JP7238146B2 - イオン注入半導体製造ツールにおける構成要素の故障の是正 - Google Patents

イオン注入半導体製造ツールにおける構成要素の故障の是正 Download PDF

Info

Publication number
JP7238146B2
JP7238146B2 JP2021544540A JP2021544540A JP7238146B2 JP 7238146 B2 JP7238146 B2 JP 7238146B2 JP 2021544540 A JP2021544540 A JP 2021544540A JP 2021544540 A JP2021544540 A JP 2021544540A JP 7238146 B2 JP7238146 B2 JP 7238146B2
Authority
JP
Japan
Prior art keywords
window
failure
sensor data
components
machine learning
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
JP2021544540A
Other languages
English (en)
Other versions
JPWO2020159730A5 (ja
JP2022523101A (ja
Inventor
ティアンチン リャオ
シマ ディダリ
ハリクリシュナン ラジャゴパル
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.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
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 Applied Materials Inc filed Critical Applied Materials Inc
Publication of JP2022523101A publication Critical patent/JP2022523101A/ja
Publication of JPWO2020159730A5 publication Critical patent/JPWO2020159730A5/ja
Priority to JP2023030851A priority Critical patent/JP7472344B2/ja
Application granted granted Critical
Publication of JP7238146B2 publication Critical patent/JP7238146B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67011—Apparatus for manufacture or treatment
    • H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
    • H01L21/67207—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process
    • H01L21/67213—Apparatus for manufacturing or treating in a plurality of work-stations comprising a chamber adapted to a particular process comprising at least one ion or electron beam chamber
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/317—Electron-beam or ion-beam tubes for localised treatment of objects for changing properties of the objects or for applying thin layers thereon, e.g. for ion implantation
    • H01J37/3171—Electron-beam or ion-beam tubes for localised treatment of objects for changing properties of the objects or for applying thin layers thereon, e.g. for ion implantation for ion implantation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • 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
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J2237/00—Discharge tubes exposing object to beam, e.g. for analysis treatment, etching, imaging
    • H01J2237/30—Electron or ion beam tubes for processing objects
    • H01J2237/304—Controlling tubes
    • H01J2237/30405—Details
    • H01J2237/30427—Details using neural networks or fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Manufacturing & Machinery (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Physical Vapour Deposition (AREA)
  • Crystals, And After-Treatments Of Crystals (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Description

