KR101018545B1

KR101018545B1 - 적응형 다변수 결함 검출

Info

Publication number: KR101018545B1
Application number: KR1020087029782A
Authority: KR
Inventors: 제리 린 주니어 할베이; 알렉산더 티. 쉬밤
Original assignee: 어플라이드 머티어리얼스, 인코포레이티드
Priority date: 2006-05-07
Filing date: 2007-05-07
Publication date: 2011-03-03
Also published as: JP2009536407A; US7587296B2; WO2007130692A2; US20080015814A1; KR20090007634A; WO2007130692A3

Abstract

결함들을 검출하기 위한 방법 및 장치가 개시된다. 데이터 샘플들의 세트가 수신되고, 데이터 샘플들의 세트는 다중 프로세스 변수들을 포함한다. 하나 이상의 다변수 통계 모델들은 수정되며, 수정은 변경이 임계값보다 더 큰 경우 하나 이상의 다변수 통계 모델들의 적어도 하나의 단변수 통계치에 변경을 적용하는 것을 포함한다. 하나 이상의 다변수 통계 모델들은 후속적인 프로세스 데이터를 분석하여 결함들을 검출하기 위해 이용된다.

Description

적응형 다변수 결함 검출{ADAPTIVE MULTIVARIATE FAULT DETECTION}

본 출원은 2006년 5월 7일자로 제출된 가출원번호 제60/746,649호 및 2006년 5월 7일자로 제출된 가출원번호 제60/746,647호를 우선권으로 청구한다.

본 발명의 실시예들은 결함 검출에 관한 것으로서, 보다 구체적으로는 수정가능한(adaptable) 다변수 결함 검출 모델을 이용하는 결함 검출에 관한 것이다.

많은 산업들에서 다수의 센서들과 제어부들을 포함하는 지능화된 제조 설비가 사용되고 있고, 각각의 센서와 제어부는 제품 품질을 보장하기 위해 처리 동안 신중하게 모니터링될 수 있다. 다수의 센서들과 제어부들을 모니터링하는 한가지 방법은 결함들의 자동 검출 및/또는 진단을 가능하게 하는 통계적 프로세스 모니터링(센서 측정치들과 프로세서 제어값들(프로세스 변수들)에 통계적 분석을 수행하는 수단)이다. "결함"은 제조 설비의 오작동(malfunction) 또는 조절불량(maladjustment)일 수 있거나(예, 의도된 값들과 기계의 작동 파라미터들의 편차), 긴급한 오작동 또는 조절불량을 방지하기 위해 예방적인 유지보수가 필요하다는 표시일 수 있다. 결함들은 제조되는 장치들에 결함들을 생성할 수 있다. 따라서, 통계적 프로세스 모니터링의 한가지 목적은 그러한 결함들을 생성하기 이전에 결함들을 검출 및/또는 진단하는 것이다.

프로세스 모니터링 동안, 모델 계측량(metric)이 각각의 신뢰도 임계치를 초과하도록 하기에 충분히 큰 양만큼 최근 프로세스 데이터의 하나 이상의 통계치가 통계 모델로부터 벗어날 때 결함이 검출된다. 모델 계측량은 그 값이 실제 프로세스 모니터링 동안 수집된 프로세스 데이터의 통계적 특성들과 모델에 의해 예측된 통계적 특성들 사이의 편차 크기를 나타내는 스칼라 수이다. 각각의 모델 계측은 이러한 편차를 추정하는 고유한 수학적 방법이다. 종래의 모델 계측들은 스퀘어드 예측 에러(Squared Prediction Error)(통상, SPE, Qres 또는 Q로 지칭됨), 및 Hotelling의 T2(T2)를 포함한다.

각각의 모델 계측량은 신뢰도 제한치 또는 제어 제한치로도 지칭되는 각각의 신뢰도 임계치를 갖고, 그 값은 모델 계측량의 허용가능한 상한을 나타낸다. 모델 계측량이 프로세스 모니터링 동안 각각의 신뢰도 임계치를 초과하면, 프로세스 데이터가 결함 때문에 이상 통계치들을 갖는다고 추정될 수 있다.

정확한 결함 검출을 방해하는 것은 임의의 문제들이 없는 경우에도 통상적으로 시간에 따라 제조 프로세스들에 편차(drift)가 있다는 점이다. 예를 들어, 챔버의 연속적인 세정들 사이에 및 소모성 챔버 부품들의 연속적인 교체들 사이에 통상적으로 반도체 프로세스 챔버내의 동작 조건들에 편차가 발생한다. 결함 검출을 위한 종래의 통계적 프로세스 모니터링 방법들은 정상적인 편차와 결함을 구별하는데 있어서 단점들을 갖는다.

구체적으로는, 몇몇 결함 검출 방법들은 프로세스 조건들이 툴의 수명 동안 일정하게 유지된다고 가정한 정적(static) 모델을 사용한다. 그러한 모델은 시간 에 따른 추정된 변경들과 결함에 의해 유발되는 추정되지 않은 편차들을 구별하지 못한다. 프로세스 편차가 많은 결함 경보들을 유발하는 것을 방지하기 위해, 제어 제한치는 편차를 수용하기에 충분히 넓게 설정되어야 한다. 결과적으로, 모델은 미세 결함들(subtle faults)을 검출하지 못할 수 있다.

Gallagher, Neal B. 외의 "Development and benchmarking of multivariate statistical process control tools for a semiconductor etch process: improving robustness through model updating", ADCHEM 1997, Banff, Canada; 및 Li, Weihua 외의 "Recursive PCA for adaptive process monitoring", J. Process Control, vol. 10, pp. 471-486 (2000)은 각각 프로세스 데이터의 편차들에 대해 모델을 주기적으로 수정(adapting)함으로써 프로세스 조건들의 편차들에 대응하는 방법들을 기술하고 있다. Gallagher 공개문헌은 평균 및 공분산 통계치들의 수정을 기술하고 있다. Gallagher는 모델에 대한 Q 또는 T2가 신뢰도 제한치를 초과하는 경우 결함의 발생을 식별함으로써 결함들과 정상적인 편차들을 구별하려고 시도한다. Li 공개문헌은 평균, 공분산, 주성분 행렬, 및 주성분 분석(PCA) 모델의 주성분들의 수의 수정을 기술하고 있다. Gallagher 및 Li에 의해 제안된 바와 같은 수정 방법들은 점진적으로 발생하는 결함들을 검출하지 못한다.

Spitzlsperger, Gerhard 외, "Fault detection for a via etch process using adaptive multivariate methods", ISSM, Tokyo, Japan (2004)은 편차가 있을거라고 추정되는 단변수(univariate) 평균 및 스케일링 계수들만을 수정하기 위해 인간의 전문 지식 사용을 개시하고 있다. 그러나, 이러한 방법은 단변수 평균 및 스케일링 계수들만을 수정함으로써, 모델 내의 변수들 간의 공분산들의 수정을 제공하지 못한다.

전술한 종래의 수정 방법들은 주기적 수정들에 의해 유발되는 누적 계산 순환(rounding) 에러들에 취약하다. 이는 부정 경보들 및 실제 결함들의 검출 오류를 유발할 수 있는 부정확한 통계 값들을 갖는 모델들을 초래한다.

결함들을 검출하기 위한 방법 및 장치가 본 발명에서 기술된다. 일 실시예에서, 다수의 프로세스 변수들을 포함하는 프로세스 데이터가 수신된다. 프로세스 변수들의 예들은 온도, 압력, 실란 유속 등을 포함한다. 하나 이상의 다변수 통계 모델들은 프로세스 데이터에 따라 수정된다. 수정은 변경이 임계값을 초과하지 않는 경우 다변수 통계 모델들의 적어도 하나의 단변수 통계치에 변경을 적용하는 것을 포함한다. 일 실시예에서, 하나 이상의 프로세스 변수들의 측정 편차를 기초로 미리 결정된 간격들에서 수정이 수행된다. 그 다음, 수정된 다변수 통계 모델들은 결함들의 검출을 위해 후속적인 프로세스 데이터를 분석하는데 사용될 수 있다.

본 발명은 첨부된 도면들에서 제한적인 것이 아니라 예시적인 것으로 도시된다.

