KR101098037B1 - 자동 가상 계측 시스템 및 방법 - Google Patents

자동 가상 계측 시스템 및 방법 Download PDF

Info

Publication number
KR101098037B1
KR101098037B1 KR1020080137624A KR20080137624A KR101098037B1 KR 101098037 B1 KR101098037 B1 KR 101098037B1 KR 1020080137624 A KR1020080137624 A KR 1020080137624A KR 20080137624 A KR20080137624 A KR 20080137624A KR 101098037 B1 KR101098037 B1 KR 101098037B1
Authority
KR
South Korea
Prior art keywords
model
value
process data
cumulative
algorithm
Prior art date
Application number
KR1020080137624A
Other languages
English (en)
Other versions
KR20090121177A (ko
Inventor
판티엔 쳉
시엔쳉 후앙
이팅 후앙
지아마우 지안
Original Assignee
내셔날 쳉쿵 유니버시티
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 내셔날 쳉쿵 유니버시티 filed Critical 내셔날 쳉쿵 유니버시티
Publication of KR20090121177A publication Critical patent/KR20090121177A/ko
Application granted granted Critical
Publication of KR101098037B1 publication Critical patent/KR101098037B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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]
    • G05B19/41875—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] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • General Factory Administration (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

자동 가상 계측 (AVM) 시스템 및 방법이 제시된다. 이 AVM 시스템은 모델-생성 서버 및 복수의 AVM 서버를 포함한다. 상기 모델-생성 서버는 VM 판독 모델, RI (신뢰성 지수) 모델, GSI (글로벌 유사성 지수) 모델, DQIX (프로세스 데이타 품질 지수) 모델, 및 DQIy (계측 데이타 품질 지수) 모델을 포함하는 제1 가상 계측 (VM) 모델 세트 (특정 설비 타입)을 구성하는데 사용된다. AVM 방법에서, 상기 모델-생성 서버는 또한 생성된 제1 VM 모델 세트를 동일 프로세스 장치 (설비)의 다른 AVM 서버로 전개 또는 이식할 수 있고, 개별적인 전개-수락자(fan-out-acceptor) AVM 서버는 자동적으로 모델 갱신 프로세스를 수행하여 VM 모델 정확도를 유지한다.

