KR101755746B1 - 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템 - Google Patents

반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템 Download PDF

Info

Publication number
KR101755746B1
KR101755746B1 KR1020127022558A KR20127022558A KR101755746B1 KR 101755746 B1 KR101755746 B1 KR 101755746B1 KR 1020127022558 A KR1020127022558 A KR 1020127022558A KR 20127022558 A KR20127022558 A KR 20127022558A KR 101755746 B1 KR101755746 B1 KR 101755746B1
Authority
KR
South Korea
Prior art keywords
recipe
component
data
tool
output
Prior art date
Application number
KR1020127022558A
Other languages
English (en)
Other versions
KR20120123493A (ko
Inventor
산지브 카우살
수케쉬 자누바이 파텔
겐지 스기시마
Original Assignee
도쿄엘렉트론가부시키가이샤
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 도쿄엘렉트론가부시키가이샤 filed Critical 도쿄엘렉트론가부시키가이샤
Publication of KR20120123493A publication Critical patent/KR20120123493A/ko
Application granted granted Critical
Publication of KR101755746B1 publication Critical patent/KR101755746B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/123—DNA computing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising

Landscapes

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

Abstract

제조 툴의 성능을 최적화하는 시스템(들) 및 방법(들)이 제공된다. 최적화는 제품 출력 메트릭들 및 입력 재료 측정치(들) 및 레시피 파라미터들 간의 관계들을 캡처하는 레시피 드리프팅 및 지식의 생성에 의존한다. 최적화된 레시피 파라미터들은 제조 툴의 현재 상태에 대한 출력 메트릭들 및 입력 재료(들)의 측정치(들)을 예측하는 학습된 함수들을 근거로 추출된다. 드리프팅 (Drifting) 및 학습은, 툴 변경들의 동작 조건들로서 제조 툴로부터의 최적화된 출력을 가능하게 하는 툴 성능의 동적 최적화에 관련되고 그러한 동적 최적화를 야기한다. 레시피 드리프팅 및 연관된 학습의 특징들은 자율적으로 또는 적절한 사용자 인터페이스들을 통해 외부적으로 구성될 수 있으며, 이 사용자 인터페이스들은 또한 최종-사용자 상호작용을 최적화하기 위해 드리프트될 수 있다.