도 1은 통계 프로세스 모니터링 시스템의 일 실시예를 도시한다.

도 2는 하나 이상의 다변수 통계 모델들을 수정함으로써 결함들을 검출하는 방법의 일 실시예의 흐름도를 도시한다.

도 3은 결함들을 검출하는 방법의 일 실시예의 흐름도를 도시한다.

도 4는 기기 유지보수 이후 하나 이상의 통계 모델들을 리셋함으로써 결함들을 검출하는 방법의 일 실시예의 흐름도를 도시한다.

도 5는 기기가 본 발명에서 논의되는 임의의 하나 이상의 방법들을 수행하도록 하기 위한 명령어들의 세트가 내부에서 실행될 수 있는 예시적인 형태의 컴퓨터 시스템 기기의 개략도를 도시한다.

이하의 상세한 설명에서, 많은 세부사항들이 기술된다. 그러나, 본 발명은 이러한 특정 세부사항들 없이 실시될 수 있다는 것은 통상의 당업자에게 명백할 것이다. 몇몇 예들에서, 공지된 구조들과 장치들은 본 발명을 방해하지 않기 위해, 상세히 기술되지 않고 블럭도 형태로 도시된다.

이하의 상세한 설명의 일부분들은 컴퓨터 메모리 내의 데이터 비트들의 동작들의 심볼 표시들과 알고리즘들에 의해 나타낸다. 이러한 알고리즘 설명들과 표현들은 통상의 당업자에게 이들의 작업의 실체를 가장 효과적으로 전달하기 위해 데이터 처리 기술의 당업자에 의해 사용되는 수단이다. 알고리즘은 일반적으로 목표된 결과를 유도하는 단계들의 자체-일관된 시퀀스(self-consistent sequence)가 되도록 안출된다. 단계들은 물리적 양들의 물리적 조작들을 요구하는 것들이다. 일반적으로, 필수적이진 않지만, 이러한 양들은 저장, 전달, 조합, 비교 및 조작될 수 있는 전기적 또는 자기적 신호들의 형태를 갖는다. 원칙적으로 공통적인 사용을 위하여, 종종 비트들, 값들, 구성요소들, 심볼들, 문자들, 용어들, 수 등으로서 이러한 신호들을 지칭하는 것이 편리한 것으로 입증되었다.

그러나, 이러한 용어들 및 유사한 용어들은 모두 적절한 물리적 양들과 연관되고, 이러한 양들에 적용되는 편의적인 라벨들이라는 점을 유의해야 한다. 이하의 논의로부터 명백해지는 것처럼 특별히 반대로 기술되지 않는 한, 본 상세한 설명에 걸쳐서, "처리(processing)", "컴퓨팅", "계산", "결정", "디스플레이" 등과 같은 용어들을 사용하는 설명들은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치의 조치들 및 프로세스들을 지칭하고, 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 장치는 컴퓨터 시스템의 레지스터들과 메모리들 내의 물리적(예, 전자) 양들로서 나타낸 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 전송 또는 디스플레이 장치들 내의 물리적 양들로서 유사하게 나타낸 다른 데이터로 조작 및 변환한다는 것을 고려한다.

본 발명은 또한 본 발명의 동작들을 수행하기 위한 장치에 관한 것이다. 이러한 장치는 요구되는 목적들을 위해 특수하게 구성될 수 있거나, 컴퓨터 내에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화 또는 리컨피규어되는(reconfigured) 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은 이에 제한됨이 없이, 플로피 디스크, 광학 디스크, CD-ROM, 및 광자기 디스크를 포함하는 임의의 타입의 디스크, 리드-온리 메모리(ROM), 랜덤 액세스 메모리(RAM), EPROM, EEPROM, 자기 또는 광학 카드, 또는 전자 명령어들을 저장하기 위해 적합한 임의의 타입의 매체와 같은, 컴퓨터 판독가능한 저장 매체에 저장될 수 있다.

본 발명에서 나타낸 알고리즘들과 디스플레이들은 본질적으로 임의의 특정 컴퓨터 또는 다른 장치에 관련된 것이 아니다. 다양한 범용 시스템들에 본 발명의 특징들에 따른 프로그램들이 사용될 수 있거나, 요구되는 방법 단계들을 수행하기 위해 보다 특수화된 장치를 구성하는 것이 편의적일 수 있다. 다양한 이러한 시스템들을 위해 요구되는 구조는 이하의 상세한 설명으로부터 명백할 것이다. 또한, 본 발명은 임의의 특정 프로그래밍 언어를 참조하여 기술되지 않는다. 다양한 프로그래밍 언어들이 본 발명에서 기술되는 바와 같은 본 발명의 특징들을 구현하는데 사용될 수 있음을 고려해야 할 것이다.

기계-판독가능한 매체는 기계(예, 컴퓨터)에 의해 판독가능한 형태로 정보를 저장 또는 전송하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 기계-판독가능한 매체는 기계 판독가능한 저장 매체(예, 리드 온리 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 소자들 등), 기계 판독가능한 전송 매체(전기적, 광학, 음향 또는 다른 형태의 전파 신호들(예, 반송파들, 적외선 신호들, 디지털 신호들 등)) 등을 포함한다.

이하의 상세한 설명은 결함들(제조 불규칙들)을 검출 및/또는 진단하기 위해 제조 장치들에서 실행되는 프로세스들을 모니터링하는 통계 프로세스 모니터링 시스템의 세부사항들을 제공한다. 일 실시예에서, 통계 프로세스 모니터링 시스템은 전자 소자들(예, 반도체들)의 제조에 사용하기 위한 것이다. 그러한 소자들의 제조는 일반적으로 상이한 타입들의 제조 프로세스들을 포함하는 수십개의 제조 단계들을 요구한다. 예를 들어, 식각, 스퍼터링, 및 화학 기상 증착은 3가지 상이한 타입들의 프로세스들로서, 각각의 프로세스는 상이한 타입들의 기계들에서 수행된 다. 대안적으로, 통계 프로세스 모니터링 시스템은 자동차와 같은 다른 제품들의 제조를 모니터링하는데 사용될 수 있다. 또한, 그러한 다른 제품들의 제조는 다양한 제조 기계들에 의해 많은 상이한 프로세스 단계들을 요구할 수 있다.

도 1은 통계 프로세스 모니터링 시스템(100)의 일 실시예를 도시한다. 통계 프로세스 모니터링 시스템(100)은 데이터 통신 링크들(160)에 의해 하나 이상의 제조 기기들(110)와 하나 이상의 프로세스 제어기들(150)에 결합된 통계 프로세스 모니터링 장치(105)를 포함한다. 통계 프로세스 모니터링 시스템(100)은 팩토리에 있는 모든 제조 기기들(110)(예, 제조 설비)을 포함할 수 있다. 대안적으로, 통계 프로세스 모니터링 시스템(100)은 하나 이상의 특정 프로세스들을 실행하는 모든 제조 기기들(110)과 같은, 팩토리에 있는 일부 제조 기기들(110)만을 포함할 수 있다.

일 실시예에서, 각각의 제조 기기(110)는 식각기들, 화학 기상 증착(CVD) 퍼니스(furnaces), 포토리소그래피 장치들, 주입기들 등과 같은 전자 소자들의 제조를 위한 기기이다. 대안적으로, 제조 기기들(110)은 다른 제품들(예, 자동차들)을 제조하기 위한 타입일 수 있다. 일 실시예에서, 각각의 제조 기기(110)는 단일한 형태이다. 대안적으로, 제조 기기들(110)은 각각 상이한 프로세스들을 실행할 수 있는 다수의 상이한 타입들의 설비를 포함할 수 있다.

각각의 제조 기기들(110)은 제조 기기들(110)에서 실행되는 프로세스들을 모니터링하기 위한 다중 센서들을 포함할 수 있다. 제조 기기에 포함될 수 있는 한가지 타입의 센서는 온도 센서이다. 다른 센서들의 예들은 압력 센서들, 유량 센 서들, 또는 제조 프로세스의 물리적 조건들 또는 제조 기기들(110)에 의해 제조되는 반도체 소재(workpiece)의 물리적 특성들을 모니터링하는 임의의 다른 센서들을 포함한다.

