KR20090001148A - 가상 계측 시스템 및 가상 계측 방법 - Google Patents

가상 계측 시스템 및 가상 계측 방법 Download PDF

Info

Publication number
KR20090001148A
KR20090001148A KR1020070065309A KR20070065309A KR20090001148A KR 20090001148 A KR20090001148 A KR 20090001148A KR 1020070065309 A KR1020070065309 A KR 1020070065309A KR 20070065309 A KR20070065309 A KR 20070065309A KR 20090001148 A KR20090001148 A KR 20090001148A
Authority
KR
South Korea
Prior art keywords
model
virtual
measurement
reliability
metrology
Prior art date
Application number
KR1020070065309A
Other languages
English (en)
Inventor
도승용
권영우
전희식
박충훈
Original Assignee
삼성전자주식회사
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 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020070065309A priority Critical patent/KR20090001148A/ko
Publication of KR20090001148A publication Critical patent/KR20090001148A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

본 발명은 가상 계측 시스템 및 가상 계측 방법에 관한 것으로, 본 발명의 목적은 전체 공정 비용의 절감과 공정 사이클의 단축을 도모할 수 있고, 불량 웨이퍼의 조기발견 및 조치를 통해 제조수율을 향상시킬 수 있는 가상 계측 시스템 및 가상 계측 방법을 제공함에 있다.
이를 위해 본 발명에 따른 가상 계측 시스템은 공정설비의 센서 데이터와 계측설비의 계측값을 이용하여 가상 계측 모델을 생성하고, 상기 가상 계측 모델에 대응되는 신뢰도 모델을 생성하는 모델 생성부; 공정 수행시의 상기 센서 데이터를 상기 가상 계측 모델에 대입하여 상기 계측값을 예측하고, 상기 계측값의 신뢰도를 추정하는 가상 계측 및 신뢰도 추정부를 포함한다.