Description

반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템{METHOD AND SYSTEM FOR SELF-LEARNING AND SELF-IMPROVING A SEMICONDUCTOR MANUFACTURING TOOL}
관련 출원에 대한 상호 참조
본 출원은 2010년 1월 29일자로 출원되고 발명 명칭이 "METHOD AND SYSTEM FOR SELF-LEARNING AND SELF-IMPROVING A SEMICONDUCTOR MANUFACTURING TOOL" 인 미국 특허출원 제12/697,121호를 우선권 주장하며, 그 전체는 참조에 의해 여기에 통합된다. 게다가, 본 출원은 발명의 명칭이 "AUTONOMOUS BIOLOGICALLY BASED LEARNING TOOL" 인 2008년 3월 8일자로 출원된 미국 특허출원 제12/044,958호의 일부계속출원이다. 본 출원은 또한 발명 명칭이 "AUTONOMOUS ADAPTIVE SEMICONDUCTOR MANUFACTURING" 인 2008년 3월 8일자로 출원된 미국 특허출원 제12/044,959호에 관련된다. 이들 출원들 전체는 참조에 의해 여기에 통합된다.
기술적 진보는 점점 더 복잡한 프로세스-구동 자동화 장비를 야기시켜 왔다. 특정 목표를 달성하거나 특정 고도의 기술적 프로세스를 수행하기 위한 툴 시스템은 목표를 달성하거나 프로세스를 성공적으로 실행하기 위한 다수의 기능적 요소들, 및 자동화 장비의 동작을 모니터링하기 위해 데이터를 수집하는 다양한 센서들을 통상 포함할 수 있다. 이러한 자동화 장비는 방대한 양의 데이터를 생성할 수 있다. 데이터는 특정 태스크의 일부로서 수행된 제품 또는 서비스에 관련된 상당한 정보를 포함할 수 있지만, 또한, 프로세스 그 자체의 실행에 관련된 상당한 크기의 로그 정보를 포함할 수 있다.
현대의 전자 저장 기술들은 일정하게 증가하는 양의 데이터를 보존할 수 있지만, 축적된 데이터의 활용은 전혀 최적화되어 있지 않다. 수집된 정보의 검사 및 해석은 일반적으로 사람의 개입을 요구하며, 다중-코어 프로세서들, 대규모 병렬 플랫폼들 및 프로세서 그리드들과 같은 컴퓨팅 파워에서의 진보 뿐만 아니라 객체-지향 프로그래밍, 모듈라 코드 재사용, 웹 기반 애플리케이션들 및 가장 최근의 양자 컴퓨팅과 같은 컴퓨팅 패러다임에서의 진보 동안, 수집된 데이터의 처리는, 데이터를 처리하는 비-자율적인 정적 프로그래매틱 (programmatic) 엔터프라이즈인 것으로 남아 있다. 더 중요하게는, 비-자율적 데이터 처리에서, 데이터는 분석 프로세스 그 자체를 구동하지 못한다. 이러한 데이터 처리 패러다임의 결과로서, 고도의 기술적인 프로세스 동안 자동화 장비에서 생성된 데이터 중에 존재할 수 있는 많은 풍부한 관계들은, 특정 분석이 특정 유형의 관계에 대해 설계되고 그 관계에 포커싱되지 않는 한 인지되지 않을 수 있다. 더 중요하게는, 장비 내의 이종의 유닛들에 의해 생성된 이종의 데이터 간의 다수의 상관들 (correlations) 로부터 비롯될 수 있고 복잡한 자동화 툴 또는 머신의 최적의 성능을 결정할 수 있는 새로운 현상은 인지되지 않은 채로 남아 있을 수 있다.
또한, 머신에서 수행된 프로세스와 연관된 변수들과 데이터 간의 다양한 상관들은 툴들 또는 머신들의 세트의 실제 동작 성능에 관련된 상당한 정보를 전달할 수 있다. 툴들의 세트의 합성 동작 동안에 특정 교정 상관들 (calibration correlations) 이 개발될 수 있고, 이종의 생산 상관들 (production correlations) 이 생산 모드에서의 동작의 결과로서 개발될 수 있다는 것을 알아야 한다. 이러한 상관들에서의 불일치 (disparity) 가 툴의 조정 또는 진화 (예컨대, 미리규정된 조건들 밖에서의 기구의 이용과 같은 동작에서의 마모, 결함(들) 등) 로부터 발생할 수 있다. 프로세스에서의 하나 이상의 기구들의 성능을 모니터링하는 기존의 시스템들 및 접근법들은 이러한 생산 상관들을 캡처 및 활용하지 못하는 데이터를 일반적으로 이용한다.
이하에서는 본 발명의 몇몇 양태들의 기본적인 이해를 제공하기 위해 본 발명의 간략화된 요약을 제시한다. 이 요약은 본 발명의 광범위한 개관은 아니다. 그것은 본 발명의 핵심 또는 중요한 요소들을 식별하고자 의도된 것도, 본 발명의 범위를 정확하게 서술하고자 의도된 것도 아니다. 본 요약의 유일한 목적은 이후에 제시되는 더욱 상세한 설명에 대한 도입부로서 간략화된 형태로 본 발명의 몇몇 개념들을 제시하는 것이다.
제조 툴의 성능을 최적화하는 시스템(들) 및 방법(들)이 제공된다. 최적화는 제품 출력 메트릭(들) 및 입력 재료 측정치(들) 및 레시피 파라미터들 간의 관계들을 캡처하는 레시피 드리프팅 및 지식의 생성에 의존한다. 제조 툴의 특정 프로세스들 또는 서브-시스템(들)에 대한 최적화된 레시피 파라미터들은, 제조 툴의 현재 상태 및 입력 재료(들)의 측정치들에 대한 출력 메트릭들을 예측하는 학습된 함수들의 기초로부터 추출된다; 최적의 또는 거의-최적의 레시피 파라미터들은 역문제 (inverse problem) 접근법들을 통해 결정될 수 있다. 드리프팅 (Drifting) 및 학습은, 툴 변경들의 동작 조건들로서 제조 툴로부터의 최적화된 출력을 가능하게 하는 툴 성능의 동적 최적화에 관련되고 동적 최적화에 이르게 한다. 레시피 드리프팅 및 연관된 학습의 특징들은 자율적으로 또는 적절한 사용자 인터페이스들을 통해 외부적으로 구성될 수 있으며, 이 사용자 인터페이스들은 또한 최종-사용자 상호작용을 최적화하기 위해 드리프팅될 수 있다.
일 양태에서, 레시피 드리프트 컴포넌트는 증분적으로 조정된 레시피들의 세트를 생성한다. 생물학 기반 자율 학습 툴 시스템은 입력 측정치 및 레시피 파라미터들을 출력 메트릭들과 관련시키는 학습된 예측 함수들의 세트를 생성한다. 자율적 최적화 컴포넌트는 제조된 제품에 대한 입력 재료 측정치(들)의 세트 및 애셋 (asset) 타겟 메트릭들의 세트를 전제로 레시피 파라미터들의 세트를 추출하기 위해 역문제를 해결한다.
생물학 기반 자율 학습 툴 시스템은, (i) 특정 태스크, 예를 들어, 산화물 식각 또는 이온 주입과 같은 반도체 제조 태스크, 또는 공정을 수행하고, 공정 및 툴 성능을 반영하는 데이터를 생성하는 개별 시스템 또는 계층적으로 배치된 그룹 및 복합화된 시스템들 중 어느 하나인 하나 이상의 툴 시스템들, (ii) 데이터를 수신하고 추가적인 이용을 위해 그 데이터를 패키징하는 상호작용 관리기, 및 (iii) 생물학적 학습 원리들에 기초한 자율 학습 시스템을 포함하며, 이러한 학습은 의미론적 네트워크의 세트에서의 개념들의 확산 활성화를 통해 구현된다. 자율 학습 시스템은 일 그룹의 3 개의 기능적 블록들, 즉, 메모리 플랫폼, 처리 플랫폼, 및 지식 통신 네트워크로부터 재귀적으로 (recursively) 정의될 수 있는 기능적 구조를 포함하며, 지식 통신 네트워크를 통해, 메모리 플랫폼 및 처리 플랫폼 뿐만 아니라 툴 시스템 및 외부 액터 (actor) (예컨대, 컴퓨터 또는 휴먼 에이전트 (human agent)) 사이에서 정보가 통신된다. 메모리 플랫폼은, 데이터 임프레션 (impression) 들 및 연관된 학습 명령들을 수신하기 위한 에피소드 (episodic) 메모리, 지식 개발을 위해 이용되는 단기 (short term) 메모리, 및 지식을 저장하여 그 지식을 의미론적 네트워크 내로 캐스팅하는 장기 (long term) 메모리를 구비하는, 메모리들의 계층을 포함한다. 처리 플랫폼에서의 기능적 유닛들은 메모리 플랫폼에 저장된 정보에 대해 동작하여, 학습을 용이하게 한다. 블록들 및 연관된 기능을 이렇게 구축하는 것은 사람 뇌의 생물학적 구조 및 거동 (behavior) 에 의해 영감을 받는다.
전술한 내용 및 관련 목표들의 달성을 위해, 다음의 설명 및 첨부된 도면들이 본 개시물의 소정의 예시적인 양태들을 상세히 설명한다. 그러나, 이들 양태들은, 본 개시물의 원리들이 이용될 수도 있는 다양한 방식들 중 몇몇만을 나타내며, 청구된 요지는 모든 이러한 양태들 및 그들의 등가물들을 포함하는 것으로 의도된다. 본 개시물의 다른 이점들 및 신규한 특징들은, 도면들과 연계하여 고려될 때 본 개시물의 다음의 상세한 설명으로부터 명백해질 것이다.
도 1은 본 명세서에서 설명되는 양태들에 따른 생물학 기반 자율 학습 툴의 상위 레벨 블록도를 도시한다.
도 2는 본 명세서에서 설명되는 양태들에 따른 콘텍스트 목표 적응 (contextual goal adaptation) 을 도시한 다이어그램이다.
도 3은 본 명세서에서 설명되는 양태에 따른 예시적인 생물학 기반 자율 학습 툴의 상위 레벨 블록도를 도시한다.
도 4는 본 명세서에서의 양태들에 따른 생물학 기반 자율 학습 시스템을 활용할 수 있는 예시적인 반도체 제조용 툴 시스템의 다이어그램이다.
도 5는 본 개시물의 양태들에 따른 생물학 기반 자율 학습 시스템의 예시적인 아키텍처의 상위 레벨 블록도를 도시한다.
도 6a 및 도 6b는 본 명세서에서 설명되는 양태들에 따른 예시적인 오토봇 컴포넌트 및 예시적인 오토봇 아키텍처를 각각 도시한다.
도 7은 본 개시물의 양태에 따른 생물학 기반 자율 학습 시스템의 자기-인식 컴포넌트의 예시적인 아키텍처를 도시한다.
도 8은 본 명세서에서 설명되는 양태들에 따른 인식 작업 메모리에서 동작하는 에시적인 오토봇들의 다이어그램이다.
도 9는 본 명세서에서 설명되는 양태에 따른 생물학 기반 자율 학습 시스템의 자기-개념화 컴포넌트의 예시적인 실시형태를 도시한다.
도 10은 본 명세서에서 설명되는 양태들에 따른 생물학 기반 자율 학습 시스템에서의 자기-최적화 컴포넌트의 예시적인 실시형태를 도시한다.
도 11a 및 11b는 본 명세서에서 설명되는 양태들에 따른 예시적인 진화 툴 시스템들의 블록도들이다.
도 12는 본 개시물의 양태들에 따른 자율적 최적화 컴포넌트의 예시적인 실시형태의 블록도이다.
도 13은 본 명세서에서 설명되는 양태들에 따른 레시피 드리프트 컴포넌트의 예시적인 실시형태의 블록도이다.
도 14는 본 명세서에서 설명되는 양태들에 따른 드리프팅을 통한 레시피 적응의 다이어그램을 표시한다.
도 15는 본 개시물의 양태들에 따른 상호작용 관리기의 예시적인 실시형태를 표시한다.
도 16은 본 명세서에서 설명되는 양태들에 따른 툴 시스템의 드리프팅 및 연관된 지식 생성을 적어도 부분적으로 통제하기 위해 렌더링될 수 있는 예시적인 사용자 인터페이스이다.
도 17은 본 명세서에서 설명되는 양태들에 따른 생물학 기반 자율 학습을 위한 예시적인 방법의 흐름도를 나타낸다.
도 18은 본 명세서에서 언급되는 양태에 따른 지식을 생성하는 예시적인 방법의 흐름도를 나타낸다.
도 19는 본 명세서에서 설명되는 양태들에 따른 추론을 통해 지식을 생성하는 예시적인 방법의 흐름도를 나타낸다.
도 20은 본 명세서에서 설명되는 양태들에 따른 애셋을 생산하는, 예컨대 제조하는 하나 이상의 툴들에 의해 생성된 생산 데이터와 연관된 변수들의 세트 중의 관계를 학습하는 예시적인 방법의 흐름도를 나타낸다.
도 21은 본 명세서에서 설명되는 양태들에 따른 제조 레시피를 드리프팅하는 예시적인 방법의 흐름도이다.
도 22는 본 명세서에서 설명되는 양태들에 따른 제품 출력을 위한 타겟 사양(들)으로 제품을 제작하기 위해 진화된 레시피를 생성하는 예시적인 방법의 흐름도이다.
도 23은 본 명세서에서 설명되는 양태들에 따른 제조 레시피 및 제품 출력에서의 입력 변수(들) 및 파라미터(들) 간의 예측 함수 관계를 자율적으로 생성하는 예시적인 방법의 흐름도를 표시한다.
이제 본 발명이 도면들을 참조하여 설명되며, 유사한 참조 부호들은 명세서 전반에 걸쳐 유사한 요소들을 지칭하기 위해 사용된다. 다음의 설명에서, 설명의 목적을 위해, 다수의 특정 세부사항들이 본 발명의 완전한 이해를 제공하기 위해 언급된다. 그러나, 본 발명은 이러한 특정 세부사항들 없이도 실용화될 수도 있다는 것은 명백할 수도 있다. 다른 예시들에서, 주지의 구조들 및 디바이스들은 본 발명의 설명을 용이하게 하기 위해 블록도 형태로 보여진다.
본 명세서 및 도면들에서 사용된 바와 같이, "객체", "모듈", "인터페이스", "컴포넌트", "시스템", "플랫폼", "엔진", "선택기", "관리기", "유닛", "저장소 (store)", "네트워크", "생성기" 등의 용어들은 특정 기능을 갖는 동작 머신 또는 장치에, 또는 그것의 부분에 관련된 엔티티 또는 컴퓨터 관련 엔티티를 지칭하는 것으로 의도되며, 이러한 엔티티들은, 하드웨어, 하드웨어 및 펌웨어의 조합, 펌웨어, 하드웨어 및 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어 중 어느 하나일 수 있다. 또한, 전술한 용어들을 통해 식별된 엔티티(들)는 본 명세서에서는 "기능적 요소들 (functional elelemts)" 로서 통칭된다. 일 예로, 컴포넌트는, 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행가능물, 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만 이에 제한되지는 않는다. 예시로서, 서버 상에서 실행중인 애플리케이션과 서버 양자가 컴포넌트일 수 있다. 하나 이상의 컴포넌트들이 프로세스 및/또는 실행 스레드 내에 상주할 수도 있으며, 일 컴포넌트는 하나의 컴퓨터 상에 국소배치될 수도 있고/있거나 2 개 이상의 컴퓨터들 간에 분산배치될 수도 있다. 또한, 이들 컴포넌트들은, 다양한 데이터 구조들이 저장된 다양한 컴퓨터 판독가능 저장 매체로부터 실행할 수 있다. 컴포넌트들은 (예컨대, 로컬 시스템, 분산형 시스템 내의 다른 컴포넌트와 상호작용하고, 및/또는 인터넷과 같은 네트워크를 가로질러 신호를 통해 다른 시스템들과 상호작용하는 하나의 컴포넌트로부터의 데이터와 같은) 하나 이상의 데이터 패킷들을 갖는 신호를 따르는 것과 같이 로컬 및/또는 원격 프로세스들을 통해 통신할 수도 있다. 일 예로, 컴포넌트는 프로세서에 의해 실행되는 소프트웨어 또는 펌웨어 애플리케이션에 의해 동작되는, 전기 또는 전자 회로에 의해 동작되는 기계적 부분들에 의해 제공된 특정 기능을 갖는 장치일 수 있고, 프로세서는 장치의 내부 또는 외부에 있을 수 있고 목표를 추구면서 적어도 tem 360) 을 실행할 수 있다. 에피소드를 식별하는 액터는 휴먼 에이전트, 이를 테면 프로세스 엔지니어, 기계적 부분들 없이 전자 컴포넌트들을 통한 특정 기능일 수 있고, 전자 컴포넌트들은 전자 컴포넌트들의 기능을 적어도 부분적으로 부여하는 소프트웨어 또는 펌웨어를 실행하는 프로세서를 그 내부에 구비할 수 있다. 인터페이스(들)는 입력/출력 (I/O) 컴포넌트들 뿐만 아니라 연관된 프로세서(들), 애플리케이션(들), 또는 API (Application Program interface) 컴포넌트(들)를 포함할 수 있다. 위에 제시된 예들은 컴포넌트를 위한 것이지만, 예시화된 특징들 또는 양태들은 객체, 모듈, 인터페이스, 시스템, 플랫폼, 엔진, 선택기, 관리기, 유닛, 저장소, 네트워크 등에도 적용할 수 있다.
더욱이, 용어 "또는" 은 배타적인 "또는" 보다는 포괄적인 "또는" 을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥으로부터 명확하지 않으면, "X는 A 또는 B를 채용한다" 는 임의의 자연 포괄적 순열 (natural inclusive permutation) 을 의미하는 것으로 의도된다. 다시 말하면, X가 A를 채용하거나; X가 B를 채용하거나; 또는 X가 A 와 B 양자를 채용하면, 상기 경우들 중 어느 경우 하에서도 "X는 A 또는 B를 채용한다" 가 충족된다. 또한, 본 출원 및 첨부된 청구항들에서 사용되는 바와 같이, 관사 "a" 및 "an" 은 달리 특정되지 않거나 또는 문맥으로부터 단수형인 것이 명확하지 않다면, 일반적으로 "하나 이상" 을 의미하는 것으로 해석되어야 한다.
더욱이, 여기서 채용되는 용어 "세트" 는 빈 (empty) 세트, 예컨대 요소들을 갖고 있지 않는 세트를 배제한다. 따라서, 본 개시물에서의 "세트" 는 하나 이상의 요소들 또는 엔티티들을 포함한다. 예시로서, 컴포넌트들의 세트는 하나 이상의 컴포넌트들을 포함하고; 변수들의 세트는 하나 이상의 변수들을 포함하며; 등등이다.
다양한 양태들 또는 특징들이 다수의 디바이스들, 컴포넌트들, 모듈들 등을 포함할 수도 있는 시스템들의 관점에서 제시될 것이다. 다양한 시스템들이 부가적인 디바이스들, 컴포넌트들, 모듈들 등을 구비할 수도 있고/있거나 도면들에 관련하여 논의되는 디바이스들, 컴포넌트들, 모듈들 등 모두를 구비하지 않을 수도 있다는 것이 이해되고 인정될 것이다. 이들 접근법들의 조합이 또한 이용될 수 있다.
도면들을 참조하면, 도 1은 본 명세서에서 설명되는 양태들에 따른 예시적인 생물학 기반 자율 학습 시스템 (100) 을 도시한다. 적응적 추론 엔진 (110) 은 목표 컴포넌트 (120) 에 커플링된다. 유선 또는 무선 통신 링크 (115) 가 이러한 컴포넌트들을 커플링시킨다. 목표 컴포넌트 (120) 에 의해 확립되거나 추구되는 특정 목표에 대해, 적응적 추론 컴포넌트 (110) 는 목표를 달성하는데 채용될 수 있는 입력 (130) 을 수신하고, 추구되거나 또는 달성되는 목표의 양태들을 표현 또는 레코딩할 수 있는 출력 (140) 을 운반한다. 또한, 적응적 추론 엔진 (110) 은 링크 (155) 를 통해 데이터 저장소 (150) 로부터 데이터를 수신할 수 있고, 이러한 데이터 저장소에 데이터 또는 정보를 저장할 수 있으며, 예를 들어, 저장된 정보는 유선 또는 무선 링크 (165) 를 통해 운반되는 출력 (140) 의 일부일 수 있다. (i) 입력 (130), 출력 (140), 및 데이터 저장소 (150) 내의 데이터 (뿐만 아니라, 입력, 출력, 및 데이터 저장소 내의 데이터의 이력) 가 적응적 추론 엔진 (110) 의 동작에 대한 콘텍스트를 포함하고, (ii) 그 콘텍스트의 링크들 (115, 155, 및 165) 을 통한 엔진으로의 피드백이 콘텍스트에 기초한 적응을 용이하게 한다는 것을 알아야 한다. 특히, 목표 컴포넌트 (120) 는, 특정 초기 목표에 적응하도록 피드백 콘텍스트를 활용할 수 있으며, 이에 따라 적응된 목표를 확립 및 추구할 수 있다.
입력 (130) 은, (1) 사운드, 예컨대, 음성 커맨드들, 환경 잡음들 또는 음성들, 알람들; (2) 정적 또는 모바일 지구-기반 카메라, 또는 에어본 (airborne) (예컨대, 비행기, 위성) 카메라 (여기서 카메라들은 방사 스펙트럼의 다중 간격들로 동작할 수 있다) 에 의해 캡처된 이미지들; (3) 생체 (biometric) 표시자들; (4) 제조된 제품들, 재료들의 샘플들의 배치들 (batches) 과 같은 토큰들; 명령들, 레코드들, 측정 결과들을 포함할 수 있는 데이터 등을 포함할 수 있는, 외재적 (extrinsic) 데이터 또는 정보로서 간주될 수 있다. 출력 (140) 은 입력 (130) 과 성질상 실질적으로 동일할 수 있고, 내재적 (intrinsic) 데이터로서 간주될 수 있다. 입력 및 출력 (140) 은, 적응적 추론 컴포넌트 (110) 에 상주할 수 있는, 입력 및 출력 인터페이스들, 예를 들어, 카메라들, 입력 패드들, 미디어 도크들 (docks) (예컨대, 범용 직렬 버스 (USB) 포트들, 적외선 (IR) 무선 입력들) 에 의해 각각 수신 및 운반될 수 있다. 위에서 나타낸 바와 같이, 입력 (130) 및 출력 (140) 은 적응적 추론 엔진 (110) 에 대한 콘텍스트의 일부일 수 있다. 부가적으로, 적응적 추론 컴포넌트 (110) 는 목표를 추구하는 결과로서 입력 (130) 을 요청할 수 있다.
생물학 기반 자율 학습 시스템 (100) 내의 컴포넌트들은 재귀적으로 정의될 수 있으며, 기본적인 엘리멘터리 컴포넌트들을 갖는 상당한 정도의 적합한 학습 복잡도를 자율 학습 시스템 (100) 에 부여할 수 있다.
각각의 링크 (115, 155, 또는 165) 는, 송신 또는 수신될 데이터 또는 정보의 조작을 용이하게 할 수 있고; 데이터 저장 및 데이터 마이닝 (mining) 을 위해 데이터베이스들을 이용할 수 있으며; 액터로부터 정보를 수신하고 그 정보를 액터로 운반할 수 있는 통신 인터페이스를 포함할 수 있다. 링크들 (115, 155, 또는 165) 의 유선 실시형태들은 트위스트 페어 라인, T1/E1 전화선, AC 라인, 광섬유 라인, 및 대응하는 회로를 포함할 수 있는 반면, 무선 실시형태들은 울트라 모바일 광대역 링크, LTE (long-term evolution) 링크, 또는 IEEE 802.11 링크, 및 연관된 전자기기를 포함할 수 있다. 데이터 저장소 (150) 에 관하여, 그것이 단일 요소로서 도시되었지만, 분산형 데이터 웨어하우스일 수 있으며, 데이터 메모리들의 세트는 이종의 물리적 또는 논리적 위치들에 배치된다.
예시적인 시스템 (100) 에서는, 적응적 추론 엔진 (110) 및 목표 컴포넌트 (320) 가 별개의 컴포넌트들로서 도시되지만, 이러한 컴포넌트들 중 하나의 컴포넌트가 다른 컴포넌트 내에 상주할 수 있음을 알아야 한다.
목표 컴포넌트 (120) 는 하나 이상의 분야 (discipline) 들 (예컨대, 과학적 분야, 상업적 분야, 예술적 분야, 문화적 분야 등) 또는 엔터프라이즈 부문들 (예컨대, 마켓 부문, 산업 부문, 연구 부문, 에너지 부문, 공공 정책 부문 등) 에 속할 수 있다. 부가적으로, 목표들이 보통은 여러 전문 분야에 걸쳐 있을 수 있고 다수의 마켓들에 포커싱할 수 있으므로, 목표 컴포넌트는 하나 이상의 특정 분야들 또는 부문들 내에서 다수의 이종의 목표들을 확립할 수 있다. 목표를 추구하기 위해, 목표 컴포넌트는 기능적 컴포넌트 및 모니터 컴포넌트를 포함할 수 있다. 목표를 달성하기 위한 특정 동작들은 기능적 컴포넌트(들)를 통해 실시되지만, 목표의 달성에 관련된 변수들의 조건들은 모니터 컴포넌트에 의해 결정된다. 부가적으로, 기능적 컴포넌트(들)는, 목표 컴포넌트 (120) 에 의해 달성될 수 있는 목표들의 공간을 결정할 수 있다. 목표들의 공간은, 특정 기능으로 획득될 수 있는 실질적으로 모든 목표들을 포함한다. 기능적 컴포넌트에 의해 제공된 이러한 특정 기능에 대해, 특정 목표의 콘텍스트 적응 (contextual adaptation) 이 목표들의 공간 내에서 제 1 목표를 제 2 목표에 적응시킬 수 있다는 것을 알아야 한다. 목표들의 공간 내의 초기 목표는 하나 이상의 액터들에 의해 결정될 수 있으며; 여기서, 액터는 머신 또는 디바이스, 또는 휴먼 에이전트 (예컨대, 최종 사용자) 일 수 있다. 초기 목표는 일반적인 상위 레벨 목적일 수 있는데, 적응적 추론 엔진 (110) 이 목표 드리프팅을 통해 복잡하고 상세한 목적을 향해 목표 컴포넌트 (120) 를 구동시킬 수 있다는 점에 유의해야 한다. 목표들, 목표 컴포넌트들 및 목표 적응이 다음에 예시된다.
예시적인 시스템 (100) 에는, 다양한 컴포넌트들의 설명된 기능을 적어도 부분적으로 부여하도록 구성된 하나 이상의 프로세서들 (미도시) 이 구비될 수 있다. 이러한 기능을 부여하기 위해, 하나 이상의 프로세서들 (미도시) 은 데이터 또는 임의의 다른 정보 교환을 위해 링크들 (155, 115, 및 165) 을 활용할 수 있다. 하나 이상의 프로세서들 (미도시) 은 예시적인 시스템 (100) 및 그 내부의 컴포넌트의 설명된 기능을 제공하도록, 데이터 저장소 (150), 또는 메모리 컴포넌트 또는 그 내부의 요소에 저장된 코드 명령들 (미도시) 을 실행할 수 있다.
도 2는 본 명세서에서의 양태들에 따른 콘텍스트 목표 적응 (contextual goal adaptation) 을 도시한 다이어그램 (200) 이다. 목표 (예컨대, 목표 2101, 또는 목표 2103) 는 보통은 목표 컴포넌트 (예컨대, 컴포넌트 120) 의 기능과 연관된 추상화물일 수 있다. 목표는 상위 레벨 추상화물, 즉, "은퇴를 위한 저축", "수익을 확보", "유희를 즐김", "요리를 학습", "현장으로 여행", "데이터베이스를 개발", "제품을 제조" 등일 수 있다. 부가적으로, 목표들은, "$60,000 내지 $80,000 범위의 연수입으로 조기 은퇴를 위한 저축", "비수기에, 숙박을 포함한 여행 비용을 $5000을 초과하지 않게 하여 미국부터 일본까지 여행", 또는 "잡 인터뷰 사이트에 도달하여 미래의 고용주인 공동 경영자 그룹에 35분의 프리젠테이션을 전달" 과 같은 더 특정한 세분일 수 있다. 더욱이, 목표 (예컨대, 2101) 는 연관된 콘텍스트 (예컨대, 2201) 를 소유한다. 위에서 나타낸 바와 같이, 일반적으로 적응적 추론 엔진 (110) 에 커플링된 목표 컴포넌트 (120) 는 확립된 목표 (예컨대, 목표 2101, 또는 목표 2103) 과 양립가능하다. 예를 들어, "제품을 제조" 라는 목표 (예컨대, 목표 2101) 는, 그 제품을 제조하기 위한 표준 또는 주문 (custom) 사양들을 채택하는 분자빔 에피택시 (epitaxy) 반응기 (예시적인 목표 컴포넌트 (120)) 와 같은 제조 툴 시스템에 의존할 수 있다. 이러한 목표 (예컨대, 목표 2101) 의 달성 동안, 출력 (140) 은 제조된 제품을 포함할 수 있다. 또한, 적응적 추론 컴포넌트 (예컨대, 컴포넌트 110) 는, 목표 컴포넌트 내의 모니터 컴포넌트에 의해 수집된 데이터 또는 툴 시스템 사양들에 의해 생성될 수 있는 것과 같은 콘텍스트 (예컨대, 콘텍스트 2201) 에 기초하여, "제품을 제조" 라는 목표 (예컨대, 목표 2101) 를 적응 (예컨대, 적응 2301) 시킬 수 있다. 특히, 초기 상위 레벨 목표 (예컨대, 목표 2101) 는, "반도체 디바이스를 제조" (예컨대, 목표 2102) 하도록 적응될 수 있다. 위에서 나타낸 바와 같이, 목표 컴포넌트 (120) 는 목표를 달성하기 위해 다수의 기능적 컴포넌트들로 구성될 수 있다. 부가적으로, 목표 컴포넌트 (120) 는 모듈라 (modular) 일 수 있으며, 여기서, 목표가 적응됨에 따라 목표 서브-컴포넌트가 통합될 수 있다. 일 예로서, "제품을 제조" 라는 목표를 추구하는 목표 컴포넌트는, "분자 전자장치 컴포넌트들을 이용하는 멀티코어-프로세서를 제조" 라는 목표 (예컨대, 목표 210N) 에 적응 (예컨대, 2301) 하기 위해 다양한 마켓들에서의 마켓 조건들을 분석할 수 있는 대규모 병렬 지능형 컴퓨팅 플랫폼에 커플링된 멀티-마켓 평가 및 예상 컴포넌트를 포함할 수 있다. 이러한 적응은 다수의 중간 적응들 (2301 내지 230N-1) 뿐만 아니라 중간 적응된 목표들 (2102 내지 210N-1) 을 수반할 수 있으며, 중간의 적응은 이전에 추구된 목표들로부터 생성된 중간 콘텍스트들 (2202 내지 220N) 에 기초한다는 점에 유의해야 한다.
목표, 목표 컴포넌트 및 목표 적응의 또 다른 예시에서, 목표는 "스토어 B에서 영화 A의 DVD를 구입하는 것" 일 수 있고, 목표 컴포넌트 (120) 는 적응적 추론 엔진 (110) 을 포함하는 내비게이션 시스템을 갖춘 차량일 수 있다. (이러한 예시에서, 적응적 추론 엔진 (110) 은 목표 컴포넌트 (120) 에 상주함에 유의해야 한다). 액터 (예컨대, 차량 운전자) 는 스토어 B의 위치를 입력 또는 선택할 수 있고 목표 컴포넌트는 그 목표를 달성하기 위한 방향들을 생성할 수 있다. 액터가 스토어 B로 이동하고 있는 동안 스토어 B가 영화 A를 인벤토리에 운반하는 것을 중지했다는 입력 (130) 을 적응적 추론 엔진 (110) 이 수신하는 예시에서 (예컨대, RFID 판독기가 인벤토리 데이터베이스를 업데이트했고 업데이트 메시지가 컴포넌트 (110) 에 브로드캐스팅됨), 적응적 추론 엔진 (110) 은, (i) 영화 A를 재고로 갖는 스토어 C를 식별하기 위한 부가적인 입력 (330) 을 요청할 수 있고, (ii) 스토어 C에 도달하기 위해 액터에 이용가능한 자원들을 평가할 수 있으며, (iii) 목표를 달성할 시에 액터의 관심 레벨을 평가할 수 있다. (i) 내지 (iii) 에 예시된 바와 같이 입력 (130) 을 통해 전개되는 수정된 콘텍스트에 기초하여, 목표 컴포넌트는 "스토어 C에서 영화 A의 DVD를 구입하는 것" 이라는 목표를 적응시키기 위한 표시를 수신할 수 있다.
적응적 추론 엔진 (110) 이 목표 컴포넌트 (120) 에 의해 결정된 목표와 연관된 서브-목표들을 확립할 수 있음을 알아야 한다. 서브-목표는, 적응적 추론 엔진이 보완적인 태스크를 달성하거나 그 목표와 연관된 개념들을 학습할 수 있게 함으로써 그 목표의 달성을 용이하게 할 수 있다.
요약으로서, 생물학 기반 자율 학습 시스템 (100) 은 콘텍스트 목표 적응을 갖는 목표-구동형 시스템이다. 수신된 콘텍스트에 기초한 목표 적응이 액션가능한 정보 출력 (140) 을 생성하기 위해 입력 정보의 분석에 대한 부가적인 적응 레이어를 도입한다는 것을 알아야 한다. (a) 정보 또는 데이터 분석의 프로세스를 적응시키고 (b) 콘텍스트에 기초하여 초기 목표를 적응시키는 능력들은 시스템을 매우 적응적 또는 자율적이게 한다.
도 3은 본 개시물의 양태들에 따른 예시적인 생물학 기반 자율 학습 툴 (300) 의 상위 레벨 블록도를 도시한다. 실시형태 (300) 에서, 자율 학습 시스템은, 툴 시스템 (310) 에 자신의 특정 기능을 제공하고 단일의 기능적 툴 컴포넌트 또는 실질적으로 동일하거나 별개인 기능적 툴 컴포넌트들의 집합을 포함할 수 있는 기능적 컴포넌트(들) (315), 및 반도체 웨이퍼의 열처리와 같은 툴 시스템 (310) 에 의해 수행되는 공정에 관련된 여러 개의 관측가능한 크기들을 프로빙할 수 있고 그 공정과 연관된 하나 이상의 애셋들 (328) 을 생성하는 센서 컴포넌트(들) (325) 를 구비하는 툴 시스템 (310) (예컨대, 제조 툴 또는 처리 툴) 을 포함한다. 본 개시물에서의 애셋(들)은 가변하는 복잡도들의 제품들 또는 디바이스들을 포함할 수 있으며; 예를 들어, 애셋들 (328) 은 집적 회로들 (IC들), 플라즈마 방전 기반 플랫 패널 디스플레이(들) (FPD(들)), 유기 발광 다이오드 (OLED) 기반 FPD(들), 액정 디스플레이 (LCD) 기반 FPD(들), 또는 이들의 요소들, 예를 들면 박막 트랜지스터 능동 매트릭스 어레이, 컬러 필터들, 폴라라이저 등을 소유한 반도체 기판들을 포함할 수 있다. 수집된 하나 이상의 애셋들 (328) 은, 생산 프로세스 데이터 또는 테스트 런 (run) 데이터와 같은 데이터 애셋들을 포함할 수 있고; 이러한 데이터 애셋들은 하나 이상의 애셋들 (328) 을 수신하기 위한 인터페이스로서 기능할 수 있는 어댑터 컴포넌트 (335), 수신된 하나 이상의 애셋들 (328) 을 처리할 수 있는, 상호작용 관리기 (345) 라고도 지칭되는 상호작용 관리기 컴포넌트 (345), 및 수신되고 처리된 데이터를 저장할 수 있는 데이터베이스(들) (355) 를 포함하는 상호작용 컴포넌트 (330) 에 운반될 수 있다. 하나 이상의 애셋들 (328) 의 일부일 수 있는 데이터 애셋(들) 은 SECS (Semiconductor Equipment and Materials International Equipment Communication Standards)/GEM (Generic Equipment Model), HTTP (hypertext transfer protocol), 등과 같은 다양한 통신 프로토콜들에 따라 상호작용 컴포넌트 (330) 에 운반될 수 있다. 상호작용 컴포넌트 (330) 는, 툴 시스템 (310) 의 생물학 기반 자율 학습 엔진 (360) 과의 상호작용을 용이하게 한다. 툴 시스템 (310) 에 의해 수행된 프로세스에서 생성되는 데이터와 연관된 정보가 수신될 수 있고 생물학 기반 자율 학습 엔진 (360) 에 증분적으로 공급될 수 있다.
생물학 기반 자율 학습 엔진 (360) 은, 수신된 정보에 대해 동작할 수 있고, 처리된 정보를 지식 네트워크 (375) 를 통해 메모리 플랫폼 (365) 으로 되 통신할 수 있는 처리 플랫폼 (385) 에 지식 네트워크 (375) 를 통해 통신될 수 있는 수신된 정보 (358) (예컨대, 데이터, 변수들 및 연관된 관계들, 인과 그래프들, 템플릿들 등) 를 저장하는 메모리 플랫폼 (365) 을 구비한다. 일 양태에서, 생물학 기반 자율 학습 시스템 (360) 의 구성 컴포넌트들은 일반적으로 뇌의 생물학적 양태들을 닮을 수 있으며, 생물학적 메모리는 정보를 조작하고 지식을 생성하기 위해 생물학적 처리 컴포넌트들과 네트워킹된다. 이러한 비교, 또는 유추는 메모리 플랫폼 (365) 도 처리 플랫폼 (385) 도 생물학적 엔티티들로서 캐스팅하려고 의도한 것은 아님에 유의한다. 부가적으로, 지식 네트워크 (375) 는 상호작용 컴포넌트 (330) 로부터 정보를 수신하고 정보를 상호작용 컴포넌트 (330) 로 운반할 수 있고, 상호작용 컴포넌트 (330) 는 그 정보를 툴 시스템 (310) 에 또는 상호작용 관리기 (345) 를 통해 액터 (390) 에 통신할 수 있다. 정보 (358) 가 자율 학습 시스템 (360) 에 의해 수신, 저장, 처리 및 운반됨에 따라, 다수의 개선들이 툴 시스템 (310) 및 그것에 의존하는 액터들에서 달성될 수 있다. 즉, 개선들은 (a) 자율 학습 시스템 (360) 및 툴 시스템 (310) 이 시간이 진행함에 따라 점차 독립적으로 되어 가고 액터 개입 (예컨대, 디바이스를 통해 공급된 사람의 지시 및 감독) 을 덜 요구한다는 점, (b) 자율 학습 시스템이 액터들로의 출력들의 품질을 개선시킨다는 점 (예컨대, 고장들의 근본 원인들의 양호한 식별, 또는 고장의 발생 전에 시스템 고장의 예측), 및 (c) 자율 학습 시스템 (360) 이 시간의 경과에 따라 자신의 성능을 개선시킨다는 점, 즉, 자율 학습 시스템 (360) 이 더 적은 리소스들을 소비하면서 개선된 결과를 더 빠른 레이트로 전달한다는 점을 포함한다.
메모리 플랫폼 (365) 은, 툴 시스템 (310) 의 초기화 또는 구성 동안 수신된 지식 (예컨대, 정보 (358)) (예컨대, 사전 지식) 을 저장하도록 구성될 수 있는 기능적 메모리 컴포넌트들의 계층을 포함한다. 사전 (priori) 지식이 상호작용 컴포넌트 (330) 를 통해 정보 입력 (358) 으로서 운반될 수 있다. 또한, 메모리 플랫폼 (365) 은, (a) 툴 시스템 (310) 의 초기화/구성 후 자율 학습 시스템 (360) 을 훈련하는데 채용되는 훈련 데이터 (예컨대, 정보 입력 (358)), 및 (b) 자율 학습 시스템 (360) 에 의해 생성된 지식을 저장할 수 있으며; 그 지식은, 상호작용 컴포넌트 (330) 를 통해 상호작용 관리기 (345) 를 거쳐 툴 시스템 (310) 또는 액터 (390) 로 운반될 수 있다.
액터 (390), 예컨대, 휴먼 에이전트에 의해 공급된 정보 입력 (358) (예컨대, 데이터) 은, 프로세스와 연관된 변수를 식별하는 데이터, 2개 이상의 변수들 사이의 관계, 인과 그래프 (예컨대, 의존도 그래프), 또는 에피소드 정보를 포함할 수 있다. 이러한 정보는, 학습 프로세스에서 생물학 기반 자율 학습 시스템 (360) 을 안내하는 것을 용이하게 할 수 있다. 부가적으로, 하나의 양태에서, 이러한 정보 입력 (358) 은 액터 (390) 에 의해 중요한 것으로 간주될 수 있고, 그 중요도는 툴 시스템 (310) 에 의해 수행된 특정 프로세스에 대한 정보의 관련성에 관련될 수 있다. 예를 들어, 산화물 식각 시스템의 오퍼레이터 (예컨대, 액터 (390) 가 휴먼 에이전트임) 는, 식각 레이트가 제조 프로세스의 결과에 결정적이라고 결정할 수 있으며, 따라서, 식각 레이트는 자율 학습 시스템 (360) 에 통신된 속성일 수 있다. 또 다른 양태에서, 액터 (390) 에 의해 공급된 정보 입력 (358) 은 힌트일 수 있으며, 이에 의해 프로세스 변수들간의 특정 관계를 학습하기 위한 표시가 만들어진다. 일 예로서, 힌트는 툴 시스템 (310) 에서 퇴적 챔버 내의 압력의 거동을 학습하기 위한 제안을 특정 퇴적 단계 내에서, 챔버 체적, 배기 압력 및 유입 가스 흐름의 함수로서 운반할 수 있다. 또 다른 예로서, 힌트는 챔버 압력에 대한 상세한 시간적 관계를 학습하도록 표시할 수 있다. 이러한 예의 힌트들은, 다수의 프로세스 변수들에 대한 압력의 함수적 의존성 (functional dependence) 을 학습할 수 있는 자율 학습 시스템 내의 하나 이상의 기능적 처리 유닛들을 활성화시킬 수 있다. 더욱이, 이러한 힌트들은, 모델에 대한 학습된 기능 또는 액터 (390) 에 이용가능한 경험적인 기능들을 적용 및 비교할 수 있는 하나 이상의 기능적 유닛들을 활성화시킬 수 있다.
툴 시스템 (310), 예컨대 PECVD (plasma-enhanced vapor deposition) 시스템, 스퍼터 시스템, 또는 MOCVD (metalorganic chemical vapor deposition) 시스템과 같은 반도체 제조 툴은 복잡할 수 있고 그러므로 이종의 액터들이 이종의 유형들의 특정한 완전 또는 불완전 지식을 통해 툴 시스템을 조작하고 동작시키는 데에 특수화될 수 있다. 일 예로서, 휴먼 에이전트, 예컨대, 툴 엔지니어는 상이한 가스들이 상이한 분자량을 가지며, 따라서 상이한 압력을 생성할 수 있다는 것을 알 수 있지만, 프로세스/툴 엔지니어는, 제 1 가스로부터 생긴 압력 판독을 제 2 가스로부터 생긴 동등한 압력으로 변환하는 방법을 알 수 있으며, 이러한 지식의 기본적인 예는 단위 (예컨대, Pa) 로부터 다른 단위 (예컨대, lb/in2, 또는 PSI) 로 압력 판독을 변환하는 것일 수 있다. 생물학 기반 자율 학습 시스템에 존재하는 부가적인 유형의 일반적인 더욱 복잡한 지식은, 툴 시스템의 특성들 (예컨대, 챔버의 체적) 및 툴 시스템에서 수행되는 측정들 (예컨대, 챔버 내의 측정된 압력) 간의 함수 관계들일 수 있다. 예를 들어, 식각-엔지니어들은 식각 레이트가 식각 챔버 내의 온도에 의존한다는 것을 안다. 지식의 다양성과 이러한 지식이 불완전할 수 있다는 사실을 허용하기 위해, 액터 (예컨대, 최종 사용자와 같은 휴먼 에이전트) 는 다음과 같은 다수의 운반된 지식 정도들을 통해 자율 학습 시스템 (360) 을 안내할 수 있다: (i) 특정된 지식이 없음. 액터는 자율 학습 시스템에 대한 안내를 전달하지 않는다. (ii) 기본적인 지식. 액터는 툴 시스템의 특성들과 툴 시스템에서의 측정치들 사이의 유효한 관계를 운반할 수 있으며, 예를 들어, 액터는 식각 레이트 (κE) 와 프로세스 온도 (T) 사이의 관계 (예컨대, relationship(κE, T)) 를 추가 세부사항 없이 운반한다. (iii) 식별된 출력이 없는 기본적인 지식. 툴 시스템 특성과 툴 시스템 측정치 사이의 관계에 추가적으로, 액터는 관계 (예컨대, relationship (output((κE),T)) 에서 종속 변수에 대한 특정 출력을 제공할 수 있다. (iv) 관계에 대한 부분적 지식. 액터는 툴 시스템 특성 및 측정치, 뿐만 아니라 관련 종속 및 독립 변수들 간의 수학식의 구조 (예컨대, k 1 또는 k 2 에 대한 구체적인 값들이 없는 κE=k 1 e - k2 /T ) 를 안다. 그러나, 액터는 관계의 하나 이상의 연관된 상수들의 정확한 값을 알지 못할 수 있다. (v) 완전한 지식. 액터는 함수 관계의 완전한 수학적 설명을 소유한다. 자율 학습 시스템 (360) 이 진화하고 툴 함수 관계들을 자율적으로 학습하기를 시도함에 따라, 이와 같은 안내가 시간의 경과에 따라 증분적으로 제공될 수 있음을 유의해야 한다.
지식 네트워크 (375) 는, 확립된 우선순위에 따라 정보 (예컨대, 데이터) 를 통신하고 파워를 전달하는 지식 버스이다. 우선순위는 정보 소스 및 정보 목적지 컴포넌트들 또는 플랫폼들의 쌍에 의해 확립될 수 있으며; 예를 들면, 인식 작업 메모리 (710) 로부터 인식 지식 메모리 (730) 로의 통신에는 개념화 지식 메모리 (910) 로부터 개념화 작업 메모리 (940) 로의 통신보다 높은 우선순위가 할당될 수 있다. 더욱이, 소스로부터 목적지로의 통신이 자기-인식 컴포넌트 (550) 와 같은 글로벌 기능적 컴포넌트 내에서 발생할 수 있으며 (예컨대, 인트라 통신), 또는 네트워크 컴포넌트 (375) 에 의해 인에이블된 통신이 자기-인식 컴포넌트 (550) 및 자기-최적화 컴포넌트 (570) 사이에서 발생할 수 있다 (예컨대, 인터 통신). 부가적으로, 우선순위는 송신중인 정보 (예컨대, 특정 정보는 실시간으로 보내져야 한다) 에 기초될 수 있으며; 통신 우선순위는 송신되거나 수신된 통신들에 대한 통신 긴급도를 적어도 부분적으로 결정한다는 것을 알아야 한다. 우선순위들은 정적이기보다는 동적일 수 있으며, 자율 학습 시스템 (360) 에서의 학습 개발의 함수로서 그리고 생물학 기반 자율 학습 툴 (300) 에 존재하는 하나 이상의 컴포넌트들에서의 하나 이상의 요구들의 관점에서 변할 수 있고 예컨대, 문제 상황이 인식될 수 있고 응답으로 통신이 보증 및 실시될 수 있다는 것에 유의해야 한다. 지식 네트워크 (375) 를 통한 통신 및 파워 전달은 유선 링크 (예컨대, 트위스티드 페어 링크, T1/E1 전화선, AC 라인, 광섬유 라인, 동축 케이블) 및 인터넷 프로토콜 (IP) 패킷 기반 통신과 같은 관련 프로토콜들, 또는 무선 링크 (예컨대, UMB (Ultra Mobile Broadband), LTE (Long Term Evolution), IEEE 802.11) 를 통해 행해질 수 있고, 기능적 플랫폼 (예컨대, 메모리 플랫폼 (365) 및 처리 플랫폼 (385)) 내의 컴포넌트들 (미도시) 간, 또는 이종의 플랫폼들 내의 컴포넌트들 (예컨대, 자기-인식 컴포넌트의 다른 서브-컴포넌트와 통신하는 자기-인식 컴포넌트의 메모리 플랫폼 내의 컴포넌트) 간에 발생할 수 있거나, 또는 통신은 컴포넌트들 간에 존재할 수 있다 (예컨대, 자기-인식 컴포넌트의 컴포넌트는 자기-개념화 컴포넌트 내의 컴포넌트와 통신한다).
처리 플랫폼 (385) 은 정보에 대해 동작하는 기능적 처리 유닛들을 포함한다: 특정 유형의 입력 정보 (예컨대, 숫자, 시퀀스, 시간 시퀀스, 함수, 클래스, 인과 그래프 등과 같은 특정 데이터 유형들) 가 수신 또는 취출되고, 컴퓨테이션은 특정한 유형의 출력 정보를 생성하기 위하여 처리 유닛에 의해 수행된다. 출력 정보는 지식 네트워크 (375) 를 통해 메모리 플랫폼 (365) 내의 하나 이상의 컴포넌트들에 운반될 수 있다. 일 양태에서, 기능적 처리 유닛들은 메모리 플랫폼 (335) 에 저장된 데이터 구조들 또는 데이터 유형 인스턴스를 판독 및 수정할 수 있으며, 새로운 데이터 구조들을 내부에 축적할 수 있다. 또 다른 양태에서, 기능적 처리 유닛들은, 적합도, 중요도, 활성화/억제 에너지, 및 통신 우선순위와 같은 다양한 수치 속성들에 대한 조정들을 제공할 수 있다. 각각의 기능적 처리 유닛은 정보에 대해 동작하기 위한 계층을 결정하는 동적 우선순위를 가지며, 더 높은 우선순위 유닛들은 더 낮은 우선순위 유닛들보다 일찍 데이터에 대해 동작한다. 특정 정보에 대해 동작한 기능적 처리 유닛이, 툴 시스템 (310) 의 동작과 연관된 양호한 런으로부터 불량한 런을 구별하는 랭킹 넘버 또는 랭킹 함수를 생성하는 것과 같이 새로운 지식 (예컨대, 학습) 을 생성하는데 실패하는 경우, 그 기능적 처리 유닛과 연관된 우선순위는 낮춰질 수 있다. 반면에, 새로운 지식이 생성되면, 처리 유닛의 우선순위는 증가된다.
처리 플랫폼 (385) 이, 우선순위화된 기능적 처리 유닛들을 통해, 특정 상황 (예컨대, 특정 데이터 유형) 에서 제 1 동작을 시도하려는 사람의 경향을 에뮬레이트하며, 그 동작이 새로운 지식을 생성하면, 그 동작이 후속의 실질적으로 동일한 상황에서 활용된다는 점을 알아야 한다. 반면에, 제 1 동작이 새로운 지식을 생성하는데 실패한 경우, 그 상황을 다루기 위해 제 1 동작을 채용하려는 경향은 감소되고 제 2 동작 (예컨대, 확산 활성화) 이 이용된다. 제 2 동작이 새로운 지식을 생성하는데 실패하면, 그것의 우선순위는 감소되고, 제 3 동작이 채용된다. 처리 플랫폼 (385) 은 새로운 지식이 생성될 때까지 동작을 계속 채용하며, 다른 동작(들)은 더 높은 우선순위를 획득한다.
일 양태에서, 액터 (390) 는, 자율 학습 시스템 (360) 에 대한 프로세스 레시피 파라미터들, 명령들 (예컨대, 이온 주입된 웨이퍼의 어닐링 사이클에 대한 온도 프로파일, 반도체의 증착에서의 셔터 개방/폐쇄 시퀀스, 이온 주입 프로세스에서의 이온빔의 에너지, 또는 스퍼터링 퇴적에서의 전기장 크기), 뿐만 아니라 초기화 파라미터들을 제공할 수 있다. 또 다른 양태에서, 액터는 툴 시스템 (310) 의 유지보수와 연관된 데이터를 공급할 수 있다. 또 다른 양태에서, 액터 (390) 는, 툴 시스템 (310) 에 의해 수행되는 프로세스의 컴퓨터 시뮬레이션의 결과들을 생성 및 제공할 수 있다. 이러한 시뮬레이션에서 생성된 결과들은 생물학 기반 자율 학습 시스템을 훈련하기 위한 훈련 데이터로서 채용될 수 있다. 부가적으로, 시뮬레이션 또는 최종 사용자는 프로세스와 연관된 최적화 데이터를 툴 시스템 (370) 에 전달할 수 있다.
