KR101769064B1

KR101769064B1 - 적응성 예측 알고리즘들을 사용하고 가상 계측을 위해 적응성 예측 알고리즘들을 사용할 시기를 결정하기 위한 방법들 및 장치들

Info

Publication number: KR101769064B1
Application number: KR1020127024292A
Authority: KR
Inventors: 제임스 모인
Original assignee: 어플라이드 머티어리얼스, 인코포레이티드
Priority date: 2010-02-16
Filing date: 2011-02-15
Publication date: 2017-08-30
Also published as: CN102763048B; WO2011103085A2; US9002492B2; TW201203163A; CN102763048A; US20180217566A1; WO2011103085A3; US9886009B2; US20150205270A1; KR20130006455A; TWI509550B; US20110202160A1; US10409231B2

Abstract

본 명세서에는 가상 계측을 위해 적응성 예측 알고리즘들을 결정하기 위한 방법들, 장치들 및 시스템들이 설명된다. 일부 실시예들에서, 컴퓨터로 구현되는 방법은 복수의 예측 알고리즘들을 식별한다. 이 방법은 제조 설비에서 하나 또는 둘 이상의 가상 계측 변수들을 예측하기 위해, 복수의 예측 알고리즘들 중 하나 또는 둘 이상을 사용할 시기를 결정한다.

Description

적응성 예측 알고리즘들을 사용하고 가상 계측을 위해 적응성 예측 알고리즘들을 사용할 시기를 결정하기 위한 방법들 및 장치들{METHODS AND APPARATUSES FOR UTILIZING ADAPTIVE PREDICTIVE ALGORITHMS AND DETERMINING WHEN TO USE THE ADAPTIVE PREDICTIVE ALGORITHMS FOR VIRTUAL METROLOGY}

35 U.S.C. §119(e) 규정 하에, 본 특허출원은 2010년 2월 16일자로 출원된 미국 가출원 번호 제61/305,089호의 이익을 주장하며, 상기 가출원은 본 명세서에 인용에 의해 포함된다.

본 발명의 실시예들은 가상 계측용 예측 알고리즘들에 관한 것으로, 보다 구체적으로는 예측 알고리즘들을 사용 및 결정하는 것에 관한 것이다.

장비 엔지니어링 시스템들(EES)은 제조 기계에 의한 제품의 프로세싱을 관리한다. 생산량 관리 시스템(YMS)은 매개 데이터 및 e-테스트 데이터를 사용하여 생산량 편위(excursion)들을 분석한다. 일부 종래의 생산량 관리 시스템들은 생산량 분석 시에 추가적인 데이터를 생산 엔지니어들에게 제공하기 위해, 종래의 장비 엔지니어링 시스템들의 장애 검출 및 분류(FDC) 시스템으로부터의 데이터를 레버리지(leverage)한다. 한정된 수의 종래의 생산량 관리 시스템들에서, FDC 시스템으로부터의 데이터는 생산량을 예측하는데 사용된다. 이러한 생산량 예측은 제품이 완성되기 전에, 잠재적인 생산 문제들을 생산 엔지니어들이 검출할 수 있게 할 수 있다.

가상 계측(VM) 및 생산량 관리 강화 개선 프로세스 제어(YMeAPC)와 같은 기본적인(cornerstone) 능력으로서 예측을 사용하는 기술들에 있어서의 가장 큰 문제들 중 하나는 특히, 동적 예측 환경의 존재 시의 예측의 품질이다. 이용가능한 다수의 예측 기술들 및 예측 적응 기술들이 있다. 종종, 상이한 예측 적응 기술들이 상이한 환경들에서 보다 양호하게 작용한다. 현재, 예측 품질을 개선하기 위해, 다수의 예측 적응 능력들을 협력적인 방식으로 사용하는 것에 대해서는 정의된 방식이 존재하지 않는다.

제조 프로세스들은 외란들 및 드리프트(drift)들에 영향을 받는다. 드리프팅 프로세스들의 웨이퍼 대 웨이퍼(W2W) 제어는, 계측 스테이션에 대한 비용이 추가되고, 사이클 타임이 증가되며, 처리량이 감소되는 인라인(inline) 계측을 요구한다. 측정들의 속도와 정밀도 사이에 트레이드 오프(trade-off)가 존재한다. 가상 계측은 모든 웨이퍼에 대한 프로세스의 상태에 대한 정보를 사용한 계측 변수들의 예측을 포함한다. 가상 계측은 예측 알고리즘들에 대한 상류 계측 정보 및 FDC 데이터를 사용한다. 가상 계측은 프로세스 및/또는 제품의 상태에 기초하여, (측정가능하거나 또는 측정 불가능한) 계측 변수들을 예측한다.

가상 계측을 사용한 공장-광역 제어에 대한 방식은 논문 ["Fab-wide Control Utilizing Virtual Metrology,"IEEE Transactions on Semiconductor Manufacturing, Vol.20,No.4, November 2007 by Aftab A. Khan, James R. Moyne, and Dawn M. Tilbury]에 개시된다. 본 명세서에 인용에 의해 포함되는 이 논문 "Fab-wide Control Utilizing Virtual Metrology"에는 반도체 제조 프로세스들에 공통으로 적용되는 이중의 기하 급수적으로 가중된 이동 평균(double exponentially weighted moving average; dEWMA) 컨트롤러들 및 또한 부분 최소 자승법(partial least squares; PLS)이 개시된다.

그러나, 종래의 가상 계측 방식들은 견고하고 재사용가능한 가상 계측 해법을 제공하지 못한다. 현재의 최신 가상 계측 기술은 다수의 "1회성(one-off)"의 주문 제작형 재이용 불가능한 해법들을 포함한다. 이들 방식들은 시간이 경과함에 따라 매우 견고하지 않다. 데이터 품질의 이해 부족으로 인해 사용들이 제한된다. 종래의 방식들은 고 품질 적응성 가상 계측 모델링을 제공하지 못한다.

본 발명은 첨부한 도면들의 도시들에서 제한으로서가 아닌 예로서 도시된다.
도 1은 본 발명의 실시예들이 동작할 수 있는 제조 환경의 예시적인 아키텍처를 도시한다.
도 2는 다중 예측 알고리즘들을 사용하는 방법에 대한 일 실시예의 흐름도를 도시한다.
도 3은 예측 알고리즘들 사이의 전환 방법에 대한 일 실시예의 흐름도를 도시한다.
도 4는 예측 알고리즘들 사이의 전환 방법에 대한 다른 실시예의 흐름도를 도시한다.
도 5는 가중된 예측들로 예측 알고리즘들을 결정하는 방법에 대한 일 실시예의 흐름도를 도시한다.
도 6은 본 발명의 실시예들이 동작할 수 있는 장비 엔지니어링 시스템(EES)의 예시적인 아키텍처를 도시한다.
도 7은 본 발명의 일 실시예에 따른 예시적인 컴퓨터 시스템의 블록도를 도시한다.