Description

가상 계측 시스템 및 가상 계측 방법{Virtual Metrology System and Virtual Metrology Method}
도 1은 종래의 계측 방법 및 통계적 공정관리 시스템을 설명하기 위한 도면이다.
도 2는 본 발명의 일실시예에 따른 가상 계측 시스템을 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 가상 계측 모델 및 신뢰도 모델의 생성방법을 도시한 흐름도이다.
도 4는 본 발명의 일실시예에 따른 가상 계측 방법 및 신뢰도 추정 방법을 도시한 흐름도이다.
도 5는 본 발명의 일실시예에 따른 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법을 도시한 흐름도이다.
*도면의 주요부분에 대한 부호 설명*
80 : 자동 모델 생성기 90 : 판단부
120 : 실시간 계측값 예측기 130 : 신뢰도 추정기
본 발명은 가상 계측 시스템 및 가상 계측 방법에 관한 것으로, 보다 상세하게는 반도체 제조공정에서 웨이퍼의 품질지수를 나타내는 계측정보를 예측하기 위한 가상 계측 시스템 및 가상 계측 방법에 관한 것이다.
일반적으로 반도체 장치는 웨이퍼(wafer)가 산화, 증착, 확산, 이온주입, 사진, 식각 및 검사 등의 다단계의 공정을 거쳐서 제조되며, 이러한 각 공정을 위한 해당 설비가 각 제조라인 별로 설치된다.
이들 공정설비는 공정을 수행하기 위한 파라미터(parameter)에 대한 값이 설정되며, 이와 같이 설정된 파라미터 값에 따라 제조물 즉 산화되거나 증착되거나 이온주입된 웨이퍼가 제조된다.
그러나, 각 공정설비별로 제조되는 웨이퍼에는 여러 가지 요인으로 불량이 발생될 수 있다. 이러한 불량은 크게 설비의 이상, 잘못된 공정설정 또는 외부환경(오염)등의 요인에 의해 발생될 수 있다.
종래에 이러한 공정이상 또는 설비이상의 확인은 통계적 공정관리(Statistical Process Control, SPC)시스템을 통하여 이루어졌다. 통계적 공정관리란 특정 설비에 대한 공정 데이터를 이력관리하여 이를 통계적 자료로 활용하여 설비 또는 공정의 이상유무를 판단하는 것이다. 이러한 종래의 통계적 공정관리는 도 1과 같은 과정으로 진행되었다.
도 1에 도시한 바와 같이 공정설비(1)를 통해 하나의 단위 공정을 마친 웨이퍼(4)들 중 샘플링(sampling)된 특정 웨이퍼들은 계측설비(2)로 보내져 해당 공정이 정상적으로 수행되었는지 여부를 판단하기 위한 계측검사를 받게 된다. 계측설비(2)는 패턴의 임계치수(Critical Dimension, CD), 산화막 두께(Thickness of Oxidation, TOX), 오버레이(overlay) 등 웨이퍼의 품질지수를 측정하게 된다.
이처럼 계측설비(2)가 웨이퍼(4)의 품질에 대한 계측을 수행한 후 계측값을 통계적 공정관리 시스템으로 전송하면, 통계적 공정관리 시스템(3)에서는 그 계측값이 관리 상한선(Upper Control Limit, UCL)과 관리 하한선(Lower Control Limit, LCL) 사이에 있는지를 모니터링하여 만약 계측값이 관리 상한선 또는 하한선을 벗어나면 제품(웨이퍼)의 품질에 문제가 발생한 것으로 판단하여 알람을 발생시킨다. 통상적으로 알람이 발생하면 해당 설비의 엔지니어들은 이전 공정의 설비와 해당 랏(lot)에 포함된 웨이퍼의 품질을 점검하여 조치를 취하게 된다.
하지만 종래의 계측 시스템은 다음과 같은 문제점을 가지고 있다.
첫째, 계측은 새로운 부가가치를 창출하지는 않고 단지 웨이퍼의 품질만을 측정하는 과정임에도 불구하고, 그 자체로 독립적인 계측 스텝을 필요로 한다. 그 결과 전체 공정의 비용과 공정 사이클(Cycle time)을 증가시키는 문제점이 있다.
둘째, 기존의 계측 시스템은 샘플링 된 특정 웨이퍼에 대해서만 계측을 수행함으로써 불량 웨이퍼의 후공정 투입 방지 효과가 미흡하다는 단점이 있다. 즉 기존의 계측 시스템에서는 대다수의 랏에 대해서 계측이 이루어지지 않고 특정 랏의 특정 웨이퍼에 대해서만 계측을 수행한 채 다음 공정을 진행하게 된다. 만약 계측 이 수행되지 않은 랏에서 불량이 발생하는 경우, 모든 공정이 완료되기 전까지는 웨이퍼의 불량을 판정하는 것이 불가능하기 때문에 이로 인해 불필요한 생산자원과 시간을 투여함으로써 웨이퍼의 제조 원가를 상승시킨다는 문제점이 있었다.
따라서, 본 발명은 전술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은공정 중에 모든 웨이퍼에 대한 계측정보를 실시간으로 예측함으로써 전체 공정 비용의 절감과 공정 사이클의 단축을 도모할 수 있고, 불량 웨이퍼의 사전발견 및 조치를 통해 제조수율을 향상시킬 수 있는 가상 계측 시스템 및 가상 계측 방법을 제공함에 있다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 가상 계측 시스템은 공정설비의 센서 데이터와 계측설비의 계측값을 이용하여 가상 계측 모델을 생성하고, 상기 가상 계측 모델에 대응되는 신뢰도 모델을 생성하는 모델 생성부; 공정 수행시의 상기 센서 데이터를 상기 가상 계측 모델에 대입하여 상기 계측값을 예측하고, 상기 계측값의 신뢰도를 추정하는 가상 계측 및 신뢰도 추정부를 포함한다.
또한 상기 가상 계측 모델 및 신뢰도 모델을 업데이트 하는 모델 업데이트 부를 더 포함한다.
또한 상기 모델 생성부는 상기 센서 데이터의 수집 구간 및 상기 센서 데이터에 대한 통계량의 종류를 설정하는 입력 데이터 편집기; 상기 센서 데이터에 대 한 통계량을 산출하는 데이터 전처리부; 상기 데이터 전처리부에서 산출된 통계량을 저장하는 통계량 데이터베이스; 계측설비가 측정한 계측정보를 저장하는 계측정보 데이터베이스; 상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 저장하는 알고리즘 라이브러리; 상기 가상 계측 모델의 입/출력변수와 상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 설정하는 가상 계측 모델러; 상기 설정된 알고리즘을 이용하여 상기 가상 계측 모델 및 신뢰도 모델을 생성하는 자동 모델 생성기를 포함한다.