자율 학습 시스템 (360) 은 하나 이상의 훈련 사이클들을 통해 훈련될 수 있으며, 각각의 훈련 사이클은, (i) 외부 개입 없이 더 많은 수의 기능들을 수행할 수 있기 위해; (ii) 제조 시스템 건강상태의 근본 원인들 중의 근본 원인을 진단할 경우, 개선된 정밀도 또는 정확도와 같은 양호한 응답을 제공하기 위해; 그리고 (iii) 더 신속한 응답 시간, 감소된 메모리 소비, 또는 개선된 제품 품질과 같은 성능을 증가시키기 위해, 생물학 기반 자율 학습 툴 (300) 을 개발하도록 이용될 수 있다. 훈련 데이터가 툴 시스템 (310) 에서의 프로세스 교정 또는 표준 런과 연관된 데이터 (328) 로부터 - 이러한 데이터는 내재적인 것으로 간주될 수 있다 - 또는 상호작용 관리기 (345) 를 통해 수집되는 경우, 훈련 데이터는 어댑터 컴포넌트 (335) 를 통해 자율 학습 시스템에 공급될 수 있다. 훈련 데이터 (예컨대, 외부 프로브, 또는 툴 시스템 (310) 에서의 수리 개입의 레코드들을 통해 행해진 외부 측정치들에 관련된 데이터) 가 데이터베이스(들) (355) 로부터 취출되는 경우, 이러한 훈련 데이터는 외재적인 것으로 간주될 수 있다. 훈련 데이터가 액터에 의해 공급되는 경우, 데이터는 상호작용 관리기 (345) 를 통해 운반되고 외재적인 것으로 간주될 수 있다. 본 발명의 양태에서, 내재적 또는 외재적 훈련 데이터에 기초한 훈련 사이클은 자율 학습 시스템 (360) 이 툴 시스템 (310) 의 예측된 거동을 학습하는 것을 용이하게 한다.
위에서 나타낸 바와 같이, 기능적 컴포넌트 (315) 는, 툴 특정 반도체 제조 능력들과 연관되며 (a) 다양한 복잡도들을 갖는 반도체 기판들 (예컨대, 웨이퍼, 플랫 패널 디스플레이 및 관련 TFT 능동 매트릭스 어레이, 액정 디스플레이 (LCD), OLED 등) 을 제조하는데, (b) 에피택시 기상 증착 또는 비-에피택시 기상 증착을 행하는데, (c) 이온 주입 또는 가스 클러스터 이온 인퓨젼을 용이하게 하는데, (d) 플라즈마 또는 비-플라즈마 (건식 또는 습식) 산화물 식각 처리를 수행하는데, (e) 리소그래피 공정 (예컨대, 포토-리소그래피, e-빔 리소그래피 등) 을 구현하는데, 등등을 위해 툴이 사용될 수 있게 하는 다수의 기능적 툴 컴포넌트들 (미도시) 을 포함할 수 있다. 툴 시스템 (310) 은 또한, 노 (furnace) ; 제어된 전기화학적 환경에서의 작동을 위한 노광 툴; 평탄화 디바이스; 전기도금 시스템; (동작 사이클링을 통한) 수명 측정을 포함할 수 있는 광학적, 전기적 및 열적 특성들에 대한 테스트 디바이스; 도량형 툴, 웨이퍼 세정 머신 등에서 구현될 수 있다.
툴 시스템 (310) 에 의해 행해진 프로세스에서, 센서 컴포넌트 (325) 를 포함하는 센서들 및 프로브들은, 수집된 데이터의 의도된 사용에 의존하는 가변하는 복잡도들을 갖는 다양한 트랜스듀서들 및 기법들을 통해, 상이한 물리적 속성들 (예컨대, 압력, 온도, 습도, 질량 밀도, 퇴적 레이트, 층 두께, 표면 거칠기, 결정 배향, 도핑 농도, 결함 밀도, 전기 광발광 수율 등) 뿐만 아니라 기계적 속성들 (밸브 애퍼처 (aperture) 또는 밸브 각도, 셔터 온/오프 동작, 가스 플럭스, 기판 각속도, 기판 배향 등) 에 대한 데이터 (예컨대, 데이터 애셋들) 를 수집할 수 있다. 이러한 기법들은, X-선 회절, 투과 전자 현미경 (TEM), 주사 전자 현미경 (SEM), 질량 분광 분석, 노광 평가, 자기전기 전송 측정 (예컨대, 홀 (Hall) 측정), 광학적 속성 측정 (예컨대, 발광 스펙트럼, 광학적 흡수 스펙트럼, 시간 분해 발광, 시간 분해 광 흡수) 등을 포함할 수 있지만, 이에 제한되지는 않는다. 제품 (예컨대, 반도체 기판) 에 관련된 부가적인 데이터 애셋들은, 현상 검사 (development inspection; DI) 임계 치수 (critical dimension; CD), 및 최종 검사 (final inspection; FI) CD를 포함한다. 프로브들이 툴 시스템 (310) 외부에 존재할 수 있고 인터페이스 컴포넌트 (미도시) 를 통해 액세스될 수 있음을 알아야 한다. 예를 들어, 이러한 외부 프로브들은 DI CD 및 FI CD를 제공할 수 있다. 하나 이상의 애셋들 (328) 의 부분인 이러한 데이터 애셋들은 툴 시스템 (310) 에 의해 제조되거나 제작된 출력 애셋들, 예컨대 물리적 제품들을 효과적으로 특성화한다는 것을 알아야 한다.
일 양태에서, 센서 컴포넌트(들) (325) 내의 데이터 소스들은, 아날로그 또는 디지털 형태로 하나 이상의 애셋들 (328) 내의 데이터 애셋(들)을 수집할 수 있거나 수집하도록 구성될 수 있는 어댑터 컴포넌트 (335) 에 기능적으로 커플링될 수 있다. 하나 이상의 애셋들 (328) 내의 데이터 애셋(들)은 SECS/GEM 프로토콜, HTTP 등과 같은 다양한 통신 프로토콜들에 따라 어댑터 컴포넌트 (335) 로 운반될 수 있다. 어댑터 컴포넌트 (335) 는, 데이터가 메모리 플랫폼 (365) 에 축적되거나 또는 보존되기 전에, 툴 시스템 (310) 에 의해 수행된 프로세스 런에서 수집된 데이터, 예컨대 정보 입력/출력 (I/O) (358) 이 생물학 기반 자율 학습 시스템 (360) 에서의 데이터의 의도된 이용에 따라 구성 또는 분해되는 것을 가능하게 할 수 있다. 어댑터 컴포넌트 (335) 내의 어댑터들은 센서 컴포넌트(들) (325) 내의 하나 이상의 센서들과 연관될 수 있고, 특정 주파수들에서 또는 다른 특정 조건들에서 하나 이상의 센서들을 판독 (예컨대, 폴링 (poll)) 할 수 있다. 외부 데이터 소스 어댑터 (미도시) 는 데이터를 풀링 (pull) 할 뿐만 아니라, 툴 시스템 (310) 의 외부로부터 푸쉬된 데이터를 통과시키는 능력을 가질 수도 있다. 예를 들어, MES/이력 데이터베이스 어댑터는, 정보를 추출하고 추출된 데이터를 생물학 기반 자율 학습 시스템 (360) 의 하나 이상의 컴포넌트들을 위한 작업 메모리 내로 패키징 또는 축적하기 위해 MES 데이터베이스를 컨설팅 (예컨대, 액세스하고 요청) 할 수 있다. 특히, 예시로서, 어댑터 컴포넌트 (335) 는 툴 시스템 (310) (예컨대, 제조 툴) 이 웨이퍼를 처리함에 따라 한번에 하나의 웨이퍼씩 웨이퍼-레벨 런 데이터를 수집할 수 있다. 그 다음, 어댑터 컴포넌트 (335) 는, "로트-레벨-데이터 (lot-level-data)", "유지보수-간격-데이터" 등을 형성하기 위해 배치에서 개별 런들을 통합 (consolidate) 할 수 있다. 대안으로, 툴 시스템 (310) 이 로트-레벨 데이터에 대한 단일 파일 (또는 컴퓨터 제품 애셋) 을 출력하면, 어댑터 컴포넌트 (335) 는 웨이퍼-레벨 데이터, 단계-레벨 데이터 등을 추출할 수 있다. 더욱이, 분해된 데이터 요소들은 툴 시스템 (310) 의 하나 이상의 컴포넌트들, 예컨대, 센서 컴포넌트(들)(325) 내의 압력 제어기가 동작하고 있는 시간 동안의 변수들에 관련될 수 있다. 위에서 설명된 바와 같은 하나 이상의 애셋들 (328) 에 포함된 수신된 데이터 애셋(들)을 처리 또는 패키징하는 것에 후속하여, 어댑터 컴포넌트 (335) 는 처리된 데이터를 데이터베이스(들) (355) 에 저장할 수 있다.
데이터베이스(들)(355) 는, (i) 센서 컴포넌트(들)(325) 내의 센서(들)에 의해 수행된 측정들을 통한 툴 시스템 (310) (예컨대, 제조 툴); (ii) 제조 실행 시스템 (MES) 데이터베이스 또는 이력 데이터베이스; 또는 (iii) 툴 시스템 (310) 의 컴퓨터 시뮬레이션, 예컨대, 액터 (390) 에 의해 수행된 반도체 웨이퍼 제조의 시뮬레이션에서 생성된 데이터에서 비롯되는 데이터를 포함할 수 있다. 일 양태에서, MES는, 제조 프로세스를 측정 및 제어할 수 있고, 장비 이용가능도 및 상태를 추적할 수 있고, 인벤토리를 제어할 수 있으며, 경보(들)를 모니터링할 수 있는 시스템이다.
툴 시스템 (310) 에 의해 제작된 제품들 또는 제품 애셋들이 상호작용 컴포넌트 (330) 를 통해 액터 (390) 로 운반되거나 또는 전달될 수 있다는 것을 알게 된다. 제품 애셋들은 하나 이상의 애셋들 (338) 의 부분일 수 있다. 제품 애셋들은 액터 (390) (예컨대, 품질 보증 장비, 또는 그것의 품질 보증 장비 및 오퍼레이터들) 에 의해 분석될 수 있고, 결과적인 정보 또는 데이터 애셋들은 생물학 기반 자율 학습 시스템 (360) 에 운반될 수 있음을 알아야 한다. 하나 이상의 시나리오들에서, 이러한 데이터 애셋들은 상호작용 컴포넌트 (330), 및 그 내부의 하나 이상의 컴포넌트들을 통해, 또는 정보 I/O (358) 를 전송할 수 있는 하나 이상의 전용 통신 링크들 (미도시) 을 통해 직접, 생물학 기반 자율 학습 시스템 (360) 에 통신될 수 있다. 또 다른 양태에서, 상호작용 컴포넌트 (330) 는 어댑터 컴포넌트 (335) 를 통해 제품 애셋 (328) 의 분석을 수행할 수 있다.
또한, 예시적인 실시형태 (300) 에서, 상호작용 컴포넌트 (330) 및 자율 학습 시스템 (360) 은 툴 시스템 (310) 에 대해 외부적으로 배치됨에 유의한다. 상호작용 컴포넌트 (330) 및 생물학 기반 자율 학습 시스템 (310) 이 툴 시스템 (310) 내에 단일 특정 툴 컴포넌트, 예컨대, 단일 임베디드 모드로, 또는 툴 컴포넌트들의 클러스터, 예컨대, 다중 임베디드 모드로 상주할 수 있는 임베디드 배치와 같이, 생물학 기반 자율 학습 툴 (300) 의 대안적이거나 또는 추가적인 배치 구성들이 실현될 수 있다. 이러한 배치 대안들은, 자율 학습 시스템이 그룹 툴 또는 툴 복합체를 형성하는 자율 학습 툴들의 세트를 지원하는 계층적 방식으로 실현될 수 있다. 하나 이상의 추가적이거나 또는 대안적인 실시형태들에서, 상호작용 컴포넌트 (330) 및 생물학 기반 자율 학습 엔진 (360) 은 단일의 기능적 요소 (컴포넌트, 시스템, 플랫폼 등) 로 통합될 수 있다는 것을 쉽게 알아야 한다.
다음으로, 예시적인 툴 시스템 (310) 이 도 4에 관련하여 논해지고, 생물학 기반 자율 학습 엔진 (360) 에 대한 예시적인 아키텍처가 도 5 내지 도 10에 관하여 상세히 제공되고 논해진다.
도 4는 본 개시물의 양태들에 따라 동작을 모니터, 분석, 및 개선하기 위해 생물학 기반 자율 학습 엔진 (360) 을 활용할 수 있는 예시적인 반도체 제조 시스템 (400) 의 다이어그램이다. 특히, 예시적인 시스템 (400) 은, 도 3에 관련하여 위에서 논해진 툴 시스템 (310) 을 예시한 열적 현상 및 코팅 시스템이다. 시스템 (400) 은, 로드/언로드 섹션 (405), 프로세스 섹션 (410), 및 인터페이스 섹션 (415) 을 구비한다. 일 양태에서, 로드/언로드 섹션 (405) 은, 복수의 반도체 기판을 각각 저장한 카세트들 (425) 이 시스템 (400) 에 로딩되고 그 시스템으로부터 언로딩되는 카세트 테이블 (420) 을 가진다. 카세트 테이블 (420) 은 또한 플랫 패널 디스플레이 제조를 위한 유리 또는 플라스틱 기판들의 로딩/언로딩을 가능하게 할 수 있다는 것에 유의한다. 프로세스 섹션 (410) 은 기판들을 하나씩 순차적으로 처리하기 위한 다양한 단일 기판 처리 유닛들을 가진다. 인터페이스 섹션 (415) 은, 품질 보증, 공정 개발, 인 시츄 (in situ) 근본 원인 분석을 위해 다수의 프로브들 및 센서들에 대한 액세스를 용이하게 할 수 있다. 수집된 데이터 (예컨대, 데이터 368) 는 인터페이스 컴포넌트를 통해 생물학 기반 자율 학습 엔진 (360) 에 운반될 수 있다.
일 양태에서, 프로세스 섹션 (410) 은, 바닥으로부터 순차적으로 적층되어 있는, 냉각 유닛 (COL) (435), 정렬 유닛 (ALIM) (440), 접착 유닛 (AD) (445), 확장 유닛 (EXT) (450), 2개의 프리베이킹 (prebaking) 유닛들 (PRE-BAKE) (455), 및 2개의 포스트베이킹 (postbaking) 유닛들 (POBAKE) (460) 을 소유하는 제 1 프로세스 유닛 그룹 (430) 을 포함한다. 부가적으로, 제 2 프로세스 유닛 그룹 (465) 은, 냉각 유닛 (COL) (435), 확장-냉각 유닛 (EXTCOL) (470), 확장 유닛 (EXT) (475), 제 2 냉각 유닛 (COL) (435), 2개의 프리베이킹 유닛들 (PRE-BAKE) (455) 및 2개의 포스트베이킹 유닛들 (POBAKE) (460) 을 구비한다. 냉각 유닛 (COL) (435) 및 확장 냉각 유닛 (EXTCOL) (470) 은 낮은 처리 온도들에서 동작될 수도 있고 하위 스테이지들에 배열될 수도 있으며, 프리베이킹 유닛 (PRE-BAKE) (455), 포스트베이킹 유닛 (POBAKE) (460) 및 접착 유닛 (AD) (445) 은 높은 온도들에서 동작되고 상위 스테이지들에 배열된다. 이러한 배열로, 유닛들 사이의 열 간섭이 감소될 수 있다. 대안으로, 이들 유닛들은 대안적인 또는 부가적인 배열들을 가질 수 있다. 프리베이킹 유닛 (PRE-BAKE) (455), 포스트베이킹 유닛 (POBAKE) (460), 및 접착 유닛 (AD) (445) 은, 기판들이 실온보다 높은 온도들로 가열되는 열 처리 장치를 각각 포함한다. 포스트베이킹 유닛 (460) 은 TFT와 같은 디바이스들의 준비를 위해 포토리소그래픽 마스킹용으로 채용된 포토레지스트 재료들을 경화시키는데 이용될 수 있다. 일 양태에서, 온도 및 압력 데이터는 프리베이킹 유닛 (455), 포스트베이킹 유닛 (460), 및 접착 유닛 (445) 으로부터 인터페이스 컴포넌트 (340) 를 통해 생물학 기반 자율 학습 엔진 (360) 에 공급될 수 있다. 기판에 대한 회전 속도 및 위치 데이터는 정렬 유닛 (440) 으로부터 운반될 수 있다.
도 5는 본 개시물의 양태들에 따른 생물학 기반 자율 학습 엔진의 예시적인 아키텍처 (500) 의 상위 레벨 블록도를 도시한다. 실시형태 (500) 에서, 생물학 기반 자율 학습 엔진 (360) 은, 장기 메모리 (LTM) (510), 단기 메모리 (STM) (520), 및 에피소드 (episodic) 메모리 (EM) (530) 를 포함하는 기능적 메모리 컴포넌트들의 계층을 포함한다. 이러한 기능적 메모리 컴포넌트들 각각은 지식 네트워크 (375) 를 통해 통신할 수 있으며, 이는 도 3에 관련하여 설명된 바와 같이 동작한다. 또한, 생물학 기반 자율 학습 엔진 (360) 은, 처리 플랫폼 (385) 에 관련하여 설명된 기능적 유닛들과 실질적으로 동일한 특징들을 갖지며 프로세서를 구비할 수 있는, 오토봇들로서 식별된 기능적 처리 유닛들을 구비하는 오토봇 컴포넌트 (540) 를 포함할 수 있다. 오토봇 컴포넌트 (540) 가 처리 플랫폼 (385) 의 일부일 수 있음에 유의한다.
더욱이, 자율 학습 시스템 (360) 은, 자기-인식 컴포넌트 (550), 자기-개념화 컴포넌트 (560), 및 자기-최적화 컴포넌트 (570) 를 구비하는 하나 이상의 주요 기능적 유닛들을 포함할 수 있다. 제 1 피드 포워드 (FF) 루프 (552) 는 순방향 링크로서의 역할을 할 수 있으며, 자기-인식 컴포넌트 (550) 와 자기-개념화 컴포넌트 (560) 간에 데이터를 통신할 수 있다. 또한, 제 1 피드백 (FB) 루프 (558) 는 역방향 링크로서의 역할을 할 수 있고 자기-개념화 컴포넌트 (560) 와 자기-인식 컴포넌트 (550) 간에 데이터를 전달할 수 있다. 유사하게, 자기-개념화 컴포넌트 (560) 와 자기-최적화 컴포넌트 (570) 간의 순방향 링크 및 역방향 링크 데이터 통신은, 각각, 제 2 FF 루프 (562) 및 제 2 FB 루프 (568) 를 통해 달성될 수 있다. FF 링크에서는 데이터를 추가로 처리하기 위해 그 데이터를 수신하는 컴포넌트로의 통신에 앞서 그 데이터가 변환될 수 있는 반면, FB 링크에서는 데이터를 처리하기 전에 그 데이터를 수신하는 컴포넌트에 의해 다음의 데이터 요소가 변환될 수 있음을 알아야 한다. 예를 들어, FF 링크 (552) 를 통해 전달되는 데이터는, 자기-개념화 컴포넌트 (560) 로의 데이터의 통신에 앞서 자기-인식 컴포넌트 (550) 에 의하여 변환될 수 있다. FF 링크들 (552 및 562) 이 컴포넌트들 (550) 과 컴포넌트 (570) 간의 데이터의 간접적인 통신을 용이하게 할 수 있는 반면, FB 링크들 (568 및 558) 은 컴포넌트들 (570 및 550) 간의 데이터의 간접적인 통신을 용이하게 할 수 있음을 추가로 알아야 한다. 부가적으로, 데이터는 지식 네트워크 (375) 를 통해 컴포넌트들 (550, 360, 및 370) 간에 직접 운반될 수 있다.
장기 메모리 (510) 는, 초기화/구성 후 자율 학습 툴 시스템 (300) 을 훈련하기 위해 툴 시스템의 초기화 또는 구성 동안 상호작용 컴포넌트 (330) 를 통해 공급된 지식 (예컨대, 사전 지식) 을 저장할 수 있다. 또한, 자율 학습 시스템 (360) 에 의해 생성된 지식은 장기 메모리 (510) 에 저장될 수 있다. LTM (510) 이 메모리 플랫폼 (365) 의 부분일 수 있고, 따라서, 실질적으로 동일한 특징들을 디스플레이할 수 있음을 알아야 한다. 장기 메모리 (510) 는, 툴 시스템 컴포넌트들 (예컨대, 제조 컴포넌트들, 프로브 컴포넌트들 등) 에 대한 정보, 관계들, 및 절차들을 포함하는 지식 베이스를 일반적으로 포함할 수 있다. 지식 베이스의 적어도 일부는, (예컨대, 시퀀스, 평균, 또는 표준 편차로서의) 데이터 유형들, 그 데이터 유형들 사이의 관계들, 및 제 1 세트의 데이터 유형들을 제 2 세트의 데이터 유형들로 변환하기 위한 절차들을 설명 또는 분류하는 의미론적 (semantic) 네트워크일 수 있다.
지식 베이스는 지식 요소들 또는 개념들을 포함할 수도 있다. 일 양태에서, 각각의 지식 요소는 2개의 수치 속성들, 즉, 지식 요소 또는 개념의 적합성 (ξ) 및 관성 (inertia) (ι) 과 연관될 수 있으며, 총체적으로, 이러한 속성들은 개념의 우선순위를 결정한다. 이들 2 개의 수치 속성들의 잘 정의된 함수, 예컨대, 가중 합산, 기하 평균은 개념의 상황 스코어 (σ) 일 수 있다. 예를 들어, σ = ξ + ι 이다. 지식 요소의 적합성은, 특정 시간에서의 툴 시스템 또는 목표 컴포넌트 상황에 대한 지식 요소 (예컨대, 개념) 의 관련성으로서 정의될 수 있다. 일 양태에서, 제 2 요소보다 더 높은 적합성 스코어를 갖는 제 1 요소 또는 개념은, 더 낮은 적합성 스코어를 갖는 제 2 요소보다 자율 학습 시스템 (360) 의 현재 상태 및 툴 시스템 (310) 의 현재 상태에 더 관련이 있을 수 있다. 지식 요소 또는 개념의 관성은 그 지식 요소의 이용과 연관된 난이도로서 정의될 수 있다. 예를 들어, 낮은 제 1 관성 값이 숫자 요소에 부여될 수 있고, 숫자들의 리스트에는 제 1 관성 값보다 높은 제 2 관성 값이 부여될 수 있으며, 숫자들의 시퀀스는 제 2 관성 값보다 높은 제 3 관성 값을 가질 수 있고, 숫자들의 매트릭스는 제 3 관성 값보다 높을 수 있는 제 4 관성 값을 가질 수 있다. 관성은 그래프들, 데이터베이스 내의 테이블들, 오디오 파일들, 비디오 프레임들, 코드 단편들 (code snippets), 코드 스크립들 등과 같은 다른 지식 또는 정보 구조들에 적용될 수 있고, 후자의 아이템들은 실질적으로 모두 입력 (130) 의 부분일 수 있다는 것에 유의한다. 본 발명은, 지식 요소가 취출되고 적용되는 우도 (likelihood) 에 영향을 줄 수 있는 적합성 및 관성의 잘 정의된 함수에 대해 준비된다. 최고의 상황 스코어를 갖는 개념들은 처리 유닛들에 의한 처리를 위해 단기 메모리 (520) 에 렌더링될 가능성이 가장 큰 개념들이다.
단기 메모리 (520) 는, 작업 메모리 (예컨대, 작업공간 또는 캐시) 로서 또는 특정 알고리즘 또는 절차들과 연관된 협력/경쟁 동작들 또는 오토봇들이 데이터 유형들에 대해 동작할 수 있는 위치로서 이용될 수 있는 임시 저장장치이다. STM (520) 에 포함된 데이터는 하나 이상의 데이터 구조들을 소유할 수 있다. STM (520) 내의 이러한 데이터 구조들은, 오토봇들 및 플래너 위버봇들 (ueberbots) (예컨대, 플래닝 (planning) 에 전용된 오토봇들) 에 의해 실시된 데이터 변환들의 결과로서 변할 수 있다. 단기 메모리 (305) 는, 상호작용 관리기 (345) 에 의해 제공된 학습 명령들, 데이터, 장기 메모리 (310) 로부터의 지식, 하나 이상의 오토봇들 또는 위버봇들에 의해 제공되고/되거나 생성된 데이터, 및/또는 액터 (390) 에 의해 제공된 초기화/구성 커맨드들을 포함할 수 있다. 단기 메모리 (520) 는 그 내부에 저장된 데이터를 변환하는데 사용되는 하나 이상의 오토봇들 및/또는 위버봇들의 상태를 추적할 수 있다.
에피소드 메모리 (530) 는, 프로세스와 연관될 수 있는 액터-식별된 세트의 파라미터들 및 개념들을 포함할 수 있는 에피소드들을 저장한다. 일 양태에서, 에피소드는 외재적 데이터 또는 입력 (130) 을 포함할 수 있고, 특정 콘텍스트를 자율 학습 시스템 (300) 에 제공할 수 있다. 에피소드는 목표를 추구하면서, 식별되거나 생성된 특정 시나리오와 (예컨대, 툴 시스템 (310), 목표 컴포넌트 (120), 또는 자율 학습 시스템 (360) 에 의해) 일반적으로 연관될 수 있음에 유의한다. 에피소드를 식별하는 액터는, 프로세스 엔지니어, 툴 엔지니어, 필드 지원 엔지니어 등과 같은 휴먼 에이전트일 수 있거나, 또는 그것은 머신일 수 있다. 에피소드 메모리 (530) 는, 특정 시나리오(들) - 예컨대, 에피소드 - 와 연관된 지식이 그 에피소드에서 생겨났던 학습 프로세스의 재수집 없이 존재 및 액세스가능할 수 있는, 휴먼 에피소드 메모리와 유사하는 것을 알아야 한다. 에피소드의 도입 또는 정의는 통상적으로 훈련 사이클의 부분 또는 실질적으로 임의의 외재적 입력의 제공이고, 에피소드와 연관된 데이터에 존재할 수 있는, 데이터 패턴들 또는 입력 패턴들을 특성화하도록 학습하기 위한 생물학 기반 자율 학습 시스템 (360) 에 의한 시도를 유도할 수 있다. 에피소드와 연관된 데이터의 특성화된 패턴은, 그 에피소드 및 에피소드의 명칭에 연계하여 에피소드 메모리 (530) 에 저장될 수 있다. 에피소드 메모리 (530) 로의 에피소드의 부가는, 툴 시스템 (310) 또는 일반적으로 목표 컴포넌트 (120) 에 의해 행해진 프로세스에서의 파라미터들의 세트가 그 에피소드에서 정의된 바와 같은 동작 범위에 진입할 경우, 활성화될 수 있는 에피소드-특정 오토봇이 생성되게 할 수 있으며, 이 에피소드-특정 오토봇은 추구된 목표 또는 프로세스와 연관된 제 1 특징이 인식될 경우 충분한 활성화 에너지를 수신한다. 파라미터들이 수신된 에피소드를 통해 확립된 기준을 충족시키면, 에피소드-특정 오토봇은 에피소드 내의 데이터의 패턴을 이용가능한 현재 데이터와 비교한다. 툴 시스템 (310) 또는 목표 컴포넌트의 (데이터의 인식된 패턴에 의해 정의된 바와 같은) 현재 상황이 저장된 에피소드와 매칭하면, 툴 유지보수 엔지니어들이 그 상황을 인식하게 될 수 있고, 툴 프로세스에서 이용되는 재료 또는 기능적 컴포넌트 (315) 또는 센서 컴포넌트 (325) 에 대한 부가적인 손상을 완화시키기 위한 예방적 액션(들)을 취할 수 있다는 것을 보장하기 위해 경보가 생성된다.
오토봇 컴포넌트 (540) 는, 입력 데이터 유형 (예컨대, 매트릭스, 벡터, 시퀀스 등) 에 대해 특정 동작을 수행하는 오토봇들의 라이브러리를 포함한다. 일 양태에서, 오토봇들은, 각각의 오토봇이 연관된 우선순위를 가질 수 있고 오토봇의 우선순위가 자신의 활성화 에너지 (EA; 예컨대 6171) 및 자신의 억제 에너지 (EI ; 예컨대 6191) 의 함수인, 오토봇 의미론적 네트 (semantic net) 에 존재한다. 오토봇 컴포넌트 (540) 는, 자기-인식 컴포넌트 (550), 자기-개념화 컴포넌트 (560), 자기-최적화 컴포넌트 (570) 를 위한 오토봇들, 및 컴포넌트들 간에 및 다양한 메모리 유닛들 간에 데이터를 변환하고 전달하는데 참여할 수 있는 부가적인 오토봇들을 구비할 수 있는 오토봇들의 조직화된 리포지터리이다. 오토봇에 의해 수행될 수 있는 특정 동작들은, 시퀀스 평균; 시퀀스 순서화; 제 1 및 제 2 벡터들 간의 스칼라 곱; 제 1 매트릭스 및 제 2 매트릭스의 곱셈; 시간에 대한 시간 시퀀스 도함수 (derivative); 시퀀스 자기상관 컴퓨테이션; 제 1 시퀀스 및 제 2 시퀀스 간의 상호상관 동작; 완전한 기저 함수 (basis function) 들의 세트에서의 함수의 분해; 시간 시퀀스 수치 데이터 스트림의 웨이브릿 분해, 또는 시간 시퀀스의 푸리에 분해를 포함할 수 있다. 부가적인 동작들, 즉, 이미지에서의 특징 추출, 사운드 레코드, 생체 표시자, 비디오 프레임 압축, 환경 사운드들 또는 음성 커맨드들의 디지털화 등이 입력 데이터에 의존하여 수행될 수 있음을 알아야 한다. 오토봇에 의해 수행되는 동작들 각각은, 하나 이상의 입력 데이터 유형들을 변환하여 하나 이상의 출력 데이터 유형들을 생성하는 지명 함수 (named function) 일 수 있다. 오토봇 컴포넌트 (540) 에 오토봇이 존재하게 하는 각각의 함수는 LTM 내의 요소를 소유할 수 있어서, 위버봇들은 자율 학습 시스템 (360) 의 필요성 및 총 "주의 기간 (attention span)"에 기초하여 오토봇 활성화/억제 에너지 결정을 행할 수 있다. 자율 학습 시스템 (360) 과 유사하게, 오토봇 컴포넌트 (540) 내의 오토봇은 시간의 경과에 따라 그것의 성능을 개선할 수 있다. 오토봇에서의 개선들은, 양호한 품질의 생산된 결과들 (예컨대, 출력들), 양호한 실행 성능 (예컨대, 더 짧은 런타임, 더 많은 컴퓨테이션들을 수행하는 능력 등), 또는 특정 오토봇에 대한 입력 도메인의 향상된 스코프 (scope) (예컨대, 오토봇이 동작할 수 있는 부가적인 데이터 유형들의 포함) 를 포함할 수 있다.
LTM (510), STM (520) 및 EM (530) 에 저장된 지식, 즉, 개념들 및 데이터는, 기능의 일부를 생물학 기반 자율 학습 시스템 (360) 에 부여하는 주요 기능적 유닛들에 의해 채용될 수 있다.
자기-인식 컴포넌트 (550) 는, 툴 시스템 (310) 의 제 1 수용가능 동작 상태와 툴 시스템이 저하되는 추후 시간에서의 후속 상태 사이의 툴 시스템 저하 레벨을 결정할 수 있다. 일 양태에서, 자율 학습 시스템 (360) 은, 수용가능 동작 상태를 특성화하는 데이터, 및 이러한 수용가능 상태에서 제작된 제품 애셋과 연관된 데이터를 수신할 수 있으며, 이러한 데이터 애셋들은 정준 (canonical) 데이터로서 식별될 수 있다. 생물학 기반 자율 학습 시스템 (360) 은, 정준 데이터를 처리할 수 있고, 연관된 결과들 (예컨대, 중요 파라미터들에 관한 통계, 하나 이상의 파라미터들에서의 관측된 드리프트, 예측 함수들 관련 툴 파라미터들 등) 은 자기-인식 컴포넌트 (550) 에 의해 저장될 수 있고 정보 입력 (358), 예컨대, 생산 프로세스 데이터 또는 테스트 런 데이터로서 공급된 데이터와의 비교를 위해 채용될 수 있다. 정준 데이터의 생성된 학습된 결과들 및 디바이스 프로세스 런-데이터 사이의 차이가 작으면, 제조 시스템 저하는 낮은 것으로 간주될 수 있다. 대안으로, 정준 데이터의 저장된 학습된 결과들 및 샘플 프로세스 데이터 사이의 차이가 크면, 현저한 레벨의 툴 시스템 (예컨대, 반도체 제조 시스템) 저하가 존재할 수 있다. 현저한 레벨 저하는 프로세스, 또는 목표의, 콘텍스트 조정을 야기할 수 있다. 여기서 설명된 바와 같은 저하는 저하 벡터 (Q1, Q2,..., QU) 로부터 컴퓨팅될 수 있으며, 여기서 저하 벡터의 각각의 컴포넌트 Qλ(λ= 1,2,...,U) 는 이용가능한 데이터 세트의 상이한 관점 (perspective) 이며, 예컨대, Q1는 다변량 평균 (multivariate mean) 일 수도 있으며, Q2는 연관된 다변량 편차, Q3는 프로세스 단계에서의 특정 변수에 대한 웨이브릿 계수들의 세트, Q4는 예측된 압력 및 측정된 압력 간의 평균 차이 등일 수도 있다. 노멀 훈련 런들은, 각각의 컴포넌트로부터의 런 데이터 (예컨대, 런 데이터 애셋) 로 생성된 성분 Q1 내지 QU와 비교될 수 있는 각각의 컴포넌트에 대한 특정 세트의 값들 (예컨대, 훈련 데이터 애셋) 을 생산한다. 저하를 평가하기 위해, {Q} 공간내의 "노멀 위치"로부터의 런 저하 벡터의 (예컨대, 유클리드) 거리를 비교하기 위해 적절한 거리 메트릭이 채용될 수 있으며, 이러한 유클리드 거리가 커질수록, 툴 시스템은 더 많이 저하된다고 한다. 또한, 제 2 메트릭은 2개의 벡터들 사이의 코사인 유사도 메트릭을 컴퓨팅하는 것일 수 있다.
자기-개념화 컴포넌트 (560) 는, 중요한 툴 시스템 (310) 관계들 (예컨대, 하나 이상의 툴 거동 함수들) 의 이해 및 서술들 (descriptions) (예컨대, 요구되고 측정된 파라미터들에 관한 통계, 저하에 대한 파라미터들의 영향 등) 을 구축하도록 구성될 수 있다. 관계들 및 서술들이 또한 데이터, 또는 소프트 애셋들임을 알게 될 것이다. 이 이해는, 자율 학습 시스템 (360) 에 의해 또는 액터 (390) (예컨대, 휴먼 에이전트) 가 공급한 안내를 통해 (예컨대, 입력 데이터로부터 비롯된 추론 및 콘텍스트 목표 적응에 의해; 추론은 예를 들어, 다변량 회귀, 또는 유전 알고리즘들과 같은 진화 프로그래밍을 통해 달성될 수 있다) 자율적으로 확립된다. 자기-개념화 컴포넌트 (560) 는, 특정 퇴적 단계 동안 시간의 함수로서의 반도체 제조 시스템의 퇴적 챔버 내의 압력과 같이, 툴 시스템 (310) 또는 일반적으로 컴포넌트 120 과 같은 목표 컴포넌트의 단일 파라미터의 거동의 기능적 서술을 구성할 수 있다. 또한, 자기-개념화 컴포넌트 (560) 는, 입력 정보 (358) 의 특정 세트에 대한 종속 변수의 함수 관계와 같이, 툴 시스템과 연관된 거동을 학습할 수 있다. 일 양태에서, 자기-개념화 컴포넌트 (560) 는, 특정 가스 흐름, 온도, 배기 밸브 각도, 시간 등의 존재 시에 주어진 체적의 퇴적 챔버에서 압력의 거동을 학습할 수 있다. 더욱이, 자기-개념화 컴포넌트 (560) 는 예측 목적을 위해 사용될 수도 있는 시스템 관계들 및 속성들을 생성할 수 있다. 학습된 거동들 중에서, 자기-개념화 컴포넌트는 노멀 상태를 특성화하는 관계들 및 서술들을 학습할 수 있다. 이러한 노멀 상태는 통상적으로 관측자 툴 거동에서의 변화가 비교되는 것에 관한 참조 상태로서 자율 학습 시스템 (360) 에 의해 채용된다.
자기-최적화 컴포넌트 (570) 는, (a) 툴 시스템 (360) 의 고장의 잠재적인 원인, 또는 (b) 자율 학습 시스템 (360) 에 의해 수집된 정보에 기초한 툴 시스템 저하의 근본 원인의 하나 이상의 소스들을 식별하기 위해, 예측된 값들 (예컨대, 자기-개념화 컴포넌트 (560) 에 의해 학습된 관계들 또는 기능적 의존도에 기초한 예측치들 및 측정된 값들) 사이의 툴 시스템 (310) 편차 레벨에 기초하여 생물학 기반 자율 학습 시스템 (300) 의 현재의 헬스 또는 성능을 분석할 수 있다. 자기-최적화 컴포넌트 (570) 는, 자율 학습 시스템 (360) 이 고장에 대한 잘못된 근본 원인을 초기에 부정확하게 식별하는지 여부를 시간의 경과에 따라 학습할 수 있으며, 학습 시스템 (300) 은 실제 근본 원인을 정확히 식별하기 위해 유지보수 로그들 또는 사용자 안내의 입력을 허용한다. 일 양태에서, 자율 학습 시스템 (360) 은, 장래의 진단 정확도를 개선하기 위한 학습과 함께 베이지안 (Bayesian) 추론을 이용하여, 그것의 진단에 대한 기준 (basis) 을 업데이트한다. 대안으로, 최적화 플랜들이 적응될 수 있으며, 이러한 적응된 플랜들은, 후속 취출, 채택 및 실행을 위해 최적화 사례 이력에 저장될 수 있다. 더욱이, 툴 시스템 (310) 에 의해 행해진 프로세스 또는 일반적으로 목표 컴포넌트 (120) 에 의해 추구된 목표에 대한 적응들의 세트는 최적화 플랜들을 통해 얻어질 수 있다. 자기-최적화 컴포넌트 (570) 는, 프로세스 또는 목표 최적화를 촉진시킬 수 있는 적응 플랜을 개발하기 위해 데이터 피드백 (예컨대, 링크들 (565, 555, 및 515) 을 통해 달성된 루프) 을 활용할 수 있다.
실시형태 (500) 에서, 생물학 기반 자율 학습 시스템 (360) 은, 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 를 더 포함할 수 있다. 기능적 메모리 컴포넌트들 (510, 520, 및 530) 의 계층 및 주요 기능적 유닛들 (550, 560, 및 570) 은 지식 네트워크 (375) 를 통해 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 와 통신할 수 있다.
플래너 컴포넌트 (580) 는, 오토봇 컴포넌트 (540) 내의 더 높은 레벨의 오토봇들을 활용 및 포함할 수 있다. 이러한 오토봇들은 플래너 위버봇들로서 식별될 수 있고, 적합성, 중요도, 활성화/억제 에너지, 및 통신 우선순위와 같은 다양한 수치 속성들에 대한 조정을 구현할 수 있다. 플래너 컴포넌트 (580) 는, 예를 들어, 특정 데이터 유형들 또는 데이터 구조들이 단기 메모리 (520) 및 특정한 오토봇들에서 이용가능한 특정 지식을 통해 단기 메모리 (520) 에서 조작되게 강제할 수 있는 플래너 위버봇들의 세트를 생성함으로써, 견고한 직접적인 글로벌 전략을 구현할 수 있다. 일 양태에서, 플래너 컴포넌트 (580) 에 의해 생성된 오토봇들은 오토봇 컴포넌트 (540) 에 축적될 수 있고, 지식 네트워크 (375) 를 통해 이용될 수 있다. 대안으로 또는 부가하여, 플래너 컴포넌트 (580) 는, 자율 학습 시스템 (360) 의 현재 콘텍스트, 툴 시스템 (310) 의 현재 조건, (콘텐츠에서 동작할 수 있는 연관된 오토봇들을 포함할 수 있는) 단기 메모리 (520) 의 콘텐츠, 및 다양한 오토봇들의 이용 비용/이익 분석의 함수로서 간접적인 글로벌 전략을 구현할 수 있다. 본 발명의 생물학 기반 자율 학습 툴 (300) 은 플래너 컴포넌트들의 동적 확장을 제공할 수 있음을 알아야 한다.
플래너 컴포넌트 (580) 는, 생물학 기반 자율 학습 툴 (300) 에서의 프로세스 또는 목표, 적응이 그것의 저하를 초래하지 않는 것을 보장할 수 있는 규제 (regulatory) 컴포넌트로서의 역할을 할 수 있다. 일 양태에서, 규제 특징들은, 플래닝된 프로세스 또는 목표, 적응에 기초하여 동작 조건들을 추론하는 규제 위버봇들의 생성을 거쳐 직접적인 글로벌 전략을 통해 구현될 수 있다. 이러한 추론은, 규제 위버봇들이 기능을 하는 데이터 유형들의 의미론적 네트워크를 통해 행해질 수 있고, 이 추론은 비용/이익 분석에 의해 지원될 수 있거나 보완될 수 있다. 플래너 컴포넌트 (580) 가, 목표 컴포넌트, 예를 들어, 툴 시스템 (310) 에 대한 특정 손상들을 완화시킬 수 있는 목표들의 공간의 특정 영역 내에서 목표 드리프팅을 보존할 수 있음을 알아야 한다.
시스템 콘텍스트 컴포넌트 (590) 는 자율 학습 시스템 (360) 을 활용하는 생물학 기반 자율 학습 툴 (300) 의 현재 역량을 캡처할 수 있다. 시스템 콘텍스트 컴포넌트 (590) 는, (i) 내부 역량 정도와 연관된 값 (예컨대, 프로세스를 수행할 시 (또는 목표를 추구할 시) 의 툴 시스템 (310) 의 유용도, 프로세스를 수행하는 동안 채용된 자원들의 세트, 최종 제품 또는 서비스 (또는 추구된 목표의 결과) 의 품질 평가, 디바이스의 전달 시간 등), 및 (ii) 자율 학습 툴 (300) 의 상태를 나타내기 위한 라벨 또는 식별자를 포함하는 상태 식별자를 포함할 수 있다. 예를 들어, 라벨은, "초기 상태", "훈련 상태", "모니터링 상태", "학습 상태", 또는 "지식 적용"과 같은 상태들을 나타낼 수 있다. 역량 정도는, 결정된 범위 내에서 수치 값 또는 메트릭에 의해 특성화될 수 있다. 역량은 자율 시스템 (예컨대, 예시적인 시스템 300) 의 총 나이의 측정치, 또는 상대적 나이의 측정치, 예컨대 콘텍스트의 현재 상태의 시작 이래의 나이일 수 있다. 따라서, 시스템 콘텍스트 컴포넌트 (590) 에 의해 제공된 콘텍스트는 나이 또는 경험에 대한 프록시로서 기능할 수 있다. 게다가, 시스템 콘텍스트 컴포넌트 (590) 는, 특정 시간 간격에 걸쳐 자율 학습 시스템 (360) 에 의해 수행되는 학습의 요약 뿐만 아니라 수행된 학습의 관점에서 구현될 수 있는 가능한 프로세스 또는 목표 적응들의 요약을 포함할 수 있다.
도 6a는 본 발명의 양태들에 따른 예시적인 오토봇 컴포넌트 (540) 를 도시한다. 오토봇들 (6151 내지 615N) 은, 각각이 특정 동적 우선순위 (6251 내지 625N) 를 가지며 N은 자연수인 오토봇들 및 위버봇들의 라이브러리를 나타낸다. 오토봇들 (6151 내지 615N) 은 메모리 (예컨대, 장기 또는 단기 메모리, 또는 에피소드 메모리) 와 통신할 수 있다. 앞에서 나타낸 바와 같이, 오토봇의 우선순위는 오토봇의 활성화 에너지 및 억제 에너지에 의해 결정된다. 오토봇 (예컨대, 오토봇 (6151 또는 615N)) 은, 그 오토봇에 의해 처리될 수 있는 데이터가 STM 내에 존재할 경우 (위버봇들을 통해) 활성화 에너지를 획득한다. 오토봇 (예컨대, 오토봇 6152) 활성화 에너지 및 억제 에너지의 가중 합, 예컨대, Σ = wAEA + wIEI는 오토봇이 자신의 기능적 태스크를 수행하게 자신을 활성화할 수 있을 때를 결정할 수 있다: 오토봇은 소정의 내재 임계치인 ψ에 대해 Σ > ψ 일 때 자체적으로 활성화한다. 본 발명의 생물학 기반 자율 학습 툴 (300) 은 오토봇들의 동적 증가를 제공할 수 있음을 알아야 한다.
도 6b는 본 개시물의 양태들에 따른 오토봇의 예시적인 아키텍처 (650) 을 도시한다. 오토봇 (660) 은 실질적으로 오토봇 컴포넌트 (540) 에 포함된 오토봇들 중 임의의 오토봇일 수 있다. 기능적 컴포넌트 (663) 는 오토봇 (660) 이 입력 데이터에 대해 수행할 수 있는 동작의 적어도 일부를 결정하고 실행한다. 프로세서 (666) 는 오토봇 (660) 에 의해 수행된 동작(들)의 적어도 일부를 실행할 수 있다. 일 양태에서, 프로세서 (666) 는 기능적 컴포넌트 (663) 의 코-프로세서로서 동작할 수 있다. 오토봇 (660) 은 또한, 이전에 수행된 동작의 결과들의 세트가 보존되는 내부 메모리 (669) 를 포함할 수 있다. 일 양태에서, 내부 메모리는, 동작과 연관된 입력 데이터, EA 및 EI의 현재 및 이전 값들, 오토봇의 동작의 이력의 로그 등을 저장하는 캐시 메모리로서 동작한다. 내부 메모리 (669) 는 또한, 예를 들어 에러 정정 컴포넌트 (672) 를 통해 확립된 특정 유형 및 양의 에러가 오토봇 (660) 에 피드백되거나 역 전파될 경우 곧 있을 결과들의 품질을 개선시키는 방법을 오토봇 (660) 이 학습하는 것을 프로세서 (666) 를 통해 용이하게 할 수 있다. 그러므로, 오토봇 (660) 은, 특정 방식으로 특정 입력 데이터를 조작하도록 훈련 사이클들의 세트를 통해 훈련될 수 있다. 메모리 (669) 는 또한 프로세서 (666) 에 의해 실행될 때 본 개시물에서 설명되는 오토봇 (660) 의 기능을 적어도 부분적으로 구현하는 코드 명령들을 포함할 수 있다.
오토봇 (예컨대, 오토봇 660) 은 또한, (a) 오토봇이 조작 또는 요구할 수 있는 입력 데이터의 하나 이상의 유형들, (b) 오토봇이 생성할 수 있는 데이터의 유형, 및 (c) 입력 및 출력 정보에 대한 하나 이상의 제약들을 그 오토봇이 특정할 수 있다는 점에서 자체-설명적일 수 있으며, 조작 및 생성은 적어도 부분적으로 프로세서 (666) 를 통해 달성될 수 있다. 일 양태에서, 인터페이스 (675) 는, 위버봇들이 특정 툴 시나리오에 따라 활성화/억제 에너지를 오토봇들에 공급하기 위해, 오토봇 (660) 이 오토봇들의 이용가능성 및 능력을 자체-설명하고 이에 따라 위버봇들에 표현하는 것을 용이하게 할 수 있다. 인터페이스 (675) 는 프로세서 (666) 를 포함하여, 오토봇 (660) 내의 하나 이상의 컴포넌트들에 기능적으로 커플링될 수 있다. 덧붙여, 인터페이스 (675) 또한 오토봇 (660) 을 생물학 기반 자율 학습 엔진 (360) 내의, 또는 생물학 기반 자율 학습 엔진 (360) 외부의 다른 컴포넌트(들) 또는 다른 기능적 요소들 또는 다양한 메모리(들)에 기능적으로 커플링할 수 있다.
도 7은 본 명세서에서 설명되는 양태들에 따른 생물학 기반 자율 학습 엔진 내의 자기-인식 컴포넌트 (550) 의 예시적인 아키텍처 (700) 를 도시한다. 자기-인식 컴포넌트 (550) 는, 툴 시스템 (예컨대, 툴 시스템 (310)) 에서의 학습된 노멀 상태에 관한 현재의 저하 레벨을 결정할 수 있다. 툴 시스템 내의 머신 부품들의 마모; 툴 시스템이 하나 이상의 최적 범위 밖에서 동작하게 강제할 수 있는 레시피 (예컨대, 데이터 애셋) 또는 프로세스들을 개발하기 위한 개발 동작 또는 부적절한 동작; 툴 시스템의 부적절한 맞춤화; 또는 유지보수 스케줄들에 대한 부적합한 집착과 같은 다수의 소스들로부터 저하가 발생할 수 있다. 자기-인식 컴포넌트 (550) 는, (i) 메모리들, 예컨대, 메모리 플랫폼 (365) 의 부분일 수 있는 인식 메모리들 (710 내지 740) 의 계층, (ii) 오토봇 컴포넌트 (540) 에 상주할 수 있고 처리 플랫폼 (385) 의 부분일 수 있는 인식 오토봇들과 같은 기능적 동작 유닛들, 및 (iii) 하나 이상의 인식 플래너 컴포넌트들 (750) 이라고 여기서 지칭되기도 하는, 하나 이상의 인식 플래너들 (750) 의 세트를 통해 재귀적으로 어셈블링될 수 있거나 또는 정의될 수 있다. 저하 레벨에 기초하여, 자율 학습 시스템 (360) 은, 가능한 고장들의 순위를 매기기 위한 정보 (358) 뿐만 아니라 이용가능한 데이터 애셋들 (328) 을 분석할 수 있다. 일 양태에서, 과도한 저하 레벨, 예컨대, 툴 시스템 고장에 응답하여, 액터 (예컨대, 필드 엔지니어) 는, 챔버 세정, 포커스 링 교체 등과 같은 하나 이상의 유지보수 활동들을 수행할 수 있다. 툴 시스템의 성공적인 수리의 경우, 확인된 바와 같이, 예를 들어, 시스템 고장 전에 저하에 부합하는 저하 레벨들 및 선행하는 연관된 증상들 (예컨대, 데이터 애셋들 및 패턴들, 관계들, 및 이러한 결합으로부터 추출된 실질적으로 임의의 다른 유형의 이해) 을 복원함으로써, 유지보수 활동들은 자율 학습 시스템 (360) 에 의해 보존될 수 있다. 따라서, 학습된 증상들이 데이터 애셋들로부터 자율적으로 수집된 새로운 이해 및 저하 분석을 통해 식별되는 곧 있을 사례들에서, 저장된 수리 플랜은 비용을 감소시키고 평균 수리 시간 (MTTR) 을 개선하도록 재연 (replay) 될 수 있다.
인식 작업 메모리 (AWM) (710) 는, 센서 컴포넌트 (325) 내의 센서 또는 액터 (390) 에서 비롯될 수 있으며, 어댑터 컴포넌트 (335) 내의 하나 이상의 어댑터들에 의해 패키징될 수 있고, 지식 네트워크 (375) 에 의해 수신될 수 있는 데이터, 예컨대, 정보 입력 (358) 을 저장하는데 이용될 수 있는 인식 센서 메모리 (ASM) (720) 로서 식별되는 특수한 메모리 영역을 포함할 수 있는 STM 이다. 자기-인식 컴포넌트 (550) 는 또한, 오토봇 컴포넌트 (540) 에 상주할 수 있고 인식 플래너 위버봇들 (AP들) 을 포함할 수 있는 다수의 특수 기능 오토봇들을 포함할 수 있다.
