KR20110052534A - 자율적인 생물학 기반 학습 툴 - Google Patents

Abstract

자율적인 생물학 기반 학습 툴 시스템들, 및 그 툴 시스템이 학습 및 분석을 위해 이용하는 방법들이 제공된다. 자율적인 생물학 기반 학습 툴 시스템은, (a) 특정된 태스크들 또는 프로세스들의 세트를 수행하고, 다양한 프로세스들 및 관련 툴 성능을 특성화하는 애셋들에 관련된 애셋들 및 데이터를 생성하는 하나 이상의 툴 시스템들; (b) 데이터를 수신하고 포맷팅하는 상호작용 관리자 및 (c) 귀납적으로 정의되고 네트워크를 통해 통신하는 메모리 플랫폼 및 프로세싱 플랫폼을 포함하는, 학습의 생물학적 원리들에 기초한 자율적인 학습 시스템을 포함한다. 자율적인 툴 시스템들은 점차 복잡해지는 자율적인 툴들을 어셈블리하기 위해 귀납적으로 배치될 수 있다. 개별 또는 어셈블리된 복잡한 자율적인 툴들과 관련된 자율적인 학습 시스템(들) 에서 생성되고 누산된 지식은, 콘텍스트에 기초하여 툴 목적을 학습하고 구동시키기 위해 이용될 수 있는 시맨틱 네트워크들로 캐스트될 수 있다.

Description

자율적인 생물학 기반 학습 툴{AUTONOMOUS BIOLOGICALLY BASED LEARNING TOOL}

관련 출원에 대한 상호-참조

본 출원은, 발명의 명칭이 "자율적인 생물학 기반 학습 툴" 이고 2008년 3월 8일자로 출원된 미국 특허 출원 제 12/044,958호의 이익을 주장한다. 상기 출원의 전체가 여기에 참조로서 포함된다.

기술 진보는 점차 복잡해지는 프로세스-구동 자동화 장비를 유도한다. 일반적으로, 특정한 목적을 달성하거나 특정한 매우 기술적인 프로세스를 수행하기 위한 툴 시스템은, 그 목적을 달성하거나 그 프로세스를 성공적으로 수행하기 위한 다수의 펑션 엘리먼트들, 및 그 장비의 동작을 모니터링하기 위해 데이터를 수집하는 다양한 센서들을 포함할 수 있다. 그러한 자동화된 장비는 큰 볼륨의 데이터를 생성할 수 있다. 데이터는, 특정한 태스크의 일부로서 수행된 제품 또는 서비스에 관련된 실질적인 정보를 포함할 수 있지만, 또한, 프로세스 그 자체의 실행에 관련된 상당한 크기의 로그 정보를 포함할 수 있다.

현대의 전자 저장 기술들이 일정하게 증가하는 양의 데이터를 유지하는데는 여유가 있을 수 있지만, 누산된 데이터의 이용은 최적화되어 있지 않다. 일반적으로, 수집된 정보의 검사 및 해석은 사람의 개입을 요구하며, 다중-코어 프로세서들, 대규모 병렬 플랫폼들 및 프로세서 그리드들과 같은 컴퓨팅 파워에서 진보하는 것 뿐만 아니라 오브젝트-지향 프로그래밍, 모듈 코드 재사용, 웹 기반 애플리케이션 및 가장 최근의 양자 컴퓨팅과 같은 컴퓨팅 패러다임에서 진보하는 동안, 수집된 데이터의 프로세싱은, 데이터가 동작되는 비-자율적인 동적 프로그래매틱 (programmatic) 엔터프라이즈가 되도록 유지된다. 더 중요하게는, 비-자율적인 데이터 프로세싱에서 데이터는 분석 프로세스 그 자체를 구동시키기를 실패한다. 그러한 데이터 프로세싱 패러다임의 결과로서, 매우 기술적인 프로세스 동안, 자동화된 장비에서 생성된 데이터 사이에 존재할 수 있는 풍부한 관계들의 대부분은, 특정한 분석이 특정한 타입의 관계에 대해 설계되고 그 관계에 포커싱되지 않는 한 인지되지 않을 수 있다. 더 중요하게는, 그 장비내의 또 다른 유닛들에 의해 생성된 또 다른 데이터 사이의 다수의 상관들로부터 기원할 수 있고, 복잡한 자동화된 툴 또는 머신의 최적 성능을 결정할 수 있는 새로운 현상이 인지되지 않은 채로 유지될 수 있다.

따라서, 데이터 사이의 관계에 기초한 패러다임에 부합하여, 특정 프로세스의 데이터, 그 특정 프로세스에 따라 생성된 애셋 (assets) 에 대한 데이터를 분석할 수 있고 자율적인 자동화된 장비에 대한 필요성이 존재하며, 여기서, 그 데이터의 분석은, 사람의 뇌가 동작하는 방식과 매우 유사한 학습을 통해 그 프로세스 또는 그 관련 애셋을 둘러싸는 데이터에 의해 구동될 수 있거나 영향을 받을 수 있으며, 프로세스들 또는 애셋과 관련된 정보의 이해는 정보 그 자체에 의해 영향을 받고, 정보의 이해 및 관련 애셋의 품질을 개선시키기 위해 분석 목적(들), 및 분석 기구(들) 및 접근법(들) 의 학습 및 후속 수정을 일반적으로 유도한다.

다음은, 본 발명의 몇몇 양태들의 기본적인 이해를 제공하기 위해 본 발명의 간략화된 요약을 제공한다. 이러한 요약은 본 발명의 상세한 개관은 아니다. 그것은 본 발명의 키 또는 중요한 엘리먼트들을 식별하도록 의도되지 않고, 본 발명의 범위를 정확하게 서술하도록 의도되지 않는다. 그것의 유일한 목적은, 이후에 제공되는 더 상세한 설명의 전조부로서 간략화된 형태로 본 발명의 몇몇 개념들을 제공하는 것이다.

자율적인 생물학 기반 학습 툴 시스템, 및 그 툴 시스템이 학습을 위해 이용하는 방법이 제공된다. 자율적인 생물학 기반 학습 툴 시스템은, (i) 특정한 태스크, 예를 들어, 산화물 에칭 또는 이온 주입과 같은 반도체 제조 태스크, 또는 프로세스를 수행하고, 프로세스 및 툴 성능을 반영하는 데이터를 생성하는 개별 시스템 또는 계층적으로 배치된 그룹 및 복합화된 시스템들인 하나 이상의 툴 시스템들, (ii) 데이터를 수신하고 추가적인 이용을 위해 그 데이터를 패키징하는 상호작용 관리자, 및 (iii) 학습의 생물학적 원리에 기초한 자율적인 학습 시스템을 포함하며, 그 학습은, 시맨틱 네트워크의 세트에서의 개념들의 확산 활성화를 통해 구현된다. 자율적인 학습 시스템은, 메모리 및 프로세싱 플랫폼들 뿐만 아니라 툴 시스템 및 외부 액터 (예를 들어, 컴퓨터 또는 휴먼 에이전트 (human agent)) 사이에서 정보가 전달되는 3개의 펑션 블록들, 즉, 메모리 플랫폼, 프로세싱 플랫폼, 및 지식 통신 네트워크의 그룹으로부터 귀납적으로 정의될 수 있는 펑션 구조를 포함한다. 메모리 플랫폼은, 데이터 임프레션 (impression) 및 관련 학습 명령들을 수신하기 위한 에피소드 (episodic) 메모리, 지식 전개를 위해 이용되는 솟텀 (short term) 메모리, 및 지식을 저장하는 롱텀 (long term) 메모리를 포함하는 메모리들의 계층을 포함하며, 이는 시맨틱 네트워크로의 지식을 초래한다. 프로세싱 플랫폼내의 펑션 유닛들은 메모리 플랫폼에 저장된 정보에 관해 동작하며, 학습을 용이하게 한다. 그러한 빌딩 블록들 및 관련 기능은 사람의 뇌의 생물학적 구조 및 작동에 영감을 받았다.

정의된 시맨틱 네트워크에서의 개념 활성화를 통해 학습이 달성되며, 활성화 임계값은 각각의 개념과 관련된 속성들의 조합을 통해 지시된다. 속성들은 조작되는 개념의 타입에 의존하여, 즉, 절차상의 개념은 활성화 및 억제 에너지에 기초한 우선순위를 소유한다.

개별의 그룹 또는 복합체의 자율적인 툴 시스템은 자율적인 학습 시스템에서 생성되고 누산되는 지식을 이용하며, 이는 자율적인 생물학 기반 학습 툴, 뿐만 아니라 다양한 툴 시스템들에 의해 제조되는 애셋들에서의 다수의 개선들, 즉, (a) 시간이 진행함에 따라 더 적은 액터 개입 (예를 들어, 더 적은 사람 지시 및 감독) 을 유도하는 증가된 독립성, (b) 증가된 제조 성능의 출력들 (예를 들어, 적어도 부분적으로 종료되는 출력 애셋들) 및 후속하여 더 높은 품질의 출력들, (c) 액터들에 액션가능한 정보 (예를 들어, 자율적인 시스템 열화의 상태; 고장들의 근본 원인들의 더 양호한 식별; 개별 부품들, 툴들, 툴 그룹들 및 복합화된 툴에 대한 일 세트의 시스템 고장-수명 (time-to-failure) 의 예측; 뿐만 아니라 고장들 사이의 평균 시간 및 수리를 위한 평균 시간과 같은 관련 시간 스케일들) 를 운반하는 데이터 애셋들, 및 (d) 시간에 걸친 향상된 성능 (즉, 더 적은 리소스들을 소비하면서 개선된 제품들 및 서비스들이 더 빠른 레이트로 전달되며, 감소된 툴을 이용하여 감소된 시간으로 생성됨) 을 유도한다.

전술 및 관련 목적들의 달성을 위해 다음의 설명 및 첨부된 도면은, 청구된 사항의 특정한 예시적인 양태들에서 상세히 설명된다. 그러나, 이들 양태들은, 청구된 사항의 원리들이 이용될 수도 있는 다양한 방식들 중 몇몇만을 나타내며, 청구된 사항은 그러한 모든 양태들 및 그들의 등가물들을 포함하도록 의도된다. 청구된 사항의 다른 이점들 및 신규한 특성들은, 도면과 함께 고려될 경우 청구된 사항의 다음의 상세한 설명으로부터 명백해질 것이다.

도 1은 자율적인 생물학 기반 학습 툴의 고레벨 블록도를 도시한다.
도 2는 여기에 설명된 양태들에 따른 콘텍스트 목적 적응성을 서술한 다이어그램이다.
도 3은, 예시의 자율적인 생물학 기반 학습 툴의 고레벨 블록도를 도시한다.
도 4는 자율적인 생물학 기반 학습 시스템을 이용할 수 있는 반도체 제조용 예시적인 툴 시스템의 다이어그램이다.
도 5는 자율적인 생물학 기반 학습 시스템의 예시적인 아키텍처의 고레벨 블록도를 도시한다.
도 6a 및 도 6b는, 각각, 예시적인 오토봇 컴포넌트 및 예시적인 오토봇 아키텍처를 도시한다.
도 7은 자율적인 생물학 기반 학습 시스템의 자체-인식 컴포넌트의 예시적인 아키텍처를 도시한다.
도 8은 여기에 설명된 양태들에 따른 인식 작동 메모리에서 동작하는 예시적인 오토봇들의 다이어그램이다.
도 9는 자율적인 생물학 기반 학습 시스템의 자체-개념화 컴포넌트의 예시적인 실시형태를 도시한다.
도 10은 자율적인 생물학 기반 학습 시스템내의 자체-최적화 컴포넌트의 예시적인 실시형태를 도시한다.
도 11a 및 도 11b는, 각각, 본 발명의 일 양태에 따라 생성되는 단일의 예측 비교기 및 2개의 레시피 비교기들에 의한 예시적인 의존성 그래프를 도시한다.
도 12는, 여기에 설명된 양태들에 따른 자율적인 생물학 기반 학습 툴 시스템들의 예시적인 그룹 배치의 다이어그램을 도시한다.
도 13은 여기에 설명된 양태들에 따른 자율적인 툴 시스템들의 복합체 배치의 다이어그램을 도시한다.
도 14는, 본 명세서에 설명된 자율적인 툴 시스템들의 모듈 및 귀납적으로 커플링된 특징들을 도시한다.
도 15는, 여기에 설명된 양태들에 따른 애셋 생성을 위한 멀티-스테이션 프로세스를 평가하고 그에 대해 리포트하는 예시적인 시스템을 도시한다.
도 16은, 여기에 개시된 양태들에 따른 툴 복합체 시스템에 의해 자율적으로 생성되는 출력 애셋들을 분배시킬 수 있는 예시적인 자율적인 시스템의 블록도이다.
도 17은, 애셋 (예를 들어, 종료된 제품, 부분적으로 종료된 제품, ...) 에 대해 설계로부터 제조 및 마케팅까지의 자율적으로 결정된 분배 단계들의 일 예를 도시한다.
도 18은, 여기에 설명된 양태들에 따른 생물학 기반 자율적인 학습에 대한 예시적인 방법의 흐름도를 제공한다.
도 19는, 본 명세서에서 설명된 양태들에 따른 개념의 상황 스코어를 조정하기 위한 예시적인 방법의 흐름도를 제공한다.
도 20은 여기에 개시된 양태에 따라 지식을 생성하기 위한 예시적인 방법의 흐름도를 제공한다.
도 21은 여기에 개시된 양태들에 따른 애셋 분배를 위한 예시적인 방법의 흐름도를 제공한다.

다음으로, 본 발명은 도면을 참조하여 설명되며, 여기서, 유사한 참조 부호는 명세서 전반에 걸쳐 유사한 엘리먼트들을 지칭하기 위해 사용된다. 다음의 설명에서, 설명의 목적을 위해, 다수의 특정 세부사항들은 본 발명의 완전한 이해를 제공하기 위해 개시된다. 그러나, 본 발명이 이들 특정 세부사항들 없이도 실행될 수도 있음은 명백할 수도 있다. 다른 예시에서, 주지된 구조들 및 디바이스들은 본 발명의 설명을 용이하게 하기 위해 블록도 형태로 도시되어 있다.

본 명세서에서 사용된 바와 같이, "오브젝트", "모듈", "인터페이스", "컴포넌트", "시스템", "플랫폼", "엔진", "유닛", "스코어" 등의 용어는 특정 기능을 갖는 동작 머신에 관련된 엔티티 또는 컴퓨터-관련 엔티티를 지칭하도록 의도되며, 그 엔티티는, 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 실행시의 소프트웨어일 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 그 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. 또한, 이들 컴포넌트들은, 다양한 데이터 구조들이 저장된 다양한 컴퓨터 판독가능 매체로부터 실행할 수 있다. 그 컴포넌트들은, 예를 들어, 하나 이상의 데이터 패킷들 (예를 들어, 로컬 시스템, 분배된 시스템 내의 다른 컴포넌트와 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.

또한, "또는" 이라는 용어는 배타적인 "또는" 보다는 포괄적인 "또는" 을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 콘텍스트로부터 명확하지 않으면, "X는 A 또는 B 를 이용한다" 는 자연적인 포괄적 순열 (natural inclusive permutation) 들 중 임의의 순열을 의미하는 것으로 의도된다. 즉, X가 A를 이용하면, X 가 B를 이용하면, 또는 X가 A 및 B 양자를 이용하면, 상기 경우들 중 임의의 경우하에서도 "X는 A 또는 B를 이용한다" 가 충족된다. 또한, 본 출원 및 첨부된 청구항에서 사용되는 바와 같이, 일반적으로, 관사 "a" 및 "an" 은 그렇지 않게 특정되거나 단수형을 지시하는 것으로 콘텍스트로부터 명확하지 않다면, "하나 이상" 을 의미하는 것으로 해석되어야 한다.

도면을 참조하면, 도 1은 예시의 자율적인 생물학 기반 학습 시스템 (100) 을 도시한다. 적응적 추론 엔진 (110) 은 목적 컴포넌트 (120) 에 커플링된다. 유선 또는 무선 통신 링크 (115) 가 그러한 컴포넌트들을 커플링시킨다. 목적 컴포넌트 (120) 에 의해 확립되거나 추구되는 특정한 목적에 대해, 적응적 추론 컴포넌트 (110) 는, 목적을 달성하는데 이용될 수 있는 입력 (130) 을 수신하고, 추구된 또는 달성된 목적의 양태들을 표현 또는 레코딩할 수 있는 출력 (140) 을 운반한다. 또한, 적응적 추론 엔진 (110) 은 데이터 저장부 (150) 로부터 링크 (155) 를 통해 데이터를 수신할 수 있고, 그러한 데이터 저장부에 데이터 또는 정보를 저장할 수 있으며, 예를 들어, 저장된 정보는, 유선 또는 무선 링크 (165) 를 통해 운반되는 출력 (140) 의 일부일 수 있다. (i) 입력 (130), 출력 (140), 및 데이터 저장부 (150) 내의 데이터 (뿐만 아니라, 입력, 출력, 및 데이터 저장부내의 데이터의 이력) 가 적응적 추론 엔진 (110) 의 동작에 대한 콘텍스트를 포함하고, (ii) 링크들 (115, 155, 및 165) 을 통한 엔진으로의 그 콘텍스트의 피드백이 콘텍스트에 기초하여 적응을 용이하게 한다는 것을 인식해야 한다. 특히, 목적 컴포넌트 (120) 는, 특정한 초기 목적을 적응시키도록, 피드백된 콘텍스트를 이용할 수 있으며, 따라서, 그 적응된 목적을 확립 및 추구할 수 있다.

입력 (130) 은, (1) 사운드, 예를 들어, 음성 커맨드, 환경 잡음들 또는 음성들, 알람들; (2) 동적 또는 이동 지구-기반 카메라, 또는 에어본 (airborne) (예를 들어, 비행기, 위성) 카메라에 의해 캡쳐된 이미지들로서, 여기서, 카메라들은 방사 스펙트럼의 다중 간격들에서 동작할 수 있는, 그 캡쳐된 이미지들; (3) 생체 (biometric) 표시자들; (4) 제조된 제품들, 재료들의 샘플들의 묶음들과 같은 토큰들; 명령들, 레코드들, 측정 결과들을 포함할 수 있는 데이터 등을 포함할 수 있는 외인성 (extrinsic) 데이터 또는 정보로서 간주될 수 있다. 출력 (140) 은 입력 (130) 과 속성상 실질적으로 동일할 수 있으며, 내인성 (intrinsic) 데이터로서 간주될 수 있다. 입력 및 출력 (140) 은, 각각, 적응적 추론 컴포넌트 (110) 에 상주할 수 있는 입력 및 출력 인터페이스들, 예를 들어, 카메라, 입력 패드, 미디어 독 (예를 들어, USB 포트, IR 무선 입력) 에 의해 수신 및 운반될 수 있다. 상기 나타낸 바와 같이, 입력 (130) 및 출력 (140) 은 적응적 추론 엔진 (110) 에 대해 콘텍스트의 일부일 수 있다. 또한, 적응적 추론 컴포넌트 (110) 는 목적을 추구하는 결과로서 입력 (130) 을 요청할 수 있다.

자율적인 생물학 기반 시스템 (100) 내의 컴포넌트들은 귀납적으로 정의될 수 있으며, 기본적인 엘리먼트 컴포넌트들을 갖는 실질적인 정도의 적합한 학습 복잡도를 자율적인 시스템 (100) 에 수여할 수 있다.

각각의 링크 (115, 155, 또는 165) 는, 송신 또는 수신될 데이터 또는 정보의 조작을 용이하게 할 수 있고, 데이터 저장 및 데이터 마이닝 (mining) 을 위해 데이터베이스를 이용할 수 있으며, 일 액터로부터 일 액터로 정보를 수신 및 운반할 수 있는 통신 인터페이스를 포함할 수 있다. 링크들 (115, 155, 또는 165) 의 유선 실시형태들은, 꼬인-쌍 라인, T1/E1 전화선, AC 라인, 광섬유 라인, 및 대응하는 회로를 포함할 수 있지만, 무선 실시형태들은, 울트라-모바일 광대역 링크, 롱텀 에볼루션 링크, 또는 IEEE 802.11 링크, 및 관련 전자기기를 포함할 수 있다. 데이터 저장부 (150) 에 대해, 그것이 단일 엘리먼트로서 도시되어 있지만, 분포된 데이터 웨어하우스일 수 있으며, 데이터 메모리들의 세트는 또 다른 물리 또는 논리 위치들에 배치된다.

예시적인 시스템 (100) 에서, 적응적 추론 엔진 (110) 및 목적 컴포넌트 (320) 는 또 다른 컴포넌트들로서 도시되지만, 그러한 컴포넌트들 중 하나의 컴포넌트가 다른 컴포넌트내에 상주할 수 있음을 인식해야 한다.

목적 컴포넌트 (120) 는 하나 이상의 규율들 (예를 들어, 과학적 규율, 상업적 규율, 예술적 규율, 문화적 규율 등) 또는 엔터프라이즈 섹터 (예를 들어, 마켓 섹터, 산업 섹터, 연구 섹터, 에너지 섹터, 공용 섹터 등) 에 속할 수 있다. 또한, 통상적으로, 목적들이 종합적일 수 있고 다수의 마켓에 포커싱할 수 있으므로, 목적 컴포넌트는 하나 이상의 특정 규율들 또는 섹터들내에서 다수의 또 다른 목적들을 확립할 수 있다. 목적을 추구하기 위해, 목적 컴포넌트는 펑션 컴포넌트 및 모니터 컴포넌트를 포함할 수 있다. 목적을 달성하기 위한 특정한 동작들은 펑션 컴포넌트(들)를 통해 달성되지만, 목적 달성에 관련된 변수들의 조건들은 모니터 컴포넌트에 의해 결정된다. 또한, 펑션 컴포넌트(들)는, 목적 컴포넌트 (120) 에 의해 달성될 수 있는 목적들의 공간을 결정할 수 있다. 목적들의 공간은, 특정한 기능으로 획득될 수 있는 실질적으로 모든 목적들을 포함한다. 펑션 컴포넌트에 의해 제공된 그러한 특정 기능에 대해, 특정한 목적의 콘텍스트 적응성이 목적들의 공간내에서 제 1 목적을 제 2 목적에 적응시킬 수 있다는 것을 인식해야 한다. 목적들의 공간내의 초기 목적은 하나 이상의 섹터들에 의해 결정될 수 있으며, 여기서, 액터는 머신 또는 휴먼 에이전트 (예를 들어, 엔드 사용자) 일 수 있다. 적응 추론 엔진 (110) 이 목적 드리프팅을 통해 복잡하고 상세한 오브젝트로 향해 목적 컴포넌트 (120) 를 구동시킬 수 있으므로, 초기 목적이 일반적인 고레벨 오브젝트일 수 있음을 유의해야 한다. 목적들, 즉, 목적 컴포넌트들 및 목적 적응성은 다음에 예시된다.

도 2는 콘텍스트 목적 적응성을 서술한 다이어그램 (200) 이다. 통상적으로, 목적 (예를 들어, 목적 (210₁), 또는 목적 (210₃)) 은 목적 컴포넌트 (예를 들어, 컴포넌트 (120)) 의 기능과 관련된 추상화일 수 있다. 목적은 고레벨 추상화, 즉, "은퇴를 위한 저축", "수익을 확보", "유희를 즐김", "요리를 학습", "일 장소로 여행", "데이터베이스를 개발", "제품을 제조" 등일 수 있다. 또한, 목적들은, "$60,000 내지 $80,000 범위의 연수입으로 조기 은퇴를 위해 저축", "$5000 을 초과하지 않는 숙박을 포함한 여행 비용으로 미국으로부터 일본으로 미성수기에 여행", 또는 "유망한 고용주의 연합 그룹에 35분의 프리젠테이션을 전달하기 위해 잡 인터뷰 사이트에 도달함" 과 같은 더 특정한 세분일 수 있다. 또한, 목적 (예를 들어, 도면부호 (210₁)) 은 관련 콘텍스트 (예를 들어, 도면부호 (220₁)) 를 소유한다. 상기 나타낸 바와 같이, 일반적으로, 적응적 추론 엔진 (110) 에 커플링된 목적 컴포넌트 (120) 는 확립된 목적 (예를 들어, 목적 (210₁) 또는 목적 (210₃)) 과 양립할 수 있다. 예를 들어, "제품을 제조" 라는 목적 (예를 들어, 목적 (210₁)) 은, 그 제품을 제조하기 위한 표준 또는 커스텀 사양들을 채용하는 분자선 에피택시 (epitaxy) 반응기 (예시적인 목적 컴포넌트 (120)) 와 같은 제조 툴 시스템에 의존할 수 있다. 그러한 목적 (예를 들어, 목적 (210₁)) 의 달성 동안, 출력 (140) 은 제조된 제품을 포함할 수 있다. 또한, 적응적 추론 컴포넌트 (예를 들어, 컴포넌트 (110)) 는, 목적 컴포넌트내의 모니터 컴포넌트에 의해 수집된 데이터 또는 툴 시스템 사양들에 의해 생성될 수 있는 것과 같은 콘텍스트 (예를 들어, 콘텍스트 (220₁)) 에 기초하여, "제품을 제조" 라는 목적 (예를 들어, 목적 (210₁)) 을 적응 (예를 들어, 적응 (230₁)) 시킬 수 있다. 특히, 초기 고레벨 목적 (예를 들어, 목적 (210₁)) 은, "반도체 디바이스를 제조" (예를 들어, 목적 (210₂)) 하도록 적응될 수 있다. 상기 나타낸 바와 같이, 목적 컴포넌트 (120) 는 목적을 달성하기 위해 다수의 펑션 컴포넌트들로 구성될 수 있다. 또한, 목적 컴포넌트 (120) 는 모듈일 수 있으며, 여기서, 목적 서브-컴포넌트는 목적이 적응됨에 따라 포함될 수 있다. 일 예로서, "제품을 제조" 라는 목적을 추구하는 목적 컴포넌트는, "모듈 전자 컴포넌트들을 이용하는 멀티코어-프로세서를 제조" 하도록 목적 (예를 들어, 목적 (210_N)) 을 적응시키기 위해 (예를 들어, 도면부호 (230₁)) 다양한 마켓들의 마켓 조건들을 분석할 수 있는 대규모 병렬의 지능형 컴퓨팅 플랫폼에 커플링된 멀티-마켓 평가 및 예상 컴포넌트를 포함할 수 있다. 그러한 적응이 다수의 중간 적응들 (230₁ 내지 230_N-1) 뿐만 아니라 중간의 적응된 목적들 (210₂ 내지 210_N-1) 을 포함할 수 있다는 것을 유의해야 하며, 여기서, 개재된 적응은 이전에 추구된 목적들로부터 생성된 중간 콘텍스트들 (220₂ 내지 220_N) 에 기초한다.

목적, 목적 컴포넌트 및 목적 적응의 또 다른 예시에서, 목적은 "스토어 B에서 영화 A의 DVD를 구입하는 것" 일 수 있고, 목적 컴포넌트 (120) 는 적응적 추론 엔진 (110) 을 포함하는 네비게이션 시스템을 갖춘 차량일 수 있다 (이러한 예시에서, 적응적 추론 엔진 (110) 은 목적 컴포넌트 (120) 에 상주함을 유의해야 한다). 액터 (예를 들어, 차량 오퍼레이터) 는 스토어 B의 위치를 입력 또는 선택할 수 있고, 목적 컴포넌트는 그 목적을 달성하기 위한 방향을 생성할 수 있다. 액터가 스토어로 이동하고 있는 동안, 스토어 B가 영화 A를 인벤토리에 보유하지 않는다는 입력 (130) 을 적응적 추론 엔진 (110) 이 수신한 예시에서 (예를 들어, RFID 판독기가 인벤토리 데이터베이스를 업데이트하고, 업데이트 메시지가 컴포넌트 (110) 에 브로드캐스팅됨), 적응적 추론 엔진 (110) 은, (i) 재고로 영화 A를 갖춘 스토어 C를 식별하기 위한 부가적인 입력 (330) 을 요청할 수 있고, (ii) 스토어 C에 도달하기 위해 액터에 이용가능한 리소스들을 평가할 수 있으며, (iii) 목적을 달성할 시에 액터의 관심 레벨을 평가할 수 있다. (i) 내지 (iii) 에 예시된 바와 같이 입력 (130) 을 통해 전개되는 변형된 콘텍스트에 기초하여, 목적 컴포넌트는 "스토어 C에서 영화 A의 DVD를 구입하는 것" 에 목적을 적응시키기 위한 표시를 수신할 수 있다.