또한 상기 모델 생성부는 상기 가상 계측 모델의 출력변수에 영향을 미치는 핵심 입력변수를 선택하는 핵심 센서 추출기를 더 포함한다.
또한 상기 모델 생성부는 상기 생성된 가상 계측 모델의 정확성을 판단하는 판단부; 상기 가상 계측 모델 생성시 사용하는 알고리즘의 모델 파라미터를 조정하는 모델 파라미터 조정기를 더 포함한다.
또한 상기 가상 계측 및 신뢰도 추정부는 상기 모델 생성부를 통해 생성된 가상 계측 모델 및 신뢰도 모델을 저장하는 모델 라이브러리; 상기 모델 라이브러리로부터 상기 가상 계측 모델을 로딩하여 계측값을 예측하는 실시간 계측값 예측기; 상기 모델 라이브러리로부터 상기 신뢰도 모델을 로딩하여 상기 실시간 계측값 예측기에서 예측된 계측값의 신뢰성 지수를 산출하는 신뢰도 추정기를 포함한다.
또한 상기 모델 업데이트부는 상기 가상 계측 모델을 업데이트 하기 위한 룰을 설정하는 모델 업데이트 룰 편집기; 상기 모델 업데이트 룰에 따라 상기 가상 계측 모델의 정확도를 산출한 후 상기 정확도에 따라 상기 가상 계측 모델의 업데 이트 여부를 판단하는 모델 업데이트 트리거를 포함한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 가상 계측 모델 및 신뢰도 모델 생성방법은 공정설비의 센서 데이터의 수집구간 및 상기 센서 데이터에 대한 통계량의 종류를 설정하는 단계; 상기 설정된 통계량을 계산하여 저장하는 단계; 가상 계측 모델의 입력변수와 출력변수 및 상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 설정하는 단계; 상기 출력변수에 영향을 미치는 핵심 입력변수를 선택하는 단계; 상기 설정된 알고리즘을 이용하여 상기 가상 계측 모델 및 신뢰도 모델을 생성하는 단계를 포함한다.
또한 상기 생성된 가상 계측 모델의 정확성을 판단하는 단계를 더 포함한다.
또한 상기 정확성을 판단하는 단계는 계측오차의 평균값을 이용하여 판단한다.
또한 상기 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 상기 생성된 가상 계측 모델과 신뢰도 모델을 저장한다.
또한 상기 계측오차의 평균값이 제1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 상기 알고리즘에서 사용하는 모델 파라미터를 조정한다.
또한 상기 계측오차의 평균값이 제2허용오차를 초과하면 정확성이 낮은 것으로 판단하여 상기 핵심 입력변수를 재선택하고 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 가상 계측 방법 및 신뢰 도 추정방법은 공정설비의 센서 데이터와 계측설비의 계측값을 이용하여 가상 계측 모델을 생성하고, 상기 가상 계측 모델에 대응되는 신뢰도 모델을 생성하고, 공정 수행시의 상기 센서 데이터를 상기 가상 계측 모델에 대입하여 상기 계측값을 예측하고, 상기 계측값의 신뢰도를 추정한다.
또한 상기 가상 계측은 상기 센서 데이터의 통계량을 실시간 계측값 예측기로 전송하는 단계; 상기 생성된 가상 계측 모델을 로딩하여 계측값을 예측하는 단계를 포함한다.
또한 상기 신뢰도의 추정은 상기 생성된 신뢰도 모델을 로딩하여 상기 예측된 계측값의 신뢰도를 추정하되, 상기 추정된 신뢰도가 기준값 이상인 경우에는 실제 계측을 생략하고, 상기 추정된 신뢰도가 기준값 미만인 경우에는 실제 계측을 요청한다.
상기와 같은 목적을 달성하기 위한 본 발명에 따른 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법은 가상 계측 모델을 업데이트 하기 위한 룰을 설정하는 단계; 상기 업데이트 룰을 적용하여 상기 가상 계측 모델을 통해 예측된 계측값과 실제 계측값과의 계측오차를 산출하는 단계; 상기 계측오차가 허용오차 이하이면 상기 가상 계측 모델을 그대로 이용하고, 상기 계측오차가 허용오차를 초과하면 가상 계측 모델과 신뢰도 모델을 새로 생성하는 단계를 포함한다.
또한 상기 가상 계측 모델과 신뢰도 모델을 새로 생성하는 단계는 최근에 추가된 센서 데이터의 통계량과 계측정보를 입력받아 새로운 모델을 생성한다.
또한 상기 생성된 가상 계측 모델의 정확성을 판단하는 단계를 더 포함한다.
또한 상기 정확성을 판단하는 단계는 계측오차의 평균값을 이용하여 판단한다.
또한 상기 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 상기 생성된 가상 계측 모델과 신뢰도 모델을 저장한다.
또한 상기 계측오차의 평균값이 제1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 가상 계측 모델 생성시 사용하는 알고리즘의 모델 파라미터를 조정한다.
또한 상기 계측오차의 평균값이 제2허용오차를 초과하면 정확성이 낮은 것으로 판단하여 상기 가상 계측 모델의 핵심 입력변수를 재선택하고 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성한다.
이하에서는 본 발명의 일실시예를 구체적으로 설명하기에 앞서 본 발명에서 사용되는 용어들을 간략하게 정의하도록 한다.
본 발명에서 센서 데이터는 웨이퍼를 가공 중인 공정설비에 부착된 센서로부터 수집되는 설비의 상태와 관련된 데이터(예: 온도, 압력, 가스, 전류 등)를 의미한다.
본 발명에서 계측정보는 반도체 제조 공정 내에서 웨이퍼의 품질지수를 나타내는 정보를 말하며, 이러한 정보들에는 웨이퍼의 패턴의 임계치수(Critical Dimension, CD), 산화막 두께(Thickness of Oxidation, TOX), 오버레이(overlay) 등이 있다.