제조 기기(110)에서 수행되는 각각의 제조 프로세스는 센서들에 의해 측정되는 다양한 물리적 조건들과 특성들, 및 프로세스 데이터로 공통으로 지칭되는 다양한 동작 파라미터들에 의해 특성화된다. 센서들에 의해 측정되는 각각의 개별 물리적 조건 또는 특성, 및 각각의 동작 파라미터는 프로세스 데이터의 개별 프로세스 변수일 수 있다. 센서 데이터를 나타내는 프로세스 변수들의 예들은 챔버 압력, 서셉터 온도, RF 순방향 전력, 및 RF 반사 전력을 포함한다. 동작 파라미터들을 나타내는 프로세스 변수들의 예들은 유속 설정들(예, 화학 반응제들의), 및 스로틀 밸브 설정들(예, 챔버 배기 진공 펌프)을 포함한다. 센서들, 제조 기기들 및 프로세스 제어기들은 연속적인 시간 지점들에서 프로세스 변수들을 수집하기 위해 프로세스 동안 모니터링될 수 있다.

일 실시예에서, 각각의 프로세스 변수는 특정 프로세스에 적용된다. 대안적으로, 하나 이상의 프로세스 변수들은 특정 프로세스의 일부분들에게만 적용될 수 있다. 일 실시예에서, 프로세스의 상이한 단계들에 대한 센서 측정치들과 동작 파라미터들은 개별 프로세스 변수들(모델 공간의 부가적인 차원들로서 모델링됨)을 나타낸다. 이는 예를 들어, 기계로 수행되는 제조 프로세스가 상이한 동작 파라미터 설정들을 가진 다중 단계들을 갖는 경우 유용할 수 있다. 예를 들어, 3 단계의 제조 프로세스에서, 3개 단계들 동안 서셉터 온도는 3개의 개별 프로세스 변수들로 서 처리된다. 예를 들어, 단일 프로세스에서 반도체 소재 상에 다중 층들을 증착할 때, 또는 상이한 프로세스 단계들에서 반도체 소재가 상이한 프로세스 조건들(예, 압력, 온도 등)에 노출될 때, 모델 공간의 개별 차원들(dimensions)로 프로세스 단계들을 분할하는 것이 바람직할 수 있다.

프로세스 제어기들(150)은 제조 기기들(110)의 동작 파라미터들을 제어한다. 예를 들어, 프로세스 제어기들(150)은 제조 기기들(110)의 챔버 온도, 진공 펌프들, 가스 주입 시스템들 등을 제어할 수 있다. 프로세스 제어기들(150)은 하나 이상의 프로세스 방법들(recipes)(160)을 저장할 수 있다. 각각의 방법(160)은 프로세스의 각 단계에서 제조 기기(110)의 동작 파라미터들을 규정할 수 있다. 일 실시예에서, 방법들(160)은 프로세스 제어기들(150)에 의해 제조 기기들(110)에 로딩될 수 있다.

데이터 통신 링크들(160)은 종래의 통신 링크들을 포함할 수 있고, 유선 또는 무선일 수 있다. 제조 기기들(110), 프로세스 제어기들(150) 및 통계 프로세스 모니터링 장치(150) 간에 데이터가 원시(raw) 또는 처리 포맷으로 전송될 수 있다. 일 실시예에서, 반도체 설비 통신 표준(SECS) 인터페이스가 사용된다. 다른 실시예들에서, 제조 설비(GEM) 인터페이스, SECS/GEM 인터페이스, 고속 SECS 메시지 서비스(HSMS) 인터페이스 등의 통신 및 제어를 위한 포괄적 모델이 사용될 수 있다.

통계 프로세스 모니터링 장치(105)는 제조 기기들(110), 센서들(155), 및 프로세스 제어기들(150)로부터 입력 프로세스 데이터를 분석하는 단일 서버일 수 있다. 대안적으로, 통계 프로세스 모니터링 장치(105)는 다중 서버들 및/또는 컴퓨 터들을 포함할 수 있다. 일 실시예에서 통계 프로세스 모니터링 장치(105)는 결함 검출기(125), 결함 진단기(130) 및 결함 리포터(150)를 포함한다. 통계 프로세스 모니터링 장치(105)는 저장 장치(175)를 포함할 수도 있다. 일 실시예에서, 통계 프로세스 모니터링 장치(105)는 하나 이상의 프로세스 제어기들(150)에 포함된다. 대안적으로, 프로세스 모니터링 장치(105)는 개별적인 및/또는 별도의 장치일 수 있다.

저장 장치(175)는 프로세스 측정 데이터베이스(120), 하나 이상의 다변수 통계 모델들(135), 결함 시그니처들(140), 및 결함 클래스들(145)을 포함할 수 있다. 일 실시예에서, 저장 장치(175)는 통계 프로세스 모니터링 장치(105)의 컴퓨터 또는 서버의 단일 저장 장치이다. 대안적으로, 저장 장치(175)는 통계 프로세스 모니터링 장치(105) 외부에 있을 수 있다. 일 실시예에서, 저장 장치(175)는 다중 저장 장치들을 포함하고, 그 중 일부는 백업을 위해 데이터의 중복 복사본들(redundant copies)을 포함할 수 있다.

프로세스 측정 데이터(프로세스 데이터)는 프로세스 측정 데이터베이스(120)에 저장될 수 있다. 저장된 프로세스 데이터는 제조 기기들(10) 등에서 실행되는 프로세스들 동안 각각의 제조 기기들(110)에 대한 편차들과 추이들(trends)을 나타내는데 이용될 수 있다. 일 실시예에서, 저장된 프로세스 데이터는 이하에서 기술되는 것처럼, 하나 이상의 다변수 통계 모델들(135)을 생성하는데 사용된다. 생성되면, 다변수 통계 모델들(135)이 저장 장치(175)에 저장될 수 있다.

일 실시예에서, 트레이닝 주기는 하나 이상의 다변수 통계 모델들의 생성을 위해 데이터를 수집하는데 사용된다. 트레이닝 주기는 특정 제조 기기 또는 제조 기기들에서 공지된 및/또는 제어된 조건들 하에 완료되는 특정 제조 프로세스의 프로세스 실행들의 수집 동안 계속된다. 트레이닝 주기 동안 완료되는 프로세스 실행들로부터 수집된 프로세스 데이터는 평균, 분산(variance), 공분산 행렬 등과 같은 통계치들을 생성하는데 사용될 수 있다. 이러한 통계치들은 일반적으로 특정 기기에서 실행되는 특정 프로세스에 대해 하나 이상의 다변수 통계 모델들(135)을 생성하기 위해 공동으로 사용된다.

각각의 다변수 통계 모델(135)은 하나 이상의 모델 계측량들을 포함할 수 있다. 모델 계측량들은 프로세스 데이터의 세트와 모델 사이의 편차량을 특성화하는 스칼라 값들이다. 일 실시예에서, 모델 계측량들은 스퀘어드 예측 에러(Squared Prediction Error)(통상, SPE, Qres 또는 Q로 지칭됨), 및 Hotellings T2를 포함한다. 또한, 모델 계측량들은 조합 다변수 인덱스(CMI)와 같은 조합된 계측량들을 포함할 수 있다. 각각의 이러한 계측량은 모니터링되는 프로세스 데이터가 모델을 형성하는데 사용된 트레이닝 데이터와 동일한 통계치들을 갖는 확률을 추정하는 상이한 방법이다. 전술한 통계치들과 계측량들은 종래의 통계 알고리즘들에 따라 계산될 수 있다.

하나 이상의 다변수 모델들은 M차원 프로세스 변수 공간을 상호 직교하는 주 성분들의 N차원 공간으로 변환하기 위해 주성분 분석(Principal Components Analysis: PCA)을 사용할 수 있고, 여기서 M은 프로세스 변수들의 개수이며 N은 M보다 훨씬 더 작다. PCA는 하나의 세트의 M 고유벡터들(eigenvectors)과 M 고유값 들(eigenvalues)을 계산하고, 각각의 개별 고유벡터는 프로세스 변수 데이터를 주성분 공간의 각 차원으로 변환시키며, 각각의 고유값은 상응하는 고유벡터로 나타낸 분산량에 비례한다. 주성분 공간을 간략화하기 위해(그 차원을 감소시키기 위해), 가장 큰 N 고유값들에 상응하는 N 고유벡터들이 모델 내에 유지되고; 다른 고유벡터들은 폐기 또는 무시된다. 모델 내에 유지되는 주성분들의 수 N은 사용자에 의해 선택될 수 있는 모델의 파라미터이다. 주성분들의 수(N)는 보다 작은 N 값을 사용할 때 보다 적은 데이터 분산을 설명하는 모델 간의 트레이드오프(tradeoff)를 기초로 선택될 수 있고, 모델은 보다 큰 N 값을 사용할 때 오버-스펙(over-specified)된다.

하나 이상의 다변수 통계 모델들이 생성되면, 제조 기기들(110)의 프로세스 실행을 모니터링하기 위해 결함 검출기(125)에 의해 이용될 수 있다. 결함 검출기(125)는 다양한 통계 프로세스 모니터링 방법들을 실행함으로써 프로세스 데이터를 분석하고, 각각의 프로세스 모니터링 방법은 적어도 하나의 다변수 통계 모델을 기초로 한다. 일 실시예에서, 결함 검출기(125)는 제조 기기들(110), 센서들(155) 및/또는 프로세스 제어기들(150)로부터 직접 프로세스 측정 데이터(프로세스 데이터)를 수신한다. 다른 실시예에서, 결함 검출기(125)는 프로세스 측정 데이터베이스(120)로부터 프로세스 데이터를 수신할 수 있다. 또 다른 실시예에서, 결함 검출기(125)는 두 소스들로부터 프로세스 데이터를 수신한다.

결함들을 검출하기 위해, 결함 검출기(125)는 모니터링되는 프로세스들에 대한 프로세스 데이터의 통계치들을 계산하고, 계산된 통계치들을 적절한 다변수 통 계 모델들의 상응하는 통계치들과 비교한다. 통계치들은 하나의 모델 계측량 또는 다중 모델 계측량들(예, T2, SPE, CMI)에 대해 비교될 수 있다. 하나 이상의 모델 계측량들이 미리 결정된 임계치(신뢰도 제한치 또는 제어 제한치로서 지칭됨)를 초과할 경우, 결함이 검출될 수 있다. 일 실시예에서, 각각의 모델 계측량은 사용자에 의해 선택된 임계값을 갖는다. 선택된 임계값은 결함 경보의 위험(임계값이 너무 낮은 경우) 및 결함을 검출하는데 실패할 위험(임계값이 너무 높은 경우) 간에 절충을 나타낼 수 있다. 다중 계측량들이 계산되면, 계측량들 중 임의의 하나가 임계값들을 초과할 경우에 결함들이 유발될 수 있다. 대안적으로, 몇몇 결함들은 특정 계측량들이 임계값들을 초과할 경우에만 또는 다중 계측량들이 임계값들을 초과할 경우에만 유발될 수 있다.

결함이 결함 검출기(125)에 의해 식별되면, 결함 진단기(130)에 의해 결함이 분석된다. 결함 진단기(130)는 결함 진단 데이터베이스(140)에 저장된 결함 시그니처들의 집합과 결함을 비교한다. 각각의 결함 시그니처는 특정 결함 또는 결함들을 나타내는 프로세스 조건들을 나타낸다. 일 실시예에서, 결함 시그니처들은 특정 결함 또는 결함들에 대한 가장 큰 통계적 기여도를 갖는 프로세스 변수들의 랭킹된 리스트들이다. 결함 진단기(130)는 현재 결함에 대해 가장 큰 기여도들을 갖는 프로세스 변수들의 랭킹 리스트와 각각의 저장된 결함 시그니처를 비교할 수 있다. 결함 시그니처들(140) 중 하나와 현재 결함 사이의 높은 유사도가 있을 때, 매칭이 리포팅된다.

각각의 결함 시그니처들(140)은 하나 이상의 결함 클래스들과 연관된다. 결 함 클래스들(145)은 현재 결함 또는 현재 결함의 상당한 원인(probable cause)을 형성한 실제 문제를 나타낼 수 있다. 예를 들어, 결함 시그니처가 가장 큰 기여 프로세스 변수가 실란 유속이었다고 나타내면, 결함 클래스는 실란을 챔버에 공급하는 밸브가 오작동했다는 것을 나타낼 수 있다.

결함 리포터(165)는 어떤 결함 클래스 또는 결함 클래스들(145)이 현재 결함에 해당하는지를 나타내는 결함 리포트들을 생성한다. 결함 리포트들은 통계 프로세스 모니터링 장치(105)에 네트워킹된 하나 이상의 클라이언트(미도시)(예, 로컬 컴퓨터들, 원격지 컴퓨터들, 개인용 디지털 보조기들(PDAs), 페이저들, 휴대전화들 등)로 전송될 수 있다. 또한, 결함 리포터(165)는 제조 기기들(110)이 가동 중지되도록 하거나, 기기에 경보를 유발하거나, 다른 적절한 조치들을 유발할 수 있다.

결함이 없는 경우에도 제조 프로세스들은 종종 시간에 따라 편차가 있다. 예를 들어, 반도체 프로세스 챔버 내의 동작 조건들은 챔버의 연속적인 세정들 사이, 및 소모성 챔버 부품들의 연속적인 교체들 사이에 전형적으로 편차가 있다. 프로세스 편차에 대한 수정에 의해, 편차에 의해 유발되는 프로세스 변수들의 변경들은 오류로 결함들로서 해석되지 않는다.

도 2는 하나 이상의 다변수 통계 모델들을 수정함으로써 결함들을 검출하는 방법(200)의 일 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 장치에서 실행되는 명령어들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(200)은 도 1의 통계 프로세스 모니터링 장치(105) 에 의해 수행된다.

도 2를 참조하면, 방법(200)은 프로세스 데이터를 수신하는 처리 로직에 의해 시작된다(블럭 210). 프로세스 데이터는 제조 기기에서 실행되는 프로세스로부터 출력될 수 있고, 다중 프로세스 변수들을 포함할 수 있다. 블럭 215에서, 하나 이상의 다변수 통계 모델들에 대해 결함이 표시되는지 여부를 결정하기 위해 프로세스 데이터가 분석된다. 예시된 실시예에서, 프로세스 데이터는 임의의 수정이 수행되기 이전에 결함을 검출하기 위해 분석된다. 대안적으로, 프로세스 데이터는 수정이 수행된 이후 분석될 수 있다. 프로세스 데이터가 다변수 통계 모델의 하나 이상의 계측량들(예, T2, SPE, CMI 등)에 대한 임계값을 초과하였다고 나타낼 때, 다변수 통계 모델들 중 하나에 대해 결함이 표시된다.

일 실시예에서, 2개 이상의 다변수 통계 모델들이 결함 검출을 위해 동시에 사용된다. 따라서, 모델들 중 적어도 하나가 결함을 검출하면 결함이 식별될 수 있다. 또한, 하나의 모델이 결함을 검출하고 다른 모델은 검출하지 못한 경우와 같이, 결함들이 식별되지 않은 경우에도 사용자에게 리포트들이 전송될 수 있다. 대안적으로, 적어도 2개의 모델들이 가능성 있는 결함을 나타내지 않는다면 결함이 리포팅되지 않을 수 있다.

일 실시예에서, 2개 이상의 다변수 통계 모델들은 적어도 하나의 방식으로 서로 상이하다. 예를 들어, 상이한 프로세스 변수들을 사용함으로써, 상이한 수의 주성분들을 사용함으로써, 결함 검출의 상이한 방법들을 사용함으로써, 상이한 신뢰도 제한치들을 사용함으로써, 또는 모델을 유지하기 위해 상이한 양의 프로세스 데이터를 사용함으로써, 모델들이 상이할 수 있다. 예를 들어, 제 1 모델은 프로세스에 대한 모든 프로세스 데이터를 포함할 수 있고, 제 2 모델은 가장 최근의 예방적인 유지보수(PM) 이후 생성된 모든 프로세스 데이터를 포함할 수 있으며, 제 3 모델은 마지막 1000 웨이퍼들만을 포함할 수 있다. 또한, 블럭 220을 참조로 이하에서 보다 상세히 설명되는 것처럼, 편차에 대한 수정의 상이한 방법들(예, 프로세스 변수들이 수정되고, 통계치들이 수정되고, 어떤 수정 임계치들이 사용되는가 등)을 사용함으로써, 모델들이 상이할 수 있다. 일 실시예에서, 적어도 하나의 다변수 통계 모델은 편차에 대해 수정되지 않고, 적어도 하나의 다변수 통계 모델은 편차에 대해 수정된다. 또한, 다변수 통계 모델들은 상기 예들에서 언급되지 않은 방법들로 가변될 수 있다.

각각의 다중 다변수 통계 모델들은 단일 세트의 트레이닝 데이터를 이용하여 트레이닝 주기 동안 동시적으로 생성될 수 있다. 대안적으로, 상이한 모델들은 상이한 트레이닝 데이터, 또는 부가적인 트레이닝 데이터를 사용할 수 있다. 이는 예를 들어, 하나의 모델이 다른 모델보다 더 많은 프로세스 변수들을 포함하는 경우, 또는 정적(static) 모델이 부가적인 동작 표준들을 커버하기 위해 더 긴 트레이닝 주기로부터 또는 설계된 실험들로부터 부가적인 데이터를 포함시킬 필요가 있는 경우, 바람직할 수 있다.

도 2를 참조하면, 블럭 220에서, 처리 로직은 하나 이상의 프로세스 변수들에 대해 편차가 측정되는지 여부를 결정한다. 프로세스 변수의 특정 통계치들(예, 평균, 표준 편차 등)이 점진적으로 조절된 경우에 편차가 측정된다. 편차가 측정 되지 않으면, 방법은 종료된다. 하나 이상의 프로세스 변수들에 대해 편차가 검출되면, 방법은 블럭 225로 진행한다. 대안적인 실시예에서, 편차가 측정되었는지 여부와 무관하게 방법은 블럭 225로 진행한다.

블럭 225에서, 처리 로직은 이하에서 수정 트리거(adaptation trigger)로 지칭되는, 미리 결정된 조건이 발생했는지 여부를 결정한다. 일 실시예에서, 수정 트리거는 특정 시간 간격(예, 1시간, 하루 등)을 포함한다. 시간 간격이 만료될 때, 수정 트리거가 발생된다. 대안적으로, 수정 트리거는 특정 수의 프로세스 가동들, 미리 결정된 수의 데이터 샘플들 등을 포함할 수 있다. 특정 수의 프로세스 가동들이 종료되고, 미리 결정된 수의 데이터 샘플들이 생성되면, 수정 트리거가 발생할 수 있다. 예를 들어, 미리 결정된 수의 데이터 세트들이 생성되거나, 이전의 수정 이후 미리 결정된 시간 간격이 만료된 경우에 수정이 수행되도록 하기 위해, 하나 이상의 수정 트리거들이 조합될 수 있다. 수정 트리거가 발생하지 않았다면, 방법은 종료된다. 수정 트리거가 발생했다면, 방법은 블럭 230으로 계속된다.

블럭 230에서, 하나 이상의 다변수 통계 모델들이 수정된다. 상이한 알고리즘들은 편차를 수정하는데 사용될 수 있고, 그 중 하나는 지수적으로 가중된 이동 평균(exponentially weighted moving average: EWMA)의 사용을 포함한다. 다른 적절한 수정 알고리즘들은 포켓팅 팩터(forgetting factor), 윈도윙(windowing), 및 귀납적 이동 평균(recursive moving average)을 포함한다. 다른 수정 알고리즘들이 사용될 수도 있다.

일 실시예에서, 각각의 프로세스 변수들에 대한 모든 통계치들이 수정된다. 대안적으로, 몇몇 프로세스 변수들은 수정되지 않을 수 있고, 및/또는 하나 이상의 프로세스 변수들 중 몇몇 통계치들이 수정되지 않을 수 있다. 일 실시예에서, 처리 로직은 그 통계치들이 제조 기기의 정상 동작에 편차를 발생시키는 것으로 추정되는 하나 이상의 프로세스 변수들의 제 1 세트를 식별한다. 모든 다른 프로세스 변수들을 정적(static) 상태로 유지하면서, 제 1 세트의 프로세스 변수들이 모델에서 수정될 수 있다. 또한, 처리 로직은 그 통계치들이 결함이 없는 고정상태로 남아 있다고 추정되는 하나 이상의 프로세스 변수들의 제 2 세트를 식별할 수도 있다. 제 2 세트의 프로세스 변수들을 정적 상태로 유지하면서, 제 2 세트 이외의 모든 프로세스 변수들은 모델에서 수정될 수 있다. 일 실시예에서, 제 1 세트의 프로세스 변수들과 제 2 세트의 프로세스 변수들이 함께 사용된다. 이는 처리 로직이 점진적 결함들(gradual faults) 및 갑작스러운 결함들(sudden faults)을 모두 검출할 수 있도록 하고, 점진적 결함에 대한 잘못된 수정을 방지할 수 있다.

하나 이상의 통계치들은 각각의 수정된 프로세스 변수들에 대해 수정될 수 있다. 프로세스 변수들에 대해 수정될 수 있는 통계치들의 예들은 평균, 분산, 공분산, 상관관계(예, 상관 행렬의), 주성분 고유벡터들(eigenvectors) 및 고유값들(eigenvalues), 및 주성분들의 수를 포함한다. 일 실시예에서, 상이한 통계치들은 상이한 프로세스 변수들에 대해 수정된다. 프로세스 변수들에 대해 수정되는 통계치들(존재하는 경우)의 선택은 사용자 입력을 기반으로 하거나, 사용자 입력 없이 자동화될 수 있다(예, 선택 알고리즘을 기반으로). 예를 들어, 특정 프로세 스 변수들의 평균 및 분산은 편차가 있는 것으로 추정될 수 있는 반면에, 다른 프로세스 변수들과 이러한 프로세스 변수들의 상관관계에는 편차가 없다고 추정될 수 있다. 따라서, 적절한 프로세스 변수들의 평균 및 분산은 수정되면서, 이러한 프로세스 변수들과 다른 프로세스 변수들 간의 공분산 통계치들은 정적 상태로 유지된다. 다른 예로서, 특정한 다른 프로세스 변수들에 대해, 모든 통계치들에 편차가 있다고 추정될 수 있다. 따라서, 그러한 다른 프로세스 변수들의 모든 통계치들이 수정될 수 있다.

도 2를 참조하면, 블럭 235에서, 처리 로직은 이후에 수정 임계치(adaptation threshold)로서 지칭되는 적어도 하나의 임계값만큼 수정에 의해 하나 이상의 단변수 통계치들이 변경되는지 여부를 결정한다. 다변수 통계 모델이 수정됨에 따라, 누적 계산 순환 에러들에 의해 실제로 변경되지 않은 단변수 통계치들(예, 평균 및 분산)의 계산 값들에 잘못된 변경들을 유발할 위험이 있다. 단변수 통계치들의 그러한 누적 에러들은 다변수 통계치들(예, 공분산)의 계산들에서 과도한(disproportionate) 에러들을 유발할 수 있다. 그러한 발생을 개선하기 위해, 수정이 적어도 수정 임계치만큼 하나 이상의 단변수 통계치들을 변경시키지 않으면, 방법은 블럭 245로 진행한다. 하나 이상의 단변수 통계치들이 수정 임계치만큼 변경되지 않으면, 방법은 블럭 240으로 진행한다.

일 실시예에서, 각각의 개별적인 단변수 통계치에 대한 수정 임계치는 고정된 값이다. 대안적으로, 단변수 통계치의 수정 임계치는 현재 값의 미리 결정된 분율과 같은 상대적 값일 수 있다. 예를 들어, 일 실시예에서, 각각의 개별적인 단변수 통계치에 대한 수정 임계치는 개별적인 단변수 통계치의 현재 값의 10^-9이다. 하나 이상의 단변수 통계치들은 동일한 수정 임계치를 공유할 수 있다. 대안적으로, 단변수 통계치들 중 일부 또는 전부가 이들 자신의 수정 임계치들을 가질 수 있다.

블럭 240에서, 수정 임계치와 동일하거나 더 큰 양만큼 변경될 그러한 단변수 통계치들은 변경된다. 수정 임계치만큼 변경되지 않을 단변수 통계치들의 수정은 변경이 임계치를 초과할 때까지 지연될 수 있다.