본 명세서에는, 가상 계측용 적응성 예측 알고리즘들을 결정하기 위한 방법들, 장치들 및 시스템들이 개시된다. 일부 실시예들에서, 시스템은 데이터를 수집하고, 다중 예측 알고리즘들을 사용한다. 그 후, 시스템은 제조 설비에서 (측정가능하거나 또는 측정 불가능한) 가상 계측 변수들을 예측하기 위해, 다중 예측 알고리즘들을 사용하는 시기를 결정할 수 있다. 가상 계측 변수들은 예를 들어, 프로세스 실행의 종단에서의 출력들에 대한 예측된 값들, 상류 프로세스들로부터의 관련 전처리 계측 데이터들 등을 포함할 수 있다. 특정 예들에는 화학 기상 증착(CVD) 프로세스들 후의 필름 두께 및 균일성, 및 에칭 프로세스들 후의 임계 치수(CD) 데이터(예를 들어, 평균 및 편차)가 포함된다. 다른 실시예들에서, 시스템은 오차 전환 임계치에 기초하여, 다중 예측 알고리즘들 사이에서 전환한다. 임계치는 실제 계측 데이터에 기초할 수 있다. 실제 계측 데이터가 이용가능한 경우, 시스템은 오차 전환 임계치를 사용하여 예측 알고리즘들 사이에서 전환될 수 있다. 그렇지 않으면, 시스템은 예측 알고리즘들 사이에서 전환하는 시기를 결정하기 위해서, 품질 임계치를 사용할 수 있다. 일부 다른 실시예들에서, 시스템은 다중 예측 알고리즘들을 동시에 사용한다. 예측 알고리즘은 다른 예측 알고리즘들의 가중된 평균에 기초하여, 인보크(invoke)될 수 있다.

위에서 논의된 바와 같이, 종래의 방식들은 고 품질 적응성 VM을 제공하지 못한다. 본 개시의 VM은 계측 예측들과 결함 검출(FD) 출력들 사이의 관계의 시간 경과에 따른 변화들을 설명하는 다중-알고리즘 적응성 부분 최소 자승법(PLS)을 제공할 수 있다. 부가적으로 또는 대안적으로, 본 개시의 VM은 또한, 긍정 오류(false positives)를 회피하며 W2W 제어와 같은 애플리케이션들에 대한 VM 데이터의 정량적 사용(quantitative use)을 허용하는 데이터 품질 예측을 제공할 수 있다. 본 개시의 VM은 또한, 재사용가능할 VM 능력을 개발할뿐만 아니라, 최상의 VM 예측자들인 FD 인자들을 결정할 수 있다.

VM 데이터 품질 예측은 VM의 많은 애플리케이션들에 대한 중요한 능력이다. 웨이퍼 대 웨이퍼 제어에 대해, 이 능력은 피드백 데이터 품질에 기초하여, 컨트롤러 이득의 적합한 설정을 허용한다. 툴 셧-다운(tool shut-down)을 위해 사용되는 계측 FD에 대해, 이러한 능력은 긍정 오류의 발생을 감소시킨다. 예측 및 예방 유지에 대해, 이러한 능력은 긍정 오류의 발생을 감소시킨다. 일반적으로, 이러한 능력은 결과들이 "신뢰"될 수 있기 때문에, VM이 더욱 효과적이게 할 수 있다.

본 개시의 VM은 개선된 웨이퍼 대 웨이퍼 제어, 생산량 예측, 향상된 예측 및 예방 유지(PPM) 및 기존 계측의 보다 효과적인 사용과 같은 이익들을 제공한다.

이하의 설명에서, 많은 세부사항들이 제시된다. 그러나, 본 발명은 이러한 특정 세부사항들 없이도 실시될 수 있음이 당업자에게 명백할 것이다. 일부 경우들에서는, 본 발명을 모호하게 하지 않기 위해, 잘 알려진 구조들 및 디바이스들이 상세하기보다는 블록도의 형태로 도시된다.

이하의 상세 설명들의 일부 부분들은 컴퓨터 메모리 내 데이터 비트들 상의 동작들의 기호적 표현들 및 알고리즘들에 관련하여 제시된다. 특별히 달리 언급되지 않는다면, 다음의 논의로부터 명백한 바와 같이, 발명의 상세한 설명 전체에 걸쳐, "수집하는", "예측하는", "수행하는", "조정하는", "비교하는" 등과 같은 용어들을 사용하는 논의들이 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(전자) 양들로 표현되는 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 이러한 정보의 저장기, 전송 또는 디스플레이 디바이스들 내의 물리적 양들로 유사하게 표현되는 다른 데이터로 조작 및 변환하는 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 작동 및 프로세스들을 지칭한다는 것이 인식된다.

본 발명의 실시예들은 또한, 본 명세서에서의 동작들을 수행하기 위한 장치에 관한 것이다. 이 장치는 요구되는 목적들을 위해 특별히 구성될 수 있거나, 또는 상기 장치는 컴퓨터에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화 또는 재구성되는 범용 컴퓨터를 포함할 수 있다. 이러한 컴퓨터 프로그램은, 플로피 디스크들, 광학 디스크들, CD-ROM들 및 광자기 디스크들을 포함하는 임의의 타입의 디스크, 판독 전용 메모리(ROM)들, 랜덤 액세스 메모리(RAM)들, EPROM들, EEPROM들, 자기 또는 광학 카드들, 또는 각각 컴퓨터 시스템 버스에 커플링되는 전자 명령들을 저장하는데 적합한 임의의 타입의 매체와 같은(그러나, 이들에 한정되는 것은 아님) 컴퓨터 판독가능한 저장 매체에 저장될 수 있다.

본 명세서에 제시된 알고리즘들 및 디스플레이들은 고유하게 임의의 특정 컴퓨터 또는 다른 장치에 관련되지 않는다. 다양한 범용 시스템들이 본 명세서에서의 교시들에 따라 프로그램들로 사용될 수 있거나, 또는 상기 범용 시스템들은 요구되는 방법의 단계들을 수행하도록 보다 특화된 장치를 구성하는 것이 편리하다는 것이 입증될 수 있다. 다양한 이들 시스템들에 대한 요구되는 구조는 이하의 설명에서 기술되는 바와 같이 나타날 것이다. 또한, 본 발명은 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 본 명세서에 설명된 바와 같은 본 발명의 교시들을 구현하기 위해서 다양한 프로그래밍 언어들이 사용될 수 있음이 인식될 것이다.

본 발명은, 본 발명에 따른 프로세스를 수행하기 위해, 컴퓨터 시스템(또는 다른 전자 디바이스들)을 프로그램하는데 사용될 수 있는 명령들이 저장되는 기계 판독가능한 매체를 포함할 수 있는 컴퓨터 프로그램 제품 또는 소프트웨어로서 제공될 수 있다. 기계 판독가능한 매체는 기계(예를 들어, 컴퓨터)에 의해 판독가능한 형태로 정보를 저장하기 위한 임의의 메커니즘을 포함한다. 예를 들어, 기계(예를 들어, 컴퓨터) 판독가능한 저장 매체에는 판독 전용 메모리("ROM"), 랜덤 액세스 메모리("RAM"), 자기 디스크 저장 매체, 광학 저장 매체, 플래시 메모리 디바이스들 등이 포함된다.

도 1은 본 발명의 실시예들이 동작할 수 있는 제조 환경(100)의 예시적인 아키텍처를 도시한다. 제조 환경(100)은 반도체 제조 환경, 자동차 제조 환경, 항공 장비 제조 환경, 의료 장비 제조 환경, 디스플레이 및 태양열 제조 환경 등일 수 있다. 일 실시예에서, 제조 환경(100)은 장비 엔지니어링 시스템(EES)(105), EES 시스템(105) 내의 VM 다중-알고리즘 예측 서브시스템(107) 또는 네트워크를 통해 EES에 커플링되는 일부 다른 시스템, 제조 실행 시스템(MES)(110), 생산량 관리 시스템(YMS)(120) 및 통합 데이터 저장기(115)를 포함한다. EES(105), MES(110), YMS(120) 및 통합 데이터 저장기(115)는 공중 네트워크(예를 들어, 인터넷), 사설 네트워크(예를 들어, 이더넷 또는 근거리 통신망(LAN)) 또는 이들의 조합과 같은 네트워크(도시되지 않음)를 통해 접속될 수 있다.