또한, 자기-인식 컴포넌트 (550) 는, LTM의 부분이고 자기-인식 컴포넌트 (550) 의 동작에 관련된 다수의 개념들 - 예컨대, 속성; 클래스 또는 인과 그래프와 같은 엔티티; 관계, 또는 절차 - 를 포함할 수 있는 인식 지식 메모리 (AKM) (730) 를 포함할 수 있다. 일 양태에서, 반도체 제조 툴에 대한 자기-인식 컴포넌트 (550) 는, 단계, 런, 배치, 유지보수 간격, 습식 세정 사이클 등과 같은 도메인 특정 개념들 뿐만 아니라, 숫자, 리스트, 시퀀스, 세트, 매트릭스, 링크 등과 같은 범용 개념들을 포함할 수 있다. 이러한 개념들은 더 높은 레벨의 추상화물에 진입할 수 있으며, 예를 들어, 웨이퍼 런은 한 단계가 레시피 파라미터 설정치들 (예컨대, 원하는 값들) 및 하나 이상의 단계 측정치들 모두를 갖는 순서화된 단계들의 시퀀스로서 정의될 수 있다. 더욱이, AKM (730) 은, 평균, 표준 편차, 범위, 상관, 주요한 컴포넌트 분석 ( PCA ), 멀티-스케일 주요 컴포넌트 분석 ( MSPCA ), 웨이브릿 또는 실질적으로 임의의 기저 함수 등과 같은 2개 이상의 개념들을 링크시킬 수 있는 함수 관계들을 포함할 수 있다. 다수의 함수 관계들이 동일한 개념에 적용가능할 수 있고 그래서 관련될 수 있다; 예를 들어, 숫자들의 리스트는, (함수적) 관계인 평균 및 표준-편차 관계 뿐만 아니라 최대값 관계 등에 의해 실수 인스턴스에 매핑된다는 것에 유의해야 한다. 하나 이상의 엔티티들로부터 다른 엔티티에 대한 관계가 함수이거나 또는 함수적 (예컨대, 함수의 함수) 인 경우, 그 함수에 효과를 미치기 위해 위버봇에 의하여 실행될 수 있는 연관된 절차가 존재할 수 있다. 개념의 정확한 정의는, UML, OMGL 등과 같은 적절한 데이터 스키마 정의 언어로 표현될 수 있다. 또한, AKM (730) 의 콘텐츠가 시스템을 셧다운시키지 않으면서 (툴 시스템) 런타임에서 동적으로 증분될 수 있음에 유의해야 한다.
여기에 설명된 바와 같은 지식 베이스 내의 임의의 개념으로서의 AKM (730) 내의 각각의 개념은 적합성 속성 및 관성 속성과 연관될 수 있어, 개념의 특정 상황 스코어를 야기한다. 처음에, 자율 시스템에 데이터가 제공되기 전에, AKM (730) 내의 모든 요소들에 대한 적합성 값은 제로이지만, 모든 개념들에 대한 관성은 툴 의존적일 수 있으며 액터에 의해 또는 이력 데이터 (예컨대, 데이터베이스(들)(355) 내의 데이터) 에 기초하여 할당될 수 있다. 일 양태에서, 숫자들의 세트로부터 평균을 생성하는 절차의 관성은 실질적으로 낮을 수 있는데 (예컨대, ι= 1), 이는 평균의 컴퓨테이션이, 수집된 데이터 세트들, 또는 컴퓨터 시뮬레이션으로부터의 결과들에 관련된 실질적으로 모든 상황들에 적용가능할 수 있는 매우 간단한 동작으로서 간주될 수 있기 때문이다. 마찬가지로, 숫자들의 세트를 단일 숫자로 변환하는 최대 및 최소 값 절차들은 실질적으로 낮은 관성 값을 부여 받을 수 있다. 대안으로, 범위를 컴퓨팅하는 것 및 표준 편차를 컴퓨팅하는 것은 이러한 지식 요소들을 적용하기가 더 어렵기 때문에 더 높은 관성 값들 (예컨대, ι= 2) 을 제공받을 수 있는 반면, PCA 를 컴퓨팅하는 것은 더 높은 레벨의 관성을 디스플레이할 수 있고 MSPCA 를 계산하는 것은 훨씬 더 높은 관성 값을 가질 수 있다.
상황 스코어는 AKM (730) 및 AWM (710) 사이에서 어느 개념(들)을 통신할지를 결정하기 위해 채용될 수 있다 (하기 참조). 상황 스코어 임계값을 초과하는 지식 요소들 또는 개념들은 AWM (710) 으로 운반되기에 적합하다. 이러한 개념들은, 개념을 보존하기 위해 AWM (710) 내에 충분히 이용가능한 저장장치가 존재하고, AWM (710) 으로 운반되지 않는 더 높은 상황 스코어를 갖는 이종의 개념들이 존재하지 않을 경우, 운반될 수 있다. AWM (710) 에서의 개념의 적합성 및 그에 따른 개념의 상황 스코어는 시간이 진행함에 따라 쇠퇴할 수 있으며, 이는 메모리에 이미 존재하는 하나 이상의 개념들이 더 이상 필요하지 않거나 더 이상 이용가능하지 않을 경우, 더 높은 적합성을 갖는 새로운 개념들이 인식 작업 메모리 (710) 에 진입하는 것을 허용할 수 있다. 개념의 관성이 더 커짐에 따라, 개념이 AWM (710) 으로 운반되고 AWM (710) 에서부터 제거하는데 더 오래 걸릴 것임에 유의한다.
툴 시스템 (예컨대 툴 시스템 310) 상태가 변할 경우, 예를 들어, 스퍼터 타겟이 교체되거나, 전자빔 건이 추가되거나, 퇴적 프로세스가 종료되거나, 인 시츄 (in situ) 프로브가 개시되거나, 어닐링 스테이지가 완료되는 등의 일이 발생할 경우, 인식 플래너 (550) 위버봇들은, 어떤 개념들 (예컨대, 지식 요소들) 이 새로운 상태에서 적용될 수 있는지를 문서화 (document) 할 수 있고, AKM (730) 내의 각각의 이러한 개념의 적합성 값 및 그에 따른 상황 스코어를 증가시킬 수 있다. 유사하게, 오토봇들 (6151 내지 615N) 의 활성화 에너지(들) (6171 내지 617N) 는, 특정 오토봇들의 활성화 에너지를 감소시키고 새로운 상황에 적합한 오토봇들에 대한 EA를 증가시키기 위해 위버봇들에 의해 조정될 수 있다. 적합성 (및 상황 스코어) 에서의 증분은, 플래너 위버봇들에 의해 그 개념들의 제 1 이웃들에, 그리고 그 다음 제 2 이웃들에 등으로 확산될 수 있다. AKM (730) 내의 제 1 개념의 이웃은, 선택된 측정치, 예컨대, 홉들의 수, 유클리드 거리 등에 따라 제 1 개념에서부터 특정 거리 내에 위상기하학적 관점에서 상주하는 제 2 개념일 수 있음을 알아야 한다. 적합성에서의 원래의 증분을 수용했던 제 1 개념으로부터 제 2 개념이 더 멀어짐에 따라, 적합성에서의 제 2 개념의 증분이 더 작아진다는 것에 유의한다. 따라서, 적합성 (및 상황 스코어) 증분은 약화된 확산을 "개념적 거리"의 함수로서 나타낸다.
아키텍처 (500) 에서, 자기-인식 컴포넌트 (550) 는, 인식 플래너 컴포넌트 (750) 의 확장일 수 있고 외재적 데이터 또는 내재적 데이터의 집합에서의 변화들을 (예컨대, 상호작용 컴포넌트 (330) 를 통한 센서 컴포넌트 (325) 를 통해, 입력 (130) 을 통해, 또는 (피드백) 링크 (155) 를 통해) 요청 및 달성할 수 있는 인식 스케줄 어댑터 (ASA) (760) 를 포함한다. 일 양태에서, 인식 스케줄 어댑터 (760) 는 데이터 샘플링 주파수 조정을 도입할 수 있으며 - 예컨대, 그것은, 어댑터 컴포넌트 (335) 에서의 상이한 어댑터들이 ASM (720) 에 대해 의도된 지식 네트워크 (375) 에 데이터 (예컨대, 정보 입력 (358)) 를 운반할 수 있는 레이트를 통제할 수 있다. 더욱이, 인식 스케줄 어댑터 (760) 는, 적응적 추론 엔진에서 수신된 데이터로부터 추론되는 바와 같은 목표의 달성을 추진하는데 실패한 변수들, 또는 데이터의 노멀 패턴들의 서술에 포함되지 않는 프로세스 변수들과 연관된 데이터의 집합을 낮은 주파수로 샘플링할 수 있거나, 실질적으로 제거할 수 있다. 반면에, ASA (760) 는 데이터의 노멀 패턴에서 확장적으로 사용되거나 목표를 활성적으로 추진할 수 있는 변수들의 세트를 더 높은 주파수에서 샘플링할 수 있다. 더욱이, 제품 품질 또는 프로세스 신뢰도가 노멀 데이터 패턴들로부터 점차 벗어나고 있다는 것 (또는 목표 드리프트가 목표들의 공간에서의 초기 목표로부터의 현저한 이탈을 초래한다는 것) 을 데이터가 나타내는, 툴 시스템 (310) 상태의 변화 (또는 특정 목표와 연관된 상황에서의 변화) 를 자율 학습 시스템 (360) 이 확인응답할 경우, 자율 학습 시스템은, 저하를 효율적으로 확인할 수 있고 그에 따라 적절한 경보를 트리거링할 수 있는 더 큰 볼륨의 동작가능 정보 (예컨대, 입력 130) 를 수집하기 위해 더 신속한 데이터 샘플링을 ASA (760) 를 통해 요청할 수 있다. 일 양태에서, 목표 컴포넌트는 초기 목표에 진입하였던 액터에 목표 드리프트 요약을 디스플레이할 수 있다; 예컨대, 홈 엔터테인먼트 시스템을 입수한 경우에 초기 지출 목표로부터 실질적으로 벗어난 전자기기 스토어의 소비자에게 예산 적응 후의 계획된 비용에서의 변화를 갖는 로그를 디스플레이할 수 있거나, 데이터 웨어하우스를 최적화하기 위한 목표의 적응 시에 메모리 공간 및 연관된 인프라구조와 연관된 비용들이 데이터베이스 설계자에게 보여질 수 있다.
액터 (390) (예컨대, 휴먼 에이전트, 또는 휴먼 에이전트에 의해 채용된 디바이스) 는, (예를 들어, 성공적으로 적응된 목표들의 예시들을 포함하는) 하나 이상의 에피소드들의 정의를 포함할 수 있는 다수의 방식들로 자기-인식 컴포넌트 (550) 를 훈련할 수 있다. 에피소드에 대한 자기-인식 컴포넌트 (550) 를 통한 생물학 기반 자율 학습 시스템 (360) 의 훈련은 다음과 같이 일어날 수 있다. 액터 (390) 는 에피소드를 생성하고 그 에피소드에 고유한 명칭을 제공한다. 새롭게 생성된 에피소드에 대한 데이터는 그 다음에 자율 학습 시스템 (360) 에 제공될 수 있다. 이 데이터는, 툴 시스템의 단일 특정 동작 단계 동안의 특정 센서, 단일 특정 단계 동안의 파라미터들의 세트, 런에 대한 단일 파라미터 평균 등에 대한 데이터일 수 있다.
대안으로 또는 부가적으로, 더 많은 기본적인 안내가 액터 (390) 에 의해 제공될 수 있다. 예를 들어, 필드 지원 엔지니어는 툴 시스템 (310) 에 대한 예방적인 툴 유지보수 (tool maintenance; PM) 를 수행할 수 있다. PM은 플래닝될 수 있고 주기적으로 발생할 수 있거나, 계획되지 않거나 비동기적일 수 있다. 예방적 툴 유지보수가 자율 학습 시스템 (360) 에 의한 요청에 응답하여, 루틴의 예방적 유지에 응답하여, 또는 스케줄링되지 않은 유지보수에 응답하여, 제조 시스템에 대해 수행될 수 있음을 알아야 한다. 시간 간격이 연속하는 PM들 사이에서 경과하며, 이러한 시간 간격 동안, 하나 이상의 프로세스들 (예컨대, 웨이퍼들/로트들의 제조) 이 툴 시스템에서 일어날 수 있다. 데이터 및 제품 애셋들 (예컨대, 데이터 애셋들, 플랫 패널 디스플레이 디바이스, 웨이퍼...) 및 연관된 정보, 이를테면 행해진 플래너 및 계획되지 않은 유지보수를 통해, 자율 학습 시스템은 "고장 사이클"을 추론할 수 있다. 따라서, 자율 학습 시스템은, 평균무고장시간 (mean time between failures; MTBF) 을 추론하기 위해 애셋(들)(328) 을 활용할 수 있다. 이러한 추론은, 중요 데이터 및 제품 애셋들의 함수로서 고장시간 (time-to-failure) 모델을 통해 지원된다. 더욱이, 자율 학습 시스템 (360) 은, 정보 입력/출력 (I/O) (358) 으로서 수신된 이종의 애셋들 사이의 관계들을 통해, 또는 전문가 액터에 의해 전달되는 감독된 훈련 세션들로부터 기인하는 이력 데이터를 통해 모델들을 개발할 수 있다. 전문가 액터가 훈련된 이종의 자율 학습 시스템과 상호작용하는 이종의 액터일 수 있음을 알아야 한다.
액터 (390) (예컨대, 최종 사용자 또는 최종 사용자에 의해 이용되는 디바이스) 는, 자율 학습 시스템이 웨이퍼 레벨 런 데이터를 평균화하고 PM 간격들에 걸쳐 중요 파라미터들에서의 드리프트를 평가할 수 있다는 것을 자율 학습 시스템에 알려줌으로써 자율 학습 시스템을 안내할 수 있다. 액터 (390) 가 각각의 계획되지 않은 PM 전에 웨이퍼 평균 레벨에서 데이터의 패턴을 학습하여 특성화할 것을 학습 명령을 통해 자율 학습 시스템 (360) 에 표시하는 더 도전적인 과제가 자율 학습 시스템에 의해 수행될 수 있다. 이러한 명령은 계획되지 않은 PM 전에 데이터의 패턴을 학습하도록 자율 학습 시스템 (360) 을 촉진할 수 있으며, 데이터의 패턴이 인식 오토봇에 의해 식별될 수 있으면, 자기-인식 컴포넌트 (550) 는 시간이 진행함에 따라 그러한 패턴을 학습할 수 있다. 패턴을 학습하는 동안, 인식 컴포넌트 (550) 는 자기-개념화 컴포넌트 (560), 또는 오토봇 컴포넌트 (540) 에 상주하는 인식 오토봇들로부터 지원 (또는 서비스들) 을 요청할 수 있다. 툴 시스템에 대한 패턴이 (PCA 분해의 계수들, K-클러스터 알고리즘에서의 우세한 클러스터의 사이즈, 또는 이종의 파라미터들 및 시간의 세트의 함수로서의 제 1 파라미터의 크기의 예측 등에 반영된 바와 같은 패턴의 재현 정도에 의해 측정되는) 높은 신뢰도로 학습될 경우, 생물학 기반 자율 학습 시스템 (360) 은, 경보가 참조 에피소드의 발생 전에 트리거될 수 있도록 툴 유지보수의 필요성을 야기할 수 있는 오동작과 연관된 참조 에피소드를 생성할 수 있다. 오토봇 컴포넌트 (540) 에 상주할 수 있는 인식 오토봇들은 오동작 참조 에피소드에 대한 데이터 패턴, 또는 계획되지 않은 유지보수를 필요로 하기 전에 요청할 수 있는 실질적으로 임의의 특정 상황을 완전히 특성화하는데 실패할 수 있음에 유의한다. 그럼에도 불구하고 깊은 거동적 (deep behavioral) 및 예측적 기능 분석을 포함할 수 있는 툴 시스템 (310) 의 이러한 예방적 헬스 관리가 자기-개념화 컴포넌트 (560) 내의 오토봇들에 의해 수행될 수 있음을 알아야 한다.
도 8은 본 명세서에서 설명되는 양태들에 따른 인식 작업 메모리 (520) 에서 동작할 수 있는 오토봇들의 다이어그램 (800) 이다. 예시된 오토봇들- 정량기 (815), 예상 엔진 (825), 예상외 (surprise) 스코어 생성기 (835), 및 요약 생성기 (845) - 인식 엔진, 즉, 신생 (emergent) 성질이 기초적인 구성물들, 예컨대, 오토봇들 (815, 825, 835, 및 845) 의 협력된 동작으로부터 생겨나는 가상의 신생 컴포넌트를 포함할 수 있다. 인식 엔진이, 하나 이상의 플래닝 위버봇들이 복잡정교한 활동을 수행하기 위해, 조정된 오토봇들의 집합을 사용할 수 있는 방법의 일 예임을 알아야 한다. 플래닝 위버봇들은, 생물학 기반 자율 학습 시스템에서 수신된 데이터의 패턴을 특성화하기 위해, 자기-개념화 컴포넌트 (560) 의 서비스들 또는 다양한 오토봇들 (예컨대, 평균, 표준 편차, PCA, 웨이브릿, 도함수 등) 을 채용한다. 각각의 단계, 런, 로트 등에 대한 데이터는, 훈련 동안 노멀 또는 비노멀로서 외부 엔티티에 의해 라벨링될 수 있다. 정량기 (815) 는, 프로토타입 노멀 프로세스에 대한 데이터의 패턴을 학습하기 위해 노멀 데이터를 활용하도록 플래닝 위버봇들에 의해 채용될 수 있다. 또한, 정량기 (815) 는, ASM (720) 에 축적되는 라벨링되지 않은 데이터 세트 (예컨대, 정보 입력 358) 를 평가할 수 있고, 라벨링되지 않은 데이터의 데이터 패턴과 노멀 데이터 패턴을 비교할 수 있다. 노멀 데이터를 갖는 파라미터들을 예측하기 위한 노멀 데이터 또는 수식들에 대한 기대된 패턴들은 예상 엔진 (825) 을 통해 저장되고 조작될 수 있다. 라벨링되지 않은 데이터의 패턴이 다수의 메트릭들에 따라 다양한 방식들로 노멀 데이터 패턴과 상이할 수 있으며, 예를 들어, (PCA 및 MS-PCA에 적용되고 훈련 런들로부터 유도되는 바와 같은) 호텔링 (Hotelling) T2 통계에 대한 임계치가 초과될 수 있고, 라벨링되지 않은 데이터 세트의 데이터 서브세트의 평균이 노멀 훈련 런 데이터로 컴퓨팅된 평균으로부터 3σ (또는 다른 소정의 편차 간격) 를 초과하게 상이할 수 있고, 측정된 파라미터들의 드리프트가 노멀 런과 연관된 데이터에서 관측되었던 것과는 실질적으로 상이할 수 있으며, 그 외 다른 예가 존재할 수 있음에 유의한다. 요약 생성기 (845) 는 따라서, 노멀 데이터에 대한 컴포넌트들의 벡터를 생성하는 반면, 예상외 스코어 생성기 (835) 는 벡터의 컴포넌트들에서의 실질적으로 모든 이러한 차이들을 포함 및 랭킹 (ranking) 또는 가중화시킬 수 있고, 툴 시스템의 헬스 조건을 반영하고 툴 시스템이 "노멀부터 얼마나 멀리 이격" 되었는지를 반영하는 툴 시스템에 대한 순수 저하 예상외 스코어를 컴퓨팅할 수 있다. 노멀 및 라벨링되지 않은 메트릭들 사이의 불일치들이 시간의 함수로서 변할 수 있음을 알아야 한다. 따라서, 증가한 양의 노멀 데이터의 수집을 통해, 자율 학습 시스템 (360) 은, 시간이 지남에 따라 더 큰 레벨의 통계 신뢰도를 갖는 다양한 동작 제한들을 학습할 수 있으며, 그에 따라, 제조 프로세스 레시피들 (예컨대, 목표) 을 조정할 수 있다. 저하 조건은, 예상외 스코어를 통해 측정된 바와 같이, 요약 생성기 (845) 를 통해 액터에 리포트될 수 있다.
도 9는, 본 명세서에서 설명되는 양태들에 따른 생물학 기반 자율 학습 엔진의 자기-개념화 컴포넌트의 예시적인 실시형태 (900) 를 도시한다. 자기-개념화 컴포넌트의 기능은, 중요한 반도체 제조 툴 관계들 및 서술들의 이해를 구축하는 것이다. 이러한 이해는 제조 프로세스 (예컨대, 목표) 를 조정하기 위해 채용될 수 있다. 이 획득된 이해는, 자율적으로 또는 안내를 공급받은 최종 사용자 (예컨대, 액터 390) 에 연계하여 구축된다. 다른 주요 기능적 컴포넌트들 (550 및 560) 과 유사하게, 자기-개념화 컴포넌트 (570) 는, 메모리들의 계층, 동작 유닛들, 또는 오토봇들, 및 플래너들의 관점에서 재귀적으로 어셈블링 또는 정의되며, 이러한 컴포넌트들은 우선순위-인에이블형 (enabled) 지식 네트워크를 통할 수 있다.
실시형태 (900) 는, 자기-개념화 컴포넌트 (570) 의 동작에 필요한 개념들 (예컨대, 속성들, 엔티티들, 관계들 및 절차들) 을 포함하는 개념화 지식 메모리 (CKM) (910) 를 도시한다. CKM (910) 에서의 개념들은, (i) 단계, 런, 로트, 유지보수 간격, 습식 세정 사이클, 스텝 측정, 웨이퍼 측정, 로트 측정, 웨이퍼 상의 위치, 웨이퍼 지역, 웨이퍼 중심, 웨이퍼 에지, 제 1 웨이퍼, 최종 웨이퍼 등과 같은 도메인 특정 개념들, 및 (ii) 숫자, 상수 (예컨대, e, π), 변수, 시퀀스, 시간 시퀀스, 매트릭스, 시간 매트릭스, 미세 그레인식 ( grained ) 거동, 거친 그레인식 거동 등과 같은 범용 도메인 독립적 개념들을 포함한다. 자기-개념화 컴포넌트는 또한, 가산, 감산, 승산, 제산, 제곱, 세제곱, 거듭제곱, 지수, 로그, 사인, 코사인, 탄젠트, erf 등과 같은 범용 함수 관계들 뿐만 아니라 다양한 레벨의 세부사항을 제공할 수 있고 적응적 개념화 템플릿 메모리 (ACTM) (920) 에 상주할 수 있는 다른 도메인 특정 함수 관계들의 광범위한 어레이를 포함한다.
ACTM (920) 은, 툴 시스템 (310) (예컨대, 반도체 제조 툴) 과 상호작용하는 액터 (예컨대, 최종 사용자) 에 완전하게 또는 부분적으로 알려진 함수 관계들을 보유할 수 있는 CKM (910) 의 확장이다. ACTM이 CKM의 논리적 확장이지만, 오토봇들, 플래너들, 및 다른 기능적 컴포넌트들이 이러한 분리에 의해 영향을 받지 않는데, 실제 메모리 저장장치가 자기-개념화 컴포넌트 (560) 내의 단일 저장 유닛으로 나타낼 수 있어서라는 점에 유의해야 한다. 자기-개념화 컴포넌트 (560) 는 또한, 개념화 작업 메모리 (CWM) (940) 의 확장인 개념화 목표 메모리 (CGM) (930) 를 구비할 수 있다. CGM (930) 은 현재 목표의 오토봇들이, 예컨대, (f, 압력, 시간, 스텝) 를 학습하는 것을 용이하게 할 수 있으며, 특정 프로세스 단계에 대해, 시간에 의존하는 함수인 압력의 함수 f를 학습하는 것을 용이하게 할 수 있다. 함수 f를 학습하는 것은 툴 시스템 (310) 을 이용하여 반도체 디바이스를 제조하는 목표의 달성을 용이하게 할 수 있는 하위-목표를 나타냄에 유의해야 한다.
ACTM (920) 에서의 개념들은 또한, 상황 스코어를 야기할 있는 적합성 수치 속성 및 관성 수치 속성을 갖는다. 관성 값은 학습될 개념의 우도를 나타낼 수 있다. 예를 들어, 매트릭스 개념에 대한 더 높은 관성 값 및 시간-시퀀스 개념에 대한 더 낮은 관성은, 자기-개념화 컴포넌트 (560) 가 매트릭스에서의 데이터의 기능적 거동보다 시간-시퀀스들의 기능적 거동을 학습할 수 있는 상황을 야기할 수 있다. 자기-인식 컴포넌트 (550) 와 유사하게, 더 낮은 관성을 갖는 개념들은 CKM (910) 으로부터 CWM (940) 으로 운반될 가능성이 더 높다.
개념 플래너들 (CP들) 은, 현재의 콘텍스트, 툴 시스템 (310) (또는 일반적으로는 목표 컴포넌트 120) 의 현재 상태, CWM (940) 의 콘텐츠, 또는 CWM (940) 에서의 현재 오토봇(들)의 활성화의 함수로서, 활성화 에너지를 다양한 오토봇들에 제공하고, 상황 에너지를 CKM (910) 및 ACTM (920) 에서의 다양한 개념들에 제공한다. 활성화 에너지 및 상황 에너지의 변경들이 CWM (940) 또는 CKM (910) 에서의 개념들에 대한 변경된 의미론적 네트워크의 결과로서 생성된 지식에 기초하여 (예컨대, 학습에 기초하여) 목표 적응을 야기할 수 있으며 - 이는 적응적 추론 엔진에 의한 추론이 개념들의 전파 양태들에 기초할 수 있어서라는 것을 알아야 한다.
CTM (920) 의 콘텐츠들은 위에서 논한 지식을 설명할 수 있는 개념들이고, 따라서 그러한 개념들은 적합성 및 관성 수치 속성들을 가질 수 있다. CTM (920) 의 콘텐츠들은 (더 낮은 관성을 갖는 개념들이 더 높은 관성을 갖는 개념들보다 활성화될 더 높은 가능성이 있다는 제약을 받는) 툴 시스템 (310) 의 기능적 거동을 학습하기 위하여 오토봇들에 의해 사용될 수 있다. 모든 안내가 동일한 관성을 가질 필요는 없으며, 예를 들어, 양쪽의 개념들이 완전한 함수들을 나타낼지라도, 제 1 완전 함수는 제 2 완전 함수보다 더 낮은 관성을 제공받을 수 있다.
부분적으로 정의된 수학식과 같은 부분적인 지식이 CWM (940) 에서 업로드될 경우, 그것은 예컨대, 기존의 지식 - CP들은 미지의 계수들에 대한 값들을 먼저 식별하기 위해 이용가능한 데이터를 채용하도록 오토봇들을 조정한다-으로 완료될 수 있다. 따라서, 애드혹 계수들의 세트는 부분적으로 정의된 수학식 개념을 완전한 함수 개념으로 완성시킬 수 있다. 그러면 완전한 수학식 개념은 가산, 승산 등과 같은 사전 구축된 함수-관계 개념에서 이용될 수 있다. 출력 (예컨대, relationship(output(κ E ),T) 을 갖는 기본 지식은 CWM (940) 에서의 오토봇들이 κ E 및 T 사이의 관계를 설명할 수 있는 최상의 함수를 식별하기 위해 κ E 및 T에 대한 데이터에 관계가 있는 다양한 기능적 서술들을 구성하고 평가하는 것을 용이하게 할 수 있다. 대안으로, 출력이 없는 기본 지식은 오토봇들이 CP들의 지원으로 변수를 출력, 또는 독립적, 변수로서 특정하고 그것을 남아있는 변수들의 함수로서 표현할 것을 시도하는 것을 용이하게 할 수 있다. 양호한 기능 서술이 발견되지 않을 경우, 대안적인 변수는, 프로세스가 적절한 함수 관계로 수렴할 때까지 반복되거나 또는 자율 학습 시스템 (360) 이 적절한 함수 관계가 발견되지 않았다는 것을, 예를 들어, 액터 (390) 에 나타내는 독립 변수로서 특정될 수 있다. 식별된 양호한 함수 관계는, CP들에 의해 할당된 관성 레벨을 갖는 생물학 기반 자율 학습 엔진 (360) 내의 오토봇들에 의해 이용되기 위해 CKM (910) 에 제공될 수 있다. 예를 들어, 할당된 관성은 식별된 관계의 수학적 복잡도의 함수일 수 있으며, 2개의 변수들 사이의 선형 관계는, 다수의 변수들, 파라미터들, 및 연산자들 (예컨대, 그래디언트, 라플라스, 편도함수 등) 을 포함하는 비-선형 관계에 대해 할당된 관성보다 낮은 관성 값을 할당받을 수 있다.
개념화 엔진 (945) 은, 인식 오토봇들 및 개념화 오토봇들의 조정된 활동들을 제공할 수 있는 "가상 컴포넌트" 일 수 있다. 일 양태에서, 자기-인식 컴포넌트 (550) 는 변수들의 그룹 (예컨대, 그룹내의 변수들은 양호한 쌍별 (pairwise) 상관 속성들을 디스플레이하는 것들일 수 있음) 을 자기-개념화 컴포넌트 (560) 에 (FF 루프 (552) 를 통해) 피드 포워드할 수 있다. 포워드된 정보는, 자기-개념화 컴포넌트 (560) 가 함수 관련 템플릿들에 대해 CKM (910) 및 ACTM (920) 를 점검하는 것을 용이하게 할 수 있다. 템플릿의 이용가능성은, 개념화 엔진 (945) 에 상주할 수 있는 개념화 학습자 (CL) 의 오토봇이, 포워드된 그룹내의 변수들 사이의 기능적 거동을 더 신속하게 학습하게 할 수 있다. 이러한 기능적 거동을 학습하는 것이 주요 목표의 하위-목표일 수 있음을 알아야 한다. CP 오토봇의 지원을 갖는 CL 오토봇은 또한 개념화 검증기 (conceptualization validator; CV) 의 오토봇들을 사용할 수 있다. CV 오토봇들은, 제안된 함수 관계들 (예컨대, 예측된 값과 측정치 사이의 평균 에러는 툴 분해능 (instrument resolution) 내에 존재한다) 의 품질을 평가할 수 있다. CL 오토봇은 자율적으로 또는 액터-공급된 안내를 통해 함수 관계를 독립적으로 학습할 수 있으며, 이러한 액터 공급된 안내는 외재적 데이터로서 간주될 수 있다. CL에 의해 학습된 함수들은, 관심 변수들의 그룹으로서 자기-인식 컴포넌트 (550) 에 (예컨대, FB 링크 (558) 를 통해) 피드백될 수 있다. 예를 들어, κ0 (예컨대, 점근적 식각 레이트) 및 U (예컨대, 활성화 장벽) 가 CL에 알려진 특정 값들을 소유하는 함수 κE = κ0exp(-U/T) 를 학습한 후, 자기-개념화 컴포넌트 (560) 는 안내 그룹 (output(κE,T)) 을 자기-인식 컴포넌트 (550) 에 피드백할 수 있다. 이러한 피드백 통신은, 변수들의 그룹에 관한 저하가 신속히 인식될 수 있고, 필요하다면, 경보가 생성 (예컨대, 경보 요약, 경보 수신 리스트 검증) 및 트리거될 수 있도록 이러한 변수들의 그룹에 관한 패턴들을 학습하기 위해, 자기-인식 컴포넌트 (550) 를 공급할 수 있다. 메모리 (960) 는 개념화 에피소드 메모리이다.
CL 및 CV에 관련된 다음의 2개의 양태들을 유의해야 한다. 먼저, CL은 수학식들을 (예컨대, 심볼 조작을 통해) 간단히 할 수 있는 오토봇들을 구비할 수 있으며, 이는 간단명료한 수학적 표현으로서 함수 관계들을 저장하는 것을 용이하게 할 수 있다. 일 예로, 관계 P = ((2 + 3)Φ)(((1+0)÷θ) 는 P = 5Φ÷θ로 단순화되는데, 여기서 P, Φ 및 θ는 압력, 흐름 및 배기 밸브 각도를 각각 나타낸다. 두 번째로, CV는 함수 관계의 품질을 결정할 경우 수학식의 구조의 복잡도를 고려할 수 있다 - 예컨대 실질적으로 동일한 특성들을 갖는 파라미터들에 대해, 예측된 값들 대 측정치들의 평균 에러처럼, 더 간단한 수학식이 더 복잡한 수학식 대신 선호될 수 있다 (예컨대, 더 간단한 수학식이 더 낮은 개념 관성을 가질 수 있다).
부가적으로, 자기-인식 컴포넌트 (550) 로부터 자기-개념화 컴포넌트 (560) 로의 정보의 중요한 FF (552) 통신, 및 자기-개념화 컴포넌트 (560) 로부터 자기-인식 컴포넌트 (550) 로의 FB (558) 통신은, 에피소드에 대한 데이터의 패턴을 특성화하기 위한 인식 오토봇들 및 개념화 오토봇들의 협력을 포함할 수 있다. 도 5와 관련하여 위에서 논한 바와 같이, 자기-인식 컴포넌트 (550) 가 에피소드를 학습하는데 실패할 경우, 자기-개념화 컴포넌트 (560) 는 관련 함수 관계들의 세트의 준비를 통해 자기-인식 컴포넌트 (550) 를 지원할 수 있다. 예를 들어, 에피소드의 특성화는, 툴 시스템 (310) 에서의 프로세스 런 내의 안정화 단계의 압력의 시간 의존성의 미세-그레인식 서술을 요구할 수 있다. 자기-개념화 컴포넌트 (560) 는 안정화 단계에서의 이러한 상세한 (예컨대, 초단위의) 압력의 시간 의존성을 구축할 수 있다. 따라서, FB 루프 (558) 를 통해, 자기-인식 컴포넌트 (550) 는, 노멀 툴 상황에서 안정화 단계 동안 압력의 패턴을 특성화하고, 학습된 압력 시간 의존성을 특정 에피소드 데이터에서의 압력의 패턴과 비교하는 것을 학습할 수 있다. 일 예시로서, 에피소드에서의 데이터에 대한 안정화 단계 전에 측정된 압력에서의 스파이크의 존재, 및 노멀 툴 동작 동안 압력 데이터에서의 스파이크의 부재는, 생물학 기반 자율 학습 툴 (300) 에서의 에피소드의 발생을 식별하는 데이터 패턴으로서 검출될 수 있다.
유사하게, 스케줄링되지 않은 PM의 예측은, 툴 시스템 데이터의 중요 측정치들의 시간적 변동들의 지식, 및 자기-개념화 컴포넌트 (570) 에 의해 운반되는 예측 함수들의 세트의 이용가능도에 의존할 수 있다. 예측 함수들은, 예측이 시간의 함수인 변수들의 세트의 예상된 (projected) 값들에 의존하는 경우에 계획되지 않은 PM의 새로운 상황을 예측하는 자기-인식 컴포넌트 (예컨대, 컴포넌트 550) 를 지원할 수 있다.
도 10은 본 개시물의 양태들에 따른 생물학 기반 자율 학습 엔진에서의 자기-최적화 컴포넌트의 예시적인 실시형태 (1000) 를 도시한다. 위에서 나타낸 바와 같이, 자기-최적화 컴포넌트 기능은 툴 시스템 (310) 의 현재 헬스 (예컨대, 성능) 를 분석하고, 현재 헬스 분석의 결과들에 기초하여, 툴 시스템 (310) 의 헬스 저하에 대한 실질적으로 모든 잠재적인 원인들을 진단 또는 순위화하고, 자율 학습 시스템 (360) 에 의해 획득된 학습에 기초하여 근본 원인을 확인하는 것이다. 다른 주요 기능적 컴포넌트들 (550 및 560) 과 유사하게, 자기-최적화 컴포넌트 (570) 는, 메모리 플랫폼 (365) 에 속할 수 있는 메모리들의 계층, 및 처리 플랫폼 (385) 의 부분일 수 있는 오토봇들 및 플래너들로부터 재귀적으로 구축된다.
최적화 지식 메모리 (OKM) (1010) 는 툴 시스템 (310) 의 거동의 진단 및 최적화에 관련된 개념들 (예컨대, 지식) 을 포함한다. 거동은 목표 또는 하위-목표를 포함할 수 있음을 알아야 한다. 따라서, OKM (1010) 은, 도메인, 또는 목표, 특정 개념들 이를테면 스텝, 스텝-데이터, 런, 런-데이터, 로트, 로트 -데이터, PM -시간-간격, 습식-세정-사이클, 프로세스- 레시피, 센서, 제어기 등을 포함한다. 후자의 개념들은 반도체 디바이스들을 제조하는 툴 시스템 (310) 과 연관된다. 또한, OKM (1010) 은, 판독 (예컨대, 센서 컴포넌트 (325) 내의 압력 센서로부터의 판독), 시퀀스, 비교기, 케이스, 케이스-인덱스, 케이스-파라미터, 원인, 영향, 인과-의존성, 징후, 인과-그래프 등을 포함할 수 있는 도메인 독립적 개념들을 포함한다. 더욱이, OKM (1010) 은, 비교, 전파, 랭킹, 솔브 ( solve ) 와 같은 함수 관계들의 세트를 포함할 수 있다. 이러한 함수 관계들은, 오토봇 컴포넌트 (540) 에 상주할 수 있고 절차의 실행을 통해 그것의 기능의 적어도 일부를 OKM (1010) 에 부여할 수 있는 오토봇들에 의해 활용될 수 있다. OKM (1010) 에 저장된 개념들은, 적합성 수치 속성 및 관성 수치 속성, 및 그것들로부터 유도된 상황 스코어 속성을 소유한다. 적합성, 관성 및 상황 스코어의 의미론은, 자기-인식 컴포넌트 (550) 및 자기-개념화 컴포넌트 (560) 에 대한 것과 실질적으로 동일하다. 그러므로, 런-데이터가 스텝-데이터보다 낮은 관성을 제공받으면, 자기-최적화 컴포넌트 (570) 플래너들 (예컨대, 위버봇들) 은, OMK (1010) 으로부터의 런-데이터의 개념을 최적화 작업 메모리 (OWM) (1020) 에 통신할 가능성이 더 높다. 결국, 런-데이터와 스텝-데이터 사이의 이러한 관성 관계는 런 관련 개념들로 작동하는 최적화 오토봇들의 활성화 레이트를 증가시킬 수 있다.
FF 링크들 (552 및 562) 을 통해, 자기-인식 컴포넌트 (550) 및 자기-개념화 컴포넌트 (560) 가 OKM (1010) 에 저장된 개념들의 상황 스코어, 및 최적화 플래너 컴포넌트 (1050) 에 상주할 수 있는 최적화 플래너들 (OP들) 을 통한 최적화 오토봇들의 활성화 에너지에 영향을 줄 수 있음에 유의해야 한다. OKM (1010) 에 저장되고 자기-인식 컴포넌트 (550) 및 자기-개념화 컴포넌트 (560) 를 통해 영향을 받는 개념들이, 특정 콘텍스트의 함수로서 최적화될 특정 목표의 양태들을 결정할 수 있음을 알아야 한다. 일 예시로서, 자기-인식 컴포넌트 (550) 가 프로세스 단계에 대한 데이터의 패턴이 현저하게 저하된다는 것을 인식하면, 연관된 단계 개념의 상황 스코어가 증가될 수 있다. 따라서, 그 다음에 OP들은 프로세스 동안 (예컨대, 목표를 추구하는 동안) 실행되는 단계들의 세트를 변경하기 위해 단계 개념에 관련된 오토봇들을 최적화하는 것에 부가적인 활성화 에너지를 공급할 수 있다. 유사하게, 자기-개념화 컴포넌트 (560) 가 제품 로트에 대한 툴 측정치들 중에서 새로운 함수 관계를 식별하면, 자기-개념화 컴포넌트 (560) 로부터 (예컨대, FF (562) 를 통해) FF 정보가 수신된 자기-최적화 컴포넌트 (570) 는, (1) 로트 개념의 상황 스코어 및 (2) 로트 개념에 의존하는 기능을 갖는 최적화 오토봇의 활성화 에너지를 증가시킬 수 있으며; 그러므로, 로트 개념 (예컨대, 로트에서의 웨이퍼들의 수 또는 유형, 능동 매트릭스 어레이 또는 어레이들의 세트에서의 TFT들의 갯수, 로트의 비용, 능동 매트릭스 어레이들의 세트의 비용, 로트에서 이용된 리소스들, 하나 이상의 TFT 능동 매트릭스 어레이에서 이용된 리소스들 등) 의 양태들을 변경시킬 수 있다. 적응적 상황 작업 메모리 (1040) 는 상황 스코어들의 적응적 조정을 가능하게 할 수 있고 자기-최적화 컴포넌트 (570) 의 동작을 위한 데이터를 보존할 수 있다. 최적화 에피소드 메모리 (1030) 는 자기 최적화와 같은 다양한 최적화들을 통해 수집된 데이터 임프레션들 및 지식을 보존할 수 있다.
툴 시스템 (310) 의 헬스 평가는 다음에 설명될 바와 같이 진단 엔진 (1025) 을 통해 수행될 수 있다. 헬스 평가가 제조 프로세스의 하위-목표일 수 있음을 유의해야 한다. 진단 엔진 (1025) 은 의존도 그래프를 자율적으로 생성하고, 액터 (390) 가 그 의존도 그래프를 증분시키게 한다. (이러한 의존도 그래프는 외재적 데이터 또는 내재적 데이터로서 간주될 수 있다). 인과 그래프는, 툴 시스템 (310) 에 의해 수행된 프로세스의 다이내믹스 (dynamics) 및 액터 (390) 에 의해 고안될 수 있는 진단 플랜에 따라 증분적으로 운반될 수 있다. 예를 들어, 인과 그래프는, "압력" 오동작이 4개의 원인들, 즉, 퇴적 챔버가 누설을 가짐, 퇴적 챔버로의 가스 흐름에 결함이 있음, (가스 흐름의 크기를 조절하는) 배기 밸브 각도에 결함이 있음, 또는 압력 센서에 에러가 있음 중 하나에 의해 초래된다는 것을 보여줄 수 있다. 툴 시스템 (310) 의 컴포넌트들은 고장의 사전 확률들을 갖는다 (예컨대, 챔버 누설은 0.01의 확률로 발생할 수 있고, 가스 흐름에는 0.005의 확률로 결함이 있을 수 있는 등). 또한, 액터 (390) 또는 자기-개념화 컴포넌트 (560) 는 조건부 확률로서 표현될 수 있는 압력 오동작에 대한 조건부 의존도를 정의할 수 있으며, 예컨대, 챔버가 누설을 갖는다면 결함이 있을 압력의 확률은 p (P|leak) 일 수 있다. 일반적으로, 툴 고장의 소스들과 인과적으로 관련하는 조건부 확률들은 액터 (390) 에 의해 제공될 수 있다. 액터 (390) 에 의해 정의된 확률 할당들이 많은 경우 물리적 확률 (예컨대, 관측들에 의해 지원된 실제 확률) 과는 상당히 상이할 수 있는 추정치들을 근사화할 수 있다고 자율 학습 시스템 (360) 이 가정함에 유의해야 한다. 인과 그래프들의 예들은 다음에 이하의 도 11a 및 도 11b와 관련하여 제시되고 설명된다.
자기-최적화 컴포넌트 (570) 는 또한, 툴 (310) 과 연관된 정보 I/O (358) 를 통해 툴 시스템 (310) 의 성능에 관한 예지들의 세트를 생성할 수 있는 예지 컴포넌트 (1060) 를 포함할 수 있다. 이러한 정보는, 기능성 컴포넌트에 의해 채용된 재료들의 품질, 툴 시스템 (310) 에 의해 생성되는 제품 애셋들 (328) 의 물리 속성들, 이를테면 굴절율, 광 흡수 계수, 전기발광 수율, 라만 분광기 단면적들, 결함 밀도(들), 또는 제품 애셋들 (328) 이 캐리어 등으로 도핑되는 경우들에서의 자기전송 (magnetotransport) 속성들을 포함할 수 있다. 다수의 기법들이 예지 컴포넌트 (1060) 에 의해 이용될 수 있다. 그 기법들은, 먼저, 정보 (358) 를 처리할 경우에 자기-인식 컴포넌트에 의해 채용될 수 있는 특성화 기법들과 실질적으로 동일한 특성화 기법들, 즉, (i) 푸리에 변환, 가보 (Gabor) 변환, 웨이브릿 분해, 비선형 필터링 기반 통계 기법들, 스펙트럼 상관을 이용하는 주파수 분석; (ii) 시간 의존 스펙트럼 속성들 (이는 센서 컴포넌트 (325) 에 의해 측정될 수 있음), 푸앵카레 맵들 및 리아프노프 (Lyapunov) 스펙트럼 기법들과 같은 비선형 신호 처리 기법들을 이용하는 시간 분석; (iii) 실제 또는 신호 공간 벡터 크기 및 각도 요동 분석; (iv) 변칙 (anomaly) 예상 기법들 등과 같은 기법들을 포함한다. 분석 (i), (ii), (iii) 또는 (iv) 를 통해 생성된 정보 또는 데이터 애셋들은, 신경망 추론, 퍼지 로직, 바이에스 (Bayes) 네트워크 전파, 유전 알고리즘과 같은 진화 알고리즘, 데이터 융합 기법들, 시뮬레이션된 어닐링 등과 같은 예측 기법들로 보완될 수 있다. 분석 및 예측 기법들의 결합은, 센서 컴포넌트 (325) 에 의해 프로빙된 바와 같은 특정 애셋들 또는 속성들에서의 결점 (ailing) 경향들의 식별 뿐만 아니라, 최적화 플래너 컴포넌트 (1050), 및 컴포넌트 (540) 에 상주할 수 있는 최적화 오토봇들에 의해 생성되는 적절히 정정된 측정치들을 갖는, OKM (1010) 에서 이용가능한 정보를 통해 툴 시스템 (310) 의 최적화를 용이하게 하도록 활용될 수 있다.
하나 이상의 실시형태들에서, 생물학 기반 자율 학습 엔진 (360), 및 그 내부의 컴포넌트(들)는, 하나 이상의 컴퓨터들 상에서 실행중이거나 실행될 수 있는 컴퓨터 실행 명령들의 일반적인 관점에서 구현될 수 있다. 대안적인 또는 부가적인 실시형태들에서, 예시적인 시스템 (300) 및 생물학 기반 자율 학습 엔진 (360) 의 다양한 특징들은 또한 다른 프로그램 모듈들과 조합하여 및/또는 하드웨어 및 소프트웨어의 결합으로서 구현될 수 있다. 일반적으로, 프로그램 모듈들은 특정 태스크들을 수행하거나 특정 추상 데이터 유형들을 구현하는 루틴들, 프로그램들, 컴포넌트들, 데이터 구조들 등을 포함할 수 있다. 다양한 컴퓨터 아키텍처들이 전술한 실시형태들을 구현하기 위해 채용될 수 있다.
도 11a는 본 명세서에서 설명되는 양태들에 따른 시간이 진행함에 따라 성능을 자율적으로 개선하는 예시적인 진화 툴 시스템은 (1100) 의 블록도이다. 진화 툴 시스템 (1100) 은 반도체 제조 툴일 수 있는 툴 시스템 (310) 을 구비하고, 여기서 설명되는 바와 같은 기능적 컴포넌트(들)(315) 및 센서 컴포넌트(들)(325)를 구비한다. 툴 시스템 (310) 은 입력 재료(들), 예컨대, 웨이퍼들에 대해 동작하고, 각각의 입력 측정 속성에 대한 사양들 및 허용오차들을 포함할 수 있는 애셋 입력 (1102) 을 수신하며, 그 속의 센서 컴포넌트(들)(325)는 입력 재료(들), 또는 입력 애셋(들)에 대한 DI CD, FI CD; 피처(들) 균일도, 이를테면 식각 바이어스, 또는 라인(들) 해상도; 웨이퍼 두께; 전기적 속성들; 광학적 속성들 등의 측정들을 행한다. 광학적 속성들은 광자 파장들 또는 주파수들의 스펙트럼에 걸쳐 측정될 수 있으며; 광 특성 (예컨대, 광 방출 또는 광 흡수) 은 흡수되거나 방출된 광의 스펙트럼 세기가 하나 이상의 파장들의 세트에 대해 시간의 함수로서 측정되는 시간-분해 모드 또는 지속파 (CW) 모드에서 측정될 수 있다. 입력 사양(들) 및 허용오차(들)는, 입력 사양(들) 및 허용오차(들)를 액터 (390) 로부터 수신하고 그것들을 각각 재료 사양(들)(1118) 및 허용오차 저장장치 (1116) 에 보유하는 상호작용 컴포넌트 (330) 를 통해 액터 (390) (예컨대, 툴 시스템 (310) 의 오퍼레이터에 의해 채용된 디바이스) 에 의해 구성될 수 있다. 하나 이상의 실시형태들에서, 상호작용 컴포넌트 (330) 는 본 명세서에서 설명되는 상호작용 컴포넌트 (330) 의 기능을 적어도 부분적으로 제공할 수 있는 기능적 컴포넌트(들) (315) 의 부분일 수 있다. 일 양태에서, 입력 사양(들)은 하나 이상의 특정된 입력 측정 속성들의 개별 세트에 대한 하나 이상의 최소 값들 또는 최대 값들의 세트를 포함할 수 있다. 또한, 허용오차(들)는 특정된 입력 측정 속성에 대한 장비 분해능을 포함할 수 있으며; 이 장비 분해능은, 센서 컴포넌트(들) (325) 에서의 센서가 검출할 수 있거나 또는 기능적 컴포넌트(들) (315) 에서의 하나의 장비가 안정화할 수 있는, 특정된 입력 측정 속성들, 또는 파라미터의 값에서의 최소 변동을 나타낸다. 일 예로, 입력 사양(들)은 툴 시스템 (310) 에서의 기능적 컴포넌트(들) (315) 의 부분인 식각 챔버에서의 압력 (P) 에 대한 최소 (min) 및 최대 (max) 값들, 예컨대, Pmin = 80 mTorr 및 Pmax = 90 mTorr를 확립할 수 있는 반면, 허용오차(들)는 획득가능한 또는 측정가능한 압력 변경들, 예컨대, σP = 1 mTorr에 대한 분해능을 결정할 수 있다. 다른 예로서, 툴 시스템 (310) 에 의해 구현된 식각 절차에 채용된 식각 가스에 대해, 입력 사양(들)은 최소 및 최대 가스 흐름 (Φ), 예컨대, Φmin = 10.0 및 Φmax= 12.0을 정의할 수 있는 반면, 허용오차(들)는 획득가능한 또는 검출가능한 가스 흐름에서의 변동들에 대해 0.1 sccm의 분해능을 달성할 수 있다. 또 다른 예로서, 툴 시스템 (310) 의 부분으로서 동작하는 플라즈마 식각 챔버에서, 입력 사양(들)은 상부 RF 전력 (UII) 의 최소 및 최대 값들, 즉 UΠmin = 1400 W 및 UΠmax = 1600 W를 정의할 수 있는 반면, 허용오차(들)는 상부 RF 전력에서의 검출가능한 또는 지원되는 변경들에 대해 1 W의 분해능을 확립할 수 있다.
툴 시스템 (310) 은 또한, 입력 재료를 처리하기 위해 애셋 입력 (1102) 을 통해 하나 이상의 레시피들을 수신하며; 하나 이상의 레시피들에서의 레시피는 이 레시피를 수신하고 그것을 레시피(들) 저장장치 (1112) 에 보유하는 상호작용 컴포넌트 (330) 를 통해 액터 (390) (예컨대, 툴 시스템 (310) 의 오퍼레이터에 의해 채용된 디바이스) 에 의해 구성될 수 있다. 이 레시피는 애셋 입력 (1102) 에 포함되는 파라미터들의 일부분을 포함하며; 이 레시피에서의 파라미터들은 제어가능하고 툴 시스템 (310) 에 의해 실시되는, 식각 프로세스 또는 임의의 다른 제조 프로세스와 같은 프로세스의 결과를 통제하는데 이용될 수 있다. 하나 이상의 레시피들 외에, 툴 시스템 (310) 은 툴 시스템 (310) 을 통해 제조된 제품 또는 애셋에 대한 원하는 또는 의도된 출력 품질 또는 특정 특징들의 세트를 적어도 부분적으로 결정하는 애셋 타겟(들) (1104) 을 수신하며; 제품(들) 또는 애셋(들)은 애셋 출력 (1106) 의 부분일 수 있다. 예시적인 시스템 (1100) 또는 그것의 하나 이상의 대안적인 실시형태들에서, 애셋 출력 (1106) 은 하나 이상의 애셋들 (328) 의 부분일 수 있다. 반도체 디바이스 또는 다른 유형의 디바이스와 같은 제품의 애셋 타겟(들) (1104) 은, 식각 바이어스, 식각 바이어스 균일도, 마이크로-로딩 등과 같은 다수의 디바이스 출력 속성들 또는 특성들을 포함할 수 있다. 예를 들면, 제조된 디바이스에서의 개별 위치들에서의 하나 이상의 식각 바이어스 값들의 세트는 특정될 수 있다. 또한, 본 개시물의 양태에서, 제품 또는 디바이스 속성의 특정 특징 (예컨대, 식각 바이어스) 에 대해, 애셋 타겟(들) (1104) 의 값들은 제조되는 제품 또는 디바이스에서의 다양한 위치들에서 상이할 수 있으며; 예컨대, 처리된 웨이퍼의 에지에서의 DI CD 라인들은 웨이퍼에서의 다른 지역들에서보다 더 두꺼울 수도 있고 이에 따라, 처리된 웨이퍼의 에지에서 또는 그 에지 근처에서 더 작은 식각-바이어스 타겟(들)을 요구할 수도 있다. 제품 또는 디바이스의 특정 특징에 대한 애셋 타겟의 사양에서의 이러한 유연성은 애셋 타겟이 정의되는 제품 또는 디바이스의 특정 특징을 야기하는 프로세스 전의 처리 단계들에서 도입되는 프로세스 변동들을 보상하는 것을 허용한다.
더욱이, 애셋 입력 (1102) 을 통해, 툴 시스템 (310) (예컨대, 제조 툴) 은 또한 제조된 제품 또는 애셋 특성들의 측정치들에 대한 사양들 및 허용오차들을 수신한다. 센서 컴포넌트(들) (325) 는 제조된 제품의 하나 이상의 특성들의 측정들을 행한다. 툴 시스템 (310) 은 제조된 제품의 출력 특성들에 대한 데이터 또는 입력 측정들에 대한 데이터 중 적어도 하나를 애셋 출력 (1106) 의 부분으로서 전달한다. 이러한 데이터는 앞서 설명된 바와 같은 데이터 애셋일 수 있고, 데이터베이스(들) (355) 에 유지될 수 있다. 애셋 출력 (1106) 은 위에서 나타낸 바와 같은 다양한 복잡도들의 특정 제품(들) 또는 디바이스(들)를 포함하는 제품 애셋(들)을 포함한다.
