KR102376824B1

KR102376824B1 - 제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법

Info

Publication number: KR102376824B1
Application number: KR1020167017792A
Authority: KR
Inventors: 수케시 자눕하이 파텔; 산지브 카우살
Original assignee: 도쿄엘렉트론가부시키가이샤
Priority date: 2013-12-05
Filing date: 2014-12-04
Publication date: 2022-03-21
Also published as: WO2015085122A1; US10635993B2; KR20160094426A; JP2017504872A; TWI648764B; US20150161520A1; US20160307116A1; JP6731341B2; US9396443B2; TW201532120A

Abstract

반도체 제조에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 시스템 및 방법이 제공된다. 학습 컴포넌트는 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성한다. 학습 컴포넌트는 또한 후보 공정 모델들의 세트로부터 최저 오차와 연관된 특정 공정 모델을 선택한다. 최적화 컴포넌트는 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성한다. 최적화 컴포넌트는 또한 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택한다.

Description

제조 공정들을 학습하고 제조 공정들을 최적화하기 위한 시스템 및 방법{SYSTEM AND METHOD FOR LEARNING MANUFACTURING PROCESSES AND OPTIMIZING MANUFACTURING PROCESSES}

본 출원은 “SYSTEM AND METHOD FOR LEARNING AND/OR OPTIMIZING MANUFACTURING PROCESSES”이라는 명칭으로 2013년 12월 5일에 출원된 미국 출원 제14/097,907호의 우선권을 청구하며, 이 미국 출원의 전체 내용은 참조로서 본 명세서 내에 병합된다.

설명되고 청구된 발명내용은 일반적으로 제조 공정들을 학습하고/학습하거나 최적화하기 위한 기술들에 관한 것이다.

기술적인 진보들은 점차 복잡해지는 공정 구동 자동화 장비를 이끌어 왔다. 특정 목표를 달성하거나 또는 특정한 고도의 기술적 공정을 수행하기 위한 툴 시스템은 목표에 도달하거나 또는 공정을 성공적으로 실행하기 위한 다중 기능 엘리먼트들과, 장비의 동작을 모니터하기 위해 데이터를 수집하는 다양한 센서들을 통상적으로 병합할 수 있다. 이러한 자동화 장비는 많은 양의 데이터를 생성할 수 있다. 데이터는 특정 태스크의 일부로서 수행된 서비스 또는 제품에 관한 정보 및/또는 공정에 관한 상당한 크기의 로그 정보를 포함할 수 있다. 예를 들어, 공정 데이터 및/또는 계측 데이터가 제조 공정 동안에 수집되고/수집되거나 하나 이상의 데이터 세트들 내에 저장될 수 있다.

현대의 전자 저장 기술들은 끊임없이 증가하는 데이터 양을 보관할 수는 있지만, 누적된 데이터의 활용은 최적화로부터는 멀리 떨어져 있다. 수집된 정보의 조사 및 해석은 일반적으로 사람의 개입을 요구한다. 또한, 수집된 정보는 획득하기가 제한되고/제한되거나 비용이 비쌀 수 있다. 예를 들어, 반도체 제조 툴을 이용한 공정은 17시간(예컨대, 61,200초) 동안 운용될 수 있다. 공정 동안, 반도체 제조 툴은 예컨대, 수 백개의 센서들을 통해 매 초마다 센서 측정치들을 출력할 수 있다. 따라서, 출력된 센서 측정치들을 포함한 방대한 데이터 세트들이 나중에 공정 개발 및/또는 고장처리 활동들 동안에 (예컨대, 공정 엔지니어들에 의해) 수동적으로 연구되어야 한다. 또한, 반도체 제조 툴에 관한 공정이 종료될 때, 반도체 제조 툴에 의해 생성된 여러 개의 웨이퍼들의 품질들(예컨대, 두께, 입자 수)이 (예컨대, 제조 엔지니어들에 의해) 수동적으로 측정되어야 한다.

오늘날의 제조 시스템들의 상술한 결함들은 단지 종래 시스템들의 문제점들 중 일부만의 개관을 제공하려고 의도한 것일 뿐이며, 망라적임을 의도한 것은 아니다. 종래 시스템들에 대한 다른 문제점들 및 본 명세서에서 기술되는 다양한 비제한적인 실시예들의 대응하는 장점들은 아래의 상세한 설명의 검토시에 더욱 더 명백해질 수 있다.

미국 특허출원공개공보 제2008-0183311호

이하에서는 본 명세서의 몇몇의 양태들의 기본적인 이해를 제공하기 위해 본 명세서의 간략화된 요약을 제공한다. 이 요약은 본 명세서의 망라적인 개관은 아니다. 본 요약은 본 명세서의 중요하거나 또는 중대한 엘리먼트들을 식별하고자 의도된 것은 아니며, 또한 본 명세서의 특정 구현들의 임의의 범위 또는 청구항들의 임의의 범위를 정하고자 의도된 것도 아니다. 본 요약의 유일한 목적은 이후에 제공되는 보다 상세한 설명에 대한 도입부로서 간략화된 형태로 본 명세서의 몇몇 개념들을 제공하는 것이다.

구현예에 따르면, 시스템은 학습 컴포넌트와 최적화 컴포넌트를 포함한다. 학습 컴포넌트는 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하고, 이 후보 공정 모델들의 세트로부터 최저 오차와 연관이 있는 특정 공정 모델을 선택한다. 최적화 컴포넌트는 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하고, 이 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택한다.

다른 구현예에 따르면, 방법은 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하는 단계, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값을 생성하는 단계, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델과 연관된 품질값에 기초하여 후보 공정 모델들의 세트로부터 특정 공정 모델을 선택하는 단계, 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하는 단계, 및 이 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택하는 단계를 제공한다.

또다른 구현예에 따르면, 프로세서를 포함한 시스템에 의한 실행에 응답하여, 시스템으로 하여금 동작들을 수행하게 하는 컴퓨터로 실행가능한 명령어들이 저장되어 있는 컴퓨터로 판독가능한 매체로서, 상기 동작들은, 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하는 동작, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들에 대한 품질값을 생성하는 동작, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들과 연관된 품질값에 기초하여 후보 공정 모델들의 세트로부터 특정 공정 모델을 선택하는 동작, 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하는 동작, 및 이 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택하는 동작을 포함한다.

아래의 설명 및 첨부된 도면들은 본 명세서의 일정한 예시적인 양태들을 설명한다. 하지만, 이러한 양태들은 본 명세서의 원리들이 활용될 수 있는 다양한 방법들 중 몇 개만을 나타낸 것이다. 본 명세서의 다른 장점들 및 신규한 특징들은 도면들을 참조하여 고려할 때 본 명세서의 아래의 상세한 설명으로부터 명백해질 것이다.

도 1은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 반도체 생산에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 예시적인 시스템을 나타내는 블록도이다.
도 2는 여기서 설명된 다양한 양태들 및 구현예들에 따른, 예시적인 학습 컴포넌트를 나타내는 블록도이다.
도 3은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 예시적인 최적화 컴포넌트를 나타내는 블록도이다.
도 4는 여기서 설명된 다양한 양태들 및 구현예들에 따른, 숏 텀 메모리(short term memory)를 포함하는 반도체 생산에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 예시적인 시스템을 나타내는 블록도이다.
도 5는 여기서 설명된 다양한 양태들 및 구현예들에 따른, 사용자 입력에 기초한 반도체 생산에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 예시적인 시스템을 나타내는 블록도이다.
도 6은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 예시적인 데이터 매트릭스(data matrix)를 나타낸다.
도 7은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 후보 공정 모델들의 예시적인 순위를 나타낸다.
도 8은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 후보 솔루션들의 예시적인 순위를 나타낸다.
도 9는 여기서 설명된 다양한 양태들 및 구현예들에 따른, 반도체 제조 시스템에서의 공정들을 학습하고, 제어하고/제어하거나 최적화하기 위한 예시적인 방법의 흐름도이다.
도 10은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 반도체 제조 시스템에서의 공정들을 학습하기 위한 예시적인 방법의 흐름도이다.
도 11은 여기서 설명된 다양한 양태들 및 구현예들에 따른, 반도체 제조 시스템에서의 공정들을 제어하고/제어하거나 최적화하기 위한 예시적인 방법의 흐름도이다.
도 12는 적절한 동작 환경을 나타내는 개략적인 블록도이다.
도 13은 샘플 컴퓨팅 환경의 개략적인 블록도이다.

이제부터 본 발명개시의 다양한 양태들을 도면을 참조하여 설명하며, 도면에서 동일한 참조번호들은 명세서 전반에 걸쳐 동일한 엘리먼트들을 지칭하기 위해 사용된다. 아래의 설명에서, 해설을 목적으로, 하나 이상의 양태들의 완전한 이해를 제공하기 위해 다수의 특정 세부사항들이 설명된다. 하지만, 본 발명개시의 일정한 양태들은 이러한 특정 세부사항들없이, 또는 다른 방법, 컴포넌트, 물질 등과 함께 실시될 수 있다는 것을 이해해야 한다. 다른 예시들에서, 하나 이상의 양태들의 설명을 용이하게 하기 위해 주지된 구조물들 및 디바이스들이 블록도 형태로 도시된다.

기술적인 진보들은 점차 복잡해지는 공정 구동 자동화 장비를 이끌어 왔다. 특정 목표를 달성하거나 또는 특정한 고도의 기술적 공정을 수행하기 위한 툴 시스템은 목표를 달성하거나 또는 공정을 성공적으로 실행하기 위한 다중 기능 엘리먼트들과, 장비의 동작을 모니터하기 위해 데이터를 수집하는 다양한 센서들을 통상적으로 병합할 수 있다. 이러한 자동화 장비는 많은 양의 데이터를 생성할 수 있다. 데이터는 특정 태스크의 일부로서 수행된 서비스 또는 제품에 관한 상당한 정보 및/또는 하나 이상의 공정들에 관한 상당한 크기의 로그 정보를 포함할 수 있다. 현대의 전자 저장 기술들은 끊임없이 증가하는 데이터 양을 보관할 수는 있지만, 누적된 데이터의 활용은 최적화로부터는 멀리 떨어져 있다. 수집된 정보의 조사 및 해석은 일반적으로 사람의 개입을 요구한다. 또한, 수집된 정보는 획득하기가 제한되고/제한되거나 비용이 비쌀 수 있다.

이를 위해, 제조(예컨대, 반도체 제조)에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 기술들이 개시된다. 예를 들어, 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트가 생성될 수 있다. 또한, 후보 공정 모델들의 세트로부터 최저 오차와 연관된 특정 공정 모델이 선택될 수 있다. 이에 따라, 특정 공정 모델과 연관된 후보 솔루션들의 세트가 생성될 수 있다. 또한, 이 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션이 선택될 수 있다. 이에 따라, 점증 학습(incremental learning) 및/또는 점증 최적화(incremental optimization)를 지속적으로 제공함으로써 공정 데이터의 양 및/또는 공정 데이터의 품질이 향상될 수 있다. 또한, 공정 데이터를 획득하는 비용은 감소될 수 있다. 그러므로, 제조 툴들의 출력 결과들은 시간 경과에 따라 지속적으로 향상될 수 있다. 일 양태에서, 숏 텀 메모리(예컨대, 숏 텀 모델 메모리)는 하나 이상의 공정 모델들을 저장하도록 구현될 수 있다. 추가적으로 또는 대안적으로, 다른 숏 텀 메모리(예컨대, 숏 텀 최적화 메모리)는 하나 이상의 솔루션들(예컨대, 하나 이상의 공정 설정들)을 저장하도록 구현될 수 있다.

처음에 도 1을 참조하면, 본 발명개시의 양태에 따른, 제조(예컨대, 반도체 생산)에 관한 공정들을 학습하고/학습하거나 최적화하기 위한 예시적인 시스템(100)이 나타난다. 시스템(100)은 제조 툴(들)(110), 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140), 유지보수 모니터링 장비(150), 보고 컴포넌트(160), 및 분석 컴포넌트(170)를 포함할 수 있다. 분석 컴포넌트(170)는 학습 컴포넌트(180)와 최적화 컴포넌트(190)를 포함할 수 있다. 제조 툴(들)(110)은 제조(예컨대, 반도체 제조)를 위한 하나 이상의 툴들 및/또는 하나 이상의 챔버들을 포함할 수 있다. 일 양태에서, 제조 툴(들)(110)은 반도체 제조 시스템과 연관될 수 있다. 예를 들어, 도 1에서 도시된 바와 같이, 제조 툴(들)(110)은 입력 웨이퍼들(102)을 수신하고 처리된 웨이퍼들(104)을 출력할 수 있다. 하지만, 제조 툴(들)(110)은 상이한 유형의 자산을 수신하고/수신하거나 생성할 수 있다는 것을 알아야 한다. 비제한적인 예시적인 실시예에서, 제조 툴(들)(110)은, 공동(cavity)들과 피처(feature)들이 형성되어 있는 처리 웨이퍼들(104)을 생성하기 위해, 에칭 공정(예컨대, 습식 에칭, 건식 에칭, 플라즈마 에칭 등)을 통해 입력 웨이퍼들(102)로부터 무마스크 물질을 제거하는 에칭 툴일 수 있다. 제조 툴(들)(110)은 또한 처리 웨이퍼들(104)을 산출시키기 위해 입력 웨이퍼들(102) 상에 물질을 퇴적시키는 퇴적 툴(예컨대, 원자층 증착, 화학적 기상 증착 등)일 수 있다. 하지만, 제조 툴(들)(110)은 상이한 유형의 제조 시스템과 연관될 수 있다는 것을 알아야 한다.

분광기(120), 툴 센서들(130), 디바이스 측정 장비(140), 및/또는 유지보수 모니터링 장비(150)와 같은, 다양한 측정 디바이스들은 다양한 양태들, 조건들, 또는 공정의 결과들에 관한 이질적인 정보를 획득하기 위해 제조 툴(들)(110)에 의해 수행된 하나 이상의 공정들을 모니터링할 수 있다. 예시로서, 분광기(120)는 스펙트럼 데이터(예컨대, 스펙트럼 세기 정보)를 획득할 수 있다. 예를 들어, 스펙트럼 데이터는 분광기(120)에 의해 관찰가능한 각각의 파장들 또는 스펙트럼 라인들에 대한 세기들의 세트를 포함할 수 있다. 일례에서, 스펙트럼 데이터는 분광기(120)가 정기적 간격들(예컨대, 매 초, 매 2초, 매 100밀리초 등)에서 각각의 파장들에 대한 세기들을 측정하도록 하기 위한 시계열 데이터를 포함할 수 있다. 분광기(120)는 또한 제조 툴(들)(110)에 의해 처리된 특정 웨이퍼들과 연관된 웨이퍼 ID들을 스펙트럼 데이터와 상관시킬 수 있다. 이에 따라, 분광기(120)는 제조 툴(들)(110)에 의해 처리된 각각의 웨이퍼에 대한 스펙트럼 데이터를 개별적으로 획득할 수 있다.

툴 센서들(130)은 툴 동작 특성들을 모니터링하고/하거나 측정할 수 있는 반면에 제조 툴(들)(110)은 입력 웨이퍼들(102)을 처리한다. 또한, 툴 센서들(130)은 대응하는 센서 측정 데이터를 생성할 수 있다. 분광기(120)에 의해 측정된 스펙트럼 데이터와 마찬가지로, 센서 측정 데이터는 웨이퍼별로 상관된 시계열 데이터일 수 있다. 센서 측정 데이터는 다양한 센서들로부터의 측정치들을 포함할 수 있다. 이러한 측정치들은, 비제한적인 예시로서, 제조 툴(들)(110)의 하나 이상의 챔버들 내의 압력들, 하나 이상의 개별 가스들에 대한 가스 흐름들, 온도들, 상위 무선 주파수(RF) 전력, 최종 습식 세정 이후의 경과된 시간, 툴 부품들의 연령 등을 포함할 수 있다. 일 양태에서, 센서 측정 데이터는 물리적 양들과 연관될 수 있다. 다른 양태에서, 센서 측정 데이터는 가상적 양들과 연관될 수 있다.

디바이스 측정 장비(140)는 디바이스 측정 데이터를 생성할 수 있다. 예를 들어, 디바이스 측정 장비(140)는 웨이퍼들 및/또는 웨이퍼들 상에서 제조된 피처들의 물리적 및 지리학적 특성들을 측정할 수 있다. 예를 들어, 디바이스 측정 장비(140)는 웨이퍼들의 미리 정해진 위치들 또는 영역들에서, DI-CD(development inspection critical dimension), FI-CD(final inspection critical dimension), 에칭 바이어스, 두께 등을 측정할 수 있다. 측정된 특성들은 위치별, 웨이퍼별로 집성될 수 있고 디바이스 측정 정보로서 출력될 수 있다. 웨이퍼들의 특성들은 일반적으로 처리 전 또는 처리 후에 측정된다. 따라서, 디바이스 측정 데이터는 스펙트럼 데이터 및 센서 데이터와 비교하여 상이한 간격으로 획득된 시계열 데이터일 수 있다.

유지보수 모니터링 장비(150)는 제조 툴(들)(110)과 연관된 유지보수 데이터를 획득하고/하거나 생성하도록 구현될 수 있다. 예를 들어, 유지보수 데이터는, 비제한적인 예시로서, 최종 예방 유지보수 이래로 경과된 시간, 제조 툴(들)(110)과 연관된 하나 이상의 컴포넌트들의 연령(예컨대, 컴포넌트와 연관된 생산 시간) 등을 포함할 수 있다.

