２４の構成要素の寿命の終わりの指標である。

［００９０］ 計測を実行することは、使用される時間、使用される計測機器７２８、消費されるエネルギー、計測データを送信するために使用される帯域幅、計測データを処理するためのプロセッサオーバーヘッドなどに関して費用がかかる可能性がある。センサデータ７４２（例えば、座標データ点、画像、現在のセンサデータ７５２など）を入力し、予測データ７６８の出力を受信することによって、システム７００は、現在のセンサデータ７５２のための現在のエラー値７６４を生成するために計測機器７２８を使用する費用のかかるプロセスを回避する技術的利点を有しうる。

［００９１］ 欠陥製品をもたらす製造プロセスを実行することは、時間、エネルギー、製品、構成要素、製造設備７２４、欠陥を特定し、欠陥製品を廃棄するコストなどに費用がかかる可能性がある。センサデータ７４２（例えば、座標データ点、画像、現在のセンサデータ７５２など）を入力し、予測データ７６８の出力を受信し、予測データ７６８に基づいて是正処置を実行することによって、システム７００は、欠陥製品を製造し、特定し、廃棄するコストを回避するという技術的利点を有しうる。

［００９２］ 製造設備７２４の構成要素の故障をもたらす製造プロセスを実行することは、ダウンタイム、製品の損傷、設備の損傷、交換構成要素のエクスプレス注文（ｅｘｐｒｅｓｓ ｏｒｄｅｒｉｎｇ）などに費用がかかる可能性がある。センサデータ７４２（例えば、座標データ点、画像、現在のセンサデータ７５２など）を入力し、予測データ７６８の出力を受信し、予測データ７６８に基づいて是正処置（例えば、構成要素の交換、処理、洗浄などの予測動作メンテナンス）を実行することによって、システム７００は、１つ又は複数の予測されない構成要素故障、予定外のダウンタイム、生産性損失、予測されない設備故障、製品スクラップなどのコストを回避するという技術的利点を有しうる。

［００９３］ 是正処置は、較正、自動教示、診断、計算プロセス制御（ＣＰＣ）、統計プロセス制御（ＳＰＣ）（例えば、制御中のプロセスを決定するための電子構成要素上のＳＰＣ、構成要素の有用な寿命を予測するためのＳＰＣ、３シグマのグラフと比較するためのＳＰＣなど）、高度プロセス制御（ＡＰＣ）、モデルベースのプロセス制御、予防的動作保守、設計最適化、製造パラメータの更新、フィードバック制御、機械学習修正などのうちの１つ又は複数に関連付けられる。

［００９４］ いくつかの実施形態では、是正処置は、予測データ７６８が予測される異常（例えば、ロボットの方向付けられた位置とロボットの実際の位置との間の差）を示す場合に、警告（例えば、製造プロセスを停止するか、又は実行しないためのアラーム）を提供することを含む。いくつかの実施形態では、是正処置は、フィードバック制御を提供すること（例えば、予測された異常を示す予測データ７６８に応じて、ロボット、位置合わせデバイス、及び／又はＬＣＦデバイスの位置を修正すること）を含む。いくつかの実施形態では、是正処置は、機械学習を提供すること（例えば、予測データ７６８に基づいて１つ又は複数の位置を修正すること）を含む。

［００９５］ 予測サーバ７１２、サーバマシン７７０、及びサーバマシン７８０は各々、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ、グラフィックス処理ユニット（ＧＰＵ）、アクセラレータ特定用途向け集積回路（ＡＳＩＣ）（例えば、テンソル処理ユニット（ＴＰＵ））などの１つ又は複数のコンピューティングデバイスを含む。

［００９６］ 予測サーバ７１２は、予測構成要素７１４を含む。いくつかの実施形態では、予測構成要素７１４は、現在のセンサデータ７５２を受信し（例えば、クライアントデバイス７２０から受信し、データストア７４０から取り出し）、現在のセンサデータ７５２に基づいて、製造設備７２４に関連する是正処置を実行するための出力（例えば、予測データ７６８）を生成する。いくつかの実施形態では、予測構成要素７１４は、１つ又は複数のトレーニングされた機械学習モデル７９０を使用して、現在のセンサデータ７５２に基づいて是正処置を実行するための出力を決定する。

［００９７］ いくつかの実施形態では、予測構成要素７１４は、現在のセンサデータ７５２を受け取り、トレーニングされた機械学習モデル７９０への入力として現在のセンサデータ７５２を提供し、トレーニングされた機械学習モデル７９０から予測データ７６８を示す出力を取得する。

［００９８］ トレーニングされた機械学習モデル７９０は、履歴センサデータ７４４及び履歴エラー値７６０を用いてトレーニングされる。

［００９９］ データストア７４０は、メモリ（例えば、ランダムアクセスメモリ）、ドライブ（例えば、ハードドライブ、フラッシュドライブ）、データベースシステム、又はデータを記憶できる別のタイプの構成要素又はデバイスである。データストア７４０は、複数のコンピューティングデバイス（例えば、複数のサーバコンピュータ）に及ぶ複数の記憶構成要素（例えば、複数のドライブ又は複数のデータベース）を含む。データストア７４０は、センサデータ７４２、エラー値７６０、及び予測データ７６８を記憶する。センサデータ７４２は、履歴センサデータ７４４及び現在のセンサデータ７５２を含む。エラー値７６０は、履歴エラー値７６２及び現在のエラー値７６４を含む。履歴センサデータ７４４及び履歴エラー値７６２は、履歴データ（例えば、機械学習モデル７９０をトレーニングするための少なくとも一部）である。現在のセンサデータ７４４は、予測データ７６８が生成される（例えば、是正処置を実行するために）現在のデータ（例えば、履歴データに続いて、トレーニングされた機械学習モデル７９０に入力される少なくとも一部）である。いくつかの実施形態では、現在のエラー値７６４はまた、（例えば、トレーニングされた機械学習モデルを再トレーニングするための）現在のデータである。

［００１００］ いくつかの実施形態では、予測システム７１０は、サーバマシン７７０及びサーバマシン７８０を更に含む。サーバマシン７７０は、機械学習モデル７９０をトレーニングし、検証し、及び／又は試験するためのデータセット（例えば、データ入力のセット及びターゲット出力のセット）を生成できるデータセットジェネレータ７７２を含む。データセットジェネレータ７７２のいくつかの動作は、図８及び図１０Ａに関して以下に詳細に説明される。いくつかの実施形態では、データセットジェネレータ７７２は、履歴データ（例えば、履歴センサデータ７４４、履歴エラー値７６２）を、トレーニングセット（例えば、履歴データの６０パーセント）、検証セット（例えば、履歴データの２０パーセント）、及び試験セット（例えば、履歴データの２０パーセント）に分割する。いくつかの実施形態では、予測システム７１０は（例えば、予測構成要素７１４を介して）複数のセットの特徴を生成する。例えば、特徴の第１のセットは、データセット（例えば、トレーニングセット、検証セット、及び試験セット）の各々に対応するいくつかのタイプのセンサデータの第１のセット（例えば、センサの第１のセットから、センサの第１のセットからの値の第１の組み合わせ、センサの第１のセットからの値の第１のパターン）に対応し、特徴の第２のセットは、データセットの各々に対応するいくつかのタイプのセンサデータの第２のセット（例えば、センサの第１のセットとは異なるセンサの第２のセットから、第１の組み合わせとは異なる値の第２の組み合わせ、第１のパターンとは異なる第２のパターン）に対応する。

［００１０１］ サーバマシン７８０は、トレーニングエンジン７８２、検証エンジン７８４、選択エンジン７８５、及び／又は試験エンジン７８６を含む。エンジン（例えば、トレーニングエンジン７８２、検証エンジン７８４、選択エンジン７８５、及び試験エンジン７８６）は、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど）、ソフトウェア（処理デバイス、汎用コンピュータシステム、又は専用マシン上で実行される命令など）、ファームウェア、マイクロコード、又はこれらの組合せを指す。トレーニングエンジン７８２は、データセットジェネレータ７７２からのトレーニングセットに関連する特徴の１つ又は複数のセットを使用して、機械学習モデル７９０をトレーニングできる。いくつかの実施形態では、トレーニングエンジン７８２は、複数のトレーニングされた機械学習モデル７９０を生成し、各トレーニングされた機械学習モデル７９０は、トレーニングセットの特徴（例えば、センサの別個のセットからのセンサデータ）の別個のセットに対応する。例えば、第１のトレーニングされた機械学習モデルは、すべての特徴（例えば、Ｘ１－Ｘ５）を使用してトレーニングされ、第２のトレーニングされた機械学習モデルは、特徴（例えば、Ｘ１、Ｘ２、Ｘ４）の第１のサブセットを使用してトレーニングされ、第３のトレーニングされた機械学習モデルは、特徴の第１のサブセットと部分的に重複する特徴（例えば、Ｘ１、Ｘ３、Ｘ４、及びＸ５）の第２のサブセットを使用してトレーニングされる。