本開示は、構成要素の故障を是正すること、より詳細には、半導体製造ツールにおける構成要素の故障を是正することに関する。
製造装置を中断することなく動作させることを制限する要因の１つは、構成要素の故障である。例えば、フラッド銃およびソース銃の故障は、イオン注入ツールの動作を中断させる可能性がある。構成要素の故障は、ユーザにとって高コストである計画外のダウンタイムにつながる。
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の本開示の簡略化された概要である。本概要は、開示の広範な概説ではない。本開示の主要な要素また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範囲または特許請求の範囲を正確に描写することも意図されていない。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、本開示のいくつかの概念を簡略化された形態で提示することである。
本開示の一態様では、方法は、イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する現在のセンサデータを受信することを含むことができる。本方法は、特徴分析を実行して、現在のセンサデータに対して複数の追加の特徴を生成することをさらに含むことができる。本方法は、訓練された機械学習モデルへの入力として複数の追加の特徴を提供することをさらに含むことができる。本方法は、訓練された機械学習モデルから１つまたは複数の出力を取得することをさらに含むことができる。１つまたは複数の出力は、予測ウインドウの信頼性レベルを示すことができる。本方法は、予測ウインドウの信頼性レベルに基づいて、イオン注入ツールの１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測することをさらに含むことができる。本方法は、１つまたは複数の構成要素が故障前ウインドウ内にあると予測したことに応答して、イオン注入ツールに関連付けられた是正措置を実行することをさらに含むことができる。
本開示のさらなる態様では、方法は、イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する過去のセンサデータを受信することを含むことができる。本方法は、過去のセンサデータの第１のサブセットに対する正常動作ウインドウと、過去のセンサデータの第２のサブセットに対する故障前ウインドウとを含む複数のウインドウを決定することをさらに含むことができる。本方法は、特徴分析を実行して、過去のセンサデータに対して複数の追加の特徴を生成することをさらに含むことができる。本方法は、訓練された機械学習モデルを生成するために、複数の追加の特徴を含む訓練データ、および複数のウインドウを含むターゲット出力を使用して機械学習モデルを訓練することをさらに含むことができる。訓練された機械学習モデルは、１つまたは複数のイオン注入ツール構成要素が故障前ウインドウ内にあるかどうかを示す１つまたは複数の出力を生成することが可能であってもよい。
本開示のさらなる態様では、システムは、メモリと、メモリに結合された処理デバイスとを含むことができる。処理デバイスは、イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する現在のセンサデータを受信することができる。処理デバイスは、特徴分析をさらに実行して、現在のセンサデータに対して複数の追加の特徴を生成することができる。処理デバイスは、訓練された機械学習モデルへの入力として複数の追加の特徴をさらに提供することができる。処理デバイスは、訓練された機械学習モデルから１つまたは複数の出力をさらに取得することができる。１つまたは複数の出力は、予測ウインドウの信頼性レベルを示すことができる。処理デバイスは、予測ウインドウの信頼性レベルに基づいて、イオン注入ツールの１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかをさらに予測することができる。処理デバイスは、１つまたは複数の構成要素が故障前ウインドウ内にあると予測したことに応答して、イオン注入ツールに関連付けられた是正措置をさらに実行することができる。
本開示は、添付の図面の図において、限定としてではなく、例として示される。
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。 特定の実施形態による、機械学習モデル用のデータセットを作成するための例示的なデータセット生成器である。 特定の実施形態による、構成要素の故障を予測するためのシステムを示すブロック図である。 特定の実施形態による、構成要素の故障を予測するための例示的な方法を示す流れ図である。 特定の実施形態による、構成要素の故障を予測するための例示的な方法を示す流れ図である。 特定の実施形態による、構成要素の故障を予測するための例示的な方法を示す流れ図である。 特定の実施形態による、構成要素の故障を予測するためのシステムを示すブロック図である。 特定の実施形態による、構成要素の故障を予測するためのシステムを示すブロック図である。 特定の実施形態による、構成要素の故障を予測することを示すグラフである。 特定の実施形態による、構成要素の故障を予測することを示すグラフである。 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。
本明細書では、半導体製造ツールの構成要素の故障を是正するための技術について説明する。構成要素の故障は、製造装置の動作を中断させる。例えば、フラッド銃およびソース銃の故障は、イオン注入半導体製造ツールの動作を中断させる。構成要素の故障は、計画外のダウンタイム、ユーザにとっての高コスト、機器および製品の損傷などにつながる可能性がある。構成要素を時期尚早に交換すると、メンテナンスコストが増大し、構成要素が無駄になり、構成要素の交換に不必要な時間がかかる可能性がある。
本明細書に開示されるデバイス、システム、および方法は、半導体製造ツールにおける構成要素の故障を是正すること（例えば、イオン注入半導体製造ツールにおけるプラズマソース銃の寿命予測）を提供する。本明細書に開示されるデバイス、システム、および方法は、導出されたセンサ読み取り値を使用してイオン注入ツールのための重要な構成要素の故障予測を（例えば、深層学習モデルを使用することによって）提供することができる。処理デバイスは、製造装置（例えば、イオン注入ツール）に関連付けられた複数のセンサから、特徴（例えば、圧力、温度、流量、電力など）に対応する現在のセンサデータを受信することができる。処理デバイスは、特徴分析をさらに実行して、現在のセンサデータに対して追加の特徴を生成することができる。追加の特徴は、１つまたは複数の特徴に基づいて生成されてもよい。例えば、追加の特徴は、比率、範囲、デルタ、最大値などのうちの１つまたは複数を含むことができる。処理デバイスは、訓練された機械学習モデルへの入力として追加の特徴をさらに提供し、続いて、訓練された機械学習モデルから１つまたは複数の出力を取得することができる。１つまたは複数の出力は、予測ウインドウの信頼性レベルを示すことができる。処理デバイスは、予測ウインドウの信頼性レベルに基づいて、イオン注入ツールの１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測することができる。故障前ウインドウは、構成要素の故障が発生すると予測される前の時間ウインドウ（例えば、２４時間、４８時間）であってもよい。処理デバイスは、１つまたは複数の構成要素が故障前ウインドウ内にあると予測したことに応答して、イオン注入ツールに関連付けられた是正措置をさらに実行することができる。是正措置（例えば、構成要素の故障を是正すること、および／または先制的に是正すること）は、警告を発すること、製造装置の動作を中断すること、および／または１つもしくは複数の構成要素を交換させることを含むことができる。
本明細書に開示されるデバイス、システム、および方法はまた、構成要素の故障を予測するための機械学習モデルの訓練を提供する。一部の実施形態では、処理デバイスは、製造装置（例えば、イオン注入ツール）に関連付けられたセンサから、特徴に対応する過去のセンサデータ（例えば、センサ、圧力、流量、電力などのデータの過去の値）を受信することができる。処理デバイスは、過去のセンサデータに対応するウインドウをさらに決定することができる。このウインドウは、過去のセンサデータの第１のサブセットに対する正常動作ウインドウと、過去のセンサデータの第２のサブセットに対する故障前ウインドウとを含むことができる。処理デバイスは、特徴分析をさらに実行して、過去のセンサデータに対して追加の特徴（例えば、比率、範囲、デルタ、最大値など）を生成することができる。処理デバイスは、追加の特徴を含む訓練データおよびウインドウを含むターゲット出力を使用して機械学習モデルをさらに訓練して、訓練された機械学習モデルを生成することができる。訓練された機械学習モデルは、（例えば、イオン注入ツールの１つまたは複数の構成要素に関連付けられた是正措置を実行するために）１つまたは複数の構成要素（例えば、イオン注入ツール構成要素）が故障前ウインドウ内にあるかどうかを示す１つまたは複数の出力を生成することが可能であってもよい。機械学習モデルは、第１の製造装置に関連付けられた過去のセンサデータを使用して訓練されてもよく、他の製造装置の構成要素の故障を予測するために使用されてもよい。
本開示の態様はまた、技術的利点をもたらす。従来、構成要素は、故障するまで使用されるか、時期尚早に交換されている。処理デバイスが１つまたは複数の構成要素に対する故障前ウインドウ（例えば、寿命、２４時間、４８時間）を予測することによって、処理デバイスは、１つまたは複数の構成要素が故障前に交換されるように是正措置を講じることができる。故障前に（例えば、故障後ではなく）構成要素を交換することで、ダウンタイムが短縮され、製造装置および製品への損傷が減り、予定外のメンテナンスが減り、交換構成要素の迅速な発送が減ることなどがある。（例えば、恣意的に非常に時期尚早に構成要素を交換する代わりに）故障前ウインドウ内の構成要素を交換することで、依然として使用可能な現在の構成要素の無駄が減り、構成要素の頻繁な交換に関連付けられたコストが削減され、メンテナンスが減ることなどがある。（訓練された機械学習モデルを使用して、１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測する前に）センサデータを受信し、ノイズを低減し、特徴分析を実行することで、（例えば、ノイズおよび特徴のすべてを含む）センサデータのすべてを分析することと比較して、エネルギー消費（例えば、バッテリ消費）、帯域幅、レイテンシなどの大幅な削減がもたらされる。
図１は、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１００を示すブロック図である。システムアーキテクチャ１００は、クライアントデバイス１２０、故障予測サーバ１３０、およびデータストア１４０を含む。故障予測サーバ１３０は、故障予測システム１１０の一部であってもよい。
クライアントデバイス１２０、故障予測サーバ１３０、データストア１４０、サーバマシン１７０、サーバマシン１８０、製造装置１２４（例えば、イオン注入ツールなど）、およびセンサ１２６は、故障予測のためにネットワーク１６０を介して互いに結合されていてもよい。一部の実施形態では、ネットワーク１６０は、故障予測サーバ１３０、データストア１４０、および他の公に利用可能なコンピューティングデバイスへのアクセスをクライアントデバイス１２０に提供するパブリックネットワークである。一部の実施形態では、ネットワーク１６０は、故障予測サーバ１３０、データストア１４０、および他のプライベートに利用可能なコンピューティングデバイスへのアクセスをクライアントデバイス１２０に提供するプライベートネットワークである。ネットワーク１６０は、１つまたは複数の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ネットワークもしくは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（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、および／またはそれらの組合せを含むことができる。
製造装置１２４は、半導体処理に使用することができる。製造装置１２４は、イオン注入ツールを含むことができる。イオン注入ツールは、半導体デバイスを通る電気の流れを制御するために（例えば、トランジスタなどを作るために）、原子を半導体デバイスに挿入することができる。製造装置１２４（例えば、イオン注入ツール）は、フラッド銃１２４Ａ、ソース銃１２４Ｂなどの構成要素を含むことがある。フラッド銃１２４Ａは、ターゲット（例えば、フラッド領域、絶縁体または半導体上の領域）に低エネルギー電子の定常流を提供する電気機械装置であってもよい。ソース銃１２４Ｂ（例えば、プラズマソース銃）は、半導体デバイス上にプラズマを堆積させるためのプラズマ源であってもよい（例えば、半導体デバイス上にプラズマを効果的に堆積させるために、かなりのストリーミング速度でプラズマを放出する）。
製造装置１２４（例えば、イオン注入ツール）を中断なく動作させることを制限する要因は、１つまたは複数の構成要素（例えば、フラッド銃１２４Ａ、ソース銃１２４Ｂなど）の故障であることがあり、これは、計画外のダウンタイムにつながる可能性がある。センサ１２６は、製造装置１２４に関連付けられたセンサデータ（例えば、生のセンサデータ、温度、圧力、電力、流量など）を捕捉することができる。例えば、イオン注入ツールには、数千ヘルツの取得速度を有する数百のセンサが設けられている場合がある。センサの数、センサデータの取得速度、および構成要素の平均余命（例えば、６か月など）を考慮すると、捕捉されるセンサデータ（例えば、生のセンサデータ）の量は非常に大きくなる可能性がある。センサ１２６からのセンサデータ１４２は、データストア１４０に記憶されてもよい。