블럭 245에서, 수정된 다변수 통계 모델 또는 모델들은 결함들을 검출하기 위해 후속적인 프로세스 데이터를 분석하는데 사용된다. 그 다음, 방법은 종료된다.

일 실시예에서, 가장 최근의 프로세스 데이터가 결함을 나타내기에 충분하게 모델로부터 벗어나지 않는다고 결정된 이후, 가장 최근의 프로세스 데이터는 다변수 통계 모델을 수정하는데 사용된다. 대안적으로, 가장 최근의 프로세스 데이터는 결함 검출을 수행하기 이전에 모델을 수정하는데 사용될 수 있다. 다른 실시예에서, 도 3을 참조로 이하에서 기술되는 방법에 따라, 프로세스 데이터에 대해 결함 검출이 2회 수행되고, 1회는 수정 이전에 1회는 수정 이후에 수행된다.

도 3은 결함들을 검출하는 방법(300)의 일 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 장치에서 실행되는 명령어들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(300)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.

도 3을 참조하면, 방법(300)은 프로세스 데이터를 수신하는 처리 로직에 의해 시작된다(블럭 310). 블럭 315에서, 제 1 결함 검출 알고리즘은 프로세스 데이터에 적용된다. 일 실시예에서, 제 1 결함 검출 알고리즘은 상대적으로 느슨한(예, 민감하지 않은(insensitive)) 결함 검출 임계치들을 사용한다. 블럭 320에서, 처리 로직은 결함이 나타나는지 여부를 결정한다. 일 실시예에서, 결함이 나타나면, 방법은 블럭 335로 진행하고, 결함이 나타나지 않으면, 방법은 블럭 325로 진행한다. 대안적인 실시예에서, 방법은 결함을 나타내는지 여부와 무관하게 블럭 325로 진행한다.

블럭 335에서, 결함이 리포팅된다. 결함의 리포팅은 클라이언트에게 메시지를 전송하거나, 제제 기기에 경보를 울리거나, 프로세스를 중단시킴으로써 사용자에게 통지하는 것을 포함할 수 있다. 그 다음, 방법은 종료된다.

블럭 325에서, 하나 이상의 다변수 통계 모델들이 수정된다. 순차적으로, 제 2 결함 검출 알고리즘이 적용된다(블럭 330). 일 실시예에서, 제 2 결함 검출 알고리즘은 결함이 발생했는지 여부를 결정하기 위해 수정된 모델을 사용한다. 일 실시예에서, 제 2 결함 검출 알고리즘은 상대적으로 엄격한(민감한) 결함 검출 임계치들을 사용한다. 2개의 결함 검출 알고리즘들의 사용은 잘못된 경보들을 유발하는 확률을 감소시킬 수 있고, 실제 결함들을 검출하는 확률을 증가시킬 수 있다.

반도체 프로세스 챔버 내의 동작 조건들은 전형적으로 모두 기기 유지보수로 집합적으로 지칭되는, 기기 수리, 조정 유지보수(예, 부품의 교체 또는 보정), 또는 예방적인 유지보수(예, 프로세스 챔버 세정) 이후에 갑작스러운 변화(shift)를 받게 된다. 이러한 갑작스러운 변화가 결함으로서 식별되는 것을 방지하기 위해, 기기 유지보수 이후에 모델의 일부분 또는 전부를 "리셋"하는 것이 바람직할 수 있다.

도 4는 기기 유지보수 이후에 하나 이상의 통계 모델들을 리셋함으로써 결함들을 검출하는 방법(400)의 일 실시예의 흐름도를 도시한다. 방법은 하드웨어(예, 회로, 전용 로직, 프로그래밍가능한 로직, 마이크로코드 등), 소프트웨어(예, 처리 장치에서 실행되는 명령어들), 또는 이들의 조합을 포함할 수 있는 처리 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(400)은 도 1의 통계 프로세스 모니터링 장치(105)에 의해 수행된다.

도 4를 참조하면, 방법(400)은 기기 유지보수를 검출함으로써 시작된다(블럭 405). 기기 유지보수는 특정 제조 기기 또는 다중 제조 기기들에 대해 검출될 수 있다. 블럭 410에서, 하나 이상의 다변수 통계 모델들이 자동으로 리셋된다. 모델 리셋은 기기 유지보수가 수행되었음을 나타내는 방식으로 프로세스 변수의 값이 변경될 때, 자동으로 개시될 수 있다. 그러한 프로세스 변수 변경의 예들은 제로로 리셋되는 카운터(예, 부품 교체를 나타내기 위해), 미리 결정된 시간 주기보다 더 오래 작동하지 않는 제조 기기, 또는 특정 프로세스 설정값들의 변경을 포함한다. 대안적으로, 하나 이상의 다변수 통계 모델의 리셋은 기기 유지보수 이후 제조 기기가 복구되어 동작될 때와 같이, 사용자에 의해 수동으로 개시될 수 있다.

일 실시예에서, 모델은 임의의 수정이 수행되기 이전에 및 트레이닝 주기의 종료시에 생성되었던 원래 상태와 매칭되는 상태로 복구함으로써 리셋된다(블럭 415). 다른 실시예에서, 모델은 도 2를 참조로 전술한 것처럼, 모델의 일부 또는 전부를 새로운 동작 조건들로 수정함으로써(블럭 420) 리셋된다. 예를 들어, 선택된 프로세스 변수들에 대한 통계치들은 새로운 동작 조건들을 반영하도록 수정될 수 있다. 일 실시예에서, 수정을 위해 선택된 프로세스 변수들은 실제로 수행된 특정 타입의 유지보수의 결과로서 변경되는 것으로 추정된 그러한 프로세스 변수들을 포함한다. 대안적으로, 수정을 위해 선택된 최고 결함 기여도들 및/또는 임계값보다 더 큰 결함 기여도들을 갖는 그러한 프로세스 변수들일 수 있다. 계산은 기기 유지보수 이전에 존재했던 바와 같은 모델에 대한 기기 유지보수 이후에 생성되었던 프로세스 데이터를 적용함으로써 생성되는 에러 통계치들을 기반으로 할 수 있다. 일 실시예에서, 수정을 위해 선택된 프로세스 변수들의 수는 하나 이상의 모델 에러 통계치들이 미리 결정된 임계치 아래로 떨어질 때까지 반복적으로 증가된다.

일 실시예에서, 다변수 통계 모델들의 리셋팅은 리셋 트레이닝 주기의 개시를 포함한다(블럭 425). 리셋 트레이닝 주기로부터의 프로세스 데이터는 다변수 통계 모델의 전부 또는 일부를 재계산하는데 사용될 수 있다. 일 실시예에서, 리셋 트레이닝 주기는 제조 기기에서 제품의 실제적인 처리로부터 프로세스 데이터를 사용한다. 일 실시예에서, 다변수 결함 검출은 리셋 트레이닝 주기 동안 디스에이블된다. 이는 많은 잘못된 알람들의 발생을 방지할 수 있다. 대안적으로, 다변수 결함 검출은 리셋 트레이닝 주기 동안 몇몇 결함 클래스들 및/또는 결함 시그니처들에 대해 디스에이블된다. 이에 따라, 잘못된 알람들일 가능성이 있는 결함들은 억제될 수 있고, 실제적인 결함들은 여전히 모니터링된다. 충분한 프로세스 데이터가 적어도 하나의 다변수 통계 모델을 재생성하기 위해 수집되면, 리셋 트레이닝 주기는 종료된다.

일 실시예에서, 새로운 다변수 통계 모델이 안정한 통계치들의 세트로 수렴되었다는 것을 프로세스 데이터가 나타낼 때, 리셋 트레이닝 주기는 종료되고, 결함 검출이 재개될 수 있다. 이는 새로운 다변수 통계 모델의 특정 통계치들이 새로운 프로세스 데이터의 도입에 의해 임계값 미만만큼 변경될 때 발생할 수 있다. 대안적으로, 리셋 트레이닝 주기는 미리 결정된 수의 트레이닝 데이터 샘플들이 제조 기기에 의해 생성되어 새로운 모델에 포함될 때 종료될 수 있다. 다른 실시예에서, 리셋 트레이닝 주기는 새로운 모델을 프로세스 데이터와 비교했을 때 하나 이상의 모델 에러 통계치들이 미리 결정된 임계치 아래로 떨어지는 경우에 종료될 수 있다. 또 다른 실시예에서, 리셋 트레이닝 주기는 새로운 모델을 트레이닝 데이터와 비교하여 하나 이상의 모델 에러 통계치들이 미리 결정된 임계치를 초과하는 주파수가 미리 결정된 임계치 아래로 떨어질 때 종료될 수 있다. 또 다른 실시예에서, 리셋 트레이닝 주기는 선택된 프로세스 변수들이 이들의 표준 편차보다 크게 이들의 평균 값들과 상이한 주파수가 미리 결정된 임계치 아래로 떨어질 때 종료될 수 있다.