본 발명에서 가상 계측(Virtual Metrology)이라 함은 실제 계측을 수행하지 않고 공정설비의 센서 데이터 또는 이전 스텝에서의 계측값을 이용하여 다음 스텝의 계측값을 예측하는 것을 의미한다.
본 발명에서 가상 계측 모델은 웨이퍼를 가공하는 공정설비의 센서 데이터와 품질지수와의 관계에 대한 예측 모델이다. 가상 계측 모델은 입력으로서 센서 데이터가 주어질 경우 실시간으로 계측값을 예측하는 회귀분석 모델로 일반적으로
Figure 112007047799591-PAT00001
로 표현된다.
Figure 112007047799591-PAT00002
는 (예측된)계측값을 의미하고,
Figure 112007047799591-PAT00003
은 설비 센서 데이터를 의미한다. 함수
Figure 112007047799591-PAT00004
의 형태는 사용하는 알고리즘에 따라 달라진다.
본 발명에서 신뢰도 모델은 가상 계측 모델에 의해 예측된 값의 신뢰도를 추정하기 위한 모델로, 현재의 예측값이 신뢰성이 있느냐 없느냐(신뢰성 유무)를 나타내는 분류 모델을 사용할 수도 있고 신뢰도에 대한 정량적인 값을 산출하는 모델을 사용할 수도 있다.
본 발명에서 학습 데이터는 가상 계측 모델을 만들기 위해서 사용된 센서 데이터를 의미하며, 일반적으로 m개의 샘플과 n개의 센서 파라미터(예: 온도, 압력, 가스, 전류 등)가 있는 경우 학습 데이터
Figure 112007047799591-PAT00005
는 다음과 같이 나타낸다.
Figure 112007047799591-PAT00006
이하에서는 도면을 참조하여 본 발명의 일실시예를 상세하게 설명하도록 한 다.
도 2는 본 발명의 일실시예에 따른 가상 계측 시스템을 도시한 블록도로서 도 2에서 음영으로 표시된 부분(10, 60, 140)은 사용자 설정 구성부분(User Interface, U/I)이고, 원기둥 형태로 표현된 부분(30, 40, 50, 110)은 데이터나 알고리즘 등의 저장공간이다. 본 실시예에 따른 가상 계측 시스템은 ①가상 계측 모델 및 신뢰도 모델의 생성과 관련된 부분(모델 생성부, 도 2의 A 영역) ②실시간 가상 계측 및 신뢰도 추정과 관련된 부분(가상 계측 및 신뢰도 추정부, 도 2의 B영역) ③가상 계측 모델 및 신뢰도 모델의 자동 업데이트와 관련된 부분(모델 업데이트부, 도 2의 C영역) 이렇게 세 가지 부(part)로 크게 분류할 수 있다.
첫째, 모델 생성부(A)는 입력 데이터 편집기(10), 데이터 전(前)처리부(20), 통계량 데이터베이스(30), 계측정보 데이터베이스(40), 알고리즘 라이브러리(50), 가상 계측 모델러(60), 핵심 센서 추출기(70), 자동 모델 생성기(80), 판단부(90), 모델 파라미터 조정기(100)를 포함하여 구성되고, 둘째, 가상 계측 및 신뢰도 추정부(B)는 모델 라이브러리(110), 실시간 계측값 예측기(120), 신뢰도 추정기(130)를 포함하여 구성되며, 셋째, 모델 업데이트부(C)는 모델 업데이트 룰 편집기(140), 모델 업데이트 트리거(150)를 포함하여 구성된다.
공정설비(1)는 반도체 제조공정에서 웨이퍼를 가공하는 설비로, 센서 데이터를 가상 계측 시스템으로 전송한다.
입력 데이터 편집기(10)는 가상 계측 모델 생성시 입력으로 사용할 데이터를 설정한다. 공정설비(1)는 웨이퍼를 가공하고 있는 동안 많은 종류의 센서 데이터를 발생시키지만 가상 계측 모델을 만드는데 모든 센서 데이터가 다 필요한 것은 아니다. 가상 계측 모델의 정확성을 향상시키기 위해서는 입력으로 사용할 데이터의 성격이 매우 중요하므로 입력 데이터 편집기(10)는 가상 계측 모델 생성시 필요할 것으로 예상되는 센서 데이터의 수집 구간 및 센서 데이터에 대한 통계량의 종류를 설정하는 기능을 담당한다.
데이터 전처리기(20, Data Pre-Processor)는 입력 데이터 편집기(10)에서 설정한 정보에 따라 수집된 센서 데이터에 대한 통계량(예: 평균, 표준편차, 최대/최소값, 최대값-최소값 등)을 계산하여 통계량 데이터 베이스(30)에 저장한다.
계측정보 데이터베이스(40)는 계측설비(2)가 공정설비(1)에서 가공된 웨이퍼들 중 샘플링된 특정 웨이퍼의 품질지수를 측정하여 저장하는 공간으로 이러한 품질지수의 예로는 CD, TOX, Overlay 등이 있다.
알고리즘 라이브러리(50)는 모델 생성시 필요한 알고리즘을 저장하는 공간으로 두 가지 종류의 알고리즘이 저장되어 있는데, 하나는 센서 데이터로부터 계측값을 예측하는 가상 계측 모델을 생성하기 위한 알고리즘이고, 다른 하나는 예측한 값에 대한 신뢰도를 추정하는 신뢰도 모델을 생성하는 알고리즘이다. 가상 계측 모델을 생성하기 위한 알고리즘으로는 ①통계적 회귀분석 알고리즘(다항 선형 회귀분석, 다항 비선형 회귀분석), ②Neural Network Regression 알고리즘, ③Support Vector Regression 알고리즘, ④ K-Nearest Neighbor Regression 알고리즘, ⑤ 그 외의 다양한 회귀분석 알고리즘 등이 저장되어 있고, 신뢰도 모델을 생성하기 위한 알고리즘으로는 ①통계적 다변량 기법인 Hotellings T2, PCA + Hotellin's T2, ② 패턴인식의 Novelty Detection 알고리즘(Gaussian Density Estimation, One-Class Support Vector Machine, Learning Vector Quantization for Novelty Detection), ③Support Vector Machine, ④Neural Network 등이 저장되어 있다.
가상 계측 모델러(60)는 가상 계측 모델의 출력변수에 해당되는 Y 및 입력변수에 해당되는 X값들과, 알고리즘 라이브러리(50)에 저장되어 있는 알고리즘들 가운데 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 설정하는 기능을 수행한다.