本明細書に記載されるように、半導体処理は、ウエハ用の半導体製造、またはディスプレイ製造（例えば、フラットパネルディスプレイ製造）のうちの１つもしくは複数を含んでもよい。故障予測は、半導体製造装置の１つまたは複数の構成要素（例えば、ウエハ用の半導体製造において使用される構成要素の故障を予測する）またはディスプレイ製造（例えば、ディスプレイ製造において使用される構成要素の故障を予測する）に関連付けられてもよい。
クライアントデバイス１２０は、パーソナルコンピュータ（ＰＣ）、ラップトップ、携帯電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、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ことができる。クライアントデバイス１２０は、ネットワーク１６０を介して情報（例えば、故障予測のための製造装置１２４の選択）を送信し、ネットワーク１６０を介して予測された故障に関連付けられた指示（例えば、予測ウインドウの信頼性レベル、是正措置を実行するための命令など）を受信することが可能であってもよい。予測された故障に関連付けられた命令は、製造装置１２４の１つまたは複数の構成要素が、現在、時間の予測ウインドウ１５６Ｂ（例えば、正常動作ウインドウ、故障前ウインドウ、故障ウインドウなど）に関連付けられていることを特定することができる。予測された故障に関連付けられた命令は、故障までの時間量、交換されるべき構成要素、構成要素を交換する方法、製造装置１２４の動作が中断されたか（例えば、シャットダウンされたか）どうか、または製造装置１２４の動作を中断すべきかどうかのうちの１つもしくは複数を示すことができる。クライアントデバイス１２０は、予測された故障に関連付けられた指示を受信したことに応答して、グラフィカルユーザインターフェース（ＧＵＩ）を介して警告を表示することができる。各クライアントデバイス１２０は、ユーザが情報を生成、閲覧、および編集し、警告を閲覧することを可能にするオペレーティングシステムを含むことができる。
クライアントデバイス１２０は、是正措置構成要素１２２を含むことができる。是正措置構成要素１２２は、（例えば、クライアントデバイス１２０を介して表示されるＧＵＩを介して）ユーザ入力を受信することができ、ユーザ入力に基づいて、製造装置１２４に対して故障予測が実行されるべきであるという指示を生成することができる。是正措置構成要素１２２は、故障予測サーバ１３０に指示を送信することができる。一部の実施形態では、是正措置構成要素１２２は、（例えば、製造装置１２４に結合されたセンサ１２６からの）センサデータ１４２を故障予測サーバ１３０に送信する。是正措置構成要素１２２は、（例えば、故障予測サーバ１３０が故障前ウインドウを決定したことに応答して）故障予測サーバ１３０から予測された故障に関連付けられた指示を受信することができる。是正措置構成要素１２２は、是正措置を実行させることができる。是正措置は、（例えば、故障前ウインドウを予測したことに基づいて）構成要素の故障を是正および／または先制的に是正することを指すことができる。例えば、是正措置を実行させるために、是正措置構成要素１２２は、（例えば、クライアントデバイス１２０のＧＵＩを介して、製造装置１２４を介してなどで）警告を発することができ、製造装置１２４の動作を中断する（例えば、製造装置１２４の１つまたは複数の部分をシャットダウンする）ことができ、および／または１つもしくは複数の構成要素を交換させることができる。
故障予測サーバ１３０は、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、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などの１つまたは複数のコンピューティングデバイスを含むことができる。故障予測サーバ１３０は、故障予測構成要素１３２を含むことができる。一部の実施形態では、故障予測構成要素１３２は、（例えば、製造装置１２４に結合されたセンサ１２６から）センサデータ１４２を受信することができる。センサデータ１４２は、経時的な記録値および各値についての対応するタイムスタンプ（例えば、第１の時点での第１の記録温度、第２の時点での第２の記録温度など）を含むことができる。センサデータ１４２は、（例えば、いかなる特徴エンジニアリングも行わない）生のトレースデータであってもよい。故障予測構成要素１３２は、現在のセンサデータ１５０からノイズを除去し、特徴分析を実行して現在のセンサデータ１５０について追加の特徴を生成し、製造装置１２４の１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測し、１つまたは複数の構成要素が故障前ウインドウ内にあると予測したことに応答して、製造装置１２４に関連付けられた是正措置を実行することができる。
構成要素が故障前ウインドウ内にあるかどうかを予測するために、故障予測構成要素１３２は、現在のセンサデータ１５０（例えば、現在の追加の特徴１５４）を故障予測のためのモデル１９０（例えば、畳み込み長短期記憶（ＬＳＴＭ）（ｃｏｎｖＬＳＴＭ）モデル、深層学習モデル、ランダムフォレストモデルなど）に提供することができる。故障予測構成要素１３２は、現在のセンサデータ１５０に基づいて、モデル１９０から予測ウインドウ１５６Ｂの信頼性レベル１５８を受信することができる。
センサデータ１５０の各特徴（例えば、過去の特徴１４６、現在の特徴１５２など）は、シーケンス（例えば、第１の値、第２の値など）、タイムスタンプ（例えば、第１の値における時間、第２の値における時間など）、およびどのセンサ１２６がシーケンスに対応するかの表示を含むことができる。各追加の特徴（例えば、過去の追加の特徴１４８、現在の追加の特徴１５４）は、１つまたは複数の特徴に対して１つまたは複数の操作を実行することによって生成することができる。１つまたは複数の操作は、複数のセンサ１２６のうちの１つもしくは複数からの特徴（例えば、対応するセンサデータ）の比率、範囲、デルタ、または最大値のうちの１つもしくは複数を含むことができる。例えば、第１の特徴は、センサ１２６のうちの圧力センサから受信した圧力測定値のシーケンスであってもよく、第２の特徴は、センサ１２６のうちの温度センサから受信した温度測定値のシーケンスであってもよく、第１の追加の特徴は、圧力測定値のシーケンスを対応する各温度測定値で割った比率であってもよい（例えば、第１の追加の特徴は、第１の時点における第１の圧力値を第１の時点における第１の温度値で割ったもの、第２の時点における第２の圧力値を第２の時点における第２の温度値で割ったものなどを含むシーケンスであってもよい）。
データストア１４０は、メモリ（例えば、ランダムアクセスメモリ）、ドライブ（例えば、ハードドライブ、フラッシュドライブ）、データベースシステム、またはデータを記憶することができる別のタイプの構成要素またはデバイスであってもよい。データストア１４０は、複数のコンピューティングデバイス（例えば、複数のサーバコンピュータ）にまたがることがある複数のストレージ構成要素（例えば、複数のドライブまたは複数のデータベース）を含むことができる。データストア１４０は、センサデータ１４２（例えば、過去のセンサデータ１４４、過去の特徴１４６、過去の追加の特徴１４８、現在のセンサデータ１５０、現在の特徴１５２、現在の追加の特徴１５４など）、ウインドウ１５６（例えば、過去のウインドウ１５６Ａ、予測ウインドウ１５６Ｂ）、信頼性レベル１５８などのうちの１つまたは複数を記憶することができる。
一部の実施形態では、故障予測システム１１０は、サーバマシン１７０およびサーバマシン１８０をさらに含む。サーバマシン１７０および１８０は、１つまたは複数のコンピューティングデバイス（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など）、データストア（例えば、ハードディスク、メモリデータベース）、ネットワーク、ソフトウェア構成要素、またはハードウェア構成要素であってもよい。
サーバマシン１７０は、機械学習モデル１９０を訓練、検証、またはテストするために、１つまたは複数のデータセット（例えば、図２のデータ入力２１０のセットおよびターゲット出力２２０のセット）を生成することが可能なデータセット生成器１７２を含む。データセット生成器１７２のいくつかの動作は、図２および図６に関して以下で詳細に説明される。一部の実施形態では、データセット生成器１７２は、過去のセンサデータ１４４を訓練セット（例えば、過去のセンサデータ１４４の６０パーセント）、検証セット（例えば、過去のセンサデータ１４４の２０パーセント）、およびテストセット（例えば、過去のセンサデータ１４４の２０パーセント）に分割することができる。サーバマシン１８０は、訓練エンジン１８２を含む。一部の実施形態では、サーバマシン１８０は、訓練エンジン１８２、検証エンジン１８４、およびテストエンジン１８６を含む。訓練エンジン１８２は、データセット生成器１７２からの訓練セットを使用して、機械学習モデル１９０を訓練することが可能であってもよい。訓練エンジン１８２は、１つまたは複数の訓練された機械学習モデル１９０を生成することができる。
検証エンジン１８４は、データセット生成器１７２からの検証セットを使用して、訓練された機械学習モデル１９０を検証することが可能であってもよい。検証エンジン１８４は、検証セットに基づいて、訓練された機械学習モデル１９０のそれぞれの精度を決定することができる。検証エンジン１８４は、しきい値精度を満たさない精度を有する訓練された機械学習モデル１９０を破棄することができる。
テストエンジン１８６は、データセット生成器１７２からのテストセットを使用して、訓練された機械学習モデル１９０をテストすることが可能であってもよい。テストエンジン１８６は、テストセットに基づいて、訓練された機械学習モデルのすべての中で最も高い精度を有する訓練された機械学習モデル１９０を決定することができる。
機械学習モデル１９０は、データ入力および対応するターゲット出力（それぞれの訓練入力に対する正解）を含む訓練セットを使用する、訓練エンジン１８２によって作成されるモデルアーチファクトを指してもよい。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のパターンを見出すことができ、機械学習モデル１９０には、これらのパターンを捕捉するマッピングが提供される。一部の実施形態では、機械学習モデル１９０は、１つまたは複数のＬＳＴＭ層およびソフトマックス層を使用することができる（図７Ａ～図７Ｂ参照）。
一部の実施形態では、故障予測構成要素１３２は、過去のセンサデータ１４４および過去のウインドウ１５６Ａをデータセット生成器１７２に提供することができる。データセット生成器１７２は、過去のセンサデータ１４４を入力として、過去のウインドウ１５６を出力として、訓練エンジン１８２、検証エンジン１８４、および／またはテストエンジン１８６のうちの１つもしくは複数に提供して、機械学習モデル１９０の訓練、検証、またはテストのうちの１つもしくは複数を行うことができる。
一部の実施形態では、故障予測システム１１０は、異なるハイパーパラメータ（例えば、異なる数のＬＳＴＭ層）、異なるタイプの機械学習モデル、過去の追加の特徴１４８の異なるセットなどのうちの１つまたは複数に基づいて、異なるモデル１９０を生成することができる。故障予測システム１１０は、異なるモデル１９０を訓練、検証、またはテストすることのうちの１つもしくは複数を行って、最も正確なモデル１９０を選択することができる。
一部の実施形態では、故障予測構成要素１３２は、訓練された機械学習モデル１９０への入力として現在のセンサデータ１５０を提供し、入力に対して訓練された機械学習モデル１９０を実行して、１つまたは複数の出力を取得することができる。図４に関して以下で詳細に説明するように、故障予測構成要素１３２は、（例えば、訓練された機械学習モデル１９０の出力に基づいて、出力から予測ウインドウ１５６Ｂの信頼性レベルを抽出するなどによって）予測ウインドウ１５６Ｂを決定することが可能であってもよい。故障予測構成要素１３２はまた、出力に基づいて信頼性データを決定することができる。信頼性データは、予測ウインドウ１５６Ｂが製造装置１２４に対応する信頼性レベルを示すことができる。故障予測構成要素１３２は、信頼性レベル１５８を使用して、予測ウインドウ１５６Ｂを選択することができる。
信頼性データは、製造装置１２４の１つまたは複数の構成要素の将来の故障に対応する予測ウインドウ１５６Ｂの信頼性レベル１５８を含むか、または示すことができる。一例では、信頼性レベルは、０から１までの実数であり、ここで、０は、製造装置１２４の１つまたは複数の構成要素の将来の故障に対応する予測ウインドウ１５６Ｂの信頼性がないことを示し、１は、製造装置１２４の１つまたは複数の構成要素の将来の故障に対応する予測ウインドウ１５６Ｂの絶対的な信頼性を示す。
故障予測構成要素１３２は、モデル１９０の出力に基づいて、複数の予測ウインドウ１５６Ｂおよび対応する信頼性レベル１５８（例えば、正常動作ウインドウの１０％の信頼性レベルおよび故障前動作ウインドウの９０％の信頼性レベル）を決定することができる。一部の実施形態では、故障予測構成要素１３２は、最高レベルの信頼性を有する予測ウインドウを選択する。一部の実施形態では、故障予測構成要素１３２は、５０％を超える信頼性レベルを有する予測ウインドウを選択する。