툴 시스템 (310) (예컨대, 제조 툴) 의 성능을 자율적으로 개선하기 위해, 상호작용 컴포넌트 (330) 는 레시피 (1122) 를 레시피 드리프트 컴포넌트 (1130) 에 운반하고, 레시피를 정의하는 하나 이상의 파라미터들에 대해 증분적 및 랜덤일 수 있는 변경들을 행하고 드리프트된 레시피 (1126) 를 상호작용 컴포넌트 (330) 에 공급할 것을 시그널링 (1124) 을 통해 지시한다. 레시피 드리프트 컴포넌트 (1130) 는 또한 드리프트된 레시피 (1126) 를 유지한다. 일 양태에서, 레시피 (1122) 및 드리프트된 레시피 (1126) 는 생물학 기반 자율 학습 엔진 (360) 에서의 메모리 플랫폼 (365) 내에, 예컨대, 장기 메모리 (510) 내에 유지될 수 있다. 드리프트 레시피 컴포넌트 (1130) 는 레시피 드리프트를 도출하게 선택된 파라미터들의 리스트로부터 하나 이상의 레시피 파라미터들의 선택을 통해 레시피를 수정할 수 있으며; 파라미터들의 리스트는 상호작용 컴포넌트 (330) 에 의해 공급될 수 있다. 하나 이상의 레시피 파라미터들의 선택은 액터, 예컨대, 390에 의해 실시될 수 있고, 상호작용 컴포넌트 (330) 에 의해 수신되고, 파라미터들의 리스트에 유지되거나 또는 레시피 수정을 위해 레시피 드리프트 컴포넌트 (1130) 로 직접 운반될 수 있다. 대안으로 또는 부가적으로, 파라미터들의 리스트의 부재 시, 레시피 드리프트 컴포넌트 (1130) 는 이력 정보 또는 임의 선택 중의 적어도 하나에 적어도 부분적으로 기초하여 하나 이상의 레시피 파라미터들을 자율적으로 선택할 수 있다. 이러한 자율 판정을 행하기 위해, 레시피 드리프트 컴포넌트 (1130) 는 생물학 기반 자율 학습 엔진 (360) 및 그것의 추론 능력들을 적어도 부분적으로 활용할 수 있다. 증분 변경이 작은 크기, 예컨대 수정되기 위해 선택된 레시피 파라미터의 크기의 0.005 상대 값, 또는 0.5 %일 수 있다. 또한, 특정 크기의 변경이 확률 분포 함수, 예컨대, 가우스 분포, 푸아송 분포 등에 따라 일어날 수 있다. 레시피 드리프트 컴포넌트 (1130) 는 생성된 드리프트된 레시피 (1126) 를 상호작용 컴포넌트 (330) 에 전달하기 전에 태깅하거나 또는 그렇지 않으면 식별한다. 태깅 또는 식별은 하나 이상의 레시피 파라미터들에 영향을 주는 조정(들)의 크기 및 드리프트된 레시피 (1126) 에 대한 라벨, 예컨대, R1 또는 다른 이름(들)을 포함한다.
상호작용 컴포넌트 (330) 는, 시그널링 (1124) 을 통해, 레시피 드리프트 컴포넌트 (1130) 에 수정하려는 것인 각각의 레시피 파라미터에 대한 허용오차들 (예컨대, 최대 및 최소 값들) 의 세트를 공급할 수 있다. 허용오차들의　세트는 액터 (예컨대, 툴 시스템 (310) 의 오퍼레이터에 의해 이용되는 디바이스에 포함될 수 있는 액터 (390)) 로부터 상호작용 컴포넌트 (330) 를 통해 수신될 수 있고, 드리프트된 레시피가 툴 시스템 (310) 에 의해 처리되는 경우 툴 시스템 (310) 의 최악의 동작 또는 그 툴 시스템에서의 애벌랜치 시나리오들을 적어도 부분적으로 완화하게 구성될 수 있다. 일 양태에서, 레시피 컴포넌트 (1130) 는 허용오차들의 세트 내의 허용오차가 초과될 때 레시피 드리프팅을 중단할 수 있다. 허용오차들의 세트는 또한 허용오차들의 세트에 의해 특정된 범위 내의 레시피 파라미터들에 대한 조정(들)을 유지할 것을 레시피 드리프트 컴포넌트 (1130) 에 강제할 수 있다. 또한, 상호작용 컴포넌트 (330) 는 드리프트된 레시피 R1을 레시피(들) 저장장치 (1112) 에 저장할 수 있고, 드리프트된 레시피 R1에 따라 새 입력 재료, 또는 입력 애셋을 처리하기 위해 R1을 툴 시스템 (330) 에 운반할 수 있다. 툴 시스템 (310) (예컨대, 제조 툴, 처리 툴) 은 소정 수의 인스턴스들에 대한 레시피 R1를 구현하며, 여기서 소정 수의 인스턴스들은 액터, 예컨대, 액터 (390) 에 의해, 또는 생물학 기반 자율 학습 시스템 (360) 에 의해 구성될 수 있고, 툴 시스템 (310) 의 잡음 및 편차(들)가 있는 데서 하나 이상의 제품 출력 메트릭들 (예컨대, 제품 특징들 또는 특성들의 측정치들의 출력 값들) 에 대해서 레시피에 영향을 주는 변경들의 적합성을 학습하는 것을 허용하는 값 N R (1) (N R (1) 은 자연수) 을 채택할 수 있다; 그 변경들은 제품, 또는 애셋 출력 (1106) 의 부분인 출력 애셋에서 수행된 측정들을 통해 드러날 수 있다. 위에서 설명된 바와 같이, 제품 출력 메트릭(들) 또는 제품 출력 특성들의 측정들로부터 추출된 데이터는, 애셋 출력 (1106) 의 부분으로서 상호작용 컴포넌트 (330) 에 운반, 예컨대 피드백되고 데이터베이스(들) (355) 에 유지될 수 있다. 제품 출력 메트릭(들)의 측정치들은 상호작용 컴포넌트 (330) 에 지속 또는 거의 지속 모드로 전달될 수 있다.
레시피 R1가 입력 재료, 예컨대, 웨이퍼를 프로세싱하는데 N R (1) 인스턴스들에 대해 채용되는 경우, 레시피 R1은 레시피 R2의 조정 및 생성 보장을 위해 레시피 드리프트 컴포넌트 (1130) 에 레시피 (1122) 로서 운반된다. 위에서 설명된 바와 같이, 레시피 드리프트 컴포넌트 (1130) 는 이전의 드리프팅 반복으로 수정된 파라미터들의 세트와는 상이할 수 있는 레시피 파라미터들의 세트를 수정하고, 드리프트된 레시피 R2를 생성한다. 수정은 수정될 특정 레시피 파라미터들의 리스트에 따라서, 또는 R1에서의 레시피 파라미터의 랜덤 또는 의사-랜덤 선택을 통해 진행될 수 있다. 앞에서 논한 바와 같이, R2는 레시피 드리프트 컴포넌트 (1130) 에 의해 유지되고 드리프트된 레시피 (1126) 로서 상호작용 컴포넌트 (330) 에 전달된다. 레시피 R2는, 상호작용 컴포넌트 (330) 가 조정, 또는 파라미터 드리프트를 위해 R2를 통신하기 전에, N R (2) 인스턴스들의 사이클 동안 입력 재료(들)를 처리하는데 채용된다. 제품 출력 메트릭(들) 또는 제품 출력 특성들의 측정들이 또한 행해질 수 있고 측정치들은 상호작용 컴포넌트 (330) 에 공급된다.
시간이 지나가면서, 진화 툴 시스템 (1100) 에 의해 구현된 레시피 드리프트 루프가 계속된다. 레시피 드리프트 루프는 S가 1보다 큰 자연수인 레시피 RS -1을 수신하는 것; 그것과 연관된 하나 이상의 레시피 파라미터들의 세트를 드리프트하는 것, 수정될 또는 자율 식별될 파라미터들을 식별하는 레코드(들) 중 적어도 하나로 판단한 선택; 드리프트된 레시피 RS의 전달 및 레코딩; 및 조정된 레시피의 실행의 N R (S) 단계들 또는 인스턴스들을 포함하는 생산 사이클 동안 조정된 레시피 RS의 처리를 포함한다. 레시피들의 드리프팅은 소정의 시간 간격에 걸쳐 이어지며, 액터, 예컨대, 390에 의해 구성될 수 있고, 드리프팅이 허용되지 않는 기간들에 산재해 있는 다양한 서브-간격들의 드리프팅을 포괄할 수 있다. 일 양태에서, 상호작용 관리기 (345) 는 액터 (390) (예컨대, 모바일 또는 그렇지 않으면, 툴 시스템 (310) 의 오퍼레이터에 의해 이용되는 디바이스) 를 인에이블시켜 드리프팅을 상호작용적으로 및 비동기적으로 스위치 온 및 오프 시킬 수 있음을 알아야 한다.
예시적인 진화툴 시스템 (1100) 에서, 상호작용 컴포넌트 (330) 는 정보 I/O (358) 의 부분일 수 있는 정보 입력/출력 (I/O) (1135) 내에서, λ = 1,2,3...인 레시피 Rλ가 생산 런에 채용됨을 예로 드는 N R (λ)의 각각에서 입력 재료 및 출력 제품 메트릭들의 측정들을 통해 툴 시스템 (310) (예컨대, 제조 툴) 으로부터 추출된 데이터를 운반한다. 각각의 레시피 Rλ에 대해, 생물학 기반 자율 학습 엔진 (360) 은 학습 사이클을 구현하여, κ = 1, 2... G인 경우 함수 관계 Oκ = f κ(I1, I2...; P1, P2...PM, ΔRF, PM, 수리...) 를, 경과된 액티브 듀티 ΔRF, 예방적 유지보수 (PM) 레코드들, 수리 레코드들 등에 의해 결정된 바와 같은, (i) 출력 측정치 Oκ 및 (ii) 입력 측정치들 {I1, I2...}, 레시피 파라미터들 {P1, P2...PM}, 및 툴 시스템 (310) 의 상태 중에서 추출하게 한다. 파라미터 G는, 제품 출력 메트릭들 (예컨대, 디바이스 측정된 속성들) ; 광학적 스펙트럼 라인들의 세기, 또는 특정 파장에서의 광 스펙트럼 세기; 식각 바이어스, 임계 치수, 웨이퍼 두께 등과 같은 디바이스 피처들의 위치 의존 값들을 포함하는, 수집된, 예컨대, 측정된 변수들의 세트의 사상수 (cardinality) 를 나타내는, 1보다 크거나 같은 자연수이다. 액티브 듀티 ΔRF에 대한 데이터, PM 레코드들, 수리 레코드들 등은, 툴 시스템 (310) (예컨대, 제조 툴) 의 상태와 연관된 데이터를 포함하는 상태 레코드들이다. 전술한 함수 관계 Oκ에서, M은 1 보다 크거나 같은 자연수이다. 일 양태에서, Oκ를 특성화하는 학습된 수학적 관계 f κ는 분석적 표현식 또는 수치적 함수이며; 일 예로, 학습된 수학적 관계 f κ는 비선형 방정식일 수 있다. 그러나, 다른 양태에서, 생물학 기반 자율 학습 엔진 (360) 은 부울 변수, 예컨대, OG +1을, 변수들의 세트 {I1, I2...; P1, P2... PM, ΔRF, PM, 수리...}의 함수로서 학습할 수 있다. 본 개시물에서, 생물학 기반 자율 학습 엔진 (360) 은, 자율 학습을 통해, 함수 관계 Oκ를 이종의 변수들의 세트의 함수로서 생성한다는 것에 주의한다. 하나 이상의 시나리오들에서, 다음의 관계가 학습될 수 있다: Oκ = f κ(I1 , I2...; O1, O2... Oκ-1, Oκ+1... OG; P1, P2... PM, ΔRF, PM, 수리...) ; 그러나, 입력 측정 변수들 및 출력 측정 변수들의 다양한 다른 조합들이 또한 함수 관계 Oκ를 추출하기 위한 도메인 변수들의 세트로서 가능하다는 것을 알아야 한다.
학습 사이클은 (a) 애셋 입력 (1102) 또는 애셋 출력 (1106) 에 포함된 데이터와 같은 수신된 입력 데이터 및 출력 데이터; (b) 레시피 파라미터들; 또는 (c) λ'는 λ'≤λ가 되도록 하는 자연수인 하나 이상의 레시피들의 세트 {Rλ'} 와 연관된, 툴 시스템 (310) 의 다양한 상태들, 및 이러한 상태들을 특성화하는 관련 데이터 중 적어도 하나에 적어도 부분적으로 기초한다 - 즉, 모든 또는 실질적으로 모든 레시피들로부터의 데이터가 이용된다. 일 양태에서, 데이터 (입력 데이터, 출력 데이터 등) 는 생산 데이터; 툴 시스템 (310) 의 유지보수 사이클에서 생성된 데이터; 예컨대, 센서 컴포넌트(들) (325) 를 통해 측정된 입력 및 출력 변수들; 데이터를 생성했던 기구(들) (예컨대, 센서 컴포넌트(들)(325)) 에 대한 정보; 제품, 또는 애셋을 제작하기 위한 레시피 Rλ의 유형 (예컨대, 습식-세정 사이클 레시피, 포토리소그래피 식각 레시피, 플라즈마 식각 레시피, 박막 트랜지스터들 또는 다른 칩셋 통합물의 퇴적); 생산 런 식별자(들); 타임 스탬프(들); 오퍼레이터 크리덴셜(들) (이름, 랭크 또는 숙련 레벨 등) 및 제조 또는 처리 플랜트 정보; 다운시간 및 지속 동작에 대한 이력 데이터 등등을 포함할 수 있다.
앞서 설명된 바와 같이, 출력 측정 변수 및 이종의 도메인 변수들의 세트 간의 하나 이상의 관계들을 학습하도록 데이터 (입력 데이터, 출력 데이터 등) 를 제공하기 위해, 어댑터 컴포넌트 (335) 는 제품 애셋, 예컨대, 제조된 반도체 디바이스와 연관된 하나 이상의 입력 및 출력 변수들의 측정(들)을 통해 관측된 복수의 데이터를 통합할 수 있다. 이러한 측정(들)은, 적어도 부분적으로는, 센서 컴포넌트(들) (325) 에서의 하나 이상의 센서들에 의해 수행될 수 있고, 위치-분해 측정들(들), 시간-분해 측정(들), 스펙트럼 측정(들), 또는 이들의 조합일 수 있다. 또한, 어댑터 컴포넌트 (335) 는 툴 시스템 (310) 에 의해 수행된 하나 이상의 프로세스들에서의 산란된, 방출된, 또는 흡수된 광의 스펙트럼 측정치들의 세기를 정규화할 수 있다. 하나 이상의 실시형태들에서, 네트워크 어댑터 (335) 는, 적어도 부분적으로는 네트워크 입력/출력 어댑터로서 동작할 수 있다. 정규화는 다양한 기준들 또는 접근법들에 따라 수행될 수 있다; 예컨대, 스펙트럼 라인의 세기는 스펙트럼 라인을 포함하는 측정된 스펙트럼에서의 총 세기에 의해 정규화될 수 있다. 또한, 이러한 정규화는 이종의 툴 시스템들, 또는 이들의 부분(들)에서의 스펙트럼 라인 세기 판정의 시스템적 에러(들)를 감안하여 수행된다.
일 양태에서, 도메인 변수들의 다양한 세트들에 기초한 Oκ= f κ(I1, I2...; P1, P2... PM, ΔRF, PM, 수리...) 또는 실질적으로 임의의 또는 임의의 Oκ 관계의 학습은 객관적으로 생성되며, 예컨대, 지식 생성 (여기서 설명된 바와 같이 행해짐) 은 학습 목적을 위해 명시적으로 제어되지 않거나 외부로 편향되지 않는다. 훈련 데이터로 수행된 목적 학습은 프로세스 불가지론적이다; 즉 학습은, 학습을 위해 이용가능한 데이터 중에서 발견된 관계들을 통해 하나 이상의 의미론적 네트워크들 (예컨대, 지식 네트워크 375) 에서 생성된 개념들에 따라 진행한다는 것을 알아야 한다. 본 명세서에서 설명되는 바와 같은 학습은 레시피에 의해 설명된 프로세스 내에서 레시피 변수들 및 특정 이용 간의 다양한 상관들로부터의 연관들을 캡처 또는 반영할 수 있다. 이용가능한 데이터는 레시피 Rλ의 특정 파라미터들에 의해 적어도 부분적으로 도출된다는 것을 추가로 알아야 한다. 부가적인 또는 대안적인 양태에서, 개념 생성 또는 전파가 레시피 파라미터들의 서브세트 {P1, P2... PM}에 따라서 행하여질 수 있다는 점에서 학습은 지향될 수 있다; 예를 들면, m≤M의 세트는 Oκ를 생성하기 위해 채용될 수 있으며, 이러한 지향된 학습은 서브세트 {P1, P2... Pm}와 연관된 레시피 변수들의 특정 서브세트들 간의 인과 현상들 및 관계(들)의 식별을 가능하게 할 수 있다. 파라미터들의 서브-세트는 파라미터들의 공간 {Pl, P2... PM}에서 m-투플(tuple) 방향 벡터를 정의할 수 있다; 벡터의 방향은 드리프트의 방향을 확립할 수 있다. 또한, 선택될 수 있는 레시피 또는 프로세스에서 전력을 제어하는 파라미터들; 화학물질들의 소스들을 제어하는 파라미터들, 예컨대, 화학 기상 증착 공정의 소스 챔버에서의 셔터 개방 주기; 레시피의 다양한 스테이지들에서의 온도, 예컨대, 하드 베이크 온도, 소프트 베이크 온도, 탈수 (dehydration) 베이크 등의 온도를 통제하는 파라미터들; 프로세스 또는 레시피가 툴 시스템 (310) 내에서 수행되는 하나 이상의 챔버들에서의 압력을 좌우하는 파라미터들과 같은, 파라미터들의 서브-세트는 내재적 도메인들에 따라 선택될 수 있다. 서브세트 {Pl, P2... Pm}는 또한, 비용(들) (예컨대, 이용되는 재료들 및 그 수량, 퇴적된 박막 트랜지스터들의 패키징과 같은 처리된 애셋들의 패키징, 처리된 디바이스(들)에서의 용인된 결함 밀도), 또는 프로세스 속도 (예컨대, 퇴적 시간들, 어닐링 또는 베이크 온도들, 리소그래피 현상 온도들 등) 와 같은 생산 외재적 변수들에 영향을 주는 도메인, 또는 외재적 도메인에 기초하여 결정될 수 있다. 더욱이, 지향된 서브세트 {Pl, P2...Pm}는 외부 프로세스 제약조건들, 이를테면 툴 시스템 (310) (예컨대, 제조 툴) 의 특징들, 애셋을 생산하기 위한 이용가능한 재료들, 특정 제품(들)의 미리 결정된 수율, 제품(들)의 특정 전달 스케줄(들) 등에 기초하여 선택될 수 있다.
하나 이상의 대안적인 또는 부가적인 실시형태들, 예컨대, 도 11b의 예시적인 시스템 (1160) 에서, 도메인 변수들의 다양한 세트들의 함수로서의 관계 Oκ의 학습은, 본 명세서에서 설명되는 바와 같은 생물학 기반 자율 학습 엔진 (360) 의 기능에 의존하지 않는 실질적으로 임의의 학습 엔진 (1170) 에 의해 구현될 수 있다. 학습 엔진 (1170), 또는 그 내부의 하나 이상의 컴포넌트들 (미도시) 은, 선형 및 다중-선형 근사화, 다항식 곡선 맞춤 (curve fitting), 신경망들, 유전 프로그래밍, 타부 (Tabu) 검색, 게임 이론 모델들 등 중 적어도 하나를 통해 관계 Oκ의 학습을 구현할 수 있다. 일 양태에서, 학습 엔진 (1170) 은, 하나 이상의 프로세서들이 관계 Oκ의 학습을 구현하기 위해 메모리에 유지된 코드 명령들의 하나 이상의 세트들을 실행하는, 하나 이상의 프로세서들 (미도시) 및 메모리 (미도시) 을 구비할 수 있다. 메모리에 저장된 코드 명령들의 하나 이상의 세트들은, 하나 이상의 프로세서들에 의해 실행될 때 학습 엔진 (1170) 의 기능을 구현하는 하나 이상의 컴포넌트들 (미도시) 을 포함할 수 있다. 다른 양태에서, 하나 이상의 컴포넌트들 (미도시) 중 적어도 하나는 적어도 하나의 컴포넌트의 기능 및 학습 엔진 (1170) 의 기능의 부분을 제공하는 처리 유닛 (예컨대, 프로세서) 을 구비할 수 있다.
도메인 변수들의 다양한 세트에 기초한 하나 이상의 학습된 함수들 Oκ = f κ(I1, I2...; P1, P2... Pm, ΔRF, PM, 수리...) 또는 실질적으로 임의의 또는 임의의 Oκ 관계는, 툴 시스템 (310) (예컨대, 동일하게 설계되고, 명목상, 동일하게 배치된 툴 시스템) 의 다른 복제 사본에 레플리컴 (replicum) 의 동작 모델로서 전송되거나 또는 내보내질 수 있다는 것을 알아야 한다. 더욱이, 임의의 또는 실질적으로 임의의 학습된 함수인, 분석적 표현식 또는 부울 표현식은, 툴 시스템 (310) 또는 임의의 툴 시스템, 또는 그 내부의 또는 그것에 기능적으로 커플링된 컴포넌트(들)의 복제된 사본에 의해 액세스될 수 있는 분산형 리포지터리들의 세트 또는 집중형 리포지터리 중 적어도 하나에 전달될 수 있다. 학습된 함수들의 이러한 클라우드 상의 저장 양태는, 최소한, 이종의 툴 시스템(들) 및 그것의 오퍼레이터들이, 지리적 위치, 동작의 스케줄(들), 또는 다른 동작상 제약조건들에 무관하게, 이종의 툴 시스템(들)의 학습된 동작 양태들에 쉽사리 액세스할 수 있다는 이점을 가진다. 하나 이상의 실시형태들에서, 상호작용 관리기 (345) 는 생물학 기반 자율 학습 엔진 (360) 또는 학습 엔진 (1170) 에 하나 이상의 학습된 함수들 Oκ의 그룹을 요청할 수 있다. 이 요청은 다양한 프로토콜들 (HTTP, 파일 전송 프로토콜 (FTP), 보안 FTP (SFTP) 등) 에 따라서 정보 I/O (1135) 의 부분으로서 전달될 수 있다. 이 요청에 응답하여, 생물학 기반 자율 학습 엔진 (360) 또는 학습 엔진 (1170) 은 상호작용 관리기 (345) 에 의해 수신될 수 있고 메모리 (1110) 내의 데이터베이스(들) (355) 에 저장될 수 있는 학습된 함수들의 세트를 공급할 수 있다. 상호작용 관리기 (345) 는 학습된 함수들의 세트를 하나 이상의 이종의 툴 시스템(들), 및 관련 상호작용 컴포넌트(들)에 전달할 수 있다. 일 양태에서는, 툴 시스템 (310) 의 복제 사본에서, 상호작용 컴포넌트, 또는 상호작용 관리기 컴포넌트와 같은 그 내부의 하나 이상의 컴포넌트들이, 도메인 변수들, 예컨대, 레시피 파라미터들, 입력 측정 변수들 또는 출력 측정 변수들의 다양한 조합들에 의존할 수 있는, 하나 이상의 학습된 함수들 Oκ를 수신할 수 있다. 학습된 함수들 Oκ는 또한, 툴 시스템 (310) 의 복제 사본은 아니지만 그것에 동등물 또는 실질적으로 동등물이고 동일 또는 유사한 제품(들) 또는 디바이스(들)를 생산하는 툴 시스템에 내보내기 또는 전달될 수 있다.
또한, 툴 시스템 (310) 또는 그것의 동등한 또는 실질적으로 동등한 배치물의 복제된 사본을 위한 본 개시물의 양태에서, 도메인 변수들의 다양한 세트들에 기초한 하나 이상의 학습된 함수들 Oκ= f κ(I1, I2...; P1, P2...Pm, ΔRF, PM, 수리...) 또는 실질적으로 임의의 또는 임의의 Oκ 관계는, 툴 시스템 (310) 또는 그것의 동등한 또는 실질적으로 동등한 배치물의 복제된 사본에서, 출력 측정 변수들 Oκ, 또는 다른 변수들의 함수들을 학습하기 위해 채용될 수 있다. 내보내어진 하나 이상의 학습된 함수들을 수신했던 툴 시스템, 복제되거나 또는 그 밖의 것에서의 학습 엔진은, 학습을 위해 이러한 함수들을 활용할 수 있다. 일 양태에서, 내보내어진 하나 이상의 학습된 함수들 Oκ는, 자율적 최적화 컴포넌트 (1150) 에 따라서 동작하는 자율적 최적화 컴포넌트에 따라 그것의 성능을 평가하거나 최적화하기 위해 레플리컴의 성능과 연관된 특정 이종의 함수들을 학습하기 위한 기저 세트로서 채용될 수 있다. 이러한 시나리오에서, 학습된 함수(들) Qκ= g κ(I1, I2...; P1, P2... Pm, ΔRF, PM, 수리...), 또는 이종의 도메인 변수들의 세트들에 의존하는 학습된 함수들 Qκ는, 복제된 툴 시스템 또는 동등한 툴 시스템에 대해, 원래의 시스템에 대한 학습된 함수들의 기저 세트에서 확장될 수 있으며, 이러한 접근법은 더 빠른 학습을 야기할 수 있는데, 원래의 시스템에서의 상호-의존성들 및 상관들의 실질적인 부분이 복제된 툴 시스템에서 유지되기 쉬워서이다. 수신된 학습된 함수(들), 예컨대 함수들 Oκ에 기초한 함수들 Qκ의 학습은, 엄격히 동등하지는 않은 둘 이상의 시스템들의 결과일 수 있다. 하나 이상의 실시형태들에서, 자율적 최적화 컴포넌트 (1150), 또는 그 내부의 하나 이상의 컴포넌트들 (예컨대, 솔버 컴포넌트 (1204) 참조) 는, 원래의 시스템의 학습된 함수들의 기저 세트에서의 확장 계수들에 대해 풀 수 있다. 툴 시스템 (310) 의 복제된 사본 또는 그것의 동등한 또는 실질적으로 동등한 배치물로의 하나 이상의 학습된 함수들 Oκ의 전달의 적어도 하나의 이점은, 학습과 연관된 이점들, 이를테면 다양한 가상적인 동작 시나리오들을 분석하는 능력이, 툴 시스템 (310) 의 복제된 사본 또는 그것의 동등한 또는 실질적으로 동등한 배치물에서 즉시 실현될 수 있다는 것이다. 예를 들면, 전술한 분석 능력에 관하여, Oκ에서의 fκ의 함수 관계를 학습하기 위해 채용된 도메인 변수들의 세트에 기초하여, 식각 챔버에서 스펙트럼 라인들 상의 식각 가스 흐름(들)의 증가의 효과가 평가될 수 있으며; 비슷하게, 디바이스의 피처들 (식각 바이어스, FI CD 등) 에 대한 다양한 식각 챔버 압력들의 영향이 평가될 수 있다.
본 개시물의 양태에서, 입력 데이터 및 액터 특정 경계들, 예컨대, 애셋 타겟(들) (1104) 의 값들 내에 있는 레시피 파라미터들의 함수로서 각각의 제품 출력 메트릭을 정확히 예측하는 복수의 학습된 함수들의 세트 {{f}1, {f}2 ...{f}γ}는, 정보/지식 (1145) 으로서 자율적 최적화 컴포넌트 (1150) 에 운반된다. 여기서, μ= 1, 2... γ인 {f}μ는 레시피 μ에 관련된 하나 이상의 출력 변수들 (예컨대, Oκ)에 대한 하나 이상의 학습된 함수들의 세트를 나타내며 S가 드리프트된 레시피들의 세트의 사상수인 γ≤S를 가진다. 자율적 최적화 컴포넌트 (1150) 는 또한 입력 재료 측정치들을 수신할 수 있다. 솔버 컴포넌트 및 처리 유닛(들) (예컨대, 프로세서(들) 또는 그것과 연관된 특정 오토봇 컴포넌트(들)의 세트) 을 통해, 자율적 최적화 컴포넌트 (1150) 는 레시피 파라미터들에 대한 역문제의 해결을 가능하게 할 수 있으며, 여기서 수신된 세트의 복수의 학습된 함수들 {{f}1, {f}2 ... {f}γ} 및 입력 측정치들은, ΔRF, PM 이력, 수리 이력 등과 같은 현재 동작 파라미터들 또는 레코드들에 의해 드러내 보여지는 바와 같이 툴 시스템 (310) 의 현재 상태가 주어지만 제품 출력 메트릭들에 대해, 하나 이상의 출력 측정치들이 특정 애셋 타겟(들) (예컨대, 메모리 요소 (1114) 에 유지됨) 의 구성가능한 허용오차와 제공된 사양들 (예컨대, I 메모리 요소 (1118 또는 1120) 에 유지됨) 및 허용오차들 (예컨대, 메모리 요소 (1116) 에 유지됨) 내에 있도록 하는 레시피 파라미터들의 값들의 해결을 허용한다. 솔버 컴포넌트는 이 역문제를 풀기 위해 유전 알고리즘, 몬테 카를로 (Monte Carlo) 시뮬레이션들, 시뮬레이션형 어닐링, 심플렉스 (simplex), 경사도 검색, 또는 타부 검색 중 적어도 하나를 구현할 수 있다; 그러나, 역문제 해결에 대한 다른 접근법들이 또한 솔버 컴포넌트에 의해 활용될 수 있다는 것을 알아야 한다. 예시적인 실시형태에서, 도 12에서 도시된 바와 같이, 자율적 최적화 컴포넌트 (1150) 는 앞에서 설명된 역문제에 대한 해법을 결정할 수 있는 솔버 컴포넌트 (1204) 를 구비할 수 있다. 메모리 (1216) 는 이러한 해법을 결정하기 위해 솔버 컴포넌트 (1204) 에 의해 활용될 수 있는 유전 알고리즘, 몬테 카를로 시뮬레이션들, 시물레이션형 어닐링, 타부 검색 등을 포함하는 방법론들의 세트를 포함할 수 있다. 이 방법론들의 세트는 메모리 (1212) 내에 코드 명령들의 하나 이상의 세트들로서 저장될 수 있다.
레시피 파라미터들에 대한 값들의 지정이 발견되지 않으면, 예컨대, 역문제가 해결되지 않으면, 자율적 최적화 컴포넌트 (1150) 는 역문제가 해결되고 레시피 파라미터들에 대한 설정치들의 지정이 확인될 수 있을 때까지, 각각의 출력 타겟, 또는 애셋 타겟에 대한 제약조건들을 한번에 하나씩 또는 몇 개 (예컨대, 2 내지 5개) 의 제약조건들의 그룹들로 완화시킨다. 이러한 완화는 완화 기준들의 세트에 따라서 진행할 수 있다. 예시적인 실시형태 (1200) 에서, 솔버 컴포넌트 (1204) 는 이러한 제약조건들을 완화할 수 있고 완화 기준들의 세트는 메모리 요소 (1218) 에 유지될 수 있다. 일 양태에서, 자율적 최적화 컴포넌트 (1150) 는 액터 (390) (휴먼 또는 다른 것) 가 제조된 제품과 연관된, 각각의 출력 파라미터 또는 메트릭에 대한 가중치들의 세트 (예컨대, 완화 기준들의 세트에서의 기준) 를 특정하는 것을 허용하며 이에 따라 메트릭들이 완화된 그것들의 타겟 값들을 가지도록 하는 메트릭들의 랭킹을 제공한다; 예를 들면, 최고-세 개의 랭킹의 메트릭들이 마지막으로 완화되는 반면, 최저에 있는 메트릭들은 처음 완화된다. 일 양태에서, 액터 (390) 는 이러한 가중치(들)를 상호작용 관리기 (345) 를 통해 특정할 수 있고; 예컨대, 상호작용 관리기 (345) 는 이러한 가중치(들)에 대한 값들을 운반하는 지시 (예컨대, 데이터 패킷, 커맨드 또는 명령, 비트들의 세트...) 를 액터 (390) 로부터 수신할 수 있으며, 그 지시는 다양한 통신 프로토콜들 (예컨대, HTTP, FTP, SFTP, 다양한 무선 프로토콜(들), 이를테면 점 대 점 근거리 무선 통신 등) 을 따라서 전달된다. 메트릭들의 랭킹은 또한, 예컨대, 생물학 기반 자율 학습 엔진 (360) 에 의해, 제조 목표에 대한 출력 측정치의 적합성 정도에 적어도 부분적으로 기초하여, 자율적으로 결정될 수 있다. 자율적 최적화 컴포넌트 (1150) 는 역문제의 해법을 통해 추출된 레시피 파라미터들에 의해 좌우되는 바와 같은 조정된 레시피 (1155) 를 운반할 수 있다. 하나 이상의 실시형태들에서, 자율적 최적화 컴포넌트 (1150) 는, 조정된 레시피 (1155) 를 발행 및 운반하고, 그것을 메모리 (예컨대, 메모리 (1216)) 에 넘기는 레시피 구축부 컴포넌트, 이를테면 포매터 컴포넌트 (1310) 를 구비할 수 있다.
자율적 최적화 컴포넌트 (1150) 또한 얼마나 적극적으로 출력 메트릭이 완화되는지의 로직을 좌우할 수 있는 완화 파라미터를 활용할 수 있으며, 이러한 완화 파라미터는 기준들의 세트 (예컨대, 1218) 에서의 다른 기준일 수 있고 액터 (390) (예컨대, 툴 시스템 (310) 의 이용을 관리하는 휴먼 에이전트에 의해 동작되는 디바이스, 모바일 또는 다른 것) 에 의해 구성될 수 있다 : 널 (Null) 완화 파라미터(들)는 그것과 연관된 메트릭이 그것의 랭킹에 무관하게 완화되는 것이 아님을 나타낼 수 있다. 이러한 완화 파라미터(들), 예컨대, 칩셋 상의 특정 포토리소그래피 특징부(들) 출력 해상도 또는 패킹 밀도와 같은 임계 치수는 툴 시스템 (310) (예컨대, 제조 툴) 이 성능에서 제약되는 시나리오들에서 유익할 수 있고, 그러므로 이러한 파라미터의 완화는 실행가능하지 않다.
소정 수의 제약조건들을 규명한 후, 각각의 출력 메트릭이 특정된 허용오차 내에 있도록 하는 적합한 레시피 조정이 발견되지 않으면, 자율적 최적화 엔진 (1150) 은, 툴 시스템 (310) 이 애셋 타겟(들) 및 사양들 및 허용오차들에 따라서 출력을 생산하게 하기 위해, 예방적 유지보수 파라미터들, 예컨대, 툴 시스템 (310) (예컨대, 제조 툴) 에 대한 스케줄 테스트들 및 교정 런들, 또는 수리 절차들, 이를테면 퇴적 챔버들의 세트 또는 식각 챔버들의 세트에서의 부품 또는 밀봉 진공 리크(들)의 교체를 구성할 수 있다. 따라서, 툴 시스템 (310) 의 출력을 개선하는 것 외에, 예시적인 시스템 (1100) 은, 툴 시스템 (310) 이 출력 애셋(들), 예컨대, 재료(들), 디바이스(들), 생산 데이터, 교정 데이터 등을 최적으로 또는 거의 최적으로 생산하는 것을 허용할 수 있는 유지보수 또는 수리 절차들을 자율적으로 권고할 수 있다. 예시적인 실시형태 (1200) 에서, 자율적 최적화 컴포넌트 (1150) 는, 예방적 유지보수 또는 수리 파라미터들을 생성할 수 있고 이러한 파라미터들을 특정 수신처 (예컨대, 액터 (390)) 에 시그널링 (1157) (도 12에는 미도시) 의 부분으로서 전달할 수 있는 동작 및 유지보수 (O&M) 컴포넌트 (1212) 를 구비한다.
자율적 최적화 컴포넌트 (1150) 의 설명된 기능을 제공하기 위해, 예시적인 실시형태 (1200) 에서, 프로세서(들) (1208) 는 솔버 컴포넌트 (1204) 및 O&M 컴포넌트 (1212) 의 설명된 기능을 적어도 부분적으로 제공하도록 구성될 수 있거나 또는 제공할 수 있다. 프로세서(들) (1208) 는 자율적 최적화 컴포넌트 (1150) 의 개시된 메모리 (1216) 또는 컴포넌트(들) 또는 하위 컴포넌트들 간에 데이터 또는 임의의 다른 정보 교환 전달자 (conduit), 프로토콜, 또는 메커니즘을 위해 버스 (1220) 를 활용할 수 있다. 일 양태에서, 버스 (1220) 는 메모리 버스, 시스템 버스, 어드레스 버스, 또는 메시지 버스 중 적어도 하나로 구현될 수 있다. 프로세서(들) (1208) 는 메모리 (1212), 또는 대안적인 또는 부가적인 메모리 컴포넌트들 또는 그 내부의 요소들에 저장된 코드 명령들 (미도시) 을 실행하여, 자율적 최적화 컴포넌트 (1150) 또는 그것의 컴포넌트(들)의 설명된 기능을 제공할 수 있다.
부가적인 또는 대안적인 실시형태들에서, 자율적 최적화 컴포넌트 (1150) 는 하나 이상의 프로세서들 (예컨대 프로세서(들) (1208)); 시스템 버스, 메모리 버스, 어드레스 버스, 또는 메시지 버스; 및 하나 이상의 메모리들 (예컨대, 휘발성 또는 그렇지 않은 메모리 (1216) 중의 적어도 하나를 구비한 서버(들)에 구현될 수 있으며, 이 서버(들)는 자율적 최적화 컴포넌트 (1150) 의 하나 이상의 컴포넌트(들)에 기능적으로 연결될 수 있다. 예시적인의 시나리오에서, 이러한 부가적인 또는 대안적인 실시형태(들)에서, 솔버 컴포넌트 (1204) 또는 O&M 컴포넌트 (1212) 는, 서버(들)에서의 적어도 하나 이상의 프로세서에 의해 실행될 때 자율적 최적화 컴포넌트 (1150) 의 설명된 기능을 구현하는 코드 명령들의 하나 이상의 세트들로서 서버(들)의 하나 이상의 메모리들 내에 상주할 수 있다. 일 양태에서, 코드 명령들의 하나 이상의 세트들의 실행은 솔버 컴포넌트 (1204) 또는 O&M 컴포넌트 (1212) 중의 적어도 하나를 실행하는 것과 유사하다. 추가 대안적인 또는 부가적인 실시형태들에서, 자율적 최적화 컴포넌트 (1150) 에서의 이종의 컴포넌트들은 개별 프로세서(들), 메모리들, 및 버스들을 갖는 복수의 서버들로 구현될 수 있다. 복수의 서버들 간의 접속은 하나 이상의 원격 통신 프로토콜(들)에 따라 진행할 수 있는 하나 이상의 기존의 버스 아키텍처들 또는 원격 통신을 통해 일어날 수 있다. 복수의 서버들 내의 서버(들)는 구현된 하나 이상의 컴포넌트를 실행할 수 있으며 이에 의해, 예컨대 그 내부의 적어도 하나 이상의 프로세서를 통해, 자율적 최적화 컴포넌트 (1150) 의 컴포넌트(들)의 기능을 적어도 부분적으로 제공할 수 있다. 이러한 실시형태(들)에서의 복수의 서버(들)는 분산형 프레임워크 예를 들어 시스템 (1100) 을 적어도 부분적으로 제공할 수 있음을 알아야 한다.
자율적 최적화 컴포넌트 (1150) 를 통해 추출된 레시피는 입력 재료(들)의 현재 또는 거의-현재 측정치들, 예컨대, 세트 {I1, I2... IM} 및 툴 시스템 (310) (예컨대, 제조 툴) 의 현재 또는 거의-현재 상태에 대한 제품 출력 메트릭들을 최적화한다는 점에 유의한다. 툴 시스템 (310) (예컨대, 제조 툴) 의 상태는 제조 툴 시스템 (310) 의 기능적 요소들에 대해 관측된 데이터에 의해 부분적으로 결정될 수 있다. 이러한 최적화는,, 원래의 레시피를 드리프팅하는 것 및 예측 함수들의 세트, 예컨대, {{f}1, {f}2 ...{f}γ}를 통해 추출되고, 툴 시스템 (310) (예컨대, 제조 툴) 을 통해 제조된 제품을 위해 구성된 특정 출력 메트릭들으로 제약되는, 레시피 파라미터들, 예컨대, 세트 {P1, P2... PM}의 해법에 대한 기반을 포함하는 지식의 기반에 적어도 부분적으로 기초한다. 따라서, 예시적인 진화 툴 시스템 (1100) 은 다양한 경향들과, 툴 상에서 수행되는 시간의 경과에 따른 정상적인 마모와, 유지보수 및 수리로 인해 툴 드리프트에 영향을 주는 다양한 파라미터들을 지속적으로 또는 거의-지속적으로 개선하고 학습한다.
도 13은 본 명세서의 양태들에 따른 레시피 드리프트 컴포넌트 (1130) 의 예시적인 실시형태의 블록도이다. 업데이트 컴포넌트 (1305) 는, 레시피 (1122) 의 부분으로서 수신된 레시피 파라미터들을 메모리 요소 (1324) 에 보유된 알고리즘(들)에 적어도 부분적으로 따라 수정할 수 있다. 일 양태에서, 위에서 설명된 바와 같이, 알고리즘(들)은 레시피 파라미터들이 드리프트될 랭킹 또는 시퀀스를 결정하는 드라이빙 변수(들)의 세트 (1326) 를 활용할 수 있다. 드라이빙 변수(들) (1326) 의 세트는 액터 (390) 에 의해, 예컨대, 상호작용 관리기 (345) 를 통해 구성될 수 있다. 포매터 컴포넌트 (1310) 는 레시피(들) 계보를 생성하고 메모리 요소 (1322) 에 레코딩할 수 있다. 레시피 계보는 레시피, 예컨대, R1을 처리하는 툴, 이를테면 툴 시스템 (310) 과 연관된, 레시피 파라미터들, 예컨대, 세트 {P1, P2... PM}, 및 입력 재료(들)의 측정치들 또는 입력 조건(들), 예컨대, 세트{I1, I2... IM}를 수집할 수 있다. 또한, R1으로 제조된 제품에 대해 수집된 출력 측정치들 (예컨대, 제조된 디바이스의 특징부들) 은 또한 레시피 계보의 부분으로서 유지될 수 있다. 더욱이, 툴 시스템 (310) 의 조건(들)에 대한 정보, 또는 툴 조건(들), 이를테면 PM 레코드들, 수리 이력, 액티브 듀티 사이클의 시간 등이 레시피 계보의 부분으로서 레코딩될 수 있다. 일 양태에서, 메모리 (1320) 는 장기 메모리 (510) 의 부분일 수 있다.
레시피 드리프트 컴포넌트 (1130) 의 설명된 기능을 제공하기 위해, 예시적인 실시형태 (1300) 에서, 프로세서(들) (미도시) 는 업데이트 컴포넌트 (1305) 또는 포매터 컴포넌트 (1310) 의 설명된 기능을 적어도 부분적으로 제공하도록 구성될 수 있거나 또는 제공할 수 있다. 이러한 프로세서(들) (미도시) 는 개시된 메모리 (1216) 또는 레시피 드리프트 컴포넌트 (1130) 의 컴포넌트(들) 또는 하위컴포넌트들 간의 데이터 또는 임의의 다른 정보 교환을 위한 전달자, 프로토콜, 또는 메커니즘으로서 버스를 활용할 수 있다. 일 양태에서, 이러한 버스는 메모리 버스, 시스템 버스, 어드레스 버스, 또는 메시지 버스 중 적어도 하나로 구현될 수 있다. 프로세서(들) (미도시) 는 메모리 (1320), 또는 대안적인 또는 부가적인 메모리 컴포넌트들, 이를테면 메모리 플랫폼 (365) 에 저장된 코드 명령들 (미도시) 을 실행하여, 레시피 드리프트 컴포넌트 (1130) 또는 그것의 컴포넌트(들)의 설명된 기능을 제공할 수 있다. 예시적인 시스템 (1100) 의 하나 이상의 부가적인 또는 대안적인 실시형태들에서, 레시피 드리프트 컴포넌트 (1305) 는 자율적 최적화 컴포넌트 (1150) 의 부분일 수 있거나, 또는 그것은 생물학 기반 자율 학습 엔진 (360) 및 자율적 최적화 컴포넌트 (1150) 사이에서 분산될 수 있다.
도 14는 본 명세서에서 설명되는 양태들에 따른 레시피 드리프팅을 통한 레시피 적응의 다이어그램 (1400) 을 나타낸다. 시작 레시피 R의 드리프팅은, 레시피 RJ (1 < J < N) 의 레시피 파라미터들을 증분적으로 가지고 레시피 RJ +1 (1 < J + 1 ≤ N) 를 생성하기 위해 랜덤하게 수정되는 N (자연수) 개의 드리프트된 레시피들이 생겨나게 할 수 있다. 타겟 레시피 및 드리프트된 레시피들 R1 내지 RN 은 처리될 때, 타겟 메트릭(들)으로부터의 허용오차 ΔO( R' ) 내에 있는 출력 메트릭(들)이 생겨나게 한다는 것에 유념한다. 레시피들의 드리프팅과 출력 측정치들을 예측하는 기능들의 연관된 학습은, 레시피 파라미터들의 위상-공간의 이용을 허용하고, 제품 출력 메트릭(들), 입력 재료(들)의 측정치들, 및 레시피 파라미터들 간의 다양한 관계들을 드러낼 수 있다. 레시피 드리프팅 사이클 (1405) 이 완료되는 경우, 예컨대, N개의 레시피들이 생성되고, 출력 제품 (제조된 제품, 처리된 제품 등) 의 하나 이상의 메트릭들에 대한 제품 출력을 예측할 수 있는 학습된 함수들의 세트에 적어도 부분적으로 기초하여, 레시피 파라미터들의 세트는, 허용오차 ΔO ( R' ) 가 ΔO ( R' ) 보다 작은 타겟 메트릭(들)의 허용오차 ΔO ( R' ) 내에 예측된 출력이 존재하도록 추출되며 - 화살표 1410으로 표시됨; 즉, 위상 공간 레시피 파라미터들의 이용을 통해 개선된 출력이 툴, 예컨대, 툴 시스템 (310) 의 현재 상태, 및 현재 측정치(들) 또는 입력 재료(들), 예컨대, 세트 {I1, I2... IM}에 대해 달성된다. 예시된 바와 같이, 드리프팅 사이클 (1415) 이 또한 조정된 레시피 R'에 영향을 받을 수 있다.
하나 이상의 제품 출력 메트릭들을 예측할 수 있는 레시피 파라미터들의 드리프팅 및 학습된 함수들의 생성은, 성능 또는 출력 품질 공간에서의 제 1 지역에서부터 입력 측정치들 및 레시피 파라미터들, 및 출력 메트릭들 간의 다양한 관계들을 캡처하는 출력 품질 공간의 제 2 지역으로 제조 툴을 효과적으로 도출할 수 있어서, 제조 툴의 출력은 현재 상태에 대해 최적화될 수 있다는 것에 유의한다.
도 15는 본 명세서에서 설명되는 양태들에 따른 상호작용 관리기 (345) 의 예시적인 실시형태 (1500) 를 나타낸다. 디스플레이 컴포넌트 (1504) 는 레시피 드리프팅과 연관된 하나 이상의 사용자 인터페이스(들) 또는 다른 콘텐츠(들)을, 디스플레이 컴포넌트 (1504) 가 시각적 또는 청각적 표시들 (indicia) 을 전달할 수 있다는 적어도 이러한 목적을 위해 렌더링할 수 있다. 다양한 스킴들이 하나 이상의 사용자 인터페이스(들) 또는 다른 콘텐츠(들) 이를테면 윈도-기반 스킴, 예컨대, 표시들의 아이콘 표현, 팝업 표현; 또는 크롤-다운 또는 좌우-스크롤 전달, 또는 정적 렌더링을 가지는 텍스트-기반 표현을 렌더링하는데 채용될 수 있다. 또한, 하나 이상의 사용자 인터페이스(들) 또는 다른 콘텐츠(들)는 디스플레이 컴포넌트 (1504) 의 부분일 수 있는 렌더링 영역 (예컨대, 디스플레이 스크린) 내에서 다양한 구성들로 조직화될 수 있다. 일 양태에서, 디스플레이 컴포넌트 (1504) 는 음극선관 (CRT) 모니터, 액정 디스플레이 (LCD) 모니터, 플라즈마 모니터, 발광 다이오드 (LED) 모니터, 일렉트로크로매틱 모니터 등과 같은 모니터 내의 디스플레이 요소에 적어도 부분적으로 구현될 수 있다.
예시적인 실시형태 (1500) 에서, 데이터 엔트리 컴포넌트 (1508) 는 액터 (390) (예컨대, 휴먼 에이전트, 자동화 머신 에이전트, 디바이스 등) 로부터의 입력을 레시피 드리프팅 및 그것의 제어 파라미터들의 구성의 부분으로서 수집할 수 있다. 일 양태에서, 레시피의 구성은 드라이빙 변수(들)의 세트 (1326) ; 허용오차들의 세트 (허용오차 저장소 (1116) 에 유지됨); 출력 사양(들)의 세트 (예컨대, 1120); 완화 기준들의 세트 (예컨대, 1218), 또는 특정 출력 파라미터들 (예컨대, 애셋 출력) 과 연관된 가중치들의 세트 중의 적어도 하나를 포함할 수 있으며, 여기서 가중치들의 세트는 레시피에서의 타겟 출력 파라미터들에 대한 완화 전략을 확립할 수 있다. 디스플레이 인터페이스 (1504) 는 액터 (390) 로부터의 입력을 적어도 부분적으로 처리 (예컨대, 디코딩 또는 코딩) 할 수 있고, 그것을 시그널링 (예컨대, 1124, 1157) 으로 하여, (i) 레시피 드리프트 컴포넌트 (1130) 또는 그 내부의 컴포넌트(들); (ii) 자율적 최적화 컴포넌트 (1150) 또는 그 내부의 컴포넌트(들); 또는 (iii) 메모리 (1110) 중 적어도 하나에 운반할 수 있다. 일 예로, 이러한 레시피 드리프팅의 구성은 레시피 드리프트 컴포넌트 (1130) 에 의해 수신될 수 있고 알고리즘(들) 저장장치 (1324) 내에 보유될 수 있다. 다른 예로서, 레시피 드리프팅의 구성은 메모리 (1110) 내에, 데이터베이스(들)(355) 의 부분으로서 보유될 수 있다.
데이터 엔트리 컴포넌트 (1508) 를 적어도 부분적으로 구현할 수 있는 다양한 기능적 요소들 및 연관된 회로는, 데이터 입력을 허용하며; 이러한 기능적 요소들은 키패드, 터치 스크린, 마이크로폰, 카메라(들); 바코드 판독기, 무선 주파수 식별자 (RFID) 판독기, 적외선 (IR) 무선-기반 판독기 등등을 포함할 수 있다. 더욱이, 데이터 엔트리 컴포넌트 (1508) 는 또한 주변 디바이스에의 접속 및 그것과의 통신을 가능하게 하는 주변 인터페이스 (1512) 를 구비할 수 있으며; 일 예로, 주변 인터페이스 (1512) 는 툴 시스템 (310) 으로부터의 데이터 취출을 허용하는 어댑터 컴포넌트 (335) 의 부분일 수 있거나 그것의 적어도 일부를 포함할 수 있다. 일 양태에서, 주변 인터페이스 (1512) 는 포트들의 세트를 구비할 수 있으며, 이 세트는 병렬 포트들, 직렬 포트들, 이더넷 포트들, V.35 포트들, X.21 포트들 중 적어도 하나를 포함하며, 병렬 포트들은 범용 인터페이스 버스 (GPIB), IEEE-1284를 포함할 수 있는 한편, 직렬 포트들은 권고된 표준 (RS)-232, V.11, 범용 직렬 버스 (USB), FireWire 또는 IEEE-1394를 포함할 수 있다. 다른 양태에서, 주변기기 (1512) 및 연관된 회로는 또한 무선 통신 (예컨대, 점 대 점, 실내 (indoor), 또는 셀룰러) 을 가능하게 할 수 있다.
일 양태에서, 상호작용 관리기 (345) 의 설명된 기능을 제공하기 위해, 프로세서(들) (1520) 는, 디스플레이 컴포넌트 (1504) 및 데이터 엔트리 컴포넌트 (1508) 의 설명된 기능을 적어도 부분적으로 제공하도록 구성될 수 있거나 또는 제공할 수 있다. 프로세서(들) (1520) 는 메모리 (1110) 또는 상호작용 관리기 (345) 의 컴포넌트(들) 또는 본 명세서에서 설명되는 상호작용 컴포넌트 (330) 의 다른 컴포넌트(들) 간에 데이터 또는 임의의 다른 정보 교환을 위한 전달자, 프로토콜, 또는 메커니즘으로서 버스를 활용할 수 있다. 이러한 버스 (연결이 끊어진 화살표로 나타내어짐) 는 메모리 버스, 시스템 버스, 어드레스 버스, 또는 메시지 버스 중 적어도 하나로 구현될 수 있다. 프로세서(들) (1520) 는 메모리 (1110), 또는 대안적인 또는 부가적인 메모리 요소(들), 이를테면 메모리 플랫폼 (365) 에 저장된 코드 명령들 (미도시) 을 실행하여, 상호작용 관리기 (345) 또는 그 내부의 또는 그것에 기능적으로 커플링된 컴포넌트(들)의 설명된 기능을 제공할 수 있다.