보고 컴포넌트(160) 및/또는 분석 컴포넌트(170)는 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140) 및/또는 유지보수 모니터링 장비(150)에 의해 획득되고/되거나 생성된 데이터(예컨대, 공정 데이터)를 수신할 수 있다. 일 양태에서, 보고 컴포넌트(160) 및/또는 분석 컴포넌트(170)는 공정 데이터가 생성되는 동안(예컨대, 온라인 모드 동안) 공정 데이터를 수신할 수 있다. 다른 양태에서, 보고 컴포넌트(160) 및/또는 분석 컴포넌트(170)는 제조 툴(들)(110)과 연관된 하나 이상의 공정들의 완료시 공정 데이터를 수신할 수 있다. 일 양태에서, 공정 데이터는 데이터 매트릭스로 통합될 수 있다. 예를 들어, 데이터 매트릭스는 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터, 및/또는 유지보수 데이터를 포함할 수 있다. 다른 양태에서, 데이터 매트릭스(예컨대, 신규 데이터 매트릭스)는 신규 학습 사이클을 개시하기 위해 점증적으로 생성될 수 있다.

일 양태에서, 보고 컴포넌트(160)는 공정 데이터를 정규화할 수 있다. 예를 들어, 보고 컴포넌트(160)는 제조 툴(들)(110)과 연관된 오차를 처리하기 위해 공정 데이터를 정규화할 수 있다. 예를 들어, 보고 컴포넌트(160)는 제조 툴(들)(110) 내에 포함된 상이한 툴들 및/또는 챔버들 내에서의 스펙트럼 라인들의 세기의 측정 오차를 처리하기 위해 스펙트럼 데이터(예컨대, 측정된 세기들)를 정규화할 수 있다. 비제한적인 예시에서, 보고 컴포넌트는 공정 데이터를 정규화하기 위해 제조 툴(들)(110) 내에 포함된 임의적으로 선택된 참조 챔버 또는 참조 툴과 연관된 변수(예컨대, 총 광 세기)를 계산할 수 있다.

하나 이상의 실시예들에서, 공정 데이터는 제조 툴(들)(110)의 각각의 런(run) 동안에 측정된 파라미터 데이터 및/또는 성능 데이터를 기록하는 툴 공정 로그들로부터 유도될 수 있다. 툴 공정 로그들은 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140) 및/또는 유지보수 모니터링 장비(150)로부터의 측정 데이터를 포함할 수 있다. 이러한 툴 공정 로그들 내에 기록된 측정치들은, 비제한적인 예시로서, 센서 판독치들(예컨대, 압력, 온도, 전력 등), 유지보수 관련 판독치들(예컨대, 포커스 링의 연령, 질량 유량 제어기의 연령, 최종적으로 수행된 유지보수 이후의 시간, 최종적인 레지스트의 배치(batch)가 로딩된 이후의 시간 등), 및/또는 툴 및 성능 통계치들(예컨대, 웨이퍼 처리 시간, 화학물질 소모량, 가스 소모량 등)을 포함할 수 있다.

예시적인 시나리오에서, 툴 공정 로그는 제조 툴(들)(110)의 각각의 공정 런의 끝에서 보고 컴포넌트(160)에 의해 생성될 수 있다. 공정 런의 끝에서, 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140) 또는 유지보수 모니터링 장비(150) 중 하나 이상으로부터의 데이터는 보고 컴포넌트(160)에 제공될 수 있고, 보고 컴포넌트(160)는 수집된 데이터를 런을 위한 툴 공정 로그 내에 집성화할 수 있다. 툴 공정 로그는 런 동안에 처리된 단일 반도체 웨이퍼에 대응할 수 있거나, 또는 런 동안에 제조된 반도체들의 배치(batch)에 대응할 수 있다. 그런 후, 툴 공정 로그들은 보고를 위하거나 또는 자료보관을 목적으로 저장될 수 있다. 일 양태에서, 공정 데이터는 보고 컴포넌트(160) 또는 관련 디바이스에 의해 자동적으로 제공될 수 있다. 다른 양태에서, 운영자에 의해 공정 데이터가 분석 컴포넌트(170)에 수동적으로 제공될 수 있다.

전술한 예시는 공정 데이터가 툴 공정 로그들로부터 인출되거나 추출되는 것으로서 설명하였지만, 공정 데이터는 또한 다른 수단들에 의해 분석 컴포넌트(170)에 제공될 수 있다는 것을 알아야 한다. 예를 들어, 몇몇의 실시예들에서, 공정 데이터 모두 또는 그 서브세트가 디바이스들(120, 130, 140, 및/또는 150)로부터 분석 컴포넌트(170)에 직접 제공될 수 있다.

학습 컴포넌트(180)는 제조 툴(들)(110)과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성할 수 있다. 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 수학적 공정 모델(예컨대, 후보 함수)일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 공정 데이터(예컨대, 조정가능한 입력들, 입력 파라미터들 등)의 함수로서의 출력을 위한 수학적 공정 모델을 학습하도록 구현될 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들은 하나 이상의 유전자 알고리즘들(예컨대, 유전자 프로그래밍)을 이용하여 생성될 수 있다. 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들은 곡선 피팅(fitting) 기술을 이용하여 생성될 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 선형 근사, 다중 선형 근사, 다각형 곡선 피팅, 신경망 등을 이용하여 생성될 수 있다. 하지만, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 다른 유형의 기술을 이용하여 생성될 수 있다는 것을 알아야 한다. 또다른 양태에서, 학습 컴포넌트는 신규 공정 데이터(예컨대, 제조 툴(들)(110)과 연관된 신규 런과 연관된 신규 공정 데이터, 제조 툴(들)(110)과 연관된 신규 런과 연관된 신규 단계와 연관된 신규 공정 데이터 등)를 수신한 것에 응답하여 신규 후보 공정 모델들의 세트를 생성할 수 있다.

일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 상이한 양의 공정 데이터와 연관될 수 있다. 예를 들어, 제1 후보 공정 모델은 제1 양의 공정 데이터와 연관될 수 있으며, 제2 후보 공정 모델은 제2 양의 공정 데이터와 연관될 수 있는 식으로 진행된다. 추가적으로 또는 대안적으로, 후보 공정 모델들의 세트 내의 하나 이상의 후보 공정 모델들은 상이한 개수의 파라미터들(예컨대, 입력 파라미터들, 조정가능 입력들 등)과 연관될 수 있다. 예를 들어, 제1 후보 공정 모델은 제1 개수의 파라미터들과 연관될 수 있으며, 제2 후보 공정 모델은 제2 개수의 파라미터들과 연관될 수 있는 식으로 진행된다. 다른 양태에서, 사용자는 각각의 파라미터들(예컨대, 입력 파라미터들, 조정가능 입력들 등)에 대한 범위(예컨대, 최소값, 최대값, 평균값, 표준편차값 등)를 규정할 수 있다.

학습 컴포넌트(180)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값(예컨대, 예측된 성능값)을 생성할 수 있다. 품질값은 대응하는 후보 공정 모델에 대한 예측된 성능의 수치일 수 있다. 예를 들어, 품질값은 후보 공정 모델의 예측된 출력을 후보 공정 모델의 측정된 출력에 비교한 수치일 수 있다. 일 양태에서, 품질값은 평균 제곱 오차(mean squared error; MSE)에 기초하여 생성될 수 있다. 예를 들어, 품질값은 평균 제곱근 오차(root MSE)에 기초하여 생성될 수 있다. 다른 양태에서, 품질값은 상관계수(correlation)에 기초하여 생성될 수 있다. 또다른 양태에서, 품질값은 결정계수(coefficient of determination)(R²)에 기초하여 생성될 수 있다. 하지만, 품질값을 생성하기 위해 다른 유형의 품질 측정이 구현될 수 있다는 것을 이해할 것이다. 일 양태에서, 학습 컴포넌트(180)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질 측정값을 정규화할 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 1/(1-MSE)과 동일할 수 있다.

또한, 학습 컴포넌트(180)는 다양성 값(예컨대, 유사성 값(similarity value), 특이성 값(uniqueness value) 등)을 생성할 수 있다. 다양성 값은 후보 공정 모델들의 세트 내에서의 다른 후보 공정 모델에 대한 후보 공정 모델의 특이성의 수치일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 후보 공정 모델에 의해 생성된 출력값이 후보 공정 모델들의 세트 내의 다른 후보 공정 모델들에 의해 생성된 다른 출력값들과 비교되어질 수 있다. 일례에서, 후보 공정 모델의 출력이 다른 후보 공정 모델의 출력과 동일할 때 다양성 값은 0과 동일할 수 있다. 일 양태에서, 다양성 값은 코사인 함수에 기초하여 생성될 수 있다(예컨대, 제1 출력 벡터는 후보 공정 모델과 연관이 있고, 제2 출력 벡터는 다른 후보 공정 모델과 연관이 있다). 다른 양태에서, 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)에 기초하여 생성될 수 있다. 다른 양태에서, 다양성 값은 역 유사성(inverse of similarity) 측정치에 기초하여 생성될 수 있다. 하지만, 다양성 값을 생성하기 위해 다른 유형의 다양성 측정(예컨대, 유사성 측정)이 구현될 수 있다는 것을 이해할 것이다.

학습 컴포넌트(180)는 최고 품질을 갖는 특정 후보 공정 모델(예컨대, 최고 품질 공정 모델)을 결정하기 위해 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 비교할 수 있다. 예를 들어, 학습 컴포넌트(180)는 최저 MSE 값을 갖는 특정 후보 공정 모델을 결정하기 위해 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값들을 비교할 수 있다. 다른 예시에서, 학습 컴포넌트(180)는 최고 성능값(예컨대, 1/(1-MSE))을 갖는 특정 후보 공정 모델을 결정하기 위해 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값들을 비교할 수 있다. 이로써, 학습 컴포넌트(180)는 후보 공정 모델들의 세트로부터 최저 오차와 연관된 특정 공정 모델을 선택할 수 있다. 또한, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대해 생성된 품질값은 후보 공정 모델들의 세트로부터의 특정 공정 모델의 선택을 촉진시킬 수 있다.

더 나아가, 학습 컴포넌트(180)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 순위매길 수 있다. 예를 들어, 학습 컴포넌트(180)는 대응하는 품질값 및 대응하는 다양성 값에 기초하여 (예컨대, 최고 품질 공정 모델에 대해) 후보 공정 모델들의 세트 내의 각각의 나머지 후보 공정 모델을 순위매길 수 있다. 이로써, 후보 공정 모델들의 순위는 처음에 품질에 기초하여 소팅(sort)될 수 있고, 그런 후 다양성에 기초하여 소팅될 수 있다. 예를 들어, 최고 품질 공정 모델이 제1 위로 순위매겨질 수 있다. 후보 공정 모델들의 세트 내의 나머지 후보 공정 모델은 각각의 나머지 후보 공정 모델과 연관된 품질값에 기초하여 최고 품질 공정 모델에 대해 순위매겨질 수 있다. 그런 후, 후보 공정 모델들의 세트 내의 나머지 후보 공정 모델들은 각각의 나머지 후보 공정 모델과 연관된 다양성 값에 기초하여 최고 품질 공정 모델에 대해 추가로 순위매겨질 수 있다. 보다 높은 다양성 값(예컨대, 보다 큰 특이성에 대응함)은 보다 높은 순위와 연관될 수 있다. 이에 따라, 품질에서는 보다 높되 최고 품질 공정 모델에 대해서는 보다 많이 특이한 후보 공정 모델들에는 보다 높은 순위가 매겨질 수 있다. 일 양태에서, 학습 컴포넌트(180)는 가중 평균에 기초하여 최고 품질 공정 모델에 대해 후보 공정 모델들의 세트 내의 각각의 나머지 후보 공정 모델을 순위매길 수 있다. 하지만, 학습 컴포넌트(180)는 상이한 순위화 기술에 기초하여 최고 품질 공정 모델에 대해 후보 공정 모델들의 세트 내의 각각의 나머지 후보 공정 모델을 순위매길 수 있다는 것을 알아야 한다.

일 양태에서, 학습 컴포넌트(180)는 후보 공정 모델들의 세트의 서브세트를 선택할 수 있다. 예를 들어, 학습 컴포넌트(180)는 후보 공정 모델들의 순위에 기초하여 후보 공정 모델들의 서브세트를 선택할 수 있다. 비제한적인 예시에서, 학습 컴포넌트(180)는 세 개의 가장 높은 순위의 후보 공정 모델들(예컨대, 최고 품질 공정 모델과, 이 최고 품질 공정 모델 뒤의 순위를 갖는 두 개의 다른 후보 공정 모델들)을 선택할 수 있다. 이에 따라, 학습 컴포넌트(180)는 후보 공정 모델들의 세트와 연관된 품질값들과 다양성 값들의 순위에 기초하여 후보 공정 모델들의 세트로부터 하나 이상의 공정 모델들을 선택할 수 있다. 일 양태에서, 학습 컴포넌트(180)는 상기 순위 및 메모리(예컨대, 숏 텀 모델 메모리)와 연관된 이용가능한 크기에 기초하여 후보 공정 모델들의 서브세트를 선택할 수 있다. 예를 들어, 학습 컴포넌트(180)는 메모리(예컨대, 숏 텀 모델 메모리)와 연관된 이용가능한 메모리 위치들을 채우기 위해 상기 순위에 기초하여 후보 공정 모델들의 서브세트를 선택할 수 있다.

최적화 컴포넌트(190)는 타겟 출력값을 수신할 수 있다. 또한, 최적화 컴포넌트(190)는 후보 솔루션들의 세트를 생성할 수 있다. 각각의 솔루션은 최고 품질 공정 모델(예컨대, 학습 컴포넌트(180)에 의해 선택된 공정 모델)과 연관된 입력들의 값들의 세트일 수 있다. 예를 들어, 최고 품질 공정 모델은 복수의 입력들(예컨대, 입력 파라미터들)과 연관될 수 있다. 각각의 후보 솔루션은 최고 품질 공정 모델(예컨대, 각각의 후보 솔루션은 입력값들의 세트를 포함할 수 있다)과 연관된 각각의 입력 값을 포함할 수 있다. 일 양태에서, 최적화 컴포넌트(190)는 하나 이상의 유전자 알고리즘들(예컨대, 최적화를 위한 유전자 프로그래밍)에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 다른 양태에서, 최적화 컴포넌트(190)는 시뮬레이팅된 어닐링에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 또다른 양태에서, 최적화 컴포넌트(190)는 힐 클라임(hill climbing) 최적화 기술에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 하지만, 최적화 컴포넌트(190)는 상이한 유형의 최적화 기술에 기초하여 후보 솔루션들의 세트를 생성할 수 있다는 것을 알아야 한다.

최적화 컴포넌트(190)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 출력값(예컨대, 결과값)을 예측하기 위해 최고 품질 공정 모델(예컨대, 학습 컴포넌트(180)에 의해 선택된 공정 모델)을 활용할 수 있다. 이에 따라, 최적화 컴포넌트(190)는 최고 품질 공정 모델(예컨대, 학습 컴포넌트(180)에 의해 선택된 공정 모델)에 기초하여 후보 공정 파라미터들의 세트를 생성할 수 있다.

최적화 컴포넌트(190)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션들에 대한 품질값(예컨대, 예측된 성능값)을 생성할 수 있다. 품질값은 대응하는 후보 솔루션에 대한 예측된 성능의 수치일 수 있다. 예를 들어, 품질값은 후보 솔루션과 연관된 출력값(예컨대, 예측된 출력값)과 타겟 출력값간의 오차의 수치일 수 있다. 다른 양태에서, 품질값은 MSE에 기초하여 생성될 수 있다. 예를 들어, 품질값은 정규화된 MSE에 기초하여 생성될 수 있다. 다른 양태에서, 품질값은 상관계수(correlation)에 기초하여 생성될 수 있다. 또다른 양태에서, 품질값은 결정계수(coefficient of determination)(R²)에 기초하여 생성될 수 있다. 하지만, 품질값을 생성하기 위해 다른 유형의 품질 측정이 구현될 수 있다는 것을 알아야 한다.

최적화 컴포넌트(190)는 대응하는 품질값과 타겟 출력값에 기초하여 후보 솔루션들의 세트 내의 각각의 후보 솔루션을 순위매길 수 있다. 예를 들어, 최적화 컴포넌트(190)는 최고 품질을 갖는 후보 솔루션(예컨대, 후보 솔루션과 연관된 예측된 출력값과 타겟 출력값간에 최저 오차를 갖는 후보 솔루션)을 선택하기 위해 후보 솔루션들의 세트 내의 각각의 후보 솔루션을 순위매길 수 있다. 이에 따라, 최적화 컴포넌트(190)는 최고 품질을 갖는 후보 솔루션(예컨대, 최고 품질 솔루션)을 결정할 수 있다. 그러므로, 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값은 최고 품질 솔루션의 선택을 촉진시킬 수 있다. 이에 따라, 최적화 컴포넌트(190)는 최고 품질 솔루션과 연관된 출력값(예컨대, 예측된 출력값)과 타겟 출력값에 기초하여 최고 품질 솔루션을 선택할 수 있다.

또한, 최적화 컴포넌트(190)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 다양성 값을 생성할 수 있다. 다양성 값은 최고 품질 솔루션(예컨대, 최고 품질을 갖는 후보 솔루션)에 대한 특정 후보 솔루션의 특이성의 수치일 수 있다. 일 양태에서, 다양성 값은 코사인 함수에 기초하여 생성될 수 있다(예컨대, 제1 출력 벡터는 특정 후보 솔루션과 연관이 있고, 제2 출력 벡터는 최고 품질 솔루션과 연관이 있다). 다른 양태에서, 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)에 기초하여 생성될 수 있다. 다른 양태에서, 다양성 값은 역 유사성 측정치에 기초하여 생성될 수 있다. 하지만, 다양성 값을 생성하기 위해 다른 유형의 다양성 측정이 구현될 수 있다는 것을 알아야 한다.

최적화 컴포넌트(190)는 최고 품질 솔루션을 후보 솔루션들의 세트 내의 다른 후보 솔루션들과 비교할 수 있다. 예를 들어, 최적화 컴포넌트(190)는 품질과 다양성에 기초하여 최고 품질 솔루션에 대해 후보 솔루션들의 세트 내의 각각의 나머지 후보 솔루션을 순위매길 수 있다. 예를 들어, 최고 품질 솔루션은 제1 위로 순위매겨질 수 있다. 그러므로, 후보 솔루션들의 세트 내의 나머지 후보 솔루션들은 각각의 나머지 후보 솔루션들과 연관된 품질값에 기초하여 최고 품질 솔루션에 대해 순위매겨질 수 있다. 그런 후, 후보 솔루션들의 세트 내의 나머지 후보 솔루션들은 각각의 나머지 후보 솔루션들과 연관된 다양성 값에 기초하여 최고 품질 솔루션에 대해 추가로 순위매겨질 수 있다. 이에 따라, 품질에서는 보다 높되 최고 품질 솔루션에 대해서는 보다 많이 특이한 후보 솔루션들에는 보다 높은 순위가 매겨질 수 있다. 일 양태에서, 최적화 컴포넌트(190)는 가중 평균에 기초하여 최고 품질 솔루션에 대해 후보 솔루션들의 세트 내의 각각의 나머지 후보 솔루션을 순위매길 수 있다. 하지만, 최적화 컴포넌트(190)는 상이한 순위화 기술에 기초하여 최고 품질 솔루션에 대해 후보 솔루션들의 세트 내의 각각의 나머지 후보 솔루션을 순위매길 수 있다는 것을 알아야 한다.

일 양태에서, 최적화 컴포넌트(190)는 후보 솔루션들의 세트의 서브세트를 선택할 수 있다. 예를 들어, 최적화 컴포넌트(190)는 후보 솔루션들의 순위에 기초하여 후보 솔루션들의 서브세트를 선택할 수 있다. 비제한적인 예시에서, 최적화 컴포넌트(190)는 세 개의 가장 높은 순위의 후보 솔루션들(예컨대, 최고 품질 솔루션과, 이 선택된 후보 솔루션 뒤의 순위를 갖는 두 개의 다른 후보 솔루션들)을 선택할 수 있다. 이에 따라, 최적화 컴포넌트(190)는 후보 솔루션들의 세트와 연관된 품질값들과 다양성 값들의 순위에 기초하여 후보 솔루션들의 세트로부터 하나 이상의 솔루션들을 선택할 수 있다. 일 양태에서, 최적화 컴포넌트(190)는 상기 순위 및 메모리(예컨대, 숏 텀 최적화 메모리)와 연관된 이용가능한 크기에 기초하여 후보 솔루션들의 서브세트를 선택할 수 있다. 예를 들어, 최적화 컴포넌트(190)는 메모리(예컨대, 숏 텀 최적화 메모리)와 연관된 이용가능한 메모리 위치들을 채우기 위해 상기 순위에 기초하여 후보 솔루션들의 서브세트를 선택할 수 있다.

일 양태에서, 학습 컴포넌트(180)는 또한 선택된 상이한 공정 모델(예컨대, 신규 공정 모델)을 최적화 컴포넌트(190)에 송신할 수 있다. 최적화 컴포넌트(190)는 선택된 상이한 공정 모델과 연관된 입력 파라미터 및 선택된 상이한 공정 모델의 출력값(에컨대, 예측된 출력값)의 미분을 계산하기 위해 수치 미분을 활용할 수 있다(예컨대, 수치 도함수는 선택된 상이한 공정 모델과 연관된 각각의 이용가능한 입력 파라미터에 대해 계산될 수 있다). 이에 따라, 최적화 컴포넌트(190)는 오로지 비제로(non-zero) 1차 도함수들을 갖는 입력 파라미터들에 대한 수정들을 결정하기 위해서 구성될 수 있다. 이에 따라, 최적화 컴포넌트(190)는 신규 공정 모델에 대한 출력값에 영향을 미치는, 입력 파라미터들에 대한 수정들에 대한 검색들을 제한시킬 수 있다.

그러므로, 학습 컴포넌트(180)에 의해 선택된 공정 모델은 희망하는 타겟 출력값을 달성하기 위해 입력 파라미터들을 조정함으로써 제조 공정을 제어하고/하거나 최적화하는 데에 이용될 수 있다. 예를 들어, 학습 컴포넌트에 의해 선택된 공정 모델의 출력값(예컨대, 예측된 출력값)이 타겟 출력값과 연관된 희망하는 범위 내에 있도록 입력 파라미터들은 (예컨대, 런(run)별로 조정되거나, 단계별 등으로 조정됨) 조정될 수 있다. 그런 후, 제조 툴(들)(110)과 연관된 공정이 최적화 컴포넌트(190)에 의해 식별된 파라미터 값들(예컨대, 솔루션)로 런(run)될 수 있다. 공정의 완료시, 실제 출력이 측정되고, 측정된 출력 대 예측된 출력간의 차이가 오차로서 계산될 수 있다. 그러므로, 제조 툴(들)(110)과 연관된 제조 공정들 동안 제로를 향한 오차를 유도하도록 공정 최적화가 실현될 수 있다(예컨대, 제조 툴(들)(110)과 연관된 제조 공정들이 최적으로 제어될 수 있다).

도 2는 본 발명개시의 다양한 양태들 및 구현예들에 따른 시스템(200)의 비제한적인 구현예를 나타낸다. 시스템(200)은 학습 컴포넌트(180)를 포함한다. 학습 컴포넌트(180)는 후보 컴포넌트(202), 품질 컴포넌트(204), 다양성 컴포넌트(206), 식별 컴포넌트(208), 순위화 컴포넌트(210), 및/또는 선택 컴포넌트(212)를 포함할 수 있다. 시스템(200)의 양태들은 머신(들) 내에 포함된, 예컨대 하나 이상의 머신들과 연관된 하나 이상의 컴퓨터로 판독가능한 매체들(또는 미디어) 내에 포함된 머신으로 실행가능한 컴포넌트(들)로 구성될 수 있다. 이러한 컴포넌트는, 하나 이상의 머신들, 예컨대, 컴퓨터(들), 컴퓨팅 디바이스(들), 가상 머신(들) 등에 의해 실행될 때, 머신(들)로 하여금 설명한 동작들을 수행하게 할 수 있다. 시스템(200)은 컴퓨터로 실행가능한 컴포넌트들 및 명령어들을 저장하기 위한 메모리(216)를 포함할 수 있다. 시스템(200)은 시스템(200)에 의한 명령어들(예컨대, 컴퓨터로 실행가능한 컴포넌트들 및 명령어들)의 연산을 촉진시키기 위한 프로세서(214)를 더 포함할 수 있다.

학습 컴포넌트(180)(예컨대, 후보 컴포넌트(202), 품질 컴포넌트(204), 다양성 컴포넌트(206), 식별 컴포넌트(208), 순위화 컴포넌트(210) 및/또는 선택 컴포넌트(212))는 제조 툴(들)(110)과 연관된 하나 이상의 제조 공정들에 대한 공정 모델의 품질 및 다양성을 최대화하도록(예컨대, 오차를 최소화하고 특이성을 최대화하도록) 자율적인 학습을 촉진시킬 수 있다. 이에 따라, 학습 컴포넌트(180)는 제조 툴(들)(110)과 연관된 변화하는 조건들 및/또는 제조 상황들에 적응될 수 있다. 또한, 학습 컴포넌트(180)는 (예컨대, 공정 모델들의 보다 큰 샘플 세트를 생성하고/생성하거나 선택함으로써) 제조 툴(들)(110)과 연관된 공정 모델들의 근시안적인 생성 및/또는 선택을 방지할 수 있다. 그러므로, 학습 컴포넌트(180)는 생성되고/생성되거나 선택된 공정 모델들의 오버피팅(overfitting)을 최소화할 수 있다.

후보 컴포넌트(202)는 제조 툴(들)(110)과 연관된 하나 이상의 제조 공정들에 대한 하나 이상의 후보 공정 모델들(예컨대, 하나 이상의 잠재적인 공정 모델들)을 생성할 수 있다. 예를 들어, 후보 컴포넌트(202)는 하나 이상의 툴들(예컨대, 제조 툴(들)(110))과 연관된 공정 데이터(예컨대, 도 2에서 도시된 공정 데이터)에 기초하여 후보 공정 모델들의 세트를 생성할 수 있다. 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 수학적 공정 모델(예컨대, 후보 함수)일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 공정 데이터의 함수로서의 출력을 위한 수학적 공정 모델을 학습하도록 구현될 수 있다. 일 양태에서, 후보 컴포넌트(202)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들을 생성하기 위해 하나 이상의 유전자 알고리즘들을 구현할 수 있다. 다른 양태에서, 후보 컴포넌트(202)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들을 생성하기 위해 곡선 피팅 기술을 구현할 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 선형 근사, 다중 선형 근사, 다각형 곡선 피팅, 신경망 등을 이용하여 생성될 수 있다. 하지만, 후보 컴포넌트(202)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 생성하기 위해 다른 유형의 기술을 구현할 수 있다는 것을 알아야 한다.

품질 컴포넌트(204)는 후보 컴포넌트(202)에 의해 생성된 하나 이상의 공정 모델들의 선택을 촉진시킬 수 있다. 예를 들어, 품질 컴포넌트(204)는 후보 공정 모델들의 세트로부터 최저 오차를 갖는 공정 모델(및/또는, 예컨대, 오차에 기초한 하나 이상의 다른 공정 모델들)의 선택을 촉진시킬 수 있다. 품질 컴포넌트(204)는 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델들에 대한 품질값(예컨대, 예측된 성능값)을 생성할 수 있다. 품질값은 대응하는 후보 공정 모델에 대한 예측된 성능의 수치일 수 있다. 예를 들어, 품질값은 후보 공정 모델의 예측된 출력을 후보 공정 모델의 측정된 출력에 비교한 수치일 수 있다. 일 양태에서, 품질값은 MSE 값과 연관될 수 있다. 예를 들어, 품질값은 평균 제곱근 오차(root MSE) 값과 연관될 수 있다. 다른 양태에서, 품질값은 상관계수 값과 연관될 수 있다. 또다른 양태에서, 품질값은 결정계수 값과 연관될 수 있다. 하지만, 다른 유형의 품질 측정치가 품질값과 연관될 수 있다는 것을 알아야 한다. 일 양태에서, 품질값은 정규화 값과 연관될 수 있다. 예를 들어, 품질값은 1/(1-MSE)와 동일할 수 있다.

다양성 컴포넌트(206)는 후보 컴포넌트(202)에 의해 생성된 하나 이상의 공정 모델들의 선택을 더욱 더 촉진시킬 수 있다. 예를 들어, 다양성 컴포넌트(206)는 후보 공정 모델들의 세트로부터 후보 공정 모델들의 다양한 서브세트의 선택을 촉진시킬 수 있다. 다양성 컴포넌트(206)는 다양성 값(예컨대, 유사성 값, 특이성 값 등)을 생성할 수 있다. 다양성 값은 다른 후보 공정 모델에 대한 후보 공정 모델의 특이성의 수치일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 후보 공정 모델에 의해 생성된 출력값(예컨대, 예측된 출력값)이 후보 공정 모델들의 세트 내의 다른 후보 공정 모델들에 의해 생성된 다른 출력값들(예컨대, 다른 예측된 출력값들)과 비교되어질 수 있다. 일례에서, 후보 공정 모델들의 세트 내의 후보 공정 모델에 의해 생성된 출력값(예컨대, 예측된 출력값)이 후보 공정 모델들의 세트 내의 다른 후보 공정 모델들에 의해 생성된 다른 출력값들(예컨대, 다른 예측된 출력값들)과 비교되어질 수 있다. 일 양태에서, 다양성 값은 코사인 함수와 연관될 수 있다(예컨대, 제1 출력 벡터는 후보 공정 모델과 연관이 있고, 제2 출력 벡터는 다른 후보 공정 모델과 연관이 있다). 다른 양태에서, 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)와 연관될 수 있다. 또다른 양태에서, 다양성 값은 역 유사성 측정치들과 연관될 수 있다. 하지만, 다른 유형의 다양성 측정치가 다양성 값과 연관될 수 있다는 것을 알아야 한다.

식별 컴포넌트(208)는 (예컨대, 품질 컴포넌트(204)에 의해 생성된 품질값들을 비교함으로써) 최고 품질을 갖는 후보 공정 모델들의 세트 내의 후보 공정 모델을 식별할 수 있다. 예를 들어, 식별 컴포넌트(208)는 후보 공정 모델들의 세트 내에서 최저 MSE 값과 연관된 후보 공정 모델을 식별할 수 있다(예컨대, 식별 컴포넌트(208)는 최저 MSE 값과 연관된 품질값을 식별할 수 있다). 이에 따라, 식별 컴포넌트(208)는 (예컨대, 후보 공정 모델들의 세트로부터) 최저 오차를 갖는 공정 모델을 식별할 수 있다. 또한, 식별 컴포넌트(208)는 최저 MSE 값과 연관된 후보 공정 모델들의 세트 내의 후보 공정 모델을 최고 품질을 갖는 후보 공정 모델(예컨대, 최고 품질 공정 모델)로서 태그표시(예컨대, 라벨표시, 마킹 등)할 수 있다. 이로써, 식별 컴포넌트(208)는 후보 공정 모델들의 세트로부터 최저 오차와 연관된 특정 공정 모델을 식별할 수 있다. 또한, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대해 생성된 출력값은 최고 품질 공정 모델의 식별을 촉진시킬 수 있다.

순위화 컴포넌트(210)는 품질 컴포넌트(204)에 의해 생성된 품질값들에 기초하여 후보 공정 모델들의 세트 내의 후보 공정 모델을 순위매길 수 있다. 예를 들어, 최고 품질 공정 모델로서 식별되지 않은 후보 공정 모델들은 최고 품질 공정 모델과 관련하여 순위매겨질 수 있다. 이에 따라, 최고 품질(예컨대, 최저 MSE)을 갖는 후보 공정 모델이 제1 위로 순위매겨질 수 있고, 두번째로 최고인 품질(예컨대, 두번째로 최저인 MSE)을 갖는 후보 공정 모델은 제2 위로 순위매겨지는 식으로 순위가 매겨질 수 있다. 추가적으로, 순위화 컴포넌트(210)는 다양성 컴포넌트(206)에 의해 생성된 다양성 값들에 기초하여 후보 공정 모델들의 세트 내의 후보 공정 모델들을 순위매길 수 있다. 예를 들어, 품질값들에 기초한 후보 공정 모델들의 순위는 추가적으로 다양성 컴포넌트(206)에 의해 생성된 다양성 값들에 기초하여 소팅될 수 있다. 이에 따라, 동일한 품질값을 갖는 후보 공정 모델들의 순위는 동일한 품질값을 갖는 후보 공정 모델들과 연관된 다양성 값에 기초하여 결정될 수 있다. 예를 들어, 보다 높은 다양성 값(예컨대, 최고 품질 공정 모델과 관련하여 보다 큰 특이성에 대응하는 다양성 값)은 보다 높은 순위에 대응할 수 있다. 그러므로, 보다 높은 순위를 갖는 후보 공정 모델들은 최고 품질 공정 모델과 관련하여 보다 높은 품질과 보다 큰 다양성에 대응할 수 있다. 일 양태에서, 순위화 컴포넌트(210)는 가중 평균에 기초하여 후보 공정 모델들의 세트 내의 후보 공정 모델들을 추가적으로 또는 대안적으로 순위매길 수 있다. 하지만, 순위화 컴포넌트(210)는 상이한 순위화 기술에 기초하여 후보 공정 모델들의 세트 내의 후보 공정 모델들을 추가적으로 또는 대안적으로 순위매길 수 있다는 것을 알아야 한다. 이에 따라, 순위화 컴포넌트(210)는 최대로 다양하면서 최저 오차와 연관이 있는 후보 공정 모델들의 서브세트의 선택을 촉진시키기 위해 후보 공정 모델들의 세트를 소팅할 수 있다.

선택 컴포넌트(212)는 순위화 컴포넌트(210)에 의해 생성된 순위에 기초하여 후보 공정 모델들의 서브세트(예컨대, 후보 공정 모델들의 세트 내의 최고 품질 공정 모델 및/또는 하나 이상의 다른 공정 모델들)를 선택할 수 있다. 예를 들어, 선택 컴포넌트(212)는 높은 순위를 갖는 일정 수의 후보 공정 모델들(예컨대, 위에서 세번째 순위 안에 드는 세 개의 후보 공정 모델들, 위에서 다섯번째 순위 안에 드는 다섯 개의 후보 공정 모델들)을 선택할 수 있다. 이에 따라, 선택 컴포넌트(212)는 최대로 다양하면서 최저 오차와 연관이 있는 후보 공정 모델들의 서브세트를 선택할 수 있다(예컨대, 선택 컴포넌트(212)는 매우 유사한 공정 모델들로 한정되는 것을 방지하도록 다양하면서 높은 품질에 대한 강력한 상관을 갖는 후보 공정 모델들의 서브세트를 선택할 수 있다). 예를 들어, 선택 컴포넌트(212)는 제조 툴(들)(110)과 연관된 상이한 조건들 및/또는 제조 상황들(예컨대, 공정 사이클들)을 고려하면서 제조 툴(들)(110)에 의해 생성된 처리된 웨이퍼들(104)의 품질을 향상시키기 위해 후보 공정 모델들의 샘플 세트를 선택할 수 있다. 그러므로, 선택 컴포넌트(212)에 의해 선택된 후보 공정 모델들의 샘플 세트는 거의 동일한 공정 모델들의 그룹으로 한정되지 않는다.

일 양태에서, 선택 컴포넌트(212)는 메모리의 이용가능한 크기에 기초하여 후보 공정 모델들의 서브세트를 추가적으로 선택할 수 있다. 예를 들어, 선택 컴포넌트(212)는 메모리(예컨대, 숏 텀 모델 메모리)의 이용가능한 크기에 기초하여 높은 순위를 갖는 일정 수의 후보 공정 모델들을 선택할 수 있다. 이에 따라, 학습 컴포넌트(180)는 하나 이상의 공정 모델들을 생성할 수 있다(예컨대, 도 2에서 도시된 공정 모델(들)). 일 양태에서, 학습 컴포넌트(180)는 최고 품질을 갖는 후보 공정 모델(예컨대, 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델)을 최적화 컴포넌트(190)에 송신할 수 있다. 다른 양태에서, 학습 컴포넌트(180)는 최고 품질을 갖는 후보 공정 모델(예컨대, 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델) 및/또는 하나 이상의 다른 후보 공정 모델들을 메모리(예컨대, 숏 텀 모델 메모리) 내에 저장할 수 있다.

도 3은 본 발명개시의 다양한 양태들 및 구현예들에 따른 시스템(300)의 비제한적인 구현예를 나타낸다. 시스템(300)은 최적화 컴포넌트(190)를 포함한다. 최적화 컴포넌트(190)는 후보 컴포넌트(302), 예측 컴포넌트(304), 품질 컴포넌트(306), 순위화 컴포넌트(308), 다양성 컴포넌트(310), 및/또는 선택 컴포넌트(312)를 포함할 수 있다. 시스템(300)의 양태들은 머신(들) 내에 포함된, 예컨대 하나 이상의 머신들과 연관된 하나 이상의 컴퓨터로 판독가능한 매체들(또는 미디어) 내에 포함된, 머신으로 실행가능한 컴포넌트(들)로 구성될 수 있다. 이러한 컴포넌트는, 하나 이상의 머신들, 예컨대, 컴퓨터(들), 컴퓨팅 디바이스(들), 가상 머신(들) 등에 의해 실행될 때, 머신(들)로 하여금 설명한 동작들을 수행하게 할 수 있다. 시스템(300)은 컴퓨터로 실행가능한 컴포넌트들 및 명령어들을 저장하기 위한 메모리(316)를 포함할 수 있다. 시스템(300)은 시스템(300)에 의한 명령어들(예컨대, 컴퓨터로 실행가능한 컴포넌트들 및 명령어들)의 동작을 촉진시키기 위한 프로세서(314)를 더 포함할 수 있다. 일 양태에서, 최적화 컴포넌트(190)는 (예컨대, 학습 컴포넌트(180)에 의해 제공된 공정 학습을 제어하고/제어하거나 최적화하기 위해) 학습 컴포넌트(180)와 관련지어서 구현될 수 있다.

최적화 컴포넌트(190)(예컨대, 후보 컴포넌트(302), 예측 컴포넌트(304), 품질 컴포넌트(306), 순위화 컴포넌트(308), 다양성 컴포넌트(310) 및/또는 선택 컴포넌트(312))는 제조 툴(들)(110)과 연관된 공정 모델에 대한 솔루션의 품질 및 다양성을 최대화하기 위해(예컨대, 오차를 최소화하고 특이성을 최대화하기 위해) 향상된 제어 및/또는 최적화를 촉진시킬 수 있다. 최적화 컴포넌트(190)는 제조 툴(들)(110)과 연관된 변화하는 조건들 및/또는 제조 상황들에 적응될 수 있다. 또한, 최적화 컴포넌트(190)는 (예컨대, 솔루션들의 보다 큰 샘플 세트를 생성하고/생성하거나 선택함으로써) 제조 툴(들)(110)과 연관된 공정 모델에 대한 솔루션들의 근시안적인 생성 및/또는 선택을 방지할 수 있다. 그러므로, 최적화 컴포넌트(190)는 공정 모델에 대한 생성되고/생성되거나 선택된 솔루션들의 오버피팅(overfitting)을 최소화할 수 있다.

후보 컴포넌트(302)는 제조 툴(들)(110)과 연관된 공정 모델에 대한 하나 이상의 후보 솔루션들(예컨대, 하나 이상의 잠재적인 솔루션들)을 생성할 수 있다. 후보 컴포넌트(302)는 최고 품질을 갖는 후보 공정 모델(예컨대, 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델) 및/또는 타겟 출력값에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 각각의 솔루션은 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델과 연관된 입력들의 값들의 세트일 수 있다. 예를 들어, 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델은 복수의 입력들(예컨대, 입력 파라미터들)과 연관될 수 있다. 이로써, 각각의 후보 솔루션은 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델과 연관된 각각의 입력의 값을 포함할 수 있다. 일 양태에서, 후보 컴포넌트(302)는 하나 이상의 유전자 알고리즘들에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 다른 양태에서, 후보 컴포넌트(302)는 시뮬레이팅된 어닐링에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 또다른 양태에서, 후보 컴포넌트(302)는 힐 클라임 최적화 기술에 기초하여 후보 솔루션들의 세트를 생성할 수 있다. 하지만, 후보 컴포넌트(302)는 상이한 유형의 최적화 기술에 기초하여 후보 솔루션들의 세트를 생성할 수 있다는 것을 알아야 한다. 후보 컴포넌트(302)는 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델(예컨대, 최고 품질을 갖는 후보 공정 모델)에 기초하여 후보 공정 파라미터들의 세트를 생성할 수 있다.

예측 컴포넌트(304)는 후보 컴포넌트(302)에 의해 생성된 하나 이상의 솔루션들의 선택을 촉진시킬 수 있다. 예를 들어, 예측 컴포넌트(304)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 출력값(예컨대, 결과값)을 예측하기 위해 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델을 활용할 수 있다. 예를 들어, 제1 출력값(예컨대, 제1 예측 출력값)은 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델 및 제1 후보 솔루션에 기초하여 생성될 수 있고, 제2 출력값(예컨대, 제2 예측 출력값)은 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델 및 제2 후보 솔루션에 기초하여 생성될 수 있다. 이에 따라, 예측 컴포넌트(304)는 식별 컴포넌트(208)에 의해 식별된 최고 품질 공정 모델 및 후보 솔루션들의 세트에 기초하여 출력값들의 세트(예컨대, 예측 출력값들의 세트)를 생성할 수 있다.

품질 컴포넌트(306)는 또한 후보 컴포넌트(302)에 의해 생성된 하나 이상의 솔루션들의 선택을 촉진시킬 수 있다. 예를 들어, 품질 컴포넌트(306)는 후보 솔루션들의 세트로부터 최저 오차를 갖는 솔루션(및/또는, 예컨대, 오차에 기초한 하나 이상의 다른 솔루션들)의 선택을 촉진시킬 수 있다. 품질 컴포넌트(306)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션들에 대한 품질값(예컨대, 분산 값, 예측된 성능값 등)을 생성할 수 있다. 품질값은 대응하는 후보 솔루션에 대한 예측된 성능의 수치일 수 있다. 예를 들어, 품질값은 후보 솔루션과 연관된 출력값(예컨대, 예측된 출력값)과 타겟 출력값간의 오차(예컨대, 분산)의 수치일 수 있다. 일 양태에서, 품질값은 MSE 값과 연관될 수 있다. 예를 들어, 품질값은 정규화된 MSE 값과 연관될 수 있다. 다른 양태에서, 품질값은 상관계수 값과 연관될 수 있다. 또다른 양태에서, 품질값은 결정계수 값과 연관될 수 있다. 하지만, 품질값을 생성하기 위해 다른 유형의 품질 측정이 구현될 수 있다는 것을 알아야 한다.

순위화 컴포넌트(308)는 대응하는 품질값과 타겟 출력값에 기초하여 후보 솔루션들의 세트 내의 각각의 후보 솔루션들을 순위매길 수 있다. 이에 따라, 순위화 컴포넌트(308)는 최고 품질을 갖는 후보 솔루션(예컨대, 후보 솔루션과 연관된 출력값과 타겟 출력값간에 최저 오차를 갖는 후보 솔루션)을 선택(예컨대, 식별)하기 위해 후보 솔루션들 각각을 순위매길 수 있다. 이에 따라, 순위화 컴포넌트(308)는 최고 품질을 갖는 후보 솔루션(예컨대, 최고 품질 솔루션)을 결정할 수 있다. 그러므로, 최고 품질 솔루션의 선택을 촉진시키기 위해 순위화 컴포넌트(308)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값을 활용할 수 있다.

다양성 컴포넌트(310)는 후보 컴포넌트(302)에 의해 생성된 하나 이상의 솔루션들의 선택을 더욱 촉진시킬 수 있다. 예를 들어, 다양성 컴포넌트(310)는 후보 솔루션들의 세트로부터 후보 솔루션들의 다양한 서브세트의 선택을 촉진시킬 수 있다. 다양성 컴포넌트(310)는 후보 솔루션들의 세트 내의 각각의 후보 솔루션들에 대한 다양성 값을 생성할 수 있다. 다양성 값은 최고 품질 솔루션(예컨대, 순위화 컴포넌트(308)에 의해 결정된 최고 품질 솔루션)에 대한 특정 후보 솔루션의 특이성의 수치일 수 있다. 일 양태에서, 다양성 값은 코사인 함수와 연관될 수 있다(예컨대, 제1 출력 벡터는 특정 후보 솔루션과 연관이 있고, 제2 출력 벡터는 최고 품질 솔루션과 연관이 있다). 다른 양태에서, 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)와 연관될 수 있다. 다른 양태에서, 다양성 값은 역 유사성 측정치들과 연관될 수 있다. 하지만, 다양성 값을 생성하기 위해 다른 유형의 다양성 측정이 구현될 수 있다는 것을 알아야 한다.

추가적으로, 순위화 컴포넌트(308)는 품질 컴포넌트(306)에 의해 생성된 품질값들에 기초하여 후보 솔루션들의 세트 내의 후보 솔루션들을 순위매길 수 있다. 예를 들어, 최고 품질 솔루션으로서 식별되지 않은 후보 솔루션들은 최고 품질 솔루션과 관련하여 순위매겨질 수 있다. 이에 따라, 최고 품질(예컨대, 최저 MSE)을 갖는 후보 솔루션이 제1 위로 순위매겨질 수 있고, 두번째로 최고인 품질(예컨대, 두번째로 최저인 MSE)을 갖는 후보 솔루션은 제2 위로 순위매겨질 수 있는 식으로 순위매겨진다. 추가적으로, 순위화 컴포넌트(308)는 다양성 컴포넌트(310)에 의해 생성된 다양성 값들에 기초하여 후보 솔루션들의 세트 내의 후보 솔루션들을 순위매길 수 있다. 예를 들어, 품질값들에 기초한 후보 솔루션들의 순위는 다양성 컴포넌트(310)에 의해 생성된 다양성 값들에 기초하여 추가로 소팅될 수 있다. 이에 따라, 동일한 품질값을 갖는 후보 솔루션들의 순위는 동일한 품질값을 갖는 후보 솔루션들과 연관된 다양성 값에 기초하여 결정될 수 있다. 예를 들어, 보다 높은 다양성 값(예컨대, 최고 품질 솔루션과 관련하여 보다 큰 특이성에 대응하는 다양성 값)은 보다 높은 순위에 대응할 수 있다. 그러므로, 보다 높은 순위를 갖는 후보 솔루션들은 최고 품질 솔루션과 관련하여 보다 높은 품질과 보다 큰 다양성에 대응할 수 있다. 일 양태에서, 순위화 컴포넌트(308)는 가중 평균에 기초하여 후보 솔루션들의 세트 내의 후보 솔루션들을 추가적으로 또는 대안적으로 순위매길 수 있다. 하지만, 순위화 컴포넌트(308)는 상이한 순위화 기술에 기초하여 후보 솔루션들의 세트 내의 후보 솔루션들을 추가적으로 또는 대안적으로 순위매길 수 있다는 것을 알아야 한다. 이에 따라, 순위화 컴포넌트(310)는 최대로 다양하면서 최저 오차와 연관이 있는 후보 솔루션들의 서브세트의 선택을 촉진시키기 위해 후보 솔루션들의 세트를 소팅할 수 있다.

선택 컴포넌트(312)는 순위화 컴포넌트(308)에 의해 생성된 순위에 기초하여 후보 솔루션들의 서브세트(예컨대, 후보 솔루션들의 세트 내의 최고 품질 솔루션들 및/또는 하나 이상의 다른 솔루션들)를 선택할 수 있다. 예를 들어, 선택 컴포넌트(312)는 높은 순위를 갖는 일정 수의 후보 솔루션들(예컨대, 위에서 세번째 순위 안에 드는 세 개의 후보 솔루션들, 위에서 다섯번째 순위 안에 드는 다섯 개의 후보 솔루션들)을 선택할 수 있다. 이에 따라, 선택 컴포넌트(312)는 최대로 다양하면서 최저 오차와 연관된 후보 솔루션들의 서브세트를 선택할 수 있다(예컨대, 선택 컴포넌트(312)는 매우 유사한 솔루션들로 한정되는 것을 방지하도록 다양하면서 높은 품질에 대한 강력한 상관을 갖는 후보 솔루션들의 서브세트를 선택할 수 있다). 예를 들어, 선택 컴포넌트(312)는 제조 툴(들)(110)과 연관된 상이한 조건들 및/또는 제조 상황들(예컨대, 공정 사이클들)을 고려하면서 제조 툴(들)(110)에 의해 생성된 처리된 웨이퍼들(104)의 품질을 향상시키기 위해 후보 솔루션들의 샘플 세트를 선택할 수 있다. 그러므로, 선택 컴포넌트(312)에 의해 선택된 후보 솔루션들의 샘플 세트는 거의 동일한 솔루션들의 그룹으로 한정되지 않는다.

일 양태에서, 선택 컴포넌트(312)는 메모리의 이용가능한 크기에 기초하여 후보 솔루션들의 서브세트를 추가적으로 선택할 수 있다. 예를 들어, 선택 컴포넌트(312)는 메모리(예컨대, 숏 텀 최적화 메모리)의 이용가능한 크기에 기초하여 높은 순위를 갖는 일정 수의 후보 솔루션들을 선택할 수 있다. 이에 따라, 최적화 컴포넌트(190)는 하나 이상의 솔루션들을 생성할 수 있다(예컨대, 도 3에서 도시된 솔루션(들)). 일 양태에서, 최적화 컴포넌트(190)는 최고 품질 솔루션 및/또는 하나 이상의 다른 후보 솔루션들을 메모리(예컨대, 숏 텀 최적화 메모리) 내에 저장할 수 있다.

도 4는 제조 공정들의 학습 및/또는 최적화를 촉진시키기 위한 예시적인 시스템(400)을 나타내는 블록도이다. 시스템(400)은 제조 툴(들)(110), 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140), 유지보수 모니터링 장비(150), 보고 컴포넌트(160), 및 분석 컴포넌트(170)를 포함할 수 있다. 분석 컴포넌트(170)는 학습 컴포넌트(180), 최적화 컴포넌트(190), 숏 텀 모델 메모리(short term model memory; STMM)(402) 및 숏 텀 최적화 메모리(short term optimization memory; STOM)(404)를 포함할 수 있다.

STMM(402)은 학습 컴포넌트(180)와 연관될 수 있다. 또한, STMM(402)은 하나 이상의 공정 모델들을 저장할 수 있다. 예를 들어, STMM(402)은 선택 컴포넌트(212)(예컨대, 학습 컴포넌트(180))에 의해 선택된 후보 공정 모델들을 저장할 수 있다. 일 양태에서, 선택 컴포넌트(212)(예컨대, 학습 컴포넌트(180))에 의해 선택된 후보 공정 모델들의 개수는 STMM(402)을 완전히 채우는데 필요한 후보 공정 모델들의 개수에 대응할 수 있다. 이에 따라, STMM(402)은 제조 툴(들)(110)과 연관된 제조 공정들에 대한 공정 모델의 보다 빠른 생성을 촉진시킬 수 있다. 또한, STMM(402)은 제조 툴(들)(110)과 연관된 제조 공정들에 대한 공정 모델의 품질 및 다양성을 최대화하기 위해 점증적 학습을 촉진시킬 수 있다. 예를 들어, STMM(402)은 제조 툴(들)(110)과 연관된 제조 공정들 동안에 추가적인 공정 데이터가 생성되므로 시간 경과에 따라 점증적 학습을 촉진시킬 수 있다.

STOM(404)은 최적화 컴포넌트(190)와 연관될 수 있다. 또한, STOM(404)은 하나 이상의 솔루션들을 저장할 수 있다. 예를 들어, STOM(404)은 선택 컴포넌트(312)(예컨대, 최적화 컴포넌트(190))에 의해 선택된 후보 솔루션들을 저장할 수 있다. 일 양태에서, 선택 컴포넌트(312)(예컨대, 최적화 컴포넌트(190))에 의해 선택된 후보 솔루션들의 개수는 STOM(404)을 완전히 채우는데 필요한 후보 솔루션들의 개수에 대응할 수 있다. 이에 따라, STOM(404)은 제조 툴(들)(110)과 연관된 제조 공정들을 위한 공정 모델에 대한 솔루션들의 보다 빠른 생성을 촉진시킬 수 있다. 또한, STOM(404)은 다양한 솔루션들의 세트를 유지함으로써 오버피팅을 감소시키면서 솔루션들의 품질을 최대화하도록 최적화를 촉진시킬 수 있다.

일 양태에서, 학습 컴포넌트(180)는, 여기서 보다 완전히 개시된 바와 같이, STMM(402) 내에 저장된 하나 이상의 후보 공정 모델들을 인출하고, STMM(402) 내에 저장된 하나 이상의 후보 공정 모델들에 대한 품질값을 계산하며/계산하거나 하나 이상의 다른 후보 공정 모델들을 생성할 수 있다. 이에 따라, STMM(402)은 하나 이상의 제조 툴들과 연관된 공정 데이터가 시간의 경과에 따라 지속적으로 향상될 수 있도록 점증적 학습을 촉진시킬 수 있다. 또한, STMM(402)은 반도체 제조 시스템에서의 공정 모델링을 위한 다양한 고품질 후보 공정 모델들의 세트를 유지하면서 보다 빠른 공정 모델 개발을 촉진시킬 수 있다. 추가적으로, 반도체 제조 시스템에서의 공정 모델링을 위한 다양한 고품질 모델들의 세트를 유지함으로써 변화하는 제조 상황들에 대한 적응을 촉진시키면서, 오버피팅의 확률은 STMM(402)을 구현함으로써 감소될 수 있다.

다른 양태에서, 최적화 컴포넌트(190)는, 여기서 보다 완전히 개시된 바와 같이, STOM(404) 내에 저장된 하나 이상의 후보 솔루션들을 인출하고, STOM(404) 내에 저장된 하나 이상의 후보 솔루션들에 대한 품질값을 계산하며/계산하거나 하나 이상의 다른 후보 솔루션들을 생성할 수 있다. 이에 따라, STOM(404)은 하나 이상의 제조 툴들과 연관된 공정 데이터가 시간의 경과에 따라 지속적으로 향상될 수 있도록 점증적 최적화를 촉진시킬 수 있다. 또한, STOM(404)은 반도체 제조 시스템에서의 공정 최적화를 위한 다양한 고품질 후보 솔루션들의 세트를 유지하면서 보다 빠른 공정 최적화를 촉진시킬 수 있다. 추가적으로, 반도체 제조 시스템에서의 공정 제어 및/또는 공정 최적화를 위한 다양한 고품질 솔루션들의 세트를 유지함으로써 변화하는 제조 상황들에 대한 적응을 촉진시키면서, 오버피팅의 확률은 STOM(404)을 구현함으로써 감소될 수 있다.

또다른 양태에서, 학습 컴포넌트(180)에 의해 구현된 학습 공정은 신규 공정 데이터가 이용가능하게 될 때 마다 리런(rerun)될 수 있다. 하지만, 데이터의 초기 개체군(population)은 초기에 STMM(402) 내에 저장된 데이터로 시딩(seed)될 수 있다. 이에 따라, 재학습의 결과는 STMM(402) 내에 저장된 데이터를 수정할 수 있다. 따라서, 더욱 더 많은 데이터가 획득되고/획득되거나 이용가능해질수록, 학습 컴포넌트(180)는 다양한 제조 상황들에 걸쳐 살아남은 최고 품질을 갖춘 공정 모델들을 고려할 수 있다. 그러므로, 향상된 공정 모델들이 시간 경과에 따라 획득될 수 있다. 또한, STMM(402)을 구현함으로써, 학습 컴포넌트(180)에 의해 구현된 학습 공정은 스크래치로부터 시작할 필요가 없으며(예컨대, 학습 시간이 감소될 수 있다)/없거나 오버 피팅이 회피될 수 있다(예컨대, 활용된 공정 모델의 정확도가 향상될 수 있다). 마찬가지로, 신규 공정 데이터가 이용가능해짐에 따라, 최적화 컴포넌트(190)에 의해 구현된 최적화 공정은 STOM(404) 내에 저장된 데이터로 데이터의 초기 개체군을 시딩함으로써 리런될 수 있다. 이에 따라, STOM(404) 내에 다양한 솔루션들의 세트를 유지함으로써, 솔루션의 보다 급속한 생성이 실현될 수 있고/있거나 활용된 솔루션의 품질은 향상될 수 있다. 또한, STOM(404) 내에 다양한 솔루션들의 세트를 유지함으로써, 오버 피팅의 확률은 감소될 수 있고/있거나 솔루션들의 정확도는 향상될 수 있다. 또한, STMM(402) 및/또는 STOM(404)을 구현함으로써, 예측된 값들과 측정된 값들간의 오차가 감소될 수 있다.

도 5는 사용자 입력에 기초하여 제조 공정들의 학습 및/또는 최적화를 촉진시키기 위한 예시적인 시스템(500)을 나타내는 블록도이다. 시스템(500)은 제조 툴(들)(110), 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140), 유지보수 모니터링 장비(150), 보고 컴포넌트(160), 분석 컴포넌트(170) 및 사용자 입력 컴포넌트(502)를 포함할 수 있다. 분석 컴포넌트(170)는 학습 컴포넌트(180), 최적화 컴포넌트(190), STMM(402) 및 STOM(404)를 포함할 수 있다.

사용자 입력 컴포넌트(502)는 시스템(500)의 사용자로부터 입력을 수신하고 이 사용자에게 출력을 제공하도록 구성될 수 있다. 예를 들어, 사용자 입력 컴포넌트(502)는 사용자 사양들을 프롬프팅하는 입력 디스플레이 스크린을 사용자에게 렌더링하고, 이러한 사양들을 임의의 적절한 입력 메커니즘(예컨대, 키보드, 터치 스크린 등)을 통해 사용자로부터 받아들일 수 있다. 일 양태에서, 사용자 입력 컴포넌트(502)는 매 1/10초 당 전력, 매 초 당 압력, 매 런 당 계측 등과 같은 상이한 주파수들에서의 측정들을 사용자(예컨대, 외부 에이전트) 능력이 포함할 수 있도록 해줄 수 있다. 다른 양태에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 데이터의 복제(예컨대, 다음의 데이터 판독때까지 덜 빈번한 판독들이 복제될 수 있음) 및/또는 데이터의 감축(예컨대, 최저 주파수 측정을 위한 데이터의 행을 유지하고/유지하거나 덜 빈번한 다른 샘플들의 값들의 통계적 요약을 이용함)을 규정할 수 있도록 해줄 수 있다. 통계적 요약은, 비제한적인 예시로서, 평균값, 최소값, 최대값, 값들의 범위, 표준편차값 등과 같은 연산치들을 포함할 수 있다. 또다른 양태에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 데이터 매트릭스의 열을 선택된 출력으로서 마킹하고/마킹하거나 데이터 매트릭스의 다른 열들을 조정가능한 공정 파라미터들(즉, 입력들)로서 마킹할 수 있도록 해줄 수 있다.

또다른 양태에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 공정 모델과 연관된 각각의 조정가능한 공정 파라미터(예컨대, 각각의 입력 파라미터들)에 대해 허가된 값들의 허용가능한 범위를 규정할 수 있도록 해줄 수 있다. 예를 들어, 사용자 입력 컴포넌트(502)는 사용자로 하여금 각각의 파라미터들(예컨대, 입력 파라미터들, 조정가능 입력들 등)에 대한 범위(예컨대, 최소값, 최대값, 평균값, 표준편차값 등)를 규정할 수 있도록 해줄 수 있다. 또다른 양태에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 메모리(예컨대, STMM(402) 및/또는 STOM(404))의 이용가능한 크기(예컨대, 공정 모델들 및/또는 솔루션들에 대한 슬롯들의 개수)를 규정할 수 있도록 해줄 수 있다. 또다른 양태에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 공정 모델에 대한 타겟 출력값을 규정할 수 있도록 해줄 수 있다. 또다른 예시에서, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 통계적 품질 수치들의 라이브러리로부터 품질값을 생성하기 위해 품질 수치를 규정하고/규정하거나 품질값에 대한 커스텀 품질 수치를 규정할 수 있도록 해줄 수 있다. 또한, 사용자 입력 컴포넌트(502)는 사용자(예컨대, 외부 에이전트)로 하여금 통계적 특이성 수치들의 라이브러리로부터 다양성 값을 생성하기 위해 특이성 수치를 규정하고/규정하거나 다양성 값에 대한 커스텀 특이성 수치를 규정할 수 있도록 해줄 수 있다. 하지만, 제조 공정들의 학습 및/또는 최적화를 촉진시키기 위해 사용자 입력 컴포넌트(502)는 사용자가 다른 유형들의 정보 및/또는 데이터를 규정(예컨대, 입력)할 수 있게 해주도록 구현될 수 있다는 것을 알아야 한다.

도 6은 본 발명개시의 다양한 양태들 및 구현예들에 따른 예시적인 데이터 매트릭스(600)이다. 데이터 매트릭스(600)는 제조 공정들의 학습 및/또는 최적화를 촉진시킬 수 있다. 제조 툴(들)(110)과 연관된 공정 데이터는 데이터 매트릭스(600) 내에 병합될 수 있다. 예를 들어, 데이터 매트릭스(600) 내에 포함된 공정 데이터는 분광기(120), 툴 센서들(130), 디바이스 측정 장비(140) 및/또는 유지보수 모니터링 장비(150)에 의해 생성되고/생성되거나 획득될 수 있다. 다른 양태에서, 데이터 매트릭스(600)는 보고 컴포넌트(160)에 의해 생성될 수 있다.

데이터 매트릭스(600)는 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터, 및/또는 유지보수 데이터를 포함할 수 있다. 센서 측정 데이터는, 비제한적인 예시로서, 챔버 압력, 유량, 전력 데이터, 공정의 경과 초 시간 등을 포함할 수 있다. 스펙트럼 데이터는, 비제한적인 예시로서, 스펙트럼 세기(예컨대, 측정된 모든 파장들에 대한 틱별 스펙트럼 측정치들)를 포함할 수 있다. 디바이스 측정 데이터는, 비제한적인 예시로서, 웨이퍼 상의 하나 이상의 측정 타겟들에서의, 차원 데이터, 두께 등을 포함할 수 있다. 유지보수 데이터는, 비제한적인 예시로서, 최종 예방 유지보수 이래로 경과된 시간, 컴포넌트들의 연령(예컨대, 컴포넌트와 연관된 생산 시간) 등을 포함할 수 있다. 일 양태에서, 데이터 매트릭스(600) 내에 포함된 데이터의 적어도 일부분은 사용자 입력 컴포넌트(502)를 통해 제공되고, 사용자 입력 컴포넌트(502)를 통해 수정되고, 사용자 입력 컴포넌트(502)를 통해 선택될 수 있다.

도 6에서 도시된 비제한적인 예시에서, 데이터 매트릭스(600)는 필드(602), 필드(604), 필드(606), 필드(608) 및 필드(610)를 포함할 수 있다. 예를 들어, 필드(602)(예컨대, 웨이퍼 ID 필드)는 처리의 단위(예컨대, 웨이퍼)를 캡처할 수 있다. 필드(604)(예컨대, 시간 필드)는 처리의 단위(예컨대, 웨이퍼)와 연관된 공정에 대한 경과 시간(예컨대, 경과된 초)을 보고할 수 있다. 일 양태에서, 공정은 하나 이상의 단계들로 파티션화될 수 있다. 이에 따라, 데이터 매트릭스(600)는 추가적으로 단계 ID 필드(미도시됨)를 포함할 수 있다. 필드(606)는 센서 측정 데이터를 포함할 수 있다. 예를 들어, 시간 필드 후의 하나 이상의 필드들은 툴 센서 측정 데이터를 포함할 수 있다. 도 6에서, 필드(606)는 압력을 표시한다. 하지만, (예컨대, 비제한적인 예시로서, 유량, 전력 데이터 등과 같은) 다른 유형의 센서 측정 데이터가 데이터 매트릭스(600) 내에 추가적으로 또는 대안적으로 포함될 수 있다는 것을 알아야 한다. 필드(608)는 스펙트럼 데이터를 포함할 수 있다. 예를 들어, 필드(608)는 스펙트럼 세기 측정치(예컨대, 파장 'W260')를 포함할 수 있다. 하지만, 다른 스펙트럼 데이터(예컨대, 다른 파장들 등)가 데이터 매트릭스(600) 내에 추가적으로 또는 대안적으로 포함될 수 있다는 것을 알아야 한다. 일 양태에서, 임의의 개수의 스펙트럼 데이터(예컨대, 파장)가 데이터 매트릭스(600) 내에 포함될 수 있다. 필드(610)는 디바이스 측정 데이터(예컨대, FI-CD)를 포함할 수 있다. 하지만, 데이터 매트릭스(600)는 추가적으로 또는 대안적으로 다른 디바이스 측정 데이터(예컨대, 에칭 바이어스 등)를 포함할 수 있다는 것을 알아야 한다. 일 양태에서, 필드(610)는 디바이스 측정 데이터와 연관된 위치 번호(예컨대, 툴 번호)를 포함할 수 있다. 예를 들어, 괄호 안의 숫자(예컨대, ‘(1)’)는 위치 번호(예컨대, 툴 번호)를 식별할 수 있다. 데이터 매트릭스(600)는 추가적으로 또는 대안적으로 다른 유형들의 데이터(예컨대, 유지보수 데이터 등)를 포함할 수 있다는 것을 알아야 한다.

일 양태에서, 데이터 매트릭스(600) 내에 포함된 데이터를 획득하기 위한 계측 측정들이 처리 전에 수행될 수 있다. 다른 양태에서, 데이터 매트릭스(600) 내에 포함된 데이터를 획득하기 위한 계측 측정들은 처리 후에 수행될 수 있다. 단일 계측 측정 또는 인 시츄(in-situ) 계측이 처리의 단위별로(예컨대, 웨이퍼별로) 구현될 수 있다는 것을 알아야 한다. 또한, 비제한적인 예시로서, 쓰루풋, 효율 등과 같은 다른 유형들의 데이터가 데이터 매트릭스(600) 내에 포함될 수 있다는 것을 알아야 한다.

도 7은 본 발명개시의 다양한 양태들 및 구현예들에 따른 후보 공정 모델들의 예시적인 순위(700)이다. 일 양태에서, 순위(700)는 순위화 컴포넌트(210)(예컨대, 학습 컴포넌트(180))와 연관될 수 있다. 열(column)(702)은 순위(700)와 연관된 공정 모델들(예컨대, 후보 공정 모델들)을 포함한다. 예를 들어, 열(702)은 후보 공정 모델들의 세트 내에 포함된 후보 공정 모델들을 나타낼 수 있다. 열(704)은 열(702) 내에 포함된 후보 공정 모델들의 세트와 연관된 품질값들을 포함할 수 있다. 도 7에서 도시된 비제한적인 예시에서, 열(704) 내의 품질값들은 정규화된 MSE(예컨대, 1/(1-MSE))와 연관된다. 이에 따라, 보다 높은 품질값은 보다 낮은 에러 측정치에 대응한다. 열(706)은 열(702) 내에 포함된 후보 공정 모델들의 세트와 연관된 다양성 값들을 나타낼 수 있다. 도 7에서 도시된 비제한적인 예시에서, 열(706) 내의 다양성 값들은 코사인 함수와 연관된다. 이에 따라, 보다 높은 다양성 값은 보다 큰 다양성에 대응한다(예컨대, 0과 동일한 다양성 값은 다양성 없음에 대응한다).

선택된 후보(예컨대, 후보_2)는 후보 공정 모델들의 세트 내에서 최고 품질을 갖는 후보 공정 모델일 수 있다(예컨대, 선택된 후보(예컨대, 후보_2)가 제1 위로 순위매겨진다). 예를 들어, 선택된 후보(예컨대, 후보_2)는 식별 컴포넌트(208)에 의해 식별될 수 있다. 도 7에서 도시된 후보 공정 모델들의 세트는 일곱 개의 후보 공정 모델들을 포함한다. 하지만, 후보 공정 모델들의 세트는 상이한 개수의 후보 공정 모델들을 포함할 수 있다는 것을 알아야 한다. 도 7에서 도시된 비제한적인 예시에서, 후보_1은 제2 위로 순위매겨지고, 후보_5는 제3 위로 순위매겨지고, 후보_7은 제4 위로 순위매겨지고, 후보_4는 제5 위로 순위매겨지고, 후보_3은 제6 위로 순위매겨지며, 후보_6은 제7 위로 순위매겨진다.

순위(700)는 후보_1 내지 후보_7과 연관된 품질값들에 기초하여 초기에 순위매겨진다. 도 7에서 도시된 비제한적인 예시에서, 선택된 후보(예컨대, 후보_2)는 0.91과 동일한 품질값과 연관될 수 있고, 이에 따라 이것은 제1 위로 순위매겨진다. 다양성(예컨대, 특이성, 유사성 등)을 결정하기 위해, 나머지 다른 후보 공정 모델들 각각이 선택된 후보(예컨대, 후보_2)에 비교되기 때문에, 선택된 후보(예컨대, 후보_2)는 다양성 값과 연관되지 않는다. 후보_1은 0.90(예컨대, 제2 최고 품질값)과 동일한 품질값과 연관되기 때문에 후보_1은 제2 위로 순위매겨진다. 하지만, 후보_5와 후보_7은 둘 다 0.86(예컨대, 제3 최고 품질값)과 동일한 품질값과 연관된다. 하지만, 후보_5는 0.79와 동일한 다양성 값과 연관되고, 후보_7은 0.76과 동일한 다양성 값과 연관되기 때문에(선택된 후보와 비교하여 후보_5가 보다 많이 특이함), 후보_5는 제3 위로 순위매겨지고, 후보_7은 제4 위로 순위매겨진다. 일 양태에서, STMM(402) 내에 저장을 위해 하나 이상의 후보 공정 모델들이 순위(700)에 기초하여 선택될 수 있다. 이에 따라, 최대로 다양하면서 최저 오차와 연관된 후보 공정 모델들의 선택은 순위(700)를 통해 손쉽게, 신속하게 및/또는 최적으로 선택될 수 있다. 또한, 순위(700)는 매우 유사한 공정 모델들로 한정되는 것을 방지하도록(예컨대, 오버피팅을 방지하도록) 다양하면서 높은 품질에 대한 강력한 상관을 갖는 후보 공정 모델들의 서브세트의 선택을 촉진시킬 수 있다. 그러므로, 제조 툴(들)(110)에 의해 생성된 처리된 웨이퍼들(104)의 품질은 제조 툴(들)(110)과 연관된 상이한 조건들 및/또는 제조 상황들(예컨대, 공정 사이클들)을 고려하면서 향상될 수 있다.

순위(700)는 대안적으로 본 발명개시의 다양한 양태들 및 구현예들에 따른 후보 솔루션들의 순위일 수 있다는 것을 알아야 한다. 예를 들어, 순위(700)는 순위화 컴포넌트(308)(예컨대, 최적화 컴포넌트(190))와 연관될 수 있다. 이에 따라, 후보 솔루션들은 후보 공정 모델들에 대해 상술한 바와 마찬가지로, 품질값들 및 다양성 값들에 기초하여 순위매겨질 수 있다. 따라서, 일 양태에서, 하나 이상의 후보 솔루션들이 STOM(404) 내에 저장을 위해 순위(700)에 기초하여 선택될 수 있다. 또한, 최대로 다양하면서 최저 오차와 연관된 후보 솔루션들의 선택은 순위(700)를 통해 손쉽게, 신속하게 및/또는 최적으로 선택될 수 있다. 또한, 순위(700)는 매우 유사한 솔루션들로 한정되는 것을 방지하도록(예컨대, 오버피팅을 방지하도록) 다양하면서 높은 품질에 대한 강력한 상관을 갖는 후보 솔루션들의 서브세트의 선택을 촉진시킬 수 있다. 그러므로, 제조 툴(들)(110)에 의해 생성된 처리된 웨이퍼들(104)의 품질은 제조 툴(들)(110)과 연관된 상이한 조건들 및/또는 제조 상황들(예컨대, 공정 사이클들)을 고려하면서 향상될 수 있다.

도 8은 본 발명개시의 다양한 양태들 및 구현예들에 따른 후보 솔루션들의 예시적인 순위(800)이다. 일 양태에서, 순위(800)는 순위화 컴포넌트(308)(예컨대, 최적화 컴포넌트(190))와 연관될 수 있다. 예를 들어, 순위(800)는 최고 품질을 갖는 후보 솔루션을 결정하기 위해 후보 솔루션들의 순위와 연관될 수 있다. 열(column)(802)은 순위(800)와 연관된 솔루션들(예컨대, 후보 솔루션들)을 포함한다. 후보 솔루션들은 선택된 후보 공정 모델(예컨대, 도 7에서 도시된, 선택된 후보(예컨대, 후보_2))에 기초하여 순위매겨질 수 있다. 예를 들어, 후보 솔루션들은 도 7에서 도시된, 선택된 후보(예컨대, 후보_2))와 연관된 타겟 출력값과 관련하여 순위매겨질 수 있다. 도 8에서 도시된 비제한적인 예시에서, 선택된 후보 공정 모델(예컨대, 도 7에서 도시된, 선택된 후보(예컨대, 후보_2))는 세 개의 입력 파라미터들과 연관될 수 있다. 이에 따라, 열(802) 내에 포함된 후보 솔루션들은 열(806) 내에 포함된 제1 입력 파라미터, 열(808) 내에 포함된 제2 입력 파라미터, 및 열(810) 내에 포함된 제3 입력 파라미터와 연관될 수 있다. 열(812)은 열(802) 내에 포함된 후보 솔루션들의 세트와 연관된 품질값들을 포함할 수 있다. 열(814)은 열(802) 내에 포함된 후보 솔루션들의 세트와 연관된 다양성 값들을 나타낼 수 있다.

또한, 도 8에서 도시된 비제한적인 예시에서, 선택된 후보 공정 모델(예컨대, 도 7에서 도시된, 선택된 후보(예컨대, 후보_2))에 대한 타겟 출력값은 1300이다. 열(802) 내에 포함된 후보 솔루션들 각각에 대한 출력값을 예측하기 위해, 선택된 후보 공정 모델(예컨대, 도 7에서 도시된, 선택된 후보(예컨대, 후보_2))이 활용될 수 있다. 후보 솔루션들 각각에 대한 예측된 출력값들은 열(804) 내에 포함될 수 있다. 품질값은 후보 솔루션의 출력값(예컨대, 예측된 출력값)과 타겟 출력값 사이의 오차 측정치에 대응할 수 있다. 도 8에서 도시된 비제한적인 예시에서, 열(812) 내의 품질값들은 정규화된 MSE(예컨대, 1/(1-MSE))와 연관된다. 이에 따라, 보다 높은 품질값은 보다 낮은 에러 측정치에 대응한다. 다양성 값은 후보 솔루션들간의 다양성(예컨대, 후보 솔루션들의 입력 파라미터들간의 다양성)에 대응할 수 있다. 도 8에서 도시된 비제한적인 예시에서, 열(814) 내의 다양성 값들은 코사인 함수와 연관된다. 이에 따라, 보다 높은 다양성 값은 보다 큰 다양성에 대응한다(예컨대, 0과 동일한 다양성 값은 다양성 없음에 대응한다).

이에 따라, 순위(800)는 열(804)(예컨대, 열(802) 내에 포함된 후보 솔루션들과 연관된 출력값들), 열(812)(예컨대, 열(802) 내에 포함된 후보 솔루션들과 연관된 품질값들), 및/또는 열(814)(예컨대, 열(802) 내에 포함된 후보 솔루션들과 연관된 다양성 값들)에 기초하여 순위매겨질 수 있다. 따라서, 도 8에서 도시된 비제한적인 예시에서, 1299의 출력값은 1300의 타겟 출력값에 가장 가깝기 때문에, 후보_3이 제1 위로 순위매겨진다(예컨대, 후보_3의 출력값은 타겟 출력값에 대해 최저 분산을 포함한다). 또한, 대응하는 출력값, 품질값, 및/또는 다양성 값과 관련하여 순위매겨질 때, 후보_1은 제2 위, 후보_4는 제3 위, 및 후보_2는 제4 위로 순위매겨진다. 도 8에서 도시된 비제한적인 예시에서, 다양성(예컨대, 특이성, 유사성 등)을 결정하기 위해 다른 후보 솔루션들 각각(예컨대, 다른 후보 솔루션들 각각에 대한 입력 파라미터들)이 후보_3(예컨대, 후보_3에 대한 입력 파라미터들)과 비교되기 때문에, 후보_3은 다양성 값과 연관되지 않는다.

도 9 내지 도 11은 본 출원의 하나 이상의 실시예들에 따른 다양한 방법들을 나타낸다. 한편, 설명의 단순화를 위해, 여기서 도시된 하나 이상의 방법들은 일련의 동작들로서 도시되고 설명되지만, 몇몇의 동작들은, 이러한 동작들에 따라, 여기서 설명되고 도시된 것과는 상이한 순서로 발생할 수 있고/있거나 다른 동작들과 동시적으로 발생할 수 있으므로, 본 발명들은 동작들의 순서에 의해 제한받지 않는다는 것을 이해하고 알아야 한다. 예를 들어, 본 발명분야의 당업자는 방법론이 상태도에서와 같이, 일련의 상관된 상태들 또는 이벤트들로서 양자택일적으로 표현될 수 있다는 것을 이해하고 알 것이다. 또한, 본 발명에 따른 방법을 이행하기 위해 예시된 동작들 모두가 필요한 것은 아닐 수 있다. 뿐만 아니라, 상호작용도(들)은, 이질적인 엔티티들이 방법들의 이질적인 부분들을 이행할 때, 본 발명개시에 따른 방법론들 또는 방법들을 나타낼 수 있다. 또한, 여기서 설명된 하나 이상의 특징들 또는 장점들을 달성하기 위해, 개시된 예시적인 방법들 중 둘 이상은 서로 조합형태로 이행될 수 있다.

도 9는 반도체 제조 시스템에서의 공정들을 학습하고, 제어하고/제어하거나 최적화하기 위한 예시적인 방법(900)을 나타낸다. 초기에, 단계(902)에서, 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트가 (예컨대, 학습 컴포넌트(180)에 의해) 생성된다. 예를 들어, 하나 이상의 제조 툴들에 대한 잠재적인 공정 모델들의 세트가 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터, 및/또는 유지보수 데이터에 기초하여 생성될 수 있다.

단계(904)에서, 최저 오차와 연관된 특정 공정 모델이 (예컨대, 학습 컴포넌트(180)에 의해) 후보 공정 모델들의 세트로부터 선택된다. 예를 들어, 최저 MSE 값과 연관된 특정 공정 모델이 후보 공정 모델들의 세트로부터 선택될 수 있다.

단계(906)에서, 특정 공정 모델과 연관된 후보 솔루션들의 세트가 (예컨대, 최적화 컴포넌트(190)에 의해) 생성된다. 예를 들어, 각각의 후보 솔루션은 특정 공정 모델과 연관된 입력들의 값들의 세트일 수 있다.

단계(908)에서, 후보 솔루션들의 세트로부터의 특정 솔루션이, 이 특정 솔루션과 연관된 출력값 및 타겟 출력값에 기초하여 (예컨대, 최적화 컴포넌트(190)에 의해) 선택된다. 예를 들어, 최저 분산과 연관된 후보 솔루션들의 세트로부터의 특정 솔루션이 (예컨대, 이 특정 솔루션과 연관된 출력값 및 타겟 출력값에 기초하여) 선택될 수 있다.

도 10은 반도체 제조 시스템에서의 공정들을 학습하기 위한 예시적인 방법(1000)을 나타낸다. 초기에, 단계(1002)에서, 하나 이상의 제조 툴들과 연관된 공정 데이터가 (예컨대, 학습 컴포넌트(180)에 의해) 수신된다. 예를 들어, 공정 데이터는, 비제한적인 예시로서, 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터, 및/또는 유지보수 데이터를 포함할 수 있다. 일 양태에서, 공정 데이터는 데이터 매트릭스와 연관될 수 있다.

단계(1004)에서, 후보 공정 모델들의 세트가 공정 데이터에 기초하여 (예컨대, 후보 컴포넌트(202)에 의해) 생성된다. 예를 들어, 수학적 공정 모델들의 세트(예컨대, 후보 함수들의 세트)가 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 생성될 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 생성하기 위해 하나 이상의 유전자 알고리즘들이 이행될 수 있다. 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 생성하기 위해 곡선 피팅 기술이 이행될 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델은 선형 근사, 다중 선형 근사, 다각형 곡선 피팅, 신경망 등을 이용하여 생성될 수 있다. 하지만, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델을 생성하기 위해 다른 유형의 기술이 이행될 수 있다는 것을 알아야 한다.

단계(1006)에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값이 (예컨대, 품질 컴포넌트(204)에 의해) 생성된다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 예측된 성능 표시자가 생성될 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 MSE 값과 연관될 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 평균 제곱근 오차(root MSE) 값과 연관될 수 있다. 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 상관값과 연관될 수 있다. 또다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 결정계수값과 연관될 수 있다. 하지만, 다른 유형의 품질 측정치가 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값과 연관될 수 있다는 것을 알아야 한다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 정규화 값일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 1/(1-MSE)과 동일할 수 있다.

단계(1008)에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값이 (예컨대, 다양성 컴포넌트(206)에 의해) 생성된다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 유사성 표시자(예컨대, 특이성 표시자)가 생성될 수 있다. 일례에서, 후보 공정 모델들의 세트 내의 후보 공정 모델에 의해 생성된 출력값이 후보 공정 모델들의 세트 내의 다른 후보 공정 모델들에 의해 생성된 다른 출력값들과 비교되어질 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 코사인 함수와 연관될 수 있다(예컨대, 제1 출력 벡터는 후보 공정 모델과 연관이 있고, 제2 출력 벡터는 다른 후보 공정 모델과 연관이 있다). 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)와 연관될 수 있다. 또다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 역 유사성 측정치들과 연관될 수 있다. 하지만, 다른 유형의 다양성 측정치가 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값과 연관될 수 있다는 것을 알아야 한다.

단계(1010)에서, 후보 공정 모델들의 세트 내에서 최고 품질을 갖는 후보 공정 모델이 (예컨대, 식별 컴포넌트(208)에 의해) 식별된다. 예를 들어, 후보 공정 모델들에 대해 생성된 품질값들이 비교될 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내에서 최저 오차(예컨대, 최저 MSE 값)와 연관된 후보 공정 모델이 식별될 수 있다.

단계(1012)에서, 후보 공정 모델들의 세트에 대해 생성된 품질값들 및/또는 생성된 다양성 값들에 기초하여 후보 공정 모델들의 세트 내의 후보 공정 모델들이 (예컨대, 순위화 컴포넌트(210)에 의해) 순위매겨진다. 예를 들어, 후보 공정 모델들의 세트가 대응하는 품질값들에 기초하여 초기에 순위매겨질 수 있다(예컨대, 최고 품질을 갖는 식별된 후보 공정 모델이 제1 위로 순위매겨지며, 두번째로 높은 품질을 갖는 후보 공정 모델이 제2 위로 순위매겨지는 식으로 이뤄진다). 또한, 후보 공정 모델들의 세트가 대응하는 다양성 값들에 기초하여 순위매겨질 수 있다. 예를 들어, 동일한 품질값을 갖는 후보 공정 모델들의 순위는 대응하는 다양성 값에 기초하여 결정될 수 있다(예컨대, 보다 높은 다양성 값을 갖는 후보 공정 모델이 보다 높게 순위매겨질 수 있다). 이에 따라, 보다 높은 순위는 보다 높은 품질(예컨대, 보다 낮은 오차값)과 보다 큰 다양성(예컨대, 다른 후보 공정 모델들에 비교하여 보다 큰 특이성)에 대응할 수 있다.

단계(1014)에서, 후보 공정 모델들의 세트의 서브세트가 순위에 기초하여 (예컨대, 선택 컴포넌트(212)에 의해) 선택된다. 예를 들어, 최고 순위를 갖는 일정 수의 후보 공정 모델들(예컨대, 위에서 세번째 순위 안에 드는 세 개의 후보 공정 모델들, 위에서 다섯번째 순위 안에 드는 다섯 개의 후보 공정 모델들)이 선택될 수 있다. 일 양태에서, 후보 공정 모델들의 서브세트가 메모리의 이용가능한 크기에 기초하여 선택될 수 있다. 예를 들어, 높은 순위를 갖는 일정 수의 후보 공정 모델들이 메모리(예컨대, 숏 텀 모델 메모리)의 이용가능한 크기에 기초하여 선택될 수 있다.

단계(1016)에서, 후보 공정 모델들의 세트의 서브세트는 숏 텀 모델 메모리(예컨대, STMM(402)) 내에 저장된다. 이에 따라, 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초한 점증적 학습이 시간의 경과에 따라 지속적으로 향상될 수 있다. 또한, 고품질 후보 공정 모델들의 다양한 세트를 숏 텀 메모리 내에 유지하면서 보다 빠른 공정 모델 개발이 활용될 수 있다. 추가적으로, 숏 텀 메모리에서의 공정 모델링을 위한 다양한 고품질 모델들의 세트를 유지함으로써 변화하는 제조 상황들에 대해 적응하면서, 오버피팅의 확률은 감소될 수 있다.

도 11는 반도체 제조 시스템에서의 공정들을 제어하고/제어하거나 최적화하기 위한 예시적인 방법(1100)을 나타낸다. 일 양태에서, 방법(1100)은 방법(1000)과 관련지어 구현될 수 있다. 초기에, 단계(1102)에서, 하나 이상의 제조 툴들에 대한 공정 데이터와 연관된 공정 모델이 (예컨대, 최적화 컴포넌트(190)에 의해) 수신된다. 예를 들어, 후보 공정 모델들의 세트 중에서 최고 품질을 갖도록 선택된 공정 모델이 수신될 수 있다. 일 양태에서, 수신된 공정 모델은 방법(1000)의 단계(1010)에서 식별된 공정 모델일 수 있다.

단계(1104)에서, 공정 모델에 대한 타겟 출력값이 (예컨대, 최적화 컴포넌트(190)에 의해) 수신된다. 예를 들어, 수신된 공정 모델에 대한 타겟 출력값(예컨대, 희망하는 출력값)이 수신될 수 있다.

단계(1106)에서, 후보 솔루션들의 세트가 공정 모델에 기초하여 (예컨대, 후보 컴포넌트(302)에 의해) 생성된다. 예를 들어, 후보 솔루션들의 세트 내의 각각의 솔루션은 공정 모델과 연관된 입력들의 값들(예컨대, 입력 파라미터들)의 세트일 수 있다. 일 양태에서, 후보 솔루션들의 세트 내의 각각의 솔루션은 하나 이상의 유전자 알고리즘들에 기초하여 생성될 수 있다. 다른 양태에서, 후보 솔루션들의 세트 내의 각각의 솔루션은 시뮬레이팅된 어닐링에 기초하여 생성될 수 있다. 또다른 양태에서, 후보 솔루션들의 세트 내의 각각의 솔루션은 힐 클라임 최적화 기술에 기초하여 생성될 수 있다. 하지만, 후보 솔루션들의 세트 내의 각각의 솔루션이 상이한 유형의 최적화 기술에 기초하여 생성될 수 있다는 것을 알아야 한다.

단계(1108)에서, 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 출력값이 공정 모델을 활용함으로써 (예컨대, 예측 컴포넌트(304)에 의해) 예측된다. 예를 들어, 제1 후보 솔루션에 대한 제1 출력값이 공정 모델을 활용함으로써 생성될 수 있고, 제2 후보 솔루션에 대한 제2 출력값이 공정 모델을 활용함으로써 생성될 수 있는 식으로 예측된다. 이에 따라, 출력값들의 세트가 공정 모델 및 후보 솔루션들의 세트에 기초하여 생성될 수 있다.

단계(1110)에서, 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값이 (예컨대, 품질 컴포넌트(306)에 의해) 생성된다. 품질값은 타겟 출력값과 비교되어진 후보 솔루션의 출력값에 대한 품질 표시자일 수 있다. 예를 들어, 품질값은 타겟 출력값과 후보 솔루션의 출력값간의 분산을 표시할 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 MSE 값과 연관될 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 평균 제곱근 오차(root MSE) 값과 연관될 수 있다. 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 상관값과 연관될 수 있다. 또다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 결정계수값과 연관될 수 있다. 하지만, 다른 유형의 품질 측정치가 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값과 연관될 수 있다는 것을 알아야 한다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 정규화 값일 수 있다. 예를 들어, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 1/(1-MSE)과 동일할 수 있다.

단계(1112)에서, 후보 솔루션들의 세트 내에서 최고 품질을 갖는 후보 솔루션이 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대해 생성된 품질값에 기초하여 (예컨대, 순위화 컴포넌트(308)에 의해) 결정된다. 예를 들어, 타겟 출력값(예컨대, 최저 MSE에 대응하는 품질값)과 후보 솔루션에 대한 출력값간의 최저 오차에 대응하는 타겟값을 갖는 후보 솔루션이 최고 품질을 갖는 후보 솔루션으로서 선택될 수 있다.

단계(1114)에서, 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 다양성 값이 (예컨대, 다양성 컴포넌트(310)에 의해) 생성된다. 다양성 값은 (예컨대, 단계(1012)에서 결정된) 최고 품질을 갖는 후보 솔루션에 대한 특정 후보 솔루션의 특이성의 수치일 수 있다. 일 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 코사인 함수와 연관될 수 있다(예컨대, 제1 출력 벡터는 특정 후보 솔루션과 연관이 있고, 제2 출력 벡터는 최고 품질을 갖는 후보 솔루션과 연관이 있다). 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 할스테드 메트릭(예컨대, 할스테드 복잡도 수치)와 연관될 수 있다. 다른 양태에서, 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 역 유사성 측정치들과 연관될 수 있다. 하지만, 다른 유형의 다양성 측정이 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값을 생성하도록 구현될 수 있다는 것을 알아야 한다.

단계(1116)에서, 후보 솔루션들의 세트 내의 후보 솔루션들이 후보 솔루션들의 세트에 대해 생성된 품질값들 및/또는 생성된 다양성 값들에 기초하여 (예컨대, 순위화 컴포넌트(308)에 의해) 순위매겨진다. 예를 들어, 솔루션들의 세트가 대응하는 품질값들에 기초하여 초기에 순위매겨질 수 있다(예컨대, 최고 품질을 갖는 후보 솔루션이 제1 위로 순위매겨지며, 두번째로 높은 품질을 갖는 후보 솔루션이 제2 위로 순위매겨지는 식으로 이뤄진다). 또한, 후보 솔루션들의 세트가 대응하는 다양성 값들에 기초하여 순위매겨질 수 있다. 예를 들어, 동일한 품질값을 갖는 후보 솔루션들의 순위는 대응하는 다양성 값에 기초하여 결정될 수 있다(예컨대, 보다 높은 다양성 값을 갖는 후보 솔루션이 보다 높게 순위매겨질 수 있다). 이에 따라, 보다 높은 순위는 보다 높은 품질(예컨대, 보다 낮은 오차값)과 보다 큰 다양성(예컨대, 최고 품질을 갖는 후보 솔루션에 비교하여 보다 큰 특이성)에 대응할 수 있다.

단계(1118)에서, 후보 솔루션들의 세트의 서브세트가 순위에 기초하여 (예컨대, 선택 컴포넌트(312)에 의해) 선택된다. 예를 들어, 최고 순위를 갖는 일정 수의 후보 솔루션들(예컨대, 위에서 세번째 순위 안에 드는 세 개의 후보 솔루션들, 위에서 다섯번째 순위 안에 드는 다섯 개의 후보 솔루션들)이 선택될 수 있다. 일 양태에서, 솔루션들의 서브세트가 메모리의 이용가능한 크기에 기초하여 선택될 수 있다. 예를 들어, 높은 순위를 갖는 일정 수의 후보 솔루션들이 메모리(예컨대, 숏 텀 최적화 메모리)의 이용가능한 크기에 기초하여 선택될 수 있다.

단계(1120)에서, 후보 솔루션들의 세트의 서브세트는 숏 텀 최적화 메모리(예컨대, STOM(404)) 내에 저장된다. 이에 따라, 하나 이상의 제조 툴들과 연관된 공정 데이터에 기초한 점증적 최적화가 시간의 경과에 따라 지속적으로 향상될 수 있다. 또한, 공정 최적화를 위해 고품질 후보 솔루션들의 다양한 세트를 숏 텀 메모리 내에 유지하면서 보다 빠른 공정 최적화가 활용될 수 있다. 추가적으로, 숏 텀 메모리에서의 공정 제어 및/또는 공정 최적화를 위한 다양한 고품질 솔루션들의 세트를 유지함으로써 변화하는 제조 상황들에 대해 적응하면서, 오버피팅의 확률은 감소될 수 있다.

개시된 발명내용의 다양한 양태들에 대한 상황을 제공하기 위해, 도 12와 도 13뿐만이 아니라 아래의 논의는 개시된 발명내용의 다양한 양태들이 구현될 수 있는 적절한 환경의 간략하고 일만적인 설명을 제공하려고 의도된 것이다.

도 12를 참조하면, 본 발명개시의 다양한 양태들을 구현하기 위한 적절한 환경(1200)은 컴퓨터(1212)를 포함한다. 컴퓨터(1212)는 처리 유닛(1214), 시스템 메모리(1216), 및 시스템 버스(1218)를 포함한다. 시스템 버스(1218)는 비제한적인 예시로서, 시스템 메모리(1216)를 비롯한 시스템 컴포넌트들을 처리 유닛(1214)에 결합시킨다. 처리 유닛(1214)은 임의의 이용가능한 다양한 프로세서들일 수 있다. 듀얼 마이크로프로세서들 및 다른 멀티프로세서 아키텍처들이 또한 처리 유닛(1214)으로서 활용될 수 있다.

시스템 버스(1218)는 비제한적인 예시로서, ISA(Industrial Standard Architecture), MSA(Micro-Channel Architecture), EISA(Extended ISA), IDE(Intelligent Drive Electronics), VLB(VESA Local Bus), PCI(Peripheral Component Interconnect), 카드 버스, USB(Universal Serial Bus), AGP(Advanced Graphics Port), PCMCIA(Personal Computer Memory Card International Association bus), 펌웨어(IEEE 1394), 및 SCSI(Small Computer Systems Interface)를 비롯한 임의의 다양한 이용가능한 버스 아키텍처들을 이용하는 메모리 버스 또는 메모리 제어기, 주변 버스 또는 외부 버스, 및/또는 로컬 버스를 비롯한, 여러 유형들의 버스 구조물(들) 중 임의의 것일 수 있다.

시스템 메모리(1216)는 휘발성 메모리(1220) 및 비휘발성 메모리(1222)를 포함한다. 시동시 동안과 같이, 컴퓨터(1212) 내의 엘리먼트들간에 정보를 전송하기 위한 기본 루틴들을 포함하는 BIOS(basic input/output system)가 비휘발성 메모리(1222)에 저장된다. 비제한적인 예로서, 비휘발성 메모리(1222)는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable programmable ROM), 플래쉬 메모리, 또는 비휘발성 RAM(random access memory)(예컨대, 강유전 RAM)(FeRAM)을 포함할 수 있다. 휘발성 메모리(1220)는 외부 캐쉬 메모리로서 역할을 하는, RAM(random access memory)을 포함한다. 비제한적인 예로서, RAM은 SRAM(static RAM), DRAM(dynamic RAM), SDRAM(synchronous DRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM), DRRAM(direct Rambus RAM), DRDRAM(direct Rambus dynamic RAM), 및 RDRAM(rambus dynamic RAM)과 같은 많은 형태들로 이용가능하다.

컴퓨터(1212)는 또한 착탈식/비착탈식의, 휘발성/비휘발성 컴퓨터 저장 매체를 포함한다. 도 12는 예컨대 디스크 저장장치(1224)를 나타낸다. 디스크 저장장치(1224)는, 비제한적인 예시로서, 자기 디스크 드라이브, 플로피 디스크 드라이브, 테잎 드라이브, 재즈 드라이브, 집 드라이브, LS-100 드라이브, 플래쉬 메모리 카드, 또는 메모리 스틱과 같은 디바이스들을 포함한다. 디스크 저장장치(1224)는 비제한적인 예시로서, CD-ROM(compact disk ROM device), CD-R 드라이브(CD recordable drive), CD-RW 드라이브(CD rewritable drive) 또는 DVD-ROM(digital versatile disk ROM drive)과 같은 광학 디스크 드라이브를 비롯한 저장 매체를 개별적으로 또는 다른 저장 매체와의 조합 형태로 포함할 수 있다. 시스템 버스(1218)로의 디스크 저장 디바이스들(1224)의 연결을 수월하게 하기 위해, 일반적으로 인터페이스(1226)와 같은, 착탈식 또는 비착탈식 인터페이스가 이용된다.

도 12는 적절한 운영 환경(1200)에서 기술된 기본적인 컴퓨터 자원들과 사용자들간의 중개자로서 역할을 하는 소프트웨어를 도시한다. 이러한 소프트웨어는 예컨대, 운영체제(1228)를 포함한다. 디스크 저장장치(1224) 상에 저장될 수 있는 운영체제(1228)는 컴퓨터 시스템(1212)의 자원들을 제어하고 할당하는 역할을 한다. 시스템 애플리케이션들(1230)은 예컨대, 시스템 메모리(1216) 내에 또는 디스크 저장장치(1224) 상에 저장된 프로그램 모듈들(1232)과 프로그램 데이터(1234)를 통해 운영체제(1228)에 의한 자원들의 관리를 이용한다. 본 발명개시는 다양한 운영체제들 또는 운영체제들의 조합들로 구현될 수 있다는 것을 알아야 한다.

사용자는 커맨드 또는 정보를 입력 디바이스(들)(1236)을 통해 컴퓨터(1212)에 입력한다. 입력 디바이스들(1236)은, 비제한적인 예시로서, 마우스, 트랙볼과 같은 포인팅 디바이스, 스타일러스, 터치 패드, 키보드, 마이크로폰, 조이스틱, 게임 패드, 위성 접시용 안테나, 스캐너, TV 튜너 카드, 디지털 카메라, 디지털 비디오 카메라, 웹 카메라 등을 포함한다. 이러한 및 다른 입력 디바이스들은 인터페이스 포트(들)(1238)을 경유하여 시스템 버스(1218)를 통해 처리 유닛(1214)에 연결된다. 인터페이스 포트(들)(1238)은, 예컨대 직렬 포트, 병렬 포트, 게임 포트, 및 USB(universal serial bus)를 포함한다. 출력 디바이스(들)(1240)은 입력 디바이스들(1236)과 동일한 유형의 몇몇 포트들을 이용한다. 따라서, 예컨대, USB 포트는 입력을 컴퓨터(1212)에 제공하고, 컴퓨터(1212)로부터의 정보를 출력 디바이스(1240)에 출력하기 위해 이용될 수 있다. 특수 아답터들을 필요로 하는, 다른 출력 디바이스들(1240) 중에서, 모니터, 스피커 및 프린터와 같은 몇몇의 출력 디바이스들(1240)이 존재한다는 것을 나타내기 위해 출력 아답터(1242)가 제공된다. 출력 아답터들(1242)은, 비제한적인 예시로서, 출력 디바이스(1240)와 시스템 버스(1218)간의 연결 수단을 제공하는 비디오 및 사운드 카드를 포함한다. 다른 디바이스들 및/또는 디바이스들의 시스템들은 원격 컴퓨터(들)(1244)과 같은 입력 및 출력 능력들 둘 다를 제공한다는 것을 유념해야 한다.

컴퓨터(1212)는 원격 컴퓨터(들)(1244)과 같은, 하나 이상의 원격 컴퓨터들에 대한 논리적 연결들을 이용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1244)은 개인 컴퓨터, 서버, 라우터, 네트워크 PC, 워크스테이션, 마이크로프로세서 기반 어플라이언스, 피어 디바이스 또는 다른 일반적인 네트워크 노드 등일 수 있으며, 일반적으로는 컴퓨터(1212)에 관하여 설명된 많은 엘리먼트들 또는 이 모든 엘리먼트들을 포함한다. 간략화를 목적으로, 원격 컴퓨터(들)(1244)에 대해서는 단지 메모리 저장 디바이스(1246)만을 나타낸다. 원격 컴퓨터(들)(1244)은 네트워크 인터페이스(1248)를 통해 컴퓨터(1212)에 논리적으로 연결되고, 그런 후 통신 연결부(1250)를 거쳐 물리적으로 연결된다. 네트워크 인터페이스(1248)는 근거리 네트워크(local-area network; LAN) 및 원거리 네트워크(wide-area network; WAN), 셀룰러 네트워크 등과 같은 유선 및/또는 무선 통신 네트워크들을 망라한다. LAN 기술들은 FDDI(Fiber Distributed Data Interface), CDDI(Copper Distributed Data Interface), 이더넷, 토큰 링 등을 포함한다. WAN 기술들은, 비제한적인 예시로서, 점대점 링크, ISDN(Integrated Services Digital Network) 및 그 변형들과 같은 회선교환망, 패킷 교환망, 및 DSL(Digital Subscriber Line)을 포함한다.

통신 연결부(들)(1250)은 네트워크 인터페이스(1248)를 버스(1218)에 연결시키기 위해 활용되는 하드웨어/소프트웨어를 말한다. 설명의 명확화를 위해 통신 연결부(1250)가 컴퓨터(1212) 내부에 있는 것으로 도시되고 있지만, 통신 연결부(1250)는 컴퓨터(1212) 외부에 위치할 수도 있다. 네트워크 인터페이스(1248)에 대한 연결을 위해 필요한 하드웨어/소프트웨어는, 단지 예시로서, 보통의 전화기형 모뎀, 케이블 모뎀 및 DSL 모뎀을 비롯한 모뎀들, ISDN 아답터 및 이더넷 카드와 같은 내부 및 외부 기술들을 포함한다.

도 13은 본 발명개시의 발명내용과 상호작용할 수 있는 예시적인 컴퓨팅 환경(1300)의 개략적인 블록도이다. 시스템(1300)은 하나 이상의 클라이언트(들)(1310)을 포함한다. 클라이언트(들)(1310)은 하드웨어 및/또는 소프트웨어(예컨대, 쓰레드들, 공정들, 컴퓨팅 디바이스들)일 수 있다. 시스템(1300)은 또한 하나 이상의 서버(들)(1330)을 포함한다. 따라서, 시스템(1300)은 다른 모델들 중에서, 2계층 클라이언트 서버 모델 또는 다계층 모델(예컨대, 클라이언트, 중간계층 서버, 데이터 서버)에 대응할 수 있다. 서버(들)(1330)은 또한 하드웨어 및/또는 소프트웨어(예컨대, 쓰레드들, 공정들, 컴퓨팅 디바이스들)일 수 있다. 서버들(1330)은, 예컨대, 본 발명개시를 활용함으로써 변환들을 수행하도록 쓰레드들을 하우징할 수 있다. 클라이언트(1310)와 서버(1330)간의 한가지 가능한 통신은 두 개 이상의 컴퓨터 공정들간에 송신되는 데이터 패킷의 형태일 수 있다.

시스템(1300)은 클라이언트(들)(1310)과 서버(들)(1330)간의 통신들을 수월하게 하기 위해 활용될 수 있는 통신 프레임워크(1350)를 포함한다. 클라이언트(들)(1310)은 클라이언트(들)(1310)에 로컬로 있는 정보를 저장하기 위해 활용될 수 있는 하나 이상의 클라이언트 데이터 저장장치(들)(1320)에 동작가능하게 연결된다. 마찬가지로, 서버(들)(1330)은 서버(들)(1330)에 로컬로 있는 정보를 저장하기 위해 활용될 수 있는 하나 이상의 서버 데이터 저장장치(들)(1340)에 동작가능하게 연결된다.