限定ではなく例示の目的で、本開示の態様は、機械学習モデルの訓練と、予測ウインドウ１５６Ｂを決定するために現在のセンサデータ１５０を使用して訓練された学習モデルを使用することと、を説明する。他の実施態態では、ヒューリスティックモデルまたはルールベースモデルを使用して、センサデータ１４２（例えば、過去のセンサデータ１４４、現在のセンサデータ１５０など）に基づいて予測ウインドウ１５６を決定する。図２のデータ入力２１０に関して説明された情報のいずれも、ヒューリスティックモデルまたはルールベースモデルにおいて監視またはその他の方法で使用することができる。
一部の実施形態では、クライアントデバイス１２０、故障予測サーバ１３０、サーバマシン１７０、およびサーバマシン１８０の機能は、より少ない数のマシンによって提供されてもよい。例えば、一部の実施形態では、サーバマシン１７０および１８０は、単一のマシンに統合されてもよい。一部の他の実施形態では、サーバマシン１７０、サーバマシン１８０、および故障予測サーバ１３０は、単一のマシンに統合されてもよい。
一般に、クライアントデバイス１２０、サーバマシン１７０、およびサーバマシン１８０によって実行されるとして一実施形態で説明されている機能は、適切な場合は、他の実施形態において故障予測サーバ１３０上でも実行することができる。加えて、特定の構成要素に起因する機能は、異なる構成要素または複数の構成要素が一緒に動作することによって実行することができる。例えば、一部の実施形態では、故障予測サーバ１３０は、故障予測のために製造装置１２４（例えば、半導体処理ツール）を示すユーザ入力を受信することができ、故障予測サーバ１３０は、予測ウインドウ１５６Ｂの信頼性レベル１５８に基づいて、警告を発し、製造装置１２４をシャットダウンするなどを行うことができる。別の例では、クライアントデバイス１２０は、センサデータ１４２からノイズを除去すること、センサデータ１４２に対して特徴分析を実行すること、予測ウインドウ１５６Ｂの信頼性レベル１５８を決定すること、１つもしくは複数の構成要素が故障前ウインドウ内にあるかどうかを予測すること、または是正措置を実行することのうちの１つもしくは複数を行うことができる。別の例では、データセット生成器１７２は、過去のセンサデータ１４４からノイズを除去し、過去のセンサデータ１４４に対して特徴分析を実行することができる。
加えて、特定の構成要素の機能は、異なる構成要素または複数の構成要素が一緒に動作することによって実行することができる。故障予測サーバ１３０、サーバマシン１７０、またはサーバマシン１８０のうちの１つもしくは複数は、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）を介して他のシステムまたはデバイスに提供されるサービスとしてアクセスされてもよい。
実施形態では、「ユーザ」は、単一の個人として表されることがある。しかしながら、本開示の他の実施形態は、複数のユーザおよび／または自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとして統合された個々のユーザのセットは、「ユーザ」と見なされてもよい。
本開示の実施形態は、製造装置１２４に結合されたセンサ１２６から受信したセンサデータ１５０の観点から論じられているが、実施形態はまた、経時的に受信したデータ（例えば、不規則な時系列データなど）に一般的に適用することができる。実施形態は、経時的にデータを生成するプロセスの最適化に一般的に適用することができる。ウエハまたはディスプレイ製造用の製造装置１２４の例は、物理的気相堆積（ＰＶＤ）装置、化学気相堆積（ＣＶＤ）装置、原子層堆積（ＡＬＤ）装置、化学機械研磨（ＣＭＰ）装置、およびエッチング装置である。
図２は、特定の実施形態による、過去のセンサデータ２４４（例えば、図１の過去のセンサデータ１４４）を使用して機械学習モデル２９０（例えば、図１のモデル１９０）用のデータセットを作成するための例示的なデータセット生成器２７２（例えば、図１のデータセット生成器１７２）である。図２のシステム２００は、データセット生成器２７２、データ入力２１０、およびターゲット出力２２０を示す。
一部の実施形態では、データセット生成器２７２は、１つまたは複数のデータ入力２１０（例えば、訓練入力、検証入力、テスト入力）および１つまたは複数のターゲット出力２２０を含むデータセット（例えば、訓練セット、検証セット、テストセット）を生成する。データセットはまた、データ入力２１０をターゲット出力２２０にマッピングするマッピングデータを含むことができる。データ入力２１０は、「特徴」、「属性」、または「情報」と呼ばれることもある。一部の実施形態では、データセット生成器２７２は、訓練エンジン１８２、検証エンジン１８４、またはテストエンジン１８６のうちの１つもしくは複数にデータセットを提供することができ、データセットは、機械学習モデル１９０を訓練、検証、またはテストするために使用される。訓練セットを生成する一部の実施形態は、図６に関してさらに説明され得る。
一部の実施形態では、データ入力２１０は、過去のセンサデータ２４４についての特徴２１２Ａの１つまたは複数のセットを含むことができる。特徴２１２の各セットは、過去の特徴２４６（例えば、図１の過去の特徴１４６）または過去の追加の特徴２４８（例えば、図１の過去の追加の特徴１４８）のうちの少なくとも１つを含むことができる。例えば、特徴２１２のセットは、１つまたは複数の過去の追加の特徴２４８を含むことができる。
一部の実施形態では、データセット生成器２７２は、第１の機械学習モデルを訓練、検証、またはテストするために、特徴２１２Ａの第１のセットに対応する第１のデータ入力２１０Ａを生成することができ、データセット生成器２７２は、第２の機械学習モデルを訓練、検証、またはテストするために、特徴２１２Ｂの第２のセットに対応する第２のデータ入力２１０Ｂを生成することができる。
一部の実施形態では、データセット生成器２７２は、（例えば、回帰問題の分類アルゴリズムで使用するために）ターゲット出力２２０を離散化することができる。ターゲット出力２２０の離散化は、変数の連続値を離散値に変換することができる。一部の実施形態では、ターゲット出力２２０の離散値は、過去のウインドウ２５６（例えば、正常動作ウインドウ、故障前ウインドウ、故障ウインドウなど）を示す。一部の実施形態では、ターゲット出力２２０の離散値は、１つまたは複数の構成要素が故障したのが設置からどのくらいの時間（例えば、日、時間など）であったかを示す。
機械学習モデルを訓練、検証、またはテストするためのデータ入力２１０およびターゲット出力２２０は、特定の設備からの（例えば、特定の半導体製造設備からの）情報を含むことができる。例えば、過去のセンサデータ２４４は、図１の現在のセンサデータ１５０と同じ製造設備からのものであってもよい。一部の実施形態では、機械学習モデルを訓練するために使用される情報は、特定の特性を有する製造設備の構成要素の特定のグループ（例えば、特定の時間枠からの構成要素、特定のタイプの製造装置の構成要素など）からのものであってもよく、訓練された機械学習モデルが、特定のグループの特性を共有する１つまたは複数の構成要素に関連付けられた過去のセンサデータに基づいて、構成要素の特定のグループに対する故障前ウインドウを予測することを可能にする。一部の実施形態では、機械学習モデルを訓練するために使用される情報は、２つ以上の製造設備からの構成要素についてのものであってもよく、訓練された機械学習モデルが、１つの製造設備からの入力に基づいて構成要素の結果を決定することを可能にしてもよい。一部の実施形態では、機械学習モデルを訓練するために使用される情報は、１つまたは複数の第１のイオン注入ツールに関連付けられていてもよく、訓練された機械学習モデルは、１つまたは複数の第１のイオン注入ツールとは異なる１つまたは複数の第２のイオン注入ツールについての構成要素の故障を予測するために使用されてもよい。
一部の実施形態では、データ入力２１０を生成し、データセットを使用して機械学習モデル１９０を訓練、検証、またはテストした後に、１つまたは複数の製造設備からの追加の過去のセンサデータおよび対応する過去のウインドウを使用して、機械学習モデル１９０をさらに訓練、検証、またはテスト、あるいは調整すること（例えば、ニューラルネットワークにおける接続重みなどの、機械学習モデル１９０の入力データに関連付けられた重みを調整すること、ハイパーパラメータを調整することなど）ができる。
図３は、予測ウインドウ３５６Ｂ（例えば、図１の予測ウインドウ１５６Ｂ）の信頼性レベル３５８（例えば、図１の信頼性レベル１５８）を決定するためのシステム３００を示すブロック図である。システム３００は、半導体製造ツールの故障予測（例えば、イオン注入半導体製造ツールにおけるプラズマソース銃の寿命予測）を提供することができる。
ブロック３１０において、システム３００（例えば、図１の故障予測システム１１０）は、過去のセンサデータ３４４（例えば、図１の過去のセンサデータ１４４）のデータ分割を（例えば、図１のサーバマシン１７０のデータセット生成器１７２を介して）実行して、訓練セット３０２、検証セット３０４、およびテストセット３０６を生成する。一部の実施形態では、システム３００は、データセットのそれぞれに対応する特徴の複数のセットを生成する。
ブロック３１２において、システム３００は、訓練セット３０２を使用して（例えば、図１の訓練エンジン１８２を介して）モデル訓練を実行する。システム３００は、訓練セット３０２の特徴の複数のセット（例えば、訓練セット３０２の特徴の第１のセット、訓練セット３０２の特徴の第２のセットなど）を使用して、複数のモデルを訓練することができる。
ブロック３１４において、システム３００は、検証セット３０４を使用して（例えば、図１の検証エンジン１８４を介して）モデル検証を実行する。システム３００は、検証セット３０４の対応する特徴のセットを使用して、訓練されたモデルのそれぞれを検証することができる。ブロック３１４において、システムは、１つまたは複数の訓練されたモデルのそれぞれの精度を決定することができ、１つまたは複数の訓練されたモデルがしきい値精度を満たす精度を有するかどうかを判定することができる。訓練されたモデルのいずれも、しきい値精度を満たす精度を有していないと判定したことに応答して、フローは、ブロック３１２に戻り、システム３００は、訓練セットの異なる特徴のセットを使用してモデル訓練を実行する。訓練されたモデルの１つまたは複数が、しきい値精度を満たす精度を有すると判定したことに応答して、フローは、ブロック３１６に進む。
ブロック３１６において、システム３００は、しきい値精度を満たす１つまたは複数の訓練されたモデルのどれが最高の精度を有するか（例えば、選択されたモデル３０８）を決定するために、モデル選択を実行する。しきい値精度を満たす訓練されたモデルのうちの２つ以上が同じ精度を有すると判定したことに応答して、フローは、ブロック３１２に戻ることができ、システム３００は、最高の精度を有する訓練されたモデルを決定するために、さらに洗練された特徴のセットに対応するさらに洗練された訓練セットを使用してモデル訓練を実行する。
ブロック３１８において、システム３００は、選択されたモデル３０８をテストするためにテストセット３０６を使用して（例えば、図１のテストエンジン１８６を介して）モデルテストを実行する。ブロック３１８において、システム３００は、テストセット３０６を使用して、選択されたモデル３０８の精度がしきい値精度を満たすかどうかを判定することができる。選択されたモデル３０８の精度がしきい値精度を満たさない（例えば、選択されたモデル３０８が検証セット３０４に過度に適合している）ことに応答して、フローは、ブロック３１２に進み、システム３００は、特徴の異なるセットに対応する異なる訓練セットを使用してモデル訓練を実行する。選択されたモデル３０８が、テストセット３０６に基づいてしきい値精度を満たす精度を有すると判定したことに応答して、フローは、ブロック３２０に進む。少なくともブロック３１２において、モデルは、過去のセンサデータのパターンを学習して予測を行うことができ、ブロック３１８において、システム３００は、残りのデータ（例えば、テストセット３０６）にモデルを適用して予測をテストすることができる。
一部の実施形態では、異なるモデルの訓練、検証、またはテストのうちの１つもしくは複数のために異なる特徴のセット（例えば、過去の追加の特徴１４８の異なる組合せ）を使用することに加えて、システム３００は、どの特徴およびどのハイパーパラメータが最高の精度を提供するかを決定するために、異なるモデルに異なるハイパーパラメータを含めることもできる。一部の実施形態では、異なるモデルの訓練、検証、またはテストのうちの１つもしくは複数に異なる特徴のセットを使用する代わりに、システム３００は、異なるモデルにおいて異なるハイパーパラメータを使用して（例えば、各モデルが過去の追加の特徴１４８の同じセットを使用する場合）、どのハイパーパラメータが最高の精度を提供するかを決定する。
ブロック３２０において、システム３００は、訓練されたモデル（例えば、選択されたモデル３０８）を使用して、現在のセンサデータ３５０（例えば、図１の現在のセンサデータ１５０）を受信し、予測ウインドウ３５６Ｂの信頼性レベル３５８（例えば、図１の予測ウインドウ１５６Ｂの信頼性レベル１５８）を出力する。
追加のセンサデータを受信したことに応答して、追加のセンサデータをブロック３１２に入力して、モデルの再訓練を介して訓練されたモデルを更新することができる。
図４～図６は、特定の実施形態による、故障予測に関連付けられた例示的な方法４００、５００、および６００を示す流れ図である。方法４００、５００、および６００は、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理デバイスなど）、ソフトウェア（処理デバイス、汎用コンピュータシステム、または専用マシン上で実行される命令など）、ファームウェア、マイクロコード、あるいはそれらの組合せを含むことができる処理ロジックによって実行することができる。一実施形態では、方法４００、５００、および６００は、故障予測システム１１０によって部分的に実行されてもよい。一部の実施形態では、方法４００、５００、および６００は、故障予測サーバ１３０によって実行されてもよい。一部の実施形態では、非一時的なコンピュータ可読ストレージ媒体は、（例えば、故障予測システム１１０の）処理デバイスによって実行されると、処理デバイスに方法４００、５００、および６００を実行させる命令を記憶する。