도 16은 본 명세서에서 설명되는 양태들에 따른 툴 시스템의 드리프팅 및 연관된 지식 생성을 적어도 부분적으로 통제하기 위해 렌더링될 수 있는 예시적인 사용자 인터페이스 (1600) 이다. 상호작용 관리기 컴포넌트 (345) 는, 디스플레이 컴포넌트 (1504) 를 통해, 사용자 인터페이스 (1600) 를 렌더링할 수 있다. 다양한 제스처들, 이를테면 모션 제스처들 (트랙볼 조작, 제어 움직임), 터치 제스처들 (예컨대, 스크린 터치), 음성 제스처들 (예컨대, 음성 커맨드들) 등등이, 예시적인 사용자 인터페이스 (1600) 에서의 슬라이딩 툴-막대(들) 또는 슬라이딩 소프트-버튼(들)을 제어할 수 있다. 일 양태에서, 레시피 드리프팅의 크기는 슬라이딩 툴-막대, 또는 슬라이딩 소프트-버튼 (1604) 을 통해 최소 (m) 및 최대 (M) 값들 사이에서 제어될 수 있으며; 선택된 값 (예컨대, 0.5%) 은 드리프트될 수 있는 레시피에서의 하나 이상의 선택된 변수들의 세트에 도입된 변경들의 크기를 결정할 수 있다. 이러한 최소 및 최대 값들은 또한 툴 시스템 (310) 또는 그 내부의 기능적 요소들의 안전한 동작을 위한 범위를 결정할 수 있다. 또한, 예시적인 사용자 인터페이스 (1600) 는 또한 레시피 드리프팅 및 연관된 최적화가 행하여질 기간들을 확립하는, 드리프팅을 위한 스케줄(들)의 구성을 가능하게 한다. 더욱이, 사용자 인터페이스 (1600) 는 앞서 설명된 바와 같은 분석적 표현식, 예컨대, Oκ 또는 부울 변수를 학습하는 선택사항을 제공하는 그래픽 표시들 (1606) 에 의해 도시된 바와 같은 학습 목표의 구성을 가능하게 한다. 예시적인 사용자 인터페이스 (1600) 는 또한 하나 이상의 선택된 변수들의 세트의 프로파일의 구성성, 또는 비교를 허용한다. 시각적 표시들 (1608) 은 레시피에서 드리프티될 하나 이상의 변수들의 세트의 선택, 예컨대, 세트 {Pl, P2... Pm}의 생성을 가능하게 할 수 있으며; 예시된 바와 같이, 이 선택은 X자 기호로 태깅 (tagging) 될 수 있지만, 다른 태깅 표시들이 채용될 수 있음도 알아야 한다. 예를 들어 퇴적 챔버에서의 압력에 대응할 수 있는 특정 변수, 예컨대, VAR J+2 (J는 1보다 크거나 같은 자연수) 의 선택은, 선택된 변수 (예컨대, VAR J+2) 의 변동의 경계들의 적어도 하나의 정의를 가능하게 하는 구성 환경 (미도시) 을 야기할 수 있고, 여기서 경계들은, 드리프팅의 중단; 역문제에 대한 해법이 발견되지 않은 시나리오들에서의 완화를 위한 기준들 (예컨대, 완화 기준들 (1218)) 내에서 선택된 변수들의 가중치 값(들), 또는 적합성; 선택된 변수의 타겟 출력 값을 결정한다. 구성 환경 (미도시) 은 팝업 윈도우 또는 임의의 다른 표시들로서 렌더링될 수 있다.
부가하여 또는 대안으로서, 예시적인 사용자 인터페이스 (1600) 는, 선택된 변수에 대한 변경의 소정 크기의 우도를 레시피를 드리프팅하는 것의 부분으로서 나타내는 확률 분포 함수 (PDF) (예컨대, 가우스 분포, 푸아송 분포, 지수 분포 등등) 의 구성을 허용하는 표시들 (1612) 을 렌더링할 수 있다. 추가의 또는 다른 대안으로서, 예시적인 사용자 인터페이스 (1600) 는, 툴 시스템 (310) 의 부분인 장비 또는 센서들의 그룹들 또는 서브-시스템들 (예컨대, 서브-시스템들 1 내지 5) 을, 이러한 장비 또는 센서들과 연관된 레시피 파라미터들 또는 변수들을 드리프트하기 위해 인에이블하는 표시들 (1616) 를 렌더링할 수 있으며; 이러한 선택은 레시피의 파라미터들 및 애셋 출력 특성들 간의 인과 관계들의 분석을 허용하기 위해, 툴 시스템 (310) 의 이종의 부분들을 고립시킬 수 있다. 표시들 (1616) 에서의 렌더링된 선택들은 최종-사용자, 예컨대, 액터 (390) 에 의해 동작되는 머신 또는 디바이스에서 멀리 떨어져 있는 서브-시스템들, 예컨대, 도 16에 예시된 5개의 서브-시스템들을 포함할 수 있다. 표시들 (1616) 로 식별되는 서브-시스템들은 또한, 툴 시스템 (310) (예컨대, 제조 툴, 가공 툴 등등) 에서의 전용 기능적 요소(들), 이를테면 측정 또는 모니터링 장비의 부분일 수 있으며; 예를 들면, 서브-시스템들 (1 내지 5) 은, 하나 이상의 집적회로들 (IC들), 플랫 패널 디바이스 칩셋(들) 또는 IC(들), 플렉시블 디스플레이(들), 또는 다른 디스플레이 기술들 이를테면 발광 다이오드 (LDE) 디스플레이 기술을 소유하는 반도체 기판들의 제조, 가공, 또는 조립 중의 적어도 하나를 위한 장비 또는 센서들을 구비할 수 있다.
예시적인 사용자 인터페이스 (1600) 는 또한 레시피 드리프팅과 연관된 피드백을 제공할 수 있는 표시들, 예컨대, 소프트 버튼 (1620) (예시에서처럼 "리포트"라고 라벨링됨) 을 포함할 수 있으며; 이 피드백은, 하나 이상의 학습된 함수들의 세트; 애셋이 제조된 제품일 수 있는, 애셋 출력 데이터 및 애셋 입력 데이터 간의 상관관계(들); 하나 이상의 드리프트된 레시피들의 계보, 특정 레시피 또는 제조 프로세스, 소망의 성능의 달성을 위한 출력 애셋 데이터 및 출력 입력 데이터와 연관된 이력 데이터; 하나 이상의 출력 제품 메트릭들의 값들의 세트의 그래프들 또는 챠트들, 또는 하나 이상의 입력 변수들의 값들의 세트, 예컨대, 식각 챔버에서의 다양한 가스들의 광학적 스펙트럼 등등 중 적어도 하나를 포함할 수 있다. 상호작용 관리기 (345) 는, 예컨대, 디스플레이 컴포넌트 (1504) 를 통해, 피드백을 이종의 툴 시스템들 또는 액터들로의 통신에 적합한 다양한 포맷들로 캐스팅할 수 있다. 공급된 피드백의 레벨 또는 품질은, 사용자 인터페이스, 이를테면 사용자 인터페이스 (1600), 및 이러한 사용자 인터페이스를 렌더링하는 상호작용 관리기 (예컨대, 상호작용 관리기 컴포넌트 (345)) 를 통해 드리프팅 프로세스를 구성하는 최종-사용자의 크리덴셜(들)에 따라서 가변할 수 있다. 일 양태에서, 소프트 버튼 (1620) 이 기동되면, 상호작용 관리기 (345) 는 입력 시그널링을 수신하여, 이용가능한 동작 데이터, 예컨대, 메모리들 (1110, 1216, 1320 등) 중 하나 이상에 보유된 데이터의 하나 이상의 뷰들을 생성할 수 있으며, 여기서 입력 시그널링은 데이터 엔트리 컴포넌트 (1508) 를 통해, 부분적으로는 주변 인터페이스 (1512) 를 거쳐 생성될 수 있다. 더욱이, 상호작용 관리기 (345) 는 하나 이상의 뷰들로 전달된 데이터를 툴 시스템 또는 액터에 전달할 수 있다. 다른 양태에서, 소프트 버튼 (1620) 의 기동 (actuation) 은 디스플레이 영역 (1624) 에서의 전술한 피드백의 시각적 표현을 또는 전술한 피드백의 실제 표현을 제공할 수 있다. 일 예로서, 학습된 함수(들) 또는 학습된 부울 표현식들이 디스플레이될 수 있다. 비슷하게, 출력 제품 메트릭(들) 또는 입력 변수들에 관련된 데이터를 갖는 챠트(들) 또는 테이블(들)이 또한 영역 (1624) 에서 디스플레이될 수 있다.
1600과 같은 사용자 인터페이스에 포함된 이용가능한 선택 또는 표시들의 공간은 툴 시스템 (310) (예컨대, 제조 툴) 의 관리기 (휴먼 에이전트 또는 그밖의 것) 에 의해 구성될 수 있는 사용자 프로파일들의 세트에 의해 결정될 수 있다. 사용자 프로파일들은 툴 시스템 (310) 의 하나 이상의 서브시스템에 대한 다양한 액세스 정도들, 사용자가 수정할 것이 허용된 레시피 변수들의 세트, 완화 기준들을 결정하기 위해 사용자를 위해 구성된 특권(들) 등을 확립할 수 있다. 부가하여 또는 대안적으로, 사용자 인터페이스 (예컨대, 사용자 인터페이스 (1600)) 에서 렌더링되는 이용가능한 선택(들)이, (i) 예컨대, 툴 시스템 (310), 및 관련된 장비 및 연관된 프로세스들의 전문 지식은 선택의 복잡도 또는 유연성이 더 높아지는 것을 정당하게 만들 수 있는, 최종-사용자의 인지 부하 (cognitive load) (ii) 수습생, 기술자, 엔지니어, 관리기 등과 같은 최종-사용자의 상태; 또는 (iii) 예컨대, 하나 이상의 변수들의 세트가 위험한 값으로 드리프트되어, 이러한 드리프팅이 역문제 해법의 불안정한 솔루션들 또는 툴 시스템 (310) 의 동작에서의 결함들로 인해 발생할 수 있는, 툴 시스템 (310) (제조 툴, 가공 툴, 특성화 툴 등) 의 동작 및 관련 레시피 드리프팅을 통해 수집된 외재적 증거 중의 적어도 하나를 통해 부분적으로 결정될 수 있다. 사용자 인터페이스 (예컨대, 사용자 인터페이스 (1600)) 에서 이용가능한 선택(들)의 정도 또는 이용가능한 선택(들) 및 관련 정보가 렌더링되는 방식은 또한, 최종-사용자 경험을 최대화하거나 또는 거의-최대화하며, 안정성을 증가시키며, 드리프팅 구성을 개선하는 등등을 위하여, 정보의 최적의 또는 거의-최적의 연출 (rendition)(들)을 확립하도록 랜덤하게 드리프트될 수 있다. 상호작용 관리기 컴포넌트 (345) 는, 수리 드리프트 컴포넌트 (1130) 및 생물학 기반 자율 학습 엔진 (360) 을 활용할 수 있다.
상호작용 관리기 컴포넌트 (345) 는 사용자 인터페이스(들), 이를테면 1600을 국소적으로 렌더링할 수 있거나, 하나 이상의 액터 디바이스들, 모바일 또는 그밖의 것에서 사용자 인터페이스(들)를 렌더링하기 위해 데이터 또는 시그널링을 전달할 수 있다. 일 양태에서, 액터들이고 이종의 위치들에 위치되는 이종의 최종-사용자들은, 사용자 인터페이스(들)의 연출(들) 및 연관된 정보를 이종의 디바이스들에서 수신할 수 있다. 이러한 정보 전달 특징은, 액터(들), 예컨대, 390를 상호작용 컴포넌트 (330) 에 기능적으로 커플링시키는 액세스 네트워크 (예컨대, 광역 네트워크, 무선 광역 네트워크, 근거리 네트워크, 및 애드혹 네트워크; 미도시) 에 의해 인에이블될 수 있다.
위에서 제시되고 설명된 예시적인 시스템들의 관점에서, 개시된 주제에 따라 구현될 수도 있는 방법은, 도 17 내지 23의 흐름도를 참조하여 양호하게 이해될 것이다. 설명의 간략화를 위해 방법은 일련의 블록들로서 도시되고 설명되었지만, 몇몇 작용들이 여기에 설명되고 도시된 다른 블록들과 상이한 순서들 및/또는 동시에 발생할 수도 있으므로, 개시된 양태들이 작용들의 수 또는 순서에 의해 제한되지 않음을 이해 및 알아야 것이다. 또한, 모든 도시된 작용들이 이후 설명되는 방법론들을 구현하는데 요구되지 않을 수도 있다. 블록들과 연관된 기능이 소프트웨어, 하드웨어, 이들의 결합 또는 임의의 다른 적절한 수단 (예컨대, 디바이스, 시스템, 프로세스, 컴포넌트) 에 의해 구현될 수도 있음을 알아야 할 것이다. 부가적으로, 이후 개시되고 본 명세서 전반에 걸쳐 개시되는 방법론들이 실행을 위한 다양한 디바이스들로의 이와 같은 방법론들의 전달 및 이동을 용이하게 하고, 이에 따라 적어도 프로세서 또는 처리 유닛 또는 플랫폼에 의한 구현을 용이하게 하기 위해, 제조품 상에 저장될 수 있음을 추가로 알아야 한다. 방법론은 상태 다이어그램에서와 같이 일련의 상호관련된 상태들 또는 이벤트들로서 이와 달리 표현될 수 있음을 이해 및 알아야 할 것이다.
본 명세서 및 첨부의 도면들의 전반에 걸쳐 개시된 방법들은, 이러한 방법론들의 실행을 위한 컴퓨터들로의 이송 및 이전과, 이에 따른 프로세서에 의한 구현, 또는 메모리에서의 저장을 용이하게 하도록 제조품에 저장될 수 있다. 일 양태에서, 본 명세서에서 설명되는 방법(들)을 재연하는 하나 이상의 프로세서들은, 메모리, 또는 임의의 컴퓨터 또는 머신 판독가능 매체에 보유된 코드 명령들을 실행하여, 본 명세서에서 설명된 방법(들)을 구현하기 위해 채용될 수 있으며; 그 코드 명령들은, 하나 이상의 프로세서에 의해 실행될 때, 본 명세서에서 설명되는 방법(들)에서의 다양한 작용들을 구현하거나 수행한다. 이 코드 명령들은 본 명세서에서 설명되는 방법(들)을 재연하기 위해 컴퓨터 또는 머신 실행가능 프레임워크를 제공한다.
도 17은 콘텍스트 목표 조정을 갖는 생물학 기반 자율 학습을 위한 예시적인 방법 (1700) 의 흐름도를 나타낸다. 적응적 추론 엔진 (예컨대, 110), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (1700) 을 적어도 부분적으로 구현할 수 있다. 대안으로, 또는 추가적으로, 프로세싱 플랫폼, 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 적응적 추론 엔진에 기능을 부여하는 내부에 있는 기능 유닛(들) 또는 프로세서(들)는 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 작용 1710에서, 목표가 확립된다. 목표는, 그 목표 또는 목적을 달성하는데 채용되는 목표 컴포넌트의 기능과 연관된 추상화물이다. 목표는 멀티-규율적일 수 있고, 다양한 부문들 (예컨대, 산업, 과학, 문화, 정치 등) 에 걸쳐있을 수 있다. 일반적으로, 작용 1710은 학습 시스템 (예컨대, 적응적 추론 엔진; 110) 에 커플링될 수 있는 목표 컴포넌트 (예컨대, 120) 에 대해 외부에 있거나 또는 외재적일 수 있는 액터에 의해 실행될 수 있다. 목표의 멀티-규율적 속성의 관점에서, 목표 컴포넌트는 다수의 기능들을 소유하는 툴, 디바이스, 또는 시스템, 예를 들어, 특정한 프로세스를 수행하는 툴 시스템 (예컨대, 툴 시스템 (310)), 또는 요청들의 세트에 대한 특정 출력을 제공하는 디바이스 등일 수 있다. 작용 1720에서, 데이터가 수신된다. 이와 같은 데이터는 내재적일 수 있으며, 예를 들어, 목표를 추구하는 목표 컴포넌트 (예컨대, 컴포넌트 (120)) 에서 생성된 데이터일 수 있다. 일 양태에서, 특정 프로세스를 수행하는 일부로서, 툴과 연관된 센서들 또는 프로브들의 세트가, 적응적 지능 컴포넌트에서 수신된 데이터를 수집할 수 있다. 또한, 수신된 데이터는, 휴먼 에이전트 또는 지능이 내장된 머신 또는 그 밖의 것일 수 있는 액터 (예컨대, 액터 (390)) 에 의해 운반된 데이터와 같이 외재적일 수 있다. 외재적 데이터는, 프로세스를 구동시키거나, 일반적으로는 특정 목표의 달성을 끌어내는데 이용되는 데이터일 수 있다. 휴먼 에이전트는 툴 시스템의 오퍼레이터일 수 있으며, 그 툴에 의해 수행된 프로세스들과 연관된 명령들 또는 특정 절차들을 제공할 수 있다. 액터의 예는 툴 시스템의 시뮬레이션을 수행하는 컴퓨터, 또는 실질적으로 임의의 목표 컴포넌트일 수 있다. 툴 시스템의 시뮬레이션은, 툴 시스템에 대한 배치 파라미터들을 결정하거나, 그 툴에 대한 동작의 대안적인 조건들 (예컨대, 휴먼 에이전트에 대해 위험을 나타낼 수 있거나 값이 비쌀 수 있는 동작들의 조건들) 을 테스트하기 위해 채용될 수 있다는 것을 알아야 한다. 수신된 데이터는, 특정 프로세스 (예컨대, 플랫 패널 디스플레이 능동 매트릭스의 일부인 TFT들의 매트릭스의 퇴적), 또는 일반적으로는 특정 코드와 관련된 생산 데이터 또는 훈련 데이터일 수 있다.
추가적인 양태에서, 수신된 데이터는 데이터 유형들 또는 절차적 또는 기능적 유닛들과 연관될 수 있다. 데이터 유형은 실제 데이터의 상위 레벨 추상화물이며; 예를 들어, 어닐링 사이클의 기간 동안 온도가 프로그래밍된 레벨에서 제어될 수 있는 툴 시스템에서의 어닐링 상태에서, 툴 시스템 내의 온도 센서에 의해 측정된 온도값들의 시간 시퀀스는 연관된 시퀀스 데이터 유형일 수 있다. 기능적 유닛들은, 프로세서 또는 처리 플랫폼에 의해 적어도 실행될 때, 툴의 동작 또는 툴에 의해 생성된 데이터를 분석하는데 필요한 데이터를 조작하는 처리 코드 패치들 또는 수신된 명령들의 라이브러리들에 적어도 부분적으로 대응할 수 있다. 기능적 유닛들은 적어도 프로세서에 의해 부여된 기능을 갖는, 유닛의 특정 기능에 관련된 개념들로 적어도 부분적으로 추상화될 수 있으며, 예를 들어, 승산 코드 단편은 승산 개념으로 추상화될 수 있다. 이러한 개념들은, 단일 개념이 승산 (시퀀스), 승산 (매트릭스), 또는 승산 (상수, 매트릭스) 와 같은 복수의 데이터 유형들에 의존하여 행해질 수 있다는 점에서, 오버로드될 수 있다. 또한, 기능적 유닛들과 연관된 개념들은, 독립 변수에 대해 2 개의 벡터들의 스칼라 곱의 도함수를 나타내는 개념을 예시할 수 있는 derivative (scalar_product (vector, vector)) 와 같은 기능적 유닛들과 연관된 다른 개념들을 상속받을 수 있다. 기능적 개념들은 그 자체가 개념들인 클래스들과의 직접적인 유사점을 가짐을 알아야 한다. 또한, 데이터 유형들은 우선순위와 연관될 수 있으며, 그 우선순위에 따라 의미론적 네트워크에 배치될 수 있다. 유사하게, 기능적 개념들 (또는 오토봇들의 적어도 일부분; 도 6b 참조) 은 또한 우선순위와 연관될 수 있으며, 이종의 의미론적 네트워크에 배치될 수 있다. 개념 우선순위들은 동적이며, 의미론적 네트워크들에서 개념 활성화를 용이하게 할 수 있다.
작용 1730에서, 상술된 바와 같이 의미론적 네트워크들에서 나타날 수 있는, 수신된 데이터로부터 지식이 생성된다. 지식의 생성은, 의미론적 네트워크들에서의 활성화를 전파함으로써 달성될 수 있다. 이러한 전파는, 스코어 결합 이외의 개념에 할당된 상황 스코어에 의해 결정될 수 있다. 일 양태에서, 스코어 결합은 2 개의 스코어들의 가중된 가산이거나 또는 2개 이상의 스코어들의 평균일 수 있다. 스코어 결합에 대한 규칙은, 툴 시스템 조건들 또는 외부 액터로부터 수신된 정보 입력 중 적어도 하나에 의존하여 변경될 수 있음을 알아야 한다. 거의 활성화되지 않은 개념들이 오래된 것이 되도록 하여 신규한 개념들이 더 관련있는 것들이 되도록 하기 위해 우선순위는 시간이 진행함에 따라 떨어질 수 있음을 알아야 한다.
생성된 지식은 메모리에 보존될 수 있고, 조치가능한 정보로서 채용될 수 있으며, 예를 들어, 증착 단계에서의 정상 상태 압력은 정상 상태 흐름 및 정상 상태 배기 밸브 각도와 같은 2 개의 독립 변수들의 정확하고 명확히 정의된 수학적 함수 (예컨대, 확률적이거나 미지인 것보다는 결정적으로 평가되는 함수에 입력되는 모든 파라미터들을 갖는 단일-값 함수) 로서 캐스팅될 수 있다. 대안으로, 또는 추가적으로, 전이 (transition) 동안의 압력은 독립 변수들 및/또는 파라미터들의 함수로서 캐스팅될 수 있거나, 또는 모든 시간 인스턴스들이 포함된, 레시피 (예컨대, FPD (flat panel display) 픽셀에서의 TFT 구조의 포토리소그래픽 식각) 의 실행 동안의 압력은 레시피의 실행 동안의 다른 측정된 변수들/파라미터들의 함수로서 캐스팅될 수 있다.
작용 1740에서, 생성된 지식은 추가적인 지식의 생성 및 자율적인 툴의 후속의 이용을 위해 저장된다. 일 양태에서, 지식은 메모리들의 계층에 저장될 수 있다. 메모리 내의 지식의 영속성 및 부가적인 지식의 생성에 대한 지식의 적용가능성에 대해 계층이 결정될 수 있다. 일 양태에서, 계층 내의 제 3 층은 수신된 데이터의 임프레션 및 지식이 수집될 수 있는 에피소드 메모리 (예컨대, 에피소드 메모리 (530), 또는 인식 에피소드 메모리 (740)) 일 수 있다. 이러한 메모리 층에서, 개념들의 조작은 중요하지 않으며, 대신 메모리는 툴 시스템 또는 외부 액터로부터 수신된 이용가능한 정보의 저장소로서의 역할을 한다. 일 양태에서, 이러한 메모리는, 다수의 데이터 유형들 및 절차 개념들이 저장될 수 있는 메타데이터베이스로서 식별될 수 있다. 제 2 층에서, 지식은 단기 메모리에 저장될 수 있으며, 여기서, 개념들은 상당히 조작될 수 있고, 의미론적 네트워크에서의 확산 활동이 발생할 수 있다. 이러한 메모리 층에서, 기능적 유닛들 또는 절차적 개념들은, 새로운 지식 또는 학습을 생성하기 위해, 수신된 데이터 및 개념들에 대해 작용한다. 제 1 층 메모리는, 지식이 액티브 이용을 위해 유지되는 장기 메모리 (예컨대, LTM (510)) 일 수 있으며, 상당한 새로운 지식이 이러한 메모리 층에 저장된다. 또한, 장기 메모리 내의 지식은 단기 메모리 (예컨대, 520) 내의 기능적 유닛들에 의해 이용될 수 있다.
작용 1750에서, 생성되거나 또는 저장된 지식이 이용된다. 지식은, (i) 저장된 지식 (데이터와 절차들) 과 새롭게 수신된 데이터 사이의 차이들을 식별함으로써 목표 컴포넌트 (예컨대, 툴 시스템 (310)) 의 저하 레벨을 결정하되 (자기-인식 컴포넌트 (550) 참조), 그 수신된 데이터는 외재적 (예를 들어, 입력 (130)) 또는 내재적 (예를 들어, 출력 (140) 의 일부); (ii) 예를 들어, (자기-개념화 컴포넌트 (560) 에서와 같이) 데이터 패턴들을 식별하거나 변수들 사이의 관계를 발견함으로써, 외재적 또는 내재적 데이터 중 어느 하나 또는 양자를 특성화하되, 변수들은 확립된 목표를 달성하는데 이용될 수 있으며; 또는 (iii) 예측된 고장들 또는 기존의 고장들에 대한 근본적인 원인의 표시들 뿐만 아니라, 툴 시스템의 저하가 툴 고장을 야기하기 전에 예방적 유지보수를 구현하기 위해 필요한 수리들 또는 경고들을 제공하여, 데이터를 생성하는 툴 시스템 (예컨대, 자기-최적화 컴포넌트 (570)) 의 성능의 분석을 생성하기 위해 채용될 수 있다. 저장되고 생성된 지식의 이용이 외재적 또는 내재적인 수신된 데이터 및 그 결과로 생성된 지식에 의해 영향을 받는다는 것에 유념한다.
작용 1760은, 목표의 달성 정도가 생성된 지식의 관점에서 검사될 수 있는 검증 작용이다. 확립된 목표가 달성되는 경우, 예시적인 방법 (1700) 은 종료될 수 있다. 대안으로, 확립된 목표가 달성되지 않으면, 확립된 목표는 작용 1770에서 리뷰될 수 있다. 후자에서, 방법 (1700) 의 흐름은, 현재의 목표가 수정되거나 적응될 경우 새로운 목표를 달성하는 것을 초래할 수 있으며; 예를 들어, 목표 적응은 생성된 지식에 기초할 수 있다. 현재의 목표의 수정이 추구되지 않을 경우, 방법 (1700) 의 흐름은 지식을 생성하도록 복귀되며, 이는 현재 확립된 목표를 계속 추구하기 위해 이용될 수 있다.
도 18은 목표 컴포넌트의 상태와 연관된 개념의 상황 스코어를 조정하기 위한 예시적인 방법의 흐름도 (1800) 를 나타낸다. 생물학 기반 자율 학습 엔진 (예컨대, 360), 또는 이것에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (1800) 을 적어도 부분적으로 구현할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 학습 엔진 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들에 기능을 부여하는 처리 플랫폼 (예컨대, 385), 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 작용 1810에서, 목표 컴포넌트의 상태가 결정된다. 통상적으로, 다양한 데이터 입력 (예컨대, 입력 130) 에 의해 결정될 수 있는 콘텍스트를 통해, 또는 입력과 연관되고 특정 관계들을 나타내는 개념들의 네트워크를 통해 상태가 확립된다. 입력 데이터는 목표 컴포넌트에 의해 추구되는 목표에 관련되며, 예를 들어, 특정 박막 디바이스, 이를 테면 TFT의 코팅 공정에 대한 레시피는 "절연 디바이스를 퇴적하는" 목표와 연관된 입력으로서 간주될 수 있다. 작용 1820에서, 목표 컴포넌트의 상태에 적용될 수 있는 개념들의 세트가 결정된다. 이러한 개념들은 작용 1810에서 입력된 데이터 유형들의 추상화물들일 수 있거나, 또는 메모리 플랫폼 (예컨대, 장기 메모리 (510), 또는 단기 메모리 (520)) 내의 기존의 개념들일 수 있다. 일반적으로, 서술적 개념들 (예컨대, 기능적 컴포넌트를 갖지 않는 개념들) 에 대해 적어도 프로세서 또는 처리 유닛을 통해 작용할 수 있는 기능적 개념들은 목표 달성을 향하여 더 빈번하게 이용될 수 있다. 작용 1830에서, 목표 상태와 연관된 개념들의 세트에서의 각각의 개념에 대한 상황 스코어가 결정된다. 상황 스코어들의 세트는 개념 이용 또는 응용을 위한 계층을 확립할 수 있으며, 이것은 목표 적응성 또는 하위-목표 생성/랜덤화와 같은 목표의 다이나믹스를 결정할 수 있다. 특정 개념들에 대한 상황 스코어들의 조정은, 목표 달성 뿐만 아니라 목표 적응의 부분으로서의 목표들의 공간내의 전파를 이끌 수 있다.
도 19는 본 명세서에서 설명된 양태에 따른 추론을 통해 지식을 생성하는 예시적인 방법의 흐름도 (1900) 를 나타낸다. 생물학 기반 자율 학습 엔진 (예컨대, 360), 또는 이것에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (1900) 을 적어도 부분적으로 구현할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 학습 엔진 또는 이것에 기능적으로 커플링된 하나 이상의 컴포넌트들에 기능을 부여하는 처리 플랫폼 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 작용 1910에서, 개념이 데이터 유형과 연관되고 그 개념에 대한 우선순위가 결정된다. 우선순위들은 일반적으로 개념의 이용 확률 또는 개념의 가중치에 기초하여 결정될 수 있다. 이러한 가중치는, 개념을 이용하는 용이성 (예컨대, 데이터 유형에 작용하는 복잡도) 을 나타낼 수 있는 파라미터들의 함수 (예컨대, 가중합, 산술 평균, 또는 기하 평균) 를 통해 결정될 수 있고, 이러한 파라미터는 개념의 관성, 및 상태 (예컨대, 해당 개념에 관련될 수 있는 이웃한 개념들의 수) 를 설명하는 개념의 적합성 파라미터로 식별될 수 있다. 명시적 시간 의존성 관성 및 적합성 파라미터들의 결과로서 또는 개념 전파의 결과로서 우선순위가 시간 의존적이라는 것을 알아야 한다. 시간 의존적 우선순위들은 특정 개념들 속에 에이징 (aging) 양태들을 도입할 수 있고, 이에 따라, 특정 지식 시나리오 (예컨대, 우선순위-기반 지식 네트워크에서의 노드 구조) 에 관련되는 것을 중지하는 개념들을 통해, 지식 유연성 (예를 들어, FPD의 능동 매트릭스 어레이에서의 TFT와 같은 나노-구조화된 디바이스의 준비를 위해 레시피와 같이 목표을 추구하기 위해 채용되는 패러다임) 을 촉진시킬 수 있다. 작용 1920에서, 우선순위화된 개념들의 세트에 대한 의미론적 네트워크가 확립된다. 의미론적 네트워크는, 다수의 네트워크들 각각이 클래스에서 개념들 사이의 관계들의 세트를 특성화할 수 있는 다수의 서브-네트워크들을 포함할 수 있음을 알아야 한다. 일 예로서, 2층 의미론적 네트워크에서, 제 1 서브-네트워크는 데이터 유형들로부터 유도된 개념들 사이의 관계들을 나타낼 수 있는 반면, 제 2 서브-네트워크는, 데이터 유형에 대해 수정하기 위해 이용될 수 있는 동작들을 설명하는 기능적 개념들 (예컨대, 플래너 오토봇 또는 위버봇, 개념적 오토봇) 사이의 관계들을 포함할 수 있다. 작용 1930에서, 우선순위들의 세트는 추론을 행하기 위해 의미론적 네트워크를 통해 전파되며, 따라서, 개념들의 네트워크와 연관된 지식이 생성된다. 일 양태에서, 이러한 전파는, 목표 적응을 위한 최적화 플랜들을 생성하거나, 또는 특정 목표를 추구하는 시스템에서의 고장들을 예측하기 위해 이용될 수 있다.
도 20은 본 명세서에서 설명되는 양태들에 따른 애셋을 생산하는, 예컨대 제조하는 하나 이상의 툴들에 의해 생성된 생산 데이터와 연관된 한 세트의 변수들 간의 관계를 학습하는 예시적인 방법 (2000) 의 흐름도를 나타낸다. 자율 진화 제조 툴 및 그 내부의 생물학 기반 자율 학습 엔진 (예컨대, 360) 은 본 예시적인 방법 (2000) 을 적어도 부분적으로 구현할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 학습 엔진 또는 이것에 기능적으로 커플링된 하나 이상의 컴포넌트에 기능을 부여하는 처리 플랫폼 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법 (2000) 을 적어도 부분적으로 구현할 수 있다. 작용 2010에서, 타겟 제품 출력이 설정된다. 타겟 제품 출력은 액터 (예컨대, 390) 에 의해 인터페이스 컴포넌트, 예컨대, 상호작용 관리기 (345) 를 통해 확립된 특정 제품 사양서(들) 및 연관된 허용오차들과 같은 하나 이상의 제품 출력 메트릭들의 세트를 포함한다. 작용 2020에서, 타겟 제품 출력을 충족하는 제품을 제조하기 위한 초기 레시피가 드리프트된다. 작용 2030에서, 하나 이상의 제품 출력 메트릭들과 연관된 관계들의 세트가 드리프팅을 통해 학습된다. 드리프팅을 통한 학습은, 하나 이상의 드리프트된 레시피들을 통해 생성된 데이터에 기초하여, 여기서 설명된 바와 같이, 지식 생성에 따라 관계들의 세트에서의 하나 이상의 관계들을 학습하는 것을 포함한다. 관계들의 세트는 제품 출력, 예컨대, 선택된 메트릭의 측정치를, 입력 측정 데이터의 세트 및 현재 레시피의 레시피 파라미터들과 관련시키는 M (M은 자연수) 개의 함수들의 세트를 포함할 수 있다. 각각의 스테이지가 Q (Q는 자연수) 개의 생산 런들을 포함하는 N개의 생산 스테이지들의 세트에 대해, M≤N 의 함수들이 학습될 수 있다. 작용 2040에서, 조정된 레시피가 학습된 관계들의 세트에 적어도 부분적으로 기초하여 타겟 제품 출력을 달성하기 위해 생성된다. 작용 2050에서, 적어도 하나의 제품이 조정된 레시피에 따라 생산된다. 작용 2060에서, 적어도 하나의 제품의 출력 속성(들)에 대한 데이터를 수집 (예컨대, 측정) 함으로써 조정된 레시피의 생성이 성공적인지가 결정되며, 여기서 생성 성공은 제품 출력을 위해 확립된 허용오차들의 세트 및 사양(들)에 의해 좌우되는 바와 같은 적어도 하나의 제품의 출력 속성(들)의 품질에 의해 결정된다. 네거티브인 경우, 작용 2070에서 유지보수 절차가 행해지고 흐름은 작용 2020을 향한다. 반대로, 작용 2080에서, 타겟 출력 제품이 충족되는지의 여부가 평가된다. 작용 2080의 네거티브 결과는 흐름이, 초기 레시피가 이전의 레시피의 드리프팅을 통해 적어도 부분적으로 시작되는 학습을 통해 조정되는 작용 2020으로 향하게 한다. 반면, 긍정적인 결과는 흐름을 작용 2030으로 방향을 바꾸게 한다. 따라서, 성공적인 제품을 제조하기 위한 레시피와 연관된 데이터 및 그 레시피는, 레시피 및 입력 데이터 (예컨대, 제조 툴의 상태(들)에 대한 데이터) 간의 하나 이상의 관계들을, 이전에 설명된 바와 같이 학습이 달성될 수 있는 학습 사이클의 지속적 또는 거의-지속적 정제 (refinement), 예컨대, 개량을 통해 추가로 학습하는데 이용될 수 있다.
예시적인 방법 (2000) 을 통해, 출력 제품 측정치들에 대한 제품 사양(들) 및 허용오차들에 의해 좌우되는 맞춤 특성들을 갖는 제품의 제작을 위한 레시피는, 드리프팅 및 학습을 통해 재귀적으로 최적화되거나, 또는 진화된다는 점에 유의한다. 따라서, 본 예시적인 방법 (2000) 을 재연하는 제조 툴은 최적의 출력 제품을 제작할 수 있다.
도 21은 본 명세서에서 설명되는 양태들에 따른 제조 레시피를 드리프팅하는 예시적인 방법 (2100) 의 흐름도이다. 진화 툴 시스템 (1100) 내의 레시피 드리프트 컴포넌트 (1130) 와 같은 컴포넌트는 본 발명의 방법을 재연할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 학습 엔진 및 레시피 드리프트 컴포넌트에 기능을 부여하는 처리 플랫폼 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법 (2000) 을 적어도 부분적으로 구현할 수 있다. 작용 2110에서, 초기 레시피가 현재 레시피로서 설정된다. 작용 2120에서, 현재 레시피는 드리프트된다. 드리프트는 현재 레시피에서 하나 이상의 변수들을 선택하는 것과 하나 이상의 변수들에 대해 증분적 변경들을 행하여 하나 이상의 조정된 레시피 파라미터들의 세트를 생성하는 것을 포함할 수 있다. 일 양태에서, 하나 이상의 변수들의 선택은 드리프트를 도출하는 변수들의 리스트, 예컨대 메모리 (1220) 에 보유된 드라이빙 변수들 (1226) 에 의해 좌우된다. 이러한 리스트는 액터 (예컨대, 390) 에 의해 제공될 수 있거나 또는 생물학 기반 자율 학습 엔진 (360) 에 의해 추론되고 전달될 수 있다. 드리프트된 변수들은 현재 레시피에 특정될 수 있음에 유념한다. 부가하여, 드리프트는 개별 방향성 벡터 (directional vector) 당 가변하는 크기 레벨들로 멀티-치수로 행해질 수 있으며, 여기서 방향성 벡터는 드리프트 또는 랜덤화될 수 있는 레시피 파라미터들에 의해 정해지는 공간에서 정의된다. 차원수 (dimensionality) 는 도메인들 (예컨대, 파워, 화학물질들, 온도, 압력, 비용, 속력 등등) 에 걸쳐 있을 수 있다. 작용 2130에서, 현재 레시피 드리프팅을 통해 획득된 조정된 레시피가 처리된다. 작용 2140에서, 조정된 레시피는 드리프트될 것이라고 결정된다. 긍정적인 결과로, 작용 2150에서, 조정된 레시피는 드리프팅을 통해 만들어진 레시피들의 계보에 추가된다. 작용 2160에서, 조정된 레시피는 현재 레시피로서 설정된다. 작용 2140에서의 평가에 대한 네거티브 결과로, 드리프팅을 통해 만들어진 레시피들의 계보와 이 계보에서의 각각의 레시피에 연관된 데이터, 이를 테면 입력 측정치들, 출력 측정치들, 툴 조건들, 유지보수 등은 작용 2170에서 공급된다.
도 22는 본 명세서에서 설명되는 양태들에 따른 제품 출력을 위한 타겟 사양(들)으로 제품을 제작하기 위해 진화된 레시피를 생성하는 예시적인 방법 (2200) 의 흐름도이다. 진화 툴 시스템 (1100) 내의 생물학 기반 자율 학습 시스템, 예컨대, 1150은 본 예시적인 방법 (2200) 을 재연할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 최적화 엔진 및 그 내부의 컴포넌트들에 기능을 부여하는 처리 플랫폼 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법 (2200) 을 적어도 부분적으로 구현할 수 있다. 작용 2210에서, 제조 레시피들의 세트에 대한 출력 제품을 예측하는 학습된 함수들의 세트가 수신된다. 작용 2220에서, 입려 재료 측정치들이 수신된다. 작용 2230에서, 제조 툴의 현재 상태에 대해, 학습된 함수들의 수신된 세트 또는 수신된 입력 재료들의 측정치들에 적어도 부분적으로 기초하여 레시피에 대한 파라미터들이 추출된다. 제조 툴의 현재 상태는, RF 시간; 예방적 유지보수 이력; 수리 이력; 동작 도메인들; 또는 퇴적 챔버 또는 식각 챔버와 같은 단일 툴 시스템에서 제조된 이종의 제품들의 유형들을 확립하는 제품 제조 범위와 같은 액티브 듀티 사이클들의 레코드(들) 중의 적어도 하나에 의해 적어도 부분적으로 결정될 수 있다. 일 양태에서, 수신된 입력 측정치들과 결합되는 학습된 함수들의 수신된 세트는 레시피 파라미터들의 세트가 소정의 경계들 내의 출력을 생성하기 위해 식별되는 역문제의 해법의 근거들로서 이용되며, 이러한 경계들은 진화 제조 툴에서의 컴포넌트에 의해 자율적으로 구성될 수 있거나 또는 휴먼 또는 그밖의 것의 액터에 의해 공급될 수 있으며; 휴먼 액터에 의해 제공된 출력 경계들은 공급된 경계들의 머신 구현을 적어도 부분적으로 가능하게 할 수 있는 휴면 머신 인터페이스, 예컨대, 상호작용 컴포넌트 (330) 에 의해 수신될 수 있다.
작용 2240에서, 레시피들의 세트에서의 각각의 레시피에 대한 예측된 출력이 개별 제약조건들, 또는 경계들을 충족하는지가 평가된다. 네거티브인 경우에, 예컨대, 레시피 파라미터들에 대한 값들의 적절한 지정의 솔루션이 제약조건들 내의 출력을 산출하는데 실패하는 경우, 하나 이상의 출력 제약조건들의 세트는 작용 2250에서 완화된다. 일 양태에서, 완화는, 높게 가중된 출력 특성들이 나중의 완화 스테이지들에서 완화되는 그것들의 개별 타겟 값들을 가지도록, 제품 출력에서의 각각의 출력 파라미터에 대한 구성가능한 가중치들의 특정 랭킹에 적어도 부분적으로 따라서 행하여질 수 있다. 가중치의 랭킹은 액터, 예컨대, 390에 의해 구성될 수 있거나, 또는 생물학 기반 자율 학습 엔진, 예컨대, 360에 의해 자율적으로 추론될 수 있다. 작용 2240에 대한 긍정적인 결과는 레시피가 추출된 파라미터들에 적어도 부분적으로 따라서 공급되는 작용 2280으로 흐름이 향하게 한다. 작용 2260에서 완화된 제약조건들의 현재 수가 임계치를 상회한다고 조사되면, 임계치는 구성가능할 수 있고 상회하면 레시피 파라미터들의 추출이, 툴 시스템 (310) 에 의해 처리되면 제조 툴 시스템 (310) 내에서 애벌랜치 시나리오들 또는 위험한 동작, 이를테면 폭파(들) 또는 안전하지 못한 화학 반응, 기능적 컴포넌트(들) (315) 에 대한 손상, 또는 사양 애셋 출력 (1106) 을 크게 벗어나는 일 등이 유발되게 하는 불안정한 레시피들을 생산할 수 있는 완화들의 수를 결정할 수 있다. 작용 2260의 결과가 긍정적인 경우, 유지보수 절차가 작용 2270에서 구성된다. 유지보수 절차는 예방적 유지보수 (PM) 메트릭(들) 또는 수리 메트릭(들) 중의 적어도 하나에 대한 값들의 식별 또는 정의를 포함할 수 있어서, 제조 툴은 출력 제품 제약조건들을 정의하는 사양(들) 또는 허용오차(들)에 의해 확립되는 바와 같은 또는 요청되는 바와 같은 출력을 생산할 수 있다.
작용 2240의 결과가 긍정적인 경우, 작용 2280에서, 추출된 파라미터들에 적어도 부분적으로 따르는 레시피가 공급된다.
도 23은 본 명세서에서 설명되는 양태들에 따른 제조 레시피 및 제품 출력 시의 입력 변수(들) 및 파라미터(들) 간의 예측 함수 관계를 자율적으로 생성하는 예시적인 방법 (2300) 의 흐름도를 표시한다. 생물학 기반 자율 학습 엔진 (예컨대, 360), 또는 그 내부에 있거나 그렇지 않으면 그것에 기능적으로 커플링된 하나 이상의 컴포넌트들은 본 예시적인 방법 (2300) 을 적어도 부분적으로 구현할 수 있다. 대안으로 또는 부가하여, 생물학 기반 자율 학습 엔진 또는 그 내부에 있거나 또는 그것에 기능적으로 커플링된 하나 이상의 컴포넌트들에 기능을 부여하는 처리 플랫폼 (예컨대, 385), 및 그 내부의 기능적 유닛(들) 또는 프로세서(들) 가 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 하나 이상의 실시형태들에서, 본 예시적인 방법 (2300) 은 생물학 기반 학습 원리들에 기초하지 않거나 최소한 전체적으로는 기초하지 않는 학습 엔진, 예컨대, 학습 엔진 (1170) 에 의해 행해질 수 있다. 작용 2310에서, 하나 이상의 제조 레시피들의 세트{R1, R2,..., Rλ}의 실행을 통해 생성된 생산 데이터가 수신된다. 작용 2320에서, 제품 출력과, 레시피를 실행하는 제조 툴의 재료 입력 측정치(들) 또는 레시피 파라미터(들) 중 적어도 하나 간의 함수 관계가 학습된다. 작용 2330에서, 제품 출력의 예측이 특정된 품질 내에 있는지가 평가되며, 이 예측은 학습된 함수 관계들을 통해 행해진다. 긍정적인 경우에서는, 작용 2340에서, 학습된 함수 관계는 수락된다. 학습된 함수 관계를 수락하는 것은 학습된 함수 관계를 보유하는 것 또는 전달하는 것을 포함할 수 있다. 일 양태에서, 학습된 함수의 수락은 학습된 함수의 전달 또는 저장 중 적어도 하나를 포함할 수 있다. 반대로, 평가 작용 2330의 네거티브 결과는, 학습된 함수 관계가 거부되는 작용 2350으로 이끈다.
예시적인 본 발명의 방법 (2300) 은 개별 레시피에 따라 구현되는 여러 생산 런들에 대한 다수의 함수 관계들을 학습하기 위해 다수의 횟수들로 다시 재연될 수 있다는 것을 알아야 한다.
본 명세서에서 이용될 때, 용어 "프로세서"는, 단일 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖는 단일 프로세서들; 멀티 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖는 멀티 코어 프로세서들; 하드웨어 멀티쓰레드 기술을 갖는 멀티 코어 프로세서들; 병렬 플랫폼들; 및 분산형 공유 메모리를 갖는 병렬 플랫폼들을 포함하지만 이것들로 제한되지는 않는 실질적으로 임의의 컴퓨팅 프로세싱 유닛 또는 디바이스를 가리킬 수 있다. 추가적으로, 프로세서는 집적 회로, 주문형 집적 회로 (ASIC), 디지털 신호 프로세서 (DSP), 필드 프로그램가능 게이터 어레이 (FPGA), 프로그램가능 로직 제어기 (PLC), 컴플렉스 프로그램가능 로직 디바이스 (CPLD), 개별적인 게이트 또는 트랜지스터 로직, 개별적인 하드웨어 컴포넌트들, 또는 본 명세서에서 설명된 기능들을 수행하도록 설계된 이들의 임의의 조합을 가리킬 수 있다. 프로세서들은 공간 활용을 최적화하거나 또는 사용자 장비의 성능을 높이기 위해, 비제한적인 예시로서, 분자 및 양자 도트 기반 트랜지스터들, 스위치들 및 게이트들과 같은, 나노 스케일 아키텍쳐들을 활용할 수 있다. 프로세서는 또한 컴퓨팅 프로세싱 유닛들의 조합으로서 구현될 수 있다.
본 명세서에서, "저장소", "저장장치", "데이터 저장소", "데이터 저장장치", "데이터베이스"와 같은 용어들 및 컴포넌트의 동작 및 기능과 관련된 실질적으로 임의의 다른 정보 저장 컴포넌트는 "메모리 컴포넌트들", 또는 "메모리"에 포함된 엔티티들 또는 메모리를 포함하는 컴포넌트들을 가리킨다. 여기서 설명된 메모리 컴포넌트들은 휘발성 메모리 또는 비휘발성 메모리 중 어느 하나일 수 있거나, 또는 휘발성 및 비휘발성 메모리 양쪽을 포함할 수 있다는 것을 알게 될 것이다.
비제한적인 예로서, 비휘발성 메모리는 ROM (read only memory), PROM (programmable ROM), EPROM (electrically programmable ROM), EEPROM (electrically erasable ROM), 또는 플래쉬 메모리를 포함할 수 있다. 휘발성 메모리는 외부 캐시 메모리로서 역할을 하는, RAM (random access memory) 를 포함할 수 있다. 비제한적인 예로서, RAM 은 SRAM (synchronous RAM), DRAM (dynamic RAM), SDRAM (synchronous DRAM), DDR SDRAM (double data rate SDRAM), ESDRAM (enhanced SDRAM), SLDRAM (Synchlink DRAM), 및 DRRAM (direct Rambus RAM) 과 같은 많은 형태들로 이용가능하다. 추가적으로, 여기서 개시된 시스템들의 메모리 컴포넌트들 또는 방법들은 이러한 유형들의 메모리 및 임의의 다른 적절한 유형들의 메모리를 포함하는 것을 의도하지만, 이러한 메모리를 포함하는 것으로 제한되는 것은 아니다.
여기서 설명된 다양한 양태들 및 특징들은, 표준 프로그래밍 및/또는 엔지니어링 기법들을 사용하여 방법, 하드웨어 또는 하드웨어 및 소프트웨어 또는 하드웨어 및 펌웨어의 조합으로서의 장치, 또는 제조품으로서 구현될 수도 있다. 예를 들어, 방법으로서, 또는 하드웨어 및 소프트웨어의 조합으로서의 구현예(들) 는, 메모리에 보유된 컴퓨터 액세스가능 코드 명령들을 실행하는 프로세서 또는 처리 유닛 (예컨대, 처리 플랫폼 (385)) 을 통해 적어도 부분적으로 행해질 수 있다. 하나 이상의 양태들에서, 설명된 기능들은 하드웨어, 소프트웨어, 펌웨어, 또는 그것들의 임의의 조합으로 구현될 수도 있다. 소프트웨어로 구현된다면, 본 명세서에서 설명되는 다양한 기능들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독가능 저장 매체 또는 메모리 상에 저장되거나 송신될 수 있다. 컴퓨터 판독가능 매체는 한 장소에서 다른 장소로의 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하는 통신 매체와 컴퓨터 저장 매체 양쪽 모두를 포함한다. 저장 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 이용가능한 매체들일 수도 있다. 본 명세서에서 사용된 "제조품" 용어는 임의의 컴퓨터 판독가능 디바이스, 캐리어 또는 매체로부터 액세스가능한 컴퓨터 프로그램을 포함하는 것으로 의도된다. 예를 들어, 컴퓨터 판독가능 매체는, 자성 저장 디바이스들 (예를 들어, 하드 디스크, 플로피 디스크, 자성 스트립들,...), 광학 디스크들 [예를 들어, 컴팩 디스크 (CD), DVD (digital versatile disk) ...], 스마트 카드, 및 플래시 메모리 디바이스들 (예를 들어, 카드, 스틱, 키 드라이브...) 를 포함할 수 있지만, 이에 제한되지는 않는다.
위에서 설명된 것은 청구된 요지의 예들을 포함한다. 물론, 청구된 요지를 설명하기 위해 컴포넌트들 또는 방법들의 모든 인식가능한 조합을 설명하는 것이 가능하지는 않지만, 당업자는 청구된 요지의 많은 추가적인 조합들 및 변형들이 가능함을 인식할 수도 있다. 따라서, 청구된 요지는, 첨부된 청구항들의 사상 및 범위내에 있는 모든 그러한 수정들, 변형들 및 변경들을 포함하는 것으로 의도된다. 뿐만 아니라, 용어 "포함한다" 또는 "포함하는" 이 상세한 설명 또는 특허청구범위에서 사용되는 경우, 그러한 용어는, 특허청구범위에서 전이어구로서 이용될 경우, "구비하는" 또는 "구비하다" 용어와 마찬가지 방식으로 포괄적인 것으로 의도된다.