［００１０２］ 検証エンジン７８４は、データセットジェネレータ７７２からの検証セットの対応する特徴セットを使用して、トレーニングされた機械学習モデル７９０を検証可能である。例えば、トレーニングセットの特徴の第１のセットを使用してトレーニングされた第１のトレーニングされた機械学習モデル７９０は、検証セットの特徴の第１のセットを使用して検証される。検証エンジン７８４は、検証セットの特徴の対応するセットに基づいて、トレーニングされた機械学習モデル７９０の各々の精度を決定する。検証エンジン７８４は、閾値精度を満たさない精度を有するトレーニングされた機械学習モデル７９０を破棄する。いくつかの実施形態では、選択エンジン７８５は、閾値精度を満たす精度を有する１つ又は複数のトレーニングされた機械学習モデル７９０を選択可能である。いくつかの実施形態では、選択エンジン７８５は、トレーニングされた機械学習モデル７９０の最も高い精度を有するトレーニングされた機械学習モデル７９０を選択可能である。

［００１０３］ 試験エンジン７８６は、データセットジェネレータ７７２からの試験セットの対応する特徴セットを使用して、トレーニングされた機械学習モデル７９０を試験可能である。例えば、トレーニングセットの特徴の第１のセットを使用してトレーニングされた第１のトレーニングされた機械学習モデル７９０は、試験セットの特徴の第１のセットを使用して試験される。試験エンジン７８６は、試験セットに基づいて、トレーニングされたすべての機械学習モデルの中で最も高い精度を有する、トレーニングされた機械学習モデル７９０を決定する。

［００１０４］ 機械学習モデル７９０は、データ入力及び対応するターゲット出力（それぞれのトレーニング入力に対する正解）を含むトレーニングセットを使用してトレーニングエンジン７８２によって生成されるモデルアーチファクトを指す。データ入力をターゲット出力（正解）にマッピングするデータセット内のパターンを見つけることができ、機械学習モデル７９０には、これらのパターンをキャプチャするマッピングが提供される。機械学習モデル７９０は、サポートベクトルマシン（ＳＶＭ）、動径基底関数（ＲＢＦ）、クラスタリング、管理された機械学習、半管理された機械学習、管理されていない機械学習、ｋ最近傍法アルゴリズム（ｋ－ＮＮ）、線形回帰、ランダムフォレスト、ニューラルネットワーク（例えば、人工ニューラルネットワーク）などのうちの１つ又は複数を使用する。

［００１０５］ 予測構成要素７１４は、現在のセンサデータ７５２をトレーニングされた機械学習モデル７９０に提供し、入力上でトレーニングされた機械学習モデル７９０を実行して、１つ又は複数の出力を取得する。予測構成要素７１４は、トレーニングされた機械学習モデル７９０の出力から予測データ７６８を決定（例えば、抽出）し、予測データ７６８が現在のセンサデータ７５２に関連付けられた製造設備７２４の現在のデータ（例えば、現在のエラー値７６４）に対応する信頼性のレベルを示す信頼性データを出力から決定（例えば、抽出）しうる。予測構成要素７１４又は是正処置構成要素７２２は、信頼性データを使用して、予測データ７６８に基づいて、製造設備７２４に関連する是正処置をもたらすかどうかを決定する。

［００１０６］ 一例では、信頼性のレベルは、０と１との間の実数であり、０は、予測データ７６８が現在のセンサデータ７５２に関連する現在のエラー値７６４に対応する信頼性がないことを示し、１は、予測データ７６８が現在のセンサデータ７５２に関連する現在のエラー値７６４に対応する絶対信頼性を示す。いくつかの実施形態では、システム７００は、現在のエラー値７６４を決定するために計測機器７２８を使用する代わりに、予測データ７６８を決定するために予測システム７１０を使用する。いくつかの実施形態では、閾値レベル未満の信頼レベルを示す信頼性データに応じて、システム７００は、計測機器７２８に現在のエラー値７６４を生成させる。インスタンスの所定の数（例えば、インスタンスのパーセンテージ、インスタンスの頻度、インスタンスの総数など）に対する閾値レベルを下回る信頼性レベルを示す信頼性データに応じて、予測構成要素７１４は、トレーニングされた機械学習モデル７９０を再トレーニングさせる（例えば、現在のセンサデータ７５２及び現在のエラー値７６４などに基づいて）。

［００１０７］ 限定ではなく、例示の目的で、本開示の態様は、予測データ７６８（例えば、現在のエラー値７６４）を決定するために、履歴データ（例えば、履歴センサデータ７４４、履歴エラー値７６２）を使用し、１つ又は複数のトレーニングされた機械学習モデル７９０に現在のデータ（例えば、現在のセンサデータ７５２）を入力する、１つ又は複数の機械学習モデル７９０のトレーニングを説明する。他の実施態様では、予測データ７６８を決定するために（例えば、トレーニングされた機械学習モデルを使用せずに）、ヒューリスティックモデル又はルールベースモデルが使用される。予測構成要素７１４は、履歴センサデータ７４４及び履歴エラー値７６２をモニタする。いくつかの実施形態では、図８のデータ入力８１０に関して説明される情報のいずれかが、ヒューリスティックモデル又はルールベースモデルにおいてモニタされるか、又は他の方法で使用される。

［００１０８］ いくつかの実施形態では、クライアントデバイス７２０、予測サーバ７１２、サーバマシン７７０、及びサーバマシン７８０の機能は、より少ない数のマシンによって提供される。例えば、いくつかの実施形態では、サーバマシン７７０及び７８０は、単一のマシンに統合され、一方、いくつかの他の実施形態では、サーバマシン７７０、サーバマシン７８０、及び予測サーバ７１２は、単一のマシンに統合される。いくつかの実施形態では、クライアントデバイス７２０及び予測サーバ７１２は、単一のマシンに統合される。

［００１０９］ 概して、クライアントデバイス７２０、予測サーバ７１２、サーバマシン７７０、及びサーバマシン７８０によって実行されるものとして１つの実施形態で説明されている機能はまた、適宜、他の実施形態における予測サーバ７１２上でも実行されうる。更に、特定の構成要素に帰属する機能は、一緒に動作する異なる構成要素又は複数の構成要素によって実行されうる。例えば、いくつか実施形態では、予測サーバ７１２は、予測データ７６８に基づいて、是正処置を決定する。別の例では、クライアントデバイス７２０は、トレーニングされた機械学習モデルからの出力に基づいて、予測データ７６８を決定する。

［００１１０］ 加えて、特定の構成要素の機能は、一緒に動作する異なる構成要素又は複数の構成要素によって実行されうる。予測サーバ７１２、サーバマシン７７０、又はサーバマシン７８０のうちの１つ又は複数は、適切なアプリケーションプログラミングインターフェース（ＡＰＩ）を通して、他のシステム又はデバイスに提供されるサービスとしてアクセスされる。

［００１１１］ 実施形態において、「ユーザ」は、単一の個人として表される。しかしながら、本開示の他の実施形態は、複数のユーザ及び／又は自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとして認証連携された（ｆｅｄｅｒａｔｅｄ）個々のユーザのセットは、「ユーザ」と見なされる。

［００１１２］ 本開示の実施形態は、製造設備（例えば、半導体製造設備）において是正処置を実行するために予測データ７６８を生成することに関して説明されるが、実施形態は、概して、構成要素を特徴付け、モニタすることにも適用される。実施形態は、概して、異なるタイプのデータに基づいて特徴付け及びモニタすることに適用される。

［００１１３］ 図８は、特定の実施形態による、機械学習モデル（例えば、図７のモデル７９０）のデータセットを作成するための例示的なデータセットジェネレータ８７２（例えば、図７のデータセットジェネレータ７７２）である。各データセットジェネレータ８７２は、図７のサーバマシン７７０の一部である。

［００１１４］ データセットジェネレータ８７２は、履歴センサデータ８４４（例えば、図７の履歴センサデータ７４４）及び履歴エラー値８６２（例えば、図７の履歴エラー値７６２）を使用してデータセットを作成する。図８のシステム８００は、データセットジェネレータ８７２、データ入力８１０、及びターゲット出力８２０を示す。