제조 실행 시스템(MES)(110)은 제조 환경에서 생산 활동들을 측정 및 제어하는데 사용될 수 있는 시스템이다. MES(110)는 일부 생산 활동들(예를 들어, 중요 생산 활동들), 또는 일련의 전체 회사, 제조 설비(예를 들어, 자동차 생산 공장), 제조 장비(예를 들어, 반도체 제조 설비 내의 모든 포토리소그래피 장비) 등의 모든 생산 활동들을 제어할 수 있다. MES(110)는 수동 및 컴퓨터화된 오프-라인 및/또는 온-라인 거래 프로세싱 시스템들을 포함할 수 있다. 이러한 시스템들은 프로세싱과 관련된 기능들을 수행할 수 있는 제조 기계들, 계측 디바이스들, 클라이언트 컴퓨팅 디바이스들, 서버 컴퓨팅 디바이스들, 데이터베이스들 등을 포함할 수 있다.

일 실시예에서, MES(110)는 통합 데이터 저장기(115)와 접속된다. 통합 데이터 저장기(115)는 비휘발성 메모리(예를 들어, 하드 디스크 드라이브들, 테이프 드라이브들, 광학 드라이브들 등), 휘발성 메모리(예를 들어, 랜덤 액세스 메모리(RAM)) 또는 이들의 조합 상의 데이터의 데이터베이스들, 파일 시스템들 또는 다른 배열체들을 포함할 수 있다. 일 실시예에서, 통합 데이터 저장기(115)는 상호 접속되는 다수의 데이터 저장기들(예를 들어, YMS 데이터 저장기, 유지 데이터 저장기, 계측 데이터 저장기, 프로세스 데이터 저장기 등)로부터의 데이터를 포함한다. 통합 데이터 저장기(115)는 예를 들어, 제조법들(예를 들어, 온도들, 압력들, 사용된 화학제품들, 프로세스 시간들 등), 장비 유지 이력들, 재고들 등의 이력 프로세스 정보를 저장할 수 있다. 통합 데이터 저장기(115)는 또한, MES(110), YMS(120) 및/또는 EES(105)에 의해 발생되는 데이터를 저장할 수 있다. 예를 들어, EES(105)는 통합 데이터 저장기(115)에 결함 검출 및 특징 데이터를 저장할 수 있고, YMS(120)는 통합 데이터 저장기(115)에 생산량 분석 데이터를 저장할 수 있으며, MES(110)는 통합 데이터 저장기(115)에 이력 프로세스 정보를 저장할 수 있다. 이는 YMS(120), EES(105) 및 MES(110)의 각각이 다른 시스템들에 의해 발생되는 데이터를 레버리지하도록 허용한다. 통합 데이터 저장기(115)는 MES(110), YMS(120) 및 EES(105) 중 임의의 것을 호스팅하는 하나 또는 둘 이상의 컴퓨팅 디바이스들 상에 또는 하나 또는 둘 이상의 상이한 컴퓨팅 디바이스들 상에 상주할 수 있다.

EES(105)는 제조 환경(예를 들어, 공장)의 일부 또는 모든 동작들을 관리하는 시스템이다. EES(105)는 장비 트래킹, 디스패치(예를 들어, 어떠한 재료를 어떠한 프로세스들에 보낼지를 결정함), 상품 계보, 노동 트래킹(예를 들어, 인력 스케줄링), 재고 관리, 비용, 전자 서명 캡쳐, 결함 및 해결책 모니터링, 주요 성능 표시자 모니터링 및 경보, 유지보수 스케줄링 등의 기능들을 수행할 수 있는 클라이언트 컴퓨팅 디바이스들, 서버 컴퓨팅 디바이스들, 데이터베이스들 등을 포함할 수 있는 수동 및 컴퓨터화된 오프-라인 및/또는 온-라인 거래 프로세싱 시스템들을 포함할 수 있다.

EES(105)는 통합 데이터 저장기(115)에 수집 및 저장되는 결합 정보 및/또는 MES(110)에 의해 보고되는 계측 데이터 및 프로세스 데이터로부터 추론들을 이끌고, 답신하며, 그리고/또는 이에 따라 작동한다. 예를 들어, EES(105)는 조기 경보 시스템으로서 역할(예를 들어, 스크랩 예측, 제품 재작업 개시 등)을 하고, 병목 현상 분석을 제공하며, 자산 관리(예를 들어, 미리 스케줄링되지 않은 장비 정지 시간을 감소시킴)를 제공하고, 절약형 실시들(lean practices)을 개선할 수 있는 등이다. EES(105)는 제조 환경(100)의 이해를 얻는데 사용될 수 있으며, 사용자로 하여금 제조 환경(100)의 효율 및/또는 제조 환경(100)의 모두 또는 컴포넌트들을 개선하는 방법을 결정할 수 있게 할 수 있다. 일 실시예에서, EES(105)는 EES(105)가 적응성 가상 계측을 위한 예측 알고리즘들을 사용 및 결정할 수 있도록 하는 컴포넌트들(예를 들어, VM 모듈, 예측 알고리즘 전환 모듈 등을 갖는 VM 다중 알고리즘 예측 서브시스템(107))을 포함한다. 이러한 능력들은 도 2 내지 도 7을 참조하여 아래에서 보다 상세하게 설명된다.

생산량 관리 시스템(YMS)(120)은 e-테스트 데이터와 같은 라인 종단(end-of-line) 데이터를 분석하여 제품 생산량을 결정한다. 라인 종단 데이터는 웨이퍼 합격판정 테스트(WAT), 웨이퍼 분류 결과들 및/또는 최종 테스트 동작들을 포함할 수 있다. 생산량 관리자(120)는 제품 생산량 추세, 제품 생산량의 로트 레벨 분석, 제조 프로세스들과의 생산량 상관, 생산량의 통계 분석 등을 제공할 수 있다. 일 실시예에서, YMS(120)는 낮은 생산량의 원인들을 식별하기 위해 집적 회로 설계, 가시적 결함, 매개 데이터 및 e-테스트 데이터를 사용한다.

예측 모델들을 지속적으로 개선하거나 또는 "튜닝(tune)"하기 위해, 계측 또는 생산량 분석과 같은 실제 출력 측정 데이터의 피드백을 사용하는 예측 알고리즘들에 대한 다수의 확장자(extension)들이 존재한다. 일 예로서, NIPALS 및 EWMA(기하급수적으로 가중된 이동 평균)는 잠재 구조 예측 메커니즘들에 대한 프로젝트에 대한 2개의 문서화된 적응성 확장자이다. 역학 관계(dynamics)를 다루기 위한 이러한 다양한 확장자들은 예측 및 적응 환경에 따라 상이하게 수행된다. 확장자들 중 더 많은 확장자들은 또한, 컴퓨터의 복잡성 또는 시간과 정확성 사이의 트레이드 오프를 나타낸다.

적응성을 갖는 가상 계측에 대한 종래의 방식들은 전형적으로 EWMA 또는 NIPALS(비 반복성 부분 최소 자승법)를 갖는 PLS를 사용한다. NIPALS를 갖는 PLS 방식은 PLS 모델들의 증분적 재공식화(incremental re-formulation)이며, 상태들의 상당한 변화가 존재할 시에 요구된다. PLS 적응의 일부 형태는 드리프트하는 프로세스들을 트래킹하기 위해 필요하다. 이러한 방식은 구현이 더 어려우며, 모델을 재공식화하기 위해, 상당한 양의 데이터를 요구할 수 있다. 상기 방식은 일반적으로 EWMA를 갖는 PLS와 같은 모델 조정 방식들보다 더 정확한 결과들을 생성한다. EWMA 및 NIPALS 사이의 드리프트-시프트/복잡성 및 알고리즘들의 정확성/견고성으로 인해, 반응 속도와 계산 속도 사이에 일반적인 트레이드 오프가 존재한다. 결과들은, 프로세스가 양호하게 동작되는 경우, EWMA 필터링을 갖는 PLS가 고 품질의 적응성 VM 예측들을 제공하는데 있어서 효과적일 수 있지만, PLS+NIPALS 모델링이 사용되어야 하는 경우의 특정한 모델링 상황들에서 만족스럽지 않은 결과들을 생성할 수 있다는 것을 나타낸다. 이러한 방식들은 가상 계측을 위한 예측을 개선하기 위한 다중 예측 방법들을 레버리지하는 방법을 제공하지 못한다.