일 실시예에서, 다변수 통계 모델의 리셋팅을 참조로 전술한 기술들은 제 1 제조 기기의 현존하는 다변수 통계 모델을 제 2 제조 기기에 적용하는데 사용될 수 있다. 제 1 제조 기기로부터 제 2 제조 기기로 다변수 통계 모델을 전달하기 위해, 다변수 통계 모델의 복사본이 생성되어 제 2 제조 기기와 연동될 수 있다. 일 실시예에서, 제 2 제조 기기에 대한 모델의 초기 상태는 제 1 제조 기기의 모델의 현재 상태이다. 그 다음, 수정 및/또는 리셋 트레이닝 주기는 모델을 제 2 제조 기기에 적용시키도록 개시될 수 있다.

도 5는 기기가 본 발명에서 논의된 하나 이상의 방법들을 수행하도록 하기 위해, 그 내부에서 명령어들의 세트가 실행될 수 있는 예시적인 형태의 컴퓨터 시스템(500)의 기기의 개략도를 도시한다. 대안적인 실시예들에서, 기기는 LAN, 인트라넷, 익스트라넷 또는 인터넷으로 다른 기기들에 접속(예, 네트워킹)될 수 있다. 기기는 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 기기의 용량에서 동작하거나, 피어-투-피어(또는 분산) 네트워크 환경에서 피어 기기로서 동작할 수 있다. 기기는 개인용 컴퓨터(PC), 타블렛 PC, 셋톱박스(STB), 개인용 디지털 보조기(PDA), 휴대전화, 웹 어플라이언스, 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 기기에 의해 수행될 조치들을 특정하는 명령어들(순차적 또는 순차적이지 않은)의 세트를 실행할 수 있는 임의의 기기일 수 있다. 또한, 단지 하나의 기기만이 도시되지만, "기기(machine)"란 용어는 본 발명에서 논의된 임의의 하나 이상의 방법들을 수행하기 위한 명령어들의 세트(또는 다중 세트들)를 개별적으로 또는 집합적으로 실행하는 기기들의 임의의 집합을 포함하는 것으로서 고려된다.

예시적인 컴퓨터 시스템(500)은 버스(530)를 통해 서로 통신하는, 처리 장치(프로세서)(502), 메인 메모리(504)(예, 리드 온리 메모리(ROM), 플래시 메모리, 동기식 DRAM(SDRAM) 또는 램버스 DRAM(RDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM) 등), 정적 메모리(506)(예, 플래시 메모리, 정적 랜덤 액세스 메모리(SDRAM) 등), 및 데이터 저장 장치(518)를 포함한다.

프로세서(502)는 마이크로프로세서, 중앙 처리 유닛 등과 같은 하나 이상의 범용 처리 장치들을 나타낸다. 보다 구체적으로는, 프로세서(502)는 컴플렉스 인스트럭션 세트 컴퓨팅(CISC) 마이크로프로세서, 리듀스드 인스트럭션 세트 컴퓨팅(RISC) 마이크로프로세서, 장문 인스트럭션 워드(VLIW) 마이크로프로세서, 또는 다른 명령어 세트들을 구현하는 프로세서 또는 명령어 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서(502)는 또한 애플리케이션 특정 집적회로(ASIC), 필드 프로그래머블 게이트 어레이(FPGA), 디지털 신호 처리기(DSP), 네트워크 프로세서 등과 같은 하나 이상의 특수용 처리 장치들일 수 있다. 프로세서(502)는 본 발명에서 논의된 단계들과 동작들을 수행하기 위해 처리 로직(526)을 실행하도록 컨피규어(configure)된다.

컴퓨터 시스템(500)은 네트워크 인터페이스 장치(508)를 추가로 포함할 수 있다. 또한, 컴퓨터 시스템(500)은 비디오 디스플레이 유닛(510)(예, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자 입력 장치(512)(예, 키보드), 커서 제어 장치(514)(예, 마우스), 및 신호 생성 장치(516)(예, 스피커)를 포함할 수 있다.

데이터 저장 장치(518)는 본 발명에서 기술된 임의의 하나 이상의 방법들 또 는 기능들을 구현하는 하나 이상의 명령어 세트들(예, 소프트웨어(522))이 저장된 기계-액세스가능한 저장 매체(531)를 포함할 수 있다. 또한, 소프트웨어(522)는 컴퓨터 시스템(500)에 의한 그 실행 동안 메인 메모리(504) 및/또는 프로세서(502) 내에, 완전하게 또는 적어도 부분적으로 위치할 수 있다. 또한, 소프트웨어(522)는 네트워크 인터페이스 장치(508)를 통해 네트워크(520)상에서 송신 또는 수신될 수 있다.

또한, 기계-액세스가능한 저장 매체(531)는 사용자 프로파일들을 규정하는 사용자 선호도들과 사용자 식별 상태들을 규정하는 데이터 구조 세트들을 저장하는데 사용될 수도 있다. 데이터 구조 세트들과 사용자 프로파일들은 정적 메모리(506)와 같은 컴퓨터 시스템(500)의 다른 섹션들에 저장될 수도 있다.

기계-액세스가능한 저장 매체(531)는 단일 매체인 예시적인 실시예로 도시되지만, "기계-액세스가능한 저장 매체"란 용어는 하나 이상의 명령어 세트들을 저장한 단일 매체 또는 다중 매체들(예, 중앙 집중 또는 분산 데이터베이스, 및/또는 연동되는 캐스들과 서버들)을 포함하는 것으로 고려되어야 한다. 또한, "기계-액세스가능한 저장 매체"란 용어는 기계에 의한 실행을 위해 명령어들의 세트를 저장, 인코딩 또는 전송할 수 있고, 기계가 본 발명의 임의의 하나 이상의 방법들을 수행할 수 있도록 하는, 임의의 매체를 포함하는 것으로 고려되어야 한다. 따라서, "기계-액세스가능한 매체"란 용어는 제한됨이 없이, 반도체(solid-state) 메모리들, 광학 및 자기 매체, 및 반송파 신호들을 포함하는 것으로서 고려되어야 한다.

상기한 상세한 설명은 제한적인 것이 아니라 예시적인 것으로 의도된다는 점을 이해해야 한다. 상기한 상세한 설명을 읽고 이해할 때 많은 다른 실시예들은 통상의 당업자에게 명백할 것이다. 따라서, 본 발명의 범주는 권리가 부여되는 청구범위에 대한 등가물들의 전체 범주와 함께, 첨부된 청구범위를 참조로 결정되어야 한다.