Description

자동 가상 계측 시스템 및 방법{SYSTEM AND METHOD FOR AUTOMATIC VIRTUAL METROLOGY}
본 출원은 대만출원 제97118526호 (2008. 5월 20일 출원)에 대하여 우선권을 주장하며, 이 출원의 내용은 본 발명에 참조할 수 있다.
본 발명은 가상 계측(virtual metrology: VM) 시스템 및 방법에 관한 것으로, 상세하게는 소정 장치의 완전한 VM 모델을 동일 타입의 다른 장치로 VM 정확도를 유지한 채 전개(fan out) 또는 이식(port) 할 수 있는 자동 가상 계측 시스템 및 방법에 관한 것이다.
반도체 및 TFT-LCD 산업에서는 생산 설비의 공정 안정성과 수율 향상을 위하여 생산 설비에서 공정이 진행되는 각 제품별로 (예를 들어, IC 제조 공장의 '웨이퍼', 또는 TFT-LCD 제조 공장의 '유리') 온라인 품질 관리를 실시할 필요가 있다. 가상 계측은 생산 설비에서 생산된 제품에 대하여 물리적 계측이 불가능하거나 유용하지 않을 때 상기 생산 설비의 프로세스 데이타를 이용하여 제품의 품질을 판독하는데 이용된다. 가상 계측을 적용할 때, 동일 설비 또는 동일 타입의 설비에서 공정 챔버의 물리적 특징이 완전히 동일하지는 않기 때문에, 각 공정 챔버들의 판 독 모델은 각 특징들에 따라 구축되어야 가상 계측의 판독 정확성을 유지할 수 있다. 따라서, 가상 계측을 공장 전체적으로 실행하는 것이 바람직한 경우에, 종래 기술에서는 각 설비의 공정 챔버(장치) 각각에 대해 판독 모델을 수행할 필요가 있으며, 따라서 전체 공장에 대한 예측 모델은 설비 타입과 수가 증가함에 따라 막대하게 커질 수 밖에 없다. 각 설비의 개별 공정 챔버에 대한 모델을 생성할 필요가 있는 종래 기술을 적용할 때, 많은 양의 누적 데이타가 각 모델들에 대해 하나씩 추출되어야 하며, 따라서 많은 인력과 비용이 소모되기 때문에 전체 공장에 대한 가상 계측을 수행하는 것은 거의 불가능하게 된다.
이러한 이유로, 전술한 문제점을 극복한 자동 가상 계측 시스템 및 방법을 개발할 필요성이 제기되고 있다.
또한, 종래 기술에서는 수집된 프로세스 데이타 또는 실제 계측 데이타에 대해 온라인 및 실시간 품질 평가를 수행할 수 없었다. 따라서, 수집된 프로세스 데이타 또는 실제 계측 데이타가 비정상이라도, 종래 기술에서는 여전히 비정상 데이타를 사용하여 가상 계측 모델을 조정하거나 재적응시키게 되고, 그 결과 가상 계측의 판독 정확성에 영향이 미치게 된다. 뿐만 아니라, 전체 공장의 각 설비들의 프로세스 장치들 (예를 들어 공정 챔버)에 대한 가상 계측을 수행하는데 필요한 많은 양의 데이타를 자동적으로 평가하고 감별하는 어려움을 극복하기 위해서, 종래 기술에서는 수집된 프로세스 데이타 및 실제 계측 데이타를 자동적으로 온라인상에 서 실시간으로 데이타 품질 평가하며 비정상 프로세스 데이타 및 실제 계측 데이타를 자동적으로 배제시키고 많은 인력과 비용을 절감하기 위한 능력을 구비해야할 필요가 있었다. 따라서, 데이타를 자동적으로 평가하고 감별할 수 있는 데이타 품질 지수를 개발할 필요가 있다.
본 발명의 일측면에 따르면 자동 가상 계측 서버, 시스템 및 방법을 제공하며, 동일 또는 동일 타입의 각 챔버로 VM 모델 세트를 전개 또는 이식 및 갱신하는 방법을 제공하며, 가상 계측을 수행하는 시간을 현저히 감소시키고 원하는 가상 계측 정확도를 유지할 수 있다.
본 발명의 다른 측면에 따르면 자동 가상 계측 서버, 시스템 및 방법을 제공하며, 프로세스 데이타 및 실제 계측 데이타 (측정값)를 자동적으로 평가하고 감별하는 데이타 품질 평가 지수를 제공한다.
전술한 측면들에 따르면, 자동 가상 계측 서버, 시스템 및 방법을 제공한다. 본 발명의 실시예에 따르면, 상기 AVM 용 서버 ('AVM 서버')는 VM 모델 세트, 이중 국면 (dual-phase) VM 알고리즘을 갖는 제어 커널 (control kernel), 데이타 사전-처리 모듈, 플러그 드라이버 인터페이스 (pluggable driver interface: PDI), 데이타 수집 드라이버, 플러그 애플리케이션 인터페이스 (pluggable application interface: PAI) 및 VM-모델 저장 모듈을 포함한다.
상기 VM 모델 세트는 판독 모델(conjecture model), RI (Reliance Index) 모 델, GSI (Global Similarity Index) 모델, DQIX (Process Data Quality Index: 프로세스 데이타 품질 지수) 모델 및 a DQIy (Metrology Data Quality Index: 계측 데이타 품질 지수) 모델을 포함한다. 상기 판독 모델은 제품의 가상 계측 (VM) 값을 생성하는데 사용되며, 여기서 상기 판독 모델은 판독 알고리즘에 따라 구축되고, 상기 판독 알고리즘은 예를 들어 신경망 (neural network: NN) 알고리즘, 다중회귀 (multi-regression: MR) 알고리즘, 지지벡터머신 (support vector machines: SVM) 알고리즘 또는 기타 다른 예측 알고리즘일 수 있다. 상기 RI 모델은 상기 가상 계측 값의 신뢰성 지수를 생성하는데 사용되며, 여기서 상기 RI 모델은 참조 알고리즘(reference algorithm)에 따라 구축되는데, 상기 참조 알고리즘은 전술한 판독 알고리즘과는 다르고 예를 들어 다중회귀 알고리즘, 신경망 알고리즘, SVM 알고리즘 또는 기타 다른 예측 알고리즘일 수 있다. 상기 GSI 모델은 프로세스 데이타의 글로벌 유사성 지수를 계산하는데 사용되며, 여기서 상기 GSI 모델은 마하라노비스 거리(Mahalanobis distance) 알고리즘에 따라 구축된다. 상기 DQIX 모델은 상기 VM 모델 구축에 사용된 프로세스 데이타의 프로세스 데이타 품질 지수 (DQIX)를 계산하는데 사용되며, 여기서 상기 DQIX 모델은 주성분분석 (principal component analysis: PCA) 및 유클리디안 거리 (Euclidean distance: ED) 알고리즘에 따라 구축된다. 상기 DQIy 모델은 상기 VM 모델 구축에 사용된 실제 계측 데이타의 계측 데이타 품질 지수 (DQIy)를 계산하는데 사용되며, 여기서 상기 DQIy 모델은 적응공 명이론 (adaptive resonance theory 2: ART2) 및 정규 분산도 (nomalized variability: NV)에 따라 구축된다.
상기 제어 커널은 상기 AVM 서버의 각 모듈의 상태를 모니터하고 이중 국면 가상 계측 알고리즘에 따른 각 모듈의 동작 과정을 제어하는데 사용된다. 상기 데이타 사전-처리 모듈은 상기 DQIX 모델 및 상기 DQIy 모델에 기초하여 상기 프로세스 데이타 및 실제 계측 데이타의 품질을 평가한다. 상기 데이타 수집 드라이버는 상기 PDI에 연결되어 프로세스 데이타 및 실제 계측 데이타 (측정값)을 수집하며, 수집된 프로세스 데이타 및 실제 계측 데이타는 상기 PDI를 통해 상기 데이타 사전-처리 모듈에 제공된다. 상기 VM-모델 저장 모듈은 상기 PAI에 연결되어 상기 VM 모델 세트 전체를 저장한다.
다른 실시예에서, 상기 AVM 서버는 새로운 프로세스 데이타 세트 및 새로운 실제 측정값을 이용하여 VM 모델 생성에 사용된 복수의 누적 (historical) 프로세스 데이타 세트 및 복수의 누적 측정값 중 가장 오래된 데이타를 대체함으로써 상기 VM 모델을 재적응시키거나 (retrain) 조정한다 (tune).
본 발명에 따르면, 상기 AVM용 시스템 ('AVM 시스템')은 적어도 제1 프로세스 장치, 제1 계측 설비, 제1 AVM 서버, 모델-생성 서버, 제2 프로세스 장치, 제2 계측 설비 및 제2 AVM 서버를 포함한다. 상기 제1프로세스 장치는 복수의 누적 프로세스 데이타 세트 및 제1 프로세스 데이타 세트를 구비하며, 여기서 상기 제1 프로세스 장치는 상기 제1 프로세스 데이타에 따라 제1 제품을 생산한다. 상기 제1 계측 설비는 복수의 누적 측정값을 구비하며 상기 제1 제품의 제1 실제 측정값을 측정 중이거나 미래에 측정하게 되고, 여기서 상기 누적 측정값은 상기 누적 프로세스 데이타 세트로 생산된 각각의 제품의 실제 계측 데이타이다. 상기 모델-생성 서버는 상기 누적 프로세스 데이타 및 상기 누적 측정값으로 VM 모델을 구축하는데 사용된다. 제2 프로세스 장치는 제2 프로세스 데이타 세트에 따라 제2 제품을 생산하는데 사용된다. 제2 계측 설비는 제2 제품의 제2 실제 측정값을 측정하는데 사용된다. 제2 AVM 서버는 상기 VM 모델로 제2 제품에 대해 가상 계측을 수행하는데 사용된다.
상기 AVM 시스템에서, 제2 AVM 서버는 제2 프로세스 데이타 및 제2 실제 측정값을 사용하여 상기 누적 프로세스 데이타 및 상기 누적 측정값 중의 가장 오래된 데이타를 대체함으로써 제2 AVM 서버의 상기 VM 모델을 재적응시키거나 조정한다.
본 발명의 실시예에 있어서, AVM을 위한 방법 ('AVM 방법')은, 먼저 모델-생성 단계를 수행하여 복수의 누적 측정값 및 이 누적 측정값에 관련된(해당하는) 복수의 누적 프로세스 데이타를 이용하여 제1 VM 모델 세트를 구축한다. 상기 제1 VM 모델 세트는 판독 모델, RI 모델 및 GSI 모델을 포함한다. 그 다음, 특정 제품의 제1 프로세스 데이타 세트를 프로세스 장치에서 수집한다. 상기 프로세스 장치에서 상기 제품의 제1 프로세스 데이타 수집이 완료되면 제1 국면 VM 단계를 즉시 수행한다. 상기 제1 국면 VM 단계에서는, 제1 국면 VM 계산 단계를 수행하여 상기 제1 프로세스 데이타를 상기 제1 VM 모델에 입력함으로써 상기 제품의 제1 국면 VM 값 (VMI), 그에 따른 RI 및 GSI 을 계산한다. 상기 제품의 제1 실제 측정값을 얻으면, 제2 국면 VM 단계를 수행한다.
여기서 상기 생산 설비를 소정 시간 동안 가동 중단시킬 것인지의 기준 및 수동 활성화 지시 또는 모델 갱신 지시 (모델-갱신 과정이 필요하면 'yes'로 설정)가 참인지에 대한 기준은 재적응 단계를 수행할 것인지 결정하는데 사용된다. 재적응 단계가 필요하지 않다면, 조정 단계만이 상기 제2 국면 계측 단계에서 필요하다. 상기 재적응 또는 조정 단계에서, 상기 제1 프로세스 데이타 및 상기 제1 실제 측정값을 사용하여 상기 누적 프로세스 데이타 및 상기 누적 측정값 중의 가장 오래된 데이타를 대체하여 제2 VM 모델 세트를 재구축한다. 여기서 구성 요소 타입 및 구축 방법은 상기 제1 VM 모델 및 제2 VM 모델에 대하여 동일하다. 그 다음, 상기 제2 VM 모델 세트를 도입하여 특정 제품이 속하는 카세트의 모든 제품의 상기 제2 국면 VM 값s (VMII) 및 그에 따른 RI 및 GSI 를 재계산한다. 그 다음, 상기 제2 VM 모델 세트는 상기 제1 VM 모델 세트를 대체하여 상기 프로세스 장치에 진입하는 후속 제품의 제1 국면 VM 값을 계산한다.
상기 AVM 방법에서, 상기 RI 모델은 제품의 참조 예측 값 생성에 사용된 참조 예측 모델을 포함한다. 우선, 전술한 모델-생성 단계에서는, 교차검증법(cross validation's leave-one-out: LOO)에 따라 어느 누적 데이타 세트 (프로세스 데이타 및 측정값)을 모든 상기 누적 데이타 세트 (상기 제1 VM 모델 세트 설정에 사용)로부터 테스트 샘플 세트로서 선택하고, 나머지 누적 데이타 세트를 사용하여 상기 제1 VM 모델의 LOO 판독 모델, LOO 참조 예측 모델 및 LOO GSI 모델을 구성하고, 상기 테스트 샘플 세트의 VM 판독 에러, 참조 예측 에러 및 GSI LOO 값을 얻는다. 그 다음, 전술한 단계들을 상기 누적 데이타 세트에 관련된 모든 상기 VM 판독 에러, 참조 예측 에러 및 GSI LOO 값들이 얻어질 때까지 상기 누적 데이타 세트 각각에 대해 반복한다. 상기 VM 판독 에러의 최대 및 최소 값, 상기 참조 예측 에러의 최대 및 최소 값, 및 예를 들어 상기 GSI LOO 값의 90% 절사 평균을 얻어 VM 판독의 갱신 임계 (threshold), 참조 예측의 갱신 임계, 및 GSI의 갱신 임계를 계산할 수 있다.
상기 모델-생성 단계를 완료한 후, 완성된 제1 VM 모델 세트 (판독 모델, RI 모델의 참조 예측 모델, 및 GSI 모델 포함) 및 그에 따른 갱신 임계를 동일 타입의 다른 장치로 전개 또는 이식할 수 있고, 갱신 과정을 동일 타입 장치의 AVM 서버에서 진행할 수 있다.
상기 모델-갱신 과정에 관하여, 먼저 제1 국면 VM 단계에서, 상기 특정 제품의 제1 프로세스 데이타를 상기 제1 VM 모델 세트의 상기 판독 모델, 상기 RI 모델의 참조 예측 모델, 및 상기 GSI 모델에 입력하고 제1 국면 VM 값, 제1 국면 참조 예측 값 및 제1 국면 GSI 값을 계산한다. 상기 제2 국면 VM 단계에서, 상기 특정 제품의 제1 프로세스 데이타 및 상기 제1 실제 측정값을 사용하여 상기 누적 프로세스 데이타 및 상기 누적 측정값 중의 가장 오래된 데이타를 대체한다. 그 다음, 새로운 누적 프로세스 데이타 및 누적 측정값을 도입하여 상기 제2 VM 모델 세트를 재적응 또는 조정한다. 그 다음, 상기 제2 VM 모델 세트는 상기 제1 VM 모델 세트를 대체하여 상기 프로세스 장치에 진입하는 후속 제품의 제1 국면 VM 값을 계산한다. 상기 모델 갱신 지시가 'yes'이면, 상기 특정 제품 및 이 제품의 이전 및/또는 이후에 상기 프로세스 장치에 진입하는 연속적인 몇몇의 제품들을 복수의 연속적인 갱신 샘플들 (예를 들어 3 개의 연속 갱신 샘플)로 정의한다. 그 다음, 제1모델-갱신 조건을 다음과 같이 정의한다: 상기 연속적인 갱신 샘플들의 제1 국면 VM 값의 평균절대백분율오차 (MAPE) 값이 VM 판독의 갱신 임계 보다 작다; 제2 모델-갱신 조건을 다음과 같이 정의한다: 상기 연속적인 갱신 샘플들의 제1 국면 참조 예측 값의 MAPE 값이 참조 예측의 상기 갱신 임계 보다 작다; 제3 모델-갱신 조건을 다음과 같이 정의한다: 상기 연속적인 갱신 샘플들의 제1 국면 GSI 값이 GSI 의 갱신 임계 보다 작다. 그 다음, 결정 결과는 제1, 제2 및 제3 모델-갱신 조건 모두가 동시에 만족되는지를 결정하여 얻는다. 여기서 상기 결정 결과가 참이면 ('yes') 모델 갱신 지시는 'no'로 설정되며, 그렇지 않다면 모델 갱신 지시는 'yes'로 유지된다.
상기 AVM 방법에서, 전술한 제1 VM 모델은 추가적으로 DQIX 모델 및 DQIy 모델을 포함한다. 상기 모델-생성 단계에서, 제1 프로세스 데이타 품질 임계 (
Figure 112011072040885-pat00001
)는 상기 누적 프로세스 데이터를 이용하여 교차검증법을 상기 제1 VM 모델의 DQIX 모델에 적용하여 계산한다; 그리고 제1 계측 데이타 품질 임계 (
Figure 112011072040885-pat00002
)는 최대-허용 변이법을 상기 제1 VM 모델의 DQIy 모델에 적용하여 계산한다. 그 다음, 상기 제1 국면 VM 단계에서, 상기 제1 국면 VM 계산 단계 이전에, 프로세스 장치로부터 제품의 프로세스 데이터를 상기 제1 VM 모델의 DQIX 모델에 입력하여 상기 제품의 제1 DQIX 값을 계산한다. 그 다음, 상기 제1 DQIX 값이 상기 제1
Figure 112011072040885-pat00003
보다 큰지 확인하여 제1 확인 결과를 얻는다. 여기서 상기 제1 확인 결과가 참이면 ('yes'), 경고 및 데이타 분석 요청이 제기되고 다음 상기 제1 국면 VM 계산 단계를 수행한다. 그 다음, 상기 제2 국면 VM 단계에서, 상기 제품의 실제 측정값을 상기 제1 VM 모델의 DQIy 모델에 입력하여 상기 제품의 제1 DQIy 값을 계산한다. 그 다음 상기 제1 DQIy 값이 상기 제1
Figure 112011072040885-pat00004
보다 큰지 확인하여 제2 확인 결과를 얻는다. 여기서 제2 확인 결과가 참이면 ('yes'), 경고 및 데이타 분석 요청이 제기되고 또한 상기 제2 국면 VM 단계는 종료된다; 그리고, 제2 확인 결과가 거짓이면 ('no'), 상기 재적응 또는 조정 단계를 수행한다.
본 발명에 따르면, 가상 계측을 동일 설비 또는 동일 타입의 설비의 각 공정 챔버에 도입하는데 드는 시간과 노력을 현저하게 감소시키면서 원하는 가상 계측 정확도를 유지할 수 있다. 또한 프로세스 데이타 및 실제 계측 데이타 (측정값)를 자동적으로 평가하고 감별할 수 있어 가상 계측을 공장 전체로 확대 도입하는 요건을 충족시킨다.
전술한 본 발명의 특징과 후술하는 실시예는 본 발명의 구체적인 예에 관한 것이며 특허청구범위를 설명하기 위하여 제공되는 것임을 밝혀둔다.
본 발명의 특징 및 이점은 이하의 상세한 설명, 특허청구범위 및 첨부된 도면을 통하여 더욱 구체적으로 제시될 것이다:
본 발명의 바람직한 실시예에 대하여 첨부된 도면을 참조하여 설명한다. 도면과 상세한 설명에서 동일 부호는 동일 또는 유사 요소를 설명하는데 사용된다.
도 1을 참조하면, 본 발명의 일실시예에 따른 AVM 시스템 구조의 블록도를 모식적으로 도시하고 있다. 상기 AVM 시스템은 모델-생성 서버 (60) 와 복수의 VM 유니트 (50a 및 50b)를 포함하여 구성되어 있고, 상기 VM 유니트 (50a 및 50b)은 상기 모델-생성 서버 (60)와 인터넷 (62)을 통해 커뮤니케이션할 수 있다. 상기 VM 유니트 (50a)은 AVM 서버 (30a), 생산 장치 (20a) 및 계측 설비 (22a)를 포함하여 구성되며, 상기 VM 유니트 (50b)은 AVM 서버 (30b), 생산 장치 (20b) 및 계측 설비 (22b)를 포함하여 구성된다. 상기 생산 장치 (20a)는 생산되는 제품들의 누적(historical) 프로세스 데이타 세트를 포함하며, 생산중인 또는 생산 예정인 제1 제품의 제1 프로세스 데이타 세트를 포함한다. 상기 생산 장치 (20b)는 생산중인 또는 생산 예정인 제2 제품의 제2 프로세스 데이타 세트를 포함한다. 상기 계측 설비 (22a)는 생산된 제품들의 복수의 누적 측정값을 포함하며, 제1 제품의 실제 측정값을 측정중이거나 측정하게 되는데, 상기 실제 측정값들은 상기 생산 장치 (20a)의 프로세스 데이타 세트들에 관련된다. 상기 계측 설비 (22b)는 제2 제품의 제2 실제 측정값을 측정중이거나 측정하게 되는데, 상기 제2 실제 측정값은 제2 프로세스 데이타 세트에 관련된다. 상기 AVM 시스템 (10)에서, 상기 모델-생성 서버 (60)는 먼저 상기 누적 프로세스 데이타 (상기 생산 장치 (20a)로부터 수집) 및 이에 관련된 상기 누적 측정값 (상기 계측 설비 (22a)로부터 수집)을 이용하여 VM 모델 세트를 구축하고, 그 다음 상기 VM 모델 세트를 자동적으로 상기 AVM 서버 (30b)로 전개 또는 이식 (fan out or port)하며, 그 결과 상기 AVM 서버 (30b)는 상기 생산 장치 (20b)를 통해 생산 중인 제2 제품에 대해 가상 계측을 수행할 수 있으며, 상기 제1 모델 세트를 구축하는데 요구되는 동일한 노력을 들여 상기 생산 장치 (20b)를 위한 또 다른 VM 모델을 개발할 필요가 없게 된다. 또한, 상기 생산 장치 (20a) 및 (20b)는 동일 설비 또는 동일 타입 설비의 다른 공정 챔버들일 수 있기 때문에 이들의 물리적 특징이 완전히 동일하지는 않다. 따라서, 상기 AVM 서버 (30b)는 제2 프로세스 데이타 세트 및 이와 관련된 제2 실제 측정값을 이용하여 VM 모델 생성에 사용된 복수의 누적 프로세스 데이타 세트 및 복수의 누적 측정값 내의 가장 오래된 데이타를 대체하고, 그 다음 새로 이식된 VM 모델을 재구축 (갱신; refreshing)하여 AVM 서버 (30b) 내의 VM 모델의 만족스러운 정확도를 회복하거나 유지할 것이다. 이러한 과정을 '모델 갱신 과정'으로 명명한다. 이와 유사하게, 상기 AVM 서버 (30a)는 또한 상기 제1 프로세스 데이타 세트 및 이와 관련된 상기 제1 실제 측정값을 이용하여 VM 모델 생성에 사용된 복수의 누적 프로세스 데 이타 세트 및 복수의 누적 측정값 내의 가장 오래된 데이타를 대체하고, 그 다음 자신의 VM 모델을 재적응시켜 AVM 서버 (30b) 내의 VM 모델의 원하는 정확도를 회복하거나 유지할 것이다. 복수의 제1 제품들 또는 제2 제품들을 생산하고 측정한 후에, 상기 누적 프로세스 데이타 세트 및 누적 측정값은 모두 제1 프로세스 데이타 세트 및 제1 실제 측정값으로 대체되거나 혹은 제2 프로세스 데이타 세트 및 제2 실제 측정값으로 대체될 것이다. 그 다음부터는, 새로 수집된 제1 또는 제2 프로세스 데이타 및 제1 또는 제2 실제 측정값이 현재의 프로세스 데이타 풀(pool)에 단순히 추가될 뿐이고 가장 오래된 데이타를 대체하지는 않을 것이다.
폭넓게 볼 때, 본 발명에서 언급되는 상기 '프로세스 데이타'는 센서 데이타, 설비 상태 데이타 및 생산 장치(생산 설비)의 이전-프로세스 계측값을 포함할 수 있으며, 여기서 상기 이전-프로세스 계측값은 이 생산 장치에서 본 공정 이전의 프로세스의 VM 값 및/또는 실제 측정값이다.
본 발명의 실시예에서 상기 VM 모델들은 판독 모델, RI 모델, GSI 모델, DQIX 모델 및 DQIy 모델을 포함한다. 상기 판독 모델은 상기 제1제품 및 제2 제품의 VM 값을 생성하는데 사용되며, 상기 판독 모델은 신경망 (NN) 알고리즘, 다중회귀 (MR) 알고리즘, 지지벡터머신 (SVM) 알고리즘 또는 기타 다른 예측 알고리즘과 같은 판독 알고리즘에 따라 구축된다. 상기 RI 모델은 가상 계측값의 신뢰 지수를 생성하는데 사용되며, 상기 RI 모델은 다중 회귀 알고리즘, 신경망 알고리즘, SVM 알고리즘 또는 기타 다른 예측 알고리즘 과 같은 참조(참조) 알고리즘에 따라 구축 되는데, 상기 참조 알고리즘은 상기 판독 알고리즘과 달라야 한다. 상기 GSI 모델은 상기 제1프로세스 데이타의 글로벌 유사성 지수(global similarity index)를 계산하는데 사용되며, 상기 GSI 모델은 마하라노비스 거리 알고리즘에 따라 구축된다. 상기 DQIX 모델은 상기 제1 또는 제2 프로세스 데이타의 프로세스 데이타 품질 지수 (DQIX)를 계산하는데 사용되며, 상기 DQIX 모델은 주성분분석 (PCA) 및 유클리드 거리 (ED) 알고리즘에 따라 구축된다. 상기 DQIy 모델은 상기 VM 모델들을 구축하는데 사용된 상기 제1 또는 제2 실제 측정값들의 계측 데이타 품질 지수 (DQIy)를 계산하는데 사용되며, 상기 DQIy 모델은 적응공명이론2 (ART2) 및 정규 변산도 (normalized variability: NV)에 따라 구축된다.
도 2를 참조하면, 본 발명의 실시예에 따른 AVM 서버 구조의 블록도가 모식적으로 도시되어 있다. 각각의 구성 요소의 구조 및 기능은 도 1의 AVM (30a) 및 AVM (30b)과 동일하며, 설명의 편의를 위하여 AVM (30)으로 사용되었다. 상기 AVM 서버 (30)에서, 제어커널(control kernel)(32)은 상기 AVM 서버 (30)에서 각 모듈의 상태를 모니터링하고, 이중 국면 (dual-phase) 가상 계측 알고리즘 (40)에 따른 각 모듈의 동작 과정을 제어하는 역할을 담당한다; 데이타베이스 (56)은 상기 AVM 서버 (30)에서 시스템 상태, 예측 결과 및 각종 타입의 데이타의 품질 평가 및 VM 판독에 관련된 모든 모델의 정보를 저장하는데 사용된다; 그래픽-유저 인터페이스 (GUI)(58)는 사용자에게 시스템 상태, 예측 결과 및 세팅 파라미터 등을 모니터링 하는 기능을 제공한다; 리포트 생성기(42)는 제어가 요구되는 시스템 상태 및 예측 결과 등의 정보에 대한 리포트를 생성할 수 있다; 데이타 사전-처리 모듈 (52)은 상기 DQIX 모델 및 상기 DQIy 모델에 기초하여 상기 프로세스 데이타 및 실제 측정값들의 품질을 측정한다; PDI (38)는 프로세스 데이타 (12) 및 실제 계측 데이타 (14)(측정값)을 수집하는 데이타 수집 드라이버 (48)를 연결하는데 사용되며, 수집된 프로세스 데이타 및 계측 데이타는 상기 PDI (38)를 통해 데이타 사전-처리 모듈 (52)에 제공된다. 상기 PDI (38)는 플러그 기능(function of pluggability)이 있는데, 예를 들어 상기 PDI (38)의 플러그 기능으로 인하여 상기 AVM 서버 (30)는 상기 데이타 수집 드라이버 (48)를 적당한 것으로 변경함으로써 다른 타입의 설비들로부터 다양한 프로세스 및 계측 데이타를 수집할 수도 있다. 플러그 커뮤니케이션 인터페이스 (PCI)(34)는 도 1에 도시한 상기 모델-생성 서버 (60)와 커뮤니케이션하기 위한 커뮤니케이션 에이젼트 (44)를 연결하는데 사용되며, 상기 PCI (34)는 플러그 기능이 있는데, 예를 들어 상기 PCI (34)의 플러그 기능으로 인하여 상기 AVM 서버 (30)는 상기 커뮤니케이션 에이젼트 (44)를 적당한 것으로 변경함으로써 다양한 정보 인터페이스 포맷의 원격 애플리케이션(remote application) 모델과 커뮤니케이션할 수 있다. 플러그 애플리케이션 인터페이스 (PAI)(36)은 사용중인 VM 모델 세트가 저장되어 있는 VM-모델 저장 모듈 (46)을 연결하는데 사용된다. 상기 PAI (36) 역시 플러그 기능이 있으며, 예를 들어 상기 PAI (36)의 플러그 기능으로 상기 AVM 서버 (30)는 특정 설비 타입에 따라 상기 VM 모델 세트를 적당한 세트 로 변경할 수 있다.
이하에서는 상기 RI 및 GSI 에 관련된 알고리즘이 제시되며 그 동작 과정을 설명한다. 상기 DQIX 모델 및 상기 DQIy 모델이 그 다음 과정에서 설명될 것이다.
상기 RI 및 GSI 은 상기 VM 값이 신뢰할만한 것인지 실시간으로 확인하는데 사용된다. 상기 RI 모델은 상기 생산 장치의 프로세스 데이타를 분석하여 0과 1 사이의 RI 값을 계산하는데 사용되며, 그 다음 상기 가상 계측 결과를 신뢰할 수 있을지 결정한다. 상기 GSI 모델 상기 프로세스의 GSI 값을 계산하는데 사용된다. 상기 GSI 은 현재의 입력 프로세스 데이타 세트 및 상기 모델들을 구축하거나 적응시키는데(training) 사용된 모든 프로세스 데이타 세트 사이의 유사성 정도로 정의된다.
신뢰성 지수 ( Reliance Index : RI )
표 1을 참조하면, n 개의 누적 데이타 세트가 수집될 것으로 가정하며, 프로세스 데이타
Figure 112008090784279-pat00005
및 이와 관련된 실제 측정값들
Figure 112008090784279-pat00006
이 포함된다. 여기서 각각의 프로세스 데이타 세트는 p 개의 개별 파라미터 (파라미터 1 부터 파라미터 p 까지), 즉
Figure 112008090784279-pat00007
을 포함한다. 또한, 실제 생산에서 (m-n) 개의 프로세스 데이타 세트가 수집되었으나,
Figure 112008090784279-pat00008
을 제외한 어떠한 실제 측정값도 이용가능하지 않다. 즉, (m-n) 개의 생산품중 단지 첫번째 제품만 선택되고 실제로 측정된다. 현재의 제조 환경에 있어서, 실제 측정값
Figure 112008090784279-pat00009
이 (m-n- 1) 개의 생산품의 품질을 추측하고 평가하는데 사용된다.
[표 1]
샘플데이타 세트 파라미터 1 파라미터 2 파라미터 p 실제 측정값
1
Figure 112008090784279-pat00010
Figure 112008090784279-pat00011
Figure 112008090784279-pat00012
Figure 112008090784279-pat00013
2
Figure 112008090784279-pat00014
Figure 112008090784279-pat00015
Figure 112008090784279-pat00016
Figure 112008090784279-pat00017
n
Figure 112008090784279-pat00018
Figure 112008090784279-pat00019
Figure 112008090784279-pat00020
Figure 112008090784279-pat00021
n+1
Figure 112008090784279-pat00022
Figure 112008090784279-pat00023
Figure 112008090784279-pat00024
Figure 112008090784279-pat00025
n+2
Figure 112008090784279-pat00026
Figure 112008090784279-pat00027
Figure 112008090784279-pat00028
 Zip
m
Figure 112008090784279-pat00029
Figure 112008090784279-pat00030
Figure 112008090784279-pat00031
 Zip
표 1에 나타난 바와 같이,
Figure 112008090784279-pat00032
은 누적 측정값이고,
Figure 112008090784279-pat00033
은 생산되는 제품들의 첫번째 제품의 실제 측정값이다. 일반적으로, 실제 측정값
Figure 112008090784279-pat00034
세트는 평균 μ 및 표준편차 σ의 정규 분포, 즉
Figure 112008090784279-pat00035
에 해당한다.
모든 실제 측정값들을 상기 샘플 세트
Figure 112008090784279-pat00036
의 평균과 표준편차로 표준화시킬 수 있다. 이에 따라 표준화된 값들 (z 스코어로 명명)
Figure 112008090784279-pat00037
이 유도되는데, 각각의 z 스코어는 평균 0 및 표준편차 1, 즉
Figure 112008090784279-pat00038
을 갖는다. 실제 측정 데이타에 대해서는, 0 에 가까운 관련
Figure 112008090784279-pat00039
가 실제 측정값이 기준값(the specification) 의 중앙값에 접근함을 의미한다. 표준화 방정식은 다음과 같다:
Figure 112008090784279-pat00040
(1)
Figure 112008090784279-pat00041
(2)
Figure 112008090784279-pat00042
(3)
여기서 i 번째 실제 측정값
Figure 112008090784279-pat00044
표준화된 i 번째 실제 측정값
Figure 112008090784279-pat00045
모든 실제 측정값들의 평균
Figure 112008090784279-pat00046
모든 실제 측정값들의 표준편차
여기에서는 가상 측정을 수행하는 판독 모델을 설정하기 위한 판독 알고리즘으로 신경망 (NN) 알고리즘을 도입하여 설명하며, 다중회귀 (MR) 알고리즘을 참조 알고리즘으로 사용하여 판독 모델의 비교 근거로 제시되는 참조 모델을 설정한다. 그러나, 상기 참조 알고리즘이 SVM 알고리즘 및 기타 관련 알고리즘 등의 판독 알고리즘과 다르다면, 본 발명은 또한 다른 알고리즘들을 적용하여 판독 알고리즘 또는 참조 알고리즘으로 이용할 수 있다. 따라서, 본 발명은 알고리즘에 제한될 필요가 없다.
NN 및 MR 알고리즘이 이용되는 경우, 이들의 수렴 조건이 모두 SSE (Sum of Square Error) n -> ∞ 에 따라 최소화된다면, 이들의 표준화된 예측 측정값들 (각각
Figure 112008090784279-pat00047
및
Figure 112008090784279-pat00048
으로 정의)은 표준화된 실제 측정값
Figure 112008090784279-pat00049
과 같아야 한다. 다시 말하 면, n -> ∞ 일 때,
Figure 112008090784279-pat00050
은 모두 상기 표준화된 실제 측정값을 나타내며, 단지 이들은 다른 목적 및 다른 측정 모델로 인하여 다른 명칭을 가질 뿐이다. 따라서,
Figure 112008090784279-pat00051
및
Figure 112008090784279-pat00052
은
Figure 112008090784279-pat00053
및
Figure 112008090784279-pat00054
가 동일한 통계 분포를 공유함을 나타낸다. 그러나, 서로 다른 모델들의 존재로 인하여, 평균 및 표준편차의 추정은 두 예측 알고리즘들 사이에서 달라진다. 즉 상기 NN 판독 모델에 대한 표준화된 평균-추정 방정식
Figure 112008090784279-pat00055
및 표준편차-추정 방정식
Figure 112008090784279-pat00056
은 상기 MR 참조 모델에 대한 표준화된 평균-추정 방정식
Figure 112008090784279-pat00057
및 표준편차-추정 방정식
Figure 112008090784279-pat00058
과는 다르다.
상기 RI 은 상기 가상 계측 값의 신뢰 수준을 측정하도록 설계되어 있다. 따라서, 상기 RI 은 상기 가상 계측 값의 통계 분포
Figure 112008090784279-pat00059
및 상기 실제 측정값의 통계 분포
Figure 112008090784279-pat00060
사이의 유사성 정도를 고려하여야 한다. 그러나, 가상 계측이 적용되면, 어떠한 실제 측정값도 상기 가상 계측 값의 신뢰성을 검증하는데 사용될 수 없다 (실제 측정값이 얻어진다면 가상 계측이 불필요하게 될 것이 자명하다.). 그 대신, 본 발명은
Figure 112008090784279-pat00061
을 대체하는 MR 알고리즘과 같은 참조 알고리즘으로 추정한 통계 분포
Figure 112008090784279-pat00062
를 도입한다. 상기 참조 알고리즘은 또한 시계열 (time-series) 알고리즘 및 기타 관련 알고리즘들일 수 있으며, 따라서 본 발명은 참조 알고리즘에 제 한될 필요가 없다.
도 3을 참조하면, 본 발명의 바람직한 실시예에 따른 신뢰성 지수 (RI)를 설명하는 모식도가 도시되어 있다. 본 발명의 RI 는 상기 판독 모델 (NN 알고리즘으로 구축)로부터 얻은 가상 계측 값의 통계 분포
Figure 112008090784279-pat00063
와 참조 모델 (MR 알고리즘으로 구축)로부터 얻은 참조 예측 값의 통계 분포
Figure 112008090784279-pat00064
사이의 교차 영역 값 (중첩 영역 A)으로 정의된다. 이러한 RI 방정식을 아래에 나타내었다:
Figure 112008090784279-pat00065
(4)
Figure 112008090784279-pat00066
Figure 112008090784279-pat00067
σ 는 1 로 설정.
RI 는 중첩 영역 A가 증가함에 따라 증가한다. 이러한 현상은 판독 모델을 사용하여 얻어진 결과가 참조 모델로부터 얻어진 결과에 더욱 근접함을 의미하며, 따라서 관련된 가상 계측 값의 신뢰성이 더욱 커지게 된다. 이와 반대로, 상기 관련된 측정값의 신뢰성은 RI 가 감소함에 따라 줄어들게 된다.
Figure 112008090784279-pat00068
로부터 추정된 통계 분포
Figure 112008090784279-pat00069
가
Figure 112008090784279-pat00070
로부터 추정된 통계 분포
Figure 112008090784279-pat00071
와 완전히 중첩되면, 통계학의 분배 이론(distribution theory)에 따라 상기 RI 값은 1이 되며; 상기 두 통계 분포가 거의 분리되면, 상기 RI 값은 0 에 가까워진다.
이하에서는, 상기 판독 모델로부터 얻어진 가상 계측 값들 (
Figure 112008090784279-pat00072
및
Figure 112008090784279-pat00073
) 의 통계 분포를 계산하는 방법을 설명한다.
NN 판독 모델에서, 수렴 조건이 SSE를 최소화시킨다면, '주어진
Figure 112008090784279-pat00074
,
Figure 112008090784279-pat00075
에 대해 평균
Figure 112008090784279-pat00076
및 표준편차
Figure 112008090784279-pat00077
인 분포', 즉
Figure 112008090784279-pat00078
,
Figure 112008090784279-pat00079
이 주어질 때,
Figure 112008090784279-pat00080
의 NN 추정 방정식은
Figure 112008090784279-pat00081
=
Figure 112008090784279-pat00082
이고
Figure 112008090784279-pat00083
의 NN 추정 방정식은
Figure 112008090784279-pat00084
=
Figure 112008090784279-pat00085
이라고 추정할 수 있다.
NN 판독 모델을 구성하기 전에, 상기 프로세스 데이타가 표준화되어야 한다. 상기 프로세스 데이타를 표준화시키는 방정식을 아래에 나타내었다:
Figure 112008090784279-pat00086
(5)
Figure 112008090784279-pat00087
(6)
Figure 112008090784279-pat00088
(7)
Figure 112008090784279-pat00089
는 상기 i 번째 프로세스 데이타 세트의 j 번째 프로세스 파라미터
Figure 112008090784279-pat00090
는 상기 i 번째 프로세스 데이타 세트의 표준화된 j 번째 프로세스 파라미터
Figure 112008090784279-pat00091
는 j 번째 프로세스 데이타의 평균
Figure 112008090784279-pat00092
는 j 번째 프로세스 데이타의 표준편차
n 개의 표준화된 프로세스 데이타 세트
Figure 112008090784279-pat00093
및 n 개의 표준화된 실제 측정값들
Figure 112008090784279-pat00094
을 이용하여 상기 NN 판독 모델을 구축한다. 그 다음, m 개의 표준화된 프로세스 데이타 세트
Figure 112008090784279-pat00095
를 상기 NN 판독 모델에 입력하여 관련된 표준화된 가상 계측 값들을 얻는다:
Figure 112008090784279-pat00096
,
Figure 112008090784279-pat00097
, ... ,
Figure 112008090784279-pat00098
,
Figure 112008090784279-pat00099
,...,
Figure 112008090784279-pat00100
.
따라서,
Figure 112008090784279-pat00101
(즉,
Figure 112008090784279-pat00102
)의 추정 값 및
Figure 112008090784279-pat00103
(즉,
Figure 112008090784279-pat00104
=
Figure 112008090784279-pat00105
)의 추정 값을 다음과 같이 계산할 수 있다:
Figure 112008090784279-pat00106
(8)
Figure 112008090784279-pat00107
(9)
Figure 112008090784279-pat00108
(10)
Figure 112008090784279-pat00109
는 상기 표준화된 가상 계측 값들의 평균
이하에서는, 상기 MR 모델로부터 참조 예측 값들 (
Figure 112008090784279-pat00110
및
Figure 112008090784279-pat00111
) 을 계산하는 방법을 설명한다.
MR의 기본 전제는 "주어진
Figure 112008090784279-pat00112
,
Figure 112008090784279-pat00113
에 대하여 평균
Figure 112008090784279-pat00114
및 표준편차
Figure 112008090784279-pat00115
인 분포" 즉
Figure 112008090784279-pat00116
,
Figure 112008090784279-pat00117
이 주어질 때,
Figure 112008090784279-pat00118
의 MR 추정 방정식이
Figure 112008090784279-pat00119
=
Figure 112008090784279-pat00120
이고
Figure 112008090784279-pat00121
의 MR 추정 방정식이
Figure 112008090784279-pat00122
=
Figure 112008090784279-pat00123
이 된다.
n 개의 표준화된 프로세스 데이타 세트
Figure 112008090784279-pat00124
및 n 개의 표준
Figure 112008090784279-pat00125
화된 실제 측정값들
Figure 112008090784279-pat00126
사이의 MR 관계를 얻기 위하여, p 파라미터들에 관련된 가중인자 (weighting factors)
Figure 112008090784279-pat00127
상기 MR 분석을 이용하여 정의되어야 한다.
Figure 112008090784279-pat00128
및
Figure 112008090784279-pat00129
사이의 관계는 다음과 같이 구성된다:
Figure 112008090784279-pat00130
(11)
여기서,
Figure 112008090784279-pat00131
(12)
Figure 112008090784279-pat00132
(13)
최소자승법(least square method)으로
Figure 112008090784279-pat00133
,
Figure 112008090784279-pat00134
의 추정 방정식을 다음과 같이 얻는다.
Figure 112008090784279-pat00135
(14)
따라서, MR 참조 모델을 다음과 같이 얻을 수 있다.
Figure 112008090784279-pat00136
(15)
i = 1,2,...n,n+1,... m
따라서, 판독 국면 동안, 프로세스 데이타 세트를 입력한 후에, 관련된 MR 추정 값
Figure 112008090784279-pat00137
을 방정식 (15)를 통해 얻을 수 있다. 표준편차
Figure 112008090784279-pat00138
의 MR 추정 방정식은
Figure 112008090784279-pat00139
이고, 여기서
Figure 112008090784279-pat00140
(16)
Figure 112008090784279-pat00141
(17)
상기 NN 추정 방정식 (
Figure 112008090784279-pat00142
및
Figure 112008090784279-pat00143
) 및 상기 MR 추정 방정식 (
Figure 112008090784279-pat00144
및
Figure 112008090784279-pat00145
)을 얻은 후, 이들의 정규 분포 커브를 도 3과 같이 도식화할 수 있다. 따라서, 각각의 가상 계측 값의 RI 를 교차 영역 값 (중첩 영역 A) 를 계산하여 유도할 수 있다.
상기 RI 를 얻은 후, RI 임계(threshold) 값 (RI T ) 을 정의하여야 한다. 만일 RI > RI T 이면, 상기 가상 계측 값의 신뢰성 수준은 수용할만하다. 상기 RI T 를 결정하는 시스템적 접근법을 이하에서 기술한다.
상기 RI T 를 결정하기 전에, 최대 허용 오차 한계 (maximal tolerable error limit : E L )을 정의할 필요가 있다. 상기 가상 계측 값의 에러는 NN 판독 모델로 얻어진 상기 실제 측정값
Figure 112008090784279-pat00146
및
Figure 112008090784279-pat00147
사이의 차이를 모든 실제 측정값들의 평균
Figure 112008090784279-pat00148
으로 나눈 값의 절대체의 백분율이다, 즉
Figure 112008090784279-pat00149
(18)
그 다음, 방정식 (18) 에 정의된 에러 및 가상 계측 (VM)의 정확도 기준 (accuracy specification) 을 기초로 상기 E L 을 구체화한다. 그 결과, RI T 는 도 4에 도시된 바와 같이 상기 E L 에 관련된 RI 값으로 정의된다. 즉
Figure 112008090784279-pat00150
(19)
μ 및 σ 은 방정식 (4)의 정의에 따르며
Figure 112008090784279-pat00151
(20)
Figure 112008090784279-pat00152
은 방정식 (3)에 나타나 있다.
글로벌 유사성 지수 ( GSI )
전술한 바와 같이, 가상 계측을 적용하는 경우, 어떠한 실제 측정값도 상기 가상 계측 값의 정확성을 검증하는데 이용할 수 없다. 따라서, 상기 표준화된 실제 측정값
Figure 112008090784279-pat00153
대신에, 상기 표준화된 MR 예측 값
Figure 112008090784279-pat00154
을 도입하여 상기 RI 를 계산한다. 이러한 대체법은 불가피하게 RI 에서의 측정 에러를 유발할 수 있다. 이러한 피할 수 없는 대체를 보상하기 위하여 글로벌 유사성 지수 (GSI)를 제공하여 상기 RI 로 가상 계측의 신뢰성 수준을 측정하고 넓은 편차로(z 스코어 값) 핵심 프로세스 파라미터들을 식별하는 것을 보조한다.
상기 GSI 는 어떤 프로세스 데이타 세트 중 어느 것과 모델 프로세스 데이타 세트 사이의 유사성 정도를 측정한다. 이 모델 세트는 상기 판독 모델.을 구축하는데 사용된 모든 누적 프로세스 데이타 세트로부터 유도된다.
본 발명에서는 마하라노비스 거리 등과 같은 통계적 거리 측정법을 이용하여 상기 유사성 정도를 정량화시킬 수도 있다. 마하라노비스 거리는 P.C. Mahalanobis 가 1936년에 제안한 거리 측정법이다. 이 측정법은 샘플 세트의 다른 패턴을 식별하고 분석하는 변수들 사이의 상호 관계에 기초하고 있다. 마하라노비스 거리는 이미 알고 있는 세트에 대한 미지의 샘플 세트의 유사성을 결정하는데 유용한 방식이다. 이 방법은 데이타 세트의 상호 관련성을 고려하며 스케일 불변성을 갖는다. 즉 측정 스케일에 의존하지 않는다. 만일 데이타 세트가 높은 유사성이 있다면, 계산된 마하라노비스 거리는 비교적 작을 것이다.
본 발명에서는 계산된 GSI (마하라노비스 거리 적용) 사이즈를 이용하여 새로 입력된 프로세스 데이타 세트가 모델 프로세스 데이타 세트와 유사한지 여부를 결정한다. 계산된 GSI 가 작다면, 새로 입력된 세트는 상기 모델 세트에 비교적 유사하다. 따라서 새로 입력된 세트 (높은 유사성)의 가상 계측 값은 비교적 정확하다. 이와 반대로, 계산된 GSI 가 과도하게 크다면, 새로 입력된 세트는 모델 세트와는 다소 다르다고 할 수 있다. 결과적으로, 새로 입력된 세트 (낮은 유사성)에 따라 추정된 가상 계측 값은 정확도 측면에서 낮은 신뢰성을 갖는다.
판독 모델의 표준화된 프로세스 데이타
Figure 112008090784279-pat00155
를 계산하는 방정식들을 식 (5), (6) 및 (7)에 나타낸 바 있다. 우선, 모델 프로세스 파라미터 세트들을
Figure 112008090784279-pat00156
로 정의하며, 여기서
Figure 112008090784279-pat00157
는
Figure 112008090784279-pat00158
와 동일, 표준화 후의 상기 모델 세트의 각각의 구성 요소 (또한 표준화된 모델 파라미터,
Figure 112008090784279-pat00159
로 명명)는 0의 값을 갖는다. 다시 말하면,
Figure 112008090784279-pat00160
내의 모든 요소들은 0 이다. 그 다음, 상기 표준화된 모델 파라미터들 사이의 상호 관계 계수들을 계산한다.
s 번째 파라미터 및 t 번째 파라미터 사이의 상호 관계 계수가 r st 이고 k 개의 데이타 세트가 있다고 가정하면,
Figure 112008090784279-pat00161
(21)
상기 표준화된 모델 파라미터들 사이의 상호 관계 계수를 계산한 후에, 상호 관계 계수 행렬을 다름과 같이 얻을 수 있다.
Figure 112008090784279-pat00162
(22)
R 의 역행렬
Figure 112008090784279-pat00163
을 A 로 정의하면
Figure 112008090784279-pat00164
(23)
그 결과, 상기 표준화된 λ번째 프로세스 데이타
Figure 112008090784279-pat00165
세트 및 상기 표준화된 모델 프로세스 데이타
Figure 112008090784279-pat00166
세트 사이의 마하라노비스 거리
Figure 112008090784279-pat00167
를 구하는 방정식은 다음과 같다.
Figure 112008090784279-pat00168
(24)
Figure 112008090784279-pat00169
최종적으로 다음을 얻는다.
Figure 112008090784279-pat00170
(25)
결국, 상기 표준화된 λ 번째 프로세스 데이타 세트의 GSI 는
Figure 112008090784279-pat00171
/p 과 같게 된다.
GSI 를 얻은 후에, GSI 임계값 (GSI T ) 을 다음과 같이 정의하여야 한다:
Figure 112008090784279-pat00172
(26)
소위 교차검증법에서는, 모델을 구축하는데 사용된 모든 프로세스 데이타 세트로부터 하나의 샘플 데이타 세트를 시뮬레이션된 온라인 테스트 샘플로 선택하고, 나머지 프로세스 데이타 세트를 이용하여 GSI 모델을 구성하며, 그 다음 이 GSI 모델을 사용하여 상기 테스트 샘플 세트, GSI LOO 의 GSI 값을 계산한다. 이러한 과정들이 모델을 구축하는데 사용된 모든 샘플 데이타 세트 (프로세스 데이타)에 대해 반복되며, 따라서 각각의 샘플 데이타 세트들의 모든 GSI LOO 값을 계산하게 된다. 따라서, 식 (26)에 나타낸
Figure 112008090784279-pat00173
은 예를 들어 각각의 샘플 데이타 세트들로 계산된 모든 GSI LOO 값의 90% 절사 평균 (trimmed mean)을 나타낸다. 식 (26)에서 'a'는 2 와 3 사이에 있으며, 실제 조건들에 따라 다소 조절될 수 있고 3으로 'a' 를 미리 결정할 수 있다.
이하에서는, 본 발명의 AVM 시스템의 동작 과정을 설명한다.
도 1 및 도 5를 참조하면 도 5는 본 발명의 실시예에 따른 AVM 시스템의 동 작 과정을 보인 모식도로서, 제1 VM 모델 세트 (제1 세트의 VM 모델들)을 설정하는 모델-생성 단계; 및 모델들을 전개(fan out)시키는 모델-전개 단계를 포함한다. 상기 모델-생성 단계에서는 우선, 상기 모델-생성 서버 (60)가 상기 AVM 서버 (30a)를 이용하여 상기 VM 모델들을 구축하는데 필요한 데이타를 수집하며 (단계 100), 상기 VM 모델들을 구축하는데 필요한 데이타로는 복수의 누적 프로세스 데이타 세트 및 이와 관련된 복수의 누적 (실제) 측정값들을 포함한다. 그 다음, 상기 AVM 서버 (30a)를 데이타 수집 드라이버를 통해 계측 설비 (22a)에 연결하여 누적 계측 데이타 (실제 측정값)을 수집하며 (단계 110)), 그리고 데이타 수집 드라이버를 통해 프로세스 장치 (20a)에 연결되어 누적 프로세스 데이타를 수집한다 (단계 120). 그 다음, 상기 AVM 서버 (30a)는 상기 누적 프로세스 데이타와 상기 누적 계측 데이타의 상호 관계, 즉 양자의 대응 관계가 올바른지를 확인한다 (단계 130). 예를 들어, 동일한 제품에 속하는 누적 프로세스 데이타 및 누적 계측 데이타는 동일한 식별 번호를 가져야 한다. 그 다음, 상기 AVM 서버 (30a)는 관련성이 우수한 모든 계측 및 프로세스 데이타 (즉, 관련 데이타)를 상기 모델-생성 서버 (60)로 보내고, 상호 관련된 프로세스 및 계측 데이타 세트를 저장한다 (단계 132). 그 다음, 상기 모델-생성 서버 (60)는 모델 구축에 필요한 수집 데이타에 대해 데이타 사전-처리 단계를 수행하여 비정상 프로세스 및 계측 데이타를 제거하여, 수집된 데이타의 정확성을 확인한다 (단계 140). 그 다음, 상기 모델-생성 서버 (60)는 제1 DQIX 모델 및 제1 DQIy 모델을 생성하며 (단계 150), 상기 DQIX 및 DQIy 모델들의 구축 방법은 후술한다. 그 다음, 상기 모델-생성 서버 60는 상기 제1 DQIX 모델 및 상기 제1 DQIy 모델을 적용하여 데이타를 감별(sifting)하는 단계 160을 수행하고, NNRT, MRRT 및 GSI RT 와 더불어 상기 판독 모델, 상기 RI 모델 및 상기 GSI 모델을 구축하는데 필요한 상호 관련성이 충분한 프로세스 데이타 및 계측 데이타를 선택한다 (단계 170). NNRT, MRRT 및 GSI RT 에 대해서는 후술한다.
상기 제1 VM 모델 세트를 구축한 후에는, a 모델-전개 단계를 진행하여 상기 제1 VM 모델 세트를 상기 AVM 서버 (30a) 및 상기 AVM 서버 (30b)에 이식하고 상기 프로세스 장치 (20a) 및 상기 프로세스 장치 (20b)에서 생산된 제품에 대해 가상 계측을 수행할 수 있다. 상기 모델-전개 단계에서는, 먼저, 상기 모델-생성 서버 (60)가 상기 제1 세트의 판독 모델, RI 모델, GSI 모델, DQIX 모델 및 DQIy 모델을 상기 AVM 서버 (30a)로 즉시 전달하며 (단계 180, 그다음 상기 AVM 서버 (30a)는 모델-갱신 과정을 수행한다 (재적응 단계)), 재적응 단계가 완료된 후에 상기 VM 모델은 모든 VM-관련 서비스를 제공할 준비를 한다 (단계 190). 상기 모델-생성 서버 (60)은 또한 상기 제1 세트의 판독 모델, RI 모델, GSI 모델, DQIX 모델 및 DQIy 모델을 상기 AVM 서버 (30b)에 전달하고 (단계 200), 그 다음 상기 AVM 서버 (30b)는 모델-갱신 과정을 즉시 수행하며 (재적응 단계), 상기 재적응 단계가 완료되면, 상기 VM 모델은 모든 VM-관련 서비스를 제공할 준비를 한다 (단계 210).
이하에서는 상기 제1 세트의 VM 모델 구축 단계 및 갱신 모델에 대한 이중 국면 알고리즘 적용 단계를 설명한다.
모델-생성 단계
소정 프로세스 장치에 대해여 어떠한 VM 모델도 생성되지 않은 경우, 상기 모델-생성 서버 (60)는 상기 프로세스 장치에 대한 제1 세트의 판독 모델, RI 모델, GSI 모델, DQIX 모델 및 DQIy 모델을 설정하여야 한다. 도 6A를 참조하면, 본 발명의 실시예에 따른 모델-생성 단계를 보인 모식적 플로우차트이다. 최초, 단계 110에서 (누적) 계측 데이타 (실제 측정값)을 수집한다. 실제로는, 모든 실제 측정값들은 관련된 (누적) 프로세스 데이타가 있어야 하며, 따라서 한 세트의 실제 측정값 (계측 데이타)이 수집된 후에는, 단계 130에서 즉시 상기 계측 데이타와 프로세스 데이타의 상호관계를 확인한다. 그 다음, 단계 131에서 상기 상호 관계 확인이 성공적인지 확인하며, 만일 상호관계 확인이 성공적이라면, 단계 132에서 상호 관련된 프로세스 데이타 및 계측 데이타 세트를 저장한다; 만일 그렇지 않다면 상기 프로세스 데이타를 버리고, 단계 110에서 다시 계측 데이타를 수집한다. 그 다음, 단계 134에서 모델링을 위한 충분한 누적 데이타 세트 (계측 및 프로세스 데이타)가 있는지 결정한다. 누적 계측 및 프로세스 데이타의 양이 충분하다면, 프로세스 엔지니어는 단계 140을 수행하여 비정상적인 프로세스 및 계측 데이타를 제거하여 모델 구축을 위한 상기 데이탈들의 정확성을 확인할 수 있다. 단계 140에서, 상기 프로세스 엔지니어는 모든 세트의 상기 누적 프로세스 및 계측 데이타를 하나씩 검사하여 프로세스 데이타 표준 임시 패턴을 설정하고; 적절한 지시 자(indicator)를 선택하며; 및 계측 데이타의 비정상 모드를 정의할 수 있다. 그 다음, 상기 누적 프로세스 데이타 세트를 상기 표준 임시 패턴에 조화되도록 하고 상기 누적 계측 데이타를 계측 데이타의 비정상 모드와 비교함으로써 비정상적인 프로세스 및 계측 데이타 세트를 제거한다. 그 다음, 단계 140에서 얻은 상기 정상적인 누적 계측 및 프로세스 데이타 세트를 사용하여 상기 제1 DQIX 모델 및 상기 제1 DQIy 모델을 생성한다 (단계 150). 이하에서, 단계 150의 순서를 설명한다. 도 6B를 참조하면, 본 발명의 실시예에 따른 상기 제1 DQIX 모델 및 상기 제1 DQIy 모델을 생성하는 단계 150을 보인 플로우챠트가 도시되어 있다. 누적 프로세스 및 계측 데이타 세트가 정상이고 충분하면 단계 150을 수행할 수 있다. 단계 150에서, 먼저 단계 152를 수행하여 상기 제1 DQIX 모델을 구성한다. 이 방법에 대해서는 후술한다.
상기 제1 DQIX 모델을 구성하기 위하여 n 세트의 누적 프로세스 데이타를 단계 140에서 수신하였다고 가정하자. 여기서 각 세트의 누적 프로세스 데이타는 p 개의 파라미터로 구성된다. 상기 n 세트의 누적 프로세스 데이타를 적용하여 p 개의 관련 고유치 (
Figure 112008090784279-pat00174
)를 내림차순으로 갖는 p 개의 고유백터를 주성분분석 (PCA)에 의하여 생성한다. 그 다음, k 개의 주요 고유값 (with
Figure 112008090784279-pat00175
) 세트를 선택하여 아래와 같이 표현되는 핵심-추출 행렬(feature-extraction matrix) M을 생성한다:
Figure 112008090784279-pat00176
(27)
상기 DQIX 값을 계산하는 방법을 이하에서 설명한다.
먼저, 식 (28)을 적용하여 상기 i 번째 입력 세트의 프로세스 데이타 X i 를 k 개의 데이타 핵심 변수(feature variable)
Figure 112008090784279-pat00177
로 변환한다.
Figure 112008090784279-pat00178
(28)
그 다음, 상기 k 데이타 핵심 변수들을
Figure 112008090784279-pat00179
으로 변환하고, 그 다음 상기 유클리드 거리 (ED) 알고리즘으로 통합 지수, 즉 DQIX 값으로 변환한다:
Figure 112008090784279-pat00180
(29)
여기서 i 는 i번째 입력 프로세스 데이타 세트를 나타내며,
Figure 112008090784279-pat00181
는 적응 샘플(training 샘플)의 j 번째 표준화된 변수의 평균을 나타낸다.
이론적으로는, 상기
Figure 112008090784279-pat00182
의 값이 0 이고 따라서 식 (29)는 다음과 같이 단순화시킬 수 있다:
Figure 112008090784279-pat00183
(30)
한편, 교차검증법을 이용하여 프로세스 데이타 임계 품질 (
Figure 112008090784279-pat00184
)을 다음과 같이 결정한다:
(
Figure 112008090784279-pat00185
(31)
교차검증법에서, 모델 구축에 사용된 모든 프로세스 데이타 세트에서 시뮬레이션된 온라인 테스트 세트로서 하나의 샘플 데이타 세트를 선택하고, 나머지 누적 프로세스 데이타 세트를 이용하여 DQIX 모델을 구성하고, 그 다음 새로 구축된 DQIX 모델을 이용하여 상기 시뮬레이션된 온라인 테스트 세트, 즉 DQIXLOO 의 DQIX 값을 계산한다. 이 단계들은 모델 구축에 사용된 모든 샘플 데이타 세트 (프로세스 데이타)에 대해 반복되며, 따라서 각각의 샘플 데이타 세트의 DQIXLOO 값을 계산하게 된다. 따라서, 식 (31)의
Figure 112008090784279-pat00186
는 예를 들어 각각의 샘플 데이타 세트들로 계산된 모든 DQIXLOO 값의 90% 절사 평균을 나타낸다. 식 (31)에서 'a'는 2 와 3 사이에 있으며, 실제 조건들에 따라 다소 조절될 수 있고 3으로 'a'를 미리 결정할 수 있다.
상기 핵심-추출 행렬 M 및 상기 DQIX 이 DQIX 모델을 구성하며, 상기 DQIX 모델은 재적응 또는 조정 조건에 따라 (상기 모델-갱신 과정에서) 업데이트될 것이다.
단계 152가 완료된 후, 단계 154를 수행하여 상기 누적 프로세스 데이타의 Z- 스코어 값을 계산한다. 그 다음, 단계 156을 수행하여 상기 제1 DQIy 모델을 생성한다. 상기 DQIy 모델은 m 개의 유사 패턴으로 구성된다. 본 실시예에서, ρ= 0.98 으로 적응공명이론(ART2)을 적용하여 n 세트의 누적 프로세스 데이타의 Z-스코어 값으로부터 상기 m 개의 {P1, P2, ..., Pm}을 추출한다.
이하에서는 상기 DQIy 값을 계산하는 방법을 기술한다.
먼저, 새로운 실제 측정값 yj 을 수집하면, 적응공명이론(ART2)에 의하여 상기 실제 측정값 yj 에 관련된 Z-스코어 값
Figure 112008090784279-pat00187
을 적용하여 상기 유사 패턴 {P1, P2, ..., Pm}으로부터 최유사 패턴
Figure 112008090784279-pat00188
을 조사한다. 그 다음, 상기
Figure 112008090784279-pat00189
의 관련 실제 측정값이
Figure 112008090784279-pat00190
이고
Figure 112008090784279-pat00191
내에서 v 개의 샘플 (
Figure 112008090784279-pat00192
)을 추출하여, 이 실제 측정값 yj 을 이용하여 상기
Figure 112008090784279-pat00193
및 그 임계 값 (
Figure 112008090784279-pat00194
) 을 계산한다.
yj 의
Figure 112008090784279-pat00195
는 정규 변산도(normalized variability: NV)로 얻어진다:
Figure 112008090784279-pat00196
(32)
Figure 112008090784279-pat00197
(33)
Figure 112008090784279-pat00198
:
Figure 112008090784279-pat00199
의 모든 y q , l 의 평균;
v: 패턴
Figure 112008090784279-pat00200
내의 샘플의 수
특정 패턴
Figure 112008090784279-pat00201
의
Figure 112008090784279-pat00202
은
Figure 112008090784279-pat00203
의 최대-허용 변이 (maximal-tolerable variance)로 정의된다.
Figure 112008090784279-pat00204
가
Figure 112008090784279-pat00205
의 최대-허용 변이를 포함하는 상기 최대-허용 계측 값이라고 가정하면,
Figure 112008090784279-pat00206
는 다음과 같이 주어질 수 있다:
Figure 112008090784279-pat00207
or
Figure 112008090784279-pat00208
(34)
Figure 112008090784279-pat00209
는 최대-허용 변이;
Figure 112008090784279-pat00210
(35)
Figure 112008090784279-pat00211
, i=1, 2, ..., m, 는 패턴
Figure 112008090784279-pat00212
의 범위이고, m 은 모든 유사-패턴 그룹의 전체 수
Figure 112008090784279-pat00213
를 상기 유사 패턴
Figure 112008090784279-pat00214
에 더하여 다음과 같이 상기
Figure 112008090784279-pat00215
를 얻을 수 있다:
Figure 112008090784279-pat00216
(36)
상기
Figure 112008090784279-pat00217
및
Figure 112008090784279-pat00218
를 얻은 후에,
Figure 112008090784279-pat00219
이 참이라면 새로운 실제 측정값이 비정상이고; 그렇지 않다면, 새로운 실제 측정값이 정상임을 의미한다.
전술한 PCA, LOO, ART2, Z-스코어 및 ED 알고리즘은 모두 기존에 알려져 있기 때문에 상세한 설명은 생략한다.
그 다음, 도 6A에 나타난 바와 같이, 단계 160에서 데이타 정리(data reduction)을 수행하며, 데이타-정리 규칙을 실행하여 상기 판독 모델, 상기 RI 모델 및 상기 GSI 모델을 구축하는데 필요한 핵심 파라미터를 선택한다. 그 다음, 상기 선택된 핵심 파라미터들을 적용하여 제1 세트의 판독 모델, RI 모델 및 GSI 모델을 구성하며 (단계 170), 여기서, 상기 판독 모델을 이용하여 제품의 가상 계측 값을 계산하며; 상기 RI 모델은 참조 예측 값 및 제품의 상기 가상 계측 값의 신뢰성 지수를 생성하는데 사용되는 참조 예측 모델로 구성되고; 및 상기 GSI 모델은 상기 제품을 생산하는데 사용되는 프로세스 데이타의 글로벌 유사성 지수를 계산하는데 사용된다. 상기 RI 모델의 상기 참조 예측 모델에 사용된 알고리즘은 상기 판독 모델에 사용된 것과는 다르다. 예를 들어, 상기 판독 모델은 신경망 (NN) 알고리즘을 사용하고 참조 예측 모델은 다중회귀 (MR) 알고리즘을 사용한다. 따라서 상기 (VM) 판독 값 및 상기 참조 예측 값은 상기 GSI 값과 함께 모델-갱신 조건 을 셋업하여 상기 모델 갱신 과정이 완전한지 결정하는데 적용될 수 있다. 상기 모델-갱신 조건을 셋업하기 위하여, 단계 170에서 VM 판독의 갱신 임계, 참조 예측의 갱신 임계 및 GSI. 의 갱신 임계를 계산하여야 한다. 상기 갱신 임 방법을 이하에서 설명한다.
상기 교차검증법에 따라, 모델 구축을 위한 모든 샘플 데이타 세트(누적 프로세스 데이타)로부터 하나의 샘플 데이타 세트를 시뮬레이션된 온라인 테스트 샘플로 선택하고, 나머지 샘플 데이타 세트를 이용하여 예측모델 세트 (판독 모델, 참조 예측 모델, GSI 모델을 포함)를 구성하며, 또한 상기 테스트 샘플의 판독 에러 (EN), 참조 예측 에러 (EM) 및 a GSI LOO 값을 얻는다. 그 다음, 전술한 단계를 모든 판독 에러 (EN)의 각 샘플 데이타 유니트에 대하여 반복하고, 상기 샘플 데이타 세트에 관련된 참조 예측 에러 (EM) 및 GSI LOO 값을 얻고, 그 다음 상기 판독 에러 (EN)의 최대 (Max) 및 최소 (Min) 값과 상기 참조 예측 에러 (EM)의 최대 (Max) 및 최소 (Min) 값을 얻는다. 여기서, EN/EM 의 최대 및 최소 값은 상기 판독 및 참조 예측 모델의 판독/예측 정확도의 최악 및 최우수를 나타내며, GSI 의 갱신 임계는 모든 GSI LOO 값에 관계된다. 따라서, VM 판독 (NNRT; 판독에 NN 알고리즘 사용)의 갱신 임계 및 참조 예측 (MRRT; 참조 예측에 MR 알고리즘 사용)의 갱신 임계는 다음과 같이 계산한다.
Figure 112008090784279-pat00220
(37)
Figure 112008090784279-pat00221
(38)
NNRT: VM 판독의 갱신 임계;
MRRT: 참조 예측의 갱신 임계;
Max(EN): (EN i , i=1, 2, ..., n)의 최대 값;
Min(EN): (EN i , i=1, 2, ..., n)의 최소 값;
Max(EM): (EM i , i=1, 2, ..., n)의 최대 값;
Min(EM) : (EM i , i=1, 2, ..., n)의 최소 값;
n: 모델 구축용 셈플 데이타 세트의 수.
GSI 의 갱신 임계 (GSI RT )는 다음과 같이 계산한다.
Figure 112008090784279-pat00222
(39)
GSI RT 에 대한 식 (39)의 정의는 GSI T 에 대한 식 (26)과 동일하며,
Figure 112008090784279-pat00223
는 예를 들어, 모델 구축용 모든 샘플 데이타 세트의 GSI LOO 값의 90% 절사 평균을 나타낸다. 식 (39)에서 'a'는 2 와 3 사이에 있으며, 실제 조건들에 따라 다소 조 절될 수 있고 3으로 'a'를 미리 결정할 수 있다.
이중 국면 VM 알고리즘에 따른 모델-갱신 단계
본 발명의 실시예에 따른 이중 국면 VM 알고리즘은 다음의 두 가지 특징을 갖는다: (1) DQIX 모델 및 DQIy 모델을 추가하여 자동적으로 프로세스 및 계측 데이타의 품질을 측정한다; (2) 가상 계측을 전개하는데 시간 및 인력을 절약하는 자동 모델-갱신 메커니즘을 동일 설비 또는 동일 타입 설비의 각 공정 챔버들에 추가하여 원하는 VM 정확도를 유지한다.
도 7A를 참조하면, 본 발명의 실시예에 따른 상기 이중 국면 VM 알고리즘에 의한 모델-갱신 단계를 보인 모식적 플로우챠트를 도시하고 있다. 전술한 모델-생성 단계가 완료된 후, 복수의 누적 프로세스 데이타 및 복수의 누적 측정값 세트를 이용하여 제1 VM 모델 세트 (제1 세트의 VM 모델s) 구축하며, 상기 제1 VM 모델 세트는 신경망 (NN) 알고리즘, a 다중회귀 (MR) 알고리즘, a 지지벡터머신 (SVM) 알고리즘 또는 기타 다른 예측 알고리즘 등의 판독 알고리즘에 따라 구축된 판독 모델로 구성된다. 제1 국면(phase-one) VM 단계 300에서는, 먼저 단계 302에서 프로세스 장치로부터 특정 제품의 프로세스 데이타를 수집한다. 그 다음, 단계 304에서 상기 제품의 프로세스 데이타 수집이 완료되었는지 확인한다. 단계 304의 결과가 거짓이면 (즉, 'no'), 단계 302을 계속 수행한다; 그리고, 단계 304의 결과가 참이면 (즉, 'yes'), 단계 310을 수행하여 상기 제품의 프로세스 데이타의 DQIX 값을 확인하거나 평가한다. 도 7A 및 7B를 참조하면, 도 7B는 본 발명의 실시예에 따른 DQIX 값을 확인하는 단계를 보인 모식적 플로우챠트이다. 단계 310에서, 상기 제1 DQIX 모델 (핵심-추출 행렬 M 및 프로세스 데이타 품질 임계 (
Figure 112008090784279-pat00224
)를 포함) 다음에, 단계 312를 먼저 수행하여 특정 제품의 프로세스 데이타 (Xi)의 데이타 핵심 변수
Figure 112008090784279-pat00225
를 추출한다. 그 다음, 단계 315를 수행하여 상기 프로세스 데이타 (Xi)의
Figure 112008090784279-pat00226
값을 계산한다. 그 다음, 단계 316을 수행하여 상기
Figure 112008090784279-pat00227
이
Figure 112008090784279-pat00228
보다 더 큰지 확인한다. 단계 316의 결과가 참이면 (즉, 'yes'), 상기 프로세스 데이타는 비정상 데이타 (
Figure 112008090784279-pat00229
)임을 의미하며, 단계 318에서 경고를 보내고 데이타 분석을 요청한다. 단계 316의 결과가 거짓이면 (즉, 'no'), 상기 프로세스 데이타가 정상 데이타 (
Figure 112008090784279-pat00230
) 임을 의미하며, 단계 317에서 상기 정상 데이타 (
Figure 112008090784279-pat00231
)를 Z-스코어 데이타 (
Figure 112008090784279-pat00232
)로 변환한다. 또한, 상기 DQIX 모델에 재적응 또는 조정이 요구되면, 단계 313에서 상기 정상 프로세스 데이타 (
Figure 112008090784279-pat00233
)를 이용해 모델 구축에 사용된 프로세스 데이타 중 가장 오래된 데이타를 대체하여 상기 핵심-추출 행렬 M을 재계산하고; 단계 314에서 다음 제품의 단계 312에서 사용될 상기 프로세스 데이타 품질 임계 (
Figure 112008090784279-pat00234
)를 재계산한다.
정상 프로세스 데이타 (단계 316이 거짓) 또는 비정상 프로세스 데이타에 상 관없이, 단계 320 (도 7A)에서는 항상 특정 제품의 가상 계측 값 및 그에 따른 신뢰성 지수 및 글로벌 유사성 지수, 즉 RI/GSI 에 대한 제1 국면 VM 값을 계산한다.
제2 국면(phase-two) VM 단계 400에서는, 단계 402에서 특정 제품의 실제 측정값 (계측 데이타)을 수집한다. 그 다음, 단계 410에서 상기 실제 측정값의 수집이 완료되었는지 확인한다. 단계 410의 결과가 거짓이면 (즉, 'no'), 단계 402를 계속 수행하고, 단계 410의 결과가 참이면 (즉, 'yes'), 데이타-상호관련 확인 단계 420에서 특정 제품의 실제 측정값에 관련된 프로세스 데이타가 존재하는지 확인한다. 그 다음, 단계 422에서 상기 데이타-상호관련 확인이 성공적인지 결정한다. 단계 422의 결과가 거짓이면 (즉, 'no), 단계 402를 계속 수행하고, 단계 422의 결과가 참이면 (즉, 'yes'), 단계 424를 수행하여 상기 제1 국면 VM 단계 300에서 얻어진 프로세스 데이타의 DQIX 값을 계산함으로써 상기 상호관련된 프로세스 데이타가 정상인지 결정한다. 단계 424의 결과가 거짓이면 (즉, 'no'), 단계 402를 계속 수행하고, 단계 424의 결과가 참이면 (즉, 'yes'), 단계 430에서 특정 제품의 실제 측정값의 DQIy 값 을 확인하거나 계산하여 상기 실제 측정값이 정상인지 결정한다.
도 7A 및 7C에서, 도 7C는 본 발명의 실시예에 따른 DQIy 값을 확인하는 단계를 보인 모식적 플로우차트이다. 단계 430에서는, 먼저, 단계 433 및 432에서 상기 DQIy 모델인 유사 패턴들 {P1, P2, ..., Pm}로부터 상기 실제 측정값 yj 에 관련된 Z-스코어 값
Figure 112008090784279-pat00235
에 가장 유사한 패턴 Pq 을 조사한다. 그 다음, 단계 434에서
Figure 112008090784279-pat00236
을 계산하고, 단계 435에서
Figure 112008090784279-pat00237
을 계산한다. 그 다음, 단계 436에서 상기
Figure 112008090784279-pat00238
이
Figure 112008090784279-pat00239
보다 큰지 확인한다. 단계 436의 결과가 참이면 (즉, 'yes'), 상기 실제 측정값이 비정상 데이타 (
Figure 112008090784279-pat00240
)임을 의미하며, 단계 438에서 경고를 보내고 데이타 분석을 요청한다. 단계 436의 결과가 거짓이면 (즉, 'no'), 상기 실제 측정값이 정상 데이타 (
Figure 112008090784279-pat00241
)임을 의미하며, 단계 439을 수행하여 정상 데이타 (
Figure 112008090784279-pat00242
)를 모델 구축에 사용된 Z-스코어 데이타 (
Figure 112008090784279-pat00243
)로 변환한다. 또한, 상기 DQIy 모델에 재적응 또는 조정이 요구되면, 단계 433에서 상기 정상 데이타 (
Figure 112008090784279-pat00244
) 및 프로세스 데이타의 관련 Z-스코어 데이타 (
Figure 112008090784279-pat00245
)를 이용하여 프로세스 데이타와 모델 구축에 현재 사용된 실제 측정값 중 가장 오래된 데이타를 대체하고 다음 제품에 대한 단계 432에서 가장 유사한 패턴을 재조사한다. 단계 436의 결과가 참이면 (즉, 단계 430의 결과가 비정상), 단계 438을 수행하여 경고를 보내고 데이타 분석을 요청한다.
단계 430의 결과가 정상이면, 재적응-결정 단계 440 (도 7A)를 수행하여 상기 프로세스 장치를 소정 시간 동안 가동 중단할 것인지 결정한다. 단계 440의 결과가 참이면 (즉, 'yes'), 단계 460을 수행하여 상기 VM 모델을 재적응시킨다. 단계 440의 결과가 거짓이면 (즉, 'no'), 또 다른 재적응-결정 단계 450를 수행하여 수 동 활성화 지시 또는 모델 갱신 지시가 있는지 확인한다. 상기 모델 갱신 지시는 모델-갱신 과정에서 사용되며, 초기에는 'yes'로 설정된다. 즉, 새로 이식된 (ported) 모델 세트가 동작 중일 때, 상기 모델-갱신 과정이 착수되어 상기 새로 이식된 모델 세트를 재적응시킨다. 단계 450가 참이면 (즉, 'yes'), 단계 460을 수행하여 상기 VM 모델을 재적응시킨다. 단계 450가 거짓이면 (즉, 'no'), 단계 470을 수행하여 상기 판독 모델, 상기 RI 모델, 상기 GSI 모델, 상기 DQIX 모델 및 상기 DQIy 모델을 조정한다. 상기 재적응 또는 조정 단계를 수행하기 전에, 새로 수집된 프로세스 데이타 및 실제 측정값을 도입하여 누적 프로세스 데이타 및 실제 측정값 중 가장 오래된 데이타를 대체한다. 상기 조정 단계는 선택된 제품에 대하여 현재 얻어진 프로세스 데이타 및 실제 측정값 세트에 기초하여 각 모델들에 대한 가중치 값 또는 파라미터 값을 조절하며, 조정이 완료되는데는 불과 수 초가 소요된다. 상기 재적응 단계는 업데이트된 누적 프로세스 데이타 및 실제 측정값 (누적 계측 데이타)을 사용하여 VM 모델을 재구축하며, 재적응을 완료하는데 보통 수 분이 소요된다.
단계 460 및 470을 완료한 후, 모델-업데이트 단계 480를 수행하여 기존의 VM 모델 세트 전체를 새로 재적응되거나 조정된 VM 모델 세트 (판독 모델, RI 모델, GSI 모델, DQIX 모델 및 DQIy 모델 포함)로 대체시킨다. 상기 새로운 모델 세트로 단계 310, 320 및 430을 수행하여 다음 제품의 관련 프로세스 데이타의 DQIX 값을 계산하고 상기 다음 제품의 제1 국면 VM 값 (VMI) 및 그에 따른 RI 및 GS 을 계산하며, 상기 다음 제품의 실제 측정값의 DQIy 값을 평가한다. 한편, 단계 490에서 상기 새로운 VM 모델 세트를 이용하여 특정 제품이 속하는 전체 카세트의 각 제품에 대하여 상기 가상 계측 값 및 그에 따른 RI 및 GSI, 즉, RI/GSI 에 대한 제2 국면 가상 계측 값 (VMII)을 재계산한다. 여기서 상기 카세트는 가상 카세트이거나 물리적 카세트일 수 있다. 그 다음, 단계 492에서 모델-갱신 조건이 달성되었는지 결정한다. 상기 모델-갱신 조건이 달성되면, 모델 갱신 지시를 취소, 즉, 'no'로 설정하는데, 이것은 VM 모델 세트에 더 이상 갱신이 필요없음을 의미한다. 이하에서는 본 발명의 실시예에 따른 상기 모델-갱신 조건을 설명한다.
먼저, 모델 갱신 지시가 'yes'이고, 특정 제품 및 이 제품 이전/이후로 프로세스 장치에 연속적으로 진입하는 몇몇의 제품들을 복수의 연속적인 갱신 샘플들 (예를 들어 3 개의 연속적인 갱신 샘플들)로 정의한다. 후술하는 세 조건들이 동시에 만족된다면, 본 발명의 실시예에 따른 모델-갱신 조건들이 달성된 것으로 간주하며, 모델 갱신 지시를 'no'로 설정하는데, 이는 상기 모델-갱신 과정 후의 VM 모델 세트가 만족스런 판독 및 예측 정확도를 가지며 VM 서비스를 제공할 준비가 되었음을 의미한다. 만일 조건들이 만족되지 않는다면, 상기 모델-갱신 과정을 계속 실행하여야 한다. 상기 세 조건들은 다음과 같다.
(1) 제1모델-갱신 조건의 정의: 상기 연속적인 갱신 샘플들의 제1 국면 VM 값의 평균절대백분율오차 (MAPE) 값이 VM 판독의 갱신 임계 (NNRT) 보다 작다.
(2) 제2 모델-갱신 조건의 정의: 상기 연속적인 갱신 샘플들의 제1 국면 참조 예측 값의 MAPE 값이 참조 예측의 상기 갱신 임계 (MRRT) 보다 작다.
(3) 제3 모델-갱신 조건의 정의: 상기 연속적인 갱신 샘플들의 제1 국면 GSI 값이 GSI 의 갱신 임계 (GSI RT ) 보다 작다. 그 다음, 결정 결과는 제1, 제2 및 제3 모델-갱신 조건 모두가 동시에 만족되는지를 결정하여 얻는다. 여기서 상기 결정 결과가 참이면 ('yes') 모델 갱신 지시는 'no'로 설정되며, 그렇지 않다면 모델 갱신 지시는 'yes'로 유지된다.
따라서, 프로세스 장치가 소정 시간 동안 가동 중단 상태에 있거나 (단계 440) 또는 수동 활성화나 모델 갱신 지시가 존재하면(단계 450), 상기 재적응 단계 460를 수행하고; 그렇지 않다면, 상기 조정 단계 470를 수행한다.
이하에서는, 적용예를 들어 본 발명의 실시예에 따른 이점을 설명한다. 도 8을 참조하면, 본 발명을 CVD (Chemical Vapor Deposition) 장치에 적용한 결과를 보이고 있다. 여기서 CVD 장치는 6 개의 공정 챔버들 A-F로 구성되어 있다. 이 실시예에서, 챔버 A 를 선택하여 제1 VM 모델 세트를 생성하고, 이것을 챔버 F로 전개 또는 이식하며, 그 다음 상기 챔버 F의 AVM 서버가 모델-갱신 과정을 실행하여 상기 제1 VM 모델 세트를 재적응시킨다. 이 실시예에서, 60 세트의 누적 프로세스 데이타를 상기 공정 챔버 A로부터 수집하고, 상기 공정 챔버 F 로부터 24 샘플들을 이용하여 도 8의 모델 갱신 결과를 평가한다. 이 실시예에서, 판독 모델은 신경망 (NN) 알고리즘으로 구축되고, 참조 예측 모듈은 다중회귀 (MR) 알고리즘에 따라 구 축된다. 도 8에 도시된 바와 같이, 샘플 0 에서, 상기 제1 국면 VM 값의 평균절대백분율에러 값 (MAPE-NN), 상기 제1 국면 VM 참조 예측 값 의 평균절대백분율에러 (MAPE-MR), 및 상기 공정 챔버 F 에 대한 GSI 값은 상기 공정 챔버 A 를 기초로 재적응되지 않은 제1 VM 모델 세트에 의해 얻어진다. 샘플 0 의 MAPE-NN 및 MAPE-MR는 과도하게 높은 것을 알 수 있는데, 이것은 상기 공정 챔버 A 및 상기 공정 챔버 F 간의 구성적 차이(feature difference)에 기인하는데, 이 구성적 차이는 셈플 0 에서 과도하게 큰 GSI 값으로부터 알 수 있다. 그러나, 샘플 1에서는, 상기 제1 VM 모델 세트가 한번 재적응되었기 때문에 MAPE-NN 및 MAPE-MR은 상당히 낮아지며, GSI 값 역시 많이 완화된다. 따라서 본 발명의 실시예에서 사용된 상기 재적응 단계 (모델-갱신 과정)가 효과적임을 알 수 있다. 본 실시예에서 상기 NNRT, MRRT 및 GSI RT 은 각각 1.58, 1.27 및 3.48 이다. 도 8로부터 샘플 1-3 (세 연속 포인트)에서, 상기 제1및 제2 모델-갱신 조건들이 만족되지만, 제3 모델-갱신 조건은 만족되지 않았다. 따라서, 상기 모델-갱신 과정이 지속된다. 샘플 3-5에서는, 제1, 제2 및 제3 모델-갱신 조건들이 동시에 만족되며, 이는 상기 공정 챔버 F 에 대한 상기 모델-갱신 과정이 완료되었고 상기 공정 챔버 F에 사용된 VM 모델 세트가 만족스런 정확도를 갖게 되어 VM 관련 서비스를 제공할 준비가 되었음을 의미한다.
상기 실시예로부터 본 발명은 가상 계측을 동일 설비 또는 동일 타입이 설비의 각 공정 챔버로 전개하는데 시간과 노력을 크게 절감시키면서 가상 계측의 정확도를 만족스럽게 유지하고, 프로세스 데이타 및 실제 계측 데이타 (측정값)를 자동적 으로 평가하고 감멸하며, 따라서 가상 계측을 전체 플랜트로 전개하는데 요구되는 조건을 효과적으로 만족시킴을 알 수 있다.
당업자라면 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 본 발명의 구성에 대해 다양한 개량 및 변형이 가능함을 이해할 것이다. 이러한 관점에서 볼 때 본 발명은 후술하는 특허청구범위에 포함되는 다양한 개량 및 변형을 포괄할 것이다.
도 1은 본 발명의 실시예에 따른 AVM 시스템의 구조를 보인 모식적 블록도;
도 2는 본 발명의 실시예에 따른 AVM 서버의 구조를 보인 모식적 블록도;
도 3은 본 발명의 실시예에 따른 신뢰성 지수 (RI)를 설명하는 모식도;
도 4는 본 발명의 실시예에 따른 RI 임계 (RI T )를 정의하는 모식도;
도 5는 본 발명의 실시예에 따른 상기 AVM 시스템의 동작 순서를 보인 모식도;
도 6A는 본 발명의 실시예에 따른 모델-생성 단계를 보인 모식적 플로우차트;
도 6B는 본 발명의 실시예에 따른 제1 DQIX 모델 및 상기 제1 DQIy 모델을 생성하는 단계 150을 보인 모식적 플로우차트;
도 7A는 본 발명의 실시예에 따른 이중 국면 VM 알고리즘에 의한 모델-갱신 단계를 보인 모식적 플로우차트;
도 7B는 본 발명의 실시예에 따른 DQIX 값 확인 단계를 보인 모식적 플로우차트;
도 7C는 본 발명의 실시예에 따른 DQIy 값 확인 단계를 보인 모식적 플로우차트;
도 8은 본 발명의 실시예를 CVD (Chemical Vapor Deposition) 장치에 적용한 결과를 보인 그래프.