핵심 센서 추출기(70, Critical Sensor Selector)는 가상 계측 모델에 매우 중요한 역할을 하는 센서 데이터를 선택하는 기능을 수행하게 된다. 실제로 모든 센서 데이터를 다 사용하여 가상 계측 모델을 만들 수도 있지만, 실제 계측값에 영향을 미치는 핵심변수들만을 선택하여 가상 계측 모델을 만드는 것이 예측 정확성을 향상시키는 요인이 된다. 핵심 센서 데이터를 추출하는 방법으로는 ①회귀분석의 Backward Selection 방법, ②회귀분석의 Forward Selection 방법, ③회귀분석의 Stepwise Selection 방법, ④Mutual Information을 이용하는 방법, ⑤데이터 마이닝의 다양한 변수 선택 방법 등이 사용될 수 있다.
자동 모델 생성기(80, Auto Self Learning Engine)는 가상 계측 모델러(60)를 통해 선택한 알고리즘을 이용하여 가상 계측 모델과 신뢰도 모델을 생성하는 역할을 수행한다.
판단부(90)는 자동 모델 생성기(80)에서 생성된 가상 계측 모델의 정확성을 평가하는 역할을 수행한다.
모델 파라미터 조정기(100)는 알고리즘에서 설정해야 하는 파라미터를 변경 및 조정하는 역할을 수행한다. 예를 들어 가상 계측 모델에서 회귀계수의 값을 재추정함으로써 파라미터들의 값을 변화시키는 것을 의미한다.
모델 라이브러리(110)는 자동 모델 생성기(80)에서 생성된 가상 계측 모델과 신뢰도 모델이 하나의 쌍을 이루어 저장되는 공간이다.
실시간 계측값 예측기(120, Real Time Metrology Analyzer)는 모델 라이브러리(110)로부터 가상 계측 모델을 로딩(loading)하여 실시간으로 계측값을 예측하는 기능을 수행하고, 신뢰도 추정기(130, Confidence Index Estimator)는 실시간 계측값 예측기(120)에서 예측된 계측값 y의 신뢰성 지수를 계산하는 기능을 수행한다.
모델 업데이트 룰 편집기(140)는 가상 계측 모델을 업데이트 하기 위한 룰(rule)을 설정하는 곳으로 예를 들어 ①가장 최근의 실제 계측값과 예측값과의 오차가 일정값을 초과할 경우, ②가장 최근의 m개의 실제 계측값들 중에서 n개의 계측값이 예측값과의 차이가 오차범위를 초과하는 경우, ③가장 최근의 m개의 실제 계측값들 중에서 예측값과의 RMSE(Root Mean Square Error)가 일정범위를 초과하는 경우 등을 모델을 업데이트 하기 위한 룰로 설정할 수 있다.
모델 업데이트 트리거(150)는 모델 업데이트 룰 편집기(140)에서 설정된 업데이트 룰에 따라 가상 계측 모델의 정확성을 판단한 후 가상 계측 모델을 업데이트할 지 계속 사용할 지 여부를 결정한다.
이하에서는 도 3을 참조하여 본 발명의 일실시예에 따른 가상 계측 모델 및 신뢰도 모델의 생성방법을 설명하도록 한다.
먼저, 입력 데이터 편집기(10)에서는 센서 데이터의 수집구간 및 센서 데이터에 대한 통계량의 종류를 설정한다(310).
다음으로 데이터 전처리부(20)에서는 입력 데이터 편집기(10)에서 설정한 수집구간 및 통계량에 따라 공정설비(1)로부터 센서 데이터를 수집하여 통계량을 계산한 후 통계량 데이터 베이스(30)에 저장한다(320).
이후 사용자는 가상 계측 모델러(60)를 통해 가상 계측 모델의 출력변수에 해당되는 Y와 입력변수에 해당되는 X값들을 설정한다(330).
또한 사용자는 가상 계측 모델러(60)를 통해 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 알고리즘 라이브러리(50)에 저장되어 있는 알고리즘 중에서 설정한다(340).
다음으로 핵심 센서 추출기(70)는 가상 계측 모델의 출력변수 Y에 영향을 미치는 핵심 입력변수 X를 선택한다(350).
이후 자동 모델 생성기(80)에서는 가상 계측 모델러(60)를 통해 선택된 알고리즘을 이용하여 가상 계측 모델과 신뢰도 모델을 생성하게 된다(360).
이하에서는 자동 모델 생성기(80)에서 가상 계측 모델을 생성하는 방법을 좀 더 상세히 살펴보기로 한다.
<단계 1> 계측정보 데이터베이스(40)로부터 일정기간 동안의 계측값 Y를 추출한다.
<단계 2> 추출된 계측값 Y에 해당되는 웨이퍼와 관련된 센서 데이터의 통계량 X를 통계량 데이터베이스(30)로부터 추출한다.
<단계 3> 가상 계측 모델러(60)를 통해 선택한 알고리즘을 알고리즘 라이브러리(50)로부터 로딩하여 가상 계측 모델 Y=F(X)를 구한다.
전술한 방법으로 가상 계측 모델을 생성한 후 자동 모델 생성기(80)는 신뢰도 모델을 생성하게 된다. 가상 계측 모델러(60)를 통해 알고리즘 라이브러리(60)로부터 신뢰도 모델을 구하는 알고리즘을 선택한 후 신뢰도 모델을 구축하기 위한 절차는 다음과 같다. 본 실시예에서는 통계적 다변량 기법인 Hotellings T2알고리즘을 이용하여 신뢰도 모델을 구하는 방법을 설명하기로 한다.
<단계 1> 가상 계측 모델 생성시 사용한 학습 데이터들 중에서 허용오차 ε보다 작은 웨이퍼에 해당되는 설비 센서 데이터를 추출한다. 즉
Figure 112007047799591-PAT00007
인 웨이퍼에 해당되는 설비 센서 데이터의 통계량 집합 X를 추출한다.
Figure 112007047799591-PAT00008
<단계 2> 각 파라미터 j에 대해 평균
Figure 112007047799591-PAT00009
을 계산한다.
<단계 3> 아래와 같이 각 파라미터 간의 상관계수 행렬
Figure 112007047799591-PAT00010
를 구한다.
Figure 112007047799591-PAT00011
<단계 4> 유의수준
Figure 112007047799591-PAT00012
에 해당되는 Control Limit을 설정한다.
관리 상한선(UCL) =
Figure 112007047799591-PAT00013
관리 상한선(UCL)이 가상 계측 모델에 따라 달라지므로 가상 계측 모델이 생성되면 그에 대응되는 신뢰도 모델이 생성되어 하나의 쌍을 이루게 된다. 신뢰도 모델은 알고리즘 라이브러리(50)로부터 Hotelling's T2이외의 다른 알고리즘을 선택하여 구할 수도 있다.