［００１１５］ いくつかの実施形態では、データセットジェネレータ８７２は、１つ又は複数のデータ入力８１０（例えば、トレーニング入力、検証入力、試験入力）と、データ入力８１０に対応する１つ又は複数のターゲット出力８２０とを含むデータセット（例えば、トレーニングセット、検証セット、試験セット）を生成する。データセットはまた、データ入力８１０をターゲット出力８２０にマッピングするマッピングデータを含む。データ入力８１０はまた、「特徴」、「属性」、又は「情報」とも呼ばれる。いくつかの実施形態では、データセットジェネレータ８７２は、データセットをトレーニングエンジン７８２、検証エンジン７８４、又は試験エンジン７８６に提供し、データセットは、機械学習モデル７９０をトレーニング、検証、又は試験するために使用される。トレーニングセットを生成するいくつかの実施形態は、図１０Ａに関して更に説明される。

［００１１６］ いくつかの実施形態では、データセットジェネレータ８７２は、データ入力８１０及びターゲット出力８２０を生成する。いくつかの実施形態では、データ入力８１０は、履歴センサデータ８４４の１つ又は複数のセットを含む。履歴センサデータ８４４の各インスタンスは、１つ又は複数のタイプのセンサからのセンサデータのうちの１つ又は複数、１つ又は複数のタイプのセンサからのセンサデータの組合せ、１つ又は複数のタイプのセンサからのセンサデータからのパターンなどを含む。

［００１１７］ いくつかの実施形態において、データセットジェネレータ８７２は、第１の機械学習モデルをトレーニングし、検証し、又は試験するために履歴センサデータ８４４Ａの第１セットに対応する第１のデータ入力を生成し、データセットジェネレータ８７２は、第２の機械学習モデルをトレーニングし、検証し、又は試験するために履歴センサデータ８４４Ｂの第２セットに対応する第２のデータ入力を生成する。

［００１１８］ いくつかの実施形態では、データセットジェネレータ８７２は、データ入力８１０又はターゲット出力８２０のうちの１つ又は複数を（例えば、回帰問題のための分類アルゴリズムで使用するために）離散化する（例えば、セグメントなど）。データ入力８１０又はターゲット出力８２０の離散化（例えば、スライディングウインドウを介したセグメント化）は、変数の連続値を離散値に変換する。いくつかの実施形態では、データ入力８１０に対する離散値は、ターゲット出力８２０（例えば、離散エラー値８６２）を取得するための離散履歴センサデータ８４４を示す。

［００１１９］ 機械学習モデルをトレーニング、検証、又は試験するためのデータ入力８１０及びターゲット出力８２０は、特定の施設（例えば、特定の半導体製造施設）に関する情報を含む。例えば、履歴センサデータ８４４は、同じ製造施設のためのものである。別の例では、履歴センサデータ８４４及び履歴エラー値８６２は、同じ製造施設のためのものである。

［００１２０］ いくつかの実施形態では、機械学習モデルをトレーニングするために使用される情報は、特定の特性を有する製造施設の特定のタイプの製造設備７２４からのものであり、トレーニングされた機械学習モデルが、特定のグループの特性を共有する１つ又は複数の構成要素に関連する現在のセンサデータ（例えば、現在のセンサデータ７５２）の入力に基づいて、製造設備７２４の特定のグループの結果を決定できるようにする。いくつかの実施形態では、機械学習モデルをトレーニングするために使用される情報は、２つ以上の製造施設からの構成要素に関するものであり、トレーニングされた機械学習モデルが、１つの製造施設からの入力に基づいて構成要素に関する結果を決定できるようにする。

［００１２１］ いくつかの実施形態では、データセットを生成し、データセットを使用して機械学習モデル７９０をトレーニングし、検証し、又は試験した後に、機械学習モデル７９０は更にトレーニングされ、検証され、又は試験される（例えば、図７の現在のエラー値７６４）か、又は調整される（例えば、ニューラルネットワークにおける接続重みなど、機械学習モデル７９０の入力データに関連する重みを調整する）。

［００１２２］ 図９は、ある実施形態による、予測データ９６８（例えば、図７の予測データ７６８）を生成するためのシステム９００を示すブロック図である。システム９００は、予測データ９６８に基づいて製造設備７２４に関連する是正処置を決定するために使用される。

［００１２３］ ブロック９１０において、システム９００（例えば、図７の予測システム７１０）は、履歴データ（例えば、履歴センサデータ９４４、履歴エラー値９６２）のデータ分割を（例えば、図７のサーバマシン７７０のデータセットジェネレータ７７２を介して）実行して、トレーニングセット９０２、検証セット９０４、及び試験セット９０６を生成する。いくつかの例では、トレーニングセットは履歴データの６０％であり、検証セットは履歴データの２０％であり、試験セットは履歴データの２０％である。システム９００は、トレーニングセット、検証セット、及び試験セットのそれぞれについて複数の特徴セットを生成する。例えば、履歴データが、２０のセンサ（例えば、図７のセンサ７２６）及び１００の構成要素（例えば、それぞれが２０のセンサからのセンサデータに対応する構成要素）から導出された特徴を含む場合、特徴の第１のセットは、センサ１－１０であり、特徴の第２のセットは、センサ１１－２０であり、トレーニングセットは、構成要素１－６０であり、検証セットは、構成要素６１－８０であり、試験セットは、構成要素８１－１００である。この例では、トレーニングセットの特徴の第１のセットは、構成要素１－６０についてのセンサ１－１０からのセンサデータであろう。

［００１２４］ ブロック９１２において、システム９００は、トレーニングセット９０２を使用して、モデルトレーニングを実行する（例えば、図７のトレーニングエンジン７８２を介して）。システム９００は、トレーニングセット９０２の特徴の複数のセット（例えば、トレーニングセット９０２の特徴の第１のセット、トレーニングセット９０２の特徴の第２のセットなど）を使用して複数のモデルをトレーニングする。例えば、システム９００は、機械学習モデルをトレーニングし、トレーニングセット内の特徴の第１のセット（例えば、構成要素１－６０についてのセンサ１－１０からのセンサデータ）を使用して第１のトレーニングされた機械学習モデルを生成し、トレーニングセット内の特徴の第２のセット（例えば、構成要素１－６０についてのセンサ１１－２０からのセンサデータ）を使用して第２のトレーニングされた機械学習モデルを生成する。いくつかの実施形態では、第１のトレーニングされた機械学習モデルと第２のトレーニングされた機械学習モデルとを組み合わせて、第３のトレーニングされた機械学習モデル（例えば、それ自体で第１のトレーニングされた機械学習モデル又は第２のトレーニングされた機械学習モデルよりも良好な予測器である）を生成する。いくつかの実施形態では、モデルを比較する際に使用される特徴のセットは、重複する（例えば、特徴の第１のセットは、センサ１－１５からのセンサデータであり、特徴の第２のセットは、センサ５－２０である）。いくつかの実施形態では、特徴の様々な置換及びモデルの組み合わせを有するモデルを含む数百のモデルが生成される。

［００１２５］ ブロック９１４において、システム９００は、検証セット９０４を使用して（例えば、図７の検証エンジン７８４を介して）モデル検証を実行する。システム９００は、検証セット９０４の対応する特徴のセットを使用して、トレーニングされたモデルのそれぞれを検証する。例えば、システム９００は、検証セット内の特徴の第１のセット（例えば、構成要素６１－８０についてのセンサ１－１０からのセンサデータ）を使用して、第１のトレーニングされた機械学習モデルを検証し、検証セット内の特徴の第２のセット（例えば、構成要素６１－８０についてのセンサ１１－２０からのセンサデータ）を使用して、第２のトレーニングされた機械学習モデルを検証する。いくつかの実施態様において、システム９００は、ブロック９１２で生成された数百のモデル（例えば、特徴の様々な順列を有するモデル、モデルの組み合わせ等）を検証する。ブロック９１４において、システム９００は、１つ又は複数のトレーニングされたモデルの各々の精度を（例えば、モデル検証を介して）決定し、トレーニングされたモデルのうちの１つ又は複数が閾値精度を満たす精度を有するかどうかを決定する。トレーニングされたモデルのいずれも閾値精度を満たす精度を有していないとの決定に応じて、フローはブロック９１２に戻り、システム９００は、トレーニングセットの特徴の異なるセットを使用してモデルトレーニングを実行する。トレーニングされたモデルのうちの１つ又は複数が閾値精度を満たす精度を有しているとの決定に応じて、フローはブロック９１６へと続く。システム９００は、（例えば、検証セットに基づいて）閾値精度未満の精度を有するトレーニングされた機械学習モデルを破棄する。