Claims (20)

  1. 복수의 누적 프로세스 데이타 세트 및 제1 프로세스 데이타 세트를 구비하며, 상기 제1 프로세스 데이타 세트에 따라 제1 제품을 생산하는 제1프로세스 장치;
    상기 제1 제품의 복수의 누적 측정값 및 제1 실제 측정값을 구비하는 제1계측 설비, 여기서 상기 누적 측정값은 상기 누적 프로세스 데이타 세트를 이용하여 각각 생산된 제품들의 실제 계측 데이타;
    상기 누적 프로세스 데이타 세트 및 상기 누적 측정값을 수집하는 제1AVM 서버;
    상기 누적 프로세스 데이타 세트 및 상기 누적 측정값을 이용하여 VM (가상 계측) 모델 세트를 구축하는 모델-생성 서버;
    제2 프로세스 데이타 세트에 따라 제2 제품을 생산하는 제2 프로세스 장치;
    상기 제2 제품의 제2 실제 측정값을 측정하는 제2 계측 설비; 및
    상기 VM 모델 세트를 이용하여 상기 제2 제품에 대한 가상 계측을 수행하는 제2 AVM 서버를 포함하며, 여기서 상기 제2 AVM 서버는 상기 제2 프로세스 데이타 세트 및 상기 제2 실제 측정값을 이용하여 상기 누적 프로세스 데이타 세트 및 상기 누적 측정값에서 가장 오래된 데이타를 대체함으로써 상기 VM 모델 세트를 재적응시키거나 조정하는
    자동 가상 계측 시스템.
  2. 제1항에 있어서, 상기 제1 AVM 서버는 상기 VM 모델 세트를 이용하여 상기 제1 제품에 대한 가상 계측을 수행하는 자동 가상 계측 시스템.
  3. 제2항에 있어서, 상기 VM 모델 세트는
    상기 제1 제품의 제1 VM 값 또는 상기 제2 제품의 제2 VM 값을 생성하는 판독 모델, 여기서 상기 판독 모델은 판독 알고리즘으로 구축되며 상기 판독 알고리즘은 신경망 (NN) 알고리즘, 다중회귀 (MR) 알고리즘 또는 지지벡터머신 (SVM) 알고리즘 중의 어느 하나를 이용함;
    상기 제1VM 값 및 상기 제2 VM 값 각각의 RI 값을 생성하는 RI (Reliance Index) 모델, 여기서 상기 RI 모델은 참조 알고리즘에 따라 구축되며 상기 참조 알고리즘은 상기 판독 알고리즘과 다른 다중회귀 알고리즘, 신경망 알고리즘 또는 SVM 알고리즘 중의 어느 하나를 이용함;
    상기 제1프로세스 데이타 세트 및 상기 제2 프로세스 데이타 세트 각각에 대한 GSI (Global Similarity Index) 값을 계산하는 GSI 모델, 여기서 상기 GSI 모델은 마하라노비스 거리 알고리즘으로 구축;
    상기 제1프로세스 데이타 세트 및 상기 제2 프로세스 데이타 세트 각각에 대한 DQIX (프로세스 데이타 품질 지수) 값을 계산하는 DQIX 모델, 여기서 상기 DQIX 모델은 주성분분석 (PCA) 및 유클리디안 거리 (ED) 알고리즘으로 구축; 및
    상기 제1실제 측정값 및 상기 제2 실제 측정값에 대한 DQIy (계측 데이타 품질 지수) 값을 계산하는 DQIy 모델, 여기서 상기 DQIy 모델은 적응공명이론 2 (ART2) 및 정규 변산도 (NV)에 따라 구축; 을 포함하는 자동 가상 계측 시스템.
  4. 제3항에 있어서, 상기 제1 AVM 서버는
    상기 제1 AVM 서버의 각 모듈의 상태를 모니터링하고, 이중 국면 가상 계측 알고리즘에 따라 각 모듈의 동작 과정을 제어하는 제어 커널;
    상기 DQIX 모델 및 상기 DQIy 모델을 이용하여 상기 제1프로세스 데이타 세트 및 상기 제1실제 측정값의 품질을 평가하는 데이타 사전-처리 모듈;
    플러그 드라이버 인터페이스 (PDI);
    상기 PDI에 연결되어 상기 누적 프로세스 데이타 세트, 상기 누적 측정값, 상기 제1 프로세스 데이타 세트 및 상기 제1실제 측정값을 수집하는 데이타 수집 드라이버, 여기서 수집된 상기 누적 프로세스 데이타와 제1 프로세스 데이타 및 누적 측정값과 제1 실제 측정값 들은 상기 PDI를 통해 상기 데이타 사전-처리 모듈에 제공;
    플러그 애플리케이션 드라이버 (PAI);
    상기 PAI에 연결되어 상기 VM 모델 세트를 저장하는 VM-모델 저장 모듈;
    플러그 커뮤니케이션 인터페이스 (PCI); 및
    상기 PCI에 연결되어 상기 모델-생성 서버와 커뮤니케이션하는 커뮤니케이션 에이젼트;를 포함하는 자동 가상 계측 시스템.
  5. 제3항에 있어서, 상기 제2 AVM 서버는
    상기 제2 AVM 서버의 각 모듈 상태를 모니터링하고 이중 국면 가상 계측 알고리즘에 따라 각 모듈의 동작 과정을 제어하는 제어 커널;
    상기 DQIX 모델 및 상기 DQIy 모델을 이용하여 상기 제2 프로세스 데이타 세트 및 상기 제2 실제 측정값의 품질을 평가하는 데이타 사전-처리 모듈;
    플러그 드라이버 인터페이스 (PDI);
    상기 PDI에 연결되어 상기 제2 프로세스 데이타 세트 및 상기 제2 실제 측정값을 수집하는 데이타 수집 드라이버, 여기서 수집된 상기 제2 프로세스 데이타 세트 및 제2 실제 측정값들은 상기 PDI를 통해 상기 데이타 사전-처리 모듈에 제공;
    플러그 애플리케이션 드라이버 (PAI);
    상기 PAI에 연결되어 상기 VM 모델 세트를 저장하는 VM-모델 저장 모듈;
    플러그 커뮤니케이션 인터페이스 (PCI); 및
    상기 PCI에 연결되어 상기 모델-생성 서버와 커뮤니케이션하는 커뮤니케이션 에이젼트;를 포함하는 자동 가상 계측 시스템.
  6. 제2항에 있어서, 상기 제1 AVM 서버는 상기 제1프로세스 데이타 세트 및 상기 제1 실제 측정값을 이용하여 상기 누적 프로세스 데이타 세트 및 상기 누적 측정값 중의 가장 오래된 데이타를 대체함으로써 상기 VM 모델 세트를 재적응시키거 나 조정하는 자동 가상 계측 시스템.
  7. 제1항에 있어서, 상기 제1 프로세스 장치 및 상기 제2 프로세스 장치는 동일 타입인 자동 가상 계측 시스템.
  8. 모델-생성 서버는 복수의 누적 측정값 및 상기 누적 측정값에 관련된 복수의 누적 프로세스 데이타 세트를 이용하여 제1 VM 모델 세트를 구축하는 모델-생성 단계를 수행하고, 여기서 상기 제1 VM 모델 세트는 판독 알고리즘에 따라 구축되는 판독 모델을 포함하고 상기 판독 알고리즘은 신경망 (NN) 알고리즘, 다중회귀 (MR) 알고리즘 또는 지지벡터머신 (SVM) 알고리즘 중의 어느 하나를 이용함;
    AVM 서버는 프로세스 장치로부터 제품의 제1프로세스 데이타 세트를 수집하고;
    상기 프로세스 장치로부터 제품의 제1 프로세스 데이타의 수집을 완료한 후 상기 AVM 서버는 제1 국면 VM 단계를 즉시 수행하고, 여기서 상기 제1 국면 VM 단계는 상기 제1 프로세스 데이타 세트를 상기 제1 VM 모델 세트에 입력하여 상기 제품의 제1 국면 VM 값 (VMI)을 계산하는 제1 국면 VM 계산 단계를 수행하는 것을 포함하고; 및
    상기 제품의 제1 실제 측정값이 얻어지면 상기 AVM 서버는 제2 국면 VM 단계를 수행하고, 여기서 상기 제2 국면 VM 단계는 재적응 단계를 수행할 것인지 결정하는 재적응-결정 단계를 포함하며, 상기 재적응 단계는 모델 갱신 지시가 참이면 수행되고, 상기 재적응 단계는
    상기 제1 프로세스 데이타 세트 및 상기 제1 실제 측정값을 이용하여 상기 누적 프로세스 데이타 및 상기 누적 측정값 중의 가장 오래된 데이타를 대체함으로써 제2 VM 모델 세트를 재적응하거나 또는 조정하고, 여기서 모델 타입 및 구축 방법은 상기 제1 VM 모델 세트 및 상기 제2 VM 모델 세트에 대해 동일하고; 및
    상기 제1 VM 모델 세트를 상기 제2 VM 모델 세트로 대체하여 상기 프로세스 장치에 연속적으로 진입하는 다른 제품에 대한 또 다른 제1 국면 VM 값을 계산하는 것을 포함하는
    자동 가상 계측 방법.
  9. 제8항에 있어서, 상기 모델 갱신 지시는 최초에 참으로 설정되는 자동 가상 계측 방법.
  10. 제8항에 있어서,
    상기 제1 VM 모델 세트는 추가적으로:
    상기 VM 값의 신뢰성 지수를 생성하는 RI 모델,
    여기서 상기 RI 모델은 참조 예측 모델이고, 상기 참조 예측 모델은 참조 알고리즘에 따라 구축되며, 상기 참조 알고리즘은 상기 판독 알고리즘과는 다른 다중회귀 알고리즘, 신경망 알고리즘, 또는 SVM 알고리즘 중의 어느 하나를 이용함; 및
    상기 제1 프로세스 데이타 세트에 대한 GSI 값을 연산하는 GSI 모델,
    여기서 상기 GSI 모델은 마하라노비스 거리 알고리즘에 따라 구축;을 포함하고
    상기 모델-생성 단계는 추가적으로:
    상기 누적 프로세스 데이타 세트 및 누적 측정값을 교차검증법에 따라 적용하여, 상기 판독 모델, 상기 참조 예측 모델 및 상기 GSI 모델을 재구축하고, 상기 누적 프로세스 데이타 세트 각각에 대하여 VM 판독 에러, 참조 예측 에러 및 GSI 값을 계산하여 VM 판독의 갱신 임계, 참조 예측의 갱신 임계 및 GSI 의 갱신 임계를 계산하는 단계;를 포함하고
    상기 제1 국면 VM 계산 단계는 추가적으로:
    상기 제1 프로세스 데이타를 상기 제1 VM 모델 세트의 상기 참조 예측 모델 및 상기 GSI 모델에 입력하여, 상기 제품의 제1 국면 참조 예측 값 및 제1 국면 GSI 값을 계산하는 단계를 포함하고; 및
    상기 제2 국면 VM 단계는 추가적으로:
    상기 모델 갱신 지시가 참이면, 상기 제품과 이 제품의 이전, 이 제품의 이후, 또는 이 제품의 이전 및 이후에 복수의 연속되는 갱신 샘플로서 상기 프로세스 장치에 진입하는 연속적인 몇몇 제품들을 정의하고;
    상기 연속적인 갱신 샘플들의 제1 국면 VM 값의 평균절대백분율오차 (MAPE) 값이 VM 판독의 갱신 임계 보다 작은 것을 제1모델-갱신 조건으로 정의하고;
    상기 연속적인 갱신 샘플들의 제1 국면 참조 예측 값의 MAPE 값이 참조 예측의 상기 갱신 임계 보다 작은 것을 제2 모델-갱신 조건으로 정의하고;
    상기 연속적인 갱신 샘플들의 제1 국면 GSI 값이 GSI 의 갱신 임계 보다 작은 것을 제3 모델-갱신 조건으로 정의하고; 및
    상기 제1모델-갱신 조건, 상기 제2 모델-갱신 조건 및 상기 제3 모델-갱신 조건이 동시에 달성되었는지 결정하여 그 결정 결과를 얻는 단계를 포함하고, 여기서 상기 결정 결과가 참이면 모델 갱신 지시는 거짓으로 설정되며, 그렇지 않다면 모델 갱신 지시는 참으로 설정되는
    자동 가상 계측 방법.
  11. 제10항에 있어서, 상기 연속적인 갱신 샘플의 수는 3인 자동 가상 계측 방법.
  12. 제8항에 있어서, 상기 모델-생성 단계는 추가적으로:
    상기 AVM 서버에 지시하여 프로세스 장치로부터 누적 프로세스 데이타를 수집하고; 및
    상기 AVM 서버에 지시하여 계측 설비로부터 누적 측정값을 수집하는 단계를 포함하고, 여기서 상기 누적 프로세스 데이타 및 상기 누적 측정값은 동일 제품에 상호 관련되는 자동 가상 계측 방법.
  13. 제8항에 있어서, 상기 제2 국면 VM 단계는 추가적으로:
    상기 제2 VM 모델 세트를 적용하여 상기 제품이 속하는 카세트의 모든 제품 각각의 제2 국면 VM 값 (VMII)을 계산하는 단계를 포함하는 자동 가상 계측 방법.
  14. 제13항에 있어서, 상기 제1 VM 모델 세트는 추가적으로:
    VM 값의 통계 분포와 관련된 참조 예측 값 사이의 중첩 영역을 계산하여 상기 VM 값의 RI 값을 생성하는 RI 모델을 포함하며, 여기서 상기 RI 값은 상기 중첩 영역이 커짐에 따라 증가하고 이것은 상기 RI 값에 관련된 VM 값의 신뢰성 수준이 높아짐을 의미하며, 여기서 상기 참조 예측 모델은 참조 알고리즘에 따라 구축되고, 상기 참조 알고리즘은 상기 판독 알고리즘과는 다른 다중회귀 알고리즘, 신경망 알고리즘, 또는 SVM 알고리즘 중의 어느 하나를 이용함;
    상기 제1 국면 판독 단계는 추가적으로 상기 RI 모델을 이용하여 상기 제1 국면 VM 값의 RI 값을 계산하는 단계를 포함하고; 및
    상기 제2 국면 판독 단계는 추가적으로 상기 RI 모델을 이용하여 상기 제2 국면 VM 값의 RI 값을 계산하는 단계를 포함하는
    자동 가상 계측 방법.
  15. 제8항에 있어서,
    상기 제1VM 모델 세트는 추가적으로:
    상기 제1 프로세스 데이타 세트에 대한 DQIX 값을 계산하는 DQIX 모델, 여기서 상기 DQIX 모델은 주성분분석(PCA) 및 유클리디안 거리 (ED) 알고리즘에 구축 구축;
    상기 제1 실제 측정값에 대한 DQIy 값을 계산하는 DQIy 모델을 포함하며, 여기서 상기 DQIy 모델은 적응공명이론 2 (ART2) 및 정규 변산도 (NV)에 따라 구축;
    상기 모델-생성 단계는 추가적으로:
    상기 누적 프로세스 데이타 세트를 교차검증법에 따라 상기 DQIX 모델에 적용하여 제1 프로세스 데이타 품질 임계 (
    Figure 112010083247155-pat00246
    )를 계산하고; 및
    상기 누적 프로세스 데이타 세트 및 누적 측정값을 최대-허용 변이법에 따라 상기 DQIy 모델에 적용하여 제1 계측 데이타 품질 임계 (
    Figure 112010083247155-pat00247
    )를 계산하는 단계를 포함하고;
    상기 제1 국면 VM 단계는 추가적으로:
    상기 제1 국면 VM 계산 단계 이전에, 상기 제1 프로세스 데이타를 상기 DQIX 모델에 입력하여 상기 제품의 제1 DQIX 값을 계산하고; 및
    상기 제1 DQIX 값이 상기 제1 프로세스 데이타 품질 임계 보다 큰지 확인하여 제1 확인 결과를 얻는 단계를 포함하고, 여기서 상기 제1 확인 결과가 거짓이면, 상기 제1 국면 VM 계산 단계를 수행;
    상기 제2 국면 VM 단계는 추가적으로:
    상기 재적응-결정 단계 이전에, 상기 제1 실제 측정값을 상기 DQIy 모델에 입력하여 상기 제품의 제1 DQIy 값을 계산하고; 및
    상기 제1 DQIy 값이 상기 제1 계측 데이타 품질 임계 보다 크지 확인하여 제2 확인 결과를 얻는 단계를 포함하고, 여기서 상기 제2 확인 결과가 거짓이면, 상기 재적응-결정 단계를 수행하는
    자동 가상 계측 방법.
  16. 모델-생성 서버를 통해 제1 AVM 서버에 지시하여 모델 구축에 필요한 복수의 누적 측정값 및 이 누적 측정값에 관련된 복수의 누적 프로세스 데이타 세트를 수집하고;
    상기 제1 AVM 서버를 제1 계측 설비에 연결하여 상기 누적 측정값을 수집하고, 및 상기 제1 AVM 서버를 제1 프로세스 장치에 연결하여 상기 누적 프로세스 데이타 세트를 수집하고;
    상기 제1 AVM 서버는 상기 누적 프로세스 데이타 세트 및 상기 누적 측정값 사이의 상호 관계를 확인하고;
    상기 제1 AVM 서버는 상호관련된 모든 측정값 및 프로세스 데이타를 상기 모델-생성 서버에 전송하고;
    상기 모델-생성 서버는 모델 구축에 필요한 데이타에 대해 데이타-사전처리 단계를 수행하여 누적 프로세스 데이타 및 누적 측정값을 제거하고;
    상기 모델-생성 서버는 DQIX 모델 및 DQIy 모델을 생성하고, 여기서 상기 DQIX 모델은 제품을 생산하는 프로세스 데이타 세트에 대한 DQIX 값을 계산하는데 사용되고 주성분분석(PCA) 및 유클리디안 거리 (ED) 알고리즘에 따라 구축되며; 상기 DQIy 모델은 상기 제1 실제 측정값에 대한 DQIy 값을 계산하는데 사용되고 적응공명이론 2 (ART2) 및 정규 변산도 (NV)에 따라 구축되고;
    상기 DQIX 모델 및 상기 DQIy 모델을 적용하여 상기 모델-생성 서버는 데이타-감별 단계를 수행하고, 모델 구축에 필요한 상호 관련된 누적 프로세스 데이타 및 누적 측정값을 선택하고;
    상기 상호관련된 누적 프로세스 데이타 및 누적 측정값을 적용하여 상기 모델-생성 서버는 제1 VM 모델 세트를 생성하며, 상기 제1 VM 모델 세트는 상기 DQIX 모델, 상기 DQIy 모델, 판독 모델, RI 모델 및 GSI 모델을 포함하고, 여기서 상기 판독 모델은 판독 알고리즘에 따라 구축되며, 상기 판독 알고리즘은 신경망 (NN) 알고리즘, 다중회귀 (MR) 알고리즘 또는 지지벡터머신 (SVM) 알고리즘 중의 어느 하나이고, RI 모델은 제품의 각 RI 지수를 생성하는 참조 예측 모델을 포함하며, 상기 참조 예측 모델은 참조 알고리즘에 따라 구축되고, 상기 참조 알고리즘은 상기 판독 알고리즘과는 다른 다중회귀 알고리즘, 신경망 알고리즘, 또는 SVM 알고리즘 중의 어느 하나이고, 상기 GSI 모델은 상기 프로세스 데이타 세트의 각 GSI 값을 계산하는데 사용되며 상기 GSI 모델은 마하라노비스 거리 알고리즘에 따라 구축되고;
    상기 모델 생성 서버는 상기 제1 VM 모델 세트를 상기 제1 AVM 서버 및 제2 AVM 서버에 전개하여 상기 제1 프로세스 장치 및 제2 프로세스 장치에서 생산 중인 제품에 대해 가상 계측을 각각 수행하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 상기 제1 AVM 서버 및 상기 제2 AVM 서버의 제1 VM 모델 세트 각각에 대해 모델-갱신 과정을 수행하고; 및
    각 모델-갱신 과정을 완료한 후에 상기 제1AVM 서버 및 상기 제2 AVM 서버가 VM 서비스를 제공하는 단계를 포함하는
    자동 가상 계측 방법.
  17. 제16항에 있어서, 상기 모델-갱신 과정은 추가적으로:
    재적응 단계를 수행하여 새로 수집된 프로세스 데이타 세트 및 실제 측정값을 사용하여 상기 누적 프로세스 데이타 세트 및 상기 누적 측정값에서 가장 오래된 데이타를 대체함으로써 제2 VM 모델 세트를 재구축하는 단계, 여기서 상기 모델 타입 및 구축 방법은 상기 제1 VM 모델 세트 및 상기 제2 VM 모델 세트에 대해 동일; 및
    상기 제1 VM 모델 세트를 상기 제2 VM 모델 세트로 대체하여 후속적인 VM 서비스를 제공하는 단계를 포함하는
    자동 가상 계측 방법.
  18. 제16항에 있어서,
    상기 모델-생성 서버는 상기 누적 프로세스 데이타 세트 및 누적 측정값을 교차검증법에 따라 적용하여, 상기 판독 모델, 상기 참조 예측 모델 및 상기 GSI 모델을 재구축하고, 상기 누적 프로세스 데이타 세트 각각에 대하여 VM 판독 에러, 참조 예측 에러 및 GSI 값을 계산하여 VM 판독의 갱신 임계, 참조 예측의 갱신 임계 및 GSI 의 갱신 임계를 계산하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 새로 수집된 프로세스 데이타를 상기 제1 VM 모델 세트의 판독 모델, 상기 참조 예측 모델 및 상기 GSI 모델에 입력하여, 상기 제품의 제1 국면 판독 값, 제1 국면 참조 예측 값 및 제1 국면 GSI 값을 계산하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 제품과 이 제품의 이전, 이 제품의 이후, 또는 이 제품의 이전 및 이후에 복수의 연속되는 갱신 샘플로서 상기 프로세스 장치에 진입하는 연속적인 몇몇 제품들을 정의하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 상기 연속적인 갱신 샘플들의 제1 국면 VM 값의 평균절대백분율오차 (MAPE) 값이 VM 판독의 갱신 임계 보다 작은 것을 제1모델-갱신 조건으로 정의하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 상기 연속적인 갱신 샘플들의 제1 국면 참조 예측 값의 MAPE 값이 참조 예측의 상기 갱신 임계 보다 작은 것을 제2 모델-갱신 조건으로 정의하고;
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 상기 연속적인 갱신 샘플들의 제1 국면 GSI 값이 GSI 의 갱신 임계 보다 작은 것을 제3 모델-갱신 조건으로 정의하고; 및
    상기 제1 AVM 서버 및 상기 제2 AVM 서버는 상기 제1모델-갱신 조건, 상기 제2 모델-갱신 조건 및 상기 제3 모델-갱신 조건이 동시에 달성되었는지 결정하여 그 결정 결과를 얻는 단계를 포함하고, 여기서 상기 결정 결과가 참이면 모델 갱신 과정을 완료하는 단계를 포함하는
    자동 가상 계측 방법.
  19. 제18항에 있어서, 상기 연속적인 갱신 샘플의 수는 3 인 자동 가상 계측 방법.
  20. 제16항에 있어서,
    상기 RI 모델은 VM 값의 통계 분포와 관련된 참조 예측 값 사이의 중첩 영역을 계산하는데 사용되며, 여기서 상기 RI 값은 상기 중첩 영역이 커짐에 따라 증가하고 이것은 상기 RI 값에 관련된 VM 값의 신뢰성 수준이 높아짐을 나타내는
    자동 가상 계측 방법.
KR1020080137624A 2008-05-20 2008-12-30 자동 가상 계측 시스템 및 방법 KR101098037B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW097118526A TWI349867B (en) 2008-05-20 2008-05-20 Server and system and method for automatic virtual metrology
TW97118526 2008-05-20