다음으로 판단부(90)에서는 전술한 방법으로 생성된 가상 계측 모델의 정확성을 판단하게 되는데 E(계측오차)=
Figure 112007047799591-PAT00014
와 M(계측오차의 평균값)=
Figure 112007047799591-PAT00015
을 산출하고(370), M(계측오차의 평균값)과 제1허용오차 (ε1), 제2허용오차(ε2)와의 대소를 비교(단,ε1＜ε2)하여(380), 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 생성된 가상 계측 모델과 신뢰도 모델을 모델 라이브러리(110)에 저장하고(390), 계측오차의 평균값이 제 1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 모델 파라미터 조정기(100)가 알고리즘에서 사용하는 모델 파라미터를 조정한 후(400) 단계 360으로 돌아가며, 계측오차의 평균값이 제2허용오차를 초과하면 정확성이 낮은 것으로 판단하여 단계 350으로 돌아가 핵심 센서 추출기(70)는 핵심 입력변수 X를 재선택한 후 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성하게 된다.
이하에서는 도 4를 참조하여 본 발명의 일실시예에 따른 가상 계측 방법 및 신뢰도 추정 방법을 설명하도록 한다.
먼저, 사용자는 모델 업데이트 룰 편집기(140)를 이용하여 모델을 업데이트 하기 위한 룰을 설정한다(405).
다음으로 데이터 전처리부(20)는 센서 데이터의 통계량을 실시간 계측값 예측기(120)로 전송한다(410).
이후 실시간 계측값 예측기(120)는 자동 모델 생성기(80)에서 생성된 가상 계측 모델을 모델 라이브러리(110)로부터 로딩한 후 데이터 전처리부(20)로부터 수신되는 센서 데이터의 통계량을 대입하여 실시간으로 계측값을 예측한다(415).
다음으로 신뢰도 추정기(130)에서는 모델 라이브러리(110)로부터 신뢰도 모델을 로딩하여 실시간 계측값 예측기(120)가 예측한 계측값의 신뢰도를 추정하게 되는데(420), 이하에서는 주로 FDC(Fault Detection and Classification)기법에서 사용되는 Hotellings T2 모델을 이용하여 신뢰도를 측정하는 방법에 대해 살펴보기로 한다.
현재 실시간 계측값 예측기(120)로부터 입력되고 있는 데이터가
Figure 112007047799591-PAT00016
라고 하면,
단 계 1 : 현재 입력되고 있는 설비 센서 데이터에 대한 신뢰도 모델을 모델 라이브러리(110)로부터 로딩한다.
단 계 2 : 모든 j에 대해
Figure 112007047799591-PAT00017
를 계산한다.
단 계 3 :
Figure 112007047799591-PAT00018
을 계산한다. 여기서
Figure 112007047799591-PAT00019
이다.
단 계 4 :
Figure 112007047799591-PAT00020
이면 신뢰도가 높은 것으로 판단하고, 그렇지 않으면 신뢰도가 낮은 것으로 판단한다.
이후 신뢰도가 높은가를 판단하여(425) 신뢰도가 기준값 이상이면 계측설비(2)를 통한 실제 계측을 생략하고(430) 단계 415로 돌아가 계속 가상 계측 모델을 이용하여 계측값을 예측하게 되고 신뢰도가 기준값 미만이면 계측설비(2)에 실제 계측을 요청하게 된다(435).
이하에서는 도 5를 참조하여 본 발명의 일실시예에 따른 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법을 설명하도록 한다.
가상 계측 모델을 이용하여 예측된 계측값의 신뢰도를 추정함(도 4의 단계 420 내지 435)과 동시에(병렬적으로) 모델 자동 업데이트 과정이 진행되는데 도 5의 단계 505 내지 515는 도 4의 단계 405 내지 415와 동일하므로 여기서는 설명을 생략하도록 한다.
먼저, 모델 업데이트 트리거(150)에서는 모델 업데이트 룰 편집기(140)를 통해 설정된 업데이트 룰에 따라 E(계측오차)=
Figure 112007047799591-PAT00021
를 산출하고(520), 계측오차가 허용오차(ε0)를 초과하는지 여부를 판단하여(525) 계측오차가 허용오차 이하이면 단계 515로 돌아가 계속 가상 계측 모델을 이용하여 계측값을 예측하게 되고, 계측오차가 허용오차를 초과하면 모델을 업데이트할 필요성이 있는 경우에 해당하므로 자동 모델 생성기(80)에서는 최근에 추가된 센서 데이터의 통계량과 계측정보를 입력받아 가상 계측 모델과 신뢰도 모델을 새로 생성하게 된다(530).
이후 판단부(90)에서는 새롭게 생성된 가상 계측 모델의 정확성을 판단하기 위해 M(계측오차의 평균값)=
Figure 112007047799591-PAT00022
을 산출하고(535), M(계측오차의 평균값)과 제1허용오차(ε1), 제2허용오차(ε2)와의 대소를 비교(단,ε1＜ε2)하여(540), 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 새로 생성된 가상 계측 모델과 신뢰도 모델을 모델 라이브러리(110)에 저장하고(545), 계측오차의 평균값이 제1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 모델 파라미터 조정기(100)가 알고리즘에서 사용하는 모델 파라미터를 조정한 후(550) 단계 530으로 돌아가며, 계측오차의 평균값이 제2허용오차를 초 과하면 정확성이 낮은 것으로 판단하여 핵심 센서 추출기(70)는 핵심 입력변수 X를 재선택한 후(555) 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성하게 된다.
이상에서 상세히 설명한 바와 같이, 본 발명에 의할 경우 공정 중에 모든 웨이퍼에 대한 계측정보를 실시간으로 예측함으로써 전체 공정 비용의 절감과 공정 사이클의 단축을 도모할 수 있고, 불량 웨이퍼의 사전발견 및 조치를 통해 제조수율을 향상시킬 수 있는 효과가 있다.