［００１２６］ ブロック９１６において、システム９００は、（例えば、図７の選択エンジン７８５を介して）モデル選択を行い、閾値精度を満たす１つ又は複数のトレーニングされたモデルのうちのいずれが最も高い精度を有しているかを決定する（例えば、ブロック９１４の検証に基づいて、選択されたモデル９０８）。閾値精度を満たすトレーニングされたモデルのうちの２つ以上が同じ精度を有するとの決定に応じて、フローは、ブロック９１２に戻り、ここで、システム９００は、最高精度を有するトレーニングされたモデルを決定するために、特徴の更に洗練されたセットに対応する更に洗練されたトレーニングセットを使用して、モデルトレーニングを実行する。

［００１２７］ ブロック９１８において、システム９００は、選択されたモデル９０８を試験するために試験セット９０６を使用して、モデル試験を実行する（例えば、図７の試験エンジン７８６を介して）。システム９００は、第１のトレーニングされた機械学習モデルが閾値精度を満たすことを特定（例えば、試験セット９０６の特徴の第１のセットに基づいて）するために、試験セット内の特徴の第１のセット（例えば、構成要素８１－１００についてのセンサ７－１０からのセンサデータ）を使用して、第１のトレーニングされた機械学習モデルを試験する。閾値精度を満たさない選択されたモデル９０８の精度（例えば、選択されたモデル９０８は、トレーニングセット９０２及び／又は検証セット９０４に過度に適合し、試験セット９０６などの他のデータセットには適用できない）に応じて、フローは、ブロック９１２へと続き、システム９００は、特徴の異なるセット（例えば、異なるセンサからのセンサデータ）に対応する異なるトレーニングセットを使用して、モデルトレーニング（例えば、再トレーニング）を実行する。選択されたモデル９０８が、試験セット９０６に基づく閾値精度を満たす精度を有するとの決定に応じて、フローはブロック９２０に続く。少なくともブロック９１２において、モデルは、予測を行うために履歴データ内のパターンを学習し、ブロック９１８において、システム９００は、予測を試験するために残りのデータ（例えば、試験セット９０６）にモデルを適用する。

［００１２８］ ブロック９２０において、システム９００は、トレーニングされたモデル（例えば、選択されたモデル９０８）を使用して、現在のセンサデータ９５２（例えば、図７の現在のセンサデータ７５２）を受信し、トレーニングされたモデルの出力から、予測データ９６８（例えば、図７の予測データ７６８）を決定（例えば、抽出）して、製造設備７２４に関連する是正措置を実行する。いくつかの実施形態では、現在のセンサデータ９５２は、履歴センサデータ９４４内の同じ種類の特徴に対応する。いくつかの実施形態では、現在のセンサデータ９５２は、選択されたモデル９０８をトレーニングするために使用される履歴センサデータ９４４内の特徴のタイプのサブセットと同じタイプの特徴に対応する。

［００１２９］ いくつかの実施形態では、現在のデータが受信される。現在のデータは、現在のエラー値９６４（例えば、図７の現在のエラー値７６４）を含む。現在のデータは、計測機器（例えば、図７の計測機器７２８）、ＬＣＦデバイス、位置合わせデバイス、第三者センサデータから、及び／又はユーザ入力を介して、受信される。モデル９０８は、現在のデータに基づいて再トレーニングされる。いくつかの実施形態では、新しいモデルは、現在のデータ及び現在のセンサデータ９５２に基づいてトレーニングされる。

［００１３０］ いくつかの実施形態では、動作９１０－９２０のうちの１つ又は複数は、様々な順序で、及び／又は本明細書で提示及び説明されていない他の動作を用いて、行われる。いくつかの実施形態では、動作９１０－９２０のうちの１つ又は複数は実行されない。例えば、いくつかの実施形態では、ブロック９１０のデータ分割、ブロック９１４のモデル検証、ブロック９１６のモデル選択、又はブロック９１８のモデル試験のうちの１つ又は複数は、実行されない。

［００１３１］ 図１０Ａ－Ｄは、特定の実施形態による、是正処置をもたらすためのエラー値の決定に関連する方法１０００Ａ－Ｄのフロー図である。方法１０００Ａ－Ｄは、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど）、ソフトウェア（処理デバイス、汎用コンピュータシステム、又は専用マシン上で実行される命令など）、ファームウェア、マイクロコード、又はこれらの組合せを含む処理ロジックによって実行される。いくつかの実施形態では、方法１０００Ａ－Ｄは、部分的に、予測システム７１０によって実行される。方法１０００Ａは、部分的に、予測システム７１０（例えば、図７のサーバマシン７７０及びデータセットジェネレータ７７２、図８のデータセットジェネレータ８７２）によって実行される。予測システム７１０は、本開示の実施形態に従って、方法１０００Ａを使用して、機械学習モデルをトレーニング、検証、又は試験することのうちの少なくとも１つに対するデータセットを生成する。方法１０００Ｂは、予測サーバ７１２（例えば、予測構成要素７１４）によって実行される。方法１０００Ｃ－Ｄは、サーバマシン７８０（例えば、トレーニングエンジン７８２など）によって実行される。いくつかの実施形態では、非一時的な記憶媒体は、（例えば、予測システム７１０、サーバマシン７８０、予測サーバ７１２などの）処理デバイスによって実行されると、処理デバイスに方法１０００Ａ－Ｄの１つ又は複数を実行させる命令を記憶する。

［００１３２］ 説明を簡単にするために、方法１０００Ａ－Ｄは、一連の動作として示され、説明される。しかし、本開示による動作は、様々な順序で、及び／又は同時に、並びに本明細書で提示及び説明されない他の動作と共に行うことができる。更に、開示された主題に従って方法１０００Ａ－Ｄを実施するために、図示されたすべての動作が実行されるわけではない。更に、当業者は、方法１０００Ａ－Ｄが、代替的に、状態図又は事象を介して、相互に関連する一連の状態として表現されうることを理解し、認識するだろう。

［００１３３］ 図１０Ａは、特定の実施形態による、予測データ（例えば、図７の予測データ７６８）を生成するための機械学習モデルのためのデータセットを生成する方法１０００Ａのフロー図である。

［００１３４］ 図１０Ａを参照すると、いくつかの実施形態では、ブロック１００１において、方法１０００Ａを実施する処理ロジックは、トレーニングセットＴを空のセットに初期化する。

［００１３５］ ブロック１００２において、処理ロジックは、センサデータ（例えば、図７の履歴センサデータ７４４、図８の履歴センサデータ８４４、図９の履歴センサデータ９４４）を含む第１のデータ入力（例えば、第１のトレーニング入力、第１の検証入力）を生成する。いくつかの実施形態では、第１のデータ入力は、センサデータのタイプについての特徴の第１のセットを含み、第２のデータ入力は、センサデータのタイプについての特徴の第２のセットを含む（例えば、図８に関して説明されるように）。

［００１３６］ ブロック１００３において、処理ロジックは、データ入力のうちの１つ又は複数（例えば、第１のデータ入力）のための第１のターゲット出力を生成する。いくつかの実施形態では、第１のターゲット出力は、履歴エラー値７６２である。

［００１３７］ ブロック１００４において、処理ロジックは、オプションで、入出力マッピングを示すマッピングデータを生成する。入出力マッピング（又はマッピングデータ）は、データ入力（例えば、本明細書で説明されるデータ入力のうちの１つ又は複数）、データ入力のためのターゲット出力（例えば、ターゲット出力が履歴エラー値７６２を特定する場合）、及びデータ入力とターゲット出力との間の関連付けを指す。

［００１３８］ ブロック１００５で、処理ロジックは、ブロック１００４で生成されたマッピングデータをデータセットＴに追加する。

［００１３９］ ブロック１００６において、処理ロジックは、データセットＴが、機械学習モデル７９０のトレーニング、検証、及び／又は試験のうちの少なくとも１つに十分であるかどうかに基づいて分岐する。もしそうであれば、実行はブロック１００７に進み、そうでなければ、実行はブロック１００２に戻る。いくつかの実施形態では、データセットＴの十分性は、単にデータセット内の入出力マッピングの数に基づいて決定され、一方、いくつかの他の実施態様では、データセットＴの十分性は、入出力マッピングの数に加えて、又はその代わりに、１つ又は複数の他の基準（例えば、データ例の多様性、精度などの尺度）に基づいて決定されることに留意されたい。