Claims

결함 검출 방법으로서,

다수의 프로세스 변수들을 포함하는 프로세스 데이터를 수신하는 단계;

상기 프로세스 데이터에 따라 하나 이상의 다변수 통계 모델들을 수정(adapting)하는 단계 ― 상기 수정은 변경이 임계값보다 더 클 경우 상기 하나 이상의 다변수 통계 모델들의 적어도 하나의 단변수 통계치에 상기 변경을 적용하는 단계를 포함하고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 1 서브세트에 대한 하나 이상의 통계치들은 수정되고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 2 서브세트에 대한 하나 이상의 통계치들은 수정되지 않음 ―; 및

후속적인 프로세스 데이터를 분석하여 결함들을 검출하기 위해 상기 하나 이상의 수정된 다변수 통계 모델들을 이용하는 단계

를 포함하는, 결함 검출 방법.
제 1 항에 있어서,

상기 하나 이상의 다변수 통계 모델들을 수정하기 이전 또는 상기 다변수 통계 모델들을 수정한 이후, 상기 프로세스 데이터가 상기 하나 이상의 다변수 통계 모델들에 대해 결함을 나타내는지 여부를 결정하는 단계를 더 포함하고,

상기 하나 이상의 다변수 통계 모델들은 하나 이상의 상기 다수의 프로세스 변수들의 측정된 편차에 따라 수정되는, 결함 검출 방법.
삭제
제 1 항에 있어서,

제 1 결함 검출 알고리즘을 적용함으로써 상기 하나 이상의 다변수 통계 모델들을 수정하기 이전에 상기 프로세스 데이터가 결함을 나타내는지 여부를 결정하는 단계; 및

제 2 결함 검출 알고리즘을 적용함으로써 상기 하나 이상의 다변수 통계 모델들을 수정한 이후에 상기 프로세스 데이터가 결함을 나타내는지 여부를 결정하는 단계를 더 포함하고,

상기 제 1 결함 검출 알고리즘의 제어 제한치들은 상기 제 2 결함 검출 알고리즘의 제어 제한치들 보다 더 넓으며, 상기 하나 이상의 다변수 통계 모델들은 적어도 제 1 모델 및 제 2 모델을 포함하고,

고려되는 이력 데이터의 양, 사용되는 프로세스 변수들, 사용되는 주성분들(principal components)의 수, 신뢰도 제한치들, 포겟팅 팩터(forgetting factor), 측정된 편차를 수정하는 방법, 수정되는 프로세스 변수들, 모델 생성을 위해 사용되는 트레이닝 데이터, 및 수정 임계값들 중 적어도 하나에 의해, 상기 제 2 모델은 상기 제 1 모델과 상이한, 결함 검출 방법.
제 1 항에 있어서,

상기 프로세스 데이터와 연관된 툴에 대해 기기 유지보수를 검출할 때 상기 다변수 통계 모델들 중 적어도 하나를 자동으로 리셋하는 단계를 더 포함하고,

상기 리셋하는 단계는,

리셋 트레이닝 주기를 개시하는 단계 ― 상기 리셋 트레이닝 주기는 상기 다변수 통계 모델들 중 적어도 하나를 업데이트하기 위해 데이터를 수집하는데 사용됨 ―;

임계값보다 더 큰 결함 기여도를 갖는 프로세스 변수들에 대한 통계치들을 재계산하는 단계;

다변수 통계 모델의 적어도 일부분들을 새로운 동작 조건들로 수정하는 단계; 및

트레이닝 주기의 종료시에 생성되었던 원래 상태와 매칭되는 상태로 상기 다변수 통계 모델을 복구하는 단계

중 적어도 하나를 포함하는, 결함 검출 방법.
컴퓨터에 의해 액세스될 때, 컴퓨터가 방법을 수행하도록 하는 데이터를 포함하는 컴퓨터-판독가능한 매체로서,

상기 방법은,

다수의 프로세스 변수들을 포함하는 프로세스 데이터를 수신하는 단계;

상기 프로세스 데이터에 따라 하나 이상의 다변수 통계 모델들을 수정하는 단계 ― 상기 수정은 변경이 임계값보다 더 큰 경우 상기 하나 이상의 다변수 통계 모델들의 적어도 하나의 단변수 통계치에 상기 변경을 적용하는 단계를 포함하고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 1 서브세트에 대한 하나 이상의 통계치들은 수정되고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 2 서브세트에 대한 하나 이상의 통계치들은 수정되지 않음 ―; 및

후속적인 프로세스 데이터를 분석하여 결함들을 검출하기 위해 상기 하나 이상의 수정된 다변수 통계 모델들을 이용하는 단계

를 포함하는,

컴퓨터-판독가능한 매체.
제 6 항에 있어서,

상기 방법은,

상기 하나 이상의 다변수 통계 모델들을 수정하기 이전 또는 상기 다변수 통계 모델들을 수정한 이후, 상기 프로세스 데이터가 상기 하나 이상의 다변수 통계 모델들에 대해 결함을 나타내는지 여부를 결정하는 단계를 더 포함하고,

상기 하나 이상의 다변수 통계 모델들은 상기 다수의 프로세스 변수들 중 하나 이상의 측정된 편차에 따라 수정되는, 컴퓨터-판독가능한 매체.
제 6 항에 있어서,

상기 방법은,

제 1 결함 검출 알고리즘을 적용함으로써 상기 하나 이상의 다변수 통계 모델들을 수정하기 이전에, 상기 프로세스 데이터가 결함을 나타내는지 여부를 결정하는 단계; 및

제 2 결함 검출 알고리즘을 적용함으로써 상기 하나 이상의 다변수 통계 모델들을 수정한 이후에, 상기 프로세스 데이터가 결함을 나타내는지 여부를 결정하는 단계를 더 포함하고,

상기 제 1 결함 검출 알고리즘의 제어 제한치들은 상기 제 2 결함 검출 알고리즘의 제어 제한치들보다 더 넓은, 컴퓨터-판독가능한 매체.
제 6 항에 있어서,

상기 하나 이상의 다변수 통계 모델들은 적어도 제 1 모델 및 제 2 모델을 포함하고,

고려되는 이력 데이터의 양, 사용되는 프로세스 변수들, 사용되는 주성분들의 수, 신뢰도 제한치들, 포겟팅 팩터, 측정된 편차를 수정하는 방법, 수정되는 프로세스 변수들, 모델 생성을 위해 사용되는 트레이닝 데이터, 및 수정 임계값들 중 적어도 하나에 의해, 상기 제 2 모델은 상기 제 1 모델과 상이한, 컴퓨터-판독가능한 매체.
제 6 항에 있어서,

상기 방법은,

상기 프로세스 데이터와 연관된 툴에 대해 기기 유지보수를 검출할 때 상기 다변수 통계 모델들 중 적어도 하나를 자동으로 리셋하는 단계를 더 포함하는, 컴퓨터-판독가능한 매체.
제 6 항에 있어서,

상기 수정은,

상관 행렬, 주성분들의 수, 로딩 벡터들, 평균, 분산, 공분산, 주성분 고유벡터들 및 주성분 고유값들 중 적어도 하나에 변경을 적용하는 단계를 더 포함하는, 컴퓨터-판독가능한 매체.
통계 프로세스 모니터링 시스템으로서,

하나 이상의 다변수 통계 모델들을 저장하기 위한 수단;

적어도 하나의 제조 기계로부터 프로세스 데이터를 수신하기 위한 수단 ― 상기 프로세스 데이터는 다수의 프로세스 변수들을 포함하함 ―;

상기 하나 이상의 다변수 통계 모델들 중 적어도 하나를 수정하기 위한 수단 ― 상기 수정은 변경이 임계값보다 더 큰 경우 상기 하나 이상의 다변수 통계 모델들의 적어도 하나의 단변수 통계치에 상기 변경을 적용하는 것을 포함하고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 1 서브세트에 대한 하나 이상의 통계치들은 수정되고, 상기 다수의 프로세스 변수들로부터의 프로세스 변수들의 제 2 서브세트에 대한 하나 이상의 통계치들은 수정되지 않음 ―; 및

후속적인 프로세스 데이터를 분석하여 결함들을 검출하기 위해 상기 하나 이상의 수정된 다변수 통계 모델들을 이용하기 위한 수단

을 포함하는 통계 프로세스 모니터링 시스템.
제 12 항에 있어서,

상기 하나 이상의 다변수 통계 모델들을 수정하기 이전 또는 상기 다변수 통계 모델들을 수정한 이후, 상기 프로세스 데이터가 상기 하나 이상의 다변수 통계 모델들에 대해 결함을 나타내는지 여부를 결정하기 위한 수단을 더 포함하는, 통계 프로세스 모니터링 시스템.
제 12 항에 있어서,

상기 하나 이상의 다변수 통계 모델들은 상기 다수의 프로세스 변수들 중 하나 이상의 측정된 편차에 따라 수정되는, 통계 프로세스 모니터링 시스템.
제 12 항에 있어서,

상기 적어도 하나의 제조 기기에 대해 기기 유지보수를 검출할 때 상기 다변수 통계 모델들 중 적어도 하나를 자동으로 리셋하기 위한 수단을 더 포함하는, 통계 프로세스 모니터링 시스템.