적응적 추론 엔진 (110) 이 목적 컴포넌트 (120) 에 의해 결정된 목적과 관련된 서브-목적들을 확립할 수 있음을 인식해야 한다. 서브-목적은, 적응적 추론 엔진이 보완적인 태스크를 달성하거나 그 목적과 관련된 개념들을 학습할 수 있게 함으로써 그 목적의 달성을 용이하게 할 수 있다.

요약으로서, 자율적인 생물학 기반 시스템 (100) 은 콘텍스트 목적-적응을 갖춘 목적-구동 시스템이다. 수신된 콘텍스트에 기초한 목적 적응이 액션가능한 정보 출력 (140) 을 생성하기 위해 입력 정보의 분석에 적응의 부가적인 레이어를 도입한다는 것을 인식해야 한다. (a) 정보 또는 데이터 분석의 프로세스를 적응시키고 (b) 콘텍스트에 기초하여 초기 목적을 적응시키는 능력들은 시스템을 매우 적응적 또는 자율적이게 한다.

도 3은 예시의 자율적인 생물학 기반 학습 툴 (300) 의 고레벨 블록도를 도시한다. 실시형태 (300) 에서, 자율적인 학습 시스템은, 그의 특정 기능을 툴 시스템에 수여하고 단일의 펑션 툴 컴포턴트 또는 실질적으로 동일하거나 별개인 펑션 툴 컴포넌트들의 집합을 포함할 수 있는 펑션 컴포넌트 (315), 및 반도체 웨이퍼의 열처리와 같은 툴에 의해 수행되는 프로세스에 관련된 수 개의 측정가능한 크기들을 프로빙할 수 있는 센서 컴포넌트 (325) 를 포함하며, 그 프로세스와 관련된 애셋 (328) 을 생성한다. 제조 프로세스 데이터 또는 테스트 런 (run) 데이터와 같은 데이터 애셋들을 포함하는 수집된 애셋 (328) 은, 애셋 (328) 을 수신하기 위한 인터페이스로서 기능할 수 있는 어댑터 컴포넌트 (335), 수신된 애셋 (328) 을 프로세싱할 수 있는 상호작용 관리자 (345), 및 수신되고 프로세싱된 데이터를 저장할 수 있는 데이터베이스(들) (355) 를 포함하는 상호작용 컴포넌트 (330) 에 운반될 수 있다. 상호작용 컴포넌트 (330) 는, 자율적인 생물학 기반 학습 시스템 (360) 과 툴 시스템 (310) 과의 상호작용을 용이하게 한다. 툴 시스템 (310) 에 의해 수행된 프로세스에서 생성되는 데이터와 관련된 정보가 수신될 수 있고, 점차로 자율적인 학습 시스템 (360) 에 공급될 수 있다.

자율적인 생물학 기반 학습 시스템 (360) 은, 수신 정보에 대해 동작할 수 있고, 프로세싱된 정보를 지식 네트워크 (375) 를 통해 역으로 메모리 플랫폼 (365) 에 전달할 수 있는 프로세싱 플랫폼 (385) 에 지식 네트워크 (375) 를 통하여 전달될 수 있는 수신 정보 (358) (예를 들어, 데이터, 변수들 및 관련 관계들, 인과 그래프, 탬플릿 등) 를 저장하는 메모리 플랫폼 (365) 을 포함한다. 일반적으로, 자율적인 학습 시스템 (360) 의 구성 컴포넌트들은 뇌의 생물학적 양태와 유사할 수 있으며, 여기서, 정보를 조작하고 지식을 생성하기 위해 메모리가 프로세싱 컴포넌트들과 네트워킹된다. 또한, 지식 네트워크 (375) 는, 상호작용 관리자 (345) 를 통해 툴 시스템 (310) 또는 액터 (390) 에 정보를 전달할 수 있는 상호작용 컴포넌트 (330) 로부터 정보를 수신할 수 있고, 그 컴포넌트로 정보를 운반할 수 있다. 자율적인 학습 시스템 (360) 에 의해 정보 (358) 가 수신되고, 저장되고, 프로세싱되며 운반됨에 따라, 다수의 개선들이 툴 시스템 (310) 및 그에 의존하는 액터들에서 달성될 수 있다. 즉, 개선들은, (a) 자율적인 학습 시스템 (360) 및 툴 시스템 (310) 이 시간이 진행함에 따라 점차 독립적으로 되어 가고, 더 적은 액터 개입 (예를 들어, 사람의 지시 및 관리) 을 요구한다는 점, (b) 자율적인 시스템이 액터들로의 출력들의 품질을 개선시킨다는 점 (예를 들어, 고장들의 근본 원인들의 더 양호한 식별, 또는 그 출력의 발생 전에 시스템 고장의 예측), 및 (c) 자율적인 학습 시스템 (360) 이 시간에 걸쳐 그의 성능을 개선시킨다는 점, 즉, 자율적인 시스템 (360) 이 더 적은 리소스들을 소비하면서 개선된 결과를 더 빠른 레이트로 전달한다는 점을 포함한다.

메모리 플랫폼 (365) 은, 툴 시스템 (310) 의 초기화 또는 구성 동안 수신된 지식 (예를 들어, 정보 (358)) (예를 들어, 사전 지식) 을 저장하도록 구성될 수 있는 펑션 메모리 컴포넌트들의 계층을 포함한다. 사전 지식은 상호작용 컴포넌트 (330) 를 통해 정보 입력 (358) 으로서 운반될 수 있다. 또한, 메모리 플랫폼 (365) 은, (a) 툴 시스템 (310) 의 초기화/구성 이후 자율적인 학습 시스템 (360) 을 트레이닝 (train) 하는데 이용되는 트레이닝 데이터 (예를 들어, 정보 입력 (358)), 및 (b) 자율적인 학습 시스템 (360) 에 의해 생성된 지식을 저장할 수 있으며, 그 지식은, 상호작용 컴포넌트 (330), 즉, 상호작용 관리자 (345) 를 통해 툴 시스템 (310) 또는 액터 (390) 로 운반될 수 있다.

액터 (390), 예를 들어, 휴먼 에이전트에 의해 공급된 정보 입력 (358) (예를 들어, 데이터) 은, 프로세스와 관련된 변수를 식별하는 데이터, 2개 이상의 변수들 사이의 관계, 인과 그래프 (예를 들어, 종속성 그래프), 또는 에피소드 정보를 포함할 수 있다. 그러한 정보는, 학습 프로세스에서 자율적인 생물학 기반 시스템 (360) 을 안내하는데 용이할 수 있다. 또한, 일 양태에서, 그러한 정보 입력 (358) 은 액터 (390) 에 의해 중요한 것으로 간주될 수 있으며, 그 중요도는 툴 시스템 (310) 에 의해 수행된 특정 프로세스에 대한 정보의 관련성에 관련될 수 있다. 예를 들어, 산화물 에칭 시스템의 오퍼레이터 (예를 들어, 액터 (390) 가 휴먼 에이전트임) 는, 에칭 레이트가 제조 프로세스의 결과에 중요하다고 결정할 수 있으며, 따라서, 에칭 레이트는 자율적인 학습 시스템 (360) 에 전달된 속성일 수 있다. 또 다른 양태에서, 액터 (390) 에 의해 공급된 정보 입력 (358) 은 힌트일 수 있으며, 그에 의해, 프로세스 변수들 사이의 특정 관계를 학습하기 위한 표시가 행해진다. 일 예로서, 특정 증착 단계 내에서, 챔버 볼륨, 배기 압력 및 인커밍 가스 흐름의 펑션으로서, 툴 시스템 (310) 의 증착 챔버에서의 압력의 작동을 학습하기 위해 일 제안을 운반할 수 있다. 또 다른 예로서, 힌트는 챔버 압력에 대한 상세한 시간 관계를 학습하도록 표시할 수 있다. 그러한 예시적인 힌트들은, 다수의 프로세스 변수들에 대한 압력의 펑션 의존성을 학습할 수 있는 자율적인 학습 시스템내의 하나 이상의 펑션 프로세싱 유닛들을 활성화시킬 수 있다. 또한, 그러한 힌트들은, 모델에 대한 학습된 기능 또는 액터 (390) 에 이용가능한 경험적인 기능들을 적용 및 비교할 수 있는 하나 이상의 펑션 유닛들을 활성화시킬 수 있다.

툴 시스템 (310), 예를 들어, 반도체 제조 툴은 복잡할 수 있으며, 따라서, 또 다른 액터들은, 또 다른 타입의 특정한 완전한 또는 불완전한 지식을 통해 툴 시스템을 조작 및 동작시키는데 특수화될 수 있다. 일 예로서, 휴먼 에이전트, 예를 들어, 툴 엔지니어는 상이한 가스들이 상이한 분자량을 갖는다는 것을 인식할 것이며, 따라서, 상이한 압력을 생성할 수 있지만, 프로세스/툴 엔지니어는, 제 1 가스로부터 기인하는 압력 수치를 제 2 가스로부터 기인하는 동등한 압력으로 변환하는 방법을 인식할 수 있으며, 그러한 지식의 기본적인 예는 일 단위 (예를 들어, Pa) 로부터 또 다른 단위 (예를 들어, lb/in², 또는 PSI) 로 압력 수치를 변환하는 것일 수 있다. 자율적인 생물학 기반 학습 시스템에 존재하는 일반적으로 더 복잡한 지식의 부가적인 타입은, 툴 시스템의 특성들 (예를 들어, 챔버의 볼륨) 과 툴 시스템에서 수행되는 측정치들 (예를 들어, 챔버내의 측정된 압력) 사이의 펑션 관계일 수 있다. 예를 들어, 에칭-엔지니어는 에칭 레이트가 에칭 챔버내의 온도에 의존한다는 것을 인식한다. 지식의 다이버시티를 허용하고 그러한 지식이 불완전할 수 있다는 사실을 허용하기 위해, 액터 (예를 들어, 엔드-사용자와 같은 휴먼 에이전트) 는 다음과 같은 다수의 정도의 운반된 지식을 통해 자율적인 학습 시스템 (360) 을 안내할 수 있다. (i) 특정된 지식이 없음. 액터는 자율적인 학습 시스템에 대한 가이드라인을 전달하지 않는다. (ii) 기본적인 지식. 액터는 툴 시스템의 특성들과 툴 시스템내의 측정치들 사이의 유효한 관계를 운반할 수 있으며, 예를 들어, 액터는 에칭 레이트 (κ_E) 와 프로세스 온도 (T) 사이의 관계 (예를 들어, relationship(κ_E,T)) 를 추가적인 세부사항 없이 운반한다. (iii) 식별된 출력을 갖는 기본적인 지식. 툴 시스템 특성과 툴 시스템 측정치 사이의 관계에 추가적으로, 액터는 관계에서 종속 변수에 대한 특정 출력을 제공할 수 있다 (예를 들어, relationship(output(κ_E),T)). (iv) 관계에 대한 부분적인 지식. 액터는, 툴 시스템 특성과 측정치 사이의 수학식의 구조 뿐만 아니라 관련 종속 및 독립 변수들을 인식한다 (예를 들어, κ_E＝k₁e^-k2/T, k₁ 또는 k₂ 에 대한 특정값을 갖지 않음). 그러나, 액터는 그 관계의 더 많은 관련 상수들에 대해 그것의 정확한 값을 인식하기를 실패할 수 있다. (v) 완전한 지식. 액터는 펑션 관계의 완전한 수학적 설명을 소유한다. 자율적인 학습 시스템 (360) 이 펑션 관계를 자율적으로 학습하도록 전개하고 시도함에 따라, 그러한 가이드 라인이 시간에 걸쳐 점차 제공될 수 있음을 유의해야 한다.

지식 네트워크 (375) 는, 확립된 우선순위에 따라 정보 (예를 들어, 데이터) 를 전달하고 파워를 전달하는 지식 버스이다. 우선순위는 정보 소스 및 정보 목적지 컴포넌트들 또는 플랫폼들의 쌍에 의해 확립될 수 있다. 또한, 우선순위는 송신될 정보에 기초할 수 있다 (이러한 정보는 실시간으로 디스패치되어야 한다). 우선순위들이 정적이기보다는 동적일 수 있으며, 자율적인 학습 시스템 (360) 에서의 학습 전개의 펑션으로서, 그리고 자율적인 생물학 기반 학습 툴 (300) 에 존재하는 하나 이상의 컴포넌트들에서의 하나 이상의 요구들의 관점에서 변할 수 있음을 유의해야 하며, 예를 들어, 문제 상황이 인식될 수 있고, 응답으로 통신이 보증 및 달성될 수 있다. 지식 네트워크 (375) 를 통한 통신 및 파워 전달은 유선 링크 (예를 들어, 꼬인 쌍 링크, T1/E1 전화선, AC 라인, 광섬유 라인) 또는 무선 링크 (예를 들어, UMB, LTE, IEEE 802.11) 를 통해 달성될 수 있으며, 펑션 플랫폼 (예를 들어, 메모리 플랫폼 (365) 및 프로세싱 플랫폼 (385)) 내의 컴포넌트들 (미도시) 사이, 또는 또 다른 플랫폼들 (예를 들어, 자체-인식의 다른 서브-컴포넌트와 통신하는 자체-인식의 메모리 플랫폼 내의 컴포넌트) 내의 컴포넌트들 사이에서 발생할 수 있거나, 그 통신은 컴포넌트들 사이에 존재할 수 있다 (예를 들어, 인식 컴포넌트는 개념화 내의 일 컴포넌트와 통신한다).

프로세싱 플랫폼 (385) 은 정보에 대해 동작하는 펑션 프로세싱 유닛들을 포함하며, 특정한 타입 (예를 들어, 숫자, 시퀀스, 시간 시퀀스, 펑션, 클래스, 인과 그래프 등) 의 입력 정보가 수신 또는 검색되고, 특정한 타입의 출력 정보를 생성하기 위하여 프로세싱 유닛에 의해 계산이 수행된다. 출력 정보는, 지식 네트워크 (375) 를 통해 메모리 플랫폼 (365) 내의 하나 이상의 컴포넌트들로 운반될 수 있다. 일 양태에서, 펑션 프로세싱 유닛들은 메모리 플랫폼 (335) 에 저장된 데이터 구조들 또는 데이터 타입 인스턴스를 판독 및 변형시킬 수 있으며, 그 내에 새로운 데이터 구조들을 축적할 수 있다. 또 다른 양태에서, 펑션 프로세싱 유닛들은, 적합성, 중요도, 활성화/억제 에너지, 및 통신 우선순위와 같은 다양한 수치 속성들에 대한 조정을 제공할 수 있다. 각각의 펑션 프로세싱 유닛은 정보에 대해 동작하기 위한 계층을 결정하는 동적 우선순위를 가지며, 더 높은 우선순위 유닛들은 더 낮은 우선순위 유닛들보다 더 일찍 데이터에 대해 동작한다. 특정한 정보에 대해 동작하는 펑션 프로세싱 유닛이, 툴 시스템 (310) 의 동작과 관련된 양호한 런으로부터 불량한 런을 구별하는 랭킹 넘버 또는 랭킹 펑션을 생성하는 것과 같이 새로운 지식 (예를 들어, 학습) 을 생성하기를 실패하는 경우, 그 펑션 프로세싱 유닛과 관련된 우선순위가 낮춰질 수 있다. 이와 대조적으로, 새로운 지식이 생성되면, 프로세싱 유닛의 우선순위가 증가된다.

프로세싱 플랫폼 (385) 이 우선순위화된 펑션 프로세싱 유닛들을 통해 특정한 상황 (예를 들어, 특정한 데이터 타입) 에서 제 1 동작을 시도하려는 사람의 경향을 에뮬레이팅함을 인식해야 하며, 그 동작이 새로운 지식을 생성하면, 후속의 실질적으로 동일한 상황에서 그 동작이 활용된다. 이와 대조적으로, 제 1 동작이 새로운 지식을 생성하기를 실패할 경우, 그 상황을 처리하기 위해 제 1 동작을 이용하기 위한 경향은 감소되고, 제 2 동작 (예를 들어, 확산 활성화) 이 이용된다. 제 2 동작이 새로운 지식을 생성하기를 실패하면, 그의 우선순위가 감소되며, 제 3 동작이 이용된다. 프로세싱 플랫폼 (385) 은 새로운 지식이 생성될 때까지 동작을 계속 이용하며, 다른 동작(들)은 더 높은 우선순위를 획득한다.

일 양태에서, 액터 (390) 는, 자율적인 학습 시스템 (360) 에 대한 레시피 파라미터들, 명령들 (예를 들어, 이온 주입된 웨이퍼의 어닐링 사이클에 대한 온도 프로파일, 반도체의 기상 증착에서의 셔터 개방/폐쇄 시퀀스, 이온 주입 프로세스에서의 이온빔 에너지, 또는 스퍼터링 증착에서의 전기장 크기) 뿐만 아니라 초기화 파라미터들을 제공할 수 있다. 또 다른 양태에서, 액터는 툴 시스템 (310) 의 유지보수와 관련된 데이터를 공급할 수 있다. 또 다른 양태에서, 액터 (390) 는, 툴 시스템 (310) 에 의해 수행된 프로세스의 컴퓨터 시뮬레이션의 결과를 생성 및 제공할 수 있다. 그러한 시뮬레이션에서 생성된 결과들은 자율적인 생물학 기반 학습 시스템을 트레이닝하기 위한 트레이닝 데이터로서 이용될 수 있다. 또한, 시뮬레이션 또는 엔드-사용자는 프로세스와 관련된 최적화 데이터를 툴 시스템 (370) 에 전달할 수 있다.

자율적인 학습 시스템 (360) 은 하나 이상의 트레이닝 사이클들을 통해 트레이닝될 수 있으며, 각각의 트레이닝 사이클은, (i) 외부 개입없이 더 큰 수의 펑션들을 수행할 수 있고; (ii) 시스템 건강상태의 근본적인 원인들을 제조하는 근본적인 원인을 진단할 경우, 개선된 정밀도 또는 정확도와 같은 더 양호한 응답을 제공하며; (iii) 더 신속한 응답 시간, 감소된 메모리 소비, 또는 개선된 품질의 제품과 같은 성능을 증가시키기 위해, 자율적인 생물학 기반 학습 툴 (300) 을 개발하도록 이용될 수 있다. 트레이닝 데이터가 툴 시스템 (310) 에서의 프로세스 교정 또는 표준 런과 관련된 데이터 (328) (그러한 데이터는 내부적인 것으로 간주된다) 로부터 수집되거나 상호작용 관리자 (345) 를 통해 수집되는 경우, 트레이닝 데이터는 어댑터 컴포넌트 (335) 를 통해 자율적인 학습 시스템에 공급될 수 있다. 트레이닝 데이터 (예를 들어, 외부 프로브, 또는 툴 시스템 (310) 에서의 수리 개입의 레코드들을 통해 수행된 외부 측정치들에 관련된 데이터) 가 데이터베이스(들) (365) 로부터 검색될 경우, 그러한 트레이닝 데이터는 외부적인 것으로 간주될 수 있다. 트레이닝 데이터가 액터에 의해 공급될 경우, 데이터는 상호작용 관리자 (345) 를 통해 운반되며, 외부적인 것으로 간주될 수 있다. 내부 또는 외부 트레이닝 데이터에 기초한 트레이닝 사이클은, 툴 시스템 (310) 의 기대된 작동을 학습하기 위해 자율적인 학습 시스템 (360) 을 용이하게 한다.

상기 나타낸 바와 같이, 펑션 컴포넌트 (315) 는 툴 특정 반도체 제조 능력들과 관련된 다수의 펑션 툴 컴포넌트들 (미도시) 을 포함할 수 있으며, 그 툴이 (a) 반도체 기판들 (예를 들어, 웨이퍼, 플랫 패널, 액정 디스플레이 (LCD) 등) 을 제조하고, (b) 에피택시 기상 증착 또는 비-에피택시 기상 증착을 수행하고, (c) 이온 주입 또는 가스 클러스터 이온 도입을 용이하게 하고, (d) 플라즈마 또는 비-플라즈마 (건조 또는 습식) 산화물 에칭 처리를 수행하고, (e) 리소그래피 프로세스 (예를 들어, 포토-리소그래피, e-빔 리소그래피 등) 를 구현하며, 그 외 다른 펑션을 행하기 위해 사용될 수 있게 한다. 또한, 툴 시스템 (310) 은, 용광로; 수집된 전기화학적 환경에서의 동작을 위한 노출 툴; 평탄화 디바이스; 전기도금 시스템; (동작 사이클링을 통한) 수명 측정치를 포함할 수 있는 광학, 전기 및 열 특성들에 대한 테스트 디바이스; 도량형 툴, 웨이퍼 세정 머신 등에서 구현될 수 있다.

툴 시스템 (310) 에 의해 수행된 프로세스에서, 센서 컴포넌트 (325) 를 포함하는 센서들 및 프로브들은, 수집된 데이터의 의도된 사용에 의존하는 다양한 정도의 복잡도를 갖는 다양한 트랜스듀서 및 기술들을 통해, 상이한 물리적 특성들 (예를 들어, 압력, 온도, 습도, 질량 밀도, 증착율, 레이어 두께, 표면 거칠기, 결정 배향, 도핑 농도 등) 뿐만 아니라 기계적 특성들 (밸브 어퍼처 (aperture) 또는 밸브 각도, 셔터 온/오프 동작, 가스 플럭스, 기판 각속도, 기판 배향 등) 에 대한 데이터 (예를 들어, 데이터 애셋) 를 수집할 수 있다. 그러한 기술들은, X-선 회절, 투과성 전자 현미경 (TEM), 스캐닝 전자 현미경 (SEM), 질량 분석, 광-노출 평가, 자전기 전달 측정, 광 특성 측정 등을 포함할 수 있지만, 이에 제한되지는 않는다. 제품 (예를 들어, 반도체 기판) 에 관련된 부가적인 데이터 애셋들은, 현상 검사 (development inspection; DI) 임계 치수 (CD), 및 최종 검사 (FI) CI 이다. 프로브가 툴 시스템 (310) 에 대해 외부에 존재할 수 있으며, 인터페이스 컴포넌트 (미도시) 를 통해 액세스될 수 있음을 인식해야 한다. 예를 들어, 그러한 외부 프로브들은 DI CI 및 FI CI 를 제공할 수 있다. 그러한 데이터 애셋 (328) 이 툴 시스템 (310) 에 의해 제조되거나 제작된 출력 애셋들 또는 물리적 제품들을 효율적으로 특성화한다는 것을 인식해야 한다.

일 양태에서, 센서 컴포넌트 (325) 내의 데이터 소스들은, 아날로그 또는 디지털 형태로 데이터 애셋 (328) 을 수집하도록 구성될 수 있는 어댑터 컴포넌트 (335) 에 커플링될 수 있다. 데이터가 메모리 플랫폼 (365) 에 축적되기 전에, 어댑터 컴포넌트 (335) 는, 자율적인 학습 시스템 (310) 에서의 데이터의 의도된 이용에 따라 구성 또는 분해되도록 프로세스 런에서 수집된 데이터 (368) 를 용이하게 할 수 있다. 어댑터 컴포넌트 (335) 내의 어댑터들은 센서 컴포넌트 (325) 내의 하나 이상의 센서들과 연결될 수 있으며, 특정 주파수들 또는 다른 특정 조건들에서 하나 이상의 센서들을 판독할 수 있다. 외부 데이터 소스 어댑터는 데이터를 인출 (pull) 할 뿐만 아니라, 툴의 외부로부터 푸쉬된 데이터를 통과시키기 위한 능력을 가질 수도 있다. 예를 들어, MES/이력 데이터베이스 어댑터는, 다양한 오토봇들에 대한 정보를 추출하고 자율적인 시스템의 하나 이상의 컴포넌트들에 대해 작동 메모리로 데이터를 패키징/축적하기 위해 MES 데이터베이스를 참고하는 방법을 인식한다. 일 예로서, 어댑터 컴포넌트 (335) 는, 툴이 웨이퍼를 프로세싱함에 따라 한번에 하나의 웨이퍼의 웨이퍼-레벨 런 데이터를 수집할 수 있다. 그 후, 어댑터 컴포넌트 (335) 는, "로트-레벨-데이터 (lot-level-data)", "유지보수-간격-데이터" 등을 형성하기 위해 일 묶음에서 개별 런들을 병합할 수 있다. 대안적으로, 툴 시스템 (310) 이 로트-레벨 데이터에 대한 단일 파일 (또는 컴퓨터 제품 애셋) 을 출력하면, 어댑터 컴포넌트 (335) 는 웨이퍼-레벨 데이터, 단계-레벨 데이터 등을 추출할 수 있다. 또한, 분해된 데이터 엘리먼트, 예를 들어, 센서 컴포넌트 (325) 내의 압력 제어기가 동작하고 있는 변수들 및 시간들은 툴 시스템 (300) 의 하나 이상의 컴포넌트들과 관련될 수 있다. 상술된 바와 같은 수신 데이터 (328) 의 프로세싱 또는 패키징에 후속하여, 어댑터 컴포넌트 (335) 는 프로세싱된 데이터를 데이터베이스(들) (355) 에 저장할 수 있다.

데이터베이스(들) (355) 은, (i) 센서 컴포넌트 (325) 내의 센서들에 의해 수행된 측정들을 통해 툴 시스템 (370), (ii) 제조 실행 시스템 (MES) 데이터베이스 또는 이력 데이터베이스, 또는 (iii) 툴 시스템 (310) 의 컴퓨터 시뮬레이션, 예를 들어, 액터 (390) 에 의해 수행된 반도체 웨이퍼 제조의 시뮬레이션에서 생성된 데이터에서 기원되는 데이터를 포함할 수 있다. 일 양태에서, MES는, 제조 프로세스를 측정 및 제어할 수 있고, 장비 이용가능도 및 상태를 추적할 수 있고, 인벤토리를 제어할 수 있으며, 경고를 모니터링할 수 있는 시스템이다.

툴 시스템 (310) 에 의해 제조된 제품들 또는 제품 애셋들이 상호작용 컴포넌트 (330) 를 통해 액터 (390) 로 운반될 수 있음을 인식할 것이다. 제품 애셋들이 액터 (390) 에 의해 분석될 수 있고, 결과적인 정보 또는 데이터 애셋들이 자율적인 학습 시스템 (360) 에 운반될 수 있음을 인식해야 한다. 또 다른 양태에서, 상호작용 컴포넌트 (330) 는 어댑터 컴포넌트 (355) 를 통해 제품 애셋 (328) 의 분석을 수행할 수 있다.

또한, 실시형태 (300) 에서, 상호작용 컴포넌트 (340) 및 자율적인 학습 시스템 (360) 이 툴 시스템 (310) 에 대해 외부적으로 배치됨을 유의해야 한다. 단일 특정 툴 컴포넌트, 예를 들어, 단일 임베디드 모드, 또는 툴 컴포넌트들의 클러스터, 예를 들어, 다중 임베디드 모드에서 상호작용 컴포넌트 (340) 및 자율적인 생물학 기반 학습 시스템 (310) 이 툴 시스템 (370) 내에 상주할 수 있는 임베디드 배치와 같이, 자율적인 생물학 기반 학습 툴 (300) 의 대안적인 배치 구성이 실현될 수 있다. 그러한 배치 대안들은, 자율적인 학습 시스템이 그룹 툴 또는 툴 복합체를 형성하는 자율적인 학습 툴들의 세트를 지원하는 계층적인 방식으로 실현될 수 있다. 그러한 복잡한 구성들은 상세히 후술된다.

다음으로, 예시적인 툴 시스템 (310) 이 도 4와 함께 설명되며, 자율적인 생물학 기반 학습 시스템 (360) 에 대한 예시적인 아키텍처가 도 5 내지 도 9에 관해 상세히 제공 및 설명된다.

도 4는, 동작을 모니터링, 분석 및 개선시키기 위해 자율적인 생물학 기반 학습 시스템 (360) 을 이용할 수 있는 예시적인 반도체 제조 시스템 (400) 의 다이어그램이다. 특히, 시스템 (400) 은, 도 3과 함께 상술된 툴 시스템 (310) 을 예시한 열 전개 및 코팅 시스템이다. 시스템 (400) 은, 로드/언로드 섹션 (405), 프로세스 섹션 (410), 및 인터페이스 섹션 (415) 을 포함한다. 일 양태에서, 로드/언로드 섹션 (405) 은, 복수의 반도체 기판을 각각 저장한 카세트들 (425) 이 시스템 (400) 으로 로딩되고 그 시스템으로부터 언로드되는 카세트 테이블 (420) 을 갖는다. 프로세스 섹션 (410) 은 하나씩 순차적으로 기판들을 프로세싱하기 위한 다양한 단일 기판 프로세싱 유닛들을 갖는다. 인터페이스 섹션 (415) 은, 품질 보증, 프로세스 전개, 인시츄 (in situ) 근본적 원인 분석을 위해 다수의 프로브들 및 센서들에 대한 액세스를 용이하게 한다. 수집된 데이터 (예를 들어, 데이터 (368)) 는 인터페이스 컴포넌트를 통해 자율적인 생물학 기반 학습 시스템에 운반될 수 있다.

일 양태에서, 프로세스 유닛 (410) 은, 바닥으로부터 순차적으로 적층되어 있는, 냉각 유닛 (COL) (435), 정렬 유닛 (ALIM) (440), 접착 유닛 (AD) (445), 확장 유닛 (EXT) (450), 2개의 프리베이킹 (prebaking) 유닛들 (PREBAKE) (455), 및 2개의 포스트베이킹 (postbaking) 유닛들 (POBAKE) (460) 을 소유하는 제 1 프로세스 유닛 그룹 (430) 을 포함한다. 또한, 제 2 프로세스 유닛 그룹 (465) 은, 냉각 유닛 (COL) (435), 확장-냉각 유닛 (EXTCOL) (470), 확장 유닛 (EXT) (475), 제 2 냉각 유닛 (COL) (435), 2개의 프리베이킹 유닛들 (PREBAKE) (455) 및 2개의 포스트베이킹 유닛들 (POBAKE) (460) 을 포함한다. 냉각 유닛 (COL) (435) 및 확장 냉각 유닛 (EXTCOL) (470) 은 낮은 프로세싱 온도에서 동작될 수도 있고 하위 스테이지들에 배열될 수도 있으며, 프리베이킹 유닛 (PREBAKE) (455), 포스트베이킹 유닛 (POBAKE) (460) 및 접착 유닛 (AD) (445) 은 높은 온도에서 동작되고 상위 스테이지들에 배열된다. 이러한 배열로, 유닛들 사이의 열 간섭이 감소될 수 있다. 대안적으로, 이들 유닛들은 대안적인 또는 부가적인 배열들을 가질 수 있다. 프리베이킹 유닛 (PREBAKE) (455), 포스트베이킹 유닛 (POBAKE) (460), 및 접착 유닛 (AD) (445) 은, 기판들이 실온보다 높은 온도로 가열되는 열 처리 장치를 각각 포함한다. 일 양태에서, 온도 및 압력 데이터는, 인터페이스 컴포넌트 (340) 를 통해 프리베이킹 유닛 (455), 포스트베이킹 유닛 (460), 및 접착 유닛 (445) 로부터 자율적인 생물학 기반 학습 시스템 (360) 으로 공급될 수 있다. 기판에 대한 회전 속도 및 위치 데이터는 정렬 유닛 (440) 으로부터 운반될 수 있다.

도 5는, 자율적인 생물학 기반 학습 시스템의 예시적인 아키텍처 (500) 의 고레벨 블록도를 도시한다. 실시형태 (500) 에서, 자율적인 학습 시스템 (360) 은, 롱텀 메모리 (LTM) (510), 숏텀 메모리 (STM) (520), 및 에피소드 메모리 (EM) (530) 를 포함하는 펑션 메모리 컴포넌트들의 계층을 포함한다. 그러한 펑션 메모리 컴포넌트들의 각각은 지식 네트워크 (375) 를 통해 통신할 수 있으며, 도 3과 함께 설명된 바와 같이 동작한다. 또한, 자율적인 학습 시스템 (360) 은, 프로세싱 플랫폼 (385) 과 관련하여 설명된 펑션 유닛들과 실질적으로 동일한 특징을 갖는, 오토봇으로서 식별된 펑션 프로세싱 유닛들을 포함하는 오토봇 컴포넌트 (540) 를 포함할 수 있다. 오토봇 컴포넌트 (540) 가 프로세싱 플랫폼 (385) 의 일부일 수 있음을 유의해야 한다.

또한, 자율적인 학습 시스템 (360) 은, 자체-인식 컴포넌트 (550), 자체-개념화 컴포넌트 (560), 및 자체-최적화 컴포넌트 (570) 를 포함하는 하나 이상의 주요 펑션 유닛들을 포함할 수 있다. 제 1 피드 포워드 (FF) 루프 (552) 는 순방향 링크로서 기능할 수 있으며, 자체-인식 컴포넌트 (550) 와 자체-개념화 (560) 사이에서 데이터를 전달할 수 있다. 또한, 제 1 피드백 (FB) 루프 (558) 는 역방향 링크로서 기능할 수 있으며, 자체-개념화 컴포넌트 (570) 와 자체-인식 컴포넌트 (550) 사이에서 데이터를 전달할 수 있다. 유사하게, 자체-개념화 컴포넌트 (560) 와 자체-최적화 컴포넌트 (570) 사이의 순방향 링크 및 역방향 링크 데이터 전달이, 각각, 제 2 FF 루프 (562) 및 제 2 FB 루프 (568) 를 통해 달성될 수 있다. FF 링크에서, 데이터를 추가적으로 프로세싱하기 위해 그 데이터를 수신하는 컴포넌트로의 전달 이전에 데이터가 변환될 수 있지만, FB 링크에서, 데이터를 프로세싱하기 이전에 그 데이터를 수신하는 컴포넌트에 의해 다음의 데이터 엘리먼트가 변환될 수 있음을 인식해야 한다. 예를 들어, FF 링크 (552) 를 통해 전달되는 데이터는, 자체-개념화 컴포넌트 (560) 로의 데이터의 전달 이전에 자체 인식 컴포넌트 (550) 에 의하여 변환될 수 있다. 또한, FF 링크들 (552 및 562) 이 컴포넌트들 (550) 과 컴포넌트 (570) 사이의 데이터의 간접적인 전달을 용이하게 할 수 있지만, FB 링크들 (568 및 558) 이 컴포넌트들 (570 및 550) 사이의 데이터의 간접적인 전달을 용이하게 할 수 있음을 인식해야 한다. 또한, 지식 네트워크 (375) 를 통해 컴포넌트들 (550, 360, 및 370) 사이에서 데이터가 간접적으로 운반될 수 있다.

롱텀 메모리 (510) 는, 초기화/구성 이후 자율적인 학습 툴 시스템 (300) 을 트레이닝하기 위해 툴 시스템의 초기화 또는 구성 동안 상호작용 컴포넌트 (330) 를 통해 공급된 지식 (예를 들어, 사전 지식) 을 저장할 수 있다. 또한, 자율적인 학습 시스템 (360) 에 의해 생성된 지식은 롱텀 메모리 (510) 에 저장될 수 있다. LTM (510) 이 메모리 플랫폼 (365) 의 일부일 수 있으며, 따라서, 실질적으로 동일한 특징들을 디스플레이할 수 있음을 인식해야 한다. 일반적으로, 롱텀 메모리 (510) 는, 툴 시스템 컴포넌트들 (예를 들어, 제조 컴포넌트들, 프로브 컴포넌트들 등) 에 대한 정보, 관계, 및 절차를 포함하는 지식 베이스를 포함할 수 있다. 지식 베이스의 적어도 일부는, 데이터 타입들, 그 데이터 타입들 사이의 관계들, 및 제 1 세트의 데이터 타입들을 제 2 세트의 데이터 타입들로 변환하기 위한 절차들을 (예를 들어, 시퀀스, 평균, 또는 표준 편차로서) 설명 또는 분류하는 시맨틱 네트워크일 수 있다.

지식 베이스는 지식 엘리먼트들 또는 개념들을 포함할 수도 있다. 일 양태에서, 각각의 지식 엘리먼트는 2개의 수치 속성, 즉, 지식 엘리먼트 또는 개념의 적합성 (ξ) 및 관성 (ι) 과 관련될 수 있으며, 집합적으로, 그러한 속성들은 개념의 우선순위를 결정한다. 이들 2개의 수치 속성들의 명확히-정의된 펑션, 예를 들어, 가중된 합산, 기하학적 평균은 개념의 상황 스코어 (σ) 일 수 있다. 예를 들어, σ＝ξ＋ι 이다. 지식 엘리먼트의 적합성은, 툴 시스템에 대한 지식 엘리먼트 (예를 들어, 개념) 의 관련성 또는 특정 시간에서의 목적 컴포넌트 상황으로서 정의될 수 있다. 일 양태에서, 제 2 엘리먼트보다 더 높은 적합성 스코어를 갖는 제 1 엘리먼트 또는 개념은, 더 적은 적합성 스코어를 갖는 제 2 엘리먼트보다 자율적인 학습 시스템 (360) 의 현재 상태 및 툴 시스템 (310) 의 현재 상태에 더 관련이 있을 수 있다. 지식 엘리먼트 또는 개념의 관성은 그 지식 엘리먼트의 이용과 관련된 난이도로서 정의될 수 있다. 예를 들어, 낮은 제 1 값의 관성은 넘버 엘리먼트에 부여될 수 있고, 넘버들의 리스트는 제 1 값보다 더 높은 제 2 관성값에 부여될 수 있고, 넘버들의 시퀀스는 제 2 값보다 더 높은 제 3 값의 관성을 가질 수 있으며, 넘버들의 매트릭스는 제 3 값보다 더 높을 수 있는 제 4 값의 관성을 가질 수 있다. 그래프들, 데이터베이스내의 테이블들, 오디오 파일들, 비디오 프레임들, 코드 단편 (code snippet) 들, 코드 스크립들 등과 같은 정보 구조들 또는 다른 지식에 관성이 적용될 수 있음을 유의하며, 후자의 아이템들은 실질적으로 모두 입력 (130) 의 일부일 수 있다. 본 발명은, 지식 엘리먼트가 검색되고 적용되는 유사도에 영향을 줄 수 있는 적합성 및 관성의 명확히 정의된 펑션에 대해 제공된다. 최고의 상황 스코어를 갖는 개념들은, 프로세싱 유닛들에 의한 프로세싱을 위해 숏텀 메모리 (520) 에 렌더링되기 위한 가장 적절한 개념들이다.

숏텀 메모리 (520) 는, 특정한 알고리즘 또는 절차들과 관련된 협력/경쟁 동작들 또는 오토봇들이 데이터 타입들에 대해 동작할 수 있는 위치로서 또는 작동 메모리 (예를 들어, 작동공간 또는 캐시) 로서 이용될 수 있는 임시 저장부이다. STM (520) 내에 포함된 데이터는 하나 이상의 데이터 구조들을 소유할 수 있다. STM (520) 내의 그러한 데이터 구조들은, 오토봇들 및 플래너

(예를 들어, 플랜 (plan) 에 전용된 오토봇들) 에 의해 달성된 데이터 변환들의 결과로서 변할 수 있다. 숏텀 메모리 (305) 는, 데이터, 상호작용 관리자 (345) 에 의해 제공된 학습 명령들, 롱텀 메모리 (310) 로부터의 지식, 하나 이상의 오토봇들 또는

에 의해 제공 및/또는 생성된 데이터, 및/또는 액터 (390) 에 의해 제공된 초기화/구성 커맨드들을 포함할 수 있다. 숏텀 메모리 (520) 는, 그 내에 저장된 데이터를 변환하기 위해 사용되는 하나 이상의 오토봇들 및/또는

의 상태를 추적할 수 있다.

에피소드 메모리 (530) 는, 프로세스와 관련될 수 있는 파라미터들 및 개념들의 액터-식별된 세트를 포함할 수 있는 에피소드들을 저장한다. 일 양태에서, 에피소드는 외인성 데이터 또는 입력 (130) 을 포함할 수 있으며, 특정한 콘텍스트를 자율적인 학습 시스템 (100) 에 제공할 수 있다. 일반적으로, 목적을 추구하는 동안, (예를 들어, 툴 시스템 (110), 목적 컴포넌트 (120), 또는 자율적인 학습 시스템 (160) 에 의해) 식별되거나 생성되는 특정 시나리오와 에피소드가 관련될 수 있음을 유의한다. 에피소드를 식별하는 액터는, 프로세스 엔지니어, 툴 엔지니어, 필드 지원 엔지니어 등과 같은 휴먼 에이전트일 수 있거나 머신일 수 있다. 에피소드 메모리 (530) 가 휴먼 에피소드 메모리와 유사함을 인식해야 하며, 여기서, 특정 시나리오(들) (예를 들어, 에피소드) 와 관련된 지식은 그 에피소드에서 초래되었던 학습 프로세스의 재수집없이 존재할 수 있고 액세스가능할 수 있다. 통상적으로, 에피소드의 도입 또는 정의는 트레이닝 사이클의 일부 또는 입력의 실질적인 임의의 외인성 제공이며, 에피소드와 관련된 데이터에 존재할 수 있는 데이터 패턴들 또는 입력 패턴들을 특성화하기 위해 학습하도록 자율적인 생물학 기반 학습 시스템 (360) 에 의한 시도를 유도할 수 있다. 에피소드와 관련된 데이터의 특성화된 패턴은, 그 에피소드 및 에피소드의 명칭과 함께 에피소드 메모리 (530) 에 저장될 수 있다. 에피소드 메모리 (530) 로의 에피소드의 부가는, 툴 시스템 (130) 또는 일반적으로는 목적 컴포넌트 (120) 에 의해 수행된 프로세스에서의 파라미터들의 세트가 그 에피소드에서 정의된 바와 같은 동작 범위에 진입할 경우, 활성화될 수 있는 에피소드-특정 오토봇의 생성을 초래할 수 있으며, 에피소드-특정 오토봇은 추구된 목적 또는 프로세스와 관련된 제 1 특성이 인식될 경우 충분한 활성화 에너지를 수신한다. 파라미터들이 수신된 에피소드를 통해 확립된 기준을 충족하면, 에피소드-특정 오토봇은 에피소드내의 데이터의 패턴을 이용가능한 현재 데이터와 비교한다. 톨 시스템 (310) 또는 목적 컴포넌트의 (데이터의 인식된 패턴에 의해 정의된 바와 같은) 현재 상황이 저장된 에피소드와 매칭하면, 툴 유지보수 엔지니어들이 상황을 인식할 수 있고, 툴 프로세스에서 이용되는 재료 또는 펑션 컴포넌트 (315) 또는 센서 컴포넌트 (325) 에 대한 부가적인 손상을 완화시키기 위한 예방 액션(들)을 취할 수 있다는 것을 보장하기 위해 경고가 생성된다.

오토봇 컴포넌트 (540) 는, 입력 데이터 타입 (예를 들어, 매트릭스, 벡터, 시퀀스 등) 에 대해 특정한 동작을 수행하는 오토봇들의 라이브러리를 포함한다. 일 양태에서, 오토봇들은 오토봇 시맨틱 네트 (net) 에 존재하며, 여기서, 각각의 오토봇은 관련 우선순위를 가질 수 있고, 오토봇의 우선순위는 그의 활성화 에너지 (E_A) 및 그의 억제 에너지 (E_I) 의 펑션이다. 오토봇 컴포넌트 (540) 는, 자체-인식 컴포넌트 (550), 자체-개념화 컴포넌트 (560), 자체-최적화 컴포넌트 (570) 에 대한 오토봇들, 및 컴포넌트들 및 데이터를 변환하고 다양한 메모리 유닛들 사이에서 데이터를 전달하는데 참가할 수 있는 부가적인 오토봇들을 포함할 수 있는 오토봇들의 조직화된 저장소이다. 오토봇에 의해 수행될 수 있는 특정한 동작들은, 시퀀스 평균; 시퀀스 순서화; 제 1 및 제 2 벡터 사이의 스칼라 곱; 제 1 매트릭스와 제 2 매트릭스의 승산; 시간에 대한 시간 시퀀스 도함수 (derivative); 시퀀스 자동상관 계산; 제 1 시퀀스와 제 2 시퀀스 사이의 상호상관 동작; 완전한 세트의 기본 세트에서의 펑션 분해; 시간 시퀀스 수치 데이터 스트림의 웨이블렛 분해 또는 시간 시퀀스의 푸리에 분해를 포함할 수 있다. 부가적인 동작들, 즉, 이미지, 사운드 레코드, 또는 생체 표시자에서의 특징 추출, 비디오 프레임 압축, 환경 사운드들 또는 음성 커맨드들의 디지털화 등이 입력 데이터에 의존하여 수행될 수 있음을 인식해야 한다. 오토봇에 의해 수행된 동작들 각각은, 하나 이상의 출력 데이터 타입들을 생성하기 위해 하나 이상의 입력 데이터 타입들을 변환하는 지명 펑션 (named function) 일 수 있다. 오토봇 컴포넌트 (540) 에 오토봇이 존재하는 각각의 펑션은 LTM 내의 엘리먼트를 소유할 수 있으므로,

는 자율적인 학습 시스템 (360) 의 필요성 및 총 "주의 기간 (attention span)" 에 기초하여 오토봇 활성화/억제 에너지 결정을 행할 수 있다. 자율적인 학습 시스템 (360) 과 유사하게, 오토봇 컴포넌트 (540) 내의 오토봇은 시간에 걸쳐 그의 성능을 개선시킬 수 있다. 오토봇에서의 개선들은, 더 양호한 품질의 제조 결과 (예를 들어, 출력), 더 양호한 실행 성능 (예를 들어, 더 짧은 런타임, 더 큰 계산을 수행하기 위한 능력 등), 또는 특정 오토봇에 대한 입력 도메인의 향상된 스코프 (scope) (예를 들어, 오토봇이 동작할 수 있는 부가적인 데이터 타입들의 포함) 를 포함할 수 있다.

LTM (510), STM (520) 및 EM (530) 에 저장된 지식, 즉, 개념들 및 데이터는, 그의 기능의 일부를 자율적인 생물학 기반 학습 시스템 (360) 에 수여하는 주요 펑션 유닛들에 의해 이용될 수 있다.

자체-인식 컴포넌트 (550) 는, 툴 시스템 (310) 의 제 1 수용가능한 동작 상태와 툴 시스템이 열화되는 추후 시간에서의 후속 상태 사이의 툴 시스템 열화의 레벨을 결정할 수 있다. 일 양태에서, 자율적인 학습 시스템 (360) 은, 수용가능한 동작 상태를 특성화하는 데이터, 및 그러한 수용가능한 상태에서 제조된 제품 애셋과 관련된 데이터를 수신할 수 있으며, 그러한 데이터 애셋들은 정준 (canonical) 데이터로서 식별될 수 있다. 자율적인 생물학 기반 학습 시스템 (360) 은, 자체-인식 컴포넌트 (550) 에 의해 저장될 수 있고 정보 입력 (358), 예를 들어, 제품 프로세스 데이터 또는 테스트 런 데이터로서 공급된 데이터와의 비교를 위해 이용될 수 있는 정준 데이터 및 관련 결과들 (예를 들어, 중요한 파라미터들에 관한 통계, 하나 이상의 파라미터들에서의 관측된 드리프트, 툴 파라미터들에 관련된 예측 펑션들 등) 을 프로세싱할 수 있다. 정준 데이터의 생성되고 학습된 결과들과 디바이스 프로세스 런-데이터 사이의 차이가 작으면, 제조 시스템 열화는 낮은 것으로 고려될 수 있다. 대안적으로, 정준 데이터의 저장되고 학습된 결과들과 샘플 프로세스 데이터 사이의 차이가 크면, 현저한 레벨의 툴 시스템 (예를 들어, 반도체 제조 시스템) 열화가 존재할 수 있다. 현저한 레벨의 열화는 프로세스 또는 목적 콘텍스트 조정을 유도할 수 있다. 여기에 설명된 바와 같은 열화는 열화 벡터 (Q₁, Q₂, ..., Q_U) 로부터 계산될 수 있으며, 여기서, 열화 벡터의 각각의 컴포넌트 Q_λ(λ= 1,2, ...,U) 는 이용가능한 데이터 세트의 상이한 관점이고, 예를 들어, Q₁ 은 다변수 평균일 수도 있고, Q₂ 는 관련 다변수 편차일 수도 있고, Q₃ 는 프로세스 단계에서의 특정 변수에 대한 웨이블렛 계수들의 세트일 수도 있으며, Q₄ 는 예측된 압력과 측정된 압력 사이의 평균 차이일 수도 있다. 노멀 트레이닝 런들은, 각각의 컴포넌트로부터 런 데이터 (예를 들어, 런 데이터 애셋) 로 생성된 컴포넌트 Q₁ 내지 Q_U 와 비교될 수 있는 각각의 컴포넌트에 대한 특정한 세트의 값들 (예를 들어, 트레이닝 데이터 애셋) 을 생성한다. 열화를 평가하기 위해, {Q} 공간내의 "노멀 위치" 로부터 런 열화 벡터의 (예를 들어, 유클리드) 거리를 비교하기 위해 적절한 거리 메트릭이 이용될 수 있으며, 그러한 유클리드 거리가 커짐에 따라, 툴 시스템이 더 열화된다고 지칭한다. 또한, 제 2 메트릭이 2개의 벡터들 사이의 코사인 유사도 메트릭을 계산할 수 있다.

자체-개념화 컴포넌트 (560) 는, 중요한 툴 시스템 (310) 관계들 (예를 들어, 하나 이상의 툴 작동 펑션들) 의 이해 및 디스크립션 (description) 들 (예를 들어, 요청 및 측정된 파라미터들에 관한 통계, 열화에 대한 파라미터들의 영향 등) 을 구축하도록 구성될 수 있다. 또한, 관계들 및 디스크립션들이 데이터 또는 소프트 애셋들임을 인식할 것이다. 이해는, 자율적인 학습 시스템에 의해 또는 가이드라인을 공급했던 액터 (390) (예를 들어, 휴먼 에이전트) 에 의해 (예를 들어, 입력 데이터로부터 기원된 추론 및 콘텍스트 목적 적응에 의해; 예를 들어, 유전 알고리즘과 같은 진화 프로그래밍 또는 다변수 회귀를 통해 추론이 달성될 수 있다) 자율적으로 확립된다. 자체-개념화 컴포넌트 (560) 는, 특정한 증착 단계 동안 시간의 펑션으로서의 반도체 제조 시스템내의 증착 챔버에서의 압력과 같이, 툴 시스템 (310) 또는 일반적으로는 컴포넌트 (120) 와 같은 목적 컴포넌트의 단일 파라미터의 작동의 펑션 디스크립션을 구성할 수 있다. 또한, 자체-개념화 컴포넌트 (560) 는, 입력 정보 (358) 의 특정한 세트에 대한 종속 변수의 펑션 관계와 같은 툴 시스템과 관련된 작동을 학습할 수 있다. 일 양태에서, 자체-개념화 컴포넌트 (560) 는, 특정한 가스 흐름, 온도, 배기 밸브 각도, 시간 등의 존재시에 소정의 볼륨의 증착 챔버에서의 압력의 작동을 학습할 수 있다. 또한, 자체-개념화 컴포넌트 (560) 는, 예측 목적을 위해 사용될 수도 있는 시스템 관계들 및 특성들을 생성할 수 있다. 학습된 작동들 중에서, 자체-개념화 컴포넌트는 노멀 상태를 특성화하는 관계들 및 디스크립션들을 학습할 수 있다. 통상적으로, 그러한 노멀 상태는, 관측자 툴 작동에서의 변화가 비교되는 레퍼런스 상태로서 자율적인 학습 시스템 (360) 에 의해 이용된다.

자체-최적화 컴포넌트 (570) 는, (a) 툴 시스템 (360) 의 고장의 잠재적인 원인, 또는 (b) 자율적인 학습 시스템 (360) 에 의해 수집된 정보에 기초한 툴 시스템 열화의 근본적인 원인의 하나 이상의 소스들을 식별하기 위해, 예측된 값들 (예를 들어, 자체-개념화 컴포넌트 (560) 에 의해 학습된 관계들 또는 펑션 의존성에 기초한 예측들 및 측정된 값들) 사이의 툴 시스템 (310) 편차의 레벨에 기초하여 자율적인 생물학 기반 학습 시스템 (300) 의 현재의 건강상태 또는 성능을 분석할 수 있다. 자체-최적화 컴포넌트 (570) 는, 초기에, 자율적인 학습 시스템 (360) 이 고장에 대한 잘못된 근본적인 원인을 부정확하게 식별할 경우, 학습 시스템 (300) 이 실제의 근본적인 원인을 정확히 식별하기 위해 유지보수 로그들 또는 사용자 가이드라인의 입력을 허용하는지를 시간에 걸쳐 학습할 수 있다. 일 양태에서, 자율적인 학습 시스템 (360) 은, 장래의 진단 정확도를 개선시키기 위한 학습과 함께 베이지안 (bayesian) 추론을 이용하여, 그것의 진단에 대한 베이시스 (basis) 를 업데이트한다. 대안적으로, 최적화 플랜이 적응될 수 있으며, 그러한 적응된 플랜은, 후속 검색, 채용 및 실행을 위해 최적화 경우 이력에 저장될 수 있다. 또한, 툴 시스템 (310) 에 의해 수행된 프로세스 또는 일반적으로는 목적 컴포넌트 (120) 에 의해 추구된 목적에 대한 적응성들의 세트는 최적화 플랜을 통해 획득될 수 있다. 자체-최적화 컴포넌트 (570) 는, 프로세스 또는 목적 최적화를 촉진시킬 수 있는 적응성 플랜을 개발하기 위해 데이터 피드백 (예를 들어, 링크들 (565, 555, 및 515) 을 통해 달성된 루프) 을 이용할 수 있다.

실시형태 (500) 에서, 자율적인 생물학 기반 학습 시스템 (360) 은, 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 를 더 포함할 수 있다. 펑션 메모리 컴포넌트들 (510, 520, 및 530) 의 계층 및 주요 펑션 유닛들 (550, 560, 및 570) 은, 지식 네트워크 (375) 를 통해 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 와 통신할 수 있다.

플래너 컴포넌트 (580) 는, 오토봇 컴포넌트 (540) 내의 더 높은 레벨의 오토봇들을 이용 및 포함할 수 있다. 그러한 오토봇들은 플래너

으로서 식별될 수 있으며, 적합성, 중요도, 활성화/억제 에너지, 및 통신 우선순위와 같은 다양한 수치 속성들에 대한 조정을 구현할 수 있다. 플래너 컴포넌트 (580) 는, 예를 들어, 특정한 데이터 타입들 또는 데이터 구조들이 숏텀 메모리 (505) 및 특정한 오토봇들에서 이용가능한 특정한 지식을 통해 숏텀 메모리 (520) 에서 조작되도록 강제할 수 있는 플래너

의 세트를 생성함으로써, 고정된 다이렉트 글로벌 정책을 구현할 수 있다. 일 양태에서, 플래너 컴포넌트 (580) 에 의해 생성된 오토봇들은 오토봇 컴포넌트 (540) 에 축적될 수 있으며, 지식 네트워크 (375) 를 통해 이용될 수 있다. 대안적으로 또는 부가적으로, 플래너 컴포넌트 (580) 는, 자율적인 학습 시스템 (360) 의 현재 콘텍스트, 툴 시스템 (310) 의 현재 조건, (콘텐츠에서 동작할 수 있는 관련 오토봇들을 포함할 수 있는) 솟텀 메모리 (520) 의 콘텐츠, 및 다양한 오토봇들의 이용 비용/이익 분석의 펑션으로서 간접적인 글로벌 정책을 구현할 수 있다. 본 발명의 자율적인 생물학 기반 학습 툴 (300) 이 플래너 컴포넌트들의 동적 확장을 제공할 수 있음을 인식해야 한다.

플래너 컴포넌트 (580) 는, 자율적인 생물학 기반 툴 (300) 의 프로세스 또는 목적 적응이 그의 열화를 초래하지 않는다는 것을 보장할 수 있는 조절 (regulatory) 컴포넌트로서 기능할 수 있다. 일 양태에서, 조절 특성은, 플래닝된 프로세스 또는 목적 적응에 기초하여 동작 조건들을 추론하는 조절

의 생성을 통해 다이렉트 글로벌 정책에 의해 구현될 수 있다. 그러한 구현은, 조절

이 기능하는 데이터 타입의 시맨틱 네트워크를 통해 달성될 수 있으며, 그 구현은 비용/이익 분석에 의해 지원될 수 있거나 보완될 수 있다. 플래너 컴포넌트 (580) 가, 목적 컴포넌트, 예를 들어, 툴 시스템 (310) 에 대한 특정한 손상을 완화시킬 수 있는 목적들의 공간의 특정 영역 내의 목적 드리프팅을 보존할 수 있음을 인식해야 한다.

시스템 콘텍스트 컴포넌트 (590) 는 자율적인 학습 시스템 (360) 을 이용하는 자율적인 생물학 기반 학습 툴 (300) 의 현재 역량을 캡쳐할 수 있다. 시스템 콘텍스트 컴포넌트 (590) 는, (i) 역량의 내부 정도와 관련된 값 (예를 들어, 프로세스를 수행할 시 (또는 목적을 추구할 시) 의 툴 시스템 (310) 의 효율도, 프로세스를 수행하는 동안 이용되는 리소스들의 세트, 최종 제품 또는 서비스 (또는 추구된 목적의 결과) 의 품질 평가, 디바이스의 시간-전달 등), 및 (ii) 자율적인 학습 툴 (300) 의 상태를 나타내기 위한 라벨 또는 식별자를 포함하는 상태 식별자를 포함할 수 있다. 예를 들어, 라벨은, "초기 상태", "트레이닝 상태", "모니터링 상태", "학습 상태", 또는 "적용 지식" 과 같은 상태들을 나타낼 수 있다. 역량의 정도는, 결정된 범위내의 수치값 또는 메트릭에 의해 특성화될 수 있다. 또한, 시스템 콘텍스트 컴포넌트 (590) 는, 특정 시간 간격에 걸쳐 자율적인 학습 시스템 (360) 에 의해 수행되는 학습의 요약 뿐만 아니라 수행된 학습의 관점에서 구현될 수 있는 가능한 프로세스 또는 목적 적응들의 요약을 포함할 수 있다.

도 6a는 예시적인 오토봇 컴포넌트 (540) 를 도시한다. 오토봇들 (615₁ 내지 615_N) 은 오토봇들 및

의 라이브러리를 나타내며, 각각은 특정한 동적 우선순위 (625₁ 내지 625_N) 를 갖는다. 오토봇들 (615₁ 내지 615_N) 은 메모리 (예를 들어, 롱텀 또는 숏텀 메모리, 또는 에피소드 메모리) 와 통신할 수 있다. 상기 나타낸 바와 같이, 오토봇의 우선순위는 오토봇의 활성화 에너지 및 억제 에너지에 의해 결정된다. 오토봇 (예를 들어, 오토봇 (615₁ 또는 615_N)) 은, 그 오토봇에 의해 프로세싱될 수 있는 데이터가 STM 내에 존재할 경우 (

를 통해) 활성화 에너지를 획득한다. 오토봇 (예를 들어, 오토봇 (615₂)) 활성화 에너지 및 억제 에너지의 가중된 합산, 예를 들어, Σ＝ω_AE_A＋ω_IE_I 은, 그 오토봇이 그의 펑션 태스크를 수행하기 위해 그 자신을 활성화시킬 수 있는 시간을 결정할 수 있으며, Σ＞ψ 일 경우 자체-활성화되고, 여기서, ψ는 미리 결정된 내장형 (inbuilt) 임계값이다. 본 발명의 자율적인 생물학 기반 학습 툴 (300) 이 오토봇들의 동적 증가를 제공할 수 있음을 인식해야 한다.

도 6b는 오토봇의 예시적인 아키텍처 (650) 를 도시한다. 오토봇 (660) 은, 오토봇 컴포넌트 (340) 에 포함된 오토봇들 중 실질적으로 임의의 오토봇일 수 있다. 기능 컴포넌트 (663) 는, 오토봇 (660) 이 입력 데이터에 관해 수행할 수 있는 동작의 적어도 일부를 결정 및 실행한다. 프로세서 (666) 는, 오토봇 (660) 에 의해 수행된 동작의 적어도 일부를 실행할 수 있다. 일 양태에서, 프로세서 (666) 는 기능 컴포넌트 (663) 의 코프로세서로서 동작할 수 있다. 또한, 오토봇 (660) 은, 이전에 수행된 동작의 결과들의 세트가 저장된 내부 메모리 (669) 를 포함할 수 있다. 일 양태에서, 내부 메모리는, 동작, E_A 및 E_I 의 현재 및 이전 값들, 오토봇의 동작의 이력 로그 등과 관련된 입력 데이터를 저장하는 캐시 메모리로서 동작한다. 또한, 내부 메모리 (669) 는, 에러의 특정한 타입 및 양이 오토봇 (660) 에 피드백되거나 역으로 전파될 경우 다가오는 결과들의 품질을 개선시킬 방법을 학습하도록 오토봇 (660) 을 용이하게 할 수 있다. 따라서, 오토봇 (660) 은, 특정 방식으로 특정 입력 데이터를 조작하도록 트레이닝 사이클들의 세트를 통해 트레이닝될 수 있다.

또한, 오토봇 (예를 들어, 오토봇 (660)) 은, (a) 그 오토봇이 조작 또는 요구할 수 있는 입력 데이터의 하나 이상의 타입들, (b) 그 오토봇이 생성할 수 있는 데이터의 타입, 및 (c) 입력 및 출력 정보에 대한 하나 이상의 제한들을 그 오토봇이 특정할 수 있다는 점에서 자체-설명적일 수 있다. 일 양태에서, 인터페이스 (672) 는,

가 특정 툴 시나리오에 따라 오토봇들로 활성화/억제 에너지를 공급하기 위해,

에 대한 오토봇들의 이용가능성 및 능력을 자체-설명하고 그에 따라 표현하도록 오토봇 (660) 을 용이하게 할 수 있다.

도 7은, 자율적인 생물학 기반 학습 시스템 내의 자체-인식 컴포넌트의 예시적인 아키텍처 (700) 를 도시한다. 자체-인식 컴포넌트 (350) 는, 툴 시스템 (예를 들어, 툴 시스템 (310)) 에서의 학습된 노멀 상태에 관한 열화의 현재 레벨을 결정할 수 있다. 툴 시스템내의 마멸 (wear-and-tear) 또는 기계 부품들; 부적절한 동작, 또는 툴 시스템이 하나 이상의 최적 범위 외부에서 동작하게 하도록 할 수 있는 레시피 (예를 들어, 데이터 애셋) 또는 프로세스를 개발하기 위한 개발 동작; 툴 시스템의 부적절한 맞춤화; 또는 유지보수 스케줄들에 대한 부적합한 집착과 같은 다수의 소스들로부터 열화가 발생할 수 있다. 자체-인식 컴포넌트 (550) 는, (i) 메모리들의 계층, 예를 들어, 메모리 플랫폼 (365) 의 일부일 수 있는 인식 메모리들, (ii) 오토봇 컴포넌트 (540) 에 상주할 수 있고 프로세싱 플랫폼 (385) 의 일부일 수 있는 인식 오토봇들과 같은 펑션 동작 유닛들, 및 (iii) 인식 플래너들의 세트를 통해 귀납적으로 어셈블리 또는 정의될 수 있다. 열화의 레벨에 기초하여, 자율적인 학습 시스템 (360) 은, 가능한 고장들을 랭킹시키기 위해, 이용가능한 데이터 애셋들 (328) 뿐만 아니라 정보 (358) 를 분석할 수 있다. 일 양태에서, 과도한 레벨의 열화, 예를 들어, 툴 시스템 고장에 응답하여, 액터 (예를 들어, 필드 엔지니어) 는, 챔버 세정, 포커스 링 교체 등과 같은 하나 이상의 유지보수 활동을 수행할 수 있다. 확인된 바와 같이, 툴 시스템이 성공적인 수리의 경우, 예를 들어, 시스템 고장 이전에 열화에 부합하는 열화 레벨들 및 선행된 관련 증상들 (예를 들어, 데이터 애셋들 및 패턴들, 관계들, 및 그러한 결합으로부터 추출된 실질적으로 임의의 다른 타입의 이해) 을 복원함으로써, 유지보수 활동들은 자율적인 학습 시스템 (360) 에 의해 유지될 수 있다. 따라서, 학습된 증상들이 데이터 애셋들로부터 자율적으로 수집된 새로운 이해 및 열화 분석을 통해 식별되는 다가오는 인스턴스에서, 저장된 수리 플랜은 재생될 수 있고, 비용을 감소시킬 수 있으며, 평균 수리 시간 (MTTR) 을 개선시킬 수 있다.

인식 작동 메모리 (AWM) (710) 는, 센서 컴포넌트 (325) 내의 센서 또는 액터 (390) 에서 기원할 수 있고, 어댑터 컴포넌트 (335) 내의 하나 이상의 어댑터들에 의해 패키징될 수 있으며, 지식 네트워크 (375) 에 의해 수신될 수 있는 데이터, 예를 들어, 정보 입력 (358) 을 저장하는데 이용될 수 있는 인식 센서 메모리 (ASM) (720) 로서 식별되는 특수한 영역의 메모리를 포함할 수 있는 STM 이다. 또한, 자체 인식 컴포넌트 (550) 는, 오토봇 컴포넌트 (540) 에 상주할 수 있고 인식 플래너

(APs) 를 포함할 수 있는 다수의 특수한 기능 오토봇들을 포함할 수 있다.

또한, 자체-인식 컴포넌트 (550) 는, LTM 의 일부이고, 자체-인식 컴포넌트 (550) 의 동작에 관련된 다수의 개념들, 예를 들어, 속성; 클래스 또는 인과 그래프와 같은 엔티티; 관계, 또는 절차를 포함할 수 있는 인식 지식 메모리 (AKM) (730) 를 포함할 수 있다. 일 양태에서, 반도체 제조 툴에 대한 자체-인식 컴포넌트 (550) 는, 단계, 런, 묶음, 유지보수-간격, 습식-세정-사이클 등과 같은 도메인 특정 개념들 뿐만 아니라, 넘버, 리스트, 시퀀스, 세트, 매트릭스, 링크 등과 같은 범용 개념들을 포함할 수 있다. 그러한 개념들은 더 높은 레벨의 요약에 진입할 수 있으며, 예를 들어, 웨이퍼 런은 순서화된 시퀀스의 단계들로서 정의될 수 있고, 여기서, 단계는 레시피 파라미터 셋팅들 (예를 들어, 원하는 값들) 및 하나 이상의 단계 측정치들 양자를 갖는다. 또한, AKM (730) 은, 평균, 표준 편차, 범위, 상관, 주요한 컴포넌트 분석 (PCA), 멀티-스케일 주요한 컴포넌트 분석 (MSPCA), 웨이블렛 또는 실질적으로 임의의 베이시스 펑션 등과 같은 2개 이상의 개념들을 링크시킬 수 있는 펑션 관계들을 포함할 수 있다. 다수의 펑션 관계들이 동일한 개념에 적용가능할 수 있고, 그에 따라, 관련될 수 있음을 유의해야 하며, 예를 들어, 넘버들의 리스트는, (펑션) 관련성인 평균 및 표준-편차 관련성 뿐만 아니라 최대값 관련성 등에 의해 실제 넘버 인스턴스에 매핑된다. 하나 이상의 엔티티들로부터 다른 엔티티까지의 관계가 펑션 또는 펑션적 (예를 들어, 일 펑션의 펑션) 일 경우, 그 펑션을 달성하기 위해

에 의하여 실행될 수 있는 관련 절차가 존재할 수 있다. 개념의 정확한 정의는, UML, OMGL 등과 같은 적절한 데이터 스키마 정의 언어에서 표현될 수 있다. 또한, AKM (730) 의 콘텐츠가 시스템을 셧다운시키지 않으면서 (툴 시스템) 런타임에서 동적으로 증분될 수 있음을 인지해야 한다.

여기에 설명된 바와 같은 지식 베이스내의 임의의 개념으로서의 AKM (730) 내의 각각의 개념은 적합성 속성 및 관성 속성과 관련될 수 있으며, 그 개념의 특정한 상황 스코어를 유도한다. 먼저, 자율적인 시스템이 데이터를 제공받기 전에, AKM (730) 내의 모든 엘리먼트들에 대한 적합성 값은 제로이지만, 모든 개념들에 대한 관성은 툴 의존적일 수 있으며 액터에 의해 또는 이력 데이터 (예를 들어, 데이터베이스(들) (355) 내의 데이터) 에 기초하여 할당될 수 있다. 일 양태에서, 수집된 데이터 세트들, 또는 컴퓨터 시뮬레이션으로부터의 결과들에 관련된 실질적으로 모든 상황들에 적용가능할 수 있는 매우 간단한 동작으로서 평균의 계산이 간주될 수 있기 때문에, 넘버들의 세트로부터 평균을 생성하는 절차의 관성은 실질적으로 낮을 수 있다 (예를 들어, ι＝1). 유사하게, 넘버들의 세트를 변환하는 최대화 및 최소화 절차들은 실질적으로 낮은 관성값을 수여받을 수 있다. 대안적으로, 범위를 계산하는 것 및 표준 편차를 계산하는 것은, 그러한 지식 엘리먼트들이 적용하기에 더 난해하기 때문에 더 높은 관성값들 (예를 들어, ι＝2) 을 제공받을 수 있지만, PCA를 계산하는 것은 더 높은 레벨의 관성을 디스플레이할 수 있고, MSPCA를 계산하는 것은 훨씬 더 높은 관성값을 가질 수 있다.

상황 스코어는 AKM (730) 및 AWM (710) 사이에서 어느 개념(들)을 전달할 지를 결정하는데 이용될 수 있다 (하기 참고). 상황 스코어 임계값을 초과하는 지식 엘리먼트들 또는 개념들은 AWM (710) 으로 운반되는데 적합하다. 그러한 개념들은, 개념을 보유하기 위한 AWM (710) 내의 충분히 이용가능한 저장부가 존재하고, AWM (710) 으로 운반되지 않는 더 높은 상황 스코어를 갖는 또 다른 개념들이 존재하지 않을 경우, 운반될 수 있다. AWM (710) 내의 개념의 적합성 그에 따른 개념의 상황 스코어는 시간이 진행함에 따라 저하될 수 있으며, 메모리에 이미 존재하는 하나 이상의 개념들이 더 이상 필요하지 않거나 더 이상 이용가능하지 않을 경우, 더 높은 적합성을 갖는 새로운 개념들로 하여금 인식 작동 메모리 (710) 에 진입하게 할 수 있다. 개념의 관성이 더 커짐에 따라, AWM (710) 에 운반되고 AWM (710) 으로부터 제거될 개념을 더 길게 취함을 유의한다.

툴 시스템 상태가 변할 경우, 예를 들어, 스퍼터 타겟이 교체되거나, 전자빔 건이 부가되거나, 증착 프로세스가 종료되거나, 인시츄 프로브가 개시되거나, 어닐링 단계가 완료되거나, 기타 다른 상황이 발생할 경우, 인식 플래너 (550)

는, 어느 개념들 (예를 들어, 지식 엘리먼트들) 이 새로운 상태에서 적용될 수 있는지를 다큐먼트 (document) 할 수 있으며, AKM (730) 내의 각각의 그러한 개념의 적합성 값 그에 따른 상황 스코어를 증가시킬 수 있다. 유사하게, 오토봇들 (615₁ 내지 615_N) 의 활성화 에너지는, 특정 오토봇들의 활성화 에너지를 감소시키고, 새로운 상황에 적합한 오토봇들에 대한 E_A 를 증가시키기 위해 uberbots 에 의해 조정될 수 있다. 적합성 (및 상황 스코어) 에서의 증분은, 플래너

에 의해 이들 개념들의 제 1 이웃들, 그 후, 제 2 이웃들, 및 그 이후의 이웃들로 확산될 수 있다. AKM (730) 내의 제 1 개념의 이웃이, 선택된 측정치, 예를 들어, 홉들의 수, 유클리드 거리 등에 따라 그 제 1 개념으로부터 특정한 거리내에 위상공간 관점에서 상주하는 제 2 개념일 수 있음을 인식해야 한다. 적합성에서의 본래의 증분으로 수신된 제 1 개념으로부터 제 2 개념이 더 멀어짐에 따라, 적합성에서의 제 2 개념의 증분이 작아진다는 것을 유의한다. 따라서, 적합성 (및 상황 스코어) 증분은 약해진 확산을 "개념 거리" 의 펑션으로서 나타낸다.

아키텍처 (500) 에서, 자체-인식 컴포넌트 (550) 는, 인식 플래너 컴포넌트 (750) 의 확장일 수 있고, (예를 들어, 상호작용 컴포넌트 (330) 에 의한 센서 컴포넌트 (325) 를 통해, 입력 (130) 을 통해, 또는 (피드백) 링크 (155) 를 통해) 외인성 데이터 또는 내인성 데이터의 집합에서의 변화들을 요청 및 달성할 수 있는 인식 스케줄 어댑터 (ASA) (760) 를 포함한다. 일 양태에서, 인식 스케줄러 어댑터 (760) 는 데이터 샘플링 주파수 조정을 도입할 수 있으며, 예를 들어, 그것은, 어댑터 컴포넌트 (335) 내의 상이한 어댑터들이 ASM (720) 에 대해 의도된 지식 네트워크 (375) 에 데이터 (예를 들어, 정보 입력 (358)) 를 운반할 수 있는 레이트를 조절할 수 있다. 또한, 인식 스케줄 어댑터 (760) 는, 적응적 추론 엔진에서 수신된 데이터로부터 추론되는 바와 같은 목적의 달성을 추진하기를 실패한 데이터 또는 변수들의 노멀 패턴들의 디스크립션에 포함되지 않는 프로세스 변수들과 관련된 데이터의 집합을 낮은 주파수에서 샘플링할 수 있거나, 실질적으로 제거할 수 있다. 이와 대조적으로, ASA (760) 는데이터의 노멀 패턴에서 과도하게 사용되거나 목적을 활성적으로 추진할 수 있는 변수들의 세트를 더 높은 주파수에서 샘플링할 수 있다. 또한, 자율적인 학습 시스템 (360) 이 툴 시스템 (310) 상태의 변화 (또는 특정한 목적과 관련된 상황에서의 변화) 를 확인응답할 경우, 자율적인 학습 시스템은, 열화를 효율적으로 확인할 수 있고 그에 따라 적절한 경고를 트리거링할 수 있는 작동가능한 정보 (예를 들어, 입력 (130)) 의 더 큰 볼륨을 수집하기 위해 더 신속한 데이터 샘플링을 ASA (760) 를 통해 요청할 수 있으며, 여기서, 데이터는, 제품 품질 또는 프로세스 신뢰도가 노멀 데이터 패턴들로부터 점차 벗어나고 있다는 것 (또는 목적 드리프트가 목적 공간에서의 초기 목적으로부터의 현저한 이탈을 초래한다는 것) 을 나타낸다. 일 양태에서, 목적 컴포넌트는 초기 목적에 진입하였던 액터에 목적 드리프트 요약을 디스플레이할 수 있으며, 예를 들어, 홈 엔터테이먼트 시스템을 입수할 경우에 초기 지출 목적으로부터 실질적으로 벗어난 전자기기 스토어의 소비자에게 예산 적응 이후의 계획된 비용에서의 변화를 갖는 로그를 디스플레이할 수 있거나, 데이터 웨어하우스를 최적화하기 위한 목적의 적응시에 메모리 공간과 관련된 비용들 및 관련 인프라구조를 데이터베이스 설계자에게 나타낼 수 있다.

액터 (390) (예를 들어, 휴먼 에이전트) 는, (예를 들어, 성공적으로 적응된 목적들의 예시들을 포함하는) 하나 이상의 에피소드들의 정의를 포함할 수 있는 다수의 방식으로 자체-인식 컴포넌트 (550) 를 트레이닝할 수 있다. 에피소드에 대한 자체-인식 컴포넌트 (550) 를 통한 자율적인 학습 시스템 (360) 의 트레이닝은 다음과 같이 발생할 수 있다. 액터 (390) 는 에피소드를 생성하고, 그 에피소드에 고유한 명칭을 제공한다. 그 후, 새롭게 생성된 에피소드에 대한 데이터는 자율적인 학습 시스템 (360) 에 제공될 수 있다. 데이터는, 툴 시스템의 단일 특정 동작 단계 동안의 특정한 센서, 단일 특정 단계 동안의 파라미터들의 세트, 일 런에 대한 단일 파라미터 평균 등에 대한 데이터일 수 있다.

대안적으로 또는 부가적으로, 더 많은 엘리먼트 가이드라인이 액터 (390) 에 의해 제공될 수 있다. 예를 들어, 필드 지원 엔지니어는 툴 시스템 (310) 에 대한 예방적인 툴 유지보수 (PM) 를 수행할 수 있다. PM은 주기적으로 플래닝될 수 있고 발생할 수 있거나, 플래닝되지 않거나 비동기적일 수 있다. 자율적인 학습 시스템 (360) 에 의한 요청, 루틴의 예방적인 유지보수, 또는 스케줄링되지 않은 유지보수에 응답하여, 예방적인 툴 유지보수가 제조 시스템에 대해 수행될 수 있음을 인식해야 한다. 시간 간격은 연속하는 PM 사이에서 경과하며, 그러한 시간 간격 동안, 하나 이상의 프로세스들 (예를 들어, 웨이퍼/로트 제조) 이 툴 시스템에서 발생할 수 있다. 달성된 플래너 및 플래닝되지 않은 유지보수와 같은 데이터 및 제품 애셋들 및 관련 정보를 통해, 자율적인 학습 시스템은 "고장 사이클" 을 추론할 수 있다. 따라서, 자율적인 학습 시스템은, 고장들 사이의 평균 시간 (MTBF) 을 추론하기 위해 애셋(들) (328) 을 이용할 수 있다. 그러한 추론은, 중요 데이터 및 제품 애셋들의 펑션으로서 고장-수명의 모델을 통해 지원된다. 또한, 자율적인 학습 시스템 (360) 은, 정보 I/O (358) 로서 수신된 또 다른 애셋들 사이의 관계, 또는 전문가인 액터에 의해 전달되는 감독된 트레이닝 세션들로부터 기인하는 이력 데이터를 통해 모델들을 개발할 수 있다. 전문가인 액터가 트레이닝된 또 다른 자율적인 학습 시스템과 상호작용하는 또 다른 액터일 수 있음을 인식해야 한다.

액터 (390) 는, 자율적인 시스템이 웨이퍼 레벨 런 데이터를 평균할 수 있고 PM 간격에 걸쳐 중요 파라미터들에서의 드리프트를 평가할 수 있다는 것을 그 시스템에게 통지함으로써 그 시스템을 안내할 수 있다. 또한, 더 도전적인 과제가 자율적인 시스템에 의해 수행될 수 있으며, 여기서, 액터 (390) 는, 각각의 플래닝되지 않은 PM 이전에 웨이퍼 평균 레벨에서 데이터의 패턴을 특성화는 것을 학습하도록 학습 명령을 통해 자율적인 학습 시스템 (360) 에 표시한다. 그러한 명령은 플래닝되지 않은 PM 이전에 데이터의 패턴을 학습하도록 자율적인 학습 시스템 (360) 을 촉진할 수 있으며, 데이터의 패턴이 인식 오토봇에 의해 식별될 수 있으면, 자체-인식 컴포넌트 (550) 는 시간이 진행함에 따라 그러한 패턴을 학습할 수 있다. 패턴을 학습하는 동안, 인식 컴포넌트 (550) 는 자체-개념화 컴포넌트 (560), 또는 오토봇 컴포넌트 (540) 에 상주하는 인식 오토봇들로부터 보조 (또는 서비스들) 을 요청할 수 있다. (PCA 분해의 계수들, K-클러스터 알고리즘에서의 주요 클러스터의 사이즈, 또는 또 다른 파리미터들 및 시간의 세트의 펑션으로서의 제 1 파라미터의 크기의 예측에서 반영된 바와 같은 패턴의 재생력 등의 정도에 의해 측정되는) 툴 시스템에 대한 패턴이 높은 신뢰도로 학습될 경우, 자율적인 생물학 기반 학습 시스템 (360) 은, 경고가 레퍼런스 에피소드의 발생 이전에 트리거링될 수 있도록 툴 유지보수의 필요성을 유도할 수 있는 고장과 관련된 레퍼런스 에피소드를 생성할 수 있다. 오토봇 컴포넌트 (540) 에 상주할 수 있는 인식 오토봇들이 고장 레퍼런스 에피소드에 대한 데이터 패턴, 또는 그것이 필요하기 전에 플래닝되지 않은 유지보수를 요구할 수 있는 실질적으로 임의의 특정 상황을 완전히 특성화하기를 실패할 수 있음을 유의한다. 그럼에도, 깊은 작동적 및 예측적 펑션 분석을 포함할 수 있는 툴 시스템 (310) 의 그러한 예방적 상태 유지보수가 자체-개념화 컴포넌트 (560) 내의 오토봇들에 의해 수행될 수 있음을 인식해야 한다.

도 8은 인식 작동 메모리 (520) 에서 동작할 수 있는 오토봇들의 다이어그램 (800) 이다. 예시된 오토봇들, 즉, 정량자 (815), 기대 엔진 (825), 서프라이즈 (surprise) 스코어 생성기 (835), 및 요약 생성기 (845) 는 인식 엔진, 즉, 가상의 신생 (emergent) 컴포넌트를 포함할 수 있으며, 그 가상 신생 컴포넌트의 신생 속성은 엘리먼트 구성물들, 예를 들어, 오토봇들 (815, 825, 835, 및 845) 의 협력된 동작으로부터 발생한다. 인식 엔진이, 하나 이상의 플래닝

가 정교한 활동을 수행하기 위해, 조정된 오토봇들의 집합을 사용할 수 있는 방법의 일 예임을 인식해야 한다. 플래닝

는, 자율적인 생물학 기반 학습 시스템에서 수신된 데이터의 패턴을 특성화하기 위해, 자체-개념화 컴포넌트 (560) 의 서비스들 또는 다양한 오토봇들 (예를 들어, 평균, 표준 편차, PCA, 웨이블렛, 미분 등) 을 이용한다. 각각의 단계, 런, 로트 등에 대한 데이터는, 트레이닝 동안 노멀 또는 노멀하지 않은 것으로서 외부 엔티티에 의해 라벨링될 수 있다. 정량자 (815) 는, 프로토타입 노멀 프로세스에 대한 데이터의 패턴을 학습하기 위해 노멀 데이터를 이용하도록 플래닝

에 의해 이용될 수 있다. 또한, 정량자 (815) 는, ASM (720) 에 축적되는 라벨링되지 않은 데이터 세트 (예를 들어, 정보 입력 (358)) 를 평가할 수 있고, 라벨링되지 않은 데이터의 데이터 패턴과 노멀 데이터 패턴을 비교할 수 있다. 노멀 데이터를 갖는 파라미터들을 예측하기 위한 노멀 데이터 또는 수학식들에 대한 기대된 패턴들은 저장될 수 있고, 기대 엔진 (825) 을 통해 조작될 수 있다. 라벨링되지 않은 데이터의 패턴이 다수의 메트릭들에 따라 다양한 방식으로 노멀 데이터 패턴과 상이할 수 있음을 유의해야 하며, 예를 들어, (PCA 및 MS-PCA에 적용되고 트레이닝 런들로부터 유도되는 바와 같은) 호텔링 (Hotelling) T2 통계에 대한 임계값이 초과될 수 있고, 라벨링되지 않은 데이터 세트의 데이터 서브세트의 평균이 노멀 트레이닝 런 데이터로 계산된 평균으로부터 3σ (또는 다른 소정의 편차 간격) 초과 만큼 상이할 수 있고, 측정된 파라미터들의 드리프트가 노멀 런과 관련된 데이터에서 관측되었던 것과는 실질적으로 상이할 수 있으며, 그 외 다른 예가 존재할 수 있다. 따라서, 요약 생성기 (845) 는 노멀 데이터에 대한 컴포넌트들의 벡터를 생성하지만, 서프라이즈 스코어 생성기 (835) 는 벡터의 컴포넌트들에서의 실질적으로 그러한 모든 차이들을 포함 및 랭킹 또는 가중화시킬 수 있으며, 툴 시스템의 상태 조건을 반영하고 "노멀 툴 시스템으로부터 얼마나 멀리 이격" 되었는지를 반영하는 툴 시스템에 대한 총 열화 서프라이즈 스코어를 계산할 수 있다. 노멀 및 라벨링되지 않은 메트릭 사이의 불일치들이 시간이 펑션으로서 변할 수 있음을 인식해야 한다. 따라서, 증가한 양의 노멀 데이터의 수집을 통해, 자율적인 학습 시스템 (360) 은, 시간이 진행함에 따라 더 큰 레벨의 통계 신뢰도로 다양한 동작 제한을 학습할 수 있으며, 그에 따라, 제조 프로세스 레시피 (예를 들어, 목적) 를 조정할 수 있다. 예를 들어, 서프라이즈 스코어를 통해 측정된 바와 같은 열화 조건은 요약 생성기 (845) 를 통해 액터에 리포트될 수 있다.

도 9는, 자율적인 생물학 기반 학습 시스템의 자체-개념화 컴포넌트의 예시적인 실시형태 (900) 를 도시한다. 자체-개념화 컴포넌트의 기능은, 중요한 반도체 제조 툴 관계들 및 디스크립션들의 이해를 구축하는 것이다. 그러한 이해는 제조 프로세스 (예를 들어, 목적) 를 조정하기 위해 이용될 수 있다. 이러한 획득된 이해는, 자율적으로 구축된다거나, 가이드라인을 공급하였던 엔드-사용자 (예를 들어, 액터 (390)) 와 함께 구축된다. 다른 주요 펑션 컴포넌트들 (550 및 560) 과 유사하게, 자체-개념화 컴포넌트 (570) 는, 메모리들의 계층, 동작 유닛들, 또는 오토봇들, 및 플래너들의 관점에서 귀납적으로 어셈블리 또는 정의되며, 그러한 컴포넌트들은 우선순위-인에이블된 지식 네트워크를 전달할 수 있다.

실시형태 (900) 는, 자체-개념화 컴포넌트 (570) 의 동작에 필요한 개념들 (예를 들어, 속성들, 엔티티들, 관계들 및 절차들) 을 포함하는 개념화 지식 메모리 (CKM) (910) 를 도시한다. CKM (910) 내의 개념들은, (i) 단계, 런, 로트, 유지보수-간격, 습식-세정-사이클, 단계-측정, 웨이퍼-측정, 로트-측정, 웨이퍼 상의 위치, 웨이퍼-영역, 웨이퍼-중심, 웨이퍼-에지, 제 1 웨이퍼, 최종 웨이퍼 등과 같은 도메인 특정 개념들, 및 (ii) 넘버, 상수 (예를 들어, e, π), 변수, 시퀀스, 시간-시퀀스, 매트릭스, 시간-매트릭스, 정밀하게-그레인된 (grained)-작동, 코오스하게-그레인된-작동 등과 같은 범용 도메인 독립적인 개념들을 포함한다. 또한, 자체-개념화 컴포넌트는, 가산, 감산, 승산, 제산, 제곱, 세제곱, 거듭제곱, 지수, 로그, 사인, 코사인, 탄젠트, erf 등과 같은 범용 펑션 관련들 뿐만 아니라 다양한 레벨의 세부사항을 제공할 수 있고 적응적 개념화 탬플릿 메모리 (ACTM) (920) 에 상주할 수 있는 다른 도메인 특정 펑션 관련들의 광범위한 어레이를 포함한다.

ACTM (920) 은, 툴 시스템 (310) (예를 들어, 반도체 제조 툴) 과 상호작용하는 액터 (예를 들어, 엔드 사용자) 에 완전하게 또는 부분적으로 알려진 펑션 관계들을 보유할 수 있는 CKM (910) 의 확장이다. ACTM이 CKM 의 논리 확장이지만, 실제 메모리 저장부가 자체-개념화 컴포넌트 (560) 내의 단일 저장 유닛으로 나타낼 수 있으므로, 오토봇들, 플래너들, 및 다른 펑션 컴포넌트들이 그러한 분리에 의해 영향을 받지 않음을 유의해야 한다. 또한, 자체-개념화 컴포넌트 (560) 는, 개념화 작동 메모리 (CWM) (940) 의 확장인 개념화 목적 메모리 (CGM) (930) 를 포함할 수 있다. CGM (930) 은, 예를 들어, (f, 압력, 시간, 단계) 학습하기 위한 현재 목적의 오토봇들을 용이하게 할 수 있으며, 특정 프로세스 단계에 대해, 압력의 펑션 f를 학습하고, 그 펑션은 시간에 의존한다. 학습 펑션 f가 툴 시스템 (310) 을 이용하여 반도체 디바이스를 제조하는 목적의 달성을 용이하게 할 수 있는 서브-목적을 나타냄을 유의해야 한다.

또한, ACTM (920) 내의 개념들은, 상황 스코어를 유도할 수 있는 적합성 수치 속성 및 관성 수치 속성을 갖는다. 관성값은 학습될 개념의 유사도를 나타낼 수 있다. 예를 들어, 매트릭스 개념에 대한 더 높은 관성값 및 시간-시퀀스 개념에 대한 더 낮은 관성은, 자체-개념화 컴포넌트 (560) 가 매트릭스내의 데이터의 펑션 작동보다는 시간-시퀀스들의 펑션 작동을 학습할 수 있는 상황을 유도할 수 있다. 자체-인식 컴포넌트 (550) 와 유사하게, 더 낮은 관성을 갖는 개념들은 CKM (910) 으로부터 CWM (940) 으로 운반될 더 높은 가능성이 있다.

개념 플래너 (CP) 는, 현재의 콘텍스트, 툴 시스템 (또는 일반적으로는 목적 컴포넌트 (120)) 의 현재 상태, CWM (940) 의 콘텐츠, 또는 CWM (940) 에서 활성화된 현재의 오토봇(들) 의 펑션으로서, 활성화 에너지를 다양한 오토봇들에 제공하고, 상황 에너지를 CKM (910) 및 ACTM (920) 내의 다양한 개념들로 제공한다. 적응적 추론 엔진에 의한 추론이 개념들의 전파 양태들에 기초할 수 있으므로, 활성화 에너지 및 상황 에너지의 변경들이 CWM (940) 또는 CKM (910) 내의 개념들에 대한 변경된 시맨틱 네트워크의 결과로서 생성된 지식에 기초하여 (예를 들어, 학습에 기초하여) 목적 적응을 유도할 수 있음을 인식해야 한다.

CTM (920) 의 콘텐츠들은 상술된 지식을 설명할 수 있는 개념들이며, 따라서, 이들 개념들은 적합성 및 관성 수치 속성들을 가질 수 있다. CTM (920) 의 콘텐츠들은 (더 높은 관성을 갖는 개념들보다 더 낮은 관성을 갖는 개념들이 활성화될 더 높은 가능성이 있다는 제한에 영향을 받는) 툴 시스템 (310) 의 펑션 작동을 학습하기 위하여 오토봇들에 의해 사용될 수 있다. 모든 가이드라인이 동일한 관성을 가질 필요는 없으며, 예를 들어, 양자의 개념들이 완전한 펑션들을 나타낼지라도, 제 1 완전한 펑션은 제 2 완전한 펑션보다 더 낮은 관성을 제공받을 수 있다.

부분적으로 정의된 수학식과 같은 부분적인 지식이 CWM (940) 에서 업로드될 경우, 예를 들어, 기존의 지식으로 완료될 수 있으며, CP들은 미지의 계수들에 대한 값들을 먼저 식별하기 위해 이용가능한 데이터를 이용하도록 오토봇들을 조정한다. 따라서, 애드혹 계수들의 세트는 부분적으로 정의된 수학식 개념을 완전한 펑션 개념으로 완료시킬 수 있다. 그 후, 완전한 수학식 개념은, 가산, 승산 등과 같은 사전-구축 펑션-관련 개념에서 이용될 수 있다. 출력을 갖는 기본적인 지식 (예를 들어, relationship(output(κ_E),T))) 은, κ_E 와 T 사이의 관계를 설명할 수 있는 최상의 펑션을 식별하기 위해 κ_E 및 T 에 대한 데이터를 포함하는 다양한 펑션 디스크립션들을 구성 및 평가하도록 CWM (940) 내의 오토봇들을 용이하게 할 수 있다. 대안적으로, 출력없는 기본적인 지식은, 출력으로서 변수 또는 독립 변수를 특정하고, 나머지 변수들의 펑션으로서 그것을 표현하기를 시도하도록 CP들의 보조로 오토봇들을 용이하게 할 수 있다. 양호한 펑션 디스크립션이 발견되지 않을 경우, 대안의 변수는, 적절한 펑션 관계에 수렴할 때까지 프로세스가 반복되거나, 자율적인 학습 시스템 (360) 이 적절한 펑션 관계가 발견되지 않았다는 것을, 예를 들어, 액터 (390) 에 나타내는 독립 변수로서 특정될 수 있다. 식별된 양호한 펑션 관계는, CP들에 의해 할당된 관성 레벨을 갖는 자율적인 학습 시스템 (360) 내의 오토봇들에 의해 이용되기 위해 CKM (910) 으로 제공될 수 있다. 예를 들어, 할당된 관성은 식별된 관계의 수학적 복잡도의 펑션일 수 있으며, 2개의 변수들 사이의 선형 관계는, 다수의 변수들, 파라미터들, 및 오퍼레이터들 (예를 들어, 그라디언트, 라플라스, 편미분 등) 을 포함하는 비-선형 관계에 대한 할당된 관성보다 더 낮은 관성값을 할당받을 수 있다.

개념화 엔진 (945) 은, 인식 오토봇들 및 개념화 오토봇들의 조정된 활동들을 제공할 수 있는 "가상 컴포넌트" 일 수 있다. 일 양태에서, 자체-인식 컴포넌트 (550) 는 변수들의 그룹 (예를 들어, 그 그룹내의 변수들은 양호한 페어와이즈 (pairwise) 상관 특성들을 디스플레이하는 것일 수 있음) 을 자체-개념화 컴포넌트 (560) 에 (FF 루프 (552) 를 통해) 피드 포워드할 수 있다. 포워드된 정보는, 펑션 관련 탬플릿들에 대해 CKM (910) 및 ACTM (920) 를 체크하도록 자체-개념화 컴포넌트 (560) 를 용이하게 할 수 있다. 탬플릿의 이용가능성은, 개념화 엔진 (945) 에 상주할 수 있는 개념화 학습자 (CL) 의 오토봇으로 하여금, 포워드된 그룹내의 변수들 사이의 펑션 작동을 더 신속하게 학습하게 할 수 있다. 그러한 펑션 작동을 학습하는 것이 주요 목적의 서브-목적일 수 있음을 인식해야 한다. 또한, CP 오토봇의 보조를 이용한 CL 오토봇은 개념화 확인기 (CV) 의 오토봇들을 사용할 수 있다. CV 오토봇들은, 제안된 펑션 관계들 (예를 들어, 예측된 값과 측정치 사이의 평균 에러는 도구 해 (instrument resolution) 내에 존재한다) 의 품질을 평가할 수 있다. CL 오토봇은 자율적으로 또는 액터-공급된 가이드라인을 통해 펑션 관계를 독립적으로 학습할 수 있으며, 그러한 액터 공급된 가이드라인은 외인성 데이터로서 간주될 수 있다. CL에 의해 학습된 펑션들은, 관심 변수들의 그룹으로서 자체-인식 컴포넌트 (550) 에 (예를 들어, FB 링크 (558) 를 통해) 피드백될 수 있다. 예를 들어, 펑션 κ_E＝κ₀exp(-U/T) 를 학습한 후에, 자체-개념화 컴포넌트 (560) 는 가이드라인 그룹 (output(κ_E,T)) 을 자체-인식 컴포넌트 (550) 에 피드백할 수 있으며, 여기서, κ₀ (예를 들어, 점근적인 에칭 레이트) 및 U (예를 들어, 활성화 장벽) 는 CL에 알려진 특정값들을 소유한다. 그러한 피드백 통신은, 변수들의 그룹에 관한 열화가 신속히 인식될 수 있고, 필요하다면, 경고가 생성 (예를 들어, 경고 요약, 경고 수신 리스트 검증) 및 트리거링될 수 있도록 변수들의 그러한 그룹에 관한 패턴들을 학습하기 위해, 자체-인식 컴포넌트 (550) 를 공급할 수 있다. 메모리 (960) 는 개념화 에피소드 메모리이다.

CL 및 CV에 관련된 다음의 2개의 양태들을 유의해야 한다. 먼저, CL은, (예를 들어, 심볼 조작을 통해) 수학식들을 간략화할 수 있는 오토봇들을 포함할 수 있으며, 이는 간결한 수학 표현으로서 펑션 관계들을 저장하도록 용이하게 할 수 있다. 일 예로서, 관계 P＝((2＋3)Φ)((1＋0)÷θ) 는 P＝3Φ÷θ 로 간략화되며, 여기서, P, Φ 및 θ는, 각각, 압력, 흐름 및 배기 밸브 각도를 나타낸다. 두번째로, CV는, 그것이 펑션 관계의 품질을 결정할 경우 수학식의 구조의 복잡도를 요인의 하나로 넣을 수 있으며, 예를 들어, 측정치 대 예측된 값들의 평균 에러와 같은 실질적으로 동일한 특징을 갖는 파라미터들에 대해, 더 간단한 수학식이 더 복잡한 수학식 대신 선호될 수 있다 (예를 들어, 더 간단한 수학식이 더 낮은 개념 관성을 가질 수 있다).

또한, 자체-인식 컴포넌트 (550) 로부터 자체-개념화 컴포넌트 (560) 로의 정보의 중요한 FF (552) 전달, 및 자체-개념화 컴포넌트 (560) 로부터 자체-인식 컴포넌트 (550) 로의 FB (558) 전달은, 에피소드에 대한 데이터의 패턴을 특성화하기 위해 인식 오토봇들 및 개념화 오토봇들의 협력을 포함할 수 있다. 도 5를 관련하여 상술된 바와 같이, 자체-인식 컴포넌트 (550) 가 에피소드를 학습하기를 실패할 경우, 자체-개념화 컴포넌트 (560) 는 관련 펑션 관계들의 세트의 제공을 통해 자체-인식 컴포넌트 (550) 를 보조할 수 있다. 예를 들어, 에피소드의 특성화는, 툴 시스템 (310) 에서의 프로세스 런내의 안정화 단계의 압력 시간 의존성의 정밀하게-그레인된 디스크립션을 요구할 수 있다. 자체-개념화 컴포넌트 (560) 는, 안정화 단계의 압력의 그러한 상세한 (예를 들어, 매 초마다) 시간 의존성을 구성할 수 있다. 따라서, FB 루프 (558) 를 통해, 자체-인식 컴포넌트 (550) 는, 노멀 툴 상황에서 안정화 단계 동안 압력의 패턴을 특성화하고, 특정한 에피소드 데이터에서 압력의 패턴과 학습된 압력 시간 의존성을 비교하는 것을 학습할 수 있다. 일 예시로서, 에피소드에서의 데이터에 대한 안전화 단계 이전의 측정된 압력에서의 스파이크의 존재, 및 노멀 툴 동작 동안 압력 데이터에서의 스파이크의 부재는, 자율적인 생물학 기반 학습 툴 (300) 에서의 에피소드의 발생을 식별하는 데이터 패턴으로서 검출될 수 있다.

유사하게, 스케줄링되지 않은 PM의 예측은, 툴 시스템의 중요 측정치들의 시간적인 변동들의 지식, 및 자체-개념화 컴포넌트 (570) 에 의해 운반되는 예측 펑션들의 세트의 이용가능도에 의존할 수 있다. 예측 펑션들은, 예측이 시간의 펑션으로서 변수들의 세트의 계획된 값들에 의존하는 경우에 플래닝되지 않은 PM의 새로운 상황을 예측하도록 자체-인식 컴포넌트 (예를 들어, 컴포넌트 (550)) 를 보조할 수 있다.

도 10은, 자율적인 생물학 기반 학습 시스템내의 자체-최적화 컴포넌트의 예시적인 실시형태 (1000) 를 도시한다. 상기 나타낸 바와 같이, 자체-최적화 컴포넌트 기능은 툴 시스템 (310) 의 현재 건강상태 (예를 들어, 성능) 을 분석하고, 현재의 건강상태 분석의 결과들에 기초하여, 툴 시스템 (310) 의 건강상태 열화에 대한 실질적으로 모든 잠재적인 원인들을 진단 또는 랭킹시키며, 자율적인 학습 시스템 (360) 에 의해 획득된 학습에 기초하여 근본적인 원인을 식별하는 것이다. 다른 주요 펑션 컴포넌트들 (550 및 560) 과 유사하게, 자체-최적화 컴포넌트 (570) 는, 메모리 플랫폼 (365) 에 속할 수 있는 메모리들의 계층, 및 프로세싱 플랫폼 (385) 의 일부일 수 있는 오토봇들 및 플래너들로부터 귀납적으로 구축된다.

최적화 지식 메모리 (OKM) (1010) 는 툴 시스템 (310) 의 작동의 진단 및 최적화에 관련된 개념들 (예를 들어, 지식) 을 포함한다. 작동이 목적 또는 서브-목적을 포함할 수 있음을 인식해야 한다. 따라서, OKM (1010) 은, 도메인 또는 목적, 단계, 단계-데이터, 런, 런-데이터, 로트, 로트-데이터, PM-시간-간격, 습식-세정-사이클, 프로세스-레시피, 센서, 제어기 등과 같은 특정한 개념들을 포함한다. 후자의 개념들은 반도체 디바이스들을 제조하는 툴 시스템 (310) 과 관련된다. 또한, OKM (1010) 은, 판독 (예를 들어, 센서 컴포넌트 (325) 내의 압력 센서로부터의 판독), 시퀀스, 비교기, 케이스, 케이스-인덱스, 케이스-파라미터, 원인, 영향, 인과-의존성, 징후, 인과-그래프 등을 포함할 수 있는 도메인 독립적인 개념들을 포함한다. 또한, OKM (1010) 은, 비교, 전파, 랭킹, 해결과 같은 펑션 관련들의 세트를 포함할 수 있다. 그러한 펑션 관련들은, 오토봇 컴포넌트 (540) 에 상주할 수 있고, 절차 실행을 통해 그의 기능의 적어도 일부를 OKM (1010) 에 수여할 수 있는 오토봇들에 의해 이용될 수 있다. OKM (1010) 에 저장된 개념들은, 적합성 수치 속성 및 관성 수치 속성, 및 그들로부터 유도되는 상황 스코어 속성을 소유한다. 적합성, 관성 및 상황 스코어의 시맨틱은, 자체-인식 컴포넌트 (550) 및 자체-개념화 컴포넌트 (560) 에 대한 것과 실질적으로 동일하다. 따라서, 런-데이터가 스텝-데이터보다 더 낮은 관성을 제공받으면, 자체-최적화 컴포넌트 (570) 플래너 (예를 들어,

) 는, OMK (1010) 로부터 최적화 작동 메모리 (OWM) (1020) 까지 런-데이터의 개념을 전달할 더 높은 가능성이 있다. 차례로, 런-데이터와 스텝-데이터 사이의 그러한 관성 관계는 개념들과 관련된 런으로 작동하는 최적화 오토봇들의 활성화 레이트를 증가시킬 수 있다.

FF 링크들 (552 및 562) 을 통해, 자체-인식 컴포넌트 (550) 및 자체-개념화 컴포넌트 (560) 가 OKM (1010) 에 저장된 개념들의 상황 스코어, 및 최적화 플래너 컴포넌트 (1050) 에 상주할 수 있는 최적화 플래너 (OP) 를 통한 최적화 오토봇들의 활성화 에너지에 영향을 줄 수 있음을 유의해야 한다. OKM (1010) 에 저장되고, 자체-인식 컴포넌트 (550) 및 자체-개념화 컴포넌트 (560) 를 통해 영향을 받는 개념들이, 특정된 콘텍스트의 펑션으로서 최적화될 특정 목표의 양태들을 결정할 수 있음을 인식해야 한다. 일 예시로서, 자체-인식 컴포넌트 (550) 가 프로세스 단계에 대한 데이터의 패턴이 현저하게 열화된다는 것을 인식하면, 관련 단계 개념의 상황 스코어가 증가될 수 있다. 따라서, 그 후, OP들은 프로세스 동안 (예를 들어, 목적을 추구하는 동안) 실행되는 단계들의 세트를 변경하기 위해 단계 개념에 관련된 최적화 오토봇들에 부가적인 활성화 에너지를 공급할 수 있다. 유사하게, 자체-개념화 컴포넌트 (560) 가 제품 로트에 대한 툴 측정치들, (예를 들어, FF (562) 를 통해) 자체-개념화 컴포넌트 (560) 로부터 수신된 FF 정보 사이의 새로운 펑션 관계를 식별하면, 자체-최적화 컴포넌트 (570) 는, (1) 로트 개념의 상황 스코어 및 (2) 로트 개념에 의존하는 기능을 갖는 최적화 오토봇의 활성화 에너지를 증가시킬 수 있으며, 따라서, 로트 개념 (예를 들어, 로트에서의 웨이퍼들의 수 또는 타입, 로트의 비용, 로트에서 이용된 리소스들 등) 의 양태들을 변경시킨다.

툴 시스템 (310) 의 건강상태 평가는 다음에 설명될 바와 같이 진단 엔진 (825) 을 통해 수행될 수 있다. 건강상태 평가가 제조 프로세스의 서브-목적일 수 있음을 유의해야 한다. 진단 엔진 (825) 은 의존성 그래프를 자율적으로 생성하고, 액터 (390) 로 하여금 그 의존성 그래프를 증분시키게 한다 (그러한 의존성 그래프는 외인성 데이터 또는 내인성 데이터로서 간주될 수 있다). 인과 그래프는, 툴 시스템 (310) 에 의해 수행된 프로세스의 동력 (dynamics) 및 액터 (390) 에 의해 연구될 수 있는 진단 플랜에 따라 증분적으로 운반될 수 있다. 예를 들어, 인과 그래프는, "압력" 고장이 4개의 원인들, 즉, 증착 챔버가 누설을 가짐, 그 챔버로의 가스 흐름에 결함이 있음, (가스 흐름의 크기를 조절하는) 배기 밸브 각도에 결함이 있음, 또는 압력 센서에 에러가 있음 중 하나에 의해 초래된다는 것을 나타낼 수 있다. 툴 시스템 (310) 의 컴포넌트들은 고장의 사전 확률들을 갖는다 (예를 들어, 챔버 누설은 0.01 의 확률로 발생할 수 있음, 가스 흐름에 0.005의 확률로 결함이 있을 수 있음 등). 또한, 액터 (390) 또는 자체-개념화 컴포넌트 (560) 는 조건부 확률로서 표현될 수 있는 압력 고장에 대한 조건부 의존성을 정의할 수 있으며, 예를 들어, 챔버가 누설을 갖는다면 결함이 있을 압력의 확률은 p(P│누설) 일 수 있다. 일반적으로, 툴 고장의 소스들과 인과적으로 관련하는 조건부 확률들은 액터 (390) 에 의해 제공될 수 있다. 액터 (390) 에 의해 정의된 확률 할당들이 추정치들을 근사화할 수 있다고 자율적인 학습 시스템 (360) 이 가정함을 유의해야 하며, 많은 경우, 그 확률은 물리적 확률 (예를 들어, 관측들에 의해 지원된 실제 확률) 과는 상당히 상이할 수 있다. 이후, 인과 그래프들의 예들이 아래의 도 11a 및 도 11b 와 관련하여 제공 및 설명된다.

또한, 자체-최적화 컴포넌트 (570) 는, 툴 (360) 과 관련된 정보 I/O (358) 를 통해 툴 시스템 (360) 의 성능에 대한 예측 (prognostic) 의 세트를 생성할 수 있는 예측 컴포넌트 (106) 를 포함할 수 있다. 그러한 정보는, 펑션 컴포넌트에 의해 이용된 재료들의 품질, 굴절율, 광흡수 계수, 또는 제품 애셋들 (328) 이 캐리어 등으로 도핑되는 경우에서의 자기전송 (magnetotransport) 특성들과 같이 툴 시스템 (360) 에 의해 생성되는 제품 애셋들 (328) 의 물리 특성들을 포함할 수 있다. 다수의 기술들이 예측 컴포넌트 (1060) 에 의해 이용될 수 있다. 먼저, 그 기술들은, 즉, (i) 푸리에 변환, 가보 (gabor) 변환, 웨이블렛 분해, 통계 기술에 기초한 비-선형 필터링, 스펙트럼 상관을 이용하는 주파수 분석; (ii) (센서 컴포넌트 (325) 에 의해 측정될 수 있는) 시간 의존 스펙트럼 특성들, 푸앵카레 맵 및 리아푸노프 스펙트럼 기술들과 같은 비-선형 신호 프로세싱 기술들을 이용하는 시간 분석, (iii) 실제- 또는 신호-공간 벡터 진폭 및 각도 변동 분석; (iv) 부조화 (anomaly) 예측 기술 등과 같이, 정보 (358) 를 프로세싱할 경우 자체-인식 컴포넌트에 의해 이용될 수 있는 특성화 기술들과 실질적으로 동일한 특성화 기술들을 포함한다. 분석들 (i), (ii), (iii) 또는 (iv) 을 통해 생성된 정보 또는 데이터 애셋들은, 신경-네트워크 추론, 퍼지 로직, 베이어 네트워크 전파, 유전 알고리즘과 같은 진화 알고리즘, 데이터 퓨전 기술 등과 같은 예측 기술들로 보완될 수 있다. 분석 및 예측 기술들의 결합은, 센서 컴포넌트 (325) 에 의해 프로빙된 바와 같은 특정한 애셋들 또는 특성들에서의 결점 (ailing) 경향들의 식별 뿐만 아니라, 최적화 플래너 컴포넌트 (1050), 및 컴포넌트 (540) 에 상주할 수 있는 최적화 오토봇들에 의해 생성되는 적절히 정정된 측정치들을 갖는 OKM (101) 에서 이용가능한 정보를 통해 툴 시스템 (310) 의 최적화를 용이하게 하도록 이용될 수 있다.

도 11a는 자체-개념화 컴포넌트 (530) 에 의해 생성되는 예시적인 인과 그래프 (900) 를 도시한다. 인과 그래프는, 자체-개념화 컴포넌트 (530) 에 의해 예측된 수학 펑션 또는 관계의 종속 변수들과 독립 변수들 사이의 관계를 나타낸다. 일 예로서, 압력 (P), 가스 흐름 (Φ), 및 밸브 각도 (θ) 에 대한 데이터에 액세스함으로써, 자체-개념화 컴포넌트 (530) 는, 관심 출력 또는, 예를 들어, 압력과 같은 종속 변수에 대해, 데이터 입력들 또는 가스 흐름, 밸브 각도, 온도 습도 등의 펑션으로서 예측 펑션 (1110) 을 개념화 또는 학습하기 위해, 커브 피팅 (curve fitting), 선형 회귀, 유전 알고리즘 등과 같은 하나 이상의 수학 기술들을 사용할 수 있다. 예시적인 학습된 예측 펑션 (1110) 은, 압력과 2개의 입력 변수들 사이의 다음과 같은 관계일 수 있으며, 즉, Φ,θ: P＝2π(Φ/θ³) 이다. 그러한 학습된 펑션으로부터, 자체-개념화 컴포넌트 (530) 는 종속 그래프 (900) 를 자율적으로 구성한다.

종속 그래프 (1100) 를 생성하기 위해, 자체-개념화 컴포넌트 (530) 는 2개의 단계에서 진행할 수 있다. (i) 비교기 (1120) 가 입력으로서 단일의 학습된 펑션 (1110) 을 수신하는 루트 노드로서 도입된다. 비교기 (1120) 에서의 실패는, 생물학 기반 자율적인 학습 시스템을 이용하는 툴 (예를 들어, 툴 시스템 (310)) 에서의 고장을 암시한다. 비교기에서의 실패는, 학습된 펑션 (1110) 을 통해 생성되는 예측된 값과 측정된 값의 압력을 비교하는 것에 기초할 수 있는 불린값 (예를 들어, "통과/실패" (1130)) 결과일 수 있다. 자체-개념화 컴포넌트 (530) 는, 예측된 압력값들과 (센서 컴포넌트 (378) 내에서 판독하는 압력 센서에 의해 리포트되는 바와 같은) 수집된 압력 데이터 사이의 평균 차이가 사용자-특정된 경계 내에서 유지하기를 실패한 경우, 예를 들어, 평균 차이가 예측 압력의 5% 내에서 유지되기를 실패한 경우, 비교기 (1120) 에서의 실패를 플래그 (flag) 한다. 비교기 (1120) 에서의 실패는, 예측 펑션 (1110) 의 출력에 의존한다. 따라서, 비교기 실패는, 압력 센서 (PS (1143)) 가 고장나거나 물리 압력 (예를 들어, 물리량 P_P (1146)) 이 고장나기 때문에 고장날 수 있는 압력 판독 (P_R (1140)) 의 실패에 의존한다 (그에 의해 영향을 받는다). 압력 메커니즘 (P_M (1149)) 이 고장날 수 있기 때문에, 물리 압력 P_P (1146) 이 고장날 수 있다. 따라서, 시스템은, P_R (1140) 과 {P_S (1143), P_P (1146)} 사이 및 P_P (1140) 과 {P_M (1149)} 사이의 의존성을 자율적으로 생성한다.

(ii) 학습된 펑션 (1110) 내의 종속 변수들은 다음과 같이 의존성 그래프를 완료하기 위해 이용된다. 물리 메커니즘 P_M (1149) 은, 학습된 펑션 (1110) 내의 종속 변수들인, 가스-흐름 판독 (Φ_R (1150)) 이 실패하거나 밸브-각도 판독 (θ_R (1160)) 이 실패할 경우 고장날 수 있다. 따라서, 자체-개념화 컴포넌트 (530) 는 P_M (1149) 와 {θ_R (1150), Φ_R (1160)} 사이의 의존성을 생성한다. Φ_R (1150) 과 {Φ_S (1153), Φ_P (1156)} 사이 및 θ_R (1160) 과 {θ_S (1163), θ_P (1166)} 사이의 의존성을 생성하기 위해, 판독에서의 실패에 대한 실질적으로 동일한 프로세싱 또는 추론이 자체-개념화 컴포넌트 (530) 에 의해 이용될 수 있다. 그 후, 자체-개념화 컴포넌트 (530) 는 Φ_P (1156) 과 {Φ_M (1159)} 사이 및 θ_P 와 {θ_M} 사이의 의존성을 부가할 수 있다. 물리적인 양 (예를 들어, P_P (1146), Φ_P (1156), θ_P (1166)) 과 관련 메커니즘 (예를 들어, P_M (1149), Φ_M (1159) 및 θ_M (1169)) 사이의 관계가 리던던트하고 명확화를 향상시키기 위해 제공된다는 것을 유의하며, 메커니즘 노드들 (예를 들어, 노드들 (1149, 1159 및 1169)) 이 제거될 수 있고, 그들의 칠드런 (children) 은 관련 물리 크기 노드들 (예를 들어, 노드들 (1146, 1156 및 1169)) 의 칠드런을 생성한다.

의존성 그래프 (900) 와 같은 의존성 그래프에서, 리프-레벨 (leaf-level) 노드들, 예를 들어, 노드들 (1140, 1143, 1146 및 1149), 노드들 (1140, 1153, 1156 및 1159), 및 노드들 (1160, 1163, 1166, 및 1169) 은 고장의 물리 포인트들이다. 일 양태에서, 액터 (예를 들어, 사용자일 수 있는 액터 (390)) 는 고장의 모든 물리 포인트들에 대한 사전 확률을 생물학적으로 자율적인 학습 시스템에 공급할 수 있다. 그러한 사전 확률은, 컴포넌트, 필드 데이터, MTBF 데이터 등에 대한 제조 사양들로부터 획득될 수 있거나, 제조 툴에 존재하고 관련 제조 프로세싱에서 포함되는 부분들의 성능의 시뮬레이션에 의해 생성될 수 있다. 또한, 액터는, 이전의 경험, 판단, 필드 데이터, 및 가능한 고장 모드들 (예를 들어, 제 1 고장의 존재가 제 2 고장의 확률을 제거할 수 있거나, 제 1 고장이 제 2 고장의 발생 확률을 증가시킬 수 있다는 것 등) 에 기초한 조건부 확률을 공급할 수 있다. 예를 들어, 컴포넌트 (340) 와 같은 상호작용 컴포넌트를 통한 사전 및 조건부 확률의 수신시에, 자율적인 시스템은, 그 자율적인 시스템에 제공된 실제 고장 데이터에 기초하여 확률을 업데이트하는 것을 학습하는 것과 함께 베이시안 네트워크 전파를 이용할 수 있다. 따라서, 액터에 의해 제공된 초기 확률이 잘못된 것일 경우, 자율적인 시스템은, 필드 데이터가 부정되거나 고장 결과, 즉, 비교기의 통과 또는 실패 결과를 지원하는 바와 같이 확률을 조정한다.

액터 (예를 들어, 사용자일 수 있는 액터 (390)) 가 메커니즘 고장에 루트된 자율적으로 생성된 의존성 그래프 (예를 들어, 의존성 그래프 (900)) 에 의존성들을 부가할 수 있음을 유의해야 한다. 예를 들어, 그러한 부가는 상호작용 관리자 (355) 를 통해 달성될 수 있다. 일 양태에서, 일 예시로서, {Φ_R (1150), θ_R (1160), P_LEAK (1170), 및 P_ALT (1173)} 에 대한 P_M (1149) 의 의존성을 초래하는 P_LEAK (1170) 및 P_ALT (1173) 으로 라벨링된 2개의 노드들로 의존성 그래프 (1100) 이 증분된다. 또한, 의존성 그래프 (1100) 가 더 깊은 그래프로 증분될 수 있음을 인식할 것이다. 노드 P_LEAK (1170) 의 부가는, 가스 흐름 판독 또는 밸브 각도 판독에서의 실패 이외에, 툴에 누설이 존재함으로써 압력 메커니즘이 또한 고장일 수 있다는 것을 자체-개념화 컴포넌트 (530) 를 통해 자율적인 시스템에 통지한다. 노드 P_ALT (1173) 는, 누설에 대안적인 메커니즘이 시스템 고장을 초래하는 유사도를 나타낸다는 점에서 노드 (1170) 와 상보적이다. 노드 또는 더 깊은 그래프의 부가시에, 액터는, 노드에 대한 사전 확률 및 의존성을 설명하는 관련 조건부 확률을 할당할 것이다.

학습된 펑션들이 상술된 바와 같은 펑션 P＝F(Φ,θ) 보다 더 복잡할 수 있으며, 실질적으로 더 많은 독립 변수들을 포함할 수 있지만, 인과 그래프가 실질적으로 동일한 방식으로 준비될 수 있음을 인식해야 한다.

도 11b는, 예측 및 레시피 비교기들을 갖춘 예시적인 학습된 펑션 의존성 그래프의 다이어그램 (1180) 이다. 학습된-펑션 비교기들 (예를 들어, 비교기 (1120)) 에 부가하여, 생물학 기반 자율적인 학습 시스템은 하나 이상의 레시피 비교기들을 생성할 수 있다. 레시피 비교기 (예를 들어, 비교기 A (1195_A) 또는 비교기 B (1195_B)) 는, 툴 시스템 (예를 들어, 툴 시스템 (370)) 내의 관련 센서로부터 발생하는 대응하는 평균 측정값 또는 판독과 레시피 파라미터의 세트 값을 비교한다. 일 양태에서, 관련 센서 및 대응하는 규정된 값들을 갖는 레시피 파라미터들 (예를 들어, θ (1185_A) 또는 Φ(1185_B)) 의 집합이 주어지면, 자율적인 시스템은 각각의 세트 파라미터에 대한 레시피 비교기를 생성한다. 예측된 비교기와 유사하게, 액터 (예를 들어, 액터 (190)) 에 의해 결정될 수 있는 특정한 임계값만큼 세트 레시피 값 및 판독이 상이하면, 레시피 비교기는 고장을 시그널링한다. 다이어그램 (1180) 에서, 프로세스 압력이 특정한 값으로 셋팅되지 않으므로, 압력에 대한 레시피 비교기가 생성되지 않음을 유의해야 한다.

근본적인 원인, 예를 들어, 최고의 확률의 고장을 갖는 고장의 물리 포인트를 식별하기 위해, 생물학 기반 자율적인 학습 시스템은, 의존성 그래프에 존재하는 고장의 모든 물리적인 포인트들을 랭킹시키기 위해 하나 이상의 비교기 또는 레시피 비교기들의 실패를 이용할 수 있다. 일 양태에서, 하나 이상의 비교기들을 갖는 완전한 의존성 그래프에 대해, 생물학 기반 자율적인 학습 시스템은, 비교기들의 실패 서명이 주어지면 확률을 전파시키기 위해 베이시안 추론을 이용할 수 있다. 따라서, 그 시스템은, 각각의 비교기에 대해 특정한 통과/실패 결과 (예를 들어, 비교기 A (1195_A) 에 대한 결과 (1198_A) 또는 비교기 B (1195_B) 에 대한 결과 (1198_B)) 에 대한 실패의 확률을 계산할 수 있다. 일 예로서, 예측기 비교기 (1120) 및 레시피 비교기 A (1195_A) 가 실패이지만 비교기 B (1195_B) 가 통과라고 가정한다. 자율적인 시스템은 비교기 실패가 주어지면 고장의 각각의 물리 포인트에 대한 고장 확률 (예를 들어, 비교기 (1195_A) 및 비교기 A (1195_A) 가 실패이지만 비교기 B (1195_B) 가 통과라고 가정하면, 압력 센서 고장의 확률임) 을 계산할 수 있다. 그 후, 고장의 각각의 포인트는, 고장날 가장 높은 가능성 (최고의 계산된 확률) 또는 가장 가능성있는 근본적인 원인으로부터 고장날 가장 낮은 가능성 (최저의 계산된 확률) 으로 순서화된다. 작동가능한 지능으로서 간주될 수 있는 근본적인 원인의 식별 (예를 들어, 출력 (140)) 은, 추가적인 프로세스, 예를 들어, 신규한 부분을 순서화, 유지보수 서비스의 요청 (액터가 통신하거나 툴의 제조자 위치에 상주함), 소프트웨어 업데이트의 다운로드, 새로운 트레이닝 세션의 스케줄링 등을 위해 상호작용 관리자를 통하여 액터에게 운반될 수 있다.

도 12는, 자율적인 생물학 기반 학습 툴 시스템의 예시적인 그룹 배치의 고레벨 블록도 (1200) 를 도시한다. 자율적인 툴 시스템들 (1220₁ 내지 1220_K) 의 그룹은, 정보 (358) 를 수신 (입력) 하고, 자율적인 툴 시스템 (1220₁ 내지 1220_K) 의 그룹과 상호작용하고 자율적인 학습 시스템 (360) 과 상호작용하도록 액터 (390) 를 용이하게 하는 인터페이스 (330) 에 정보 (358) 를 운반 (출력) 하는 자율적인 생물학 기반 학습 툴 (360) 에 의해 제어될 수 있다. 개별적으로, 자율적인 툴 시스템들 (1220₁ 내지 1220_K) 각각이 관련 자율적인 학습 시스템들 (1250) 에 의해 지원 또는 보조된다. 그러한 학습 시스템은 학습 시스템 (360) 의 실질적으로 동일한 기능을 소유한다. 그룹 (1210) 에서, 자율적인 툴 (1220₁ 내지 1220_K) 각각이, 각각, 관련 로컬 액터들 (390₁ 내지 390_K) 과의 독립적인 상호작용을 수여할 수 있음을 인식해야 한다. 도 4와 관련하여 상술된 바와 같이, 그러한 액터는 액터 (390) 과 실질적으로 동일한 기능을 소유한다. 또한, 자율적인 툴 (1220₁ 내지 1220_K) 과의 상호작용은, 상호작용 컴포넌트 (1240) 를 통해, 그리고, 양자가 통상적으로 툴 시스템 특정인, 애셋들 (예를 들어, 애셋들 (1250₁ 내지 1250_K)) 및 툴-특정 정보 (예를 들어, 1248₁ 내지 1248_K) 를 제공 및 수신함으로써, 자율적인 시스템 (300) 에서와 실질적으로 동일한 방식으로 발생한다. 특히, 그룹 배치 (1212) 에서, 액터들 (390₁ 내지 390_K) 각각이 그것의 관련 시스템 툴 (예를 들어, 시스템 툴 (1220₂)) 동작의 각각의 양태들을 모니터링할 수 있음을 인식해야 한다. 일 예로서, 로컬 액터들 (390₁ 내지 390_K) 은 중요할 특정 출력들 (예를 들어, 1260₁ 내지 1260_K) 의 세트를 확립할 수 있다. 그러한 결정은 이력 데이터 또는 설계 (예를 들어, 프로세스를 위한 레시피) 에 기초할 수 있거나, 생성된 패턴들, 구조들, 관계들 등을 통해 자율적으로 발생할 수 있다. 그러한 결정의 부재시에, 그룹 자율적인 학습 시스템 (360) 은, 그룹 출력 (1265) 으로 유도되는 실질적으로 모든 출력들 (예를 들어, 1260₁ 내지 1260_K) 이 중요하다고 가정한다.

일 양태에서, 자율적인 학습 시스템 (360) 은, 노멀 (예를 들어, 비-고장) 그룹 툴 (1200) 동작 동안 중요한 출력 파라미터들에 대한 기대값들을 (시스템 (300) 과 관련하여 상술된 학습 메커니즘들을 통해) 학습할 수 있다. 일 양태에서, 측정된 출력 (1265) 이 기대된 출력으로부터 벗어날 경우, 자율적인 학습 시스템 (360) 은 그룹 (1200) 성능의 성능 메트릭을 열화된 것으로 식별할 수 있다. 후자의 평가가 단일 자율적인 툴 시스템 (300) 과 관련하여 상술된 바와 실질적으로 동일한 방식으로, 즉, 자율적인 학습 시스템 (360) 내의 자체-인식 컴포넌트를 통해 진행할 수 있음을 인식해야 한다. 자율적인 그룹 툴 (1200) 이 열화된 성능을 제공할 수 있더라도, 자율적인 툴 시스템 (1220₁ 내지 1220_K) 의 서브세트가 열화되지 않은 출력을 제공할 수 있고, 소정의 메트릭에 대한 개별 기대값들을 충족시킬 수 있음을 유의할 것이다.

또한, 단일 툴 시스템 (예를 들어, 툴 시스템 (310)) 의 시나리오와 유사하게, 자율적인 학습 시스템 (360) 은, 중요한 출력 파라미터에 대한 예측 모델을 개별의 툴 관련 출력 파라미터들의 펑션으로서 구성할 수 있다. 그러한 출력 파라미터들이 애셋 (328) 입력/출력을 통해 수집될 수 있음을 인식해야 한다. 그룹 툴 (1200) 에서, 각각의 자율적인 학습 시스템 (예를 들어, 360 또는 1250) 에 존재하는 배치된 지식 네트워크를 통해 액세스될 수 있는 각각의 툴 시스템들 (1220₁ 내지 1220_K) 에 상주하는 센서 컴포넌트들을 통해 자율적인 생물학 기반 학습 시스템 (360) 에 툴 출력 (예를 들어, 1260₁ 내지 1260_K) 의 측정치들이 이용가능할 수 있음을 유의할 것이다.

또한, 자율적인 시스템 (360) 은, 그룹 (1200) 의 애셋들 (328), 예를 들어, 그룹 입력 데이터, 그룹 출력들, 그룹 레시피들, 또는 그룹 유지보수 활성도들의 펑션으로서 그룹 고장-수명의 예측 모델을 또한 구성할 수 있다. 일 양태에서, 그룹 고장-수명을 결정하기 위해, 자율적인 학습 시스템 (360) 은, (예를 들어, 센서 컴포넌트들의 세트를 통해) 검출된 고장들 사이의 시간, 관련 애셋들 (1250₁ 내지 1250_K), 출력들 (1260₁ 내지 1260_K), 및 툴 시스템들 (1220₁ 내지 1220_K) 의 세트에서의 실질적으로 모든 동작 툴들에 대한 유지보수 활성도를 포함하는 고장 데이터를 수집할 수 있다 (이전의 고장 평가들의 결과로서, 그룹 (1200) 내의 툴들 (예를 들어, 둘들 (1220₁ 내지 1220K₎) 의 세트의 특정 툴들 (예를 들어, 툴 시스템 2 (1220₁) 및 툴 시스템 K (1220_K)) 이 고장일 수 있음을 인식해야 한다). 수집된 데이터는, 그룹 애셋들 (예를 들어, 입력들, 레시피들, ...), 출력들, 및 유지보수 활성도들의 펑션으로서 고장-수명에 대한 예측 펑션을 학습하기 위해 (예를 들어, 자율적인 학습 시스템 (360) 내의 프로세싱 컴포넌트 (385) 를 통해) 자율적으로 분석될 수 있다. 수집된 데이터로부터 구성된 그룹 고장-수명 모델이, 그룹 툴 (1200) 의 성능에 영향을 주는 실질적으로 주요한 인자들을 용이하게 디스플레이할 수 있음을 인식해야 한다.

일 양태에서, 그룹 툴 (1200) 내의 툴 시스템들 (예를 들어, 1220₁ 내지 1220_K) 의 개별 컴포넌트들에 대해 구성된 고장-수명 모델들은, 부품 인벤토리를 최적화하고 유지보수 스케줄링을 최적화하기 위해 액터 (390) (예를 들어, 그룹 레벨 제어기) 에 의해 이용될 수 있다. 그러한 최적화가 자율적인 시스템 (360) 에 의해 적어도 부분적으로 실행될 수 있음을 인식해야 한다. 예를 들어, 자율적인 시스템은 이용가능한 부품들의 수를 식별하기 위해 MES (또는 ERP) 시스템에 액세스한다. 툴 시스템들 (1220₁ 내지 1220_K) 에 기능을 제공하고, 특정 시간 주기 △τ 내에서 (교체를 위해) 필요한 것으로 기대될 수 있는 부품들 (예를 들어, 시스템 (310) 내의 컴포넌트 (315) 와 같은 펑션 컴포넌트내의 하나 이상의 컴포넌트들의 부품들) 의 세트가 재고에서 이용가능한 공급을 초과할 경우, 부가적인 부품들이 주문될 수 있다. 대안적으로 또는 부가적으로, 부품들이 이용가능할 경우, 필요한 부품들의 기대된 스케줄은, 새로운 주문을 배치하기 위한 최적의 또는 적절한 시간을 결정하기 위해 분석될 수 있다.

자율적인 시스템 (360) 에 이용가능한 기회를 활용하고 실질적으로 짧은 시간 주기로 고장날 수 있는 부품들을 분석 및 식별하기 위해, 필요한 이전에 스케줄링된 유지보수 활동 동안 유지보수 스케줄들이 재평가되고 최적화될 수 있음을 인식해야 한다. 또한, 일 양태에서 자율적으로, 현재의 유지보수 사이클 동안의 부품의 교체가 다가오는 스케줄링된 유지보수 사이클에서의 부품의 교체에 대해 유익한지를 판정하기 위해, 부품의 비용,, 부품들을 교체하는 시간 등과 같은 부가적인 정보로, 그룹 또는 개별 고장-수명 스케줄이 보완될 수 있음을 인식해야 한다. 또한, 그룹에 대한 출력 제품 (예를 들어, 웨이퍼, 차량, 컴퓨터 등) 당 비용, 및 그룹 툴 (1200) 의 동작 동안 특정한 주문을 생성하기 위한 총 비용을 계산하기 위해, 자율적인 시스템 (360) 이 그룹 툴 (1200) 의 동작과 관련된 다양한 비용들을 입력으로서 취할 수 있음을 유의한다. 개별적인 툴 애셋들 (1250₁ 내지 1250_K) (예를 들어, 레시피), 출력들 (1260₁ 내지 1260_K), 및 유지보수 활성도의 펑션으로서 비용 모델을 구축한 이후, 자율적인 시스템 (360) 은, 동작 비용의 오름 차순으로 개별 툴 시스템들 (1220₁ 내지 1220_K) 을 랭킹시킬 수 있다. 결합된 비용 데이터 애셋은, 개별 툴 시스템들과 관련된 애셋들, 출력들, 및 유지보수 활성도들에 대한 비용의 예측 모델을 구축할 시에 이용될 수 있으며, 예를 들어, 그러한 평가는 그룹 툴에 대한 동작 또는 유지보수 비용에 실질적으로 영향을 주는 동작 애셋들 및 변수들을 식별할 수 있다. 일 양태에서, 자율적인 시스템 (360) 은, 비용을 최소화하기 위해, 제품 라인, 또는 플로우 플랜트에서의 장비 구성을 재설계하도록 이용가능한 이력 데이터 애셋들을 이용할 수 있다. 또한, 그러한 최적화 프로세스 동안, 자율적인 시스템 (360) 은, 동작의 대안적인 패턴을 활용하기 위해 다양한 툴 시스템들의 셧다운에 의존할 수 있다. 또한, 자율적인 시스템 (360) 은, 특정한 출력의 생성이 특정한 고비용 툴 시스템에 대한 출력없이 진행하는 트래이드-오프 시나리오의 세트를 결정하기 위해 비용-이득 분석을 이용할 수 있다.

툴 시스템 (1220₁ 내지 1220_K) 은 실질적으로 동일하거나, 별개일 수 있다 (예를 들어, 툴 시스템들 (1220₁ 내지 1220₃) 은 스템퍼이고, 툴 (1220_J) 는 스템퍼이며, 툴 시스템 (1220_K-4-1220_K) 는 터보분자형 진공 펌프들이다). 통상적으로, 동종 (예를 들어, 툴 시스템들이 유사함) 및 이종 (예를 들어, 툴들이 별개임) 사이의 중앙차가 입력 및 출력 측정치들 (예를 들어, 측정 애셋들) 이 별개인 곳에 존재할 수 있다. 예를 들어, 툴 그룹 (1200) 에 대한 관심 중요 출력은 D1 CD 균일도일 수 있지만, 그룹 툴 (1200) 의 부품인 코팅 시스템은 그러한 출력 측정치들을 제공하기를 실패할 수 있다. 따라서, 자율적인 시스템 (360) 은, 개별 툴 (예를 들어, 1220₁ 내지 1220_K) 출력들의 펑션으로서 툴 그룹의 출력들을 표현하기 위한 모델을 구성할 수 있다. 따라서, 그룹 성능이 열화된 것으로 나타날 경우, 개별 툴들과 관련된 개별 성능들은, 성능 열화를 초래할 시에 가장 큰 가중치를 갖는 툴을 격리시키도록 분석될 수 있다.

도 13은 자율적인 툴 시스템들의 복합체 배치의 다이어그램을 도시한다. 복합체 시스템 (1310) 은 자율적인 툴 복합체들 (1320₁ 내지 1320_Q) 의 세트를 포함한다. 각각의 툴 복합체들은, 자율적인 툴들의 동종 또는 이종 그룹들, 예를 들어, 자율적인 제조 설비 (미도시) 를 포함할 수 있는 또 다른 자율적인 툴 그룹들의 세트, 또는 또 다른 자율적인 제조 설비들의 세트를 포함할 수 있다. 통상적으로, 자율적인 복합체들 (1320₁ 내지 1320_Q) 이 또 다른 지리적인 위치들에 위치될 수 있음을 인식해야 한다 (예를 들어, 복합체는 또 다른 위치에서 제조된 부품들을 갖는 차량들을 탑재한 차 어셈블리를 나타낼 수 있다). 유사하게, 공장내의 자율적인 툴들의 그룹들은, 제조 프로세스가 다수의 단계들을 포함할 수 있는 관점에서 플랜트내의 또 다른 위치에 배치될 수 있다. 따라서, 제품 출력 체인 (1365) 은, 부분적으로 제조되거나 프로세싱되거나 분석된 제품들을 또 다른 자율적인 툴 복합체들 (1320₁ 내지 1320_Q) 에 제공하는 것을 용이하게 할 수 있으며, 그러한 특성은, 복합체들 (1320₁ 내지 1320_Q) 과 관련된 출력/입력을 나타내는 양방향 화살표들 (1360₁ 내지 1360_Q) 로 표시된다.

복합체 시스템 (1310) 은, 상호작용 컴포넌트 (340), 액터 (390), 및 자율적인 학습 시스템 (360) 을 포함하는 자율적인 학습 시스템에 의해 자율적으로 지원될 수 있다. 일 양태에서, 자율적인 지원은, 출력 애셋들 (예를 들어, 출력 (1365 또는 1265)) 의 전체 제조 효율도 (OFE) 메트릭을 개선시키는 것으로 안내될 수 있다. 또한, 차례로, 자율적인 툴 복합체들 (1320₁ 내지 1320_Q) 의 각각은, 상호작용 컴포넌트 (1330) 및 자율적인 학습 시스템 (1340) 에 의해 자율적으로 지원될 수 있다. 인터페이스 컴포넌트 (1330) 는, 자율적인 학습 시스템 (1340) 과 액터들 (390₁ 내지 390_Q) 사이의 상호작용을 용이하게 한다. 그러한 컴포넌트들 각각의 기능은, 시스템 (360) 및 시스템 (1200) 과 관련하여 상술된 각각의 컴포넌트의 기능과 실질적으로 동일하다. 상호작용 컴포넌트 (1330) 및 자율적인 시스템 (1340) 사이에서 전달된 정보 (1348_I) (I＝1,2, ..., Q) 는, 각각의 자율적인 툴 복합체 I (1320_I) 와 관련된다. 유사하게, 자율적인 툴 복합체 I (1320_I) 로 운반되고 그것으로부터 수신되는 애셋들 (1350_I) 이 특정된다.

자율적인 툴 복합체 (1310₁ 내지 1310_Q) 에서의 성능을 어드레싱하기 위해, 합성 복합체 인덱스 C_α 를 이용하여 제품들을 식별하는 성능 태그를 통해 제조 프로세스의 다중-단계 특징이 포함될 수 있으며, 여기서, 인덱스 α는 복합체 C (예를 들어, 자율적인 복합체 (1320_Q)) 내의 특정 툴 그룹 및 런 인덱스 (R) 을 나타내고, 따라서, 특정 제품과 관련된 제품 품질 또는 성능 메트릭은, "그룹-레이어 출력" 으로 명칭될 수 있는 라벨 (C_α;R) 을 통해 식별된다. 그러한 라벨은, 각각의 자율적인 동작 그룹을 개별 컴포넌트 C_α로서 식별하는 것을 용이하게 한다. 따라서, 자율적인 시스템 (360) 은, 제조 복합체 (예를 들어, 자율적인 툴 복합체 (1310₂)) 의 펑션 및 각각의 제조 복합체내의 툴 그룹의 펑션으로서 품질 및 성능 메트릭을 매핑할 수 있다. 후자는, 먼저 복합체 (예를 들어, 제조 설비) 를 식별하고, 후속하여, 평가된 열화와 관련된 툴에 대한 분석을 수행함으로써, 불량한 성능 또는 품질의 근본적인-원인 분석을 용이하게 한다. 다수의 복합체 툴들로 구성된 자율적인 시스템에서 생성된 애셋들을 출력한다는 사실을 고려할 인덱스 C_α가 제 1 복합체 (N) 로부터 제 2 복합체 (N') 로 전달될 수 있음을 인식해야 한다. 따라서, 애셋들의 (예를 들어, 다중-단계 제조 프로세스의 일부로서의) 전달과 관련된 성능을 추적하기 위한 합성 심볼은 C_α;N->N' 로 판독할 수 있다.

자율적인 툴 복합체의 성능은, 제품 수율의 펑션으로서 수행될 수 있다. 그러한 수율은 또 다른 복합체를 랭킹시키는데 이용된다. 일 양태에서, 자율적인 학습 시스템 (360) 은, 각각의 자율적인 툴 또는 자율적인 그룹 툴로부터의 출력 애셋들에 적어도 부분적으로 기초하여 수율에 대한 모델을 개발할 수 있다. 예를 들어, 반도체 제조에서 이용되는 툴들 또는 툴들의 그룹에 대하여, 웨이퍼 두께, 디바이스 균일도, 불순물 (예를 들어, 외인성 및 내인성 도펀트 농도) 농도, DI CD, FI CD 등의 펑션으로서 수율이 표현될 수 있다. 또한, 특히, 툴 복합체 시스템들 (예를 들어, 1320₁ 내지 1320_Q) 을 포함하는 자율적인 학습 시스템들에서 수율에 대한 모델을 결정하는데 다른 수율 메트릭이 사용될 수 있고, 여기서, 출력 애셋들은 복합체들 사이에서 전달될 수 있으며, 그 다른 수율 메트릭은, 전체 장비 효율도 (OEE), 사이클 시간 효율도, 정시-전달 레이트, 용량 이용도 레이트, 재작동 레이트, 기계 라인 수율, 프로브 수율 및 최종 테스트 수율, 애셋 생산 볼륨, 시작 또는 램프업 (ramp up) 성능 레이트 등을 포함한다. 상기 수율 메트릭과 관련한 조정들에 관해 액터들 (390₁ 내지 390_Q) 과 통신하거나 프로세스들을 재설계하기 위해, 자율적인 툴 복합체의 세트의 동작을 지원하는 자율적인 시스템이 수율 메트릭 사이의 관계들을 자율적으로 식별할 수 있음을 유의한다.

상술된 수율 펑션은, 특정 수율을 유도할 시의 영향력 또는 가중치의 정도에 따라 그룹 레이어 출력들을 랭킹시키기 위해 정적 및 동적 분석 (예를 들어, 시뮬레이션) 의 조합을 통해 분석될 수 있다. 애셋 출력 또는 수율을 달성할 시의 영향력에 부분적으로 기초하여 그룹-레이어-출력 레벨에서 툴들, 툴들의 집합 또는 복합체들을 랭킹시키는 것이, 그룹내의 툴들의 각각 또는 복합체내의 그룹과 관련된 자율적인 시스템들을 통해 특정한 툴이 수율 저하에서의 주요한 툴로서 격리될 수 있는지를 자율적으로 식별하도록 그룹 또는 집합체의 자율적인 학습 시스템 (360) 을 수여할 수 있음을 유의한다. 그러한 툴이 위치될 경우, 그룹 또는 복합체 레벨 자율적인 시스템 (360) 은, 성능 열화에 대한 후보자들일 수 있는 고장들을 랭킹시키는 것에 대한 정보로 유지보수 부서에 경고를 이슈할 수 있다.

또한, 최저의 랭크의 자율적인 툴 복합체에 대한 수율은, 수율에 대한 그것의 영향에서 주요한 툴 그룹의 그룹 레이어 출력들을 식별하는데 이용될 수 있다. 그러한 툴-그룹에 대한 고장-수명은, 불량한 성능의 원인(들)을 식별하기 위해 또 다른 자율적인 복합체들에서 실질적으로 동일한 툴 그룹들과 비교될 수 있다. 또한, 자율적인 툴 복합체 시스템은, 또 다른 툴 복합체내의 특정한 툴 그룹 내에서 툴들을 랭킹시킨다. 자율적인 툴 복합체들 (예를 들어, 1320₁ 내지 1320_Q) 의 그룹을 지원 및 분석하는 자율적인 학습 시스템이 각각의 복합체에 대한 추론된 고장-수명에 따라 복합체들 각각을 랭킹시킬 수 있음을 유의한다. 고장-수명이, 예를 들어, 입력/출력 애셋 (예를 들어, 애셋 (358)) 로드의 관점에서 동작 시간 간격에 걸쳐 변할 수 있으므로, 고장-시간 견적을 갖는 데이터베이스가 특정된 시간 주기 (예를 들어, 매주, 매달, 분기별, 또는 매년) 로 업데이트될 수 있다.

또한, 그룹 툴의 불량한 성능에 주로 책임이 있는 개별 툴 (예를 들어, 균일한 도핑 농도 또는 균일한 표면 반사 계수와 같은 품질의 특정된 타겟 속성들을 갖는 애셋들을 출력하기를 가장 빈번하게 실패하는 툴과 같이, 그룹 툴내의 성능에서 최저를 랭킹시키는 툴) 이 식별될 경우, 최저의 성능 툴, 또는 그러한 불량한 성능 툴을 포함하는 복합체 시스템과 관련된 자율적인 시스템은, 최저의 성능 그룹의 출력에 가장 현저하게 영향을 주는 이들 출력들을 식별하기 위해 툴의 출력들을 분석할 수 있다. 예를 들어, 상기 예시된 바와 같이 낮은 균일도를 갖는 애셋들을 출력하는 툴 그룹 또는 복합체에서의 툴은, 툴 그룹 균일도 변화 (예를 들어, 고품질 디스플레이 상의 코팅들의 표면 반사율에 대한 균일도 이슈들로 인한 광학 디스플레이의 표면 반사율의 균일한 변화에서의 변경) 의 실질적인 퍼센트 (예를 들어, 60%) 를 유도할 수 있다. 이를 위해, 일 양태에서, 그룹내의 각각의 출력에 대해, 툴 자율적인 시스템은, 툴 애셋들 (예를 들어, 입력들, 레시피들, 및 프로세스 파라미터들, 툴 오퍼레이터 또는 액터 등) 의 펑션으로서 툴 출력을 표현하는 펑션을 구성한다. 그 후, 이러한 모델은 불량한 성능에서의 주요 인자들을 식별하기 위해 분석된다. 자율적인 시스템이, 그룹 툴에서의 최상의 성능 툴들을 식별할 수 있고, 최상의 성능을 갖는 툴을 초래하는 원인들을 분석할 수 있음을 유의하며, 예를 들어, 동작 동안의 툴의 진공 레벨은 그룹 툴내의 또 다른 툴들의 진공 레벨보다 일관적으로 더 낮거나, 에피텍셜 증착 동안 최상의 성능 툴내의 웨이퍼는 증착을 수행하는 또 다른 툴에서보다 더 낮은 속도로 회전하며, 따라서, 툴은 더 큰 디바이스 품질을 일관적으로 달성한다. 최고의 랭킹 및 최저의 랭킹 툴들에서의 그러한 인자들은, 복합체 시스템의 다른 툴들의 동일한 파라미터들과 비교될 수 있다. 최고의 및 최저의 랭킹 성능의 근본적인 원인들로서 식별된 인자들이 툴 복합체 시스템 전반에 걸쳐 실질적으로 동일하게 나타난다고 비교가 나타내는 경우, 그 후, 새로운 모델이 개발될 수 있고, 대안적인 근본 원인들이 식별될 수 있다. 모델 개발 및 검증의 그러한 반복적인 자율적인 프로세스들은, 근본적인 원인들이 식별되고 최상의 실행이 에뮬레이트되며 (예를 들어, 툴 복합체 (1320p) 에서 이용된 코팅 레시피는, 그것이 특정한 설계가능 마진에 의해 출력 애셋 성능을 증가시키는 관점에서 실질적으로 모든 툴 복합체들에서 채용된다), 낮은 성능에 대한 근본적인 원인들이 완화될 (예를 들어, 페인팅 터널의 동작 온도에서 그것의 점성이 페인팅된 제품들의 비-균일한 채색을 초래하는 특정 브랜드의 페인트를 포기함) 때까지 계속될 수 있다. 툴들, 툴들의 그룹, 또는 툴들의 복합체의 랭킹은 자율적이며, 단일 자율적인 툴 시스템 (예를 들어, 시스템 (360)) 에서와 실질적으로 동일한 방식으로 진행한다. 자율적인 툴들의 복합체의 동작을 지원하는 자율적인 시스템들은, 그러한 자율적인 복합체들을 그의 내부 구조의 복잡도와 관계없이 단일의 컴포넌트로서 고려하며, 이는, 그 복합체와 관련된 자율적인 시스템을 통해 액세스 및 관리될 수 있다.

도 14는, 상술된 툴 시스템들, 예를 들어, 개별의 자율적인 툴 (360), 자율적인 그룹 툴 (1200), 및 자율적인 복합체 툴 (1300) 의 클래스들 사이의 모듈 방식 및 귀납적인 커플링을 도시한 다이어그램 (1400) 이다. 자율적인 시스템 (1400) 에서, 목적들, 콘텍스트들, 및 애셋들은, 축 게이트웨이로서 나타낸 지식 네트워크 (375) 를 통해 순환하며, 또 다른 자율적인 툴 시스템들 (360, 1200, 및 1300) 에 운반된다. 그러한 정보 및 애셋들은, 각각의 자율적인 시스템 상에서 작동되고, 작동들은 새로운 정보 및 애셋들의 분석, 변형, 생성을 포함할 수 있으며, 그러한 작동들은, 자율적인 시스템들 (360, 1200, 1300) 의 각각의 표현의 외부 벨트 상의 화살표로서 도식적으로 나타낸다. 프로세싱된 및 생성된 애셋들은, 자율적인 시스템 사이에서 순환될 수 있는 지식 네트워크 (375) 에 운반된다. 다이어그램 (1400) 에서, 애셋들의 프로세싱 및 생성은 방위각으로 발생하는 것으로 표현되지만, 애셋들의 전달은 방사상의 프로세스이다. 다이어그램 (1400) 이 나타낸 바와 같이, 자율적인 툴 시스템들은, 실질적으로 동일한 방식으로 기능하는 실질적으로 동일한 엘리먼트들에 기초한다.

도 15는, 애셋 생성을 위한 멀티-스테이션 프로세스를 평가하고 그에 대해 리포트하는 예시적인 시스템 (1500) 을 도시한다. 자율적인 생물학 기반 학습 시스템 (360), 액터 (390), 및 관련 상호작용 컴포넌트 (330) 를 포함하는 자율적인 시스템 (1505) 은, N-스테이션 프로세스 (1510) 에서 기원하는 애셋(들) (328) 을 수신 및 운반할 수 있고, 백워드 체이닝 (backward chaining) 을 통해 성능을 평가할 수 있다. N-스테이션 프로세스는, 출력 (1520) 을 생성하고, 개별의 자율적인 툴들 (360), 자율적인 툴 그룹들 (1220), 또는 자율적인 툴 복합체들 (1320) 을 포함할 수 있는 N개의 프로세스 스테이션들 (1510₁ 내지 1510_N) 의 세트를 통해 달성된다. 성능 평가(들)의 결과로서, 자율적인 시스템 (1508) 은, 성능 열화의 특정한 정도로 프로세스 스테이션들 (1510₁ 내지 1510_N) 에서 툴들 또는 툴들의 그룹을 위치시킬 수 있다. 또한, 선택된 스테이션에 대해, 자율적인 시스템 (1508) 은, 평가 리포트, 수리(들) 리포트, 또는 유지보수 스케줄을 제공할 수 있다. 또 다른 프로세스 스테이션들이 실질적으로 동일한 동작들을 수행할 수 있음을 인식해야 하며, 그러한 시나리오는, 추가적인 프로세싱을 위해 애셋 (1515) 이 생성되고 또 다른 툴 또는 툴들의 그룹으로 전달된 이후에, 추가적인 프로세싱을 위해 특정 툴 또는 툴 그룹으로 출력 애셋 (1515) 이 리턴되는 상황을 반영할 것이다.

백워드 체이닝에서, 출력을 유도하는 액션 흐름 (예를 들어, 프로세스 흐름 (1530)) 은, 통상적으로, 그 액션 흐름을 통상적으로 평가하는 프로브 흐름 (예를 들어, 평가 흐름 (1540)) 을 카운터 (counter) 한다. 따라서, 일반적으로, 평가는 상하 (top-bottom) 방식으로 발생하며, 여기서, 평가는 특정 액션, 예를 들어, 완료된 애셋 출력 (1250) 의 고레벨 스테이지에 대해 수행되고, 특정 액션의 완료 이전에 특정 스테이지에 대한 평가에 포커싱하는 탐색으로 저레벨 스테이지들로 진행한다. 자율적인 시스템 (1504) 에 의해 적용되는 바와 같이, 출력 애셋 (1520) 은 프로세스 스테이션 N (1510_N) 을 통해 수신된다. 도면부호 (1546) 에 의해 도시된 바와 같이, 자율적인 시스템 (1504) 은, 프로세스 스테이션 (1510_N) 의 실질적으로 모든 동작 컴포넌트들 (예를 들어, 툴, 그룹 또는 복합체 툴) 에 대해, 기대된 성능에 적어도 부분적으로 기초하여, 특정 열화 벡터 (미도시) 를 유도하는 성능 메트릭

의 세트를 평가할 수 있다. 또한, 프로세스 (1530) 에서, 출력 애셋들 (예를 들어, 애셋들 (1515)) 이 또 다른 지리적 영역들을 통해 전달될 수 있고, 따라서, 자율적인 시스템 (1504) 에 의해 평가된 열화 벡터가 부분적으로 완료된 애셋 (1515) 을 유도하는 프로세스의 진행중 (in-transit) 부분과 관련된 메트릭을 포함할 수 있음을 인식해야 한다. 예를 들어, 프로세스 (1530) 가 차량 에어백 배치에 대해 가속도계를 고려할 경우, 운반된 가속도계에서의 기계적인 피스들은, 프로세스 (1530) 에 개시된 루트를 이용하기 보다는 가속도계들을 전달하기 위한 대안적인 루트를 이용하는 결과로서, 손상을 입을 수 있다. 그러한 평가의 결과(들) (1549) 가 N-스테이션 출력 (1520) 이 결함있다고 나타낼 경우, 자율적인 시스템 (1504) 은 프로세스 스테이션 N 과 관련된 결함있는 툴, 또는 툴들의 그룹을 격리시키고, 리포트 (예를 들어, 평가 리포트 (1550), 수리(들) 리포트 (1560), 또는 유지보수 스케줄 (1570)) 를 생성한다. 생성된 리포트(들)는 하나 이상의 액터들 (예를 들어, 액터들 (390₁ 내지 390_Q)) 에 의해 이용될 정보를 포함할 수 있다. 또한, 리포트들은, 성능에 관한 이슈들, 특히, 통상적으로 광범위하게 이용가능한 데이터로부터 이익을 얻을 수 있는 자율적으로 개발된 솔루션에 관해 액터의 개입이 선호될 수 있도록 드물게 발생하는 이슈들에 대한 솔루션 (또는 "픽스") 들의 레가시 (legacy) 를 생성하도록 저장될 수 있다. 또한, 리포트들의 이용가능도는, 실패한 시뮬레이션들 또는 실패한 에피소드의 포렌식 (forensic) 분석을 용이하게 할 수 있으며, 이는 적어도 2개의 레벨들, 즉, (a) 장비의 복잡도와 동등하지 않은 배경으로 액터에 의해 장비의 동작으로부터 발생하는, 자율적인 시스템 (360) 에 의해 시뮬레이션될 수 있는 드문 조건하에서 고장날 값비싸고 드물게 고장나는 장비가 예측될 수 있음, (b) 평가 리포트들 (1550) 및 수리 리포트들 (1560) 에 저장된 이력 데이터에 적어도 부분적으로 기초한 다양한 고장 시나리오의 예측을 통한 부품 인벤토리의 최적화에서 제조 비용을 감소시킬 수 있다.

프로세스 스테이션 N (1510_N) 의 결과들 (1549) 이 결함없는 툴 또는 툴들의 그룹을 산출하는 경우, 부분적으로 프로세싱된 출력 애셋 (1515) 을 생성하고, 출력 (1520) 을 생성하기 위한 프로세스 사이클 (1530) 의 일부인 저레벨 프로세스 스테이션 N-1 (1510_N-1) 에 대해 평가가 수행된다. 또 다른 성능 메트릭

의 세트의 분석을 통해, 열화도가 추출될 수 있고, 관련 툴 또는 툴들의 그룹 (예를 들어, 복합체 C) 이 위치될 수 있다. 자율적인 툴들 또는 자율적인 툴들의 그룹, 또는 개별의 자율적인 툴의 결함없는 복합체가 존재하는 인스턴스에서, 자율적인 시스템 (1504) 은, 최종 출력 (1520) 에서 불량한 성능의 소스들을 위치시키기 위한 오브젝트로 백워드 상하 평가 흐름 (1540) 을 계속한다.

도 16은, 툴 복합체 시스템에 의해 자율적으로 생성된 출력 애셋들을 분배시킬 수 있는 예시의 자율적인 시스템 (1600) 의 블록도이다. 시스템 (1600) 에서, 툴 복합체 (1320_Q) 는, (i) 툴 복합체 시스템 (1320_Q) 를 구성할 수 있는 하나 이상의 툴들의 성능 열화 조건을 포함하는 상태에 관해 수집되거나 추론된 정보 (예를 들어, 구조들 및 데이터 패턴들, 자율적인 툴 복합체 (1320_Q) 를 구성하는 유사한 또는 또 다른 툴 그룹들에서의 기존의 열화 에피소드 또는 조건에 대한 교정수단 (remedy) 와 같은 측정된 변수들 사이의 관계 등), 또는 (ii) 상기 복합체에 의해 제조된 출력 제품일 수 있는 출력 애셋들 (1610) 의 세트를 자율적으로 생성할 수 있다. 또한, 시스템 (1600) 에서, 출력 애셋들 (1620) 은 애셋 선택기 (1620) 에 의해 필터링될 수 있고, 분배 컴포넌트 (1630) 에 운반 또는 전달될 수 있다. 그러한 분배 컴포넌트 (1630) 는 자율적인 생물학 기반 학습 시스템 (360) 의 지능형 양태들을 활용할 수 있다. 분배 컴포넌트 (1630) 는, 데이터를 준비할 수 있는 패키징 컴포넌트 (1645) 및 암호화 컴포넌트 (1655) 를 조작할 수 있는 관리 컴포넌트 (1635) 뿐만 아니라 스케줄러 (1665) 및 애셋 모니터 (1675) 를 포함한다. 패키징 컴포넌트 (1645) 는 분배 프로세스 동안 분배될 애셋을 준비할 수 있으며, 그러한 준비는 손상 예방 및 손실 예방을 포함할 수 있다. 정보 (예를 들어, 임계값을 초과하는 온도와 같은 부품 사양 외부의 동작의 결과로서 개발되는 시스템 원치않는 조건과 같은 에피소드 메모리 (530) 에서의 이벤트) 또는 데이터 애셋에 대해, 패키징 컴포넌트 (1645) 는, 분배될 애셋의 의도된 수신에 적어도 부분적으로 의존하는 정보를 제공하기 위한 특정 포맷들을 수정할 수 있다. 예를 들어, 소유 정보가 추상적일 수 있으며, 특이성 (예를 들어, 가스들의 명시적인 명칭들이 "가스" 라는 단어로 교체될 수 있으며, 특정한 파라미터들 사이의 관계들은, "p(O₂)＜10^-8 Torr" 가 "p(gas)＜10^-8 Torr" 로서 패키징될 수 있는 바와 같이 변수들 사이의 관계에 일반화될 수 있다) 없이 제공될 수 있다. 또한, 패키징 컴포넌트 (1645) 는, 애셋 송신 및 의도된 수신지에서의 애셋 복원 동안 정보 무결성 (integrity) 을 보장하기 위해 암호화 컴포넌트 (1655) 를 활용할 수 있다.

또한, 일 양태에서, 관리 컴포넌트 (1635) 는, (i) 분배되도록 스케줄링된 애셋들 또는 분배되었던 애셋들을 통상적으로 포함하는 애셋 스토어 (1683); (ii) 특정 애셋들의 분배 또는 완료에 관련된 상업적인 파트너들을 포함하는 파트너 스토어 (1686); (iii) 선택된 애셋이 분배되었거나 분배될 수 있는 현재, 과거 또는 미래의 소비자들을 포함할 수 있는 소비자 스토어 (1689); (iv) 라이센싱, 소비자 지원 및 관계, 애셋 패키징을 위한 절차, 스케줄링 절차, 지적 재산의 주장 등과 같은 애셋들의 분배에 관련된 양태들을 결정할 수 있는 정책 스토어에 액세스할 수 있다. 정책 스토어에 포함된 정보가, 자율적인 생물학 기반 학습 시스템에 의해 학습 또는 생성되는 지식, 예를 들어, 정보 애셋에 적어도 부분적으로 기초하여 동적으로 변할 수 있음을 인식해야 한다.

일단 능동 또는 수동인 RFID 태그 또는 바코드 (예를 들어, 2차원 코드, Aztec 코드 등) 와 같은 모니터링 디바이스를 패키지에 부가하는 것을 포함할 수 있는, 애셋이 패키징되고, 분배를 위해 스케줄링되면, 분배의 레코드가 저장될 수 있거나, 애셋이 데이터 애셋이면, 애셋의 카피가 저장될 수 있다. 그 후, 애셋은 또 다른 자율적인 툴 복합체 P (1320_P) 에 전달될 수 있다.

도 17은, 애셋 (예를 들어, 종료된 제품, 부분적으로 종료된 제품, ...) 에 대해 설계로부터 제조 및 마케팅까지의 자율적으로 결정된 분배 단계들의 일 예를 도시한다. 6각형 셀 (1710) 은 특정한 지리적 영역 (예를 들어, 도시, 군, 주, 하나 이상의 국가들) 을 나타내며, 여기서, 자율적인 툴 복합체들의 2개의 클래스, 예를 들어, "원형" 복합체들 (1720, 1730, 1740, 1750, 및 1760) 및 "정방형" 복합체 (1765 및 1775) 는 제품들 또는 애셋들의 세트의 제조 체인에 참가한다 (지리적인 영역이 6각형 셀 이외에 실질적으로 임의의 경계 영역을 포함할 수 있음을 유의한다). 제한이 아닌 예시적인 시나리오로서, 애셋의 제조는, 고산 스포츠 (예를 들어, 스키, 등산, 패러글라이딩 등) 에 대한 광학 관리를 위한 소비자-제조 고체 상태 디바이스들에 대한 설계를 제공하는 복합체일 수 있는 복합체 (1720) 에서 시작한다. 설계는, 소스 재료들 및 그들의 조합들의 광학 속성들의 계산 시뮬레이션 뿐만 아니라 디바이스 시뮬레이션을 수행하는데에 존재할 수 있다. 그러한 인스턴스에서, 복합체 (1720) 는, 자율적인 툴 그룹들 (도 12) 의 세트로서 본 발명의 예에서 해석될 수 있는 대규모 병렬 슈퍼컴퓨터일 수 있으며, 여기서, 시뮬레이션 컴퓨터들의 네트워크의 각각의 컴퓨터는 자율적인 툴 그룹으로 고려된다. 복합체 (1720) 는 광학 디바이스의 하나 이상의 설계들, 및 디바이스들의 디스크립션과 관련된 일련의 리포트들, 예를 들어, 데이터 애셋을 출력한다. (예를 들어, 컴포넌트에 걸친) 적절한 암호화 및 패키징 이후, 그러한 출력 또는 애셋 (미도시) 은, 무선 링크일 수 있는 통신 링크 (1724) 를 통해 복합체 (1730) 에 운반될 수 있다.

복합체 (1730) 는 데이터 애셋을 수신할 수 있고, 비-제한적인 예로서, 그 수신 애셋에 따라 고체-상태 디바이스를 제조하기 위한 증착 프로세스를 개시한다. 이를 위해, 복합체 (1730) 는 복합체 (1740) 와 제휴할 수 있으며, 그 양자는 2-복합체 자율적인 복합체 툴 (1310) 의 일부인 제조 설비들로서 고려될 수 있다. 일단, 테스트될 수 있고 품질 및 성능 메트릭을 할당받을 수 있는 디바이스가 제조되면, 그러한 복합체들은 수신 사양 애셋에 따라 다수의 디바이스들을 생성할 수 있으며, 그러한 메트릭은 복합체들 (1730 및 1740) 에 진입하는 자율적인 툴들 사이의 위치된 "불량한 수행자" 에 대한 백워드 체이닝을 유도할 수 있다. 다수의 메트릭의 결정을 통하여, 디바이스 또는 출력 애셋의 생성을 최적화하기 위해 복합체들 (1720 및 1730) 의 동작을 자율적으로 조정하는 것이 가능하다. 링크 (1724) 가 내부 링크를 나타냄을 유의하며, 여기서, 복합체들 (1730 및 1740) 은 동일한 제조 플랜트의 부분이고, 따라서, 차량 전달 루트를 제공하는 링크 (1724) 를 이용할 경우와는 실질적으로 상이한 조건에서 애셋이 전달될 수 있다. 링크 (1744) 는, 또 다른 지리적인 위치에서 상업적인 패키징을 위해 선박 디바이스들에 이용될 수 있다 (그러한 전달은 유리한 패키징 비용, 노련한 노동자, 회사 세금 인센티브 등에 의해 자극을 받을 수 있다). 적시의 비용 효율적인 전달을 보장하기 위해, 복합체 (1740) 에서의 자율적인 학습 시스템이 (예를 들어, 스케줄러를 통한) 선적 시간 및 루트 (예를 들어, 링크 (1744)) 를 최적화할 수 있음을 인식해야 한다. 복합체 (1750) 에서, 복합체 (1760) 에서의 애셋이 무선 링크를 통해 패킹되고 원격으로 테스트된다. 일 양태에서, 테스트된 디바이스들의 볼륨 및 디바이스가 테스트된 로트들은 복합체 (1760) 내의 자율적인 시스템에 의해 결정될 수 있다. 일단 패킹된 디바이스들이 상업화를 위해 승인되면, 애셋은 로드 링크 (1744) 를 통해 복합체 (1740) 에 선적되고, 후속하여, 로드 링크 (1770) 를 통해 복합체 (1775) 의 또 다른 클래스에 선적된다. 그러한 복합체는 파트너 벤더 (vendor) 일 수 있으며, 복합체 (1775) 는 저장 웨어하우스일 수 있고, 툴 그룹 복합체로 고려될 수 있다. 그러한 복합체는, 수신된 애셋들에 대한 쇼룸일 수 있는 복합체 (1765) 에 내부적으로 링크된다.

상술되고 제공된 예시적인 시스템들의 관점에서, 개시된 사항에 따라 구현될 수도 있는 방법은, 도 18, 도 19, 및 도 20의 흐름도를 참조하여 더 양호하게 인식될 것이다. 설명의 간략화를 위해 방법은 일련의 블록들로서 도시되고 설명되었지만, 몇몇 액트들이 여기에 설명되고 도시된 다른 블록들과 상이한 순서들 및/또는 동시에 발생할 수도 있으므로, 개시된 양태들이 액트들의 수 또는 순서에 의해 제한되지 않음을 이해 및 인식할 것이다. 또한, 모든 도시된 액트들이 이후 설명되는 방법들을 구현하는데 요구되지 않을 수도 있다. 블록들과 관련된 기능이 소프트웨어, 하드웨어, 이들의 결합 또는 임의의 다른 적절한 수단 (예를 들어, 디바이스, 시스템, 프로세스, 컴포넌트) 에 의해 구현될 수도 있음을 인식할 것이다. 또한, 이후 개시되고 본 명세서 전반에 걸쳐 개시되는 방법들이, 그러한 방법들의 다양한 디바이스들로의 전달 및 운반을 용이하게 하기 위해, 제조품 상에 저장될 수 있음을 추가적으로 인식해야 한다. 당업자는, 상태 다이어그램에서와 같이 방법이 일련의 상호관련된 상태들 또는 이벤트들로서 대안적으로 표현될 수 있음을 이해 및 인식할 것이다.

도 18은 콘텍스트 목적 조정을 갖는 생물학 기반 자율적인 학습을 위한 예시적인 방법 (1800) 의 흐름도를 제공한다. 액트 (1810) 에서, 목적이 확립된다. 목적은, 그 목적 또는 목표를 달성하는데 이용되는 목적 컴포넌트의 기능과 관련된 추상화이다. 목적은 멀티-규율적일 수 있고, 다양한 섹터들 (예를 들어, 산업, 과학, 문화, 정치 등) 에 퍼져있을 수 있다. 일반적으로, 액트 (1810) 는, 학습 시스템에 커플링될 수 있는 목적 컴포넌트 (예를 들어, 적응적 추론 엔진) 에 대해 외부 또는 외인성일 수 있는 액터에 의해 실행될 수 있다. 목적의 멀티-규율적 속성의 관점에서, 목적 컴포넌트는, 다수의 기능들을 소유하는 툴, 디바이스, 또는 시스템, 예를 들어, 특정한 프로세스를 수행하는 툴 시스템 (예를 들어, 툴 시스템 (310)), 또는 요청들의 세트에 대한 특정 출력을 제공받는 디바이스 등일 수 있다. 액트 (1820) 에서, 데이터가 수신된다. 그러한 데이터는 내인성일 수 있으며, 예를 들어, 목적을 추구하는 목적 컴포넌트 (예를 들어, 컴포넌트 (120)) 에서 생성된 데이터일 수 있다. 일 양태에서, 특정한 프로세스를 수행하는 일부로서, 툴과 관련된 센서들 또는 프로브들의 세트는, 적응적 지능 컴포넌트에서 수신된 데이터를 수집할 수 있다. 또한, 수신된 데이터는, 휴먼 에이전트 또는 머신일 수 있는 액터 (예를 들어, 액터 (190)) 에 의해 운반된 데이터와 같이 외인성일 수 있다. 외인성 데이터는, 프로세스를 구동시키거나, 일반적으로는 특정 목적의 달성을 구동시키기는데 이용되는 데이터일 수 있다. 휴먼 에이전트는 툴 시스템의 오퍼레이터일 수 있으며, 그 툴에 의해 수행된 프로세스들과 관련된 명령들 또는 특정 절차들을 제공할 수 있다. 액터의 일 예는 툴 시스템의 시뮬레이션을 수행하는 컴퓨터, 또는 실질적으로 임의의 목적 컴포넌트일 수 있다. 툴 시스템의 시뮬레이션이, 툴 시스템에 대한 배치 파라미터들을 결정하거나, 그 툴에 대한 동작의 대안적인 조건들 (예를 들어, 휴먼 에이전트에 위험을 나타낼 수 있거나 값비쌀 수 있는 동작들의 조건들) 을 테스트하기 위해 이용될 수 있음을 인식해야 한다. 수신된 데이터는, 특정 프로세스, 일반적으로는 특정 코드와 관련된 제조 데이터 또는 트레이닝 데이터일 수 있다.

또 다른 양태에서, 수신된 데이터는 데이터 타입들 또는 절차 또는 펑션 유닛들과 관련될 수 있다. 데이터 타입은 실제 데이터의 고레벨 추상화이며, 예를 들어, 어닐링 사이클의 범위 동안 온도가 프로그래밍된 레벨로 제어될 수 있는 툴 시스템에서의 어닐링 상태에서, 툴 시스템 내의 온도 센서에 의해 측정된 온도값들의 시간 시퀀스는 관련 시퀀스 데이터 타입일 수 있다. 펑션 유닛들은, 툴의 동작 또는 툴에 의해 생성된 데이터를 분석하는데 필요한 데이터를 조작하는 프로세싱 코드 패치들 또는 수신된 명령들의 라이브러리들에 대응할 수 있다. 펑션 유닛들은 유닛의 특정 기능에 관련된 개념들로 추상화될 수 있으며, 예를 들어, 승산 코드 단편은 승산 개념으로 추상화될 수 있다. 단일 개념이 승산(시퀀스), 승산(매트릭스), 또는 승산(상수, 매트릭스)와 같은 복수의 데이터 타입들에 의존하여 수행될 수 있다는 점에서, 그러한 개념은 오버로드될 수 있다. 또한, 펑션 유닛들과 관련된 개념들은, 독립 변수에 대해 2개의 벡터들의 스칼라 곱의 도함수를 나타내는 개념을 예시할 수 있는 derivative(scalar_product(vector, vector)) 과 같은 펑션 유닛들과 관련된 다른 개념들을 상속받을 수 있다. 펑션 개념들이 그들 자체가 개념들인 클래스들과의 직접적인 유사점을 가짐을 인식해야 한다. 또한, 데이터 타입들은 우선순위와 관련될 수 있으며, 그 우선순위에 따라 시맨틱 네트워크에 배치될 수 있다. 유사하게, 펑션 개념들 (또는 오토봇들) 이 또한 우선순위와 관련될 수 있으며, 또 다른 시맨틱 네트워크에 배치될 수 있다. 개념 우선순위들은 동적이며, 시맨틱 네트워크들에서 개념 활성화를 용이하게 할 수 있다.

액트 (1830) 에서, 수신된 데이터로부터 지식이 생성되며, 상술된 바와 같이 시맨틱 네트워크에서 표현될 수 있다. 지식의 생성은, 시맨틱 네트워크에서의 활성화를 전파함으로써 달성될 수 있다. 그러한 전파는, 스코어 결합 이외에 개념에 할당된 상황 스코어에 의해 결정될 수 있다. 일 양태에서, 2개의 스코어들의 가산 또는 2개 이상의 스코어들의 평균인 스코어 결합이 가중될 수 있다. 툴 시스템 조건 또는 외부 액터로부터 수신된 정보 입력에 의존하여, 스코어 결합에 대한 법칙이 필요에 따라 변형될 수 있음을 인식해야 한다. 신규한 개념들로 하여금 더 관련있게 하여 거의 활성화되지 않은 개념들로 하여금 쇠퇴하게 하기 위해 시간이 진행함에 따라 우선순위가 손상될 수 있음을 인식해야 한다.

생성된 지식은 완전한 정보일 수 있으며, 예를 들어, 증착 단계에서의 정상-상태 압력은, 정상-상태 흐름 및 정상 상태 배기 밸브 각도와 같은 2개의 독립 변수들의 정확하고 명확히 정의된 수학 펑션 (예를 들어, 확률적이거나 미지인 것보다는 결정적으로 평가되는 펑션에 입력되는 모든 파라미터들을 갖는 단일-값 펑션) 이다. 대안적으로, 생성된 지식은 부분적인 이해를 나타낼 수 있으며, 예를 들어, 에칭 레이트는 온도에 대한 알려진 펑션 의존성 (예를 들어, 지수적 의존성) 을 소유할 수 있지만, 에칭 레이트와 온도 사이의 특정한 의존성, 예를 들어, 펑션 의존성을 결정하는 파라미터들의 정확한 값들은 알려지지 않는다.

액트 (1840) 에서, 생성된 지식은 추가적인 지식의 자율적인 생성을 위한 후속 이용을 위해 저장된다. 일 양태에서, 지식은 메모리들의 계층에 저장될 수 있다. 계층은, 메모리내의 지식의 영속성 및 부가적인 지식의 생성에 대한 지식의 판독가능성에 대해 결정될 수 있다. 일 양태에서, 계층내의 제 3 계층은 에피소드 메모리 (예를 들어, 에피소드 메모리 (530)) 일 수 있으며, 여기서, 수신된 데이터의 임프레션 및 지식이 수집될 수 있다. 그러한 메모리 계층에서, 개념들의 조작은 현저하지 않으며, 그 메모리는 툴 시스템 또는 외부 액터로부터 수신된 이용가능한 정보의 저장부로서 대신 기능한다. 일 양태에서, 그러한 메모리는, 다수의 데이터 타입들 및 절차 개념들이 저장될 수 있는 메타데이터베이스로서 식별될 수 있다. 제 2 계층에서, 지식은 숏텀 메모리에 저장될 수 있으며, 여기서, 개념들은 현저하게 조작될 수 있고, 시맨틱 네트워크에서의 확산 활동이 발생할 수 있다. 그러한 메모리 계층에서, 펑션 유닛들 또는 절차 개념들은, 새로운 지식 또는 학습을 생성하기 위해, 수신 데이터 및 개념들에 대해 동작한다. 제 1 계층 메모리는, 지식이 활성 이용도를 위해 보유되는 롱텀 메모리 (예를 들어, LTM (510)) 일 수 있으며, 현저히 새로운 지식이 이러한 메모리 계층에 저장된다. 또한, 롱텀 메모리내의 지식은 숏텀 메모리내의 펑션 유닛들에 의해 이용될 수 있다.

액트 (1850) 에서, 생성된 또는 저장된 지식이 이용된다. 지식은, (i) 저장된 지식과 새로이 수신된 데이터 사이의 차이들을 식별함으로써 (자체-인식 컴포넌트 (550) 참조) 목적 컴포넌트 (예를 들어, 툴 시스템 (310)) 의 열화 레벨을 결정하고, (ii) 예를 들어, 데이터 패턴들을 식별하거나 (자체-개념화 컴포넌트 (560) 에서와 같이) 변수들 사이의 관계를 발견함으로써, 외인성 또는 내인성 데이터 중 어느 하나 또는 그 양자를 특성화하고, 또는 (iii) 예측된 고장들 또는 기존의 고장들에 대한 근본적인 원인의 표시들 뿐만 아니라, 툴 시스템의 열화가 툴 고장을 야기하기 전에 예방적인 유지보수를 구현하기 위해 필요한 수리들 또는 경고들을 제공하여, 데이터를 생성하는 툴 시스템 (예를 들어, 자체-최적화 컴포넌트 (570)) 의 성능의 분석을 생성하기 위해 이용될 수 있으며, 여기서, 그 새로이 수신된 데이터는 외인성 (예를 들어, 입력 (130)) 또는 내인성 (예를 들어, 출력 (140) 의 일부) 일 수 있고, 그 변수들은 확립된 목적을 달성하기 위해 이용될 수 있다. 저장된 및 생성된 지식의 이용이 외인성 또는 내인성인 수신된 데이터 및 그 결과 생성된 지식에 의해 영향을 받는다는 것을 유의한다.

액트 (1860) 는, 목적의 달성 정도가 생성된 지식의 관점에서 검사될 수 있는 검증 액트이다. 확립된 목적이 달성되는 경우, 예시적인 방법 (1800) 은 종료할 수 있다. 대안적으로, 확립된 목적이 달성되지 않으면, 확립된 목적은 액트 (1870) 에서 리뷰될 수 있다. 후자에서, 방법 (1800) 의 흐름은, 현재의 목적이 수정되거나 적응될 경우 새로운 목적을 달성하는 것을 유도할 수 있으며, 예를 들어, 목적 적응은 생성된 지식에 기초할 수 있다. 현재의 목적의 수정이 추적되지 않을 경우, 방법 (1800) 의 흐름은 복귀하여 지식을 생성하며, 이는 현재 확립된 목적을 계속 추적하기 위해 이용될 수 있다.

도 19는 목적 컴포넌트의 상태와 관련된 개념의 상황 스코어를 조정하기 위한 예시적인 방법의 흐름도 (1900) 를 제공한다. 액트 (1910) 에서, 목적 컴포넌트의 상태가 결정된다. 통상적으로, 상태는, 다양한 데이터 입력 (예를 들어, 입력 (130)) 에 의해 결정될 수 있는 콘텍스트, 또는 입력과 관련되고 특정 관계들을 나타내는 개념들의 네트워크를 통해 확립된다. 입력 데이터는 목적 컴포넌트에 의해 추구되는 목적에 관련되며, 예를 들어, 특정 박막 디바이스의 코팅 프로세스에 대한 레시피는 "절연 디바이스를 증착" 이라는 목적과 관련된 입력으로서 고려될 수 있다. 액트 (1920) 에서, 목적 컴포넌트의 상태에 적용될 수 있는 개념들의 세트가 결정된다. 그러한 개념들은 액트 (1910) 에서 입력된 데이터 타입들의 추상화들일 수 있거나, 메모리 플랫폼 (예를 들어, 롱텀 메모리 (510), 또는 숏텀 메모리 (520)) 내의 기존의 개념들일 수 있다. 일반적으로, 설명적 개념들 (예를 들어, 펑션 컴포넌트를 갖지 않는 개념들) 에 대해 기능할 수 있는 펑션 개념들은 목적 달성에 더 빈번하게 이용될 수 있다. 액트 (1930) 에서, 목적 상태와 관련된 개념들의 세트에서의 각각의 개념에 대한 상황 스코어가 결정된다. 상황 스코어들의 세트는 개념 이용 또는 애플리케이션을 위한 계층을 확립하며, 목적 적응성 또는 서브-목적 생성/랜덤화와 같은 목적의 동력을 결정할 수 있다. 특정한 개념들에 대한 상황 스코어들의 조정은, 목적 달성뿐만 아니라 목적 적응의 일부로서 목적 공간내의 전파를 구동시킬 수 있다.

도 20은, 추론을 통해 지식을 생성하기 위한 예시적인 방법의 흐름도 (2000) 를 제공한다. 액트 (2010) 에서, 개념이 데이터 타입에 관련되고 그 개념에 대한 우선순위가 결정된다. 통상적으로, 우선순위들은 개념의 이용도의 확률 또는 개념의 가중치에 기초하여 결정될 수 있다. 그러한 가중치는, 개념을 이용하는 용이성 (예를 들어, 데이터 타입에 대해 동작하기 위한 복잡도) 을 나타낼 수 있는 파라미터들의 펑션 (예를 들어, 가중된 합산, 또는 기하학적 평균) 을 통해 결정될 수 있고, 그러한 파라미터는 개념의 관성 및 상태 (예를 들어, 관련 개념일 수 있는 이웃한 개념들의 수) 를 설명하기 위한 개념의 적합성 파라미터로 식별될 수 있다. 명시적인 시간 의존성 관성 및 적합성 파라미터들의 결과 또는 개념 전파의 결과로서 우선순위가 시간 의존성이라는 것을 인식해야 한다. 시간 의존성 우선순위들은 특정 개념들로 노화 (aging) 양태를 도입할 수 있으며, 따라서, 지식 유연성 (특정 지식 시나리오 (예를 들어, 우선순위-기반 지식 네트워크에서의 노드 구조) 에 관련되는 것을 중지하는 개념들을 통한 지식 (예를 들어, 나노-구조 디바이스의 준비를 위한 레시피와 같이 목적을 추구하기 위해 이용되는 패러다임)) 을 촉진시킬 수 있다. 액트 (2020) 에서, 우선순위화된 개념들의 세트에 대한 시맨틱 네트워크가 확립된다. 시맨틱 네트워크가 다수의 서브-네트워크들을 포함할 수 있음을 인식해야 하며, 여기서, 다수의 네트워크들 각각은 클래스내의 개념들 사이의 관계들의 세트를 특성화할 수 있다. 일 예로서, 2층 시맨틱 네트워크에서, 제 1 서브-네트워크는 데이터 타입들로부터 유도된 개념들 사이의 관계들을 나타낼 수 있지만, 제 2 서브-네트워크는, 데이터 타입에 대해 수정하기 위해 이용될 수 있는 동작들을 설명하는 펑션 개념들 (예를 들어, 플래너 오토봇 또는

, 개념 오토봇) 사이의 관계들을 포함할 수 있다. 액트 (2030) 에서, 우선순위들의 세트는 추론을 행하기 위해 시맨틱 네트워크를 통해 전파되며, 따라서, 개념들의 네트워크와 관련된 지식을 생성한다. 일 양태에서, 그러한 전파는, 목적 적응을 위한 최적화 플랜들을 생성하거나, 특정 목적을 추구하는 시스템에서의 고장을 예측하기 위해 이용될 수 있다.

도 21은 애셋 분배를 위한 예시적인 방법 (2100) 의 흐름도이다. 애셋(들)은, 개별의 자율적인 툴, 자율적인 그룹 툴 (예를 들어, 시스템 (1210)), 또는 자율적인 복합화된 툴 시스템 (예를 들어, 시스템 (1310)) 에 의해 제공될 수 있다. 애셋들이 대안적인 방식으로 또한 생성될 수 있음을 인식해야 한다. 액트 (2110) 에서, 애셋이 수신된다. 일 양태에서, 수신된 애셋은, 하나 이상의 자율적인 툴들에 의해 생성된 출력 애셋(들)로부터 선택되는 애셋일 수 있다. 액트 (2120) 에서, 수신된 애셋은 분배를 위해 프로세싱된다. 상술된 바와 같이, 통상적으로, 애셋은 그 애셋을 생성할 시에 이용되는 지식과 관련된 이점들을 운반하며, 따라서, 애셋은 경쟁자가 그 애셋을 모방 설계 (reverse-engineer) 하는 것을 방지하는 방식으로 패키징될 수 있다. 애셋의 목적지에 의존하여, 애셋에 관련된 정보를 패키징하는 것이 커스텀화될 수 있으며, 그 애셋을 수신하는 엔티티가 상업적인 파트너 또는 소비자 또는 다른 지점, 지구, 또는 그 애셋을 제조하는 조직 그룹인지 여부에 적어도 부분적으로 기초하여 정보의 또 다른 레벨들을 전달함을 인식해야 한다. 애셋과 함께 패키징된 정보의 레벨은 특정 정책들 (예를 들어, 정책 저장부 (1692) 에 저장된 정책들) 을 따를 수 있다. 또한, 데이터 애셋들 또는 컴퓨터 프로그램 애셋들에 대해, 그러한 애셋들은, 그 애셋에 의해 운반되는 정보의 무결성을 유지하기 위해 패키징되는 동안 암호화될 수 있다. 또한, 애셋을 분배하기 위한 프로세싱의 일부는, 적절한 분배 스케줄이 후속하는 동안 저장부 (예를 들어, 애셋 저장부 (1683)) 에 애셋을 유지하는 것을 포함할 수 있다. 일 양태에서, 그러한 스케줄은, 분배될 애셋을 제조 또는 생성하는 툴 시스템을 지원하는 자율적인 시스템 (예를 들어, 시스템 (360)) 에 의해 최적화될 수 있다.

액트 (2130) 에서, 프로세싱된 애셋이 분배된다. 통상적으로, 분배는 애셋 특성들 및 특징들 뿐만 아니라 그 애셋의 목적지에 의존한다. 예를 들어, 어셈블리 라인에서와 같이 애셋 생성을 완료하기 위해 애셋들이 공장 플랜트 내에서 분배될 수 있으며, 여기서, 완료되지 않은 차량 (예를 들어, 애셋) 이 어셈블리의 상이한 스테이지들을 통해 전달될 수 있다. 유사하게, 음식 산업에서, 냉동된 고기 (예를 들어, 애셋) 가 음식 준비 플랜트 전반에 걸쳐 분배된다. 대안적으로 또는 부가적으로, 산업에 의존하여, 완료되지 않은 애셋은, 비용 효율적인 제조 마켓들로부터 이득을 얻기 위해 완료되도록 해외로 분배될 수 있다.

액트 (2140) 에서, 예를 들어, 애셋 분배가 이용가능한 분배 규정에 충실하다는 것을 보장하거나, 애셋의 분배 상태에 액세스함으로써 적절한 인벤토리 보충을 보장하기 위해, 분배된 애셋이 모니터링된다. 또한, 애셋의 분배를 모니터링하는 것은, 손실들 및 손상들을 완화시킬 수 있을 뿐만 아니라 상업적인 파트너들 및 소비자들과의 상호작용을 용이하게 할 수 있다.

여기에 설명된 다양한 양태들 및 특성들은, 표준 프로그래밍 및/또는 엔지니어링 기술들을 사용하여 방법, 장치, 또는 제조품으로서 구현될 수도 있다. 여기에 사용된 바와 같이, "제조품" 이라는 용어는, 임의의 컴퓨터-판독가능 디바이스, 캐리어 또는 매체로부터 액세스가능한 컴퓨터 프로그램을 포함하는 것으로 의도된다. 예를 들어, 컴퓨터 판독가능 매체는, 자성 저장 디바이스들 (예를 들어, 하드 디스크, 플로피 디스크, 자성 스트립들, ...), 광학 디스크들 (예를 들어, 컴팩 디스크 (CD), DVD (digital versatile disk) ...), 스마트 카드, 및 플래시 메모리 디바이스들 (예를 들어, 카드, 스틱, 키 드라이브 ...) 를 포함할 수 있지만, 이에 제한되지는 않는다.

상술된 것은 청구된 사항의 예들을 포함한다. 물론, 청구된 사항을 설명하기 위해 컴포넌트들 또는 방법들의 모든 인식가능한 조합을 설명하는 것이 가능하지는 않지만, 당업자는, 청구된 사항의 많은 추가적인 조합들 및 변형들이 가능함을 인식할 수도 있다. 따라서, 청구된 사항은, 첨부된 청구들의 사상 및 범위내에 있는 모든 그러한 수정들, 변형들 및 변경들을 포함하는 것으로 의도된다. 또한, 용어 "포함하는" 이 상세한 설명 또는 특허청구범위에서 사용되는 경우, 그러한 용어는, 특허청구범위에서 전이어구로서 이용될 경우, "구비하는 (comprising)" 이 해석되는 바와 같이 용어 "구비하는" 과 유사한 방식으로 포괄적으로 의도된다.

Claims (38)

1. 프로세스 목적에 적어도 부분적으로 기초하여 데이터를 분석하고, 수행할 액션을 추론하는 적응적 추론 엔진; 및
   데이터 또는 콘텍스트 변화 중 하나에 적어도 부분적으로 기초하여 상기 프로세스 목적을 전개하는 컴포넌트를 구비하는, 자율적인 생물학 기반 반도체 툴 시스템.
2. 제 1 항에 있어서,
   상기 데이터는 내인성 (intrinsic) 데이터 또는 외인성 (extrinsic) 데이터 중 적어도 하나를 포함하며,
   상기 내인성 데이터는 상기 프로세스 목적을 전개하는 컴포넌트의 기능을 통해 생성되고, 상기 외인성 데이터는 상기 컴포넌트에 의해 수신되는, 자율적인 생물학 기반 반도체 툴 시스템.
3. 제 1 항에 있어서,
   태스크를 수행하는 툴 시스템으로서, 상기 툴 시스템은 상기 태스크를 특성화하는 데이터를 생성하는 센서 컴포넌트를 포함하는, 상기 툴 시스템;
   상기 생성된 데이터를 수신하는 상호작용 컴포넌트로서, 상기 상호작용 컴포넌트는 상기 생성된 데이터를 패키징하고 상기 패키징된 데이터를 운반하는 어댑터를 포함하는, 상기 상호작용 컴포넌트; 및
   상기 패키징된 데이터를 수신하고, 상기 수신된 패키징된 데이터 및 상기 툴 시스템의 성능을 특성화하는 지식을 생성하는 자율적인 학습 시스템을 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템.
4. 제 3 항에 있어서,
   상기 상호작용 컴포넌트는, 외부 액터와의 데이터 교환을 용이하게 하는 상호작용 관리자를 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템.
5. 제 4 항에 있어서,
   상기 생성된 데이터 또는 상기 외부 액터와 교환된 데이터 중 적어도 하나는 트레이닝 (training) 데이터를 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
6. 제 5 항에 있어서,
   상기 트레이닝 데이터는, 상기 태스크와 관련된 툴 변수의 식별자; 상기 태스크와 관련된 2개 이상의 툴 변수들 사이의 펑션 관계들; 상기 태스크에 관련된 툴 변수들의 세트와 관련되고 인과 그래프에 존재하는 사전 확률들의 세트, 및 상기 태스크에 관련된 하나 이상의 툴 변수들에 관련하고 상기 인과 그래프에 존재하는 조건부 확률들의 세트를 포함하는 상기 인과 그래프; 또는 상기 툴 시스템의 작동을 설명하는 파라미터들의 세트 중 적어도 하나를 더 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
7. 제 3 항에 있어서,
   상기 자율적인 학습 시스템은 상기 지식을 저장하는 메모리 플랫폼을 구비하며,
   상기 메모리 플랫폼은 메모리들의 계층을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
8. 제 7 항에 있어서,
   상기 자율적인 학습 시스템은 상기 수신된 패키징된 데이터를 프로세싱하는 플랫폼을 구비하며,
   상기 메모리 플랫폼은 상기 수신된 패키징된 데이터에 대해 동작하는 펑션 유닛들의 세트를 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
9. 제 8 항에 있어서,
   지식 네트워크는, 상기 메모리 플랫폼 내의 상기 메모리들의 계층, 상기 수신된 패키징된 데이터를 프로세싱하는 상기 메모리 플랫폼 내의 펑션 유닛들의 세트, 또는 이들의 조합 사이에서의 통신을 용이하게 하는, 자율적인 생물학 기반 반도체 툴 시스템.
10. 제 7 항에 있어서,
    상기 메모리들의 계층은 롱텀 (long term) 메모리, 숏텀 (short term) 메모리, 및 에피소드 (episodic) 메모리를 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
11. 제 9 항에 있어서,
    상기 펑션 유닛들의 세트는 메모리 플랫폼, 및 데이터를 프로세싱하는 플랫폼을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
12. 제 11 항에 있어서,
    상기 펑션 유닛들의 세트는, 상기 툴 시스템의 열화 조건을 식별하는 적어도 하나의 유닛을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
13. 제 12 항에 있어서,
    상기 툴 시스템의 열화 조건을 식별하는 상기 적어도 하나의 유닛은 데이터의 정준 (canonical) 패턴을 추가적으로 식별하며,
    상기 적어도 하나의 유닛은 상기 데이터의 정준 패턴을 저장하는, 자율적인 생물학 기반 반도체 툴 시스템.
14. 제 12 항에 있어서,
    데이터의 정준 패턴을 식별하는 상기 적어도 하나의 유닛은 데이터의 2개 이상의 정준 패턴들을 비교하는, 자율적인 생물학 기반 반도체 툴 시스템.
15. 제 11 항에 있어서,
    상기 펑션 유닛들의 세트는, 상기 수신된 패키징된 데이터 사이의 관계들의 세트를 식별하는 적어도 하나의 유닛을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
16. 제 11 항에 있어서,
    상기 펑션 유닛들의 세트는, 상기 툴 시스템의 성능 조건을 식별하는 적어도 하나의 유닛을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
17. 제 16 항에 있어서,
    상기 툴 시스템의 성능 조건을 식별하는 상기 적어도 하나의 유닛은, 고장 포인트들의 세트 내의 각각의 고장 포인트에 대한 고장 확률의 전파 및 할당을 통해 상기 고장 포인트들의 세트를 랭킹시키는, 자율적인 생물학 기반 반도체 툴 시스템.
18. 제 10 항에 있어서,
    상기 롱텀 메모리는 개념들의 세트를 저장하며,
    상기 개념들의 세트는, 엔티티, 관계 또는 절차 중 적어도 하나를 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
19. 제 18 항에 있어서,
    상기 개념들의 세트 내의 개념은, 상기 툴 시스템의 현재 상태에 대한 개념 관련성을 나타내는 제 1 수치 속성, 및 상기 개념을 사용하기 어려운 정도를 나타내는 제 2 수치 속성을 포함하는, 자율적인 생물학 기반 반도체 툴 시스템.
20. 제 10 항에 있어서,
    상기 숏텀 메모리에 저장된 콘텐츠는 임시적인, 자율적인 생물학 기반 반도체 툴 시스템.
21. 목적을 확립하는 단계;
    상기 목적과 관련된 데이터를 수신하는 단계;
    상기 수신된 데이터로부터 지식을 생성하는 단계;
    상기 생성된 지식을 저장하는 단계;
    상기 목적이 달성된다는 것 또는 상기 목적이 변경된다는 것 중 적어도 하나를 결정하기 위해, 상기 생성된 지식 또는 상기 저장된 지식을 이용하는 단계; 및
    상기 생성된 지식 또는 상기 저장된 지식으로부터 추출된 콘텍스트에 따라 상기 목적을 변경시키는 단계를 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
22. 제 21 항에 있어서,
    상기 수신된 데이터로부터 지식을 생성하는 단계는,
    상기 목적을 추구하는 컴포넌트의 상태를 결정하는 단계;
    상기 목적을 추구하였던 컴포넌트의 상태에 적용될 수 있는 개념들의 세트를 결정하는 단계; 및
    상기 개념들의 세트 내의 각각의 개념에 대한 상황 스코어를 조정하는 단계를 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
23. 제 22 항에 있어서,
    상기 각각의 개념에 대한 상황 스코어는, 상기 추구된 목적을 개발하기 위해, 상기 개념의 적합성을 나타내는 메트릭, 및 상기 개념을 이용하기 위한 복잡도를 나타내는 메트릭을 적어도 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
24. 제 21 항에 있어서,
    데이터 타입들의 세트에 개념들의 세트를 관련시키는 단계;
    상기 개념들의 세트 내의 각각의 개념에 대해 결정되는 우선순위들의 세트에 따라 상기 개념들의 세트에 대한 시맨틱 네트워크를 결정하는 단계로서, 상기 우선순위들의 세트 내의 우선순위는 상황 스코어를 정의하는, 상기 시맨틱 네트워크를 결정하는 단계; 및
    추론을 행하기 위해 상기 시맨틱 네트워크를 통해 상기 우선순위들의 세트를 전파하는 단계를 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
25. 제 22 항에 있어서,
    시맨틱 네트워크는 우선순위 기반 서브-네트워크들의 세트를 구비하며,
    상기 우선순위 기반 서브-네트워크들은 개념들의 결정된 클래스에 링크되는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
26. 제 25 항에 있어서,
    개념들의 클래스는 적어도 하나의 펑션 개념 클래스를 포함하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
27. 제 23 항에 있어서,
    목적을 개발시키기 위해 개념의 적합성을 나타내는 상기 메트릭은 시간의 평션인, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
28. 제 23 항에 있어서,
    목적을 개발시키기 위해 개념을 이용하는데 있어서의 복잡도를 나타내는 상기 메트릭은 시간의 펑션인, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
29. 제 21 항에 있어서,
    상기 목적은 툴 시스템에 의해 수행되는 프로세스를 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
30. 제 21 항에 있어서,
    상기 생성된 지식 또는 상기 저장된 지식을 이용하는 단계는, 달성될 목적을 최적화하는 단계를 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
31. 제 21 항에 있어서,
    상기 생성된 지식 또는 상기 저장된 지식을 이용하는 단계는,
    상기 자율적인 생물학 기반 반도체 툴 시스템을 유지보수하기 위한 플랜을 연구하는 단계; 및
    상기 연구된 플랜을 실행하는 단계를 더 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
32. 제 31 항에 있어서,
    상기 자율적인 생물학 기반 반도체 툴 시스템을 유지보수하기 위한 플랜을 연구하는 단계는, 근본적인 원인 분석을 수행하는 단계를 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
33. 제 32 항에 있어서,
    상기 연구된 플랜을 실행하는 단계는, 상기 자율적인 생물학 기반 반도체 툴 시스템에 대한 스케줄링된 또는 스케줄링되지 않은 예방적 유지보수 중 적어도 하나를 수행하는 단계를 수반하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
34. 제 33 항에 있어서,
    상기 스케줄링된 또는 스케줄링되지 않은 예방적 유지보수 중 적어도 하나는, 주기적인 간격 또는 애드 혹 인스턴스 중 하나에서 적어도 수행되는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
35. 제 21 항에 있어서,
    상기 목적과 관련된 데이터는, 트레이닝 데이터 세트 또는 생성 데이터 세트 중 적어도 하나인, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
36. 제 21 항에 있어서,
    상기 데이터는 내인성 데이터를 구비하며,
    상기 내인성 데이터는 상기 목적을 추구하는 동안 생성되는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
37. 제 21 항에 있어서,
    상기 데이터는, 상기 목적의 추구에 보조적인 프로세스를 수행하는 동안 생성 또는 수신되는 외인성 데이터를 구비하는, 자율적인 생물학 기반 반도체 툴 시스템에서 학습하기 위한 방법.
38. 컴퓨터에 의해 실행될 경우 상기 컴퓨터로 하여금, 다음의 액트들을 수행하게 하는 명령들의 세트를 구비하는 컴퓨터-판독가능 저장 매체를 포함하는 컴퓨터 프로그램 제품으로서,
    상기 액트들은 자율적인 생물학 기반 툴 시스템에서 학습하는 단계를 포함하고, 그 방법은,
    트레이닝 데이터 및 생성 데이터를 포함하는 데이터를 수신하는 단계;
    상기 수신된 데이터로부터 지식을 생성하는 단계;
    상기 생성된 지식을 저장하는 단계; 및
    상기 생성된 지식 또는 상기 저장된 지식을 이용하는 단계를 구비하는, 컴퓨터-판독가능 저장 매체를 포함하는 컴퓨터 프로그램 제품.

Images