Claims (21)

  1. 생물학 기반 자율 학습 시스템으로서,
    애셋 (asset) 을 생산하는 제조 툴;
    상기 애셋을 위한 하나 이상의 조정된 제조 레시피들을 생성하기 위해, 적어도 부분적으로 드라이빙 변수들의 세트 및 소정의 확률 밀도 함수를 이용하여 상기 제조 툴에 의해 처리되는 제조 레시피를 수정하는 드리프트 컴포넌트로서, 상기 드라이빙 변수들의 세트는 상기 제조 레시피와 연관된 레시피 파라미터들의 세트를 수정하기 위하여 특정한 시퀀스를 결정하는, 상기 드리프트 컴포넌트;
    상기 제조 툴에 의해 처리되는 상기 수정된 제조 레시피에 기초하여 상기 제조 툴에 대한 하나 이상의 함수들을 추론하는 목표 자율 학습 엔진으로서, 상기 하나 이상의 함수들은 상기 생산된 애셋에 대한 애셋 출력 메트릭들을 예측하는, 상기 목표 자율 학습 엔진; 및
    입력 측정치들의 세트 및 상기 추론된 하나 이상의 함수들로부터 업데이트된 레시피 파라미터들의 세트를 추출하여, 상기 애셋 출력 메트릭들에 대한 타겟 값의 정의된 허용오차 내에서 조정된 레시피를 생성하는 자율적 최적화 엔진을 구비하는, 생물학 기반 자율 학습 시스템.
  2. 제 1 항에 있어서,
    상기 애셋은 반도체 디바이스들 중 하나 이상을 포함하며, 상기 반도체 디바이스들은, 집적 회로 (IC) 들, 플라즈마-방전 기반 플랫 패널 디스플레이 (FPD) 들, 유기 발광 다이오드 (OLED)-기반 FPD들, 액정 디스플레이 (LCD)-기반 FPD들, 또는 이들의 박막 트랜지스터 능동 매트릭스 어레이들, 컬러 필터들, 또는 폴라라이저들 중 하나 이상을 구비하는 요소들을 소유하는 반도체 기판들을 구비하는, 생물학 기반 자율 학습 시스템.
  3. 제 1 항에 있어서,
    상기 드리프트 컴포넌트는, 적어도 부분적으로 상기 드라이빙 변수들의 세트 및 상기 소정의 확률 밀도 함수를 이용하여 상기 제조 레시피를 랜덤하게 수정하는, 생물학 기반 자율 학습 시스템.
  4. 제 1 항에 있어서,
    상기 드리프트 컴포넌트는, 상기 하나 이상의 조정된 제조 레시피들, 개별 조정된 제조 레시피들에 링크된 입력 재료 데이터, 개별 조정된 제조 레시피들에 관련된 출력 데이터, 또는 개별 조정된 제조 레시피들과 연관된 상기 제조 툴에 대한 동작 조건들의 세트 중 적어도 하나를 포함하는 레시피 계보 (genealogy) 를 생성하는 포매터 컴포넌트를 포함하는, 생물학 기반 자율 학습 시스템.
  5. 제 4 항에 있어서,
    상기 개별 조정된 제조 레시피들과 연관된 상기 제조 툴에 대한 동작 조건들의 세트는, 경과된 액티브 듀티, 예방적 유지보수 (PM) 레코드들, 또는 수리 레코드들 중 적어도 하나를 포함하는, 생물학 기반 자율 학습 시스템.
  6. 제 1 항에 있어서,
    상기 하나 이상의 함수들을 추론하기 위해, 상기 목표 자율 학습 엔진은, 상기 애셋 출력 메트릭들에 대한 하나 이상의 제약조건들을 완화시키는, 생물학 기반 자율 학습 시스템.
  7. 제 6 항에 있어서,
    상기 하나 이상의 제약조건들의 완화는 상기 애셋 출력 메트릭들에 대한 가중치들의 랭킹에 의해 적어도 부분적으로 좌우되는, 생물학 기반 자율 학습 시스템.
  8. 제 1 항에 있어서,
    상기 자율적 최적화 엔진은 상기 레시피 파라미터들의 세트를 추출하기 위해 역문제 (inverse problem) 를 풀며, 상기 역문제는 유전 알고리즘, 몬테 카를로 시뮬레이션, 시뮬레이션된 어닐링, 또는 타부 (Tabu) 검색 중 적어도 하나를 통해 풀어지는, 생물학 기반 자율 학습 시스템.
  9. 제 1 항에 있어서,
    상기 자율적 최적화 엔진은, 상기 조정된 레시피가 상기 애셋 출력 메트릭들에 대한 타겟 값의 미리 정의된 허용오차 내에서 생성되지 않았다는 결정에 응답하여, 수리 절차들을 구성하는, 생물학 기반 자율 학습 시스템.
  10. 제 1 항에 있어서,
    상기 드라이빙 변수들의 세트 중 적어도 하나를 구성하기 위해 사용자 인터페이스를 렌더링하는 컴포넌트를 더 포함하는, 생물학 기반 자율 학습 시스템.
  11. 제 6 항에 있어서,
    상기 하나 이상의 함수들을 적어도 하나의 이종의 제조 툴로 전달하여 상기 이종의 제조 툴에서 적어도 하나의 함수를 학습하는 컴포넌트를 더 포함하는, 생물학 기반 자율 학습 시스템.
  12. 적어도 하나의 프로세서를 채용하여 메모리에 보유된 코드 명령들을 실행하는 단계를 구비하며,
    상기 코드 명령들은, 상기 적어도 하나의 프로세서에 의해 실행될 때,
    초기 레시피와 연관된 하나 이상의 파라미터들을 수정하기 위하여 특정한 시퀀스를 결정하는 작용;
    타겟 제품 출력을 충족하는 제품을 제조하기 위해, 상기 특정한 시퀀스 및 소정의 확률 밀도 함수를 적어도 부분적으로 이용하여 상기 초기 레시피를 수정하는 작용;
    상기 초기 레시피를 수정하는 작용을 통해 제품 출력과 연관된 관계들의 세트를 학습하는 작용;
    상기 학습된 관계들의 세트에 적어도 부분적으로 기초하여 상기 타겟 제품 출력을 달성하기 위한 조정된 레시피를 생성하는 작용;
    상기 조정된 레시피의 생성이 성공적이라는 결정에 응답하여, 상기 타겟 제품 출력이 충족되는지 여부를 평가하는 작용; 및
    상기 평가가 성공적이지 않은 결과를 산출하는 결정에 응답하여, 상기 수정하는 작용을 계속하는 작용을 수행하는, 방법.
  13. 제 12 항에 있어서,
    성공적이지 않게 상기 조정된 레시피를 생성하는 작용에 응답하여, 유지보수 절차를 행하는 작용을 더 구비하는, 방법.
  14. 제 12 항에 있어서,
    상기 수정하는 작용은,
    상기 초기 레시피를 현재 레시피로서 설정하는 작용;
    상기 현재 레시피에서 상기 하나 이상의 파라미터들을 랜덤화하는 작용;
    상기 랜덤화하는 작용에 응답하여 획득되는 조정된 레시피를 제조 툴을 통해 처리하는 작용;
    상기 조정된 레시피가 랜덤화된다는 결정에 응답하여, 상기 조정된 레시피를, 랜덤화를 통해 생성된 레시피들의 계보 (genealogy) 에 추가하고, 상기 조정된 레시피를 현재 레시피로서 설정하는 작용; 및
    상기 조정된 레시피가 랜덤화되지 않는다는 결정에 응답하여, 상기 랜덤화를 통해 생성된 상기 레시피들의 계보, 및 상기 계보와 연관된 데이터를 공급하는 작용을 포함하는, 방법.
  15. 제 12 항에 있어서,
    상기 생성하는 작용은,
    레시피들의 세트에 대한 제품 출력을 예측하는 상기 학습된 관계들의 세트를 수신하는 작용;
    입력 재료 측정치들을 수신하는 작용;
    학습된 함수들의 세트 또는 상기 수신된 입력 재료 측정치들에 적어도 부분적으로 기초하여 상기 조정된 레시피에 대한 레시피 파라미터들을 추출하는 작용; 및
    상기 학습된 관계들의 세트에서의 각각의 학습된 관계에 대한 상기 예측된 제품 출력이 출력 제약조건들을 충족한다는 결정에 응답하여, 상기 조정된 레시피에 적어도 부분적으로 상기 추출된 레시피 파라미터들을 공급하는 작용을 포함하는, 방법.
  16. 제 15 항에 있어서,
    상기 학습된 관계들의 세트에서의 각각의 학습된 관계에 대한 상기 예측된 제품 출력이 출력 제약조건들을 충족하지 않는다는 결정에 응답하여,
    일 세트의 출력 제약조건들을 완화시키는 작용; 및
    상기 완화된 제약조건들의 현재 수가 소정의 임계치를 하회한다는 결정에 응답하여, 상기 수신된 학습된 함수들의 세트 또는 상기 수신된 입력 재료 측정치들에 적어도 부분적으로 기초하여 상기 조정된 레시피에 대한 레시피 파라미터들을 추출하는 작용을 더 구비하는, 방법.
  17. 제 16 항에 있어서,
    완화된 제약조건들의 상기 현재 수가 상기 소정의 임계치를 하회한다는 결정에 응답하여, 유지보수 수리 절차를 구성하는 작용을 더 포함하는, 방법.
  18. 제 14 항에 있어서,
    상기 학습하는 작용은,
    하나 이상의 수정된 레시피들의 실행을 통해 생성된 생산 데이터를 수신하는 작용;
    제품 출력 메트릭, 재료 입력 측정치들, 및 상기 수신된 생산 데이터에 기초한 상기 제조 툴의 레시피 파라미터들 간의 함수 관계를 학습하는 작용; 및
    상기 제품 출력의 예측들이 특정된 품질 내라는 결정에 응답하여, 상기 학습된 함수 관계를 수락하는 작용을 포함하는, 방법.
  19. 제 15 항에 있어서,
    상기 추출하는 작용은, 유전 알고리즘, 몬테 카를로 시뮬레이션, 시뮬레이션된 어닐링, 또는 타부 (Tabu) 검색 중 적어도 하나를 통해 역문제 (inverse problem) 를 푸는 작용을 포함하는, 방법.
  20. 제 18 항에 있어서,
    상기 수락하는 작용은, 상기 학습된 함수 관계를 전달하는 작용 또는 상기 학습된 함수 관계를 저장하는 작용 중 적어도 하나를 포함하는, 방법.
  21. 코드 명령의 세트를 보유한 컴퓨터 판독가능 저장 매체로서,
    상기 코드 명령의 세트는, 실행에 응답하여, 적어도 하나의 프로세서를 포함한 컴퓨팅 시스템으로 하여금:
    초기 레시피와 연관된 하나 이상의 파라미터들을 수정하기 위하여 특정한 시퀀스를 결정하는 동작;
    타겟 제품 출력을 충족하는 제품을 제조하기 위해, 상기 특정한 시퀀스 및 소정의 확률 밀도 함수를 적어도 부분적으로 이용하여 상기 초기 레시피를 수정하는 동작;
    상기 초기 레시피를 수정하는 동작을 통해 제품 출력과 연관된 관계들의 세트를 학습하는 동작;
    상기 학습된 관계들의 세트에 적어도 부분적으로 기초하여 상기 타겟 제품 출력을 달성하기 위한 조정된 레시피를 생성하는 동작;
    상기 조정된 레시피의 생성이 성공적이라는 결정에 응답하여, 상기 타겟 제품 출력이 충족되는지 여부를 평가하는 동작; 및
    상기 평가가 성공적이지 않은 결과를 산출하는 결정에 응답하여, 상기 수정하는 동작을 계속하는 동작
    을 포함하는 동작들을 수행하는, 컴퓨터 판독가능 저장 매체.
KR1020127022558A 2010-01-29 2011-01-28 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템 KR101755746B1 (ko)

Applications Claiming Priority (3)

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

Publications (2)

Publication Number Publication Date
KR20120123493A KR20120123493A (ko) 2012-11-08
KR101755746B1 true KR101755746B1 (ko) 2017-07-07

Family

ID=44320400

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020127022558A KR101755746B1 (ko) 2010-01-29 2011-01-28 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템

Country Status (6)

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

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190044359A (ko) 2017-10-20 2019-04-30 두산중공업 주식회사 인공지능을 이용한 자가 설계 모델링 시스템 및 방법
KR20190108473A (ko) * 2018-03-14 2019-09-24 가부시키가이샤 히다치 하이테크놀로지즈 탐색 장치, 탐색 방법 및 플라스마 처리 장치
KR102104090B1 (ko) * 2019-12-26 2020-04-24 이재선 자동화된 증착 공정 장치 및 방법
KR20240128520A (ko) 2023-02-17 2024-08-26 광운대학교 산학협력단 수학적 최적화를 이용하는 에스램 전력 최적화 장치 및 방법

Families Citing this family (170)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8190543B2 (en) 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8266092B2 (en) 2008-07-10 2012-09-11 Palo Alto Research Center Incorporated Methods and systems for target value path identification
US8219437B2 (en) 2008-07-10 2012-07-10 Palo Alto Research Center Incorporated Methods and systems for constructing production plans
US8145334B2 (en) * 2008-07-10 2012-03-27 Palo Alto Research Center Incorporated Methods and systems for active diagnosis through logic-based planning
US8165705B2 (en) * 2008-07-10 2012-04-24 Palo Alto Research Center Incorporated Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources
EP2161637B1 (en) * 2008-09-04 2015-05-20 Siemens Aktiengesellschaft Method for updating manufacturing planning data for a production process
US8359110B2 (en) * 2009-03-23 2013-01-22 Kuhn Lukas D Methods and systems for fault diagnosis in observation rich systems
US8655472B2 (en) * 2010-01-12 2014-02-18 Ebara Corporation Scheduler, substrate processing apparatus, and method of transferring substrates in substrate processing apparatus
EP2365410B1 (en) * 2010-03-09 2018-06-27 Siemens Aktiengesellschaft Controlling a manufacturing process
US8396583B2 (en) * 2010-03-25 2013-03-12 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for implementing virtual metrology in semiconductor fabrication
JP5764380B2 (ja) * 2010-04-29 2015-08-19 エフ イー アイ カンパニＦｅｉ Ｃｏｍｐａｎｙ Ｓｅｍ画像化法
TWI407325B (zh) * 2010-05-17 2013-09-01 Nat Univ Tsing Hua 製程品質預測系統及其方法
JP2012137934A (ja) * 2010-12-27 2012-07-19 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
WO2012112822A2 (en) 2011-02-16 2012-08-23 Visa International Service Association Snap mobile payment apparatuses, methods and systems
US10586227B2 (en) 2011-02-16 2020-03-10 Visa International Service Association Snap mobile payment apparatuses, methods and systems
SG193510A1 (en) 2011-02-22 2013-10-30 Visa Int Service Ass Universal electronic payment apparatuses, methods and systems
KR101216517B1 (ko) * 2011-04-01 2012-12-31 국방과학연구소 최적의 네트워크 시뮬레이션 환경 구축 방법 및 그 시스템
US10121129B2 (en) 2011-07-05 2018-11-06 Visa International Service Association Electronic wallet checkout platform apparatuses, methods and systems
US9355393B2 (en) 2011-08-18 2016-05-31 Visa International Service Association Multi-directional wallet connector apparatuses, methods and systems
US9582598B2 (en) 2011-07-05 2017-02-28 Visa International Service Association Hybrid applications utilizing distributed models and views apparatuses, methods and systems
TWI571633B (zh) 2011-07-25 2017-02-21 伊雷克托科學工業股份有限公司 用於特徵化物件及監測製造製程之方法及設備
US20130030760A1 (en) * 2011-07-27 2013-01-31 Tom Thuy Ho Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US20130173332A1 (en) * 2011-12-29 2013-07-04 Tom Thuy Ho Architecture for root cause analysis, prediction, and modeling and methods therefor
US10242358B2 (en) 2011-08-18 2019-03-26 Visa International Service Association Remote decoupled application persistent state apparatuses, methods and systems
US10825001B2 (en) 2011-08-18 2020-11-03 Visa International Service Association Multi-directional wallet connector apparatuses, methods and systems
US9710807B2 (en) 2011-08-18 2017-07-18 Visa International Service Association Third-party value added wallet features and interfaces apparatuses, methods and systems
US10223730B2 (en) 2011-09-23 2019-03-05 Visa International Service Association E-wallet store injection search apparatuses, methods and systems
AU2013214801B2 (en) 2012-02-02 2018-06-21 Visa International Service Association Multi-source, multi-dimensional, cross-entity, multimedia database platform apparatuses, methods and systems
WO2013192443A1 (en) * 2012-02-22 2013-12-27 Visa International Service Association Intelligent consumer service terminal apparatuses, methods and systems
DE112012006178B4 (de) * 2012-04-02 2019-04-25 Mitsubishi Electric Corporation Parametereinstellvorrichtung
US20140039662A1 (en) * 2012-07-31 2014-02-06 Makerbot Industries, Llc Augmented three-dimensional printing
US9720393B2 (en) 2012-08-31 2017-08-01 P.C. Automax Inc. Automation system and method of manufacturing product using automated equipment
JP5969875B2 (ja) * 2012-09-28 2016-08-17 株式会社Ｓｃｒｅｅｎホールディングス データ生成システムおよびデータ生成方法
CN103793265B (zh) * 2012-10-30 2016-05-11 腾讯科技（深圳）有限公司 优化进程的处理方法及装置
US20140180738A1 (en) * 2012-12-21 2014-06-26 Cloudvu, Inc. Machine learning for systems management
US9265458B2 (en) 2012-12-04 2016-02-23 Sync-Think, Inc. Application of smooth pursuit cognitive testing paradigms to clinical drug development
US10032659B2 (en) 2012-12-28 2018-07-24 Sunedison Semiconductor Limited (Uen201334164H) Methods and systems for preventing unsafe operations
US10423889B2 (en) 2013-01-08 2019-09-24 Purepredictive, Inc. Native machine learning integration for a data management product
US9092187B2 (en) * 2013-01-08 2015-07-28 Apple Inc. Ion implant indicia for cover glass or display component
US9623628B2 (en) 2013-01-10 2017-04-18 Apple Inc. Sapphire component with residual compressive stress
EP2789004A1 (en) 2013-02-12 2014-10-15 Apple Inc. Multi-step ion implantation
US9416442B2 (en) 2013-03-02 2016-08-16 Apple Inc. Sapphire property modification through ion implantation
US9380976B2 (en) 2013-03-11 2016-07-05 Sync-Think, Inc. Optical neuroinformatics
CA2895078C (en) * 2013-03-15 2016-08-30 P.C. Automax Inc. Automation system and method of manufacturing products using automated equipment
US10289751B2 (en) * 2013-03-15 2019-05-14 Konstantinos (Constantin) F. Aliferis Data analysis computer system and method employing local to global causal discovery
US9218583B2 (en) * 2013-03-29 2015-12-22 International Business Machines Corporation Computing system predictive build
US9218574B2 (en) 2013-05-29 2015-12-22 Purepredictive, Inc. User interface for machine learning
US9646262B2 (en) 2013-06-17 2017-05-09 Purepredictive, Inc. Data intelligence using machine learning
JP6179224B2 (ja) * 2013-07-02 2017-08-16 富士通株式会社 画像処理フィルタの作成装置及びその方法
US9606519B2 (en) * 2013-10-14 2017-03-28 Applied Materials, Inc. Matching process controllers for improved matching of process
US9396443B2 (en) 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
US20150332167A1 (en) * 2014-05-13 2015-11-19 Tokyo Electron Limited System and method for modeling and/or analyzing manufacturing processes
CN104168324A (zh) * 2014-08-26 2014-11-26 浪潮集团有限公司 一种安全云存储层
TWI702732B (zh) * 2014-10-20 2020-08-21 加拿大商奧羅拉太陽能技術（加拿大）有限公司 量測資料對生產工具位置及處理批次或時間的映射
CN105867206A (zh) * 2015-01-22 2016-08-17 陈仕昀 智能型控制模块、智能型灯扇及其遥控器与其控制方法
US9934475B2 (en) 2015-05-13 2018-04-03 Bank Of America Corporation Managing enterprise data movement using a heuristic data movement detection engine
JP6302954B2 (ja) * 2015-05-14 2018-03-28 株式会社アドダイス 管理システム及び管理方法
US20160342147A1 (en) * 2015-05-19 2016-11-24 Applied Materials, Inc. Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
US9967696B2 (en) * 2015-06-12 2018-05-08 IdeaCuria Inc. System and method for smart material monitoring
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity
US10359371B2 (en) 2015-08-24 2019-07-23 Kla-Tencor Corp. Determining one or more characteristics of a pattern of interest on a specimen
US10280504B2 (en) 2015-09-25 2019-05-07 Apple Inc. Ion-implanted, anti-reflective layer formed within sapphire material
US10643745B2 (en) * 2015-09-29 2020-05-05 Jeff Scott Bruno Systems and methods for determining human performance capacity and utility of a biomedical intervention/neurotechnology device
US10360477B2 (en) 2016-01-11 2019-07-23 Kla-Tencor Corp. Accelerating semiconductor-related computations using learning based models
US20170205795A1 (en) * 2016-01-15 2017-07-20 Yokogawa Electric Corporation Method for process operators to personalize settings for enabling detection of abnormal process behaviors
CN107292223A (zh) * 2016-04-13 2017-10-24 芋头科技（杭州）有限公司 一种实时手势检测的在线验证方法及系统
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US10712738B2 (en) 2016-05-09 2020-07-14 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection for vibration sensitive equipment
JP6608344B2 (ja) * 2016-09-21 2019-11-20 株式会社日立製作所 探索装置および探索方法
JP6424874B2 (ja) * 2016-10-12 2018-11-21 オムロン株式会社 動作状態監視装置、学習データ生成装置、方法およびプログラム
JP6450724B2 (ja) 2016-10-18 2019-01-09 ファナック株式会社 工作機械の加工プログラムの設定値を学習する機械学習装置および加工システム
DE102016225899A1 (de) * 2016-12-21 2018-06-21 Carl Zeiss Smt Gmbh Verfahren und Vorrichtung zum Modifizieren von Abbildungseigenschaften eines optischen Systems für die Mikrolithographie
US11537837B2 (en) * 2017-02-13 2022-12-27 Kla-Tencor Corporation Automated accuracy-oriented model optimization system for critical dimension metrology
US20190370689A1 (en) * 2017-02-24 2019-12-05 Omron Corporation Learning data acquiring apparatus and method, program, and storing medium
US20190332969A1 (en) * 2017-02-24 2019-10-31 Omron Corporation Configuring apparatus, method, program and storing medium, and learning data acquiring apparatus and method
JP6526081B2 (ja) * 2017-02-28 2019-06-05 ファナック株式会社 在庫管理および予防保全を行う機能を有する在庫管理システム
IL269606B2 (en) * 2017-03-27 2024-01-01 Siemens Ag A system for the synthesis of automatic general design using data from design tools and knowledge from a digital twin graph
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
US10360500B2 (en) * 2017-04-20 2019-07-23 Sas Institute Inc. Two-phase distributed neural network training system
JP6938661B2 (ja) 2017-05-17 2021-09-22 グーグル エルエルシーＧｏｏｇｌｅ ＬＬＣ 専用ニューラルネットワークトレーニングチップ
US10303829B2 (en) 2017-05-31 2019-05-28 International Business Machines Corporation Automated method for integrated analysis of back end of the line yield, line resistance/capacitance and process performance
KR101959627B1 (ko) * 2017-06-12 2019-03-18 에스케이 주식회사 실제 반도체 제조물을 복제한 가상 반도체 제조물 제공 방법 및 시스템
JP6824121B2 (ja) * 2017-07-14 2021-02-03 株式会社東芝 状態検知装置、状態検知方法及びプログラム
CN107332708A (zh) * 2017-07-28 2017-11-07 上海德衡数据科技有限公司 一种基于多核处理器的运维多模态决策感知系统
US10921801B2 (en) 2017-08-02 2021-02-16 Strong Force loT Portfolio 2016, LLC Data collection systems and methods for updating sensed parameter groups based on pattern recognition
JP6778666B2 (ja) * 2017-08-24 2020-11-04 株式会社日立製作所 探索装置及び探索方法
TWI639925B (zh) * 2017-08-28 2018-11-01 Powerchip Technology Corporation 統計多維變數而推算生產力的方法、統計多維變數而排程優先順序的方法與統計多維變數進行最佳化配置的方法
US10747210B2 (en) * 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
US10783290B2 (en) * 2017-09-28 2020-09-22 Taiwan Semiconductor Manufacturing Company, Ltd. IC manufacturing recipe similarity evaluation methods and systems
US10448267B2 (en) * 2017-11-03 2019-10-15 Salesforce.Com, Inc. Incorporation of expert knowledge into machine learning based wireless optimization framework
US10761974B2 (en) 2017-11-10 2020-09-01 International Business Machines Corporation Cognitive manufacturing systems test repair action
US10337852B1 (en) * 2017-12-18 2019-07-02 Kla-Tencor Corporation Method for measuring positions of structures on a substrate and computer program product for determining positions of structures on a substrate
US11080359B2 (en) * 2017-12-21 2021-08-03 International Business Machines Corporation Stable data-driven discovery of a symbolic expression
US11067964B2 (en) * 2018-01-17 2021-07-20 Kymeta Corporation Method to improve performance, manufacturing, and design of a satellite antenna
WO2019155928A1 (ja) * 2018-02-08 2019-08-15 東京エレクトロン株式会社 情報処理装置、プログラム、プロセス処理実行装置及び情報処理システム
US11423300B1 (en) * 2018-02-09 2022-08-23 Deepmind Technologies Limited Selecting actions by reverting to previous learned action selection policies
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
CN108681240B (zh) * 2018-03-09 2021-04-02 南京航空航天大学 基于未知输入观测器的无人机分布式编队的故障诊断方法
JP7323541B2 (ja) 2018-03-13 2023-08-08 アプライド マテリアルズ インコーポレイテッド 半導体処理のモニタリングのための機械学習システム
JP7137943B2 (ja) * 2018-03-20 2022-09-15 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
WO2019198143A1 (ja) * 2018-04-10 2019-10-17 株式会社日立製作所 加工レシピ生成装置
CN110390396B (zh) * 2018-04-16 2024-03-19 日本电气株式会社 用于估计观测变量之间的因果关系的方法、装置和系统
US10713769B2 (en) 2018-06-05 2020-07-14 Kla-Tencor Corp. Active learning for defect classifier training
WO2019234913A1 (ja) * 2018-06-08 2019-12-12 千代田化工建設株式会社 支援装置、学習装置、及びプラント運転条件設定支援システム
US10698392B2 (en) * 2018-06-22 2020-06-30 Applied Materials, Inc. Using graphics processing unit for substrate routing and throughput modeling
TWI684177B (zh) * 2018-06-29 2020-02-01 劉建宏 工作機械語音控制系統
JP6724267B1 (ja) * 2018-09-03 2020-07-15 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 学習装置、推論装置、学習モデルの生成方法及び推論方法
JP7190495B2 (ja) * 2018-09-03 2022-12-15 株式会社Preferred Networks 推論方法、推論装置、モデルの生成方法及び学習装置
CN109615080B (zh) 2018-09-20 2020-05-26 阿里巴巴集团控股有限公司 无监督模型评估方法、装置、服务器及可读存储介质
US10481379B1 (en) 2018-10-19 2019-11-19 Nanotronics Imaging, Inc. Method and system for automatically mapping fluid objects on a substrate
US11605001B2 (en) 2018-11-14 2023-03-14 Nvidia Corporation Weight demodulation for a generative neural network
US11620521B2 (en) * 2018-11-14 2023-04-04 Nvidia Corporation Smoothing regularization for a generative neural network
US11989492B2 (en) 2018-12-26 2024-05-21 Applied Materials, Inc. Preston matrix generator
TWI701595B (zh) * 2018-12-28 2020-08-11 技嘉科技股份有限公司 記憶體的效能優化方法以及使用其的主機板
KR102138122B1 (ko) * 2019-01-09 2020-07-27 에스케이실트론 주식회사 웨이퍼 카세트의 포장 장치
TWI706365B (zh) * 2019-01-14 2020-10-01 和碩聯合科技股份有限公司 模擬管理系統及其運算方法
JP7262232B2 (ja) * 2019-01-29 2023-04-21 東京エレクトロン株式会社 画像認識システムおよび画像認識方法
KR102042031B1 (ko) * 2019-03-21 2019-11-08 이재선 평판 디스플레이를 제조하기 위한 맞춤형 자동 공정 장치 및 방법
CN113874993B (zh) 2019-03-29 2024-10-18 朗姆研究公司 用于衬底处理系统的基于模型的调度
US11568307B2 (en) * 2019-05-20 2023-01-31 International Business Machines Corporation Data augmentation for text-based AI applications
US11983609B2 (en) 2019-07-10 2024-05-14 Sony Interactive Entertainment LLC Dual machine learning pipelines for transforming data and optimizing data transformation
TWI700565B (zh) * 2019-07-23 2020-08-01 臺灣塑膠工業股份有限公司 參數修正方法及系統
US11340060B2 (en) * 2019-07-23 2022-05-24 Kla Corporation Automatic recipe optimization for overlay metrology system
WO2021019551A1 (en) * 2019-07-26 2021-02-04 Tata Consultancy Services Limited System and method for real-time self-optimization of manufacturing operations
US11250350B2 (en) * 2019-07-31 2022-02-15 Rohde & Schwarz Gmbh & Co. Kg Measurement apparatus
CN110503322A (zh) * 2019-08-13 2019-11-26 成都飞机工业（集团）有限责任公司 一种军机维修性评估方法
TWI707214B (zh) * 2019-09-18 2020-10-11 崑山科技大學 機械手臂教學模組
TW202119232A (zh) * 2019-10-14 2021-05-16 美商Ｐｄｆ對策公司 用於半導體應用的協作學習模型
JP7148644B2 (ja) 2019-12-03 2022-10-05 株式会社日立ハイテク 探索装置、探索プログラム及びプラズマ処理装置
US11727284B2 (en) 2019-12-12 2023-08-15 Business Objects Software Ltd Interpretation of machine learning results using feature analysis
US11797836B1 (en) * 2019-12-23 2023-10-24 Waymo Llc Sensor-integrated neural network
US20210192376A1 (en) * 2019-12-23 2021-06-24 Sap Se Automated, progressive explanations of machine learning results
US11574420B2 (en) * 2019-12-31 2023-02-07 Axalta Coating Systems Ip Co., Llc Systems and methods for matching color and appearance of target coatings
TWI724743B (zh) * 2020-01-10 2021-04-11 台達電子工業股份有限公司 機台及其操作方法
US11269901B2 (en) 2020-01-16 2022-03-08 International Business Machines Corporation Cognitive test advisor facility for identifying test repair actions
CA3109590A1 (en) * 2020-02-21 2021-08-21 Worximity Technologies Inc. Controller and method using machine learning to optimize operations of a processing chain of a food factory
WO2021199164A1 (ja) * 2020-03-30 2021-10-07 株式会社日立ハイテク 診断システム
US11580455B2 (en) 2020-04-01 2023-02-14 Sap Se Facilitating machine learning configuration
US11783198B2 (en) * 2020-04-03 2023-10-10 Baidu Usa Llc Estimating the implicit likelihoods of generative adversarial networks
DE102020109858A1 (de) * 2020-04-08 2021-10-14 Balluff Gmbh Verfahren zum Betreiben eines Systems
US11055639B1 (en) * 2020-04-28 2021-07-06 Sas Institute Inc. Optimizing manufacturing processes using one or more machine learning models
US11455534B2 (en) * 2020-06-09 2022-09-27 Macronix International Co., Ltd. Data set cleaning for artificial neural network training
EP4168866A4 (en) * 2020-06-21 2024-07-17 Hubbell Inc POWER TOOL WITH CRIMP IMAGE
US20220012586A1 (en) * 2020-07-13 2022-01-13 Macronix International Co., Ltd. Input mapping to reduce non-ideal effect of compute-in-memory
JP7467284B2 (ja) * 2020-08-27 2024-04-15 キオクシア株式会社 半導体装置の不良解析システム、半導体装置の不良解析方法、およびプログラム。
CN116490320A (zh) * 2020-10-30 2023-07-25 杰富意钢铁株式会社 氢气用钢管、氢气用钢管的制造方法、氢气用压力容器以及氢气用压力容器的制造方法
TWI775285B (zh) * 2021-01-21 2022-08-21 正鉑雷射股份有限公司 雲端雷射加工裝置之維修系統及其維修方法
KR20230137400A (ko) * 2021-01-26 2023-10-04 램 리써치 코포레이션 프리-프로세싱 기판 샘플들과 포스트-프로세싱 기판 샘플들 매칭
CN112884147B (zh) * 2021-02-26 2023-11-28 上海商汤智能科技有限公司 神经网络训练方法、图像处理方法、装置及电子设备
JP2024515456A (ja) * 2021-03-19 2024-04-10 べルサム・マテリアルズ・ユーエス、エルエルシー 材料のための共有データ誘導品質管理システム
CN116997915A (zh) * 2021-03-19 2023-11-03 慧瞻材料美国有限责任公司 共享数据感生的生产工艺改进
CN113536572B (zh) * 2021-07-19 2023-10-03 长鑫存储技术有限公司 晶圆循环时间的确定方法和装置
CN113792878B (zh) * 2021-08-18 2024-03-15 南华大学 一种数值程序蜕变关系的自动识别方法
WO2023081169A1 (en) * 2021-11-02 2023-05-11 Applied Materials, Inc. Methods and mechanisms for process recipe optimization
WO2023104315A1 (en) * 2021-12-10 2023-06-15 Siemens Industry Software GmbH Engineering a physical system method and system
US20230333867A1 (en) * 2022-04-18 2023-10-19 Celligence International Llc Method and computing apparatus for operating a form-based interface
TWI819578B (zh) * 2022-04-20 2023-10-21 國立中央大學 多目標參數最佳化系統、方法及電腦程式產品
US12105504B2 (en) 2022-04-27 2024-10-01 Applied Materials, Inc. Run-to-run control at a manufacturing system using machine learning
TWI825713B (zh) * 2022-05-10 2023-12-11 中華電信股份有限公司 用於感測裝置之分析設備、分析方法及電腦程式產品
US11928128B2 (en) * 2022-05-12 2024-03-12 Truist Bank Construction of a meta-database from autonomously scanned disparate and heterogeneous sources
US20240295829A1 (en) * 2022-05-27 2024-09-05 Onto Innovation Inc. Performance management of semiconductor substrate tools
JP2024013378A (ja) * 2022-07-20 2024-02-01 株式会社日立製作所 計画立案装置および計画立案方法
CN117046692B (zh) * 2023-10-12 2023-12-08 南通华隆微电子股份有限公司 一种半导体快速涂胶方法及系统
CN117519052B (zh) * 2023-12-12 2024-05-28 博纯(泉州)半导体材料有限公司 基于电子气体生产制造系统的故障分析方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199112A1 (en) * 2002-03-22 2003-10-23 Applied Materials, Inc. Copper wiring module control
US20090240366A1 (en) * 2008-03-08 2009-09-24 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US20090271344A1 (en) 2008-04-23 2009-10-29 Siement Aktiengesellschaft Method for computer-aided control or regualtion of a technical system

Family Cites Families (64)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2007200A (en) * 1931-11-25 1935-07-09 Semet Solvay Eng Corp Water gas carburetor
US5495417A (en) * 1990-08-14 1996-02-27 Kabushiki Kaisha Toshiba System for automatically producing different semiconductor products in different quantities through a plurality of processes along a production line
JPH04112204A (ja) 1990-09-03 1992-04-14 Agency Of Ind Science & Technol 制御知識生成装置
JPH04123231U (ja) 1991-04-26 1992-11-06 東燃化学株式会社 粘着テ−プ
JP3115082B2 (ja) 1992-03-10 2000-12-04 株式会社東芝 熱源機器の運転制御装置
US5644686A (en) * 1994-04-29 1997-07-01 International Business Machines Corporation Expert system and method employing hierarchical knowledge base, and interactive multimedia/hypermedia applications
JP3446311B2 (ja) 1994-06-22 2003-09-16 富士通株式会社 最適製造、制御、提示条件生成装置
JP3129932B2 (ja) 1995-05-16 2001-01-31 シャープ株式会社 ファジィ・ニューラルネットワーク装置およびその学習方法
US5867799A (en) * 1996-04-04 1999-02-02 Lang; Andrew K. Information system and method for filtering a massive flow of information entities to meet user information classification needs
US6201999B1 (en) * 1997-06-09 2001-03-13 Applied Materials, Inc. Method and apparatus for automatically generating schedules for wafer processing within a multichamber semiconductor wafer processing tool
US6122397A (en) * 1997-07-03 2000-09-19 Tri Path Imaging, Inc. Method and apparatus for maskless semiconductor and liquid crystal display inspection
JP3325833B2 (ja) 1998-05-20 2002-09-17 東京エレクトロン株式会社 熱処理装置
US8938688B2 (en) 1998-12-04 2015-01-20 Nuance Communications, Inc. Contextual prediction of user words and user actions
US6678572B1 (en) * 1998-12-31 2004-01-13 Asml Holdings, N.V. Recipe cascading in a wafer processing system
US6931644B2 (en) * 2000-12-21 2005-08-16 International Business Machines Corporation Hierarchical connected graph model for implementation of event management design
KR100566192B1 (ko) 2001-04-27 2006-03-29 동경 엘렉트론 주식회사 반도체 제조 장치의 원격 보수 시스템, 반도체 제조 장치의 원격 보수 시스템의 공장측 클라이언트, 반도체 제조 장치의 원격 보수 시스템의 벤더측 서버, 원격 보수 방법, 및 컴퓨터 프로그램이 저장된 기억 매체
US7233933B2 (en) 2001-06-28 2007-06-19 Microsoft Corporation Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability
US6965895B2 (en) * 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US7218980B1 (en) * 2001-07-23 2007-05-15 Esilicon Corporation Prediction based optimization of a semiconductor supply chain using an adaptive real time work-in-progress tracking system
CA2467401A1 (en) 2001-11-16 2003-05-30 Yuan Yan Chen Pausible neural network with supervised and unsupervised cluster analysis
JP2003209035A (ja) 2002-01-17 2003-07-25 Toshiba Corp 半導体製造工程のパラメータ管理値設定方法及びプログラム並びに装置
US7133804B2 (en) * 2002-02-22 2006-11-07 First Data Corporatino Maintenance request systems and methods
EP1518198A2 (en) 2002-07-03 2005-03-30 Tokyo Electron Limited Method and apparatus for automatic sensor installation
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
WO2004019472A1 (ja) 2002-08-22 2004-03-04 Sanken Electric Co., Ltd. 直流変換装置
US7194445B2 (en) 2002-09-20 2007-03-20 Lenovo (Singapore) Pte. Ltd. Adaptive problem determination and recovery in a computer system
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
IE20030437A1 (en) 2003-06-11 2004-12-15 Scient Systems Res Ltd A method for process control of semiconductor manufacturing equipment
MY138544A (en) 2003-06-26 2009-06-30 Neuramatix Sdn Bhd Neural networks with learning and expression capability
US20050114829A1 (en) * 2003-10-30 2005-05-26 Microsoft Corporation Facilitating the process of designing and developing a project
US6876894B1 (en) * 2003-11-05 2005-04-05 Taiwan Semiconductor Maufacturing Company, Ltd. Forecast test-out of probed fabrication by using dispatching simulation method
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
US7212878B2 (en) * 2004-08-27 2007-05-01 Tokyo Electron Limited Wafer-to-wafer control using virtual modules
US7451011B2 (en) * 2004-08-27 2008-11-11 Tokyo Electron Limited Process control using physical modules and virtual modules
US7177714B2 (en) * 2004-09-28 2007-02-13 Siemens Technology-To-Business Center, Llc Method and apparatus for determining and representing continuous resource loading profiles and overload probability functions for complex discrete manufacturing
GB0423110D0 (en) 2004-10-18 2004-11-17 Manthatron Ip Ltd Acting on a subject system
US20060129257A1 (en) * 2004-12-13 2006-06-15 Taiwan Semiconductor Manufacturing Co., Ltd. Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework
JP4525477B2 (ja) * 2005-02-23 2010-08-18 ソニー株式会社 学習制御装置および学習制御方法、並びに、プログラム
JP4900642B2 (ja) * 2005-02-23 2012-03-21 ソニー株式会社 学習制御装置、学習制御方法、およびプログラム
JP2007018490A (ja) 2005-02-23 2007-01-25 Sony Corp 行動制御装置および行動制御方法、並びに、プログラム
US7299154B1 (en) * 2005-05-16 2007-11-20 Advanced Micro Devices, Inc. Method and apparatus for fast disturbance detection and classification
US7127304B1 (en) * 2005-05-18 2006-10-24 Infineon Technologies Richmond, Lp System and method to predict the state of a process controller in a semiconductor manufacturing facility
CN100386702C (zh) 2005-06-10 2008-05-07 同济大学 基于信息素的用于半导体生产线的动态调度方法
US7937264B2 (en) 2005-06-30 2011-05-03 Microsoft Corporation Leveraging unlabeled data with a probabilistic graphical model
DE112006002300B4 (de) 2005-09-02 2013-12-19 Google, Inc. Vorrichtung zum Stapeln von DRAMs
US7359759B2 (en) * 2005-10-31 2008-04-15 Taiwan Semiconductor Manufacturing Company Method and system for virtual metrology in semiconductor manufacturing
US7571019B2 (en) * 2005-12-30 2009-08-04 Intel Corporation Integrated configuration, flow and execution system for semiconductor device experimental flows and production flows
US7454312B2 (en) * 2006-03-15 2008-11-18 Applied Materials, Inc. Tool health information monitoring and tool performance analysis in semiconductor processing
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
TWI315054B (en) * 2006-05-10 2009-09-21 Nat Cheng Kung Universit Method for evaluating reliance level of a virtual metrology system in product manufacturing
US20070288419A1 (en) * 2006-06-07 2007-12-13 Motorola, Inc. Method and apparatus for augmenting data and actions with semantic information to facilitate the autonomic operations of components and systems
US7522968B2 (en) * 2006-07-10 2009-04-21 Applied Materials, Inc. Scheduling method for processing equipment
US20080051930A1 (en) * 2006-07-10 2008-02-28 Oh Hilario L Scheduling method for processing equipment
JP2008158748A (ja) 2006-12-22 2008-07-10 Toshiba Corp 変数選択装置、方法およびプログラム
US7531368B2 (en) * 2007-03-30 2009-05-12 Tokyo Electron Limited In-line lithography and etch system
US7596423B2 (en) * 2007-03-30 2009-09-29 Tokyo Electron Limited Method and apparatus for verifying a site-dependent procedure
US7373216B1 (en) * 2007-03-30 2008-05-13 Tokyo Electron Limited Method and apparatus for verifying a site-dependent wafer
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7974728B2 (en) 2007-05-04 2011-07-05 Taiwan Semiconductor Manufacturing Company, Ltd. System for extraction of key process parameters from fault detection classification to enable wafer prediction
US7702411B2 (en) * 2007-05-31 2010-04-20 International Business Machines Corporation Integration of job shop scheduling with discreet event simulation for manufacturing facilities
US20090222123A1 (en) * 2007-11-07 2009-09-03 Optessa, Inc. Method and system for scheduling a set of events in real time
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US7937175B2 (en) * 2008-07-10 2011-05-03 Palo Alto Research Center Incorporated Methods and systems for pervasive diagnostics
US8015514B2 (en) * 2008-12-29 2011-09-06 International Business Machines Corporation Random personalization of chips during fabrication

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030199112A1 (en) * 2002-03-22 2003-10-23 Applied Materials, Inc. Copper wiring module control
US20090240366A1 (en) * 2008-03-08 2009-09-24 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US20090271344A1 (en) 2008-04-23 2009-10-29 Siement Aktiengesellschaft Method for computer-aided control or regualtion of a technical system

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190044359A (ko) 2017-10-20 2019-04-30 두산중공업 주식회사 인공지능을 이용한 자가 설계 모델링 시스템 및 방법
KR20190108473A (ko) * 2018-03-14 2019-09-24 가부시키가이샤 히다치 하이테크놀로지즈 탐색 장치, 탐색 방법 및 플라스마 처리 장치
KR102113096B1 (ko) 2018-03-14 2020-05-20 주식회사 히타치하이테크 탐색 장치, 탐색 방법 및 플라스마 처리 장치
KR102104090B1 (ko) * 2019-12-26 2020-04-24 이재선 자동화된 증착 공정 장치 및 방법
KR20240128520A (ko) 2023-02-17 2024-08-26 광운대학교 산학협력단 수학적 최적화를 이용하는 에스램 전력 최적화 장치 및 방법

Also Published As

Publication number Publication date
SG182776A1 (en) 2012-09-27
US8396582B2 (en) 2013-03-12
WO2011094592A1 (en) 2011-08-04
US20140229409A1 (en) 2014-08-14
US20100138026A1 (en) 2010-06-03
JP5841071B2 (ja) 2016-01-06
US20130151447A1 (en) 2013-06-13
KR20120123493A (ko) 2012-11-08
TW201202876A (en) 2012-01-16
US8744607B2 (en) 2014-06-03
JP2013518449A (ja) 2013-05-20
US9424528B2 (en) 2016-08-23
TWI525407B (zh) 2016-03-11

Similar Documents

Publication Publication Date Title
KR101755746B1 (ko) 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템
KR101609017B1 (ko) 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템
KR101611628B1 (ko) 자율적인 생물학 기반 학습 툴
KR101546556B1 (ko) 자율적인 적응적 반도체 제조
KR102648517B1 (ko) 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법
TWI794451B (zh) 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法
TW202424831A (zh) 在使用機器學習的製造系統處的裝備參數管理

Legal Events

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