［００１４０］ ブロック１００７において、処理ロジックは、機械学習モデル７９０をトレーニングし、検証し、及び／又は試験するために、データセットＴを（例えば、サーバマシン７８０に）提供する。いくつかの実施形態では、データセットＴはトレーニングセットであり、トレーニングを実行するためにサーバマシン７８０のトレーニングエンジン７８２に提供される。いくつかの実施形態では、データセットＴは検証セットであり、検証を実行するためにサーバマシン７８０の検証エンジン７８４に提供される。いくつかの実施形態では、データセットＴは、試験セットであり、試験を実行するためにサーバマシン７８０の試験エンジン７８６に提供される。ニューラルネットワークの場合、例えば、所与の入出力マッピングの入力値（例えば、データ入力８１０に関連する数値）がニューラルネットワークに入力され、入出力マッピングの出力値（例えば、ターゲット出力８２０に関連する数値）がニューラルネットワークの出力ノードに格納される。次いで、ニューラルネットワーク内の接続重量は、学習アルゴリズム（例えば、逆方向伝播など）に従って調整され、この手順は、データセットＴ内の他の入出力マッピングについて繰り返される。ブロック１００７の後に、機械学習モデル（例えば、機械学習モデル７９０）には、サーバマシン７８０のトレーニングエンジン７８２を使用してトレーニングされる、サーバマシン７８０の検証エンジン７８４を使用して検証される、又はサーバマシン７８０の試験エンジン７８６を使用して試験される、のうちの少なくとも１つが行われうる。トレーニングされた機械学習モデルは、（予測サーバ７１２の）予測構成要素７１４によって実施され、製造設備７２４に関連する是正処置を実行するための予測データ７６８を生成する。

［００１４１］ 図１０Ｂは、是正処置を実行するためにエラー値を決定する方法１０００Ｂである。

［００１４２］ 方法１０００Ｂのブロック１０１０において、処理ロジックは、ロボットを固定位置に対していくつかの姿勢で位置決めする。いくつかの実施形態では、処理ロジックは、ロボットの１つ又は複数の部分の動きを分離すること（例えば、リスト部材で関節のみを動かすことなど）によって、ロボットを異なる姿勢で位置決めする。

［００１４３］ いくつかの実施形態では、負荷ポートの選択のユーザ入力の受信に応じて、処理ロジックは、ロボットを基板キャリア（例えば、ＦＯＵＰ、自動教示エンクロージャシステム）内に伸長させ、処理ロジックは、ロボットに基板キャリア内のピンを走査させ、処理ロジックは、試験取得動作及び試験投入動作に、正しく教示されたステーション（例えば、姿勢、位置）を検証させる。

［００１４４］ いくつかの実施形態では、ＳＳＰの選択のユーザ入力の受信に応じて、処理ロジックは、ロボットをＳＳＰ内に伸長させ、処理ロジックは、ロボットにＳＳＰ内のピン（例えば、永久ピン）を走査させ、処理ロジックが、試験取得動作及び試験投入動作に正しく教示されたステーション（例えば、姿勢、位置）を検証させる。

［００１４５］ いくつかの実施形態では、ロードロックの選択のユーザ入力の受信に応じて、処理ロジックは、ロボットをロードロック本体の前の位置まで延ばし、処理ロジックは、ロボットにロードロック本体上の１つ又は複数の永久オフセットピンを走査させ、処理ロジックは、試験取得動作及び試験投入動作に、正しく教示されたステーション（例えば、姿勢、位置）を検証させる。

［００１４６］ いくつかの実施形態では、処理ロジックは、ロボットにピンの円筒部分を走査させる。いくつかの実施形態では、処理ロジックは、以下を含む４つの位置を決定する。１）ピンから離れたところからピンの第１の周縁に進み、２）ピンの上からピンの第２の周縁から離れたところまで進み、３）ピンから離れたところからピンの第２の周縁まで進み、４）ピンの上からピンの第１の周縁から離れたところまで進む。

［００１４７］ いくつかの実施形態では、処理ロジックは、ロボットに、ピンのベースを異なる角度から走査させる。いくつかの実施形態では、較正用に提供するために、ピンの少なくとも一部は、中央ピン（例えば、ピンの円筒状部分）を中心として歪み又は非対称を有する形状（例えば、台形）を有する。ピンの第１の部分（例えば、ピンの円筒部分）の対称性は、較正のために、ピンの第２の部分（例えば、ピンの台形部分）の非対称性と比較される。ロボットアームは、比較のために、ピンの第１の部分（例えば、円筒形）及び第２の部分（例えば、台形）を走査するために、ｚ方向への移動（例えば、上又は下への移動）を実行する。ロボットアームは、比較のために、第１の角度から及び第２の角度から第２の部分（例えば、台形）を測定するために、単一の関節の周りで回転運動を実行する。移動を実行するロボットアームにより、ロボットが関節姿勢を完全に変更して別の物体を走査することなく、同じ近似領域に対する関節角度の比較をできるようにする。いくつかの実施形態では、角度検出のために、走査の角度による分離を増加又は減少させるだろう一組のオフセット特徴（例えば、台形部分の側面又は端面）が使用される。

［００１４８］ いくつかの実施形態では、処理ロジックは、ロボットに較正基板に取り付けられたピンを走査させ、較正基板を第２の位置に運び、較正基板に取り付けられたピンを再び走査させる。

［００１４９］ いくつかの実施形態では、処理ロジックは、ロボットに、位置合わせデバイス又はＬＣＦデバイス上に較正ウエハ（例えば、ノッチ及びピンを有する）を配置させる。処理ロジックによって、位置合わせデバイス又はＬＣＦデバイスは、ノッチを用いて較正ウエハを位置合わせし、次いで、処理ロジックによって、ロボットは、較正ウエハのピンを１つ又は複数の姿勢から走査する。

［００１５０］ ブロック１０１２において、処理ロジックは、いくつかの姿勢のロボットに対する固定位置を特定するセンサデータを生成する。いくつかの実施形態では、センサデータは座標データ点を含む。いくつかの実施形態では、処理ロジックは、外れ値を除去すること、座標データ点をフィッティングすること、座標データ点に対して回帰を実行することなどのうちの１つ又は複数によって、座標データ点を処理する。

［００１５１］ いくつかの実施形態では、センサデータは画像を含む。いくつかの実施形態では、処理ロジックは、画像内のエッジを特定すること、画像内のノイズをクリーンアップすること、画像内の１つ又は複数の物体を特定すること、１つ又は複数のフィルタを通して画像を実行すること、画像内の物体の示唆される位置（ｉｍｐｌｉｅｄ ｐｏｓｉｔｉｏｎ）及び実際の位置を収束させることなどのうちの１つ又は複数によって、画像を処理する。

［００１５２］ ブロック１０１４において、処理ロジックは、センサデータに基づいて、基板処理システムの構成要素に対応するエラー値を決定する。

［００１５３］ いくつかの実施形態では、基板処理システムの１つ又は複数の構成要素を表す１つ又は複数の式が決定される。いくつかの例では、式は、ロボットのリンクの各リンク長及びロボットの関節の各関節エラーを表す。センサデータが式に入力され、エラー値を決定する。

［００１５４］ いくつかの実施形態では、図１０Ｂのブロック１０１４は、方法１０００Ｃのブロック１０２０－１０２４のうちの１つ又は複数を含み、センサデータがトレーニングされた機械学習モデルに入力され、エラー値を決定する。

［００１５５］ いくつかの実施形態では、エラー値は、ロボットのブレードのウエハ中心に対するファイバビームオフセット、ロボットの各関節当たりのモータ若しくはギア伝達エラー、ロボットの楕円関節エラー、ロボットのリンクゼロ調整オフセット、構成要素（例えば、ロボットの関節、位置合わせデバイス、ＬＣＦデバイス）の方向付けられた角度と実際の角度との差、構成要素（例えば、ロボットのリンクなど）の長さと実際の長さとの差、及び／又は同じようなものの１つ又は複数を含む。

［００１５６］ ブロック１０１６において、処理ロジックは、エラー値に基づいて、構成要素に関連する是正処置の実行をもたらす。いくつかの実施形態では、矯正動作の実行は、エラー値に基づいて構成要素（例えば、ロボット、位置合わせデバイス、ＬＣＦデバイス）の移動をもたらすこと、ユーザに警告を与えること、製造設備の機能性を中断すること、製造パラメータを更新すること、製造機器の構成要素の交換を計画すること、エネルギー使用を低減するために１つ又は複数の構成要素を交換すること、予防保守をもたらすこと、構成要素の修正をもたらすこと（例えば、装着ねじの締め付け、ビンディングの交換など）などのうちの１つ又は複数を含む。