제조 환경들이 반응성 동작 모드로부터 예측 동작 모드로 계속 이동하기 때문에, 예측 품질의 중요성은 계속 높아진다. 예측 품질에 영향을 미치는 주요 인자들 중 하나는 프로세스 드리프트 및 시프트의 존재 시에 공장 환경의 역학 관계에 적응하는 예측 메커니즘의 능력, 및 예측에 영향을 미치는 외부 인자들의 출입(entry and exit)이다.

VM 다중-알고리즘 예측 서브시스템(107)은, 예측 알고리즘 사이의 전환을 용이하게 하거나, 또는 다중 적응성 확장자들로부터 출력들의 가중된 조합들을 예측 모델에 적용함으로써 상기 결점들을 해소한다. 최소 자승법 오차와 같은 기술들은 실제 출력 측정 데이터가 이용가능할 시에, 예측의 품질을 평가하는데 사용될 수 있다.

예측 알고리즘을 결정하기 위한 이하의 방법들은 VM 예측 수식을 취한다:

일부 실시예들에서, S는 예측된 출력이고, B는 행렬을 나타내며, t는 입력 인자이고, c는 영차 항이다. S, B, t 및 c는 성분 벡터들 또는 행렬들이다. 2개의 예측 알고리즘 EWMA 및 NIPALS이 주어지면, EWMA는 신속하고 용이하지만, VM 수식이 변경될 시에 부정확해질 수 있다. EWMA는 VM 수식의 영차 항 적응(예를 들어, "c" 벡터의 업데이트)을 사용할 수 있다. NIPALS는 복잡하지만, 보다 정확하다. NIPALS는 VM 수식을 재공식화한다(예를 들어, "B" 및 "c" 양자를 업데이트함). VM 다중-알고리즘 예측 서브시스템(107)은 수시로 계측 데이터의 예측들(Y')과 실제 계측 데이터(Y)를 비교하고, 이 차이는 E이다.

도 2는 다중 예측 알고리즘들을 사용하는 컴퓨터로 구현되는 방법에 대한 일 실시예의 흐름도를 도시한다. 상기 방법은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(가령, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 컴퓨터로 구현되는 방법(200)은 장비 엔지니어링 시스템(105) 또는 일부 다른 시스템(예를 들어, VM 다중 알고리즘 예측 서브시스템(107)을 호스팅하고, 네트워크를 통해 EES(105)에 커플링되는 시스템)에 의해 수행된다.

도 2를 참조하면, 컴퓨터로 구현되는 방법(200)은 장비 엔지니어링 시스템에 의해 데이터를 수집하는 단계(블록 205)를 포함한다. 수집된 데이터는 제조 프로세스, 제조 툴 및/또는 제조된 제품과 관련된 데이터를 포함한다. 방법(200)은 제조 설비에서 VM 변수들을 예측하는데 사용될 다중 예측 알고리즘들을 식별하는 단계(블록 210)를 포함한다. 예측 알고리즘들 중 하나 또는 둘 이상은 주어진 시간에 사용될 수 있다. 방법(200)은 제조 설비에서 하나 또는 둘 이상의 가상 계측 변수들을 예측하기 위해, 다중 예측 알고리즘들 중 하나 또는 둘 이상을 사용할 시기를 결정하는 단계(블록 215)를 포함한다. 예를 들어, 상기 방법은 오차 전환 임계치에 기초하여, 다중 예측 알고리즘들 사이를 전환될 수 있다. 이러한 임계치는 실제 계측 데이터에 기초할 수 있다. 대안적으로, 상기 방법은 예측 알고리즘들 사이를 전환할 시기를 결정하기 위해 품질 임계치를 사용할 수 있다. 다른 예에서, 상기 방법은 다중 예측 알고리즘들을 동시에 사용할 수 있고, 예측 알고리즘은 이들 예측 알고리즘들의 가중된 평균에 기초하여 인보크될 수 있다. 블록 220에서, 생산량은 하나 또는 둘 이상의 대응하는 예측 알고리즘들을 사용하여 예측된다.

도 3은 예측 알고리즘들 사이를 전환하는 컴퓨터로 구현되는 방법에 대한 일 실시예의 흐름도를 도시한다. 상기 방법은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(가령, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 컴퓨터로 구현되는 방법(300)은 장비 엔지니어링 시스템(105) 또는 일부 다른 시스템(예를 들어, VM 다중 알고리즘 예측 서브시스템(107)을 호스팅하고, 네트워크를 통해 EES(105)에 커플링되는 시스템)에 의해 수행된다.

도 3을 참조하면, 컴퓨터로 구현되는 방법(300)은 장비 엔지니어링 시스템으로 데이터를 수집하는 단계(블록 305)를 포함한다. 수집된 데이터는 제조 프로세스, 제조 툴 및/또는 제조된 제품과 관련된 데이터를 포함한다. 이러한 데이터는 제품의 프로세싱 동안, 제조 기계로부터 수신되거나, 제품의 측정 동안 계측 툴로부터 수신되거나, 또는 데이터 저장기를 액세스함으로써 수신될 수 있다. 방법(300)은 오차 전환 임계치 Et를 식별하는 단계(블록 310)를 포함한다. 일 실시예에서, 전환 임계치는 실제 계측 데이터(Y)와 계측 데이터의 예측들(Y')의 비교에 기초한 오차의 값에 기초하여 설정된다. 오차 전환 임계치 Et는 ｜Y-Y'｜로 식별되거나 또는 결정된다. 최소 자승 거리는 오차들을 단일 숫자로 폴딩하는데 사용될 수 있다. 대안적으로, 각각의 Yn은 별개의 컴포넌트로 취급될 수 있다. Y가 이용가능하고(즉, 실제 계측 측정값이 이용가능함), 오차(E)가 시간이 경과함에 따라 필터링되어 노이즈 영향을 최소화한다고 가정하면, 오차 전환 임계치가 적용된다(블록 315). 예측 오차는 실제 계측 데이터와 계측 데이터의 예측들 사이의 차이이다. 오차(E)가 설정 임계치 Et보다 큰 경우, 간단한 적응성 기술(예를 들어, EWMA)은 VM 'c' 항의 "신속한" 조정을 위해 인보크되며(블록 320), 그 후 보다 복잡한 적응성 기술(예를 들어, NIPALS)이 더 긴 시간 기간에 걸쳐 VM 수식의 재공식화를 위해 인보크된다(블록 325). 그렇지 않으면, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c' 항의 조정을 위해 인보크된다(블록 330). 선택적으로, 간단한 적응성 기술은, 복잡한 적응성 기술이 인보크되어 복잡한 기술이 고 품질 예측을 발생시킬 공식을 제공하기에 충분한 데이터를 획득하게 하도록 인보크되는 경우에도, 계속 평가될 수 있다. 복잡한 기술에 의해 제공되는 정보가 사용되면, 해결책은 새로운 공식을 사용할 수 있고, 재공식화 프로세스를 "턴 오프(turn off)" 하며, 오차(E)가 Et 미만으로 떨어지면 간단한 적응성 기술로 다시 전환할 수 있다.

도 4는 예측 알고리즘들 사이를 전환하는 컴퓨터로 구현되는 방법에 대한 다른 실시예의 흐름도를 도시한다. 상기 방법은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(가령, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 컴퓨터로 구현되는 방법(400)은 장비 엔지니어링 시스템(105) 또는 일부 다른 시스템(예를 들어, VM 다중 알고리즘 예측 서브시스템(107)을 호스팅하고, 네트워크를 통해 EES(105)에 커플링되는 시스템)에 의해 수행된다.

도 4를 참조하면, 컴퓨터로 구현되는 방법(400)은 장비 엔지니어링 시스템에 의해 데이터를 수집하는 단계(블록 405)를 포함한다. 수집된 데이터는 제조 프로세스, 제조 툴 및/또는 제조된 제품에 관련된 데이터를 포함한다. 이러한 데이터는 제품의 프로세싱 동안 제조 기계로부터 수신되거나, 제품의 측정 동안 계측 툴로부터 수신되거나, 또는 데이터 저장기를 액세스함으로써 수신될 수 있다. 방법(400)은 블록 310에서 논의된 바와 유사한 방식으로 오차 전환 임계치 Et를 식별하는 단계(블록 410)를 포함한다. 방법(400)은 품질 임계치 Qt를 식별하는 단계(블록 412)를 포함한다. 예측에 대한 품질 Q_n은 각각의 예측 알고리즘(예를 들어, Q₁, Q₂ 등)과 관련된다. 예측의 품질은 실제 계측 데이터가 현재의 예측 사이클에 대해 이용가능하지 않을 시에, VM 적응 방법을 결정하는데 사용된다. 이러한 경우, 기술들은 예측기의 품질을 추정(예를 들어, Y, 예측의 품질의 최소 평균 자승 오차 근사치와의 직접 비교)하는 문헌에 정의된다. 이들 추정치들은 Qt와 비교될 수 있다.

예를 들어, 실제 계측 기술과의 직접 비교는 몇몇 판독들에 대한 평균에 의해 예측 오차의 통계적 평균을 사용한다. 이력 데이터는 초기 예측 오차(E)에 대해 사용될 수 있고, 그 후 새로운 Y가 이용가능할 때마다 E를 업데이트 한다. 필터링 메커니즘들(예를 들어, EWMA)이 가중된 평균화를 위해 사용될 수 있다. 만약, 시간이 경과함에 따라, 예측의 품질이 이전 예측으로부터의 델타와 같은 인자들의 함수임이 결정되면, 일차 효과들은 예측 오차로 모델링될 수 있다. 예를 들어, E는 주어진 계측 샘플(m)에 대한 Y와 Y' 사이의 차이의 함수일 수 있고, 또한 Y'_m과 Y'_m-1 사이의 차이의 함수일 수도 있다. E와 Y 사이의 관계에 대한 모델들은 런 투 런(run to run) 제어(예를 들어, EWMA, 모델 예측 제어 등)에 대해 사용되는 것들과 같은 기술들을 사용하여 전개될 수 있다.

Y가 이용가능하고(즉, 실제 계측 측정값이 이용가능함)(블록 414), 오차가 시간이 경과함에 따라 필터링되어 노이즈 영향을 최소화할 경우, 오차 전환 임계치가 적용된다(블록 415). E > Et인 경우, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c' 항의 "신속한" 조정을 위해 인보크되며(블록 420), 그 후 보다 복잡한 적응성 기술(예를 들어, NIPALS)이 더 긴 시간 기간에 걸쳐 VM 수식의 재공식화를 위해 인보크된다(블록 425). 그렇지 않고, E가 Et보다 크지 않을 경우, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c' 항의 조정을 위해 인보크된다(블록 430). 선택적으로, 간단한 적응성 기술은, 복잡한 적응성 기술이 인보크되어 복잡한 기술이 고 품질 예측을 발생시킬 공식을 제공하기에 충분한 데이터를 획득할 수 있는 경우에도, 계속 평가될 수 있다. 복잡한 기술에 의해 제공되는 정보가 사용되면, 해결책은 새로운 공식을 사용하고, 재공식화 프로세스를 "턴 오프" 하며, 오차(E)가 Et 미만으로 떨어지면 간단한 적응성 기술로 다시 전환할 수 있다.

Y가 이용가능하지 않고(즉, 실제 계측 측정값이 이용가능하지 않음), Q > Qt(블록 426)이면, 복잡한 적응성 기술(예를 들어, NIPALS)은 가능하게는 이력 데이터를 사용하여 VM 수식의 재공식화를 위해 인보크되며, Y'가 결정된다(블록 435). 그렇지 않으면, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c'의 조정을 위해 인보크될 수 있고, 모델이 조정될 수 있는 방법을 추정하는 능력이 존재하는 경우 Y'가 결정된다(블록 440).

도 5는 가중된 예측들로 예측 알고리즘들을 결정하는 컴퓨터로 구현되는 방법에 대한 일 실시예의 흐름도를 도시한다. 상기 방법은 하드웨어(예를 들어, 회로, 전용 로직, 프로그램가능한 로직, 마이크로코드 등), 소프트웨어(가령, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일 실시예에서, 방법(500)은 장비 엔지니어링 시스템(105) 또는 일부 다른 시스템(예를 들어, VM 다중 알고리즘 예측 서브시스템(107)을 호스팅하고, 네트워크를 통해 EES(105)에 커플링되는 시스템)에 의해 수행된다.

도 5를 참조하면, 컴퓨터로 구현되는 방법(500)은 장비 엔지니어링 시스템에 의해 데이터를 수집하는 단계(블록 505)를 포함한다. 수집된 데이터는 제조 프로세스, 제조 툴 및/또는 제조된 제품과 관련된 데이터를 포함한다. 이러한 데이터는 제품의 프로세싱 동안 제조 기계로부터 수신되거나, 제품의 측정 동안 계측 툴로부터 수신되거나, 또는 데이터 저장기로부터 수신될 수 있다. 방법(500)은 블록 310에서 논의된 바와 유사한 방식으로 오차 전환 임계치 Et를 식별하는 단계(블록 510)를 포함한다.

상기 방법(500)은 예측에 대한 품질 Q_n을 식별하는 단계(블록 512)를 포함한다. 예측에 대한 품질 Q_n은 각각의 예측 알고리즘(예를 들어, Q₁, Q₂ 등)과 관련된다. 이러한 메트릭은 Q의 더 높은 값이 더 높은 품질을 나타내도록 정의될 수 있다. 예측에 대한 품질의 이용가능성은 예측기의 사용과 관련된 이력 데이터 및 예측 방법의 함수이다. 방법(500)은 계측 데이터의 각각의 예측(Y'₁, Y'₂,...Y'_n)과 관련된 예측에 대한 품질(Y'n)을 식별하는 단계(블록 514)를 포함한다. Y가 이용가능하고(즉, 실제 계측 측정값이 이용가능함)(블록 516), 오차가 시간이 경과함에 따라 필터링되어 노이즈 영향을 최소화하는 경우, 오차 전환 임계치가 적용된다(블록 515). E > Et인 경우, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c' 항의 "신속한" 조정을 위해 인보크된다(블록 520). 그 후, NIPALS가 더 긴 시간 기간에 걸쳐 VM 수식의 재공식화를 위해 인보크된다(블록 525). 그렇지 않으면, E가 Et보다 크지 않을 경우, 간단한 적응성 기술(예를 들어, EWMA)이 VM 'c' 항의 조정을 위해 인보크되고(블록 530), 그 후 이 방법은 Y'=Y를 설정한다(블록 535).

Y가 이용가능하지 않은 경우(즉, 실제 계측 측정값이 이용가능하지 않음), 상기 방법은 가중치들이 각각의 예측의 품질의 함수인 예측들의 정규화된 가중된 계산을 수행한다(블록 540). 정규화된 가중된 계산은 다음과 같다.

도 6은 본 발명의 실시예들이 동작할 수 있는 장비 엔지니어링 시스템(EES)의 예시적인 아키텍처를 도시한다. 일 실시예에서, 장비 엔지니어링 시스템(EES)(600)은 본 개시의 방법들이 통합되는 어플라이드(Applied) E3^TM APC 인프라구조로 구현된다. EES(600)는 웹 서비스들에 인터페이스를 제공하는 E3 애플리케이션 어댑터(610)를 레버리지한다. VM 모듈(620)은 웹 서비스들을 통해 통합될 수 있다. 이러한 VM 모듈(620) 통합 방식은 신속한 시제품화, 주문제작화, 및 기술 이전을 가능하게 한다. VM 모듈(620)은, EES(600)가 적응성 가상 계측을 위한 예측 알고리즘들을 사용 및 결정할 수 있게 하는 예측 알고리즘 전환 모듈(622)을 포함한다.

어댑터(610)는 전략 엔진(630), 클라이언트 핸들러(640), 데이터 서비스 제공자(650) 및 로그 서브(660)와 통신한다. 전략 엔진(630)은 일반 블록들(631), 런 투 런 블록들(632), FD 블록들(633), EPT 블록들(634) 및 커스텀 블록들(635)을 포함한다. FD 블록들(633)은 FD 데이터를 획득한다. 런 투 런 블록들(632)은 미리 구성된 R2R 모델들을 포함한다. EPT 블록들(634)은 장비 성능 트래킹 정보를 획득한다. 데이터 액세스 계층(670)은 데이터베이스(680)(예를 들어, 오라클 데이터베이스)에의 액세스를 제공한다. 이러한 데이터베이스(680)는 프로세스 데이터, FDC/EPT/R2R 데이터, 제어 규칙들, 및 데이터 수집 계획들을 포함한다. 발견 매니저(690)는 시스템에 통합된 능력을 식별하기 위한 발견 특징들을 제공한다. 전략 엔진은 수용된 이벤트들에 응답하여 특정 목적들을 달성하기 위해 "전략"에 관해 블록들의 상호동작을 관리하는데 사용된다.

예를 들어, 웨이퍼 대 웨이퍼(W2W) 제어를 위해, 전략 엔진(630)에 의해 하우징된 전략으로서, FD 블록들(633)로 공식화되고, 데이터베이스(680)에 저장되는 FD 구현으로부터의 FD 출력들을 포착하고, VM 출력들의 계산을 위한 (웹-서비스 어댑터(610)를 통해 통합되는) VM 모듈(620) 내 VM 공식화부에 이러한 정보를 전송하고, 데이터베이스에 저장된 VM 공식화 출력을 리트리브(retrieve)하며, 이를 R2R 블록(632)으로 실현되는 W2W 구현부로 라우팅하는 것이 구상될 수 있다. 수집된 계측 데이터는 VM 모델들을 업데이트하는데 사용된다.

일부 실시예들에서, VM은 W2W 제어를 위해, "갭들 내 충전(fill)"하도록 사용될 수 있다. 일 실시예의 계측 표 A는 이용가능한 단 2개의 데이터 값들(예를 들어, 웨이퍼 카세트 내의 2개의 웨이퍼들)을 갖는다. 각각의 값의 수는 웨이퍼들 또는 기판들의 그룹 내의 주어진 웨이퍼 또는 기판에 대한 데이터를 나타낸다. 다른 웨이퍼들 또는 기판들에 대해서는 어떤 값들도 이용가능하지 않다.

계측 표 A

일 실시예의 계측 표 B는 표 A와 동일한 2개의 데이터 값들(음영 값들)을 포함하고, 부가적으로 계측 데이터가 다른 웨이퍼들 또는 기판들에 대해 이용가능하지 않을 시에 예측된 값들(음영 처리되지 않은 값들)을 포함한다.

계측 표 B

품질 표시자 표 C는 각각의 웨이퍼 또는 기판에 대한 예측의 품질을 나타낸다. 예를 들어, 실제 데이터 값은 품질 값 1을 갖는 반면(계측 측정 툴 정확성이 상기 정보를 소비하는 에플리케이션에 대해 높다고 가정하는 경우), 예측 데이터 값들은 1 미만의 품질 값을 갖는다.

품질 표 C

본 개시는, 다중 적응성 예측 알고리즘들 사이를 전환하거나, 또는 독립적으로 전개될 수 있는 가중된 애플리케이션 해결책 및 예측 품질 전환 해결책들을 개선하기 위해, 다중 적응성 예측 알고리즘들의 가중된 애플리케이션을 갖는 예측 알고리즘을 결정하기 위한 방법들 및 장치들을 제공한다.

전환 해결책들은 더 정확하고, 안정되며, 신뢰할 수 있는 예측들을 갖는 더 견고한 예측 해결책을 제공한다. 새로운 예측 알고리즘들로서 예측들을 개선하기 위한 확장가능한 해결책은 전환 및 가중된 애플리케이션들 양자를 위해 도입된다.

도 3 및 도 4는 실제 계측 데이터가 이용가능할 시에, 이들 예측들의 실제 정확성에 기초하여, 전환 방식에서 레버리지되는 다중 알고리즘들을 갖는 방법들을 도시한다. 정확성은 계측 벡터에 대해 최소 자승 거리 방식으로 계산되거나, 또는 각각의 계측 속성에 대해 개별적으로 계산되거나, 또는 사용자에 의해 적절한 것으로 간주되는 임의의 다른 방식으로 계산될 수 있다. 도 5는, 이러한 계측 데이터가 이용가능하지 않을 시에, 다중 알고리즘들이 계측 데이터를 예측하기 위해 함께 사용되는 이들 방법들의 개선을 도시한다. 도 5는 계측 데이터가 이용가능할 시에, 도 3 또는 도 4의 전환 방법을 인보크하지만, 도 5는 또한 계측 데이터가 이용가능하지 않을 시에 사용된다. 도 5의 방법은 공통의 메트릭으로 표현된 개별 방법 예측들의 품질의 계산을 요구한다. 이 방법은 각각의 알고리즘으로부터의 기여들의 정규화로서 표현되었지만, 이것은 필수적이지 않다.

도 7은 기계가 본 명세서에 논의된 방법들 중 임의의 하나 또는 둘 이상을 수행할 수 있게 하기 위해 명령들의 세트가 실행될 수 있는 예시적인 형태의 컴퓨터 시스템(700) 내의 기계의 도식적 표현을 도시한다. 대안적인 실시예들에서, 기계는 근거리 통신망(LAN), 인트라넷, 엑스트라넷 또는 인터넷으로 다른 기계들에 접속(예를 들어, 네트워킹)될 수 있다. 기계는, 클라이언트-서버 네트워크 환경에서 서버 또는 클라이언트 기계의 자격으로 동작하거나, 또는 피어 투 피어(peer to peer)(또는 분산형) 네트워크 환경에서 피어 기계로서 동작할 수 있다. 기계는 개인용 컴퓨터(PC), 테이블 PC, 셋톱 박스(STB), 개인 휴대 정보 단말기(PDA), 셀룰러 전화, 웹 기기, 서버, 네트워크 라우터, 스위치 또는 브리지, 또는 상기 기계에 의해 취해질 동작들을 특정하는 (순차적이거나 또는 다른 방식의) 명령들의 세트를 실행할 수 있는 임의의 기계일 수 있다. 또한, 단일 기계만이 도시되어 있지만, "기계"라는 용어는 또한, 본 명세서에 논의된 방법들 중 임의의 하나 또는 둘 이상을 수행하도록 명령들의 세트(또는 다수의 세트들)를 개별적으로 또는 공동으로 실행하는 임의의 기계들(예를 들어, 컴퓨터들)의 집합을 포함하는 것으로 취급되어야 한다.

예시적인 컴퓨터 시스템(700)은 프로세서(702), 메인 메모리(704)(예를 들어, 판독 전용 메모리(ROM), 플래시 메모리, 동기식 DRAM(SDRAM) 또는 램버스 DRAM(RDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM) 등), 정적 메모리(706)(예를 들어, 플래시 메모리, 정적 랜덤 액세스 메모리(SRAM) 등), 및 보조 메모리(718)(예를 들어, 데이터 저장 디바이스)를 포함하고, 이들은 버스(730)를 통해 서로 통신한다.

프로세서(702)는 마이크로프로세서, 중앙 처리 장치 등과 같은 하나 또는 둘 이상의 범용 프로세싱 디바이스들을 나타낸다. 보다 상세하게, 프로세서(702)는 복잡한 명령 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령 세트 컴퓨팅(RISC) 마이크로프로세서, 매우 긴 명령어(VLIW) 마이크로프로세서, 다른 명령 세트들을 구현하는 프로세서, 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세서(702)는 또한, 주문형 집적 회로(ASIC), 필드 프로그램가능 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서 등과 같은 하나 또는 둘 이상의 특수 목적 프로세싱 디바이스들일 수도 있다. 프로세서(702)는 본 명세서에 논의된 동작들 및 단계들을 수행하기 위한 프로세싱 로직(726)을 실행하도록 구성된다.

컴퓨터 시스템(700)은 네트워크 인터페이스 디바이스(708)를 더 포함할 수 있다. 컴퓨터 시스템(700)은 또한, 비디오 디스플레이 유닛(710)(예를 들어, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자 입력 디바이스(712)(예를 들어, 키보드), 커서 제어 디바이스(714)(예를 들어, 마우스) 및 신호 발생 디바이스(716)(예를 들어, 스피커)를 포함할 수도 있다.

보조 메모리(718)는 본 명세서에 설명된 방법들 또는 기능들 중 임의의 하나 또는 둘 이상을 구현하는 하나 또는 둘 이상의 명령 세트들(예를 들어, 소프트웨어(722))가 저장되는 기계-판독가능한 저장 매체(또는 더 구체적으로는, 컴퓨터 판독가능한 저장 매체)(731)를 포함할 수 있다. 소프트웨어(722)는, 기계 판독가능한 저장 매체를 또한 구성하는 컴퓨터 시스템(700), 메인 메모리(704) 및 프로세싱 디바이스(702)에 의한 그의 실행 동안, 메인 메모리(704) 내에 그리고/또는 프로세싱 디바이스(702) 내에 완전히 또는 적어도 부분적으로 상주할 수 있다. 소프트웨어(722)는 네트워크 인터페이스 디바이스(708)를 경유하여 네트워크(720)를 통해 추가로 송신 또는 수신될 수 있다.

기계 판독가능한 저장 매체(731)는 또한, 생산량 관리 시스템(YMS)(120), 장비 엔지니어링 시스템(EES)(105) 및/또는 제조 실행 시스템(MES)(110)(도 1을 참조하여 설명됨) 중 하나 또는 둘 이상의 서브시스템들, 및/또는 YMS, EES 및/또는 MES의 서브시스템들을 호출하는 방법들을 포함하는 소프트웨어 라이브러리를 저장하는데 사용될 수도 있다. 기계 판독가능한 저장 매체(731)는 추가로, 결정 지원 로직 컴포넌트, 실시간 모니터, 및/또는 실행 로직 컴포넌트와 같은 제조 정보 및 제어 시스템(MICS)의 하나 또는 둘 이상의 추가 컴포넌트들을 저장하는데 사용될 수 있다. 기계 판독가능한 저장 매체(731)는 예시적인 실시예에서 단일 매체인 것으로 도시되지만, "기계 판독가능한 저장 매체"라는 용어는 하나 또는 둘 이상의 명령 세트들을 저장하는 단일 매체 또는 다중 매체(예를 들어, 중앙 집중화 또는 분포형 데이터베이스, 및/또는 관련 캐시들 및 서버들)를 포함하는 것으로 취급되어야 한다. "기계 판독가능한 저장 매체"라는 용어는 또한, 기계에 의한 실행을 위한 명령들의 세트를 저장 또는 인코딩할 수 있고, 기계가 본 발명의 방법들 중 임의의 하나 또는 둘 이상을 수행할 수 있게 하는 임의의 매체를 포함하는 것으로 취급되어야 한다. 따라서, "기계 판독가능한 저장 매체"라는 용어는 고체 상태 메모리들, 광학 및 자기 매체를 포함(그러나, 이에 한정되는 것은 아님)하는 것으로 취급되어야 한다.

이상의 설명은 제한이 아닌 예시를 위한 것으로 의도됨이 이해될 것이다. 전술한 설명을 판독 및 이해할 시에, 많은 다른 실시예들이 당업자에게 명백해질 것이다. 비록, 본 발명은 특정한 예시적인 실시예들을 참조하여 설명되었지만, 본 발명은 설명된 실시예들에 한정되지 않고, 첨부된 청구항들의 사상 및 범주 내의 변형 및 개조를 통해 실시될 수 있다는 것이 인지될 것이다. 따라서, 발명의 상세한 설명 및 도면들은 제한적인 의미보다는 예시적인 의미로 간주될 것이다. 따라서, 본 발명의 범주는 첨부된 청구항들을 참조하여, 이러한 청구항들이 부여하는 등가물들의 전체 범주에 따라 결정되어야 한다.

Claims

프로세서 및 메모리를 포함하는 컴퓨터로 구현되는 방법으로서,
복수의 예측 알고리즘들을 식별하는 단계;
계측 데이터의 예측들과 실제 계측 데이터 사이의 비교에 기초하여 오차 전환 임계치를 식별하는 단계;
상기 오차 전환 임계치에 기초하여 제조 설비에서 하나 또는 그 초과의 가상 계측 변수들을 예측하기 위해 제1 적응성 예측 알고리즘, 제2 적응성 예측 알고리즘, 또는 제1 및 제2 적응성 예측 알고리즘 모두를 인보크(invoke)할 시기를 결정하는 단계;
오차가 상기 오차 전환 임계치보다 큰 경우, 가상 계측 예측 수식(virtual metrology prediction equation)의 영차항(zero'th order term)인 제1 성분 벡터를 업데이트하기 위해 상기 제1 적응성 예측 알고리즘을 인보크하는 단계; 및
상기 제1 성분 벡터 및 상기 가상 계측 예측 수식의 행렬을 나타내는 제2 성분 벡터를 업데이트하기 위해 후속적으로 상기 제2 적응성 예측 알고리즘을 인보크하는 단계 ― 상기 제1 적응성 예측 알고리즘과 상기 제2 적응성 예측 알고리즘은 상이하고, 상기 가상 계측 예측 수식은 입력 인자에 기초한 예측된 출력, 상기 제1 성분 벡터, 및 상기 제2 성분 벡터를 포함함 ―
를 포함하는,
컴퓨터로 구현되는 방법.
제 1 항에 있어서,
계측 데이터의 예측들과 실제 계측 측정 데이터 사이의 차이인 오차가 상기 오차 전환 임계치보다 큰지를 결정하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제 2 항에 있어서,
상기 오차가 상기 오차 전환 임계치보다 작거나 또는 동일한 경우, 상기 제1 적응성 예측 알고리즘을 인보크하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제 1 항에 있어서,
계측 데이터의 예측들 및 실제 계측 측정 데이터에 기초한 품질 임계치를 식별하는 단계;
상기 실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측 알고리즘에 대한 예측에 대한 품질과 상기 품질 임계치를 비교하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제 4 항에 있어서,
상기 예측에 대한 품질이 상기 품질 임계치보다 큰 경우, 상기 제2 적응성 예측 알고리즘을 인보크하는 단계; 및
상기 예측에 대한 품질이 상기 품질 임계치보다 작거나 동일한 경우, 상기 제1 적응성 예측 알고리즘을 인보크하는 단계를 더 포함하는,
컴퓨터로 구현되는 방법.
제 1 항에 있어서,
각각의 예측 알고리즘에 대한 예측에 대한 품질을 식별하는 단계;
각각의 예측에 대한 예측에 대한 품질을 식별하는 단계; 및
실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측들의 정규화된 가중된(weighted) 계산을 수행하는 단계를 더 포함하며,
가중치(weight)들은 각각의 예측 알고리즘에 대한 예측에 대한 품질의 함수인,
컴퓨터로 구현되는 방법.
프로세서로 하여금 동작들을 수행하게 하기 위한 실행가능한 명령들을 포함하는 컴퓨터 판독가능한 비 일시적인 저장 매체로서, 상기 명령들은,
복수의 예측 알고리즘들을 식별하는 명령들; 및
계측 데이터의 예측들과 실제 계측 데이터 사이의 비교에 기초하여 오차 전환 임계치를 식별하는 명령들;
상기 오차 전환 임계치에 기초하여 제조 설비에서 하나 또는 그 초과의 가상 계측 변수들을 예측하기 위해 제1 적응성 예측 알고리즘, 제2 적응성 예측 알고리즘, 또는 제1 및 제2 적응성 예측 알고리즘 모두를 인보크할 시기를 결정하는 명령들;
오차가 상기 오차 전환 임계치보다 큰 경우, 가상 계측 예측 수식의 영차항인 제1 성분 벡터를 업데이트하기 위해 상기 제1 적응성 예측 알고리즘을 인보크하는 명령들; 및
상기 제1 성분 벡터 및 상기 가상 계측 예측 수식의 행렬을 나타내는 제2 성분 벡터를 업데이트하기 위해 후속적으로 상기 제2 적응성 예측 알고리즘을 인보크하는 명령들 ― 상기 제1 적응성 예측 알고리즘과 상기 제2 적응성 예측 알고리즘은 상이하고, 상기 가상 계측 예측 수식은 입력 인자에 기초한 예측된 출력, 상기 제1 성분 벡터, 및 상기 제2 성분 벡터를 포함함 ―
을 포함하는,
컴퓨터 판독가능한 비 일시적인 저장 매체.
제 7 항에 있어서,
계측 데이터의 예측들과 실제 계측 측정 데이터 사이의 차이인 오차가 상기 오차 전환 임계치보다 큰지를 결정하는 명령들을 더 포함하는,
컴퓨터 판독가능한 비 일시적인 저장 매체.
제 8 항에 있어서,
상기 오차가 상기 오차 전환 임계치보다 작거나 또는 동일한 경우, 제1 적응성 예측 알고리즘을 인보크하는 명령들을 더 포함하는,
컴퓨터 판독가능한 비 일시적인 저장 매체.
제 7 항에 있어서,
계측 데이터의 예측들 및 실제 계측 측정 데이터에 기초한 품질 임계치를 식별하는 명령들;
상기 실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측 알고리즘에 대한 예측에 대한 품질과 상기 품질 임계치를 비교하는 명령들을 더 포함하는,
컴퓨터 판독가능한 비 일시적인 저장 매체.
제 10 항에 있어서,
상기 예측에 대한 품질이 상기 품질 임계치보다 큰 경우, 상기 제2 적응성 예측 알고리즘을 인보크하는 명령들; 및
상기 예측에 대한 품질이 상기 품질 임계치보다 작거나 또는 동일한 경우, 상기 제1 적응성 예측 알고리즘을 인보크하는 명령들을 더 포함하는,
컴퓨터 판독가능한 비 일시적인 저장 매체.
제 7 항에 있어서,
각각의 예측 알고리즘에 대한 예측에 대한 품질을 식별하는 명령들;
각각의 예측에 대한 예측에 대한 품질을 식별하는 명령들;
실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측들의 정규화된 가중된 계산을 수행하는 명령들을 더 포함하며,
가중치들은 각각의 예측 알고리즘에 대한 예측에 대한 품질의 함수인,
컴퓨터 판독가능한 비 일시적인 저장 매체.
컴퓨터 시스템으로서,
메모리; 및
상기 메모리에 결합되는 프로세서를 포함하며,
상기 프로세서는,
복수의 예측 알고리즘들 중 하나 또는 그 초과의 알고리즘을 식별하고;
계측 데이터의 예측들과 실제 계측 데이터 사이의 비교에 기초하여 오차 전환 임계치를 식별하고;
상기 오차 전환 임계치에 기초하여 제조 설비에서 하나 또는 그 초과의 가상 계측 변수들을 예측하기 위해 제1 적응성 예측 알고리즘, 제2 적응성 예측 알고리즘, 또는 제1 및 제2 적응성 예측 알고리즘 모두를 인보크할 시기를 결정하고;
오차가 상기 오차 전환 임계치보다 큰 경우, 가상 계측 예측 수식의 영차항인 제1 성분 벡터를 업데이트하기 위해 상기 제1 적응성 예측 알고리즘을 인보크하고; 그리고
상기 제1 성분 벡터 및 상기 가상 계측 예측 수식의 행렬을 나타내는 제2 성분 벡터를 업데이트하기 위해 후속적으로 상기 제2 적응성 예측 알고리즘을 인보크하는 ― 상기 제1 적응성 예측 알고리즘과 상기 제2 적응성 예측 알고리즘은 상이하고, 상기 가상 계측 예측 수식은 입력 인자에 기초한 예측된 출력, 상기 제1 성분 벡터, 및 상기 제2 성분 벡터를 포함함 ―,
컴퓨터 시스템.
제 13 항에 있어서,
상기 프로세서는 추가로,
계측 데이터의 예측들과 실제 계측 측정 데이터 사이의 차이인 오차가 상기 오차 전환 임계치보다 큰지를 결정하는,
컴퓨터 시스템.
제 14 항에 있어서,
상기 프로세서는 추가로,
상기 오차가 상기 오차 전환 임계치보다 작거나 또는 동일한 경우, 상기 제1 적응성 예측 알고리즘을 인보크하는,
컴퓨터 시스템.
제 13 항에 있어서,
상기 프로세서는 추가로,
계측 데이터의 예측들 및 실제 계측 측정 데이터에 기초한 품질 임계치를 식별하고;
상기 실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측 알고리즘에 대한 예측에 대한 품질과 상기 품질 임계치를 비교하고;
상기 예측에 대한 품질이 상기 품질 임계치보다 큰 경우, 상기 제2 적응성 예측 알고리즘을 인보크하며; 그리고
상기 예측에 대한 품질이 상기 품질 임계치보다 작거나 또는 동일한 경우, 상기 제1 적응성 예측 알고리즘을 인보크하는,
컴퓨터 시스템.
제 13 항에 있어서,
상기 프로세서는 추가로,
각각의 예측 알고리즘에 대한 예측에 대한 품질을 식별하고;
각각의 예측에 대한 예측에 대한 품질을 식별하며; 그리고
실제 계측 측정 데이터가 이용가능하지 않은 경우, 예측들의 정규화된 가중된 계산을 수행하며,
가중치들은 각각의 예측 알고리즘에 대한 각각의 예측에 대한 품질의 함수인,
컴퓨터 시스템.