본 발명개시의 양태들 또는 특징들은 실질적으로 임의의 무선 원격통신 또는 무선 기술, 예컨대, Wi-Fi; 블루투스; WiMAX(Worldwide Interoperability for Microwave Access); 강화형 GPRS(Enhanced General Packet Radio Service); 3GPP(Third Generation Partnership Project) LTE(Long Term Evolution); 3GPP2(Third Generation Partnership Project 2) UMB(Ultra Mobile Broadband); 3GPP UMTS(Universal Mobile Telecommunication System); HSPA(High Speed Packet Access); HSDPA(High Speed Downlink Packet Access); HSUPA(High Speed Uplink Packet Access); GSM(Global System for Mobile Communications) EDGE(Enhanced Data Rates for GSM Evolution) Radio Access Network(GERAN); UTRAN(UMTS Terrestrial Radio Access Network); LTE-A(LTE Advanced 등에서 활용될 수 있다는 것을 유념해야 한다. 추가적으로, 여기서 설명된 양태들 모두 또는 그 일부는 레거시 원격통신 기술들, 예컨대, GSM에서 활용될 수 있다. 또한, 모바일 및 비모바일 네트워크들(예컨대, 인터넷, IPTV(internet protocol television)과 같은 데이터 서비스 네트워크 등)이 여기서 설명된 양태들 또는 특징들을 활용할 수 있다.

본 발명내용을 컴퓨터 및/또는 컴퓨터들 상에서 구동되는 컴퓨터 프로그램의 컴퓨터로 실행가능한 명령어들의 일반적인 상황으로 상술하여 왔지만, 본 업계의 당업자는 본 발명개시는 또한 다른 프로그램 모듈들과 조합된 형태로 구현될 수 있다는 것을 인식할 것이다. 일반적으로, 프로그램 모듈들은 특정한 태스크들을 수행하고/수행하거나 특정한 추상적 데이터 유형들을 구현하는, 루틴들, 프로그램들, 컴포넌트들, 데이터 구조들 등을 포함한다. 또한, 본 업계의 당업자는 본 발명의 방법들이, 단일 프로세서 또는 멀티프로세서 컴퓨터 시스템들, 미니 컴퓨팅 디바이스들, 메인프레임 컴퓨터들뿐만이 아니라, 개인 컴퓨터들, 핸드헬드 컴퓨팅 디바이스들(예컨대, PDA, 폰), 마이크로프로세서 기반 또는 프로그래밍가능 소비자 또는 산업 전자제품들 등을 비롯한, 다른 컴퓨터 시스템 구성들로 실시될 수 있다는 것을 인식할 것이다. 예시된 양태들은 또한 태스크들이 통신 네트워크를 통해 링크된 원격 프로세싱 디바이스들에 의해 수행되는 분산형 컴퓨팅 환경들에서 실시될 수 있다. 하지만, 본 발명개시의 모든 양태들은 아니더라도 그 몇몇은 독립형 컴퓨터들 상에서 실시될 수 있다. 분산형 컴퓨팅 환경에서, 프로그램 모듈들은 로컬 및 원격 메모리 저장 디바이스들 둘 다에 위치할 수 있다.

본 출원에서 이용된 "컴포넌트", "시스템", "플랫폼", "인터페이스" 등의 용어들은 컴퓨터 관련 엔티티 또는 하나 이상의 특정 기능들을 갖는 연산 머신에 관련된 엔티티를 가리키고/가리키거나 이를 포함할 수 있다. 여기서 개시된 엔티티들은 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행 소프트웨어 중 어느 하나일 수 있다. 예를 들어, 컴포넌트는, 프로세서 상에서 구동하는 프로세스, 프로세서, 오브젝트, 실행가능물, 실행 스레드, 프로그램 및/또는 컴퓨터일 수도 있지만 이에 제한되지는 않는다. 예로서, 서버 상에서 구동하는 애플리케이션 및 서버 양자는 컴포넌트일 수 있다. 하나 이상의 컴포넌트들은 프로세스 및/또는 실행 스레드 내에 상주할 수도 있으며, 컴포넌트는 하나의 컴퓨터 상에 로컬화될 수도 있고/있거나 2개 이상의 컴퓨터들 사이에 분배될 수도 있다.

다른 예시에서, 각각의 컴포넌트들은, 다양한 데이터 구조들이 저장된 다양한 컴퓨터로 판독가능한 매체로부터 실행될 수 있다. 컴포넌트들은 하나 이상의 데이터 패킷들 (예를 들어, 로컬 시스템, 분배된 시스템 내의 다른 컴포넌트와 상호작용하고, 및/또는 인터넷과 같은 네트워크에 걸쳐 신호를 통해 다른 시스템들과 상호작용하는 일 컴포넌트로부터의 데이터) 을 갖는 신호에 따라 로컬 및/또는 원격 프로세스들을 통해 통신할 수도 있다. 다른 예로서, 컴포넌트는 프로세서에 의해 실행된 소프트웨어, 또는 펌웨어 애플리케이션에 의해 동작하는, 전기 또는 전자 회로에 의해 동작하는 기계적 파트들에 의해 제공된 특정 기능성을 갖는 장치일 수 있다. 이 경우, 프로세서는 본 장치 내부 또는 외부에 있을 수 있고, 소프트웨어 또는 펌웨어 애플리케이션의 적어도 일부분을 실행할 수 있다. 또다른 예시로서, 컴포넌트는 기계적 파트들이 없는 전자 컴포넌트들을 통해 특정 기능성을 제공하는 장치일 수 있으며, 전자 컴포넌트들은 전자 컴포넌트들의 기능성을 적어도 일부분 부여하는 소프트웨어 또는 펌웨어를 실행하는 프로세서 또는 다른 수단을 포함할 수 있다. 일 양태에서, 컴포넌트는 가상 머신을 통해, 예컨대 클라우드 컴퓨팅 시스템 내에서 전자 컴포넌트를 에뮬레이팅할 수 있다.

또한, "또는"이라는 용어는 배타적인 "또는"보다는 포괄적인 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥으로부터 명확하지 않으면, "X는 A 또는 B를 이용한다"는 임의의 자연적인 포괄적 순열(natural inclusive permutation)들을 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나, X가 B를 이용하거나, 또는 X가 A 및 B 둘 다를 이용하면, 상기 경우들 중 임의의 경우하에서 "X는 A 또는 B를 이용한다"가 충족된다. 또한, 본 명세서 및 첨부된 도면들에서 이용된 단수표현은 달리 규정되지 않거나 또는 단수형에 직결되는 것으로 문맥으로부터 명확하지 않는다면, 일반적으로 "하나 이상" 을 의미하는 것으로 해석되어야 한다.

여기서 이용된 단어 "예시" 및/또는 "예시적인"은 예로서, 일례로서, 또는 예증으로서 역할을 하는 것을 의미하기 위해 이용된다. 의심의 회피를 위해, 여기서 개시된 본 발명내용은 이러한 예시들에 의해 한정되지 않는다. 또한, "예시" 및/또는 "예시적인"으로서 여기서 설명된 임의의 양태 또는 설계는 다른 양태들 또는 설계들에 비해 바람직하거나 또는 이로운 것으로서 반드시 간주될 필요는 없으며, 또한 본 업계의 당업자에게 알려진 예시적인 등가적 구조물들 및 기술들을 배제하려고 의도된 것도 아니다.

여기에 설명된 다양한 양태들 및 특징들은, 표준 프로그래밍 또는 엔지니어링 기술들을 사용하여 방법, 장치, 시스템, 또는 제조 물품으로서 구현될 수 있다. 또한, 본 발명개시에서 개시된 다양한 양태들 또는 특징들은 여기서 개시된 방법들 중 적어도 하나 이상을 구현하는 프로그램 모듈들을 통해 실현될 수 있으며, 프로그램 모듈들은 메모리 내에 저장되고 적어도 프로세서에 의해 실행된다. 하드웨어와 소프트웨어 또는 하드웨어와 펌웨어의 다른 조합들이 개시된 방법(들)을 비롯하여, 여기서 개시된 양태들을 인에이블하거나 또는 구현할 수 있다. 여기에 이용된 "제조 물품"의 용어는 임의의 컴퓨터로 판독가능한 디바이스, 캐리어 또는 저장 매체로부터 액세스가능한 컴퓨터 프로그램을 망라할 수 있다. 예를 들어, 컴퓨터로 판독가능한 저장 매체는, 비제한적인 예시로서, 자기 저장 디바이스들(예컨대, 하드 디스크, 플로피 디스크, 자기 스트립들...), 광학 디스크들(예컨대, CD(compact disk), DVD(digital versatile disk), BD(blu-ray disc)...), 스마트 카드, 및 플래쉬 메모리 디바이스들(예컨대, 카드, 스틱, 키 드라이브...) 등을 포함할 수 있다.

용어 "프로세서"가 본 명세서에서 이용될 때, 이 용어는 비제한적인 예시로서, 단일 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖춘 단일 프로세서들; 멀티 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖춘 멀티 코어 프로세서들; 하드웨어 멀티쓰레드 기술을 갖춘 멀티 코어 프로세서들; 병렬 플랫폼들; 및 분산형 공유 메모리를 갖는 병렬 플랫폼들을 포함하는 실질적으로 임의의 컴퓨팅 프로세싱 유닛 또는 디바이스를 가리킬 수 있다. 추가적으로, 프로세서는 집적 회로, 애플리케이션 특정 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. 또한, 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 이용할 수 있다. 프로세서는 또한 컴퓨팅 프로세싱 유닛들의 조합으로서 구현될 수 있다.

본 발명개시에서, "스토어", "저장장치", "데이터 스토어", "데이터 저장장치", "데이터베이스"와 같은 용어들 및 컴포넌트의 동작 및 기능성과 관련된 실질적으로 임의의 다른 정보 저장 컴포넌트는 "메모리 컴포넌트들", "메모리"에 포함된 엔티티들, 또는 메모리를 포함하는 컴포넌트들을 가리키도록 사용된다. 여기서 설명된 메모리 및/또는 메모리 컴포넌트들은 휘발성 메모리 또는 비휘발성 메모리 중 어느 하나일 수 있거나, 또는 휘발성 및 비휘발성 메모리 둘 다를 포함할 수 있다는 것을 알아야 한다.

비제한적인 예로서, 비휘발성 메모리는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable programmable ROM), 플래쉬 메모리, 또는 비휘발성 RAM(random access memory)(예컨대, 강유전 RAM)(FeRAM)을 포함할 수 있다. 휘발성 메모리는 예컨대, 외부 캐쉬 메모리로서 역할을 할 수 있는 RAM을 포함할 수 있다. 비제한적인 예로서, RAM은 SRAM(synchronous RAM), DRAM(dynamic RAM), SDRAM(synchronous DRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM), DRRAM(direct Rambus RAM), DRDRAM(direct Rambus dynamic RAM), 및 RDRAM(rambus dynamic 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.

특정 시스템 또는 방법과 관련하여 설명된 컴포넌트들은 여기서 개시된 다른 시스템들 또는 방법들과 관련하여 설명된 각각의 컴포넌트들(예컨대, 각각 명칭된 컴포넌트들 또는 유사하게 명칭된 컴포넌트들)과 동일하거나 또는 유사한 기능성을 포함할 수 있다는 것을 알고 이해해야 한다.

상술한 것은 본 발명개시의 장점들을 제공하는 시스템들 및 방법들의 예시들을 포함한다. 물론, 본 발명개시를 설명하기 위해 컴포넌트들 또는 방법들의 모든 인식가능한 조합을 설명하는 것이 가능하지는 않지만, 본 업계의 당업자는 본 발명개시의 많은 추가적인 조합들 및 순열들이 가능함을 인식할 수 있다. 또한, "포함한다", "갖는다", "소지한다" 등의 용어들이 본 상세한 설명, 청구범위, 부속내용 및 도면들에서 사용되는 경우, 이러한 용어는, 청구범위에서 전이어구로서 이용될 때, "포함한다"가 해석되는 바와 같이 용어 "포함한다"와 유사한 방식으로 포괄적인 것임을 의도한다.

Claims

시스템에 있어서,
컴퓨터로 실행가능한 컴포넌트(component)들을 저장한 메모리; 및
상기 메모리 내에 저장된, 아래의 컴퓨터로 실행가능한 컴포넌트들을 실행하도록 구성된 프로세서
를 포함하고, 상기 아래의 컴퓨터로 실행가능한 컴포넌트들은,
하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하고, 상기 후보 공정 모델들의 세트로부터 최저 오차와 연관된 특정 공정 모델을 선택하는 학습 컴포넌트; 및
상기 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하고, 상기 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택하는 최적화 컴포넌트를 포함하는 것인 시스템.
제1항에 있어서,
상기 공정 데이터는, 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터, 및 유지보수 데이터 중 적어도 하나를 포함하는 데이터 매트릭스(data matrix)와 연관된 것인 시스템.
제1항에 있어서,
상기 학습 컴포넌트는, 상기 후보 공정 모델들의 세트로부터의 상기 특정 공정 모델의 선택을 촉진시키기 위해, 상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값을 생성하는 것인 시스템.
제3항에 있어서,
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값은 평균 제곱 오차와 연관된 것인 시스템.
제3항에 있어서,
상기 학습 컴포넌트는 또한, 상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 특이성(uniqueness)과 연관된 다양성(diversity) 값을 생성하는 것인 시스템.
제5항에 있어서,
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값은 코사인 함수에 기초하여 생성되는 것인 시스템.
제5항에 있어서,
상기 학습 컴포넌트는, 상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값 및 품질값의 함수로서, 상기 후보 공정 모델들의 세트의 순위를 생성하는 것인 시스템.
제7항에 있어서,
상기 학습 컴포넌트는 또한, 상기 순위에 기초하여 상기 후보 공정 모델들의 세트로부터 하나 이상의 다른 공정 모델들을 선택하고, 상기 특정 공정 모델과 상기 하나 이상의 다른 공정 모델들을 숏 텀 모델 메모리(short term model memory) 내에 저장하는 것인 시스템.
제1항에 있어서,
상기 최적화 컴포넌트는, 상기 후보 솔루션들의 세트로부터의 상기 특정 솔루션의 선택을 촉진시키기 위해, 상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값을 생성하는 것인 시스템.
제9항에 있어서,
상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값은 평균 제곱 오차와 연관된 것인 시스템.
제9항에 있어서,
상기 최적화 컴포넌트는 또한, 상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 특이성과 연관된 다양성 값을 생성하는 것인 시스템.
제11항에 있어서,
상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 다양성 값은 코사인 함수에 기초하여 생성되는 것인 시스템.
제11항에 있어서,
상기 최적화 컴포넌트는, 상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 다양성 값 및 품질값의 함수로서, 상기 후보 솔루션들의 세트의 순위를 생성하는 것인 시스템.
제13항에 있어서,
상기 최적화 컴포넌트는 또한, 상기 순위에 기초하여 상기 후보 솔루션들의 세트로부터 하나 이상의 다른 솔루션들을 선택하고, 상기 특정 솔루션과 상기 하나 이상의 다른 솔루션들을 숏 텀 최적화(short term optimization memory) 메모리 내에 저장하는 것인 시스템.
방법에 있어서,
동작들을 구현하기 위해 컴퓨터로 판독가능한 비일시적 매체 상에 저장된, 컴퓨터로 실행가능한 명령어들의 실행을 촉진시키는 프로세서를 활용하는 단계
를 포함하고, 상기 동작들은,
하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하는 동작;
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값을 생성하는 동작;
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델과 연관된 품질값에 기초하여 상기 후보 공정 모델들의 세트로부터 특정 공정 모델을 선택하는 동작;
상기 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하는 동작; 및
상기 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택하는 동작
을 포함한 것인 방법.
제15항에 있어서,
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 다양성 값을 생성하는 동작
을 더 포함하는 방법.
제16항에 있어서,
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값과 다양성 값에 기초하여 상기 후보 공정 모델들의 세트를 순위매기는 동작;
상기 후보 공정 모델들의 세트의 순위에 기초하여 후보 공정 모델들의 서브세트를 선택하는 동작;
상기 후보 공정 모델들의 서브세트를 숏 텀 모델 메모리 내에 저장하는 동작
을 더 포함하는 방법.
제15항에 있어서,
상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값과 다양성 값을 생성하는 동작
을 더 포함하는 방법.
제18항에 있어서,
상기 후보 솔루션들의 세트 내의 각각의 후보 솔루션에 대한 품질값과 다양성 값에 기초하여 상기 후보 솔루션들의 세트를 순위매기는 동작;
상기 후보 솔루션들의 세트의 순위에 기초하여 후보 솔루션들의 서브세트를 선택하는 동작; 및
상기 후보 솔루션들의 서브세트를 숏 텀 최적화 메모리 내에 저장하는 동작
을 더 포함하는 방법.
프로세서를 포함한 시스템에 의한 실행에 응답하여, 상기 시스템으로 하여금 동작들을 수행하게 하는 컴퓨터로 실행가능한 명령어들이 저장되어 있는 컴퓨터로 판독가능한 매체에 있어서, 상기 동작들은,
하나 이상의 제조 툴들과 연관된 공정 데이터에 기초하여 후보 공정 모델들의 세트를 생성하는 동작;
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델에 대한 품질값을 생성하는 동작;
상기 후보 공정 모델들의 세트 내의 각각의 후보 공정 모델과 연관된 품질값에 기초하여 상기 후보 공정 모델들의 세트로부터 특정 공정 모델을 선택하는 동작;
상기 특정 공정 모델과 연관된 후보 솔루션들의 세트를 생성하는 동작; 및
상기 후보 솔루션들의 세트로부터, 타겟 출력값 및 특정 솔루션과 연관된 출력값에 기초하여, 상기 특정 솔루션을 선택하는 동작을 포함한 것인 컴퓨터로 판독가능한 매체.