［００１５７］ いくつかの実施形態では、是正処置の実行は、エラー値に基づいて自動教示動作を実行することを含む。教示とは、ロボットアームに、処理システム（例えば、基板キャリア、ロードロック、位置合わせデバイス、ＬＣＦデバイスなど）の位置（例えば、基準点）を教示することを指す。いくつかの例では、基準点は、エンクロージャシステムの中心である。

［００１５８］ いくつかの実施形態では、是正処置の性能は、エラー値に基づいて較正動作を実行することを含む。較正とは、ロボットのエラーのような、処理システムの構成要素の移動におけるエラー（例えば、関節の運動学的エラー、関節のヒステリシス、関節の反発）を決定すること、及び決定されたエラーを補償するために構成要素の設定を調整することを指す。

［００１５９］ いくつかの実施形態では、ロボットは、較正操作を実行するために較正基板を使用する。較正基板が、処理システム内に（例えば、基板キャリアの内部空間内の支持構造上に）配置される。較正基板は、実質的に水平であり、較正基板の上面に固定される較正ピンを含む。ロボットアームは、較正ピンを走査して、較正基板の（例えば、較正ピンの）第１の位置を決定し、較正基板を支持構造から除去し（例えば、較正基板を基板キャリアから除去し）、較正基板を支持構造上の第１の位置に配置するように方向付けられ、較正ピンを走査して較正基板の第２の位置を決定し、第１の位置と第２の位置との間の差に基づいて、エラー値（例えば、ロボットアームエラー）を決定する。

［００１６０］ いくつかの実施形態では、ロボットは、較正動作を実行するために較正ウエハを使用する。較正ウエハは、実質的に水平であり、ノッチを（例えば、較正ウエハの側壁上に）含み、較正ウエハの上面に固定されるピンを含む。ロボットは、位置合わせデバイスを走査して、位置合わせデバイスの位置（例えば、Ｘ－Ｙ位置）を決定し、位置合わせデバイス上に較正ウエハを配置する。位置合わせデバイスは、較正ウエハを回転させて、ロボット上のマッピングファイバをトリガして、第１の位置を決定する。次いで、ロボットは、（例えば、リスト関節角度のような関節角度を介して）回転し、ロボット上のマッピングファイバをトリガして、第２の位置を決定する。第１の位置及び第２の位置は、位置合わせデバイス及び／又はロボットのエラー値（例えば、ヨーエラー値）を決定するために比較される。

［００１６１］ いくつかの実施形態では、是正処置の実行は、エラー値に基づいて診断動作を実行することを含む。いくつかの実施形態では、診断動作は、構成要素が誤動作しているかどうかを判定することを含む。いくつかの実施形態では、処理ロジックは、ドリフトの診断、１つ又は複数の構成要素の減衰、ベルトの緩み、潤滑又は摩耗しないためのプーリ精査（ａ ｐｕｌｌｅｙ ｓｔａｒｉｎｇ ｔｏ ｎｏｔ ｂｅ ｌｕｂｅｄ ｏｒ ｗｅａｒｉｎｇ ｏｕｔ）、軸受の摩耗、構成要素の交換を行うべきかどうか、構成要素の保守を行うべきかどうか、構成要素を更に調査するべきかどうか、及び／又は同様のことを決定するために、経時的なエラー値の変化を決定する。

［００１６２］ いくつかの実施形態では、方法１０００Ｂは、処理システムの異なる構成要素のエラー値及び是正処置を決定するために（例えば、エラー値及び是正処置を決定するために、関節などの構成要素を分離することによって）、繰り返される。いくつかの実施形態では、方法１０００Ｂの１回の反復の後に是正処置を実行することに応じて、方法１０００Ｂの第２の反復が実行され（例えば、ロボットの同じ又は異なる姿勢を使用して）、更なる是正処置が必要であるかを決定する。

［００１６３］ 図１０Ｃは、エラー値を決定し、是正処置を実行するためにトレーニングされた機械学習モデルを使用する方法１０００Ｃである。

［００１６４］ ブロック１０２０では、処理ロジックは、トレーニングされた機械学習モデルへの入力としてセンサデータを提供する。いくつかの実施形態では、センサデータは、処理システムの構成要素（例えば、ロボット、位置合わせデバイス、ＬＣＦデバイスなど）に関連付けられたセンサから受信される。いくつかの実施形態では、トレーニングされた機械学習モデルは、図１０Ｄのブロック１０４０－１０４２の１つ又は複数の動作によってトレーニングされる。

［００１６５］ ブロック１０２２において、処理ロジックは、トレーニングされた機械学習モデルから、予測データを示す出力を取得する。予測データは、製造設備の構成要素の移動における予測された異常、製造設備の構成要素における予測された異常、又は予測された構成要素故障などのうちの１つ又は複数を示す。予測データは、製造設備に異常を引き起こしている変動（例えば、製品間の均一性に関するチャンバマッチングから）を示す。例えば、製造設備の異常な特性（例えば、方向付けられた移動と実際の移動との間の差）は、是正処置が実行されることを示す。

［００１６６］ ブロック１０２４において、処理ロジックは、予測データに基づいて、エラー値を決定する。いくつかの実施形態では、エラー値は、処理システムの構成要素の移動に使用されるオフセットを含む。

［００１６７］ いくつかの実施形態では、エラー値に基づいて実行される予測データ及び／又は是正処置は、（例えば、組合せからの項目のうちの１つだけがそれ自体で異常を引き起こさない場合）異常を引き起こしている組合せ（例えば、構成要素の組合せ、製造パラメータの組合せ）を示している。

［００１６８］ いくつかの実施形態では、現在のセンサデータに対応する現在のエラー値が受信される。トレーニングされた機械学習モデルは、現在のセンサデータと現在のエラー値に基づいて、再トレーニングされる（又は新しいモデルがトレーニングされる）。

［００１６９］ 図１０Ｄは、是正処置を実行するためにエラー値（例えば、図７のエラー値７６８）を決定するための機械学習モデル（例えば、図７のモデル７９０Ｂ）をトレーニングする方法１０００Ｄである。

［００１７０］ 図１０Ｄを参照すると、ブロック１０４０において、処理ロジックは、製造設備の構成要素の移動に関連する履歴センサデータ及び履歴エラー値を受信する。いくつかの実施形態では、履歴トレースデータは、１つ又は複数の固定位置に対する構成要素に関連する座標データ点及び／又は画像を含む。いくつかの実施形態では、履歴エラー値は、方向付けられた移動が構成要素の実際の移動に等しくなるように使用されるオフセットを含む。

［００１７１］ ブロック１０４２では、処理ロジックは、履歴センサデータを含むデータ入力と、履歴エラー値を含むターゲット出力とを用いて機械学習モデルをトレーニングし、トレーニングされた機械学習モデルを生成する。トレーニングされた機械学習モデルは、是正処置を実行するための予測データを示す出力を生成できる（例えば、図１０Ｃのブロック１０２２－１０２４を参照）。いくつかの実施形態では、機械学習モデルは、エラー値（例えば、較正された構成要素）及び／又はエラー値を有する構成要素（例えば、較正されていない構成要素）のための履歴センサデータのセットを使用してトレーニングされる。

［００１７２］ 図１１は、特定の実施形態によるコンピュータシステム１１００を示すブロック図である。いくつかの実施形態では、コンピュータシステム１１００は、図１のコントローラ１０９、図２Ａ－Ｂのコントローラ２２８、図７の予測サーバ７１２、図７のクライアントデバイス７２０、及び／又は同様のもののうちの１つ又は複数である。いくつかの実施形態では、コンピュータシステム１１００は、図１１に関連して説明した構成要素及び／又は機能のうちの１つ又は複数を含む。

［００１７３］ いくつかの実施形態では、コンピュータシステム１１００は、（例えば、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、又はインターネットなどのネットワークを介して）他のコンピュータシステムに接続される。コンピュータシステム１１００は、クライアント－サーバ環境におけるサーバ又はクライアントコンピュータの容量において、又はピアツーピア若しくは分散ネットワーク環境におけるピアコンピュータとして動作する。コンピュータシステム１１００は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、パーソナルデジタルアシスタント（ＰＤＡ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチ又はブリッジ、又はそのデバイスによって実行される動作を指定する一連の命令（順次又は別用に）を実行しうる任意のデバイスによって提供される。更に、「コンピュータ」という用語は、本明細書で説明される方法のうちの任意の１つ又は複数を実行するために、命令のセット（又は複数のセット）を個別に又は共同で実行するコンピュータの任意の集合を含むものとする。

［００１７４］ 更なる態様では、コンピュータシステム１１００は、処理デバイス１１０２、揮発性メモリ１１０４（例えば、ランダムアクセスメモリ（ＲＡＭ））、不揮発性メモリ１１０６（例えば、リードオンリーメモリ（ＲＯＭ）又は電気的消去可能プログラマブルＲＯＭ （ＥＥＰＲＯＭ））、及びデータ記憶デバイス１１１６を含み、これらは、バス１１０８を介して互いに通信する。

［００１７５］ 処理デバイス１１０２は、例えば、汎用プロセッサ（例えば、複合命令セット演算（ＣＩＳＣ）マイクロプロセッサ、縮小命令セット演算（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、他のタイプの命令セットを実装するマイクロプロセッサ、又はいくつかのタイプの命令セットの組み合わせを実装するマイクロプロセッサ）、又は専用プロセッサ（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタルシグナルプロセッサ（ＤＳＰ）、又はネットワークプロセッサなど）といった、１つ又は複数のプロセッサによって提供される。

［００１７６］ コンピュータシステム１１００は、（例えば、ネットワーク１１７４に接続された）ネットワークインターフェースデバイス１１２２を更に含む。コンピュータシステム１１００はまた、ビデオディスプレイユニット１１１０（例えば、ＬＣＤ）、英数字入力デバイス１１１２（例えば、キーボード）、カーソル制御デバイス１１１４（例えば、マウス）、及び信号生成デバイス１１２０を含む。

［００１７７］ いくつかの実施態様では、データ記憶デバイス１１１６は、図７の構成要素（例えば、是正処置構成要素７２２、予測構成要素７１４など）を符号化し本明細書に記載の方法を実装する命令を含めて、本明細書に記載の方法又は機能の任意の１つ又は複数を符号化する命令１１２６を記憶する、非一時的なコンピュータ可読記憶媒体１１２４を含む。

［００１７８］ 命令１１２６はまた、コンピュータシステム１１００による実行中に、揮発性メモリ１１０４内及び／又は処理デバイス１１０２内に完全に又は部分的に存在し、したがって、揮発性メモリ１１０４及び処理デバイス１１０２もまた、機械可読記憶媒体を構成する。

［００１７９］ コンピュータ可読記憶媒体１１２４は、単一媒体として例示的な実施例に示されているが、「コンピュータ可読記憶媒体」という用語は、実行可能命令の１つ又は複数のセットを記憶する単一媒体又は複数の媒体（例えば、集中型又は分散型データベース、及び／又は関連するキャッシュ及びサーバ）を含むものとする。「コンピュータ可読記憶媒体」という用語はまた、コンピュータに本明細書に記載の方法のうちの任意の１つ又は複数を実行させるコンピュータによる実行のための命令セットを記憶又は符号化できる任意の有形媒体を含むものとする。「コンピュータ可読記憶媒体」という用語は、ソリッドステートメモリ、光学媒体、及び磁気媒体を含むが、これらに限定されない。

［００１８０］ いくつかの実施形態では、本明細書に記載の方法、構成要素、及び特徴は、個別のハードウェア構成要素によって実装されるか、又はＡＳＩＣＳ、ＦＰＧＡ、ＤＳＰ、又は類似のデバイスなどの他のハードウェア構成要素の機能性に統合される。更に、方法、構成要素、及び特徴は、ハードウェアデバイス内のファームウェアモジュール又は機能回路によって実装される。更に、方法、構成要素、及び特徴は、ハードウェアデバイスとコンピュータプログラム構成要素との任意の組み合わせで、又はコンピュータプログラムで実装される。

［００１８１］ 特に明記しない限り、「位置決めする」、「生成する」、「決定する」、「引き起こす、もたらす」、「適用する」、「破棄する」、「提供する」、「取得する」、「受信する」、「トレーニングする」などの用語は、コンピュータシステムレジスタ及びメモリ内の物理（電子）量として表されるデータを、コンピュータシステムメモリ又はレジスタ内の物理量として同様に表される他のデータ、又は他のそのような情報記憶、送信、又は表示デバイスに操作及び変換する、コンピュータシステムによって実行又は実装される動作及びプロセスを指す。また、本明細書で使用される「第１の」、「第２の」、「第３の」、「第４の」などの用語は、異なる要素間での区別に対する符号を意味し、それらの数値的な記号表示による順序的な意味はない。

［００１８２］ 本明細書に記載の例はまた、本明細書に記載の方法を実行するための装置に関する。いくつかの実施形態では、この装置は、本明細書に記載の方法を実行するために特別に構築されるか、又はコンピュータシステムに記憶されたコンピュータプログラムによって選択的にプログラムされた汎用コンピュータシステムを含む。このようなコンピュータプログラムは、コンピュータ可読有形記憶媒体に記憶される。

［００１８３］ 本明細書に記載の方法及び例示的な例は、本質的に、任意の特定のコンピュータ又は他の装置に関連するものではない。様々な汎用システムが、本明細書に記載の教示に従って使用されるか、又は、本明細書に記載の方法、及び／又はそれらの個々の機能、ルーチン、サブルーチン、若しくは動作のそれぞれを実行するために、より特殊化された装置を構築することが便利であることが分かる。様々なこれらのシステムのための構造の例は、上記の説明に記載されている。

［００１８４］ 上記の説明は、例示を意図するものであって、限定を意図するものではない。本開示は、特定の例示的な例及び実施態様を参照して説明されてきたが、本開示は、説明された例及び実施態様に限定されないことが認識されよう。本開示の範囲は、特許請求の範囲が権利を有する均等物の全範囲と共に、以下の特許請求の範囲を参照して決定されるべきである。

［００１８５］ 本開示は、広範な有用性及び用途の影響を受けやすいことを容易に理解すべきである。本明細書に記載されたもの以外の本開示の多くの実施形態及び適応、並びに多くの変形例、修正例、及び均等な構成は、本開示の実体又は範囲から逸脱することなく、本開示及びその前述の説明から明らかであり、又はそれらによって合理的に示唆されるだろう。したがって、本開示は、特定の実施形態に関連して本明細書で詳細に説明されてきたが、本開示は、例示的なものにすぎず、本開示の例を提示し、完全かつ可能な開示を提供することのみを目的としてなされたものであると理解すべきである。本開示は、開示された特定の装置、アセンブリ、システム、及び／又は方法に限定されることは意図されておらず、反対に、本発明は、特許請求の範囲内にあるすべての修正例、均等物、及び代替例を包含することが意図されている。

Claims (20)

1. 基板処理システム内の固定位置に対して、ロボットを前記基板処理システム内に複数の姿勢で位置付けることと、
   前記複数の姿勢の前記ロボットに対する前記固定位置を特定するセンサデータを生成することと、
   前記センサデータに基づいて、前記基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、
   前記複数のエラー値に基づいて、前記基板処理システムの前記１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることと
   を含み、
   前記１つ又は複数の是正処置は、基準点の位置の自動教示、前記１つ又は複数の構成要素の較正、前記１つ又は複数の構成要素の診断、前記１つ又は複数の構成要素に関連するプロセス制御、前記１つ又は複数の構成要素の予防的動作保守、前記１つ又は複数の構成要素の設計最適化、前記１つ又は複数の構成要素の製造パラメータの更新、前記１つ又は複数の構成要素のフィードバック制御、前記１つ又は複数の構成要素に関連する機械学習の修正又は提供、前記１つ又は複数の構成要素に関連する警告の提供、又はこれらの任意の組合せを含む、方法。
2. 前記センサデータが、複数の座標データ点を含み、前記方法が更に、
   前記複数の座標データ点に線形フィットを適用することと、
   前記線形フィットの平均、モード、又は標準偏差のうちの少なくとも１つを決定することと、
   前記線形フィットの前記平均、前記モード、又は前記標準偏差のうちの前記少なくとも１つに基づいて、外れ値座標データ点を破棄することと、
   破棄された前記外れ値座標データ点を含まない前記座標データ点の対応する平均を決定することと
   を含み、前記複数のエラー値が、破棄された前記外れ値座標データ点を含まない前記座標データ点の前記対応する平均を含む、請求項１に記載の方法。
3. 前記センサデータが、複数の座標データ点を含み、前記複数の座標データ点を生成することが、前記ロボットに接続されたエンドエフェクタの２つの点の間を延びる光路を使用して、前記光路で前記固定位置の周縁上の点を検出することによって、前記固定位置を特定することを含む、請求項１に記載の方法。
4. 前記固定位置が、
   基板エンクロージャシステム内に配置された固定位置、
   較正ウエハ上に配置された固定位置、
   位置合わせデバイス上に配置された固定位置、
   位置中心測定器（ＬＣＦ）デバイス上に配置された固定位置、
   ピンの円筒部分、又は
   前記ピンの台形ベース
   のうちの１つ又は複数である、請求項１に記載の方法。
5. 前記センサデータが、
   前記固定位置に対する前記複数の姿勢の前記ロボットを使用してキャプチャされた複数の画像、
   前記複数の姿勢の前記ロボットを使用して前記固定位置を特定する第１の複数の座標データ点、
   前記基板処理システムの移送チャンバ内に配置された位置合わせデバイスを使用して前記固定位置を特定する第２の複数の座標データ点、又は
   前記基板処理システムのファクトリインターフェース内に配置された位置センタリング（ＬＣＦ）デバイスを使用して前記固定位置を特定する第３の複数の座標データ点
   のうちの１つ又は複数を含む、請求項１に記載の方法。
6. 前記１つ又は複数の構成要素が、
   前記ロボットの上腕、
   前記ロボットの前腕部、
   エンドエフェクタが接続される、前記ロボットのリスト部材、
   前記基板処理システムの移送チャンバ内に配置された位置合わせデバイス、又は
   前記基板処理システムのファクトリインターフェース内に配置された位置中心測定（ＬＣＦ）デバイス
   のうちの１つ又は複数を含む、請求項１に記載の方法。
7. 前記複数のエラー値が、
   前記ロボットのブレードのウエハ中心に対するファイバビームオフセット、
   前記ロボットの各関節ごとのモータ若しくはギア伝達エラー、
   前記ロボットの楕円関節エラー、又は
   前記ロボットのリンクゼロ調整オフセット
   のうちの１つ又は複数を含む、請求項１に記載の方法。
8. 前記１つ又は複数の是正処置の実行が、
   前記自動教示を実行すること、
   前記１つ又は複数の構成要素の前記較正を実行すること、又は
   前記１つ又は複数の構成要素の前記診断を実行すること
   のうちの１つ又は複数を含む、請求項１に記載の方法。
9. 前記複数のエラー値を決定することが、
   トレーニングされた機械学習モデルへの入力として前記センサデータを提供することと、
   前記トレーニングされた機械学習モデルから、予測データを示す１つ又は複数の出力を取得することと、
   前記予測データに基づいて、前記複数のエラー値を決定することと
   を含む、請求項１に記載の方法。
10. 履歴センサデータ及び複数の履歴エラー値を受信することと、
    前記トレーニングされた機械学習モデルを生成するために、前記履歴センサデータを含むデータ入力と、前記複数の履歴エラー値を含むターゲット出力とを用いて、機械学習モデルをトレーニングすることと
    を更に含む、請求項９に記載の方法。
11. 前記複数の履歴エラー値が、
    前記履歴センサデータの少なくとも一部の中心値、
    前記履歴センサデータの前記少なくとも一部の標準偏差の収束、
    前記基板処理システムの位置中心測定（ＬＣＦ）デバイスからのＬＣＦセンサデータ、
    前記基板処理システムの位置合わせデバイスからの位置合わせセンサデータ、又は
    １つ又は複数の第三者センサからの第三者センサデータ
    のうちの１つ又は複数に基づく、請求項１０に記載の方法。
12. 命令を記憶する非一時的機械可読記憶媒体であって、前記命令は、実行されると、処理デバイスに、
    基板処理システム内の固定位置に対して、ロボットを前記基板処理システム内に複数の姿勢で位置付けることと、
    前記複数の姿勢の前記ロボットに対する前記固定位置を特定するセンサデータを生成することと、
    前記センサデータに基づいて、前記基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、
    前記複数のエラー値に基づいて、前記基板処理システムの前記１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることと
    を含む動作を実行させ、
    前記１つ又は複数の是正処置は、基準点の位置の自動教示、前記１つ又は複数の構成要素の較正、前記１つ又は複数の構成要素の診断、前記１つ又は複数の構成要素に関連するプロセス制御、前記１つ又は複数の構成要素の予防的動作保守、前記１つ又は複数の構成要素の設計最適化、前記１つ又は複数の構成要素の製造パラメータの更新、前記１つ又は複数の構成要素のフィードバック制御、前記１つ又は複数の構成要素に関連する機械学習の修正又は提供、前記１つ又は複数の構成要素に関連する警告の提供、又はこれらの任意の組合せを含む、非一時的機械可読記憶媒体。
13. 前記１つ又は複数の構成要素が、
    前記ロボットの上腕、
    前記ロボットの前腕部、
    エンドエフェクタが接続される、前記ロボットのリスト部材、
    前記基板処理システムの移送チャンバ内に配置された位置合わせデバイス、又は
    前記基板処理システムのファクトリインターフェース内に位置する位置中心測定（ＬＣＦ）デバイス
    のうちの１つ又は複数を備える、請求項１２に記載の非一時的機械可読記憶媒体。
14. 前記複数のエラー値が、
    前記ロボットのブレードのウエハ中心に対するファイバビームオフセット、
    前記ロボットの各関節ごとのモータ又はギア伝達エラー、
    前記ロボットの楕円関節エラー、
    前記ロボットのリンクゼロ調整オフセット
    のうちの１つ又は複数を含む、請求項１２に記載の非一時的機械可読記憶媒体。
15. 前記複数のエラー値を決定することが、
    前記センサデータを、トレーニングされた機械学習モデルへの入力として提供することと、
    前記トレーニングされた機械学習モデルから、予測データを示す１又は複数の出力を得ることと、
    前記予測データに基づいて、前記複数のエラー値を決定することと
    を含む、請求項１２に記載の非一時的機械可読記憶媒体。
16. 履歴センサデータ及び複数の履歴エラー値を受信することと、
    前記履歴センサデータを含むデータ入力と、前記複数の履歴エラー値を含むターゲット出力で機械学習モデルをトレーニングして、前記トレーニングされた機械学習モデルを生成することと
    をさらに含む、請求項１５に記載の非一時的機械可読記憶媒体。
17. システムであって、
    メモリと、
    前記メモリに接続された処理デバイスと
    を備え、前記処理デバイスが、
    基板処理システム内の固定位置に対して、ロボットを前記基板処理システム内に複数の姿勢で位置付けることと、
    前記複数の姿勢の前記ロボットに対する前記固定位置を特定するセンサデータを生成することと、
    前記センサデータに基づいて、前記基板処理システムの１つ又は複数の構成要素に対応する複数のエラー値を決定することと、
    前記複数のエラー値に基づいて、前記基板処理システムの前記１つ又は複数の構成要素に関連する１つ又は複数の是正処置を実行させることと
    を行い、
    前記１つ又は複数の是正処置は、基準点の位置の自動教示、前記１つ又は複数の構成要素の較正、前記１つ又は複数の構成要素の診断、前記１つ又は複数の構成要素に関連するプロセス制御、前記１つ又は複数の構成要素の予防的動作保守、前記１つ又は複数の構成要素の設計最適化、前記１つ又は複数の構成要素の製造パラメータの更新、前記１つ又は複数の構成要素のフィードバック制御、前記１つ又は複数の構成要素に関連する機械学習の修正又は提供、前記１つ又は複数の構成要素に関連する警告の提供、又はこれらの任意の組合せを含む、システム。
18. 前記センサデータが複数の座標データ点を含み、前記処理デバイスが更に、
    前記複数の座標データ点に線形フィットを適用することと、
    前記線形フィットの平均、モード、又は標準偏差のうちの少なくとも１つを決定することと、
    前記線形フィットの前記平均、前記モード、又は前記標準偏差のうちの前記少なくとも１つに基づいて、外れ値座標データ点を破棄することと、
    破棄された前記外れ値座標データ点を含まない前記座標データ点の対応する平均を決定することと
    を行うものであり、前記複数のエラー値が、破棄された前記外れ値座標データ点を含まない前記座標データ点の前記対応する平均を含む、請求項１７に記載のシステム。
19. 前記複数のエラー値を決定するために、前記処理デバイスが、
    前記センサデータを、トレーニングされた機械学習モデルへの入力として提供することと、
    前記トレーニングされた機械学習モデルから、予測データを示す１又は複数の出力を得ることと、
    前記予測データに基づいて、前記複数のエラー値を決定することと
    を行う、請求項１７に記載のシステム。
20. 前記処理デバイスがさらに、
    履歴センサデータ及び複数の履歴エラー値を受信することと、
    前記履歴センサデータを含むデータ入力と、前記複数の履歴エラー値を含むターゲット出力で機械学習モデルをトレーニングして、前記トレーニングされた機械学習モデルを生成することと
    を行う、請求項１９に記載のシステム。

Images