Publications (2)

Publication Number Publication Date
KR20090121177A KR20090121177A (ko) 2009-11-25
KR101098037B1 true KR101098037B1 (ko) 2011-12-22

Family

ID=41342672

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080137624A KR101098037B1 (ko) 2008-05-20 2008-12-30 자동 가상 계측 시스템 및 방법

Country Status (4)

Country Link
US (1) US8095484B2 (ko)
JP (1) JP4914457B2 (ko)
KR (1) KR101098037B1 (ko)
TW (1) TWI349867B (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102324230B1 (ko) * 2020-09-29 2021-11-10 서울대학교산학협력단 분광기반 토양성분 예측 방법 및 시스템, 이를 구현하는 프로그램매체

Families Citing this family (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9065727B1 (en) 2012-08-31 2015-06-23 Google Inc. Device identifier similarity models derived from online event signals
US8433434B2 (en) * 2009-07-09 2013-04-30 Taiwan Semiconductor Manufacturing Company, Ltd. Near non-adaptive virtual metrology and chamber control
US8620468B2 (en) * 2010-01-29 2013-12-31 Applied Materials, Inc. Method and apparatus for developing, improving and verifying virtual metrology models in a manufacturing system
US9002492B2 (en) 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
TWI412906B (zh) * 2010-04-13 2013-10-21 Univ Nat Cheng Kung 具有虛擬量測功能的製造執行系統與製造系統
CN102254788B (zh) * 2010-05-19 2014-08-20 国立成功大学 具有虚拟测量功能的制造执行系统与制造系统
CN102262188B (zh) * 2010-05-28 2013-06-05 先知科技股份有限公司 工件抽样检验的方法
TW201205440A (en) * 2010-07-16 2012-02-01 Nat Univ Tsing Hua Virtual measuring system and method thereof for predicting the quality of thin film transistor liquid crystal display processes
TWI427722B (zh) 2010-08-02 2014-02-21 Univ Nat Cheng Kung 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品
CN101976045B (zh) * 2010-08-25 2012-05-23 江苏大学 用于tft-lcd蚀刻制程的面板品质虚拟量测方法与系统
TWI451336B (zh) 2011-12-20 2014-09-01 Univ Nat Cheng Kung 預測模型之建模樣本的篩選方法及其電腦程式產品
US9053185B1 (en) 2012-04-30 2015-06-09 Google Inc. Generating a representative model for a plurality of models identified by similar feature data
US8914500B1 (en) 2012-05-21 2014-12-16 Google Inc. Creating a classifier model to determine whether a network user should be added to a list
US8886575B1 (en) 2012-06-27 2014-11-11 Google Inc. Selecting an algorithm for identifying similar user identifiers based on predicted click-through-rate
US9153506B2 (en) 2012-07-06 2015-10-06 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for through silicon via yield
US8874589B1 (en) 2012-07-16 2014-10-28 Google Inc. Adjust similar users identification based on performance feedback
US8782197B1 (en) * 2012-07-17 2014-07-15 Google, Inc. Determining a model refresh rate
TWI463334B (zh) 2012-07-20 2014-12-01 Univ Nat Cheng Kung 標的裝置的基底預測保養方法與其電腦程式產品
US8886799B1 (en) 2012-08-29 2014-11-11 Google Inc. Identifying a similar user identifier
TWI481978B (zh) * 2012-11-05 2015-04-21 Univ Nat Cheng Kung 工具機之加工品質的預測方法
US9164398B2 (en) * 2013-02-27 2015-10-20 Taiwan Semiconductor Manufacturing Co., Ltd. Overlay metrology method
TWI461723B (zh) * 2013-10-11 2014-11-21 Univ Nat Taiwan 超音波聲速校正方法
TWI499880B (zh) * 2013-12-04 2015-09-11 Metal Ind Res & Dev Ct 製造執行系統及其調校製程參數的方法
TWI521360B (zh) 2014-03-26 2016-02-11 國立成功大學 量測抽樣方法與其電腦程式產品
TWI641934B (zh) 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
US20160274570A1 (en) * 2015-03-18 2016-09-22 United Microelectronics Corp. Method of virtual metrology using combined models
TWI539298B (zh) 2015-05-27 2016-06-21 國立成功大學 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
US10935962B2 (en) 2015-11-30 2021-03-02 National Cheng Kung University System and method for identifying root causes of yield loss
CN105511944B (zh) * 2016-01-07 2018-09-28 上海海事大学 一种云系统内部虚拟机的异常检测方法
KR20170118520A (ko) 2016-04-15 2017-10-25 삼성전자주식회사 인터페이스 뉴럴 네트워크
CN108090241B (zh) * 2016-11-23 2021-08-17 财团法人工业技术研究院 连续性工艺的趋势变量鉴定方法与系统
TWI625615B (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
US10413984B2 (en) 2016-12-08 2019-09-17 Metal Industries Research & Development Centre Method for predicting precision of electrical discharge machine
TWI614699B (zh) * 2016-12-30 2018-02-11 國立成功大學 大量客製化產品的品質預測方法
DE112017005640T5 (de) * 2017-07-31 2019-08-22 Mitsubishi Electric Corporation Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren
TWI660322B (zh) 2018-05-17 2019-05-21 國立成功大學 考慮機台交互作用之辨識良率損失原因的系統與方法
CN109063366B (zh) * 2018-08-22 2022-12-23 深圳市建筑科学研究院股份有限公司 一种基于时间和空间加权的建筑性能数据在线预处理方法
TWI747053B (zh) 2018-10-03 2021-11-21 國立成功大學 積層製造系統與方法及特徵擷取方法
US11383450B2 (en) 2018-10-03 2022-07-12 National Cheng Kung University Additive manufacturing system and method and feature extraction method
TWI829807B (zh) 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式
TWI708197B (zh) 2019-04-26 2020-10-21 國立成功大學 生產機台組件的預測保養方法與其電腦程式產品
CN110414567B (zh) * 2019-07-01 2020-08-04 阿里巴巴集团控股有限公司 数据处理方法、装置和电子设备
US11415898B2 (en) * 2019-10-14 2022-08-16 Kla Corporation Signal-domain adaptation for metrology
TWI742709B (zh) 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
TWI776444B (zh) * 2020-07-23 2022-09-01 國立成功大學 使用卷積神經網路的虛擬量測方法及其電腦程式產品
TWI763111B (zh) * 2020-11-05 2022-05-01 宇曜智能股份有限公司 模擬控制系統及模擬控制方法
US11841772B2 (en) * 2021-02-01 2023-12-12 Dell Products L.P. Data-driven virtual machine recovery

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282767A1 (en) 2006-05-10 2007-12-06 Fan-Tien Cheng Method for Evaluating Reliance Level of a Virtual Metrology System

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7067333B1 (en) * 2002-06-28 2006-06-27 Advanced Micro Devices, Inc. Method and apparatus for implementing competing control models
TWI267012B (en) 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
TWI269990B (en) 2005-02-04 2007-01-01 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes with generic embedded devices
TW200745895A (en) 2006-06-07 2007-12-16 Powerchip Semiconductor Corp Method and system for virtual metrology prediction and prediction model building in semiconductor manufacture
US8682466B2 (en) * 2007-05-04 2014-03-25 Taiwan Semiconductor Manufacturing Company, Ltd. Automatic virtual metrology for semiconductor wafer result prediction

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070282767A1 (en) 2006-05-10 2007-12-06 Fan-Tien Cheng Method for Evaluating Reliance Level of a Virtual Metrology System

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102324230B1 (ko) * 2020-09-29 2021-11-10 서울대학교산학협력단 분광기반 토양성분 예측 방법 및 시스템, 이를 구현하는 프로그램매체

Also Published As

Publication number Publication date
TWI349867B (en) 2011-10-01
US20090292386A1 (en) 2009-11-26
US8095484B2 (en) 2012-01-10
KR20090121177A (ko) 2009-11-25
TW200949596A (en) 2009-12-01
JP2009282960A (ja) 2009-12-03
JP4914457B2 (ja) 2012-04-11

Similar Documents

Publication Publication Date Title
KR101098037B1 (ko) 자동 가상 계측 시스템 및 방법
US9829415B2 (en) Metrology sampling method and computer program product thereof
KR101930420B1 (ko) 샘플링 비율 결정 기법에 의한 계측 샘플링 방법 및 그 컴퓨터 프로그램 제품
CN111108362A (zh) 异常声音探测装置、异常模型学习装置、异常探测装置、异常声音探测方法、异常声音生成装置、异常数据生成装置、异常声音生成方法以及程序
CN116757534A (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
US20080306625A1 (en) Dual-phase virtual metrology method
CN112204586A (zh) 推定系统、推定方法和推定程序
CN116451514A (zh) 桥梁结构状态评估方法、装置以及电子设备
CN113822499A (zh) 一种基于模型融合的列车备件损耗预测方法
CN117216481A (zh) 一种用于电器的远程监控方法及系统
CN101598754B (zh) 自动虚拟计量的系统及方法
CN110533109A (zh) 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN101320258B (zh) 利用双阶段虚拟测量系统的虚拟测量方法
CN111275059A (zh) 一种图像处理方法、装置和计算机可读存储介质
CN102262188B (zh) 工件抽样检验的方法
Wen et al. A Novel Bayesian Update Method for Parameter Reconstruction of Remaining Useful Life Prognostics
KR20230165997A (ko) 분석/예측에 최적화된 시계열 데이터와 인공지능모듈 제공 방법
KR20230165995A (ko) 시계열 데이터를 이용한 분석/예측에 최적화된 인공지능모듈 제공 방법
KR20230165996A (ko) 인공지능 기반 분석/예측에 최적화된 시계열 데이터 제공 방법
CN117093896A (zh) 一种基于组合数据驱动模型的热泵系统故障诊断方法
KR20230166000A (ko) 시계열 분석/예측을 이용한 서비스 현장 제어 방법
KR20230166001A (ko) 인공지능을 이용한 서비스 현장 제어 방법
CN116124455A (zh) 基于传感数据退化建模的飞机发动机多失效模态预测方法
KR20230166002A (ko) 서비스 현장의 장치 제어 방법
CN112561117A (zh) 一种电缆线路前端多状态量融合预测方法及装置

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20141022

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20171106

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20190104

Year of fee payment: 17