説明を簡単にするために、方法４００、５００、および６００は、一連の行為として描写および説明されている。しかしながら、本開示による行為は、様々な順序で、および／または同時に、ならびに本明細書に提示および記載されていない他の行為と一緒に行われてもよい。さらに、開示された主題に従って方法４００、５００、および６００を実施するために、図示されたすべての行為が実行され得るわけではない。加えて、当業者は、方法４００、５００、および６００が、状態図またはイベントを介して一連の相互に関連する状態として代替的に表すことができることを理解し、認識するであろう。
図４は、特定の実施形態による、構成要素の故障を予測するための方法４００の流れ図である。一部の実施形態では、方法４００は、故障予測サーバ１３０の故障予測構成要素１３２の処理ロジックによって実行される。
ブロック４０２において、処理ロジックは、製造装置（例えば、製造装置１２４、イオン注入ツール）に関連付けられたセンサ（例えば、センサ１２６）から、特徴に対応する現在のセンサデータ（例えば、現在のセンサデータ１５０）を受信する。特徴は、現在のセンサデータのシーケンスであってもよく、現在のセンサデータの各シーケンスが、対応するセンサによって捕捉される。一部の実施形態では、現在のセンサデータは、処理ロジックにストリーミングされる。処理ロジックは、データセット、行列などのうちの１つまたは複数の形態でセンサデータを受信することができる。一部の実施形態では、センサデータは、データストア１４０に記憶され、集約される。
一部の実施形態では、ブロック４０４において、処理ロジックは、現在のセンサデータからノイズを除去する。一部の実施形態では、処理ロジックは、インターバルにわたって現在のセンサデータを平均すること（例えば、１０秒間にわたってセンサデータ値を平均するなど）によって現在のセンサデータからノイズを除去する。一部の実施形態では、処理ロジックは、現在のセンサデータから外れ値を除去することによってノイズを除去する。
ブロック４０６において、処理ロジックは、特徴分析を実行して、現在のセンサデータに対して追加の特徴（例えば、現在の追加の特徴１５４）を生成する。追加の特徴は、複数のセンサのうちの１つもしくは複数からの対応するセンサデータの比率、範囲、デルタ、または最大値のうちの１つもしくは複数を含むことができる。一部の実施形態では、追加の特徴は、主要なセンサの統計的特徴（例えば、平均、標準偏差など）を含むことができる。
一部の実施形態では、処理ロジックは、計算されるべき追加の特徴を示すユーザ入力を受信することによって特徴分析を実行する。一部の実施形態では、特徴分析（例えば、特徴エンジニアリング）のためのモデルが生成される（図５参照。追加の特徴のユーザ入力に基づいて、他のパラメータのユーザ入力に基づいて、ユーザ入力なしで）。特徴分析のモデルは、（例えば、１次元の畳み込みを実行する）畳み込みニューラルネットワーク（ＣＮＮ）であってもよい。ＣＮＮは、センサデータ１４２の時間的構造の学習に優れている可能性があり、（例えば、正常な動作ウインドウ、故障前ウインドウなどを決定するために）故障および正常なデータについて不変的な特徴を決定することができる。
処理ロジックは、現在のセンサデータを行列で受信し、１次元畳み込みを介して行列を処理して、複数の追加の特徴を出力することによって分析を実行することができる。
ブロック４０８において、処理ロジックは、訓練された機械学習モデルへの入力として（例えば、ノイズを除去した後の）追加の特徴を提供する。訓練された機械学習モデルは、１つまたは複数のＬＳＴＭ層およびソフトマックス層（ｓｏｆｔｍａｘ ｌａｙｅｒ）を含むことができる。訓練された機械学習モデルは、１つまたは複数のＬＳＴＭ層によってシーケンスとして空間的特徴を学習していてもよい。時系列構造を予測に組み込むことができる。訓練された機械学習モデルは、誤分類にペナルティを課すために（例えば、偽陽性を回避するために）重み付けされてもよい。方法４００によって生成された現在の予測は、現在のセンサデータ１５０の前の時間ステップに基づくことができる。
訓練された機械学習モデルは、ブロック４０２の製造装置（例えば、イオン注入ツール）とは異なる製造装置（例えば、第２のイオン注入ツール）に関連付けられた第２の複数のセンサからの過去のセンサデータに基づいて生成されたものであってもよい。
ブロック４１０において、処理ロジックは、訓練された機械学習モデルから１つまたは複数の出力を取得する。一部の実施形態では、１つまたは複数の出力は、予測ウインドウ（例えば、予測ウインドウ１５６Ｂ）の信頼性レベル（例えば、信頼性レベル１５８）を示す。一部の実施形態では、処理ロジックは、１つまたは複数の出力から、予測ウインドウの信頼性レベルを抽出する。一部の実施形態では、処理ロジックは、複数の予測ウインドウおよび対応する信頼性レベル（例えば、正常動作ウインドウの１０％の信頼性レベルおよび故障前ウインドウの９０％の信頼性レベル）を決定する。
ブロック４１２において、処理ロジックは、予測ウインドウの信頼性レベルに基づいて、製造装置（例えば、イオン注入ツール）の１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測する。処理ロジックは、予測ウインドウの信頼性レベルが故障前ウインドウの５０％よりも高い信頼性を示すと判定することによって、１つまたは複数の構成要素が故障前ウインドウ内にあると予測してもよい。
ブロック４１４において、処理ロジックは、予測ウインドウの信頼性レベルが、イオン注入ツールの１つまたは複数の構成要素が故障前ウインドウ内にあることを示しているかどうかを判定する。予測ウインドウの信頼性レベルが、１つまたは複数の構成要素が故障前ウインドウ内にないことを示したことに応答して、フローは、ブロック４０２に進み、追加のセンサデータが受信される（例えば、方法４００のループ）。予測ウインドウの信頼性レベルが、１つまたは複数の構成要素が故障前ウインドウ内にあることを示したことに応答して、フローは、ブロック４１６に進む。１つまたは複数の構成要素は、フラッド銃またはソース銃のうちの少なくとも１つなどのイオン注入ツールの構成要素であってもよい。
ブロック４１６において、処理ロジックは、（例えば、１つまたは複数の構成要素が故障前ウインドウ内にあると予測したことに応答して）イオン注入ツールに関連付けられた是正措置を実行する。是正措置は、グラフィカルユーザインターフェースに警告を表示させること、製造装置（例えば、イオン注入ツール）の動作を中断すること（例えば、シャットダウンすること、速度を遅くすること、特定のプロセスを停止することなど）、または１つもしくは複数の構成要素を交換させることのうちの１つもしくは複数を含むことができる。
図５は、特定の実施形態による、構成要素の故障を予測するための機械学習モデルを訓練するための方法５００の流れ図である。一部の実施形態では、方法５００は、図１の故障予測システム１１０の処理ロジックによって実行される。一部の実施形態では、方法５００は、図１のサーバマシン１８０の処理ロジックによって実行される。一部の実施形態では、方法５００は、図１のサーバマシン１８０の訓練エンジン１８２によって実行される。
ブロック５０２において、処理ロジックは、製造装置１２４（例えば、イオン注入ツール）に関連付けられたセンサ（例えば、センサ１２６）から、特徴（例えば、製造装置１２４に関連付けられたセンサ１２６から受信した測定値および対応するタイムスタンプ）に対応する過去のセンサデータ（例えば、過去のセンサデータ１４４）を受信する。
一部の実施形態では、ブロック５０４において、処理ロジックは、過去のセンサデータからノイズを除去する。処理ロジックは、インターバルにわたって過去のセンサデータを平均すること、または外れ値を除去することのうちの１つもしくは複数によって、過去のセンサデータからノイズを除去することができる。
ブロック５０６において、処理ロジックは、過去のセンサデータの第１のサブセットに対する正常動作ウインドウおよび過去のセンサデータの第２のサブセットに対する故障前ウインドウを含むウインドウ（例えば、過去のウインドウ１５６Ａ）を決定する。処理ロジックは、（例えば、センサデータ値のピークに基づいて、図８Ｂのような健全性指数値のピークに基づいて）故障発生時を決定することによってウインドウを決定してもよい。処理ロジックは、故障発生時の一定時間（例えば、２４時間、４８時間）より前に捕捉されたセンサデータが正常動作ウインドウに対応し、故障発生時と故障前の一定時間との間に捕捉されたセンサデータが故障前ウインドウに対応し、故障発生時後に捕捉されたセンサデータが故障ウインドウに対応すると決定することができる。
ブロック５０８において、処理ロジックは、特徴分析を実行して、過去のセンサデータに対して追加の特徴（例えば、過去の追加の特徴１４８）を生成する。追加の特徴は、複数のセンサのうちの１つまたは複数からの対応するセンサデータの比率、範囲、デルタ、または最大値のうちの１つもしくは複数を含むことができる。処理ロジックは、過去のセンサデータを行列で受信し、１次元畳み込みを介して行列を処理して、複数の追加の特徴を出力することによって、特徴分析を実行することができる。
一部の実施形態では、処理ロジックは、追加の特徴（例えば、追加の特徴に関連付けられた動作および特定のセンサ）に対応するユーザ入力を受信する。処理ロジックは、（例えば、追加の特徴のユーザ入力に基づいて、パラメータのユーザ入力を用いて、ユーザ入力を用いずになどで）ＣＮＮを訓練することができ、訓練されたＣＮＮを、方法４００において使用して、訓練された機械学習モデルを使用するための追加の特徴（例えば、現在の追加の特徴１５４）を決定することができる。
ブロック５１０において、処理ロジックは、（例えば、ノイズを除去した後の）追加の特徴を含む訓練データ、およびウインドウを含むターゲット出力を使用して、（例えば、１つまたは複数のＬＳＴＭレベルおよびソフトマックス層を含む）機械学習モデルを訓練して、訓練された機械学習モデルを生成する。訓練された機械学習モデルは、（例えば、１つまたは複数のイオン注入ツールからの、１つまたは複数の製造装置１２４などからの）１つまたは複数のイオン注入ツール構成要素が故障前ウインドウ内にあるかどうかを示す１つまたは複数の出力を生成することが可能であってもよい（図４の方法４００参照）。
一部の実施形態では、処理ロジックは、異なる特徴（例えば、過去の特徴１４６、過去の追加の特徴１４８）または異なるハイパーパラメータのうちの１つもしくは複数を使用して、複数のモデルを訓練する。処理ロジックは、異なるモデルの訓練、検証、またはテスト（例えば、モデルの評価）のうちの１つもしくは複数を行って、最高の精度を提供するモデルを選択することができる。
一部の実施形態では、処理ロジックは、訓練された機械学習モデルを展開して、製造装置の１つまたは複数の構成要素（例えば、イオン注入ツールのフラッド銃、ソース銃など）が（例えば、１つまたは複数のイオン注入ツールに関連付けられた）是正措置を実行するための故障前ウインドウ内にあるかどうかを予測する。一部の実施形態では、訓練された機械学習モデルは、１つまたは複数の構成要素が故障前ウインドウ内にあるかどうかを予測するために、（例えば、機械学習モデルを訓練するために使用されるイオン注入ツールとは異なる）第２のイオン注入ツールに関連付けられた第２の複数のセンサからの現在のセンサデータに基づく入力を受信することになる。
図６は、特定の実施形態による、構成要素の故障を予測するための機械学習モデルのデータセットを生成するための方法６００の流れ図である。故障予測システム１１０は、本開示の実施形態に従って、方法６００を使用して、機械学習モデルの訓練、検証、またはテストのうちの少なくとも１つを行うことができる。一部の実施形態では、方法６００の１つまたは複数の動作は、図１および図２に関して説明したように、サーバマシン１７０のデータセット生成器１７２によって実行されてもよい。図１および図２に関して説明した構成要素は、図６の態様を説明するために使用することができることに留意されたい。
図６を参照すると、ブロック６０２において、処理ロジックは、データセットＴを空のセットに初期化する。
ブロック６０４において、処理ロジックは、（図２に関して説明したように）過去のセンサデータに対する特徴の第１のセットを含む第１のデータ入力（例えば、第１の訓練入力、第１の検証入力）を生成する。第１のデータ入力は、過去のセンサデータ（例えば、過去のセンサデータ１４４）の１つもしくは複数の特徴（例えば、過去の特徴１４６）および／または１つもしくは複数の追加の特徴（例えば、過去の追加の特徴１４８）を含むことができる。
ブロック６０６において、処理ロジックは、データ入力のうちの１つまたは複数（例えば、第１のデータ入力）に対する第１のターゲット出力を生成する。第１のターゲット出力は、過去のウインドウ（例えば、過去のウインドウ１５６Ａ）の表示を提供する。
ブロック６０８において、処理ロジックは、入力／出力マッピングを示すマッピングデータを生成してもよい。入力／出力マッピング（またはマッピングデータ）は、データ入力（例えば、本明細書で説明するデータ入力のうちの１つまたは複数）、データ入力に対するターゲット出力（例えば、ターゲット出力が予測ウインドウを特定する場合）、データ入力とターゲット出力との間の関連付けを指すことができる。
ブロック６１０において、処理ロジックは、ブロック６１０において生成されたマッピングデータをデータセットＴに追加する。