Claims (23)

  1. 공정설비의 센서 데이터와 계측설비의 계측값을 이용하여 가상 계측 모델을 생성하고, 상기 가상 계측 모델에 대응되는 신뢰도 모델을 생성하는 모델 생성부;
    공정 수행시의 상기 센서 데이터를 상기 가상 계측 모델에 대입하여 상기 계측값을 예측하고, 상기 계측값의 신뢰도를 추정하는 가상 계측 및 신뢰도 추정부를 포함하는 가상 계측 시스템
  2. 제 1 항에 있어서,
    상기 가상 계측 모델 및 신뢰도 모델을 업데이트 하는 모델 업데이트부를 더 포함하는 가상 계측 시스템
  3. 제 1 항에 있어서, 상기 모델 생성부는
    상기 센서 데이터의 수집 구간 및 상기 센서 데이터에 대한 통계량의 종류를 설정하는 입력 데이터 편집기;
    상기 센서 데이터에 대한 통계량을 산출하는 데이터 전처리부;
    상기 데이터 전처리부에서 산출된 통계량을 저장하는 통계량 데이터베이스;
    계측설비가 측정한 계측정보를 저장하는 계측정보 데이터베이스;
    상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 저장하는 알고리즘 라이브러리;
    상기 가상 계측 모델의 입/출력변수와 상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 설정하는 가상 계측 모델러;
    상기 설정된 알고리즘을 이용하여 상기 가상 계측 모델 및 신뢰도 모델을 생성하는 자동 모델 생성기를 포함하는 가상 계측 시스템
  4. 제 3 항에 있어서, 상기 모델 생성부는
    상기 가상 계측 모델의 출력변수에 영향을 미치는 핵심 입력변수를 선택하는 핵심 센서 추출기를 더 포함하는 가상 계측 시스템
  5. 제 3 항에 있어서, 상기 모델 생성부는
    상기 생성된 가상 계측 모델의 정확성을 판단하는 판단부;
    상기 가상 계측 모델 생성시 사용하는 알고리즘의 모델 파라미터를 조정하는 모델 파라미터 조정기를 더 포함하는 가상 계측 시스템
  6. 제 1 항에 있어서, 상기 가상 계측 및 신뢰도 추정부는
    상기 모델 생성부를 통해 생성된 가상 계측 모델 및 신뢰도 모델을 저장하는 모델 라이브러리;
    상기 모델 라이브러리로부터 상기 가상 계측 모델을 로딩하여 계측값을 예측하는 실시간 계측값 예측기;
    상기 모델 라이브러리로부터 상기 신뢰도 모델을 로딩하여 상기 실시간 계측 값 예측기에서 예측된 계측값의 신뢰성 지수를 산출하는 신뢰도 추정기를 포함하는 가상 계측 시스템
  7. 제 2 항에 있어서, 상기 모델 업데이트부는
    상기 가상 계측 모델을 업데이트 하기 위한 룰을 설정하는 모델 업데이트 룰 편집기;
    상기 모델 업데이트 룰에 따라 상기 가상 계측 모델의 정확도를 산출한 후 상기 정확도에 따라 상기 가상 계측 모델의 업데이트 여부를 판단하는 모델 업데이트 트리거를 포함하는 가상 계측 시스템
  8. 공정설비의 센서 데이터의 수집구간 및 상기 센서 데이터에 대한 통계량의 종류를 설정하는 단계;
    상기 설정된 통계량을 계산하여 저장하는 단계;
    가상 계측 모델의 입력변수와 출력변수 및 상기 가상 계측 모델 및 신뢰도 모델 생성시 사용할 알고리즘을 설정하는 단계;
    상기 출력변수에 영향을 미치는 핵심 입력변수를 선택하는 단계;
    상기 설정된 알고리즘을 이용하여 상기 가상 계측 모델 및 신뢰도 모델을 생성하는 단계를 포함하는 가상 계측 모델 및 신뢰도 모델 생성방법
  9. 제 8 항에 있어서,
    상기 생성된 가상 계측 모델의 정확성을 판단하는 단계를 더 포함하는 가상 계측 모델 및 신뢰도 모델 생성방법
  10. 제 9 항에 있어서,
    상기 정확성을 판단하는 단계는 계측오차의 평균값을 이용하여 판단하는 가상 계측 모델 및 신뢰도 모델 생성방법
  11. 제 10 항에 있어서,
    상기 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 상기 생성된 가상 계측 모델과 신뢰도 모델을 저장하는 가상 계측 모델 및 신뢰도 모델 생성방법
  12. 제 10 항에 있어서,
    상기 계측오차의 평균값이 제1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 상기 알고리즘에서 사용하는 모델 파라미터를 조정하는 가상 계측 모델 및 신뢰도 모델 생성방법
  13. 제 10 항에 있어서,
    상기 계측오차의 평균값이 제2허용오차를 초과하면 정확성이 낮은 것으로 판단하여 상기 핵심 입력변수를 재선택하고 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성하는 가상 계측 모델 및 신뢰도 모델 생성방법
  14. 공정설비의 센서 데이터와 계측설비의 계측값을 이용하여 가상 계측 모델을 생성하고,
    상기 가상 계측 모델에 대응되는 신뢰도 모델을 생성하고,
    공정 수행시의 상기 센서 데이터를 상기 가상 계측 모델에 대입하여 상기 계측값을 예측하고,
    상기 계측값의 신뢰도를 추정하는 가상 계측 방법 및 신뢰도 추정 방법
  15. 제 14 항에 있어서, 상기 계측값의 예측은
    상기 센서 데이터의 통계량을 실시간 계측값 예측기로 전송하는 단계;
    상기 생성된 가상 계측 모델을 로딩하여 계측값을 예측하는 단계를 포함하는 가상 계측 방법 및 신뢰도 추정 방법
  16. 제 14 항에 있어서, 상기 신뢰도의 추정은 상기 생성된 신뢰도 모델을 로딩하여 상기 예측된 계측값의 신뢰도를 추정하되, 상기 추정된 신뢰도가 기준값 이상인 경우에는 실제 계측을 생략하고, 상기 추정된 신뢰도가 기준값 미만인 경우에는 실제 계측을 요청하는 가상 계측 방법 및 신뢰도 추정 방법
  17. 가상 계측 모델을 업데이트 하기 위한 룰을 설정하는 단계;
    상기 업데이트 룰을 적용하여 상기 가상 계측 모델을 통해 예측된 계측값과 실제 계측값과의 계측오차를 산출하는 단계;
    상기 계측오차가 허용오차 이하이면 상기 가상 계측 모델을 그대로 이용하고,
    상기 계측오차가 허용오차를 초과하면 가상 계측 모델과 신뢰도 모델을 새로 생성하는 단계를 포함하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  18. 제 17 항에 있어서,
    상기 가상 계측 모델과 신뢰도 모델을 새로 생성하는 단계는 최근에 추가된 센서 데이터의 통계량과 계측정보를 입력받아 새로운 모델을 생성하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  19. 제 17항에 있어서,
    상기 생성된 가상 계측 모델의 정확성을 판단하는 단계를 더 포함하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  20. 제 19 항에 있어서,
    상기 정확성을 판단하는 단계는 계측오차의 평균값을 이용하여 판단하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  21. 제 20 항에 있어서,
    상기 계측오차의 평균값이 제1허용오차 이하이면 정확성이 높은 것으로 판단하여 상기 생성된 가상 계측 모델과 신뢰도 모델을 저장하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  22. 제 20 항에 있어서,
    상기 계측오차의 평균값이 제1허용오차를 초과하고 제2허용오차 이하이면 정확성을 중간정도로 판단하여 가상 계측 모델 생성시 사용하는 알고리즘의 모델 파라미터를 조정하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
  23. 제 20 항에 있어서,
    상기 계측오차의 평균값이 제2허용오차를 초과하면 정확성이 낮은 것으로 판단하여 상기 가상 계측 모델의 핵심 입력변수를 재선택하고 다시 새로운 가상 계측 모델 및 신뢰도 모델을 생성하는 가상 계측 모델 및 신뢰도 모델의 자동 업데이트 방법
KR1020070065309A 2007-06-29 2007-06-29 가상 계측 시스템 및 가상 계측 방법 KR20090001148A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070065309A KR20090001148A (ko) 2007-06-29 2007-06-29 가상 계측 시스템 및 가상 계측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070065309A KR20090001148A (ko) 2007-06-29 2007-06-29 가상 계측 시스템 및 가상 계측 방법