ブロック６１２において、処理ロジックは、データセットＴが機械学習モデル１９０の訓練、検証、またはテストのうちの少なくとも１つに対して十分であるかどうかに基づいて分岐する。十分な場合は、実行は、ブロック６１４に進み、十分でない場合は、実行は、ブロック６０４に戻る。一部の実施形態では、データセットＴの十分性は、単純にデータセット内の入力／出力マッピングの数に基づいて判定されてもよいが、一部の他の実施態態では、データセットＴの十分性は、入力／出力マッピングの数に加えて、またはその代わりに、１つもしくは複数の他の基準（例えば、データ例の多様性の尺度、精度など）に基づいて決定されてもよいことに留意されたい。
ブロック６１４において、処理ロジックは、データセットＴを提供して機械学習モデル１９０を訓練、検証、またはテストする。一部の実施形態では、データセットＴは、訓練セットであり、訓練を実行するためにサーバマシン１８０の訓練エンジン１８２に提供される。一部の実施形態では、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１８０の検証エンジン１８４に提供される。一部の実施形態では、データセットＴは、テストセットであり、テストを実行するためにサーバマシン１８０のテストエンジン１８６に提供される。一部の実施形態では、データセットＴは、訓練セット、検証セット、およびテストセットに分割されてもよい（例えば、訓練セットが６０％であってもよく、検証セットが２０％であってもよく、検証セットが２０％であってもよい）。機械学習モデルが訓練された（例えば、検証され、テストされ、しきい値精度を満たした）ことに応答して、訓練された機械学習モデルは、故障予測のために（例えば、故障予測構成要素１３２によって）使用することができる（図３～図４参照）。
例えば、ニューラルネットワークの場合、所与の入力／出力マッピングの入力値（例えば、データ入力２１０に関連付けられた数値）がニューラルネットワークに入力され、入力／出力マッピングの出力値（例えば、ターゲット出力２２０に関連付けられた数値）がニューラルネットワークの出力ノードに記憶される。次いで、ニューラルネットワークの接続重みが学習アルゴリズム（例えば、逆伝搬など）に従って調整され、本手順がデータセットＴの他の入力／出力マッピングについて繰り返される。訓練された機械学習モデルは、（故障予測サーバ１３０の）故障予測構成要素１３２によって実施されて、１つまたは複数の構成要素の故障ウインドウを予測することができる。
図７Ａ～図７Ｂは、特定の実施形態による、故障予測のためのシステム７００Ａおよび７００Ｂを示すブロック図である。
図７Ａを参照すると、システム７００Ａは、入力データ７１０を受信することができる。入力データ７１０は、行列状のセンサデータであってもよい。ノイズは、（例えば、センサデータを生成するためにインターバルにわたって生データを平均することによって、センサデータから外れ値を除去することによって）センサデータから除去されてもよい。
システム７００Ａは、入力データ７１０に対して（例えば、訓練されたＣＮＮの）１次元畳み込み７２０を実行することができる。一部の実施形態では、（例えば、１次元畳み込みを実行する）ＣＮＮは、追加の特徴に関連付けられた（例えば、追加の特徴を生成するために使用される操作を示す）ユーザ入力に基づいて訓練された。システム７００Ａは、（例えば、ノイズを除去した後の）入力データ７１０に対して１次元畳み込み７２０を実行し、特徴分析を実行して、入力データの追加の特徴を生成することができる。追加の特徴は、対応するセンサデータの比率、範囲、デルタ、最大値などのうちの１つまたは複数を含むことができる。
システム７００Ａは、機械学習モデルのＬＳＴＭ層７３０に追加の特徴を入力することができる。ＬＳＴＭ層の数は、センサデータに基づいて機械学習モデルを訓練および再訓練することによって調整されるハイパーパラメータであってもよい。
システム７００Ａは、ＬＳＴＭ層７３０の出力をソフトマックス層７４０に送信することができ、ソフトマックス層７４０は、１つまたは複数の予測ウインドウ（例えば、クラス）に対して対応する信頼性レベルを生成することができる。
図７Ｂを参照すると、システム７００Ｂは、入力データ７１０に基づいて追加の特徴を受信することができるＬＳＴＭ層７３０を含む。ＬＳＴＭ層７３０の出力は、ソフトマックス層７４０に送信されてもよい。ソフトマックス層は、１つまたは複数の出力を生成することができる。１つまたは複数の出力は、１つまたは複数の予測ウインドウに対する対応する信頼性レベルを含むことができる。例えば、ソフトマックス層は、正常動作ウインドウの第１の信頼性レベル、故障前ウインドウの第２の信頼性ウインドウ、および故障ウインドウの第３の信頼性レベルを生成することができる。信頼性レベルは、合計で１００％になってもよい。５０％を超える信頼性レベルに対応するウインドウを使用することができる。
図８Ａ～図８Ｂは、特定の実施形態による、故障予測を示すグラフ８００Ａおよび８００Ｂである。
図８Ａを参照すると、グラフ８００Ａは、経時的に特徴値（例えば、過去の追加の特徴１４８、現在の追加の特徴１５４など）を表示する。第１の時間ウインドウは、クラス０（例えば、正常動作ウインドウ）に対応することができる。第２の時間ウインドウは、クラス１（例えば、故障前ウインドウ）に対応することができる。第３の時間ウインドウは、クラス２（例えば、故障ウインドウ）に対応することができる。故障発生日（例えば、過去の故障発生日、予測された故障発生日）の一定時間（例えば、２４時間、４８時間など）前に、クラス０は終了してもよく、クラス１は開始してもよい。１つまたは複数の構成要素の故障発生時に、クラス１は終了してもよく、クラス２は開始してもよい。過去のセンサデータは、対応するウインドウ（例えば、クラス０、１、または２）に従ってラベル付けされてもよい。
図８Ｂを参照すると、グラフ８００Ｂは、経時的にプロットされた健全性指数を表示する（例えば、対応するタイムスタンプを有する）。健全性指数は、畳み込みＬＳＴＭの結果、センサデータ、追加の特徴などのうちの１つまたは複数に基づいてもよい。
健全性指数は、正常動作ウインドウにわたって実質的に安定していてもよい。故障前ウインドウ中に、健全性指数がピークに達してもよく、実質的に故障発生時に、健全性指数が低下してもよい。センサデータの第１のサブセットは、正常動作ウインドウのタイムスタンプに対応してもよく、センサデータの第２のサブセットは、故障前ウインドウのタイムスタンプに対応してもよく、センサデータの第３のサブセットは、故障ウインドウのタイムスタンプに対応してもよい。センサデータのサブセットのそれぞれは、対応するウインドウ（例えば、クラス）に従ってラベル付けされてもよい。
図９は、特定の実施形態による、コンピュータシステム９００を示すブロック図である。一部の実施形態では、コンピュータシステム９００は、（例えば、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、またはインターネットなどのネットワークを介して）他のコンピュータシステムに接続されてもよい。コンピュータシステム９００は、クライアント－サーバ環境ではサーバまたはクライアントコンピュータの能力で、あるいはピアツーピアまたは分散ネットワーク環境ではピアコンピュータとして動作することができる。コンピュータシステム９００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）、携帯情報端末（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、スイッチもしくはブリッジ、またはデバイスが取るべきアクションを指定する命令のセット（シーケンシャルまたはその他の）を実行することができる任意のデバイスによって提供されてもよい。さらに、「コンピュータ」という用語は、本明細書に記載の方法のいずれか１つまたは複数を実行するために、命令のセット（または複数のセット）を個別にまた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。
さらなる態様では、コンピュータシステム９００は、バス９０８を介して互いに通信することができる、処理デバイス９０２、揮発性メモリ９０４（例えば、ランダムアクセスメモリ（ＲＡＭ））、不揮発性メモリ９０６（例えば、読み取り専用メモリ（ＲＯＭ）または電気的－消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ））、およびデータストレージデバイス９１６を含むことができる。
処理デバイス９０２は、汎用プロセッサ（例えば、複合命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、他のタイプの命令セットを実装するマイクロプロセッサ、または命令セットのタイプの組合せを実装するマイクロプロセッサなど）、あるいは専用プロセッサ（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）、デジタル信号プロセッサ（ＤＳＰ）、もしくはネットワークプロセッサなど）などの１つまたは複数のプロセッサによって提供されてもよい。
コンピュータシステム９００は、ネットワークインターフェースデバイス９２２をさらに含むことができる。コンピュータシステム９００はまた、ビデオ表示ユニット９１０（例えば、ＬＣＤ）、英数字入力デバイス９１２（例えば、キーボード）、カーソル制御デバイス９１４（例えば、マウス）、および信号生成デバイス９２０を含むことができる。
一部の実施態様では、データストレージデバイス９１６は、図１の故障予測構成要素１３２または是正措置構成要素１２２を符号化する命令を含む、本明細書に記載された方法または機能のいずれか１つまたは複数を符号化し、本明細書に記載された方法を実施するため命令９２６を記憶することができる非一時的なコンピュータ可読ストレージ媒体９２４を含むことができる。
命令９２６はまた、コンピュータシステム９００によるその実行中に、揮発性メモリ９０４内および／または処理デバイス９０２内に、完全にまたは部分的に常駐してもよく、したがって、揮発性メモリ９０４および処理デバイス９０２はまた、機械可読ストレージ媒体を構成することができる。
コンピュータ可読ストレージ媒体９２４は、例示的な例では単一の媒体として示されているが、「コンピュータ可読ストレージ媒体」という用語は、実行可能な命令の１つまたは複数のセットを記憶する単一の媒体または複数の媒体（例えば、集中型または分散型データベース、ならびに／あるいは関連付けられたキャッシュおよびサーバ）を含むものとする。「コンピュータ可読ストレージ媒体」という用語はまた、コンピュータに本明細書に記載された方法のいずれか１つまたは複数を実行させる、コンピュータによって実行するための命令のセットを記憶または符号化することができる任意の有形媒体を含むものとする。「コンピュータ可読ストレージ媒体」という用語は、固体メモリ、光学媒体、および磁気媒体を含むが、これらに限定されないものとする。
本明細書の記載される方法、構成要素、および特徴は、個別のハードウェア構成要素によって実施されてもよく、あるいはＡＳＩＣ、ＦＰＧＡ、ＤＳＰまた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に統合されてもよい。加えて、方法、構成要素、および特徴は、ハードウェアデバイス内のファームウェアモジュールまたは機能回路によって実施されてもよい。さらに、方法、構成要素、および特徴は、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合せで、またはコンピュータプログラムで実施することができる。
特に明記しない限り、「受信する」、「実行する」、「提供する」、「取得する」、「抽出する」、「予測する」、「除去する」、「引き起こす」、「中断する」、「決定する」、「訓練する」、「展開する」など用語は、コンピュータシステムレジスタおよびメモリ内の物理的（電子的）量として表されるデータを、コンピュータシステムのメモリまたはレジスタ、あるいは他のそのような情報ストレージデバイス、送信デバイス、または表示デバイス内の物理的量として同様に表される他のデータに操作および変換する、コンピュータシステムによって実行または実施されるアクションおよびプロセスを指す。また、本明細書で使用される「第１」、「第２」、「第３」、「第４」などの用語は、異なる要素を区別するためのラベルを意味し、必ずしもそれらの数値記号表示による順序の意味を有するとは限らない場合がある。
本明細書に記載された例はまた、本明細書に記載された方法を実施するための装置に関する。本装置は、本明細書に記載された方法を実行するために特別に構築されてもよく、また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んでもよい。このようなコンピュータプログラムは、コンピュータ可読有形ストレージ媒体に記憶されてもよい。
本明細書に記載された方法および例示的な例は、特定のコンピュータまたは他の装置に本質的に関連するものではない。本明細書に記載された教示に従って様々な汎用システムが使用されてもよく、あるいは本明細書に記載された方法および／またはそれらの個々の機能、ルーチン、サブルーチン、もしくは操作のそれぞれを実行するためのより専用の装置を構築することが都合のよいことが判明する場合がある。これらの様々なシステムの構造の例は、上記の説明に記載されている。
上記の説明は、例示的であることが意図されており、限定的であることは意図されていない。本開示は、特定の例示的な例および実施態様を参照して説明されてきたが、本開示は、説明された例および実施態様に限定されないことが認識されるであろう。本開示の範囲は、特許請求の範囲が権利を与えられる均等物の全範囲とともに、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。

Claims (20)

  1. イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する現在のセンサデータを受信することと、
    特徴分析を実行して、前記現在のセンサデータに対して複数の追加の特徴を生成することと、
    訓練された機械学習モデルへの入力として前記複数の追加の特徴を提供することと、
    前記訓練された機械学習モデルから、複数のデータポイントと関連付けられた１つまたは複数の出力を取得することと、
    前記１つまたは複数の出力に基づいて、前記イオン注入ツールの１つまたは複数の構成要素が正常動作ウインドウ内にあるか、または故障前ウインドウ内にあるかどうかを予測することであり、前記正常動作ウインドウ内の複数のデータポイントのうちの対応するデータポイントが、第１の健全性指数値に沿って実質的に安定しており、前記故障前ウインドウ内の対応するデータポイントが、前記第１の健全性指数値から第２の健全性指数値におけるピークまで増加し、前記正常動作ウインドウが前記故障前ウインドウの前にあることと、
    前記１つまたは複数の構成要素が前記故障前ウインドウ内にあると予測したことに応答して、前記イオン注入ツールの１つまたは複数の構成要素の修理または交換に関連付けられた是正措置を実行することと、
    を含む方法。
  2. インターバルにわたって前記現在のセンサデータを平均することによって、前記現在のセンサデータからノイズを除去することをさらに含み、前記入力が前記ノイズを前記除去した後の前記複数の追加の特徴を含み、前記故障前ウインドウの前記対応するデータポイントが、前記第２の健全性指数値における前記ピークから、前記故障前ウインドウの終わりにおける故障時間に対応する第３の健全性指数値まで減少し、前記故障時間が前記１つまたは複数の構成要素の故障に対応する、請求項１に記載の方法。
  3. 前記複数の追加の特徴が前記複数のセンサのうちの１つもしくは複数からの前記現在のセンサデータの比率、範囲、デルタ、または最大値のうちの１つもしくは複数
    を含む、請求項１に記載の方法。
  4. 前記特徴分析を前記実行することが、前記現在のセンサデータを行列で受信することと、前記行列を、１次元畳み込みを介して処理して前記複数の追加の特徴を出力することと、を含む、請求項１に記載の方法。
  5. 前記訓練された機械学習モデルが１つまたは複数の長短期記憶（ＬＳＴＭ）層およびソフトマックス層を含む、請求項１に記載の方法。
  6. 前記訓練された機械学習モデルが第２のイオン注入ツールに関連付けられた第２の複数のセンサからの過去のセンサデータに基づいて生成される、請求項１に記載の方法。
  7. 前記出力が予測ウインドウの信頼性レベルを示し、前記１つまたは複数の構成要素が前記故障前ウインドウ内にあると前記予測することが、前記予測ウインドウの前記信頼性レベルが前記故障前ウインドウの５０％を超える信頼性を示すと判定することを含む、請求項１に記載の方法。
  8. 前記イオン注入ツールの前記１つまたは複数の構成要素が前記故障前ウインドウ内にあるかどうかを前記予測することが
    フラッド銃またはソース銃のうちの少なくとも１つが前記故障前ウインドウ内にあるかどうかを予測すること
    を含む、
    請求項１に記載の方法。
  9. 前記是正措置が、
    グラフィカルユーザインターフェースに警告を表示させること、
    前記イオン注入ツールの動作を中断すること、または
    前記１つまたは複数の構成要素を交換させること、
    のうちの１つもしくは複数を含む、請求項１に記載の方法。
  10. イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する過去のセンサデータを受信することであり、前記過去のセンサデータは、複数のデータポイントに関連付けられることと、
    前記過去のセンサデータの第１のサブセットに対する正常動作ウインドウ、および前記過去のセンサデータの第２のサブセットに対する故障前ウインドウを含む複数のウインドウを決定することであり、前記正常動作ウインドウ内の複数のデータポイントのうちの対応するデータポイントが、第１の健全性指数値に沿って実質的に安定しており、前記故障前ウインドウ内の対応するデータポイントが、前記第１の健全性指数値から第２の健全性指数値におけるピークまで増加し、前記正常動作ウインドウが前記故障前ウインドウの前にあることと、
    特徴分析を実行して、前記過去のセンサデータに対して複数の追加の特徴を生成することと、
    訓練された機械学習モデルを生成するために、前記複数の追加の特徴を含む訓練データ、および前記複数のウインドウを含むターゲット出力を使用して機械学習モデルを訓練することであって、前記訓練された機械学習モデルが、１つまたは複数のイオン注入ツール構成要素が前記故障前ウインドウ内にあるかどうかを示す１つまたは複数の出力を生成することが可能であり、前記１つまたは複数のイオン注入ツール構成要素の修理または交換関連付けられた是正措置を実行する、機械学習モデルを訓練することと、
    を含む方法。
  11. インターバルにわたって前記過去のセンサデータを平均することによって前記過去のセンサデータからノイズを除去することであって、前記訓練データが前記ノイズを前記除去した後の前記複数の追加の特徴を含む、ノイズを除去すること、
    をさらに含み、前記故障前ウインドウの前記対応するデータポイントが、前記第２の健全性指数値における前記ピークから、前記故障前ウインドウの終わりにおける故障時間に対応する第３の健全性指数値まで減少し、前記故障時間が前記１つまたは複数の構成要素の故障に対応する、請求項１０に記載の方法。
  12. 前記複数の追加の特徴が前記複数のセンサのうちの１つもしくは複数からの対応するセンサデータの比率、範囲、デルタ、または最大値のうちの１つもしくは複数を含む、
    請求項１０に記載の方法。
  13. 前記特徴分析を前記実行することが前記過去のセンサデータを行列で受信し、前記行列を１次元畳み込みを介して処理して、前記複数の追加の特徴を出力することを含む、
    請求項１０に記載の方法。
  14. 前記１つまたは複数のイオン注入ツール構成要素が前記故障前ウインドウ内にあるかどうかを示す前記１つまたは複数の出力が、フラッド銃またはソース銃のうちの少なくとも１つが前記故障前ウインドウ内にあるかどうかを示す１つまたは複数の出力を含む、請求項１０に記載の方法。
  15. 前記訓練された機械学習モデルが、前記１つまたは複数のイオン注入ツール構成要素が前記故障前ウインドウ内にあるかどうかを予測するために、第２のイオン注入ツールに関連付けられた第２の複数のセンサからの現在のセンサデータに基づいて入力を受信することになる、請求項１０に記載の方法。
  16. メモリと、
    前記メモリに結合された処理デバイスであって、
    イオン注入ツールに関連付けられた複数のセンサから、複数の特徴に対応する現在のセンサデータを受信することと、
    特徴分析を実行して、前記現在のセンサデータに対して複数の追加の特徴を生成することと、
    訓練された機械学習モデルへの入力として前記複数の追加の特徴を提供することと、
    前記訓練された機械学習モデルから、複数のデータポイントと関連付けられた１つまたは複数の出力を取得することと、
    前記１つまたは複数の出力に基づいて、前記イオン注入ツールの１つまたは複数の構成要素が正常動作ウインドウ内にあるか、または故障前ウインドウ内にあるかどうかを予測することであり、前記正常動作ウインドウ内の複数のデータポイントのうちの対応するデータポイントが、第１の健全性指数値に沿って実質的に安定しており、前記故障前ウインドウ内の対応するデータポイントが、前記第１の健全性指数値から第２の健全性指数値におけるピークまで増加し、前記正常動作ウインドウが前記故障前ウインドウの前にあることと、
    前記１つまたは複数の構成要素が前記故障前ウインドウ内にあると予測したことに応答して、前記イオン注入ツールの１つまたは複数の構成要素の修理または交換に関連付けられた是正措置を実行することと、
    を行う、処理デバイスと、
    を備えるシステム。
  17. 前記処理デバイスが、前記現在のセンサデータをインターバルにわたって平均することによって前記現在のセンサデータからノイズを除去することをさらに含み、前記入力が前記ノイズを除去した後の前記複数の追加の特徴を含み、前記故障前ウインドウの前記対応するデータポイントが、前記第２の健全性指数値における前記ピークから、前記故障前ウインドウの終わりにおける故障時間に対応する第３の健全性指数値まで減少し、前記故障時間が前記１つまたは複数の構成要素の故障に対応する、請求項１６に記載のシステム。
  18. 前記複数の追加の特徴が前記複数のセンサのうちの１つもしくは複数からの対応するセンサデータの比率、範囲、デルタ、または最大値のうちの１つもしくは複数
    を含む、請求項１６に記載のシステム。
  19. 前記特徴分析を実行するために、前記処理デバイスは、前記現在のセンサデータを行列で受信し、前記行列を、１次元畳み込みを介して処理して前記複数の追加の特徴を出力する、請求項１６に記載のシステム。
  20. 前記是正措置が、
    グラフィカルユーザインターフェースに警告を表示させること、
    前記イオン注入ツールの動作を中断すること、または
    前記１つまたは複数の構成要素を交換させること、
    のうちの１つもしくは複数を含む、請求項１６に記載のシステム。
JP2021544540A 2019-01-31 2020-01-17 イオン注入半導体製造ツールにおける構成要素の故障の是正 Active JP7238146B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2023030851A JP7472344B2 (ja) 2019-01-31 2023-03-01 イオン注入半導体製造ツールにおける構成要素の故障の是正

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US16/264,034 2019-01-31
US16/264,034 US11348813B2 (en) 2019-01-31 2019-01-31 Correcting component failures in ion implant semiconductor manufacturing tool
PCT/US2020/014197 WO2020159730A1 (en) 2019-01-31 2020-01-17 Correcting component failures in ion implant semiconductor manufacturing tool

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2023030851A Division JP7472344B2 (ja) 2019-01-31 2023-03-01 イオン注入半導体製造ツールにおける構成要素の故障の是正

Publications (3)

Publication Number Publication Date
JP2022523101A JP2022523101A (ja) 2022-04-21
JPWO2020159730A5 JPWO2020159730A5 (ja) 2022-08-04
JP7238146B2 true JP7238146B2 (ja) 2023-03-13

Family

ID=71836669

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021544540A Active JP7238146B2 (ja) 2019-01-31 2020-01-17 イオン注入半導体製造ツールにおける構成要素の故障の是正
JP2023030851A Active JP7472344B2 (ja) 2019-01-31 2023-03-01 イオン注入半導体製造ツールにおける構成要素の故障の是正

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2023030851A Active JP7472344B2 (ja) 2019-01-31 2023-03-01 イオン注入半導体製造ツールにおける構成要素の故障の是正

Country Status (6)

Country Link
US (2) US11348813B2 (ja)
JP (2) JP7238146B2 (ja)
KR (2) KR20230084317A (ja)
CN (1) CN113383282B (ja)
TW (1) TWI797418B (ja)
WO (1) WO2020159730A1 (ja)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210133213A1 (en) * 2019-10-31 2021-05-06 Vettd, Inc. Method and system for performing hierarchical classification of data
US11226805B2 (en) * 2019-07-31 2022-01-18 Dell Products L.P. Method and system for predicting upgrade completion times in hyper-converged infrastructure environments
JP7414589B2 (ja) * 2020-03-04 2024-01-16 住友重機械イオンテクノロジー株式会社 イオン注入装置およびモデル生成方法
CN112560327B (zh) * 2020-11-13 2024-03-12 盐城工学院 一种基于深度梯度下降森林的轴承剩余寿命预测方法
WO2022224693A1 (ja) * 2021-04-19 2022-10-27 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 製造方法、生成装置、推定装置、識別情報付与方法、及び付与装置
EP4242904A3 (en) * 2021-07-02 2023-11-01 Comet AG Method for machine learning a detection of at least one irregularity in a plasma system
US20230008072A1 (en) * 2021-07-08 2023-01-12 Applied Materials, Inc. Method and mechanism for contact-free process chamber characterization
US20230016122A1 (en) * 2021-07-09 2023-01-19 Applied Materials, Inc. Method and apparatus for controlled ion implantation
WO2023030807A1 (en) * 2021-09-02 2023-03-09 Asml Netherlands B.V. Method of evaluating selected set of patterns
CN114492184A (zh) * 2022-01-21 2022-05-13 北京科技大学 一种时频域分析航空发动机剩余使用寿命预测方法及装置
KR20230140547A (ko) 2022-03-24 2023-10-06 주식회사 히타치하이테크 장치 진단 시스템, 장치 진단 장치, 반도체 장치 제조 시스템 및 장치 진단 방법
CN116046078A (zh) * 2023-03-31 2023-05-02 东莞市楷德精密机械有限公司 一种半导体清洗设备的故障监测预警方法及系统
US11995401B1 (en) 2023-04-30 2024-05-28 The Strategic Coach Inc. Systems and methods for identifying a name
CN117421679B (zh) * 2023-10-08 2024-06-18 宁波创基机械股份有限公司 一种注塑机周期管控方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002231597A (ja) 2000-09-14 2002-08-16 Applied Materials Inc ツール故障監視用の故障検出および仮想センサ法
JP2003077907A (ja) 2001-08-31 2003-03-14 Toshiba Corp 生産装置の異常停止回避方法及び異常停止回避システム
JP2016045808A (ja) 2014-08-25 2016-04-04 株式会社東芝 異常検知システム及び半導体デバイスの製造方法
JP2018178157A (ja) 2017-04-05 2018-11-15 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

Family Cites Families (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0613015A (ja) * 1992-06-25 1994-01-21 Nissin Electric Co Ltd イオン注入装置
JPH08153486A (ja) * 1994-11-29 1996-06-11 Nec Yamagata Ltd イオン注入装置
JP3265969B2 (ja) * 1995-07-07 2002-03-18 日新電機株式会社 イオン注入制御装置
JPH1012180A (ja) * 1996-06-17 1998-01-16 Nissin Electric Co Ltd イオン注入装置のファラディ
US6055460A (en) * 1997-08-06 2000-04-25 Advanced Micro Devices, Inc. Semiconductor process compensation utilizing non-uniform ion implantation methodology
US6960774B2 (en) * 2003-11-03 2005-11-01 Advanced Micro Devices, Inc. Fault detection and control methodologies for ion implantation processes, and system for performing same
CA2882796A1 (en) * 2007-05-16 2009-02-12 Power Analytics Corporation Real-time predictive systems for intelligent energy monitoring and management of electrical power networks
US8078552B2 (en) * 2008-03-08 2011-12-13 Tokyo Electron Limited Autonomous adaptive system and method for improving semiconductor manufacturing quality
US7755066B2 (en) * 2008-03-28 2010-07-13 Varian Semiconductor Equipment Associates, Inc. Techniques for improved uniformity tuning in an ion implanter system
SG11201606207WA (en) * 2014-02-12 2016-09-29 Asml Netherlands Bv Method of optimizing a process window
US10430719B2 (en) 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US10984338B2 (en) * 2015-05-28 2021-04-20 Raytheon Technologies Corporation Dynamically updated predictive modeling to predict operational outcomes of interest
CN105353702B (zh) * 2015-11-17 2020-12-04 国家电网公司 高压设备智能监控系统
FR3046265B1 (fr) * 2015-12-29 2018-08-10 Thales Systeme de surveillance d'une installation industrielle ; procedes de configuration et de surveillance associes
US20170364818A1 (en) * 2016-06-17 2017-12-21 Business Objects Software Ltd. Automatic condition monitoring and anomaly detection for predictive maintenance
US10490116B2 (en) * 2016-07-06 2019-11-26 Semiconductor Energy Laboratory Co., Ltd. Semiconductor device, memory device, and display system
KR101744194B1 (ko) 2016-08-19 2017-06-09 인하대학교 산학협력단 반도체 fab 제조공정에서 유클리드 거리를 활용한 웨이퍼 자동 불량 검사 분류 예측 장치 및 방법
WO2018063225A1 (en) * 2016-09-29 2018-04-05 Hewlett-Packard Development Company, L.P. Component failure prediction
CN106354123A (zh) * 2016-11-01 2017-01-25 武汉理工大学 基于物联网的大型机械设备故障自动检测系统
TWI632441B (zh) 2017-01-20 2018-08-11 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
CN107024267A (zh) * 2017-04-12 2017-08-08 无锡研测技术有限公司 基于径向基神经网络的称重设备传感器故障检测方法
CN107238507B (zh) * 2017-06-20 2019-12-31 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的工业设备故障预测方法
CN108304941A (zh) * 2017-12-18 2018-07-20 中国软件与技术服务股份有限公司 一种基于机器学习的故障预测方法
CN109102189B (zh) * 2018-08-10 2022-02-11 杨璇 一种电气设备健康管理系统和方法
JP7233201B2 (ja) 2018-11-20 2023-03-06 東京エレクトロン株式会社 搬送ユニットの監視方法及び監視装置並びに監視用モデル

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002231597A (ja) 2000-09-14 2002-08-16 Applied Materials Inc ツール故障監視用の故障検出および仮想センサ法
JP2003077907A (ja) 2001-08-31 2003-03-14 Toshiba Corp 生産装置の異常停止回避方法及び異常停止回避システム
JP2016045808A (ja) 2014-08-25 2016-04-04 株式会社東芝 異常検知システム及び半導体デバイスの製造方法
JP2018178157A (ja) 2017-04-05 2018-11-15 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

Also Published As

Publication number Publication date
TW202044314A (zh) 2020-12-01
US11862493B2 (en) 2024-01-02
CN113383282B (zh) 2024-10-18
WO2020159730A1 (en) 2020-08-06
JP7472344B2 (ja) 2024-04-22
TW202329188A (zh) 2023-07-16
US20220301903A1 (en) 2022-09-22
KR20230084317A (ko) 2023-06-12
TWI797418B (zh) 2023-04-01
CN113383282A (zh) 2021-09-10
KR20210109673A (ko) 2021-09-06
KR102539586B1 (ko) 2023-06-01
JP2023085255A (ja) 2023-06-20
US20200251360A1 (en) 2020-08-06
JP2022523101A (ja) 2022-04-21
US11348813B2 (en) 2022-05-31

Similar Documents

Publication Publication Date Title
JP7238146B2 (ja) イオン注入半導体製造ツールにおける構成要素の故障の是正
US12067485B2 (en) Long short-term memory anomaly detection for multi-sensor equipment monitoring
US11494661B2 (en) Intelligent time-series analytic engine
US11030557B2 (en) Predicting arrival time of components based on historical receipt data
US20200264335A1 (en) Sensor metrology data intergration
US8725667B2 (en) Method and system for detection of tool performance degradation and mismatch
US20190057307A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
US20240146054A1 (en) Methods, devices, and systems for distributed monitoring based adaptive diagnosis of power anomalies in a power network
US20230186175A1 (en) Retraining based on challenger model comparison
US20230059313A1 (en) On wafer dimensionality reduction
TWI851071B (zh) 用於校正離子注入半導體製造工具中的部件故障的方法及系統
US20230281439A1 (en) Synthetic time series data associated with processing equipment
US20230306281A1 (en) Machine learning model generation and updating for manufacturing equipment
US20240144464A1 (en) Classification of defect patterns of substrates
TW202349153A (zh) 用於判定處理設備效能的綜合分析模組
TW202343178A (zh) 處理腔室校正

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210930

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220727

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220727

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220829

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221128

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: 20230130

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230301

R150 Certificate of patent or registration of utility model

Ref document number: 7238146

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150