Publications (1)

Publication Number Publication Date
KR20090001148A true KR20090001148A (ko) 2009-01-08

Family

ID=40484257

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070065309A KR20090001148A (ko) 2007-06-29 2007-06-29 가상 계측 시스템 및 가상 계측 방법

Country Status (1)

Country Link
KR (1) KR20090001148A (ko)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011103085A2 (en) * 2010-02-16 2011-08-25 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
WO2013026635A1 (de) * 2011-08-22 2013-02-28 Robert Bosch Gmbh Verfahren zum erstellen einer funktion für ein steuergerät
KR20150139334A (ko) * 2014-06-03 2015-12-11 삼성전자주식회사 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법
WO2018030733A1 (ko) * 2016-08-11 2018-02-15 에스케이 주식회사 계측-수율 상관성 분석 방법 및 시스템
KR20180061769A (ko) * 2016-11-30 2018-06-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2018124571A1 (ko) * 2016-12-28 2018-07-05 주식회사 효성 전력설비의 자산관리 방법
KR20220028725A (ko) * 2020-08-31 2022-03-08 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR20220028727A (ko) * 2020-08-31 2022-03-08 (주)브릭 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
KR20220028726A (ko) * 2020-08-31 2022-03-08 (주)브릭 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
KR20220028724A (ko) * 2020-08-31 2022-03-08 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
US11507074B2 (en) 2017-04-28 2022-11-22 Hyosung Heavy Industries Corporation Method for asset management of substation
KR20240008664A (ko) * 2022-07-12 2024-01-19 조선대학교산학협력단 예측 모델을 통한 예측 결과의 신뢰도를 평가하는 방법 및 장치

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9886009B2 (en) 2010-02-16 2018-02-06 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
WO2011103085A3 (en) * 2010-02-16 2011-11-17 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
WO2011103085A2 (en) * 2010-02-16 2011-08-25 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
US10409231B2 (en) 2010-02-16 2019-09-10 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
US9002492B2 (en) 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
EP2846205A1 (de) * 2011-08-22 2015-03-11 Robert Bosch Gmbh Verfahren zum Erstellen einer Funktion für ein Steuergerät
US9952567B2 (en) 2011-08-22 2018-04-24 Robert Bosch Gmbh Method for setting up a functionality for a control unit
WO2013026635A1 (de) * 2011-08-22 2013-02-28 Robert Bosch Gmbh Verfahren zum erstellen einer funktion für ein steuergerät
KR20150139334A (ko) * 2014-06-03 2015-12-11 삼성전자주식회사 반도체 공정 관리 시스템, 이를 포함하는 반도체 제조 시스템 및 반도체 제조 방법
WO2018030733A1 (ko) * 2016-08-11 2018-02-15 에스케이 주식회사 계측-수율 상관성 분석 방법 및 시스템
KR20180029114A (ko) * 2016-08-11 2018-03-20 에스케이 주식회사 계측-수율 상관성 분석 방법 및 시스템
CN109844779B (zh) * 2016-08-11 2023-07-21 Sk 株式会社 用于分析测量-良率相关性的方法和系统
CN109844779A (zh) * 2016-08-11 2019-06-04 Sk 株式会社 用于分析测量-良率相关性的方法和系统
KR20180061769A (ko) * 2016-11-30 2018-06-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2018101722A3 (ko) * 2016-11-30 2018-07-26 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
KR20180076906A (ko) * 2016-12-28 2018-07-06 주식회사 효성 전력설비의 자산관리 방법
US11429092B2 (en) 2016-12-28 2022-08-30 Hyosung Heavy Industries Corporation Asset management method for power equipment
WO2018124571A1 (ko) * 2016-12-28 2018-07-05 주식회사 효성 전력설비의 자산관리 방법
US11507074B2 (en) 2017-04-28 2022-11-22 Hyosung Heavy Industries Corporation Method for asset management of substation
KR20220028725A (ko) * 2020-08-31 2022-03-08 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 시계열 구간별 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR20220028727A (ko) * 2020-08-31 2022-03-08 (주)브릭 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치
KR20220028726A (ko) * 2020-08-31 2022-03-08 (주)브릭 열화에 따른 패턴 학습을 이용한 이상 감지 방법 및 그를 위한 장치
KR20220028724A (ko) * 2020-08-31 2022-03-08 (주)브릭 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
KR20240008664A (ko) * 2022-07-12 2024-01-19 조선대학교산학협력단 예측 모델을 통한 예측 결과의 신뢰도를 평가하는 방법 및 장치

Similar Documents

Publication Publication Date Title
KR20090001148A (ko) 가상 계측 시스템 및 가상 계측 방법
US10409231B2 (en) Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
KR102295211B1 (ko) 탐색 장치 및 탐색 방법
Coble et al. Identifying optimal prognostic parameters from data: a genetic algorithms approach
US8437870B2 (en) System and method for implementing a virtual metrology advanced process control platform
US8452441B2 (en) Process quality predicting system and method thereof
KR101941854B1 (ko) 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법
CN105225979A (zh) 一种半导体器件制程预测系统和方法
JP2006024195A (ja) 生産工程の品質予測システムおよびその方法
WO2007090723A1 (en) Method of condition monitoring
US11126172B2 (en) Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
JP2008117381A (ja) 時系列データ解析装置、時系列データ解析システム、時系列データ解析方法、プログラム、および記録媒体
CN101118422A (zh) 半导体制造的虚拟量测预估与建立预估模型的方法与系统
CN111597121B (zh) 一种基于历史测试用例挖掘的精准测试方法
KR20170093878A (ko) 고차 변수 선택 모델을 이용한 주요 파라미터 결정
Zheng et al. Reliability acceptance sampling plan for degraded products subject to Wiener process with unit heterogeneity
CN117689270B (zh) 电力设备生产过程质量管理改进方法、系统及存储介质
KR100598398B1 (ko) 센서 데이터의 보정방법 및 인터락 시스템의 인터락평가방법
CN115544803B (zh) 一种变压器剩余寿命预测方法、装置、设备及存储介质
RU2703874C1 (ru) Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов
KR102110319B1 (ko) 학습 데이터 생성 시스템
CN113887990A (zh) 电气设备维修决策优化方法
Zhu et al. Prognostics of tool failing behavior based on autoassociative gaussian process regression for semiconductor manufacturing
CN113919116A (zh) 基于garch模型的igbt剩余使用寿命预测方法
CN105895563A (zh) 一种制造过程中预测半导体装置的电气参数的方法及系统

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination