KR20110133497A - 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템 - Google Patents

툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템 Download PDF

Info

Publication number
KR20110133497A
KR20110133497A KR1020117025734A KR20117025734A KR20110133497A KR 20110133497 A KR20110133497 A KR 20110133497A KR 1020117025734 A KR1020117025734 A KR 1020117025734A KR 20117025734 A KR20117025734 A KR 20117025734A KR 20110133497 A KR20110133497 A KR 20110133497A
Authority
KR
South Korea
Prior art keywords
data
component
variables
tool
performance
Prior art date
Application number
KR1020117025734A
Other languages
English (en)
Other versions
KR101609017B1 (ko
Inventor
산지브 카우살
수케쉬 제이 파텔
겐지 스기시마
Original Assignee
도쿄엘렉트론가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 도쿄엘렉트론가부시키가이샤 filed Critical 도쿄엘렉트론가부시키가이샤
Publication of KR20110133497A publication Critical patent/KR20110133497A/ko
Application granted granted Critical
Publication of KR101609017B1 publication Critical patent/KR101609017B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4065—Monitoring tool breakage, life or condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33041—Structure optimization and learning of artificial neural network by genetic algorithm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/37—Measurements
    • G05B2219/37252—Life of tool, service life, decay, wear estimation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

성능 저하 및 미스매치의 분석 및 학습을 위해 이용되는 자율적인 생물학적 기반 학습 툴 시스템(들) 및 방법(들) 이 제공된다. 자율적인 생물학적 기반 학습 툴 시스템은 (a) 특정한 태스크들 또는 프로세스들의 세트를 수행하고 다양한 프로세스들 및 관련 툴 성능을 특징지우는 애셋들에 관련된 데이터 및 애셋들을 생성하는 하나 이상의 툴 시스템들; (b) 데이터를 수신하고 포맷팅하는 상호작용 관리기; (c) 생물학적 학습 원리들에 기초한 자율적인 학습 시스템을 포함한다. 합성 또는 생산 데이터로부터 모아진 객관적으로 생성된 지식이 이용되어 특정한 출력 변수와 관련된 영향 변수들의 세트간의 수학적 관계를 결정할 수 있다. 생성된 관계는 툴들의 세트의 성능 저하, 및 툴들간의 성능 미스매치의 평가를 촉진시킨다.

Description

툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템{METHOD AND SYSTEM FOR DETECTION OF TOOL PERFORMANCE DEGRADATION AND MISMATCH}
관련 출원에 대한 상호-참조
본 출원은 "AUTONOMOUS BIOLOGICALLY BASED LEARNING TOOL" 이라는 명칭으로 2008년 3월 8일자로 출원된 미국 동시 특허 출원 12/044,958 의 일부계속출원이다. 본 출원은 또한 "AUTONOMOUS ADAPTIVE SEMICONDUCTOR MANUFACTURING" 이라는 명칭으로 2008년 3월 8일자로 출원된 미국 동시 특허 출원 12/044,959 와 관련이 있다. 이 특허출원들의 전체는 참조에 의해 본 명세서에서 병합된다.
기술적 진보는 점차 복잡해지는 프로세스-구동 자동화 장비를 야기시켜 왔다. 일반적으로, 특정한 목적을 달성하거나 특정한 고도의 기술적 프로세스를 수행하기 위한 툴 시스템은 목적을 달성하거나 프로세스를 성공적으로 실행하기 위한 다수의 기능적 엘리먼트들, 및 자동화 장비의 동작을 모니터링하기 위해 데이터를 수집하는 다양한 센서들을 포함할 수 있다. 그러한 자동화 장비는 방대한 양의 데이터를 생성할 수 있다. 데이터는 특정 태스크의 일부로서 수행된 생산품 또는 서비스와 관련된 상당한 정보를 포함할 수 있지만, 또한, 프로세스 그 자체의 실행과 관련된 매우 큰 크기의 로그 정보를 포함할 수 있다.
현대의 전자 저장 기술들은 일정하게 증가하는 양의 데이터를 보존은 할 수 있지만, 축적된 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 파워에서의 진보 뿐만 아니라 객체-지향 프로그래밍, 모듈라 코드 재사용, 웹 기반 애플리케이션 및 가장 최근의 양자 컴퓨팅과 같은 컴퓨팅 패러다임에서의 진보 동안, 수집된 데이터의 프로세싱은, 데이터를 처리하는 비-자율적인 정적 프로그래매틱 (programmatic) 엔터프라이즈인 것으로 남아 있다. 더 중요하게는, 비-자율적인 데이터 프로세싱에서, 데이터는 분석 프로세스 그 자체를 구동시키지를 못한다. 이와 같은 데이터 프로세싱 패러다임의 결과로서, 고도의 기술적인 프로세스 동안, 자동화된 장비에서 생성된 데이터 간에 존재할 수 있는 풍부한 많은 관계들은 특정한 분석이 특정한 타입의 관계에 대해 설계되고 그 관계에 포커싱되지 않는 한 인지되지 않을 수 있다. 더 중요하게는, 장비내의 이질적인 유닛들에 의해 생성된 이질적인 데이터 간의 다수의 상관들 (correlations) 로부터 비롯될 수 있고, 복잡한 자동화된 툴 또는 머신의 최적 성능을 결정할 수 있는 새로운 현상은 인지되지 않은 채로 남아 있을 수 있다.
또한, 머신에서 수행된 프로세스와 연관된 변수들과 데이터간의 다양한 상관들은 툴들 또는 머신들의 세트의 실제적인 동작 성능에 관한 상당한 정보를 전달할 수 있다. 툴들의 세트의 합성 동작 동안에 특정한 교정 상관들 (calibration correlations) 이 개발될 수 있고, 이질적인 생산 상관들 (production correlations) 이 생산 모드에서의 동작의 결과로서 개발될 수 있다는 것을 이해해야 한다. 이러한 상관들에서의 불일치 (disparity) 가 툴의 조정 또는 진화 (예컨대, 미리규정된 조건들 밖에 있는 기구의 이용과 같은 동작에서의 마모, 결함(들) 등) 로부터 발생할 수 있다. 프로세스에서의 하나 이상의 기구들의 성능을 모니터링하는 통상적인 시스템들 및 접근법들은 일반적으로 이와 같은 생산 상관들을 캡처하고 활용하지 못하는 데이터를 이용한다.
이하에서는 본 발명의 몇몇 양태들의 기본적인 이해를 제공하기 위해 본 발명의 간략화된 요약을 제공한다. 이 요약은 본 발명의 광범위한 개관은 아니다. 본 요약은 본 발명의 중요하거나 또는 중대한 엘리먼트들을 식별하고자 의도된 것은 아니며, 본 발명의 범위를 정확하게 서술하고자 의도된 것도 아니다. 본 요약의 유일한 목적은 이후에 제공되는 보다 상세한 설명에 대한 도입부로서 간략화된 형태로 본 발명의 몇몇 개념들을 제공하는 것이다.
자율적인 생물학적 기반 학습 툴 시스템, 및 이러한 툴 시스템이 성능 저하 및 미스매치의 학습 및 분석을 위해 이용하는 방법이 제공된다. 자율적인 생물학적 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 관리기, 및 (iii) 생물학적인 학습 원리들에 기초한 자율적인 학습 시스템을 포함하며, 이러한 학습은 시맨틱 네트워크의 세트에서의 개념들의 확산 활성화를 통해 구현된다. 자율적인 학습 시스템은 3 개의 기능적 블록들의 그룹, 즉, 메모리 플랫폼, 프로세싱 플랫폼, 및 지식 통신 네트워크로부터 귀납적으로 정의될 수 있는 기능적 구조를 포함하며, 지식 통신 네트워크를 통해, 메모리 플랫폼 및 프로세싱 플랫폼 뿐만 아니라 툴 시스템 및 외부 액터 (actor) (예를 들어, 컴퓨터 또는 휴먼 에이전트 (human agent)) 사이에서 정보가 전달된다. 메모리 플랫폼은, 데이터 임프레션 (impression) 및 관련 학습 명령들을 수신하기 위한 에피소딕 (episodic) 메모리, 지식 전개를 위해 이용되는 솟텀 (short term) 메모리, 및 지식을 저장하는 롱텀 (long term) 메모리를 포함하는 메모리들의 계층을 포함하며, 이는 시맨틱 네트워크 내로 지식을 캐스트한다. 프로세싱 플랫폼에서의 기능적 유닛들은 메모리 플랫폼에 저장된 정보에 대해 동작하여, 학습을 용이하게 한다. 이와 같은 빌딩 블록들 및 관련 기능성은 사람 뇌의 생물학적 구조 및 행위에 의해 영감을 받는다.
각각의 개념과 연관된 우선순위들의 조합을 통해 지시되는 활성화 임계값들을 갖는, 정의된 시맨틱 네트워크에서의 개념 활성화를 통해 학습이 달성된다. 우선순위들은 처리되는 개념의 유형에 좌우되며, 즉, 절차적 개념은 활성화 및 억제 에너지들에 기초한 우선순위를 소유한다. 학습은 하나 이상의 애셋들 (예컨대, 반도체 웨이퍼, 리소그래피방식으로 에칭된 전자 회로, 광 및 열 관리를 위한 진보된 박막 디바이스들, 등) 을 생성하는 툴 프로세스(들) 과 연관된 생산 또는 합성 데이터 (production or synthetic data) 를 통해 진행한다. 생성된 지식은 선택된 특정 타겟, 또는 참조, 변수 및 선택된 영향 변수들간의 수학적 관계로서 캐스트된다. 변수 및 파라미터 선택을 위한 다양한 접근법들이 이용된다: (1) 유니버셜 선택. 실질적으로 참조 변수 이외의 모든 변수들이 영향 변수들로서 채택된다. (2) 세미 유니버셜 선택. 타겟 또는 참조 변수가 선택되면, 타겟 변수에 실질적으로 어느 정도 영향을 미칠 수 있는 실질적인 모든 변수들이 영향 변수들로서 선택된다. (3) 지식 기반 선택. 이론 및 시뮬레이션을 통해 타겟 변수와 관련지어진 변수들이 영향 변수들로서 선택된다. (4) 경험적 선택. 상관 계수들 또는 실질적으로 임의의 다른 통계적 메트릭에 대한 특정 임계값들을 초과하는 변수들이 영향 변수들로서 선택된다. (5) 액터 구동된 선택.
참조 변수들과 영향 변수들간의 수학적 관계들은 툴에 대한 성능 저하, 또는 배치된 생산 툴과 참조 툴간의 성능 미스매치의 평가를 용이하게 해준다. 성능 저하는 분석된 툴들의 세트를 동작시키거나 또는 구성시키는 액터 (예컨대, 휴먼 오퍼레이터, 또는 지능적 머신) 에 의해 결정된 중요 성능 표시자들 (key performance indicators; KPIs) 을 통해 평가될 수 있다. 성능 저하의 평가 및 성능 저하의 식별은 또한 초기 입력, 예컨대 액터에 의해 제공된, 참조 KPI 들의 세트를 통해 자율적으로 수행될 수 있다. 대안적으로, 또는, 추가되어, 성능 저하는 미리결정된 KPI 들의 세트의 분석 및 조사를 통해 액터에 의해 결정될 수 있다.
전술한 내용 및 관련 목적들의 달성을 위해, 다음의 설명 및 첨부된 도면이 청구된 사항의 특정한 예시적인 양태들을 상세히 설명한다. 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 발명 주제의 다른 이점들 및 신규한 특징들이, 도면과 함께 고려하여 청구된 사항의 다음의 상세한 설명으로부터 명백해질 것이다.
도 1 은 자율적인 생물학적 기반 학습 툴의 상위 레벨 블록도를 도시한다.
도 2 는 본 명세서에서 설명된 양태들에 따른 콘텍스트 목적 적응성 (contextual goal adaptation) 을 도시한 다이어그램이다.
도 3 은 예시적인 자율적인 생물학적 기반 학습 툴의 상위 레벨 블록도를 도시한다.
도 4 는 자율적인 생물학적 기반 학습 시스템을 이용할 수 있는 반도체 제조용 예시적인 툴 시스템의 다이어그램이다.
도 5 는 자율적인 생물학적 기반 학습 시스템의 예시적인 아키텍처의 상위 레벨 블록도를 도시한다.
도 6a 및 도 6b 는 예시적인 오토봇 컴포넌트 및 예시적인 오토봇 아키텍처를 각각 도시한다.
도 7 은 자율적인 생물학적 기반 학습 시스템의 자체-인식 컴포넌트의 예시적인 아키텍처를 도시한다.
도 8 은 본 명세서에서 설명된 양태들에 따른 인식 작업 메모리에서 동작하는 예시적인 오토봇들의 다이어그램이다.
도 9 는 자율적인 생물학적 기반 학습 시스템의 자체-개념화 컴포넌트의 예시적인 실시형태를 도시한다.
도 10 은 자율적인 생물학적 기반 학습 시스템에서의 자체-최적화 컴포넌트의 예시적인 실시형태를 도시한다.
도 11 은 본 발명개시의 양태들에 따른 툴의 성능 저하, 또는 툴 미스매치를 평가하기 위한 예시적인 시스템의 블럭도이다.
도 12 는 본 명세서에서 설명된 양태들에 따른 데이터 선택기의 예시적인 실시형태의 블럭도이다.
도 13 은 본 명세서에서 설명된 양태들에 따른 데이터 선택기에서의 컴포넌트를 통해 포맷팅된 변수 공간상의 데이터 매트릭스를 도시한다.
도 14 는 본 명세서에서 설명된 양태들에 따른 특정 참조 변수에 대한 다섯 개의 영향 변수들의 가중치들의 시간 진화를 도시한다.
도 15 는 본 명세서에서 설명된 양태들에 따른 성능 평가 컴포넌트의 예시적인 실시형태의 블럭도이다.
도 16a 내지 도 16d 는 본 명세서에서 설명된 자율적인 객체 학습, 예컨대 다양한 툴들 및 관련 챔버들을 위한 참조 변수들을 통해, 측정된 데이터 및 예측된 값들을 나타낸다.
도 17 은 본 명세서에서 설명된 양태에 따른 자율적인 생물학적 기반 학습을 위한 예시적인 방법의 흐름도를 제공한다.
도 18 은 본 명세서에서 설명된 양태들에 따른 개념의 상황 스코어를 조정하기 위한 예시적인 방법의 흐름도를 제공한다.
도 19 는 본 명세서에서 설명된 양태에 따라 지식을 생성하기 위한 예시적인 방법의 흐름도를 제공한다.
도 20 은 본 명세서에서 설명된 양태들에 따른 하나 이상의 툴들에 의해 생성된 생산 데이터와 연관된 변수들의 세트간의 관계를 학습하는 예시적인 방법의 흐름도를 제공한다.
도 21 은 본 명세서에서 설명된 양태들에 따른 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 예시적인 방법의 흐름도를 제공한다.
이제부터, 도면을 참조하여 본 발명을 설명하며, 유사한 참조 부호는 명세서 전반에 걸쳐 유사한 엘리먼트들을 지칭하기 위해 사용된다. 다음의 설명에서, 설명의 목적을 위해, 다수의 특정 세부사항들이 본 발명의 완전한 이해를 제공하기 위해 설명된다. 그러나, 본 발명은 이러한 특정 세부사항들 없이도 실행될 수도 있다는 것은 명백할 수도 있다. 다른 예시들에서, 주지된 구조들 및 디바이스들은 본 발명의 설명을 용이하게 하기 위해 블록도 형태로 도시되어 있다.
본 명세서에서 사용된 바와 같이, "객체", "모듈", "인터페이스", "컴포넌트", "시스템", "플랫폼", "엔진", "선택기", "유닛", "스토어", "네트워크" 등의 용어들은 특정 기능을 갖는 동작 머신 또는 장치에 관련된 엔티티 또는 컴퓨터-관련 엔티티를 지칭하도록 의도되며, 엔티티는, 하드웨어, 하드웨어와 펌웨어의 조합, 펌웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어일 수 있다. 또한, 전술한 용어들을 통해 식별된 엔티티(들)은 여기서 "기능적 엘리먼트들"로서 통칭된다. 예를 들어, 컴포넌트는, 프로세서 상에서 구동하는 프로세스, 프로세서, 객체, 실행가능물, 실행 스레드, 프로그램 및/또는 컴퓨터일 수도 있지만 이에 제한되지는 않는다. 예로서, 서버 상에서 구동하는 애플리케이션 및 서버 양자는 컴포넌트일 수 있다. 하나 이상의 컴포넌트들은 프로세스 및/또는 실행 스레드 내에 상주할 수도 있으며, 컴포넌트는 하나의 컴퓨터 상에서 로컬화될 수도 있고/있거나 2개 이상의 컴퓨터들 사이에 분산될 수도 있다. 또한, 이들 컴포넌트들은, 다양한 데이터 구조들이 저장된 다양한 컴퓨터 판독가능 매체로부터 실행할 수 있다. 컴포넌트들은 하나 이상의 데이터 패킷들 (예를 들어, 로컬 시스템, 분산된 시스템 내의 다른 컴포넌트와 상호작용하고, 및/또는 인터넷과 같은 네트워크를 가로질러 신호를 통해 다른 시스템들과 상호작용하는 일 컴포넌트로부터의 데이터) 을 갖는 신호에 따르는 것과 같이 로컬 및/또는 원격 프로세스들을 통해 통신할 수도 있다. 예로서, 컴포넌트는 프로세서에 의해 실행된 소프트웨어, 또는 펌웨어 애플리케이션에 의해 동작하는, 전기 또는 전자 회로에 의해 동작하는 기계적 파트들에 의해 제공된 특정 기능성을 갖는 장치일 수 있고, 프로세서는 소프트웨어 또는 펌웨어 애플리케이션의 적어도 일부분을 실행하며 장치의 내부 또는 외부에 있을 수 있다. 다른 예시로서, 컴포넌트는 기계적 파트들이 없는 전자 컴포넌트들을 통해 특정 기능성을 제공하는 장치일 수 있으며, 전자 컴포넌트들은 전자 컴포넌트들의 기능성을 적어도 일부분 부여하는 소프트웨어 또는 펌웨어를 실행하는 프로세서를 그 내부에 포함할 수 있다. 인터페이스(들)은 입력/출력(I/O) 컴포넌트들 뿐만이 아니라, 관련 프로세서(들), 애플리케이션(들), 또는 API (Application Program Interface) 컴포넌트(들)을 포함할 수 있다. 상기에서 제시된 예시들은 컴포넌트에 직결된 것이지만, 예시화된 특징들 또는 양태들은 객체, 모듈, 인터페이스, 시스템, 플랫폼, 엔진, 선택기, 관리기, 유닛, 스토어, 네트워크, 등에도 적용될 수 있다.
또한, 용어 "또는" 은 배타적인 "또는" 보다는 포괄적인 "또는" 을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥으로부터 명확하지 않으면, "X는 A 또는 B 를 이용한다" 는 임의의 자연적인 포괄적 순열 (natural inclusive permutation) 들을 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 양자를 이용하면, 상기 경우들 중 어떠한 경우들하에서도 "X는 A 또는 B를 이용한다" 가 충족된다. 또한, 본 출원 및 첨부된 청구항에서 사용되는 바와 같이, 관사 "a" 및 "an" 은 달리 규정되지 않거나 또는 단수형에 직결되는 것으로 문맥으로부터 명확하지 않는다면, 일반적으로 "하나 이상" 을 의미하는 것으로 해석되어야 한다.
뿐만 아니라, 여기서 이용된 용어 "세트"는 비어진 세트, 예컨대 엘리먼트들을 갖고 있지 않는 세트를 배제한다. 따라서, 본 발명개시에서의 "세트"는 하나 이상의 엘리먼트들 또는 엔티티들을 포함한다. 예로서, 컴포넌트들의 세트는 하나 이상의 컴포넌트들을 포함하며, 변수들의 세트는 하나 이상의 변수들을 포함한다.
도면을 참조하면, 도 1 은 예시적인 자율적인 생물학적 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, 추구되거나 또는 달성된 목적의 양태들을 표현 또는 레코딩할 수 있는 출력 (140) 을 운송한다. 또한, 적응적 추론 엔진 (110) 은 링크 (155) 를 통해 데이터 스토어 (150) 로부터 데이터를 수신할 수 있고, 이러한 데이터 스토어에 데이터 또는 정보를 저장할 수 있으며, 예를 들어, 저장된 정보는, 유선 또는 무선 링크 (165) 를 통해 운송되는 출력 (140) 의 일부일 수 있다. (i) 입력 (130), 출력 (140), 및 데이터 스토어 (150) 내의 데이터 (뿐만 아니라, 입력, 출력, 및 데이터 스토어내의 데이터의 이력) 가 적응적 추론 엔진 (110) 의 동작에 대한 콘텍스트를 포함하고, (ii) 링크들 (115, 155, 및 165) 을 통한 엔진으로의 이러한 콘텍스트의 피드백이 콘텍스트에 기초한 적응을 용이하게 한다는 것을 인식해야 한다. 특히, 목적 컴포넌트 (120) 는, 특정한 초기 목적에 적응하도록 피드백 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) 정적 또는 모바일 지구-기반 카메라, 또는 에어본 (airborne) (예를 들어, 비행기, 위성) 카메라 (여기서, 카메라들은 방사 스펙트럼의 다중 간격들로 동작할 수 있음) 의해 캡쳐된 이미지들; (3) 생체 (biometric) 표시자들; (4) 제조된 생산품들, 재료들의 샘플들의 배치들 (batches) 과 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, 적응적 추론 컴포넌트 (110) 에 상주할 수 있는 입력 및 출력 인터페이스들, 예를 들어, 카메라, 입력 패드, 미디어 독 (예를 들어, 범용 직렬 버스 (USB) 포트, 적외선 (IR) 무선 입력) 에 의해 각각 수신 및 운반될 수 있다. 상기 나타낸 바와 같이, 입력 (130) 및 출력 (140) 은 적응적 추론 엔진 (110) 에 대한 콘텍스트의 일부일 수 있다. 추가적으로, 적응적 추론 컴포넌트 (110) 는 목적을 추구하는 결과로서 입력 (130) 을 요청할 수 있다.
자율적인 생물학적 기반 시스템 (100) 내의 컴포넌트들은 귀납적으로 정의될 수 있으며, 기본적인 엘리먼터리 컴포넌트들을 갖는 상당한 정도의 적합한 학습 복잡도를 자율적인 시스템 (100) 에 수여할 수 있다.
각각의 링크 (115, 155, 또는 165) 는, 송신 또는 수신될 데이터 또는 정보의 처리를 용이하게 할 수 있고, 데이터 저장 및 데이터 마이닝 (mining) 을 위해 데이터베이스를 이용할 수 있으며, 정보를 액터로부터 수신하고 액터로 운반할 수 있는 통신 인터페이스를 포함할 수 있다. 링크들 (115, 155, 또는 165) 의 유선 실시형태들은 트위스트 페어 라인, T1/E1 전화선, AC 라인, 광섬유 라인, 및 대응하는 회로를 포함할 수 있는 반면에, 무선 실시형태들은 울트라 모바일 광대역 링크, 롱텀 에볼루션 링크, 또는 IEEE 802.11 링크, 및 관련 전자기기를 포함할 수 있다. 데이터 스토어 (150) 와 관련하여, 데이터 스토어 (150) 는, 단일 엘리먼트로서 도시되어 있지만, 분산형 데이터 웨어하우스일 수 있으며, 데이터 메모리들의 세트는 이질적인 물리적 또는 논리적 위치들에 배치된다.
예시적인 시스템 (100) 에서, 적응적 추론 엔진 (110) 및 목적 컴포넌트 (320) 는 분리된 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, 공공 정책 섹터 등) 에 속할 수 있다. 추가적으로, 통상적으로, 목적들이 여러 학문 분야에 걸칠 수 있고 다수의 마켓들에 포커싱될 수 있으므로, 목적 컴포넌트는 하나 이상의 특정 규율들 또는 섹터들내에서 다수의 이질적인 목적들을 확립할 수 있다. 목적을 추구하기 위해, 목적 컴포넌트는 기능적 컴포넌트 및 모니터 컴포넌트를 포함할 수 있다. 목적을 달성하기 위한 특정한 동작들은 기능적 컴포넌트(들)를 통해 실시되지만, 목적의 달성과 관련된 변수들의 조건들은 모니터 컴포넌트에 의해 결정된다. 추가적으로, 기능적 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. 기능적 컴포넌트에 의해 제공된 그러한 특정 기능성에 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 디바이스 또는 휴먼 에이전트 (예를 들어, 최종 사용자) 일 수 있다. 적응 추론 엔진 (110) 이 목적 드리프팅을 통해 복잡하고 상세한 객체로 향해 목적 컴포넌트 (120) 를 구동시킬 수 있으므로, 초기 목적은 일반적인 상위 레벨 객체일 수 있음을 유의해야 한다. 목적들, 목적 컴포넌트들 및 목적 적응성은 다음에 설명한다.
예시적인 시스템 (100) 에서는, 다양한 컴포넌트들의 설명된 기능성을 적어도 부분적으로 부여하도록 구성된 하나 이상의 프로세서들(미도시)이 포함될 수 있다. 이와 같은 기능성을 부여하기 위해, 하나 이상의 프로세서들(미도시)은 데이터 또는 임의의 다른 정보 교환을 위한 링크들 (155, 115, 및 165) 을 이용할 수 있다. 하나 이상의 프로세서들(미도시)은 예시적인 시스템 (100) 및 그 내부 컴포넌트의 설명한 기능성을 제공하도록, 데이터 스토어 (150), 또는 메모리 컴포넌트 또는 그 내부의 엘리먼트에 저장된 코드 명령들(미도시)을 실행할 수 있다.
도 2 는 콘텍스트 목적 적응성을 도시한 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", "현장 여행", "데이터베이스를 개발", "생산품을 제조" 등일 수 있다. 추가적으로, 목적들은, "$60,000 내지 $80,000 범위의 연수입을 갖는 조기 은퇴를 위한 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. 상기에 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, "생산품을 제조" 라는 목적 (예를 들어, 목적 (2101)) 은, 그 생산품을 제조하기 위한 표준 또는 커스텀 사양들을 채용하는 분자빔 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 생산품을 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, "생산품을 제조" 라는 목적 (예를 들어, 목적 (2101)) 을 적응 (예를 들어, 적응 (2301)) 시킬 수 있다. 특히, 초기 상위 레벨 목적 (예를 들어, 목적 (2101)) 은, "반도체 디바이스를 제조" (예를 들어, 목적 (2102)) 하도록 적응될 수 있다. 상기에 나타낸 바와 같이, 목적 컴포넌트 (120) 는 목적을 달성하기 위해 다수의 기능적 컴포넌트들로 구성될 수 있다. 추가적으로, 목적 컴포넌트 (120) 는 모듈라일 수 있으며, 여기서, 목적이 적응됨에 따라 목적 서브-컴포넌트가 병합될 수 있다. 일 예로서, "생산품을 제조" 라는 목적을 추구하는 목적 컴포넌트는, "분자 전자장치 컴포넌트들을 이용하는 멀티코어-프로세서를 제조" 하는 목적 (예를 들어, 목적 (210N)) 을 적응시키기 위해 (예를 들어, 도면부호 (2301)) 다양한 마켓들에서의 마켓 조건들을 분석할 수 있는 대규모의 병렬적인 지능형 컴퓨팅 플랫폼에 커플링된 멀티-마켓 평가 및 예상 컴포넌트를 포함할 수 있다. 그러한 적응이 다수의 중간 적응들 (2301 내지 230N-1) 뿐만 아니라 중간 적응된 목적들 (2102 내지 210N-1) 을 수반할 수 있다는 것을 유의해야 하며, 여기서, 중간 적응은 이전에 추구된 목적들로부터 생성된 중간 콘텍스트들 (2202 내지 220N) 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 실어나르는 것을 중지했다라는 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) 재고에 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" 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 생물학적 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 대한 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 3 은 예시적인 자율적인 생물학적 기반 학습 툴 (300) 의 상위 레벨 블록도를 도시한다. 실시형태 (300) 에서, 자율적인 학습 시스템은, 자신의 특정 기능을 툴 시스템(310)에 제공하고 단일의 기능적 툴 컴포턴트 또는 실질적으로 동일하거나 별개인 기능적 툴 컴포넌트들의 집합을 포함할 수 있는 기능적 컴포넌트(들)(315)을 포함하는 툴 시스템 (310) (예컨대, 제조 툴 또는 프로세싱 툴), 및 반도체 웨이퍼의 열처리와 같은 툴 시스템 (310) 에 의해 수행되는 프로세스에 관련된 여러 개의 관측가능한 크기들을 프로빙할 수 있고, 그 프로세스와 관련된 하나 이상의 애셋 (328) 을 생성하는 센서 컴포넌트(들) (325) 를 포함한다. 본 발명개시에서의 애셋(들)은 다양한 복잡성 정도의 디바이스들을 포함할 수 있으며, 예컨대, 애셋들 (328) 은 집적 회로 (IC) 를 소유한 반도체 기판들, 플라즈마 방전 기반 평판 패널 디스플레이(들)(FPD(들)), 유기 발광 다이오드(OLED) 기반 FPD(들), 액정 디스플레이(LCD) 기반 FPD(들), 또는 예컨대 박막 트랜지스터 능동 매트릭스 어레이, 칼라 필터들, 편광기 등과 같은 이들의 엘리먼트들을 포함할 수 있다. 수집된 하나 이상의 애셋들 (328) 은, 생산 프로세스 데이터 또는 테스트 런 (run) 데이터와 같은 데이터 애셋들을 포함할 수 있고, 이와 같은 데이터 애셋들은 하나 이상의 애셋들 (328) 을 수신하기 위한 인터페이스로서 기능할 수 있는 어댑터 컴포넌트 (335), 수신된 하나 이상의 애셋들 (328) 을 프로세싱할 수 있는 상호작용 관리기 (345), 및 수신되고 프로세싱된 데이터를 저장할 수 있는 데이터베이스(들) (355) 를 포함하는 상호작용 컴포넌트 (330) 에 운반될 수 있다. 하나 이상의 애셋들 (328) 의 일부일 수 있는 데이터 애셋(들)(328)은 SECS (Semiconductor Equipment and Materials International Equipment Communication Standards)/GEM (Generic Equipment Model), HTTP (hypertext transfer protocol), 등과 같은 다양한 통신 프로토콜들에 따라 상호작용 컴포넌트 (330) 에 운송될 수 있다. 상호작용 컴포넌트 (330) 는, 자율적인 생물학적 기반 학습 엔진 (360) 과 툴 시스템 (310) 의 상호작용을 용이하게 한다. 툴 시스템 (310) 에 의해 수행된 프로세스에서 생성되는 데이터와 관련된 정보가 수신될 수 있고, 자율적인 생물학적 기반 학습 시스템 (360) 에 증분적으로 공급될 수 있다.
자율적인 생물학적 기반 학습 시스템 (360) 은, 수신된 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. 양태에서, 일반적으로, 자율적인 생물학적 기반 학습 시스템 (360) 의 구성 컴포넌트들은 뇌의 생물학적 양태를 닮을 수 있으며, 여기서, 생물학적 메모리는 정보를 처리하고 지식을 생성하기 위해 생물학적 프로세싱 컴포넌트들과 네트워킹된다. 이와 같은 비교, 또는 비유는 메모리 플랫폼 (365) 이나 프로세싱 플랫폼 (385) 어느 것도 생물학적 엔티티들로서 캐스팅하려고 의도한 것은 아님을 유념하다. 또한, 지식 네트워크 (375) 는, 상호작용 관리기 (345) 를 통해 툴 시스템 (310) 또는 액터 (390) 에 정보를 전달할 수 있는 상호작용 컴포넌트 (330) 로부터 정보를 수신할 수 있고, 이 컴포넌트 (330) 로 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, 액터 개입 (예를 들어, 디바이스를 통해 제공된 사람의 지시 및 감독) 을 덜 요구한다는 점, (b) 자율적인 시스템이 액터들로의 출력들의 품질을 개선시킨다는 점 (예를 들어, 고장들의 근본 원인들의 더 양호한 식별, 또는 고장의 발생 전에 시스템 고장의 예측), 및 (c) 자율적인 학습 시스템 (360) 이 시간에 걸쳐 자신의 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 기능적 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) 를 통해, 상호작용 관리기 (345) 를 거쳐 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 생물학적 기반 시스템 (360) 을 안내하는 것을 용이하게 해줄 수 있다. 추가적으로, 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, 이에 의해, 프로세스 변수들간의 특정 관계를 학습하기 위한 표시가 행해진다. 일 예로서, 특정 퇴적 단계 내에서, 챔버 볼륨, 배기 압력 및 유입하는 가스 흐름의 함수로서, 툴 시스템 (310) 에서의 퇴적 챔버에서의 압력의 작동을 학습하기 위한 제안을 운반할 수 있다. 또 다른 예로서, 힌트는 챔버 압력에 대한 상세한 시간적 관계를 학습하도록 표시할 수 있다. 그러한 예시적인 힌트들은, 다수의 프로세스 변수들에 대한 압력의 함수 의존성을 학습할 수 있는 자율적인 학습 시스템내의 하나 이상의 기능적 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 기능적 유닛들을 활성화시킬 수 있다.
툴 시스템 (310), 예컨대 PECVD (plasma-enhanced vapor deposition) 시스템, 스퍼터 시스템, 또는 MOCVD (metalorganic chemical vapor deposition) 시스템과 같은 반도체 제조 툴은 복잡할 수 있고, 이에 따라 이질적인 유형의 특정한, 완전하거나 불완전한 지식을 통해 툴 시스템을 조작하고 동작시키는데에 이질적인 액터들이 특수화될 수 있다. 일 예로서, 휴먼 에이전트, 예를 들어, 툴 엔지니어는 상이한 가스들이 상이한 분자량을 가지며, 따라서, 상이한 압력을 생성할 수 있다는 것을 알지만, 프로세스/툴 엔지니어는, 제 1 가스로부터 기인하는 압력 판독을 제 2 가스로부터 기인하는 동등한 압력으로 변환하는 방법을 알 수 있으며, 그러한 지식의 기본적인 예는 단위 (예를 들어, Pa) 로부터 또 다른 단위 (예를 들어, lb/in2, 또는 PSI) 로 압력 판독을 변환하는 것일 수 있다. 자율적인 생물학적 기반 학습 시스템에 존재하는 일반적으로 보다 복잡한 부가적인 타입의 지식은, 툴 시스템의 특성들 (예를 들어, 챔버의 볼륨) 과 툴 시스템에서 수행되는 측정치들 (예를 들어, 챔버내의 측정된 압력) 간의 함수 관계들일 수 있다. 예를 들어, 에칭-엔지니어는 에칭 레이트가 에칭 챔버내의 온도에 의존한다는 것을 안다. 지식의 다양성을 허용하고 그러한 지식이 불완전할 수 있다는 사실을 허용하기 위해, 액터 (예를 들어, 최종 사용자와 같은 휴먼 에이전트) 는 다음과 같은 운반된 지식의 다중 정도들을 통해 자율적인 학습 시스템 (360) 을 안내할 수 있다: (i) 특정된 지식이 없음. 액터는 자율적인 학습 시스템에 대한 안내를 전달하지 않는다. (ii) 기본적인 지식. 액터는 툴 시스템의 특성들과 툴 시스템내의 측정치들 사이의 유효한 관계를 운반할 수 있으며, 예를 들어, 액터는 에칭 레이트 (κE) 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 관계 (예를 들어, relationship ( output (κ E ),T)) 에서 종속 변수에 대한 특정 출력을 제공할 수 있다. (iv) 관계에 대한 부분적인 지식. 액터는, 툴 시스템 특성과 측정치 사이의 수학식의 구조 뿐만 아니라 관련 종속 및 독립 변수들을 안다 (예를 들어,
Figure pct00001
, k 1 또는 k 2 에 대한 구체적인 값을 갖지 않음). 그러나, 액터는 관계의 보다 많은 관련 상수들에 대한 하나의 상수의 정확한 값을 알지 못할 수 있다. (v) 완전한 지식. 액터는 함수 관계의 완전한 수학적 설명을 소유한다. 자율적인 학습 시스템 (360) 이 진화하고 툴 함수 관계를 자율적으로 학습하기를 시도함에 따라, 이와 같은 안내가 시간에 걸쳐 증분적으로 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 구축될 수 있으며; 예컨대, 인지 작업 메모리 (710) 로부터 인지 지식 메모리 (730) 로의 통신에 개념화 지식 메모리 (910) 로부터 개념화 작업 메모리 (940) 로의 통신보다 높은 우선순위가 할당될 수 있다. 또한, 소스로부터 목적지로의 통신이 자체 인식 컴포넌트 (550) 와 같은 글로벌 기능적 컴포넌트 내에서 (예컨대, 내부 통신) 발생할 수 있으며, 또는 네트워크 컴포넌트 (375) 에 의해 인에이블된 통신이 자체 인식 컴포넌트 (550) 와 자체 최적화 컴포넌트 (570) 사이 (예컨대, 상호 통신) 에서 발생할 수 있다. 추가적으로, 우선순위는 송신중인 정보 (예컨대, 특정 정보는 실시간으로 발송되어야 한다) 에 기초될 수 있으며; 통신 우선순위는 송신되거나 수신된 통신들에 대한 통신 긴급성 정도를 적어도 부분적으로 결정한다는 것을 이해해야 한다. 우선순위들은 정적이기보다는 동적일 수 있으며, 자율적인 학습 시스템 (360) 에서의 학습 전개의 함수로서 변하고, 자율적인 생물학적 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 실시될 수 있다. 지식 네트워크 (375) 를 통한 통신 및 파워 전달은 유선 링크 (예를 들어, 트위스트 페어 링크, T1/E1 전화선, AC 라인, 광섬유 라인, 동축 케이블) 및 인터넷 프로토콜 (IP) 패킷 기반 통신과 같은 관련 프로토콜들, 또는 무선 링크 (예를 들어, UMB (Ultra Mobile Broadband), LTE (Long Term Evolution), IEEE 802.11) 를 통해 실시될 수 있으며, 기능적 플랫폼 (예를 들어, 메모리 플랫폼 (365) 및 프로세싱 플랫폼 (385)) 내의 컴포넌트들 (미도시) 사이, 또는 이질적인 플랫폼들 (예를 들어, 자체-인식의 다른 서브-컴포넌트와 통신하는 자체-인식의 메모리 플랫폼 내의 컴포넌트) 내의 컴포넌트들 사이에서 발생할 수 있거나, 또는 통신은 컴포넌트들 사이에 존재할 수 있다 (예를 들어, 인식 컴포넌트는 개념화 내의 컴포넌트와 통신한다).
프로세싱 플랫폼 (385) 은 정보에 대해서 동작하는 기능적 프로세싱 유닛들을 포함한다: 특정한 타입의 입력 정보 (예를 들어, 숫자, 시퀀스, 시간 시퀀스, 함수, 클래스, 인과 그래프 등과 같은 특정 데이터 유형들) 가 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, 기능적 프로세싱 유닛들은 메모리 플랫폼 (335) 에 저장된 데이터 구조들 또는 데이터 타입 인스턴스를 판독 및 변형시킬 수 있으며, 새로운 데이터 구조들을 내부에 축적할 수 있다. 또 다른 양태에서, 기능적 프로세싱 유닛들은, 적합도, 중요도, 활성화/억제 에너지, 및 통신 우선순위와 같은 다양한 수치 속성들에 대한 조정을 제공할 수 있다. 각각의 기능적 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 기능적 프로세싱 유닛이, 툴 시스템 (310) 의 동작과 관련된 양호한 런으로부터 불량한 런을 구별하는 랭킹 넘버 또는 랭킹 함수를 생성하는 것과 같이 새로운 지식 (예를 들어, 학습) 을 생성하기를 실패하는 경우, 그 기능적 프로세싱 유닛과 관련된 우선순위는 낮춰질 수 있다. 이와 대조적으로, 새로운 지식이 생성되면, 프로세싱 유닛의 우선순위가 증가된다.
프로세싱 플랫폼 (385) 이, 우선순위화된 기능적 프로세싱 유닛들을 통해, 특정한 상황 (예를 들어, 특정한 데이터 타입) 에서 제 1 동작을 시도하려는 사람 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 위한 제 1 동작을 이용하려는 경향은 감소되고, 제 2 동작 (예를 들어, 확산 활성화) 이 이용된다. 제 2 동작이 새로운 지식을 생성하기를 실패하면, 제 2 동작의 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 증착에서의 셔터 개방/폐쇄 시퀀스, 이온 주입 프로세스에서의 이온빔 에너지, 또는 스퍼터링 퇴적에서의 전기장 크기) 뿐만 아니라 초기화 파라미터들을 제공할 수 있다. 또 다른 양태에서, 액터는 툴 시스템 (310) 의 유지와 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 생물학적 기반 학습 시스템을 트레이닝하기 위한 트레이닝 데이터로서 이용될 수 있다. 추가적으로, 시뮬레이션 또는 최종 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 보다 많은 수의 함수들을 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 생산품 품질과 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 관리기 (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 관리기 (345) 를 통해 운반되며, 외부적인 것으로 간주될 수 있다. 본 발명의 양태에서, 내부적 또는 외부적 트레이닝 데이터에 기초한 트레이닝 사이클은 자율적인 학습 시스템 (360) 이 툴 시스템 (310) 의 예측된 행위를 학습하는 것을 용이하게 해준다.
상기 나타낸 바와 같이, 기능적 컴포넌트 (315) 는 툴 특정 반도체 제조 능력들과 관련된 다수의 기능적 툴 컴포넌트들 (미도시) 을 포함할 수 있으며, 그 툴이 (a) 다양한 복잡도들을 갖는 반도체 기판들 (예를 들어, 웨이퍼, 평판 패널 디스플레이 및 관련된 TFT 능동 매트릭스 어레이, 액정 디스플레이 (LCD), OLED 등) 을 제조하고, (b) 에피택시 증착 또는 비-에피택시 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 기능을 행하기 위해 사용될 수 있게 한다. 또한, 툴 시스템 (310) 은, 용광로; 제어된 전기화학적 환경에서의 동작을 위한 노광 툴; 평탄화 디바이스; 전기도금 시스템; (동작 사이클링을 통한) 수명 측정치를 포함할 수 있는 광학, 전기적 및 열적 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 복잡도들을 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, 결함 밀도, 전기 광발광 수율 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, 자기전기 전달 측정, 광 특성 측정 등을 포함할 수 있지만, 이에 제한되지는 않는다. 생산품 (예를 들어, 반도체 기판) 에 관련된 부가적인 데이터 애셋들은, 현상 검사 (development inspection; DI) 임계 치수 (critical dimension; CD), 및 최종 검사 (final inspection; 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. 하나 이상의 애셋들 (328) 의 일부인, 그러한 데이터 애셋들은 툴 시스템 (310) 에 의해 제조되거나 제작된 출력 애셋들 또는 물리적 생산품들을 효율적으로 특성화한다는 것을 인식해야 한다.
일 양태에서, 센서 컴포넌트(들) (325) 내의 데이터 소스들은, 아날로그 또는 디지털 형태로 하나 이상의 데이터 애셋들 (328) 내의 데이터 애셋(들)을 수집하할 수 있거나 수집하도록 구성될 수 있는 어댑터 컴포넌트 (335) 에 기능적으로 커플링될 수 있다. 하나 이상의 애셋들 (328) 내의 데이터 애셋(들)은 SECS/GEM 프로토콜, HTTP 등과 같은, 다양한 통신 프로토콜들에 따라 어댑터 컴포넌트 (335) 로 운송될 수 있다. 데이터가 메모리 플랫폼 (365) 에 축적되거나 또는 보존되기 전에, 어댑터 컴포넌트 (335) 는, 툴 시스템 (310) 에 의해 수행된 프로세스 런에서 수집된 데이터, 예컨대 정보 입력/출력(I/O) (358) 이 자율적인 생물학적 기반 학습 시스템 (360) 에서의 데이터의 의도된 이용에 따라 구성 또는 분해되는 것을 가능하도록 할 수 있다. 어댑터 컴포넌트 (335) 내의 어댑터들은 센서 컴포넌트(들) (325) 내의 하나 이상의 센서들과 연관될 수 있으며, 특정 주파수들 또는 다른 특정 조건들에서 하나 이상의 센서들을 판독(예컨대, 폴) 할 수 있다. 외부 데이터 소스 어댑터(미도시)는 데이터를 인출 (pull) 할 뿐만 아니라, 툴 시스템 (310) 의 외부로부터 푸쉬된 데이터를 통과시키기 위한 능력을 가질 수도 있다. 예를 들어, MES/이력 데이터베이스 어댑터는 정보를 추출하고 자율적인 생물학적 기반 학습 시스템 (360) 의 하나 이상의 컴포넌트들에 대해 작업 메모리내로 추출된 데이터를 패키징/축적하기 위해 MES 데이터베이스를 컨설팅할 수 있다. 특히, 예로서, 어댑터 컴포넌트 (335) 는 툴 시스템 (310) (예컨대, 제조 툴) 이 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)", "유지-간격-데이터" 등을 형성하기 위해 배치에서 개별 런들을 병합할 수 있다. 대안적으로, 툴 시스템 (310) 이 로트-레벨 데이터에 대한 단일 파일 (또는 컴퓨터 생산품 애셋) 을 출력하면, 어댑터 컴포넌트 (335) 는 웨이퍼-레벨 데이터, 단계-레벨 데이터 등을 추출할 수 있다. 또한, 분해된 데이터 엘리먼트는 툴 시스템 (310) 의 하나 이상의 컴포넌트들, 예를 들어, 센서 컴포넌트(들) (325) 내의 압력 제어기가 동작하고 있는 시간 동안의 변수들과 관련될 수 있다. 상술된 바와 같은 하나 이상의 애셋들 (328) 내에 포함된 수신된 데이터 애셋(들) 을 프로세싱 또는 패키징하는 것에 후속하여, 어댑터 컴포넌트 (335) 는 프로세싱된 데이터를 데이터베이스(들) (355) 에 저장할 수 있다.
데이터베이스(들) (355) 은, (i) 센서 컴포넌트(들) (325) 내의 센서들에 의해 수행된 측정들을 통한 툴 시스템 (310) (예컨대, 제조 툴), (ii) 제조 실행 시스템 (MES) 데이터베이스 또는 이력 데이터베이스, 또는 (iii) 툴 시스템 (310) 의 컴퓨터 시뮬레이션, 예를 들어, 액터 (390) 에 의해 수행된 반도체 웨이퍼 제조의 시뮬레이션에서 생성된 데이터에서 비롯되는 데이터를 포함할 수 있다. 일 양태에서, MES는, 제조 프로세스를 측정 및 제어할 수 있고, 장비 이용가능도 및 상태를 추적할 수 있고, 인벤토리를 제어할 수 있으며, 경고(들)를 모니터링할 수 있는 시스템이다.
툴 시스템 (310) 에 의해 제조된 생산품들 또는 생산품 애셋들이 상호작용 컴포넌트 (330) 를 통해 액터 (390) 로 운반되거나 또는 전달될 수 있음을 인식할 것이다. 생산품 애셋들은 하나 이상의 애셋들 (338) 의 일부일 수 있다. 생산품 애셋들이 액터 (390) (예컨대, 품질 보증장비, 또는 이것의 품질 보증 장비 및 오퍼레이터들) 에 의해 분석될 수 있고, 결과적인 정보 또는 데이터 애셋들이 자율적인 생물학적 기반 학습 시스템 (360) 에 운반될 수 있음을 인식해야 한다. 하나 이상의 시나리오들에서, 이와 같은 데이터 애셋들은 상호작용 컴포넌트 (330) 를 통해, 그 내부의 하나 이상의 컴포넌트들을 통해, 또는 정보 I/O (358) 를 전송할 수 있는 하나 이상의 전용 통신 링크들(미도시)을 직접 통해서, 자율적인 생물학적 기반 학습 시스템 (360) 에 전달될 수 있다. 또 다른 양태에서, 상호작용 컴포넌트 (330) 는 어댑터 컴포넌트 (335) 를 통해 생산품 애셋 (328) 의 분석을 수행할 수 있다.
또한, 예시적인 실시형태 (300) 에서, 상호작용 컴포넌트 (340) 및 자율적인 학습 시스템 (360) 이 툴 시스템 (310) 에 대해 외부에 배치됨을 유의해야 한다. 단일 특정 툴 컴포넌트, 예를 들어, 단일 임베디드 모드, 또는 툴 컴포넌트들의 클러스터, 예를 들어, 다중 임베디드 모드에서 상호작용 컴포넌트 (330) 및 자율적인 생물학적 기반 학습 시스템 (310) 이 툴 시스템 (310) 내에 상주할 수 있는 임베디드 배치와 같이, 자율적인 생물학적 기반 학습 툴 (300) 의 대안적이거나 또는 추가적인 배치 구성들이 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. 하나 이상의 추가적이거나 또는 대안적인 실시형태들에서, 상호작용 컴포넌트 (330) 및 자율적인 생물학적 기반 학습 엔진 (360) 은 단일한 기능적 엘리먼트 (컴포넌트, 시스템, 플랫폼 등) 로 통합될 수 있다는 것을 쉽게 인지해야 한다.
다음으로, 예시적인 툴 시스템 (310) 이 도 4와 함께 설명되며, 자율적인 생물학적 기반 학습 엔진 (360) 에 대한 예시적인 아키텍처가 도 5 내지 도 9 와 관련하여 상세히 제공되고 설명된다.
도 4 는, 동작을 모니터링, 분석 및 개선시키기 위해 자율적인 생물학적 기반 학습 엔진 (360) 을 이용할 수 있는 예시적인 반도체 제조 시스템 (400) 의 다이어그램이다. 특히, 예시적인 시스템 (400) 은, 도 3 과 함께 상술된 툴 시스템 (310) 을 예시한 열적 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. 카세트 테이블 (420) 은 또한 평판 패널 디스플레이 제조를 위한 유리 또는 플라스틱 기판들의 로딩/언로딩을 가능하게 해줄 수 있다는 것을 유념한다. 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 할 수 있다. 수집된 데이터 (예를 들어, 데이터 (368)) 는 인터페이스 컴포넌트를 통해 자율적인 생물학적 기반 학습 엔진 (360) 에 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. 포스트베이킹 유닛 (460) 은 TFT와 같은 디바이스들의 준비를 위한 포토리소그래픽 마스킹을 위해 이용된 포토레지스트 물질들을 경화시키는데 이용될 수 있다. 일 양태에서, 온도 및 압력 데이터는, 인터페이스 컴포넌트 (340) 를 통해 프리베이킹 유닛 (455), 포스트베이킹 유닛 (460), 및 접착 유닛 (445) 으로부터 자율적인 생물학적 기반 학습 엔진 (360) 으로 공급될 수 있다. 기판에 대한 회전 속도 및 위치 데이터는 정렬 유닛 (440) 으로부터 운반될 수 있다.
도 5 는, 자율적인 생물학적 기반 학습 엔진의 예시적인 아키텍처 (500) 의 상위 레벨 블록도를 도시한다. 실시형태 (500) 에서, 자율적인 생물학적 기반 학습 엔진 (360) 은, 롱텀 메모리 (LTM) (510), 숏텀 메모리 (STM) (520), 및 에피소딕 메모리 (EM) (530) 를 포함하는 기능적 메모리 컴포넌트들의 계층을 포함한다. 그러한 기능적 메모리 컴포넌트들의 각각은 지식 네트워크 (375) 를 통해 통신할 수 있으며, 도 3 과 관련하여 설명된 바와 같이 동작한다. 또한, 자율적인 생물학적 기반 학습 엔진 (360) 은, 프로세싱 플랫폼 (385) 과 관련하여 설명된 기능적 유닛들과 실질적으로 동일한 특징을 갖고, 프로세서를 포함할 수 있는, 오토봇으로서 식별된 기능적 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 기능적 유닛들을 포함할 수 있다. 제 1 피드 포워드 (FF) 루프 (552) 는 순방향 링크로서 기능할 수 있으며, 자체-인식 컴포넌트 (550) 와 자체-개념화 컴포넌트 (560) 간에 데이터를 전달할 수 있다. 또한, 제 1 피드백 (FB) 루프 (558) 는 역방향 링크로서 기능할 수 있으며, 자체-개념화 컴포넌트 (560) 와 자체-인식 컴포넌트 (550) 간에 데이터를 전달할 수 있다. 유사하게, 자체-개념화 컴포넌트 (560) 와 자체-최적화 컴포넌트 (570) 간의 순방향 링크 및 역방향 링크 데이터 통신은, 각각, 제 2 FF 루프 (562) 및 제 2 FB 루프 (568) 를 통해 달성될 수 있다. FF 링크에서는 데이터를 추가적으로 프로세싱하기 위해 그 데이터를 수신하는 컴포넌트로의 전달 이전에 데이터가 변환될 수 있는 반면에, FB 링크에서는 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) 간의 데이터의 간접적인 전달을 용이하게 할 수 있는 반면에, FB 링크들 (568 및 558) 은 컴포넌트들 (570 및 550) 간의 데이터의 간접적인 전달을 용이하게 할 수 있음을 인식해야 한다. 추가적으로, 지식 네트워크 (375) 를 통해 컴포넌트들 (550, 360, 및 370) 간에 데이터가 직접적으로 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, (예를 들어, 시퀀스, 평균, 또는 표준 편차로서의) 데이터 타입들, 그 데이터 타입들 사이의 관계들, 및 제 1 세트의 데이터 타입들을 제 2 세트의 데이터 타입들로 변환하기 위한 절차들을 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 연관될 수 있으며, 총체적으로, 이와 같은 속성들은 개념의 우선순위를 결정한다. 이들 2 개의 수치 속성들의 잘 정의된 함수, 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, 보다 낮은 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 관성 값이 숫자 엘리먼트에 부여될 수 있고, 숫자들의 리스트에는 제 1 관성 값보다 높은 제 2 관성 값이 부여될 수 있고, 숫자들의 시퀀스는 제 2 관성 값보다 더 높은 제 3 관성 값을 가질 수 있으며, 숫자들의 매트릭스는 제 3 관성 값보다 높을 수 있는 제 4 관성 값을 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 모두 실질적으로 입력 (130) 의 일부일 수 있다. 본 발명은, 지식 엘리먼트가 검색되고 적용되는 유사도에 영향을 줄 수 있는 적합성 및 관성의 잘 정의된 함수에 대해 제공한다. 최고의 상황 스코어를 갖는 개념들은 프로세싱 유닛들에 의한 프로세싱을 위해 숏텀 메모리 (520) 에 렌더링될 가능 가능성이 가장 큰 개념들이다.
숏텀 메모리 (520) 는, 특정한 알고리즘 또는 절차들과 관련된 협력/경쟁 동작들 또는 오토봇들이 데이터 타입들에 대해 동작할 수 있는 위치로서 또는 작업 메모리 (예를 들어, 작업공간 또는 캐시) 로서 이용될 수 있는 임시 저장소이다. STM (520) 내에 포함된 데이터는 하나 이상의 데이터 구조들을 소유할 수 있다. STM (520) 내의 그러한 데이터 구조들은, 오토봇들 및 플래너
Figure pct00002
(예를 들어, 플래닝 (planning) 에 전용된 오토봇들) 에 의해 실시된 데이터 변환들의 결과로서 변할 수 있다. 숏텀 메모리 (305) 는, 데이터, 상호작용 관리기 (345) 에 의해 제공된 학습 명령들, 롱텀 메모리 (310) 로부터의 지식, 하나 이상의 오토봇들 또는
Figure pct00003
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 내부에 저장된 데이터를 변환하기 위해 사용되는 하나 이상의 오토봇들 및/또는
Figure pct00004
의 상태를 추적할 수 있다.
에피소딕 메모리 (530) 는, 프로세스와 연관될 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 (300) 에 제공할 수 있다. 일반적으로, 목적을 추구하는 동안, (예를 들어, 툴 시스템 (310), 목적 컴포넌트 (120), 또는 자율적인 학습 시스템 (360) 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. 에피소딕 메모리 (530) 가 휴먼 에피소딕 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 생물학적 기반 학습 시스템 (360) 에 의한 시도를 유도할 수 있다. 에피소드와 관련된 데이터의 특성화된 패턴은, 그 에피소드 및 에피소드의 명칭과 함께 에피소딕 메모리 (530) 에 저장될 수 있다. 에피소딕 메모리 (530) 로의 에피소드의 부가는, 툴 시스템 (310) 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. 수신된 에피소드를 통해 확립된 기준을 파라미터들이 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 유지 엔지니어들이 상황을 인식할 수 있고, 툴 프로세스에서 이용되는 재료 또는 기능적 컴포넌트 (315) 또는 센서 컴포넌트 (325) 에 대한 부가적인 손상을 완화시키기 위한 예방적 액션(들)을 취할 수 있다는 것을 보장하기 위해 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 ( semantic net ) 에 존재하며, 여기서, 각각의 오토봇은 관련 우선순위를 가질 수 있고, 오토봇의 우선순위는 자신의 활성화 에너지 (EA; 예컨대 6171) 및 자신의 억제 에너지 (EI; 예컨대 6191) 의 함수이다. 오토봇 컴포넌트 (540) 는, 자체-인식 컴포넌트 (550), 자체-개념화 컴포넌트 (560), 자체-최적화 컴포넌트 (570) 에 대한 오토봇들, 및 데이터를 변환하고 컴포넌트들 및 다양한 메모리 유닛들간에 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 벡터간의 스칼라 곱; 제 1 매트릭스와 제 2 매트릭스의 승산; 시간에 대한 시간 시퀀스 도함수 (derivative); 시퀀스 자동상관 계산; 제 1 시퀀스와 제 2 시퀀스간의 교차상관 동작; 기본 기능들의 완전 세트에서의 기능 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 함수 (named function) 일 수 있다. 오토봇 컴포넌트 (540) 에 오토봇이 존재하는 각각의 함수는 LTM 내의 엘리먼트를 소유할 수 있으므로,
Figure pct00005
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, 우수한 품질의 생산 결과 (예를 들어, 출력), 우수한 실행 성능 (예를 들어, 보다 짧은 런타임, 보다 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 생물학적 기반 학습 시스템 (360) 에 수여하는 주요 기능적 유닛들에 의해 이용될 수 있다.
자체-인식 컴포넌트 (550) 는, 툴 시스템 (310) 의 제 1 수용가능한 동작 상태와 툴 시스템이 저하되는 추후 시간에서의 후속 상태 사이의 툴 시스템 저하의 레벨을 결정할 수 있다. 일 양태에서, 자율적인 학습 시스템 (360) 은, 수용가능한 동작 상태를 특성화하는 데이터, 및 그러한 수용가능한 상태에서 제작된 생산품 애셋과 관련된 데이터를 수신할 수 있으며, 그러한 데이터 애셋들은 정준 (canonical) 데이터로서 식별될 수 있다. 자율적인 생물학적 기반 학습 시스템 (360) 은, 자체-인식 컴포넌트 (550) 에 의해 저장될 수 있고 정보 입력 (358), 예를 들어, 생산 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 함수들 등) 을 프로세싱할 수 있다. 정준 데이터의 생성되고 학습된 결과들과 디바이스 프로세스 런-데이터 사이의 차이가 작으면, 제조 시스템 저하는 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) 저하가 존재할 수 있다. 현저한 레벨의 저하는 프로세스 또는 목적 콘텍스트 조정을 유도할 수 있다. 여기에 설명된 바와 같은 저하는 저하 벡터 (Q1, Q2, ..., QU) 로부터 계산될 수 있으며, 여기서, 저하 벡터의 각각의 성분 Qλ(λ= 1,2, ...,U) 은 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 성분 Q1 내지 QU 와 비교될 수 있는 각각의 성분에 대한 특정한 세트의 값들 (예를 들어, 트레이닝 데이터 애셋) 을 생성한다. 저하를 평가하기 위해, {Q} 공간내의 "노멀 위치" 로부터 런 저하 벡터의 (예를 들어, 유클리드) 거리를 비교하기 위해 적절한 거리 메트릭이 이용될 수 있으며, 이와 같은 유클리드 거리가 커질수록, 툴 시스템은 보다 많이 저하된다라고 말한다. 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 함수들) 의 이해 및 디스크립션 (description) 들 (예를 들어, 요청되고 측정된 파라미터들에 관한 통계, 저하에 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 액터 (390) (예를 들어, 휴먼 에이전트) 가 공급한 안내를 통해 (예를 들어, 입력 데이터로부터 비롯된 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 퇴적 단계 동안 시간의 함수로서의 반도체 제조 시스템내의 퇴적 챔버에서의 압력과 같이, 툴 시스템 (310) 또는 일반적으로는 컴포넌트 (120) 와 같은 목적 컴포넌트의 단일 파라미터의 작동의 기능적 디스크립션을 구성할 수 있다. 또한, 자체-개념화 컴포넌트 (560) 는, 입력 정보 (358) 의 특정한 세트에 대한 종속 변수의 함수 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 퇴적 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 것에 대한 참조 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 저하의 근본적인 원인의 하나 이상의 소스들을 식별하기 위해, 예측된 값들 (예를 들어, 자체-개념화 컴포넌트 (560) 에 의해 학습된 관계들 또는 함수적 의존성에 기초한 예측들 및 측정된 값들) 사이의 툴 시스템 (310) 편차의 레벨에 기초하여 자율적인 생물학적 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 유지 로그들 또는 사용자 안내의 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 생물학적 기반 학습 시스템 (360) 은, 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 를 더 포함할 수 있다. 기능적 메모리 컴포넌트들 (510, 520, 및 530) 의 계층 및 주요 기능적 유닛들 (550, 560, 및 570) 은, 지식 네트워크 (375) 를 통해 플래너 컴포넌트 (580) 및 시스템 콘텍스트 컴포넌트 (590) 와 통신할 수 있다.
플래너 컴포넌트 (580) 는, 오토봇 컴포넌트 (540) 내의 더 높은 레벨의 오토봇들을 이용 및 포함할 수 있다. 그러한 오토봇들은 플래너
Figure pct00006
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 (520) 및 특정한 오토봇들에서 이용가능한 특정한 지식을 통해 숏텀 메모리 (520) 에서 조작되도록 강제할 수 있는 플래너
Figure pct00007
의 세트를 생성함으로써, 견고한 직접적인 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 함수로서 간접적인 글로벌 정책을 구현할 수 있다. 본 발명의 자율적인 생물학적 기반 학습 툴 (300) 이 플래너 컴포넌트들의 동적 확장을 제공할 수 있음을 인식해야 한다.
플래너 컴포넌트 (580) 는, 자율적인 생물학적 기반 툴 (300) 에서의 프로세스 또는 목적, 적응이 툴 (300) 의 저하를 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
Figure pct00008
의 생성을 통해 다이렉트 글로벌 정책에 의해 구현될 수 있다. 그러한 추론은, 조절
Figure pct00009
이 기능하는 데이터 타입의 시맨틱 네트워크를 통해 실시될 수 있으며, 이와 같은 추론은 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 생물학적 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 생산품 또는 서비스 (또는 추구된 목적의 결과) 의 품질 평가, 디바이스의 전달 시간 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. 역량은 자율적인 시스템 (예컨대, 시스템 (300)) 의 총 나이의 측정치, 또는 상대적 나이의 측정치, 예컨대 콘텍스트의 현재 상태의 시작 이래의 나이일 수 있다. 따라서, 시스템 콘텍스트 컴포넌트 (590) 에 의해 제공된 콘텍스트는 나이 또는 경험에 대한 프록시로서 기능을 할 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 6a 는 예시적인 오토봇 컴포넌트 (540) 를 도시한다. 오토봇들 (6151 내지 615N) 은 특정한 동적 우선순위 (6251 내지 625N) 를 각각 갖는 오토봇들 및
Figure pct00010
의 라이브러리를 나타낸다. 오토봇들 (6151 내지 615N) 은 메모리 (예를 들어, 롱텀 또는 숏텀 메모리, 또는 에피소딕 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 615N)) 은, 그 오토봇에 의해 프로세싱될 수 있는 데이터가 STM 내에 존재할 경우 (
Figure pct00011
를 통해) 활성화 에너지를 획득한다. 오토봇 (예를 들어, 오토봇 (6152)) 활성화 에너지 및 억제 에너지의 가중된 합산, 예를 들어,
Figure pct00012
은, 그 오토봇이 그의 기능적 태스크를 수행하기 위해 그 자신을 활성화시킬 수 있는 때를 결정할 수 있으며, Σ＞ψ 일 경우 자체-활성화되고, 여기서, ψ는 미리 결정된 내장형 (inbuilt) 임계값이다. 본 발명의 자율적인 생물학적 기반 학습 툴 (300) 이 오토봇들의 동적 증가를 제공할 수 있음을 인식해야 한다.
도 6b 는 오토봇의 예시적인 아키텍처 (650) 를 도시한다. 오토봇 (660) 은 실질적으로 오토봇 컴포넌트 (540) 에 포함된 오토봇들 중 임의의 오토봇일 수 있다. 기능 컴포넌트 (663) 는 오토봇 (660) 이 입력 데이터에 대해 수행할 수 있는 동작의 적어도 일부를 결정하고 실행한다. 프로세서 (666) 는 오토봇 (660) 에 의해 수행된 동작(들)의 적어도 일부를 실행할 수 있다. 일 양태에서, 프로세서 (666) 는 기능 컴포넌트 (663) 의 코프로세서로서 동작할 수 있다. 또한, 오토봇 (660) 은, 이전에 수행된 동작의 결과들의 세트가 보존된 내부 메모리 (669) 를 포함할 수 있다. 일 양태에서, 내부 메모리는, 동작, EA 및 EI 의 현재 및 이전 값들, 오토봇의 동작의 이력 로그 등과 관련된 입력 데이터를 저장하는 캐시 메모리로서 동작한다. 또한, 내부 메모리 (669) 는, 예컨대 에러 정정 컴포넌트 (672) 를 통해 구축된 특정한 타입의 에러 및 에러 양이 오토봇 (660) 에 피드백되거나 역으로 전파될 경우 다가오는 결과들의 품질을 개선시킬 방법을 오토봇 (660) 이 프로세서 (666) 를 통해 용이하게 학습하도록 해줄 수 있다. 따라서, 오토봇 (660) 은, 특정 방식으로 특정 입력 데이터를 처리하도록 트레이닝 사이클들의 세트를 통해 트레이닝될 수 있다.
또한, 오토봇 (예를 들어, 오토봇 (660)) 은, (a) 그 오토봇이 처리 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 있으며, 처리 및 생성은 적어도 부분적으로 프로세서 (666) 를 통해 달성될 수 있다. 일 양태에서, 인터페이스 (675) 는,
Figure pct00013
가 특정 툴 시나리오에 따라 오토봇들에게 활성화/억제 에너지를 공급하기 위해, 오토봇 (660) 이 오토봇들의 이용가능성 및 능력을 자체-설명하고 이에 따라 이것을
Figure pct00014
에 표현하는 것을 용이하게 할 수 있다. 인터페이스는 프로세서 (666) 를 포함하여, 오토봇 (660) 내의 하나 이상의 컴포넌트들에 기능적으로 커플링될 수 있다.
도 7 은, 자율적인 생물학적 기반 학습 시스템 내의 자체-인식 컴포넌트 (550) 의 예시적인 아키텍처 (700) 를 도시한다. 자체-인식 컴포넌트 (550) 는, 툴 시스템 (예를 들어, 툴 시스템 (310)) 에서의 학습된 노멀 상태에 관한 현재의 저하 레벨을 결정할 수 있다. 툴 시스템내의 기계 부품들의 마모 (wear-and-tear); 툴 시스템이 하나 이상의 최적 범위 밖에서 동작하게 하도록 레시피 (예를 들어, 데이터 애셋) 또는 프로세스를 개발하기 위한 개발 동작 또는 부적절한 동작; 툴 시스템의 부적절한 맞춤화; 또는 유지 스케줄들에 대한 부적합한 집착과 같은 다수의 소스들로부터 저하가 발생할 수 있다. 자체-인식 컴포넌트 (550) 는, (i) 메모리들의 계층, 예를 들어, 메모리 플랫폼 (365) 의 일부일 수 있는 인식 메모리들 (710-740), (ii) 오토봇 컴포넌트 (540) 에 상주할 수 있고 프로세싱 플랫폼 (385) 의 일부일 수 있는 인식 오토봇들과 같은 기능적 동작 유닛들, 및 (iii) 인식 플래너들의 세트 (750) 를 통해 귀납적으로 어셈블링될 수 있거나 또는 정의될 수 있다. 저하 레벨에 기초하여, 자율적인 학습 시스템 (360) 은, 잠재적인 고장들을 랭킹시키기 위해 정보 (358) 뿐만이 아니라, 이용가능한 데이터 애셋들 (328) 을 분석할 수 있다. 일 양태에서, 과도한 저하 레벨, 예를 들어, 툴 시스템 고장에 응답하여, 액터 (예를 들어, 필드 엔지니어) 는, 챔버 세정, 포커스 링 교체 등과 같은 하나 이상의 유지 활동을 수행할 수 있다. 확인된 바와 같이, 툴 시스템이 성공적인 수리의 경우, 예를 들어, 시스템 고장 이전에 저하에 부합하는 저하 레벨들 및 선행된 관련 증상들 (예를 들어, 데이터 애셋들 및 패턴들, 관계들, 및 그러한 결합으로부터 추출된 실질적으로 임의의 다른 타입의 이해) 을 복원함으로써, 유지 활동들은 자율적인 학습 시스템 (360) 에 의해 보존될 수 있다. 따라서, 학습된 증상들이 데이터 애셋들로부터 자율적으로 수집된 새로운 이해 및 저하 분석을 통해 식별되는 다가오는 인스턴스에서, 저장된 수리 플랜은 재생될 수 있고, 비용을 감소시킬 수 있으며, 평균 수리 시간 (MTTR) 을 개선시킬 수 있다.
인식 작업 메모리 (AWM) (710) 는, 센서 컴포넌트 (325) 내의 센서 또는 액터 (390) 에서 비롯될 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
Figure pct00015
(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, 배치, 유지 간격, 습식 세정 사이클 등과 같은 도메인 특정 개념들 뿐만 아니라, 숫자, 리스트, 시퀀스 , 세트, 매트릭스, 링크 등과 같은 범용 개념들을 포함할 수 있다. 그러한 개념들은 더 높은 레벨의 추상화에 진입할 수 있으며, 예를 들어, 웨이퍼 런은 순서화된 단계들의 시퀀스로서 정의될 수 있고, 여기서, 단계는 레시피 파라미터 셋팅들 (예를 들어, 원하는 값들) 및 하나 이상의 단계 측정치들 모두를 갖는다. 또한, AKM (730) 은, 평균, 표준 편차, 범위, 상관, 주요한 컴포넌트 분석 ( PCA ), 멀티-스케일 주요한 컴포넌트 분석 (MSPCA), 웨이블렛 또는 실질적으로 임의의 기본 함수 등과 같은 2개 이상의 개념들을 링크시킬 수 있는 함수 관계들을 포함할 수 있다. 다수의 함수 관계들이 동일한 개념에 적용가능할 수 있고, 그에 따라, 이에 관련될 수 있음을 유의해야 하며, 예를 들어, 숫자들의 리스트는, (기능적) 관련성인 평균 및 표준-편차 관련성 뿐만 아니라 최대값 관련성 등에 의해 실수 인스턴스에 매핑된다. 하나 이상의 엔티티들로부터 다른 엔티티까지의 관계가 함수이거나 또는 함수적 (예를 들어, 기능의 함수) 일 경우, 그 함수를 실시하기 위해
Figure pct00016
에 의하여 실행될 수 있는 관련 절차가 존재할 수 있다. 개념의 정확한 정의는, UML, OMGL 등과 같은 적절한 데이터 스키마 정의 언어로 표현될 수 있다. 또한, AKM (730) 의 콘텐츠가 시스템을 셧다운시키지 않으면서 (툴 시스템) 런타임에서 동적으로 증분될 수 있음을 인지해야 한다.
여기에 설명된 바와 같은 지식 베이스내의 임의의 개념으로서의 AKM (730) 내의 각각의 개념은 적합성 속성 및 관성 속성과 관련될 수 있으며, 이것은 개념의 특정한 상황 스코어를 야기시킨다. 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, 숫자들의 세트로부터 평균을 생성하는 절차의 관성은 실질적으로 낮을 수 있다 (예를 들어, ι＝1). 유사하게, 숫자들의 세트를 단일 숫자로 변환하는 최대 및 최소 값 절차들은 실질적으로 낮은 관성값을 수여받을 수 있다. 대안적으로, 범위를 계산하는 것 및 표준 편차를 계산하는 것은, 그러한 지식 엘리먼트들이 적용하기에 보다 어렵기 때문에 보다 높은 관성값들 (예를 들어, ι＝2) 을 제공받을 수 있지만, PCA를 계산하는 것은 보다 높은 레벨의 관성을 디스플레이할 수 있고, MSPCA 를 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 보존하기 위한 AWM (710) 내의 충분히 이용가능한 저장소가 존재하고, AWM (710) 으로 운반되지 않는 더 높은 상황 스코어를 갖는 이질적인 개념들이 존재하지 않을 경우, 운반될 수 있다. AWM (710) 내의 개념의 적합성 및 그에 따른 개념의 상황 스코어는 시간이 진행함에 따라 쇠퇴할 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 작업 메모리 (710) 에 진입하게 할 수 있다. 개념의 관성이 더 커짐에 따라, 개념이 더 길게 AWM (710) 에 운반되고 AWM (710) 으로부터 제거될 것임에 유의한다.
툴 시스템 상태가 변할 경우, 예를 들어, 스퍼터 타겟이 교체되거나, 전자빔 건이 부가되거나, 퇴적 프로세스가 종료되거나, 인시츄 프로브가 개시되거나, 어닐링 단계가 완료되거나, 기타 등등이 발생할 경우, 인식 플래너 (550)
Figure pct00017
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 및 그에 따른 상황 스코어를 증가시킬 수 있다. 유사하게, 오토봇들 (6151 내지 615N) 의 활성화 에너지(들)(6171-617N)는, 특정 오토봇들의 활성화 에너지를 감소시키고, 새로운 상황에 적합한 오토봇들에 대한 EA 를 증가시키기 위해 uberbots 에 의해 조정될 수 있다. 적합성 (및 상황 스코어) 에서의 증분은, 플래너
Figure pct00018
에 의해 이들 개념들의 제 1 이웃들, 및 그 후, 제 2 이웃들 등으로 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 "개념적 거리" 의 함수로서 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) 는 데이터의 노멀 패턴에서 확장적으로 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, 저하를 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, 생산품 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, 또는 휴먼 에이전트에 의해 채용된 디바이스) 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, 런에 대한 단일 파라미터 평균 등에 대한 데이터일 수 있다.
대안적으로 또는 부가적으로, 더 많은 엘리먼트 안내가 액터 (390) 에 의해 제공될 수 있다. 예를 들어, 필드 지원 엔지니어는 툴 시스템 (310) 에 대한 예방적인 툴 유지 (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 유지, 또는 스케줄링되지 않은 유지에 응답하여, 예방적인 툴 유지가 제조 시스템에 대해 수행될 수 있음을 인식해야 한다. 시간 간격이 연속하는 PM 들 사이에서 경과하며, 그러한 시간 간격 동안, 하나 이상의 프로세스들 (예를 들어, 웨이퍼/로트 제조) 이 툴 시스템에서 발생할 수 있다. 실시된 플래너 및 플래닝되지 않은 유지와 같은 데이터 및 생산품 애셋들 (예컨대, 데이터 애셋들, 평판 패널 디스플레이 디바이스, 웨이퍼 ...) 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 생산품 애셋들의 함수로서 고장-수명의 모델을 통해 지원된다. 또한, 자율적인 학습 시스템 (360) 은, 정보 입력/출력(I/O) (358) 로서 수신된 이질적인 애셋들 사이의 관계, 또는 전문가 액터에 의해 전달되는 감독된 트레이닝 세션들로부터 기인하는 이력 데이터를 통해 모델들을 개발할 수 있다. 전문가 액터가 트레이닝된 이질적인 자율적인 학습 시스템과 상호작용하는 이질적인 액터일 수 있음을 인식해야 한다.
액터 (390) 는, 자율적인 시스템이 웨이퍼 레벨 런 데이터를 평균화할 수 있고 PM 간격에 걸쳐 중요 파라미터들에서의 드리프트를 평가할 수 있다는 것을 자율적인 시스템에게 통지함으로써 자율적인 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 이질적인 파리미터들 및 시간의 세트의 함수로서의 제 1 파라미터의 크기의 예측에서 반영된 바와 같은 패턴의 재생력 등의 정도에 의해 측정되는) 툴 시스템에 대한 패턴이 높은 신뢰도로 학습될 경우, 자율적인 생물학적 기반 학습 시스템 (360) 은, 경고가 참조 에피소드의 발생 이전에 트리거링될 수 있도록 툴 유지의 필요성을 야기시킬 수 있는 오동작과 관련된 참조 에피소드를 생성할 수 있다. 오토봇 컴포넌트 (540) 에 상주할 수 있는 인식 오토봇들은 오동작 참조 에피소드에 대한 데이터 패턴, 또는 플래닝되지 않은 유지를 필요하기 전에 요구할 수 있는 실질적으로 임의의 특정 상황을 완전히 특성화하기를 실패할 수 있음을 유의한다. 그럼에도, 딥 행위적 및 예측적 함수 분석을 포함할 수 있는 툴 시스템 (310) 의 이와 같은 예방적 건강상태 유지가 자체-개념화 컴포넌트 (560) 내의 오토봇들에 의해 수행될 수 있음을 인식해야 한다.
도 8 은 인식 작업 메모리 (520) 에서 동작할 수 있는 오토봇들의 다이어그램 (800) 이다. 예시된 오토봇들, 즉, 정량자 (815), 예측 엔진 (825), 서프라이즈 (surprise) 스코어 생성기 (835), 및 요약 생성기 (845) 는 인식 엔진, 즉, 가상의 신생 (emergent) 컴포넌트를 포함할 수 있으며, 가상 신생 컴포넌트의 신생 속성은 기초적인 구성물들, 예를 들어, 오토봇들 (815, 825, 835, 및 845) 의 협력된 동작으로부터 발생한다. 인식 엔진이, 하나 이상의 플래닝
Figure pct00019
가 정교한 활동을 수행하기 위해, 조정된 오토봇들의 집합을 사용할 수 있는 방법의 일 예임을 인식해야 한다. 플래닝
Figure pct00020
는, 자율적인 생물학적 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
Figure pct00021
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 등식들에 대한 기대된 패턴들은 저장될 수 있고, 예측 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 건강상태 조건을 반영하고 "노멀 툴 시스템으로부터 얼마나 멀리 이격" 되었는지를 반영하는 툴 시스템에 대한 순 저하 서프라이즈 스코어를 계산할 수 있다. 노멀 및 라벨링되지 않은 메트릭 사이의 불일치들이 시간의 함수로서 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 저하 조건은 요약 생성기 (845) 를 통해 액터에 리포트될 수 있다.
도 9 는, 자율적인 생물학적 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, 안내를 공급받은 최종 사용자 (예를 들어, 액터 (390)) 와 함께 구축된다. 다른 주요 기능적 컴포넌트들 (550 및 560) 과 유사하게, 자체-개념화 컴포넌트 (570) 는, 메모리들의 계층, 동작 유닛들, 또는 오토봇들, 및 플래너들의 관점에서 귀납적으로 어셈블링 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 , 유지 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) 숫자, 상수 (예를 들어, e, π), 변수, 시퀀스 , 시간 시퀀스 , 매트릭스, 시간 매트릭스, 미세하게 그레인된 ( grained ) 작동, 거칠게 그레인된 행위 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 함수 관계들 뿐만 아니라 다양한 레벨의 세부사항을 제공할 수 있고 적응적 개념화 탬플릿 메모리 (ACTM) (920) 에 상주할 수 있는 다른 도메인 특정 함수 관계들의 광범위한 어레이를 포함한다.
ACTM (920) 은, 툴 시스템 (310) (예를 들어, 반도체 제조 툴) 과 상호작용하는 액터 (예를 들어, 최종 사용자) 에 완전하게 또는 부분적으로 알려진 함수 관계들을 보유할 수 있는 CKM (910) 의 확장이다. ACTM이 CKM 의 논리적 확장이지만, 실제 메모리 저장소가 자체-개념화 컴포넌트 (560) 내의 단일 저장 유닛으로 나타낼 수 있으므로, 오토봇들, 플래너들, 및 다른 기능적 컴포넌트들이 그러한 분리에 의해 영향을 받지 않음을 유의해야 한다. 또한, 자체-개념화 컴포넌트 (560) 는, 개념화 작업 메모리 (CWM) (940) 의 확장인 개념화 목적 메모리 (CGM) (930) 를 포함할 수 있다. CGM (930) 은 현재 목적의 오토봇들이, 예를 들어, (
Figure pct00022
, 압력, 시간, 단계) 를 학습하는 것을 용이하게 할 수 있으며, 특정 프로세스 단계에 대해, 압력의 함수
Figure pct00023
를 학습하고, 이 함수는 시간에 의존한다. 함수
Figure pct00024
를 학습하는 것은 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 야기시킬 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 함수적 행위보다는 시간- 시퀀스들의 함수적 행위를 학습할 수 있는 상황을 야기시킬 수 있다. 자체-인식 컴포넌트 (550) 와 유사하게, 더 낮은 관성을 갖는 개념들은 CKM (910) 으로부터 CWM (940) 으로 운반될 가능성이 더 높다.
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 함수로서, 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 제한을 받는) 툴 시스템 (310) 의 함수적 행위를 학습하기 위하여 오토봇들에 의해 사용될 수 있다. 모든 안내가 동일한 관성을 가질 필요는 없으며, 예를 들어, 양쪽의 개념들이 완전한 함수들을 나타낼지라도, 제 1 완전한 함수는 제 2 완전한 함수보다 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 함수 개념으로 완료시킬 수 있다. 그 후, 완전한 등식 개념은, 가산, 승산 등과 같은 사전-구축 함수-관련 개념으로 이용될 수 있다. 출력을 갖는 기본적인 지식 (예를 들어, relationship ( output (κ E ),T)) 은, κE 와 T 사이의 관계를 설명할 수 있는 최상의 함수를 식별하기 위해 κE 및 T 에 대한 데이터를 포함하는 다양한 함수 디스크립션들을 구성 및 평가하도록 CWM (940) 내의 오토봇들을 용이하게 할 수 있다. 대안적으로, 출력없는 기본적인 지식은, 출력으로서 변수 또는 독립 변수를 특정하고, 나머지 변수들의 함수로서 그것을 표현하기를 시도하도록 CP들의 보조로 오토봇들을 용이하게 할 수 있다. 양호한 함수 디스크립션이 발견되지 않을 경우, 대안의 변수는, 적절한 함수 관계에 수렴할 때까지 프로세스가 반복되거나, 자율적인 학습 시스템 (360) 이 적절한 함수 관계가 발견되지 않았다는 것을, 예를 들어, 액터 (390) 에 나타내는 독립 변수로서 특정될 수 있다. 식별된 양호한 함수 관계는, CP들에 의해 할당된 관성 레벨을 갖는 자율적인 학습 시스템 (360) 내의 오토봇들에 의해 이용되기 위해 CKM (910) 으로 제공될 수 있다. 예를 들어, 할당된 관성은 식별된 관계의 수학적 복잡도의 함수일 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, 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, 함수 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 함수적 행위를 더 신속하게 학습하게 할 수 있다. 그러한 함수적 행위를 학습하는 것이 주요 목적의 서브-목적일 수 있음을 인식해야 한다. 또한, CP 오토봇의 보조를 갖는 CL 오토봇은 개념화 확인기 (CV) 의 오토봇들을 사용할 수 있다. CV 오토봇들은, 제안된 함수 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 안내를 통해 함수 관계를 독립적으로 학습할 수 있으며, 그러한 액터 공급된 안내는 외인성 데이터로서 간주될 수 있다. CL 에 의해 학습된 함수들은, 관심 변수들의 그룹으로서 자체-인식 컴포넌트 (550) 에 (예를 들어, FB 링크 (558) 를 통해) 피드백될 수 있다. 예를 들어, 함수
Figure pct00025
를 학습한 후에, 자체-개념화 컴포넌트 (560) 는 안내 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 CL 에 알려진 특정값들을 소유한다. 그러한 피드백 통신은, 변수들의 그룹에 관한 저하가 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 에피소딕 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 수학적 표현으로서 함수 관계들을 저장하는 것을 용이하게 할 수 있다. 일 예로서, 관계 는
Figure pct00027
로 간략화되며, 여기서, P, Φ 및 θ는, 각각, 압력, 흐름 및 배기 밸브 각도를 나타낸다. 두번째로, CV는, 함수 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 5 와 관련하여 상술된 바와 같이, 자체-인식 컴포넌트 (550) 가 에피소드를 학습하기를 실패할 경우, 자체-개념화 컴포넌트 (560) 는 관련 함수 관계들의 세트의 제공을 통해 자체-인식 컴포넌트 (550) 를 보조할 수 있다. 예를 들어, 에피소드의 특성화는, 툴 시스템 (310) 에서의 프로세스 런내의 안정화 단계의 압력의 시간 의존성의 세밀하게-그레인된 디스크립션을 요구할 수 있다. 자체-개념화 컴포넌트 (560) 는, 안정화 단계에서의 압력의 이와 같은 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 안정화 단계 이전의 측정된 압력에서의 스파이크의 존재, 및 노멀 툴 동작 동안 압력 데이터에서의 스파이크의 부재는, 자율적인 생물학적 기반 학습 툴 (300) 에서의 에피소드의 발생을 식별하는 데이터 패턴으로서 검출될 수 있다.
유사하게, 스케줄링되지 않은 PM의 예측은, 툴 시스템 데이터의 중요 측정치들의 시간적인 변동들의 지식, 및 자체-개념화 컴포넌트 (570) 에 의해 운반되는 예측 함수들의 세트의 이용가능도에 의존할 수 있다. 예측 함수들은, 예측이 시간의 함수로서 변수들의 세트의 계획된 값들에 의존하는 경우에 플래닝되지 않은 PM의 새로운 상황을 예측하도록 자체-인식 컴포넌트 (예를 들어, 컴포넌트 (550)) 를 보조할 수 있다.
도 10 은, 자율적인 생물학적 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 저하에 대한 실질적으로 모든 잠재적인 원인들을 진단 또는 랭킹시키며, 자율적인 학습 시스템 (360) 에 의해 획득된 학습에 기초하여 근본적인 원인을 식별하는 것이다. 다른 주요 기능적 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 행위의 진단 및 최적화에 관련된 개념들 (예를 들어, 지식) 을 포함한다. 행위는 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- 파라미 터, 원인, 영향, 인과-의존성, 징후, 인과-그래프 등을 포함할 수 있는 도메인 독립적인 개념들을 포함한다. 또한, OKM (1010) 은, 비교, 전파, 랭킹 , 해결과 같은 함수 관계들의 세트를 포함할 수 있다. 그러한 함수 관계들은, 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 낮은 관성을 제공받으면, 자체-최적화 컴포넌트 (570) 플래너 (예를 들어,
Figure pct00028
) 는, OMK (1010) 로부터 최적화 작업 메모리 (OWM) (1020) 까지 런-데이터의 개념을 전달할 더 높은 가능성이 있다. 차례로, 런-데이터와 스텝-데이터 사이의 그러한 관성 관계는 런 관련 개념들로 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 함수로서 최적화될 특정 목표의 양태들을 결정할 수 있음을 인식해야 한다. 일 예시로서, 자체-인식 컴포넌트 (550) 가 프로세스 단계에 대한 데이터의 패턴이 현저하게 저하된다는 것을 인식하면, 관련 단계 개념의 상황 스코어가 증가될 수 있다. 따라서, 그 후, OP 들은 프로세스 동안 (예를 들어, 목적을 추구하는 동안) 실행되는 단계들의 세트를 변경하기 위해 단계 개념에 관련된 오토봇들을 최적화하는 것에 부가적인 활성화 에너지를 공급할 수 있다. 유사하게, 자체-개념화 컴포넌트 (560) 가 생산품 로트에 대한 툴 측정치들, (예를 들어, FF (562) 를 통해) 자체-개념화 컴포넌트 (560) 로부터 수신된 FF 정보 사이의 새로운 함수 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, 능동 매트릭스 어레이 또는 어레이들의 세트에서의 TFT의 갯수, 로트의 비용, 능동 매트릭스 어레이들의 세트의 비용, 로트에서 이용된 리소스들, 하나 이상의 TFT 능동 매트릭스 어레이에서 이용된 리소스들 등) 의 양태들을 변경시킨다. 적응형 상황 작업 메모리 (1040) 는 상황 스코어들의 적응적 조정을 가능하게 해줄 수 있고 자체 최적화 컴포넌트 (570) 의 동작을 위한 데이터를 보존할 수 있다. 최적화 에피소딕 메모리 (1030) 는 자체 최적화와 같은 다양한 최적화들을 통해 수집된 데이터 임프레션들 및 지식을 보존할 수 있다.
툴 시스템 (310) 의 건강상태 평가는 다음에 설명될 바와 같이 진단 엔진 (1025) 을 통해 수행될 수 있다. 건강상태 평가가 제조 프로세스의 서브-목적일 수 있음을 유의해야 한다. 진단 엔진 (1025) 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 다이내믹스 (dynamics) 및 액터 (390) 에 의해 고안될 수 있는 진단 플랜에 따라 증분적으로 운반될 수 있다. 예를 들어, 인과 그래프는, "압력" 오동작이 4개의 원인들, 즉, 퇴적 챔버가 누설을 가짐, 퇴적 챔버로의 가스 흐름에 결함이 있음, (가스 흐름의 크기를 조절하는) 배기 밸브 각도에 결함이 있음, 또는 압력 센서에 에러가 있음 중 하나에 의해 초래된다는 것을 보여줄 수 있다. 툴 시스템 (310) 의 컴포넌트들은 고장의 사전 확률들을 갖는다 (예를 들어, 챔버 누설은 0.01 의 확률로 발생할 수 있고, 가스 흐름에는 0.005의 확률로 결함이 있을 수 있는 등). 또한, 액터 (390) 또는 자체-개념화 컴포넌트 (560) 는 조건부 확률로서 표현될 수 있는 압력 오동작에 대한 조건부 의존성을 정의할 수 있으며, 예를 들어, 챔버가 누설을 갖는다면 결함이 있을 압력의 확률은
Figure pct00029
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 (310) 과 관련된 정보 I/O (358) 를 통해 툴 시스템 (310) 의 성능에 관한 예상 (prognostic) 세트를 생성할 수 있는 예상 컴포넌트 (1060) 를 포함할 수 있다. 그러한 정보는, 기능적 컴포넌트에 의해 이용된 재료들의 품질, 굴절율, 광흡수 계수, 전기발광 수율, 라만 분광기 단면들, 결함 밀도(들), 또는 생산품 애셋들 (328) 이 캐리어 등으로 도핑되는 경우에서의 자기전송 (magnetotransport) 특성들과 같이 툴 시스템 (310) 에 의해 생성되는 생산품 애셋들 (328) 의 물리 특성들을 포함할 수 있다. 다수의 기술들이 예상 컴포넌트 (1060) 에 의해 이용될 수 있다. 먼저, 그 기술들은, 즉, (i) 푸리에 변환, 가보 (gabor) 변환, 웨이블렛 분해, 통계 기술에 기초한 비선형 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 비선형 신호 프로세싱 기술들을 이용하는 시간 분석, (iii) 실제 또는 신호 공간 벡터 크기 및 각도 요동 분석; (iv) 변칙 (anomaly) 예상 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, 바이에스 네트워크 전파, 유전 알고리즘과 같은 진화 알고리즘, 데이터 퓨전 기술들, 시뮬레이팅된 어닐링 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 11 은 본 발명개시의 양태들에 따른 툴의 성능 저하, 또는 툴 미스매치를 평가하기 위한 예시적인 시스템 (1100) 의 블럭도이다. 정보 입력 (1105) 은 툴 시스템 (310) 으로부터 출력되거나 또는 추출된 데이터를 포함할 수 있다. 데이터는 하나 이상의 생산 레시피들을 구동시킴으로써 생성된 애셋들 (예컨대, 애셋들 (328)) 의 생산 (예컨대, 제조 런) 과 연관될 수 있거나, 또는 합성 데이터; 예컨대 DOE (design of experiment) 를 통해 생성된 데이터를 포함할 수 있다. 또한, 정보 출력 (1105) 내의 데이터는 툴 시스템 (310) 의 유지 사이클에서 생성된 데이터를 포함할 수 있다. 정보 출력 (1105) 은 또한 측정된 변수들과 같은 데이터, 데이터를 생성했던 기기(들) (예컨대, 센서(들), 툴(들)...), 애셋을 생성하기 위해 이용된 레시피 (예컨대, 습식 세정 사이클 레시피, 포토리소그래픽 에칭 레시피, 박막 트랜지스터들의 퇴적), 생산 런 식별자(들), 시간 스탬프(들), 오퍼레이터 및 제조 또는 프로세싱 플랜트 정보, 정지시간 및 연속적인 동작에 대한 이력 데이터 등과 관련된 정보를 포함할 수 있다.
데이터 선택기 (1110) 는 정보 출력 (1105) 을 수신하고, 타겟 또는 참조 변수(들) (1124), 및 선택된 타겟 변수에 영향을 미칠 수 있는 변수들의 세트, 예컨대 영향 변수들 (1122) 을 선택한다. 변수 선택시, 참조 변수(들) (1124) 및 영향 변수들 (1122) 은 자율적인 생물학적 기반 학습 엔진 (360) 에 운반된다. 실질적으로 수신된 모든 변수들은 변수(들) 스토어 (1120) 에서 보존된다. 또한, 데이터 선택기 (1110) 는 수집된 (또는 수신된) 데이터 (1115) 를 적어도 두 개의 데이터 세트들, 또는 데이터 스트림들로 분할하고 종합하며, 이 데이터 세트들 또는 데이터 스트림들은 동작 데이터 저장소 (1117) 및 참조 데이터 저장소 (1119) 에 보존된다. 일반적으로 참조 또는 트레이닝 데이터는 수집된 데이터 (1115) 의 일부분이며, 이것은 자율적인 생물학적 기반 학습 엔진 (360) 에 운반되며, 자율적인 생물학적 기반 학습 엔진 (360) 은 상술한 바대로 데이터를 분석하고 참조 데이터를 특징지우는 지식을 생성한다. 일 양태에서, 참조 데이터 (1119) 는 특정한 참조 툴 또는 장비 유닛과 연관될 수 있는 반면에, 동작 데이터 (1117) 는 참조 시간 간격 (예컨대, 참조 데이터가 생성되었던 동안의 시간 간격) 과 구별되는 후속하는 시간 간격에서의 이질적인 툴 또는 장비 유닛 또는 참조 툴 또는 유닛과 연관될 수 있다는 것을 유념한다. 후자의 시나리오에서, 성능 평가는 시간의 경과에 따른 참조 툴의 저하 또는 참조 툴과 동작 툴간의 미스매칭된 성능의 식별쪽으로 직행된다. 예를 들어, 참조 툴 또는 참조 툴들의 세트가 현장에서의 동작을 위해 배치될 때, 그 동작은 툴 제조자 플랜트에서 설치된 것과 동일한 참조 툴 또는 참조 툴들의 세트의 동작과 실질적으로 매칭될 것으로 예상된다. 특히, 현장 배치된 툴 또는 툴들의 세트가 동일한 교정 또는 참조 레시피들의 세트를 구현할 때 특정한 성능이 예상된다. 이와 같은 예상된 성능은 본 명세서에서 설명된 참조 성능과 곧바로 대조될 수 있고, 성능 미스매치 평가가 수행될 수 있다. 또 다른 양태에서, 동작 데이터 (1117) 및 참조 데이터 (1119) 는 주기적 또는 비주기적일 수 있는 유지 사이클들을 통해 생성될 수 있으며; 예컨대, 정보 출력 (1105) 은 미리결정된 시간 간격에서의 테스트 레시피(들) 하의 툴 동작으로부터 추출된 데이터를 포함할 수 있다.
일반적으로 동작 데이터 (1115) 는 데이터를 생성한 하나 이상의 프로세스들과 연관된 변수들의 세트의 측정된 데이터이다. 지식은 객관적으로 생성되는데, 예를 들어 영향 변수들은 외부적으로 바이어스되지 않거나 또는 학습을 목적으로 명시적으로 제어되며, 참조 변수(들) (1124) 과 선택된 영향 변수들 (1122) 의 세트간의 자연적인 물리적 상관들로부터 발생하는 연관들을 포함한다. 트레이닝 데이터로 수행된 객체 학습은 프로세스 불가지론적이며; 즉 학습은 참조 변수(들) (1124) 과 영향 변수(들) (1122) 과 연관된 데이터간에 발견된 관계들을 통해 하나 이상의 시맨틱 네트워크들 (예컨대, 지식 네트워크; 375) 에서 생성된 개념들에 따라 진행한다. 구별되는 참조 변수와 영향 변수들의 공간이 결정되면, 외부적 바이어스(들)에 대한 의존성 없이 학습 프로세스를 구동하는 것은 데이터 그 자체이라는 것을 이해해야 한다. 또한, 학습 동안 정보를 억제하는 것은 학습의 애플리케이션으로부터 생성된 추론들의 품질을 방해하거나 제한시킬 수 있으며; 예컨대 영향 변수들의 초기 세트에서의 영향 변수들의 서브세트의 제거는 영향 변수들의 초기의 비억제된 세트를 통해 획득된 추론들과 관련하여, 자율적인 예측들 또는 추론들, 예컨대 학습의 애플리케이션의 신뢰성 또는 범위 및/또는 품질을 저해시킬 수 있다. 프로세스 불가지론적 학습 또는
Figure pct00030
-객체 학습의 관점에서, 수학적 관계
Figure pct00031
는 단일 단계 또는 다수의 인접한 단계들 (예컨대, 웨이퍼 런), 또는 다수의 분리된 단계들 등과 같은 다양한 시간 입도들 (granularities) 에서 데이터로 학습될 수 있다. 따라서, 본 발명의 양태에서, 생성된 지식은 영향 변수(들) (1122) 과 타겟 변수(들) (1124) 간의 수학적 관계 또는 함수
Figure pct00032
로서 캐스트될 수 있다. 식별된 관계
Figure pct00033
를 포함하는, 데이터상의 지식 (예컨대, 데이터 지식; 1130) 은 성능 평가 컴포넌트 (1135) 로 운반되고, 이 성능 평가 컴포넌트 (1135) 는 동작 데이터 (1117) 에 의해 운반된 영향 변수들 (1122) 의 측정치들 (예컨대, 가스 흐름(들), 어닐링 온도...) 및 학습된 수학적 관계
Figure pct00034
를 통해 예측되고 측정 (예컨대, 센서, CD 스캐닝 전자 현미경 (SEM) ...) 된 타겟 변수(들) (1124) (예컨대, 챔버 압력, 포토리소그래픽 에칭율) 의 값들에 대하여 동작 데이터 (1117) 를 분석한다.
성능 평가 컴포넌트 (1135) 를 통해 수행된 분석은 정보 출력 (1105) 을 생성하는 프로세스(들) 과 연관된 하나 이상의 툴들 (예컨대, 툴 시스템 (310)) 의 성능 저하를 결정할 수 있다. 또한, 참조 데이터 (1119) 가 참조 툴을 통해 생성되는 동안 동작 데이터 (1117) 가 또다른 시간 간격에 걸쳐서 동일한 툴 또는 이질적인 툴에 의해 생성될 때에, 이질적인 툴들의 세트간의 성능 미스매치는 성능 평가 컴포넌트 (1135) 를 통해 평가될 수 있다.
일 양태에서, 데이터 선택기 (1110) 및 성능 애셋 컴포넌트 (1135) 는 자율적인 생물학적 기반 학습 엔진 (360) 을 거쳐 자율적인 생물학적 기반 학습 엔진 (360) 내의 프로세싱 플랫폼과 연관된 프로세서들을 통해 각자의 기능성의 적어도 일부를 부여받을 수 있다. 대안적으로, 또는 이에 추가하여, 하나 이상의 프로세서들(미도시)은 본 명세서에서 설명된 성능 평가 컴포넌트 (1135) 및 데이터 선택기 (1110) 의 기능성을 적어도 부분적으로 부여하도록 구성될 수 있다. 이와 같은 기능성을 부여하기 위해, 하나 이상의 프로세서들(미도시)은 예시적인 시스템 (1110) 에서의 메모리에 저장된 코드 명령들 (미도시) 을 실행하여 성능 평가 컴포넌트 (1135) 및 데이터 선택기 (1110) 의 설명된 기능을 제공할 수 있다. 다음으로, 성능 평가 컴포넌트 (1135) 및 데이터 선택기 (1110) 의 양태들을 보다 상세히 설명한다.
도 12 는 데이터 선택기 (1110) 의 예시적인 실시형태 (1200) 의 블럭도이다. 데이터 선택기 (1110) 는 측정된 데이터를 포함하는 정보 출력 (1105) 을 수신한다. 분석 컴포넌트 (1205) 는 변수들의 세트와 연관된 수신된 데이터의 행위적 양태들을 구별시키고, 변수 선택을 이행하기 위해 알고리즘(들) 메모리 엘리먼트 (1224) 에 보존된 알고리즘들을 통해 구현된 휴리스틱 추리 (heuristic reasoning) 를 이용할 수 있다. 휴리스틱 추리의 일부에는 상당한 변동, 중간적 변동, 또는 낮은 변동 중 적어도 하나를 나타내는 변수들의 결정이 포함된다. 일 양태에서, 낮은 변동은 특정한 프로세스 (예컨대, 진보된 광학 디바이스의 화학적 증착, 또는 평판 패널 디스플레이 능동 매트릭스 어레이들에서 이용된 박막 트랜지스터 (TFT) 의 플라즈마 인핸스드 화학적 증착) 가 수행되는 조건들에 대한 민감도의 결여를 입증시킬 수 있기 때문에 낮은 변동을 나타내는 변수들은 구별될 수 있다. 휴리스틱 추리는 또한 변수들의 세트에서의 각 변수의 관측된 변동에 따라 변수들의 세트의 조직화를 촉진시킨다.
또한, 분석 컴포넌트 (1205) 는 변수 또는 파라미터 선택에 대한 다양한 접근법들을 구현할 수 있다: (1) 유니버셜 선택. 참조 변수 이외의 실질적으로 모든, 또는 모든 변수들이 영향 변수들로서 채택된다. (2) 세미 유니버셜 선택. 타겟 또는 참조 변수가 선택되면, 실질적으로 임의의 정도 또는 임의의 정도로 타겟 변수에 영향을 미칠 수 있는 실질적으로 모든 변수들은 영향 변수들로서 선택되며; 예컨대, 참조 변수가 또한 전기 단위들과 연관된 모든 변수들의 세트의 멤버일 때 옴, 패럿, 암페어, 등과 같은 전기 단위들과 연관된 모든 변수들이 선택될 수 있다. (3) 지식 기반 선택. 이론 및 시뮬레이션(들)을 통해 타겟 변수와 관련된 변수들은 타겟 변수의 영향 변수들로서 선택된다. 또한, 변수들은 애셋들의 세트 (예컨대, 애셋들 (328)) 을 생성하는데 이용된 하나 이상의 레시피들에 따라 선택될 수 있다. 대안적으로, 또는 이에 추가하여, 후자에 대해, 레시피에서의 미리결정된 설정들을 지니지 않는 변수들은 영향 변수들의 블럭으로서 선택될 수 있다. 분석 컴포넌트 (1205) 는 레시피(들) 저장소 (1222) 에 보존되어 있는 생산 레시피들, 교정 레시피들, 또는 유지 레시피들 중 적어도 하나의 레시피와 연관된 정보를 검색하기 위해 메모리 (1220) 에 액세스할 수 있다. (4) 경험적 선택. 상관 계수들 또는 실질적으로 임의의 다른 통계적 메트릭에 대한 특정 임계값들을 초과하는 변수들이 영향 변수들로서 선택된다. 일 양태에서, 임계값들은 적어도 부분적으로 액터 (예컨대, 배치된 툴의 오퍼레이터) 에 의해 구성될 수 있거나 또는 적어도 부분적으로 참조 데이터 (1119) 에 기초하여 참조 툴에 의해 자율적으로 구성될 수 있다. (5) 액터 구동 선택. 전자 빔 건과 같은 장비와 연관된 툴 및 컴포넌트, 또는 장비의 오퍼레이터는 특정한 참조 변수(들)(1124) 및 이들의 영향 변수(들)(1122) 을 결정할 수 있다. 일 양태에서, 이러한 변수 선택의 양식 (modality) 을 구현하기 위해, 인터페이스 컴포넌트 (1107) 가 이용될 수 있으며; 인터페이스 컴포넌트 (1107) 는 데이터 선택기 (1110) 에 기능적으로 커플링된다는 것을 이해해야 한다. 이와 같은 인터페이스 컴포넌트 (1107) 는 툴 오퍼레이터 또는 컴퓨터화된 액터, 예컨대 용접 로봇 또는 어셈블리 로봇이 참조 변수와 영향 변수를 선택하는 것을 허용할 수 있다. 컴퓨터화된 액터들은 자체 진단을 위해 또는 제 3 자에 의해 구현된 모니터링 루틴(들) 의 일부로서 변수 선택을 실시할 수 있다.
종합 컴포넌트 (1210) 는, 데이터 풀 (예컨대, 동작 데이터 (1117) 또는 참조 데이터 (1119)) 및 변수들 (예컨대, 변수들 스토어 (1120)) 을 생성하기 위해, 동작 챔버들 (예컨대, 퇴적 챔버, 웨이퍼 분석을 위한 세정 챔버, 리소그래픽 에칭, 포토리소그래픽 에칭을 위한 챔버, 진보된 퇴적 프로세스들에서의 세정 단계들을 위한 챔버 등) 또는 동작 설비들 또는 엔티티들과 같은, 이질적인 툴들 및 연관된 장비 또는 기구들로부터 수신한 데이터를 종합할 수 있다. 이와 같은 종합은 이질적인 조건들하에서 프로빙될 때, 특히 다양한 영향 변수들하에서의 참조 변수들의 미리결정된 세트의 영향을 평가하도록 DOE 가 수행될 때, 툴 성능 또는 기구 성능의 분석을 용이하게 해줄 수 있다. 종합 컴포넌트 (1210) 는 데이터를 동작 데이터 저장소 (1117) 및 참조 데이터 저장소 (1119) 에 운반할 수 있다는 것을 유념한다.
데이터 선택기 (1110) 의 예시적인 실시형태 (1200) 에서, 종합 컴포넌트 (1210) 는 미리결정되거나 또는 구별된 하나 이상의 참조 변수(들) 및 선택된 영향 변수들의 세트와 연관된 동작 데이터 (1117) 와 참조 데이터 (1119) 를 운반하는 데이터 구조들 (예컨대, 매트릭스들, 벡터들 ...) 의 세트를 생성할 수 있는 포맷터 컴포넌트 (1215) 를 이용할 수 있다. 도해된 바와 같이, 도 13 은 포맷터 컴포넌트 (1215) 로서 포맷팅된 변수 공간상의 예시적인 데이터 매트릭스의 도면을 나타낸다. 변수 공간은 영향 변수들의 세트 {Vλ} (λ=l,2 ... K-1) 와 참조 변수 OK (K 는 양의 정수) 에 의해 메워진다. 수신된 데이터
Figure pct00035
, 예컨대 변수들 {Vλ} 및 OK 과 연관된, 생산 데이터, 교정 데이터, 또는 유지 사이클 데이터가 특정한 인스턴스 S 에 대해 생성되며, 인스턴스는 하나 이상의 레시피들의 세트에서의 하나 이상의 단계들일 수 있으며; 단계들은 인접하거나 분리될 수 있다. 뿐만 아니라, 인스턴스는 또한 레시피 단계 레벨, 웨이퍼 레벨, 로트 레벨, 등에서의 데이터를 포함할 수 있다. 추가적으로 또한, 인스턴스는 여러 생산 사이클들 동안에 생산 사이클 (예컨대, 습식 세정 사이클) 과 관련된 다중 단계들에 걸쳐 평균화된 데이터를 포함할 수 있다. 더 추가적으로, 인스턴스는 하나 이상의 툴들의 세트를 통해 생성된 데이터를 포함할 수 있다. 일 양태에서, 이질적인 툴들 또는 제조 챔버들 또는 다른 동작 설비들 또는 엔티티들로부터의 데이터가 종합될 때, 매트릭스 표현 (1300) 은 동일한 변수들의 세트 (예컨대, 매트릭스 블럭 B) 에 대해 추가적인 인스턴스들 (예컨대, 인스턴스 Q) 을 채울 수 있다. 추가적으로, 데이터가 종합될 때 변수 공간은 확장될 수 있으며, 이와 같은 시나리오에서 매트릭스 표현은 매트릭스 데이터 블럭들 A와 C 를 추가한다. 생산 런, 예컨대 웨이퍼 제조, TFT 능동 매트릭스 어레이 제조, 또는 미리스케쥴링된 유지에서 시간이 진행함에 따라 발생하는 데이터 업데이트들의 결과로서 새로운 매트릭스들이 생성될 수 있다는 것을 유념한다.
포맷터 컴포넌트 (1215) 가 트레이닝 데이터 (트레이닝 매트릭스) 및 동작 데이터 (여기서는 "적용 매트릭스"라고 칭해짐) 에 대한 매트릭스 표현 (1300) 을 생성할 수 있다. 적용 매트릭스의 생성은 웨이퍼 레벨 (예컨대, 툴들의 세트상의 각각의 레시피 런에 대한 웨이퍼 런, TFT의 퇴적과 관련된 리소그래픽 에칭 런); 하나 이상의 툴들에서 실시된 레시피 레벨 또는 레시피 단계 레벨; 로트 레벨 (예컨대, 하나 이상의 툴들상의 각각의 레시피 런에 대한 로트 런); 툴들의 그룹과 연관된 PM 간격 레벨 또는 습식 세정 사이클; 또는 실질적으로 임의의, 또는 임의의 다른 레벨의 생산 또는 시간 입도에서 생산 데이터에 대해 수행될 수 있다. 하나 이상의 적용 매트릭스들이 생성되는 다양한 생산 레벨들에서 이용되는 생산 데이터는 하나 이상의 레시피들을 수행하는 툴 또는 툴들의 그룹으로부터 생성될 수 있다. 게다가, 이와 같은 데이터의 일부가 트레이닝 데이터에 관한 것이더라도, 적용 매트릭스의 생성시에 포함된 생산 데이터는 하나 이상의 툴에 대한 모든 이용가능한 데이터에 미칠 수 있다. 포맷터 컴포넌트 (1215) 는 애셋을 생성하고 정보 입력/출력 (1105) 에서 연관된 데이터를 운반하는 각각의 툴에 대한 "적용 매트릭스들" 을 생성할 수 있으며, 적용 매트릭스들이 생성되는 툴들의 세트는 툴들의 트레이닝 세트에 포함될 필요가 없다. 애셋 생산 (예컨대, 제조) 이 진행함에 따라, 적용 매트릭스들 및 트레이닝 매트릭스들은 시간에 걸쳐 예컨대, 실시간으로 연속적으로, 실시간으로 거의 연속적으로, 또는 미리결정된 단계들로 생성될 수 있다. 트레이닝 매트릭스와 적용 매트릭스는 동작 데이터 저장소 (1117) 와 참조 데이터 저장소 (1119) 에 각각 저장될 수 있다.
위에서 설명한 바와 같이, 참조 데이터는 수신된 참조 데이터와 앞서 설명한 자율적인 학습을 통해, 참조 변수(들)(1124) 에서의 각각의 선택된 참조 변수 OI 에 대한 수학적 관계
Figure pct00036
(I는 양의 정수) 를 생성할 수 있는 자율적인 생물학적 기반 학습 엔진 (360) 에 운반된다. 또한,
Figure pct00037
는 하나 이상의 생산 레시피들에 대한 수신된 생산 데이터로부터 자율적으로 학습될 수 있다. 예로서, 학습된 수학적 관계
Figure pct00038
는 비선형 등식일 수 있다. 데이터는 매트릭스 표현 (예컨대, 표현 (1300)) 으로 운반될 수 있다. 또 다른 양태에서,
Figure pct00039
관계는 유전 알고리즘을 통해 결정될 수 있지만, 몬테 카를로 (Monte Carlo) 시뮬레이션들 또는 시뮬레이팅된 어닐링과 같은 다른 접근법들이
Figure pct00040
를 식별하기 위해 이용될 수 있다. 매트릭스 표현이 인스턴스들을 통해 메워질 때, 인스턴스들은 레시피 단계 또는 다양한 레시피 단계들내에 경과 시간 간격을 명시적으로 포함할 수 있고, 시간은 또한 영향 변수로서 이용될 수 있다는 것을 유념해야 한다. 따라서, 참조 변수 OK 에 대해, 자율적인 생물학적 기반 학습 엔진 (360) 은
Figure pct00041
와 같은 수학적 관계를 추론할 수 있다. 도해된 바와 같이, 도 14 는 참조 변수 OK 에 영향을 미치는 다 섯개의 영향 변수들: VA, VB, VC, VD, VE 의 가중치들의 진화 (예컨대, 시간 진화) 의 도면 (1400) 을 나타낸다. 인스턴트들 τ 및 τ' 에서 모든 변수들의 가중치들은 현저히 눈에 띄지만, 인스턴트 τ'' 에서 영향 변수 VC 와 VE 의 가중치는 각자의 상대측들의 가중치에 비해 실질적으로 무시가능해진다. 자율적인 생물학적 기반 학습 엔진 (360) 은 학습한 관계로부터, 시간에 걸쳐 제로 가중치, 또는 실질적으로 제로 가중치를 가짐으로써 참조 변수에 대한 출력 값들에 영향을 미치지 않는 영향 변수들을 제거할 수 있다. 상대적으로 무시가능한 가중치를 갖는 영향 변수의 제거시, 변수 제거를 처리하기 위해 학습한 수학적 함수가 자율적으로 조정될 수 있다. 자율적인 생물학적 기반 학습 엔진 (360) 은 참조 변수와 영향 변수들간의 수학적 관계를 학습할 수 있고, 이 관계는 레시피에서의 단일 단계, 레시피에서의 인접한 단계들의 그룹, 레시피에서의 비인접한 단계들의 그룹, 또는 레시피에서의 모든 단계들 중 적어도 하나에 대한, 시간을 포함할 수 있다는 것을 추가적으로 유념한다.
일 양태에서, 하나 이상의 프로세서들(미도시)은 앞서 설명한, 데이터 선택기 (1110) 및 그 내부의 컴포넌트들의 기능성을 적어도 부분적으로 부여하도록 구성될 수 있다. 이와 같은 기능성을 부여하기 위해, 하나 이상의 프로세서들(미도시)은 메모리 (1220) 에 저장된 코드 명령들 (미도시) 을 실행하여 데이터 선택기 (1110) 및 그 내부의 컴포넌트의 설명한 기능을 제공할 수 있다.
도 15 는 성능 평가 컴포넌트 (1135) 의 예시적인 실시형태 (1500) 의 블럭도이다. 실시형태 (1500) 에서, 분석 컴포넌트 (1505) 는 영향 변수들 {Vλ} 의 세트의 측면에서 참조 변수 (예컨대, OK) 의 학습한 형식 표현
Figure pct00042
를 포함하는 수신된 데이터 지식 (1130) 을 프로세싱한다. 수신된 관계(들) 은 관계(들) 저장소 (1515) 에 보존되며, 이 저장소 (1515) 는 또한 트레이닝 및 적용 매트릭스들을 보존할 수 있으며; 보존된 트레이닝 매트릭스들은 데이터 지식 (1130) 을 통해 수신될 수 있는 반면에, 적용 매트릭스들은 동작 데이터 (1117) 저장소를 통해 수신되거나 또는 이로부터 수집될 수 있다. 트레이닝 매트릭스들은 레시피들의 세트에 대한 참조 툴들의 세트 또는 이 툴의 부분들 (예컨대, 챔버들) 에 대해 수신될 수 있지만, 수신된 적용 매트릭스들은 하나 이상의 비참조 툴들에 대한 생산 툴을 공급할 수 있다. 생산 (예컨대, 제조) 이 진행하고 생산 데이터가 생성될 때에 트레이닝 매트릭스들 및 적용 매트릭스들은 연속적으로 또는 거의 연속적으로 수신될 수 있거나, 또는 스케쥴링된 간격들로 수신될 수 있다. 스케쥴링된 간격들은 적용 매트릭스들이 생성되는 입도에 의해 결정될 수 있다. 수신된 형식 표현
Figure pct00043
은 수신된 트레이닝 매트릭스 및 하나 이상의 관련된 적용 매트릭스들과 연관되며,
Figure pct00044
는 하나 이상의 적용 매트릭스들 각각에 대한 예측들을 생성하는데 이용된다는 것을 이해해야 한다. 적용 매트릭스들 및 트레이닝 매트릭스들은 포맷터 컴포넌트 (1215) 에 의해 결정된 입도 레벨로 수신된다는 것을 유념한다. 동작 데이터 (1117) 의 소스(들) 의, 저하 레벨 또는 미스매치, 또는 성능 레벨을 결정하기 위해, 분석 컴포넌트 (1505) 는 트레이닝 매트릭스들과 적용 매트릭스들을 대조할 수 있다. 적어도 이를 위해, 분석 컴포넌트 (1505) 는 영향 변수들의 선택된 세트 및 참조 변수간의 학습된 수학적 관계
Figure pct00045
에 따라 영향 변수들의 선택된 세트에 대한 측정된 값들의 함수로서 참조 변수의 값(들) 을 계산할 수 있다. 일 양태에서, 레시피 단계 레벨, 웨이퍼 레벨, TFT 레벨, 로트 레벨, 능동 매트릭스 TFT 어레이 레벨, 또는 PM 간격 레벨 중 적어도 하나에서 참조 챔버로부터의 참조 데이터 및 예측들간의 차이들을 결정하기 위해, 분석 컴포넌트 (1505) 는 트레이닝 매트릭스들이 수신되는 입도를 이용할 수 있다. 또한, 분석 컴포넌트 (1505) 는 미리결정된 생산 시간 간격에 걸쳐 수신된 트레이닝 매트릭스들을 이용하여 참조 툴 또는 기구의 동작 성능을 결정할 수 있다.
분석 컴포넌트 (1505) 는 형식 분석 컴포넌트 (1505) 와 수치 분석 컴포넌트 (1509) 를 이용하여 하나 이상의 적용 매트릭스들과 트레이닝 매트릭스에서의 데이터간의 차이들을 요약할 수 있다. 이와 같은 컴포넌트들은 하나 이상의 차이 분포를 정량적으로 기술하는, 예컨대 연관된 학습된 함수
Figure pct00046
로부터 발생하는 관련 예측 및 참조 변수간의 차이의 예측된 크기를 정의하는 최소 차이, 최대 차이, 보다 높은 운동량 및 표준 편차, 및 평균과 같은 통계적 함수들의 매니폴드 (manifold) 에 적어도 부분적으로 의존할 수 있다. 일 양태에서, 이와 같은 통계적 함수들은 예컨대, 통계역학적 유형의 오토봇 컴포넌트 (540), 또는 그 내부의 프로세서를 통해 구현될 수 있다. 트레이닝 매트릭스에서 표현된 참조 데이터 (1119) 의 적어도 일부분은 또한, 자율적으로 학습한 수학적 함수를 통해 계산된 예측된 값들 및 실제 데이터간의 차이를 나타낼 수 있다는 것을 유념한다. 마찬가지로, 하나 이상의 적용 매트릭스들로서 포맷팅된 생산 데이터는 참조, 또는 트레이닝, 데이터로부터 자율적으로 학습한 수학적 함수에 적어도 부분적으로 기초하여 예측들에 대한 차이들을 디스플레이할 수 있다. 분석 컴포넌트 (1505) 는 또한 상술한 통계적 함수들을 통해 이와 같은 차이들을 결정할 수 있고 차이들의 하나 이상의 요약들을 생성할 수 있다. 추가적으로, 분석 컴포넌트 (1505) 는 트레이닝 매트릭스 차이들에 대한 요약(들)을 적용 매트릭스 차이들에 대한 요약(들)과 비교할 수 있고, 적용 매트릭스 차이들에 관련된 요약(들)과 트레이닝 매트릭스 차이들과 연관된 요약(들)간의 비정상적 변동(들)을 확립하기 위해 이와 같은 비교를 이용할 수 있다. 비정상적 변동(들)은 백분율 변동에 적어도 일부 기초한 크기 천이 또는 임계값 위의 크기 천이 중 적어도 하나를 포함할 수 있다. 임계값은 예컨대 액터에 의해 구성가능하고 제공될 수 있다. 백분율 변동은 차이들의 하나 이상의 요약들을 특징짓는 특정 메트릭에 대비하여 평가될 수 있는데; 예컨대 트레이닝 매트릭스 데이터에서의 차이들의 평균 에러에 대한 적용 매트릭스 데이터에서의 차이들의 평균 에러에서의 20 % 또는 10 % 초과가 비정상 변동을 나타낼 수 있다. 특정한 백분율들의 크기는 예컨대 액터에 의해 구성가능하고 결정될 수 있다는 것을 이해해야 한다. 유사하게, 비정상 변동(들)은 구성가능한 임계값 또는 백분율 변동에 대비되어 평가된 변동 천이들에 대하여 결정될 수 있는데; 예컨대, 매트릭스들의 세트에 대한 트레이닝 매트릭스 데이터와 적용 매트릭스 데이터에 대한 각각의 요약된 차이들의 표준 편차가 임계값, 예컨대 3.1 위이거나, 또는 미리결정된 백분율, 예컨대 5% 위, 3 위일때 비정상 변동이 확립될 수 있다.
본 발명의 양태에서, 툴들의 세트에서의 툴들간의 성능 미스매치 또는 툴들의 세트의 성능 저하는 영향 변수들의 관련성 (relevancy) 프로파일에 따라 프로파일링될 수 있으며, 관련성 프로파일은 성능의 민감도 분석으로부터 발생한다. 이와 같은 민감도 분석은 성능 평가 컴포넌트 (1135) 에 의해 실시될 수 있으며, 예컨대, 영향 변수들의 선택된 세트에서의 단일 영향 변수가 시간상에서 변화될 때 학습된 수학적 관계
Figure pct00047
의 출력의 변동
Figure pct00048
의 계산을 통해 수행되며, 변동은 단일 영향 변수의 확실한 백분율 변동 (예컨대, 5 %) 일 수 있다. 대안적으로, 또는 추가적으로, 민감도 분석은 영향 변수들의 선택된 세트에서의 단일 영향 변수에 대한 학습된 수학적 함수
Figure pct00049
의 수치 편도함수의 계산을 통해 수행될 수 있다. 예로서, 관련성 프로파일은
Figure pct00050
또는
Figure pct00051
의 크기를 통해 측정된 영향 변수들의 랭킹을 포함할 수 있으며, 여기서 VL 은 영향 변수들의 선택된 세트에서의 영향 변수이고; L 은 양의 정수이다. 형식 분석 컴포넌트 (1507) 는 무감독 이론 증명 알고리즘들 (unsupervised theorem proving algorithms) 또는 표현 분석 중 적어도 하나를 통해 영향 변수들의 랭킹을 적어도 부분적으로 결정할 수 있다는 것을 유념한다. 마찬가지로, 수치 분석 컴포넌트 (1509) 는 연관된 영향 변수들의 세트에 대한
Figure pct00052
의 구배 벡터
Figure pct00053
를 수치적으로 계산하고,
Figure pct00054
의 성분 크기에 적어도 부분적으로 기초한 이와 같은 계산으로부터 관련성 랭킹을 확립할 수 있다. 학습된 함수들
Figure pct00055
의 매니폴드의, 선택된 영향 변수들에 대한, 편도함수들의 계산은 또한 선택된 영향 변수들에 대한, 계층 메트릭 또는 랭킹을 결정하는데 이용될 수 있으며; 예컨대, 각각의 영향 변수에 대해, 계층 메트릭은, 영향 변수 영향의 정규화 값의 평균과 영향 변수에 대해 취해질 때의 비제로(non-zero) 편도함수를 나타내는 학습된 함수들의 갯수의 곱과 동일할 수 있다는 것을 유념한다. 이와 같은 계층 메트릭은 의사 글로벌이며 영향 변수들의 선택된 세트와 선택된 참조 변수간의 관계를 기술하는 모든 학습된 함수들
Figure pct00056
에 대한 결과들을 포함한다는 것을 알아야 한다.
영향 변수들에 대한 관련성 프로파일의 계산과 유사하게, 분석 컴포넌트 (1505) 는 수신된 학습된 관계(들)의 세트, 예컨대, 함수적 관련성 프로파일을 계산하기 위해 관계(들) 저장소 (1515) 에 보존된, 하나 이상의 함수들 {g} 의 세트를 이용할 수 있다는 것을 유념한다. 이와 같은 프로파일은 영향 변수들에 대한 관련성 프로파일과 실질적으로 동일하지만, 학습된 함수들 {g} 의 공간에서 결정된다. 저하 또는 미스매치 이벤트의 경우에서, 성능을 평가하기 위한 임계값의 임의의 또는 실질적으로 임의의 유형, 예컨대 KPI (key performance indicator), QoS (quality of service) 등을 통해 확립될 때, 함수적 관련성 프로파일은 분석 컴포넌트 (1505) 가 이와 같은 이벤트의 소스를 식별하고, 예컨대 보고 컴포넌트 (1510) 를 통해 이와 같은 소스를 보고할 수 있는 것을 용이하게 해줄 수 있다.
실시형태 (1500) 에서, 분석 컴포넌트 (1505) 는 KPI(들) 스토어 (1520) 에 보존된, 키 성능 표시자들의 세트 및 이와 관련된 미리결정된 임계값들을 이용하여, 참조 변수 OI의 학습된 수학적 관계
Figure pct00057
를 통해, 영향 변수들의 측정된 크기들을 통해 계산된 예측된 값들과 측정치들간의 계산된 차이들을 통해 결정되는 바와 같이, 하나 이상의 툴들의 성능이 비정상인지 여부를 결정할 수 있다. KPI들 및 이와 관련된 임계값들 대신에 임의의, 또는 실질적으로 임의의 성능 메트릭 및 관련 임계값들이 이용될 수 있다는 것을 유념한다. 비정상 성능 이벤트 또는 저하 이벤트가 결정될 때, 분석 컴포넌트 (1505) 는 툴 저하 타임 스탬프를 생성시킬 수 있다. 게다가, 분석 컴포넌트 (1505) 는 저하된 데이터 소스, 예컨대 툴, 기구, 또는 장비 컴포넌트를 식별하기 위해, 비정상 성능을 드러내는 생산 데이터와 연관된 하나 이상의 적용 메트릭스들을 활용할 수 있으며; 데이터의 소스는 데이터의 비참조 소스이다. 미리결정된 임계값(들) 은 하나 이상의 평가된 툴들의 세트의 예측된 성능 또는 이력 성능 중 적어도 하나에 적어도 부분적으로 기초하여 구성가능하고 확립될 수 있다. 예로서, KPI 는 트레이닝 매트릭스와 적용 매트릭스에 대한 예측 및 계산간의 차이에 대한 평균값간의 차이가 액터가 공급한 임계값을 초과할 때 성능 저하의 결정을 비정상으로서 인에이블할 수 있다. 또 다른 예로서, KPI 는 적용 매트릭스에 대한 차이의 평균 에러가 트레이닝 매트릭스 표현의 차이들에 대한 평균 에러를 10-20 % 만큼 또는 임의의 다른 미리결정된 백분율만큼 초과할 때 비정상 툴 악화 또는 저하의 결정을 허용할 수 있다. 마찬가지로, 표준 편차에 의해 요약된 트레이닝 및 적용 매트릭스들간의 차이들의 변동들이, 예컨대 초기 (예컨대, 툴 또는 툴들의 세트가 교정되어 배치된 직후의 시간에서의) 표준 편차값을 초과할 때 KPI 또는 실질적으로 임의의 성능 메트릭은 비정상 툴 저하가 발생하였다라고 결정할 수 있다. KPI(들)은 예컨대 인터페이스 컴포넌트 (1107) 를 이용함으로써 액터에 의해 확립될 수 있음을 인식해야 한다. KPI(들)의 초기 세트는 자율적인 생물학적 기반 학습 엔진 (360) 과 적어도 부분적인 결합된 성능 평가 컴포넌트 (1135) 를 통해 적어도 부분적으로 결정된, 하나 이상의 툴들의 성능의 이력적 추론된 평가에 기초하여 개량될 수 있다.
KPI(들) 스토어 (1520) 내의 KPI들, 또는 실질적으로 임의의, 또는 임의의 성능 메트릭은 평가된 성능이 하나 이상의 생산 툴들의 성능이거나 또는 표준 또는 참조 툴, 기구 또는 장비 유닛에 대한 성능인지 여부에 상관없이, 툴 성능의 비정상성들의 결정에 이용될 수 있다는 것을 알아야 한다.
보고 컴포넌트 (1510) 는 참조 변수와 연관된 영향 변수들에 대한 실제의 동작 데이터를 통해 결정된 값 및 참조 변수에 대한 예측된 값간의 차이들을 요약할 수 있다. 게다가, 보고 컴포넌트 (1510) 는 예컨대 성능 요약(들)(1145)의 일부로서, 성능 저하에 대한 임의의 다른 메트릭(들) 또는 이와 같은 요약된 차이들을 운반할 수 있다. 일 양태에서, 성능 요약(들)(1145) 은 최대 영향으로부터 최소 영향으로 순서화된 영향 변수들의 랭킹을 (예컨대, 디스플레이 인터페이스를 통해) 운반할 수 있다. 최소 영향으로부터 최대 영향으로 순서화된 랭킹이 또한 성능 요약(들) (1145)을 통해 운반될 수 있다는 것을 이해해야 한다. 게다가, 보고 컴포넌트는 임시적인 표시(들), 예컨대 하나 이상의 툴들의 비정상적인 성능의 하나 이상의 타임 스탬프들, 또는 동작 툴과 참조 툴간의 미스매칭된 성능; 을 보존할 수 있으며, 이러한 임시적 표시(들)은 하나 이상의 참조 변수들의 예측된 값들과 관측된 데이터간의 계산된 차이들에 적어도 부분적으로 기초한 분석 컴포넌트 (1505) 에 의해 생성된다. 예를 들어, 보고 컴포넌트 (1510) 는 성능 이벤트들의 일련의 비정상적인 저하, 및 미스매칭된 성능 이벤트들과 연관된 정보를 저장할 수 있다. 툴들의 세트에서의 툴들간의 미스매치 또는 툴들의 세트의 저하에 대한 비정상적인 성능 이벤트들 (예컨대, 영향 변수들에 대한 관련성 프로파일 및 이벤트들의 트랙 레코드) 상에서 생성된 콘텐츠는 성능 지능 메모리 엘리먼트 (1525) 에 보존될 수 있다.
일 양태에서, 하나 이상의 프로세서들(미도시)은 앞서 설명한, 성능 평가 컴포넌트 (1135) 및 그 내부의 컴포넌트들의 기능성을 적어도 부분적으로 부여하도록 구성될 수 있다. 이와 같은 기능성을 부여하기 위해, 하나 이상의 프로세서들(미도시)은 메모리 (1514) 에 저장된 코드 명령들 (미도시) 을 실행하여 성능 평가 컴포넌트 (1135) 및 그 내부의 컴포넌트의 설명한 기능을 제공할 수 있다.
도 16a 는 참조 변수, 예컨대 일련의 생산 런들에 대한 두 개의 이질적인 툴들에 대한 참조 챔버에서의 전압에 대한 예시적인 측정된 데이터와 예측된 값들의 챠트 (1600) 를 도시한다. 이 예시에서, 참조 변수는 웨이퍼 생산 프로세스에서의 저전압이다. 두 개의 이질적인 툴들 (예컨대, T2 및 T3) 은 점선 박스와 파선 박스로 도시된, 이질적인 런들의 세트들에서의 동일한 챔버 (예컨대, C4) 를 활용한다. 챠트 (1600) 로부터 인식되는 바와 같이, 참조 변수와 영향 변수들간의 함수 관계를 학습한 후 측정된 참조 변수 (그레이 다이아몬드 심볼들) 와 예측된 참조 변수의 값 (블랙 정사각형 심볼들) 간의 실질적인 일치가 존재한다. 이 예시에서 참조 변수 (예컨대, 전압) 의 객체 학습을 위해 변수들의 유니버셜 선택이 활용되었다.
도 16b 는 참조 변수, 예컨대 일련의 생산 런들에 대한, 챠트 (1600) 의 참조 챔버와 함께 이용된 것과 동일한, 두 개의 이질적인 툴들에 대한 비참조 챔버에서의 전압에 대한 예시적인 측정된 데이터와 예측된 값들의 챠트 (1650) 를 도시한다. 참조 변수의 예측된 값들은 대상 챔버 (예컨대, C1) 에 대한, 양쪽 툴들, 예컨대 T2 및 T3 의 측정된 값들과 불일치한다는 것을 인식해야 한다. 특히, 예컨대 점선 박스로 구별된 툴 T3 의 동작에서는 참조 변수의 예측된 값들과 측정된 값들간의 실질적인 불일치가 존재한다. 실질적인 불일치는 약 런 번호 105 이후의 생산 런 인덱스에 대한 위상 변경을 포함한다. 이 예시에서 참조 변수 (예컨대, 전압) 의 객체 학습을 위해 변수들의 유니버셜 선택이 활용되었다.
측정 값(들) 을 관측 또는 모니터링하는 것에 기초한 임의의 기법은 잠재적인 근본적인 툴 성능 저하 문제를 놓칠 수 있다는 것을 추가로 유념해야 한다. 예로서, 툴 (예컨대, 툴 T2, 또는 툴 시스템 (310)) 상의 전류 센서 (예컨대, 암페어로 측정) 는 손상되었지만 전류의 진짜 크기는 에러가 있지 않을 수 있고, 이에 따라 측정된 전압은 에러가 있는 것으로 관측되지 않는다. 하지만, 슈와르츠 (Shewhart) 챠트 또는 성능 제어 및 모니터링에 대한 다른 통상적인 단순한 통계치 기반 접근법들 (예컨대, 누적 합, 지수적 가중 이동 평균, 범위 챠트 ... ) 로 수행되는 경우에 출력 전압의 관측 값에 주의를 집중할 때 전류 센서 (예컨대, 센서 컴포넌트(들)(325)의 일부인 센서) 에 대한 센서 에러는 마스킹된다. 일 양태에서, 본 발명은 툴 성능의 모니터링 또는 평가의 통상적인 수단에서 놓쳐지는 독립 변수(들) (예컨대, 전류) 또는 종속 변수(들) (예컨대, 전압) 중 적어도 하나에서의 에러들의 인식을 허용한다.
도 16c 는 참조 변수, 예컨대 단일 툴 및 단일 챔버에서의 전압에 대한 선택된 데이터 세트로부터 자율적으로 학습된, 예시적인 측정된 데이터와 예측된 값들의 챠트 (1675) 를 도시한다. 챠트 (1675) 에서 참조 변수로서 고려된 전압은 챠트 (1600 및 1650) 의 전압 참조 변수와는 다르다는 것을 유념한다. 예측 값들은 앞서 설명한 바와 같이 경험적 선택을 통해 선택된 영향 변수들과 참조 변수간의 학습된 관계를 통해 결정된다. 특히, 선택된 영향 변수들은 적어도 0.4 의 상관을 나타낸다. 참조 데이터로서 이용된 데이터는 툴 T2 를 비롯한 두 개의 툴들의 세트, 및 세 개의 챔버들의 세트에서 수집된 모든 데이터의 10 % 를 포함하며, 이 세 개의 챔버들의 적어도 일부는 툴들의 세트에서의 각각의 툴에서 이용된다. 참조 변수에 대해 추출된 측정된 데이터는 예측 값들에 의해 잘 재생산된다. 듀얼 모드 동작, 예컨대 데이터 (원형 심볼들로 표현된 측정 값들) 에 의해 드러난, 고전압에서의 런들의 세트(들) 및 저전압에서의 런들의 세트(들) 는 선택된 영향 변수들의 자율적이고 객관적으로 학습된 함수를 통해 예측 값들 (십자형 심볼들) 에 의해 적당히 기술된다. 듀얼 모드 동작의 예측은 함수 관계의 학습 동안의 외부적으로 도입된 듀얼 모드 타입 동작 보다는, 참조 변수와 선택된 영향 변수들과 이들의 측정된 실제 크기들간의 자율적이고 객관적으로 학습된 관계로부터 발생한다는 것을 유념한다. 도 16d 에서의 예시적인 챠트 (1685) 는 저전압 동작 모드에 대한 예측 값들과 측정 값들의 상세를 도시한다. 마찬가지로, 챠트 (1695) 는 저전압 동작 모드와 고전압 동작 모드에 대한 예측 값들과 측정 값들의 상세를 도시한다. 위에서 나타난 바와 같이, 자율적인 예측들과 데이터간의 일치는 상당하다.
상술되고 제공된 예시적인 시스템들의 관점에서, 개시된 사항에 따라 구현될 수도 있는 방법은, 도 17 내지 도 21 의 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. 추가적으로, 이후 개시되고 본 명세서 전반에 걸쳐 개시되는 방법들이 실행을 위한 다양한 디바이스들로의 이와 같은 방법들의 전달 및 운반을 용이하게 하고, 이에 따라 적어도 프로세서 또는 프로세싱 유닛 또는 플랫폼에 의한 구현을 용이하게 하기 위해, 제조품 상에 저장될 수 있음을 또한 인식해야 한다. 방법은 상태 다이어그램에서와 같이 일련의 상호관련된 상태들 또는 이벤트들로서 이와 달리 표현될 수 있음을 이해 및 인식할 것이다.
도 17 은 콘텍스트 목적 조정을 갖는 생물학적 기반 자율적인 학습을 위한 예시적인 방법 (1700) 의 흐름도를 제공한다. 적응적 추론 엔진 (예컨대, 110), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (1700) 을 적어도 부분적으로 구현할 수 있다. 대안적으로, 또는 추가적으로, 프로세싱 플랫폼, 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 적응적 추론 엔진에 기능을 수여하는 내부에 있는 기능 유닛(들) 또는 프로세서(들)은 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 액트 (1710) 에서, 목적이 확립된다. 목적은, 그 목적 또는 객체를 달성하는데 이용되는 목적 컴포넌트의 기능과 관련된 추상화이다. 목적은 멀티-규율적일 수 있고, 다양한 섹터들 (예를 들어, 산업, 과학, 문화, 정치 등) 에 걸쳐있을 수 있다. 일반적으로, 액트 (1710) 는 학습 시스템 (예를 들어, 적응적 추론 엔진; 110) 에 커플링될 수 있는 목적 컴포넌트 (예컨대, 120) 에 대해 외부에 있거나 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 제공하는 디바이스 등일 수 있다. 액트 (1720) 에서, 데이터가 수신된다. 이와 같은 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 지능이 임베드된 머신 또는 그 밖의 것일 수 있는 액터 (예를 들어, 액터 (390)) 에 의해 운반된 데이터와 같이 외인성일 수 있다. 외인성 데이터는, 프로세스를 구동시키거나, 일반적으로는 특정 목적의 달성을 구동시키는데 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 예는 툴 시스템의 시뮬레이션을 수행하는 컴퓨터, 또는 실질적으로 임의의 목적 컴포넌트일 수 있다. 툴 시스템의 시뮬레이션은, 툴 시스템에 대한 배치 파라미터들을 결정하거나, 그 툴에 대한 동작의 대안적인 조건들 (예를 들어, 휴먼 에이전트에 대해 위험을 나타낼 수 있거나 값비쌀 수 있는 동작들의 조건들) 을 테스트하기 위해 이용될 수 있음을 인식해야 한다. 수신된 데이터는, 특정 프로세스 (예컨대, 평판 패널 디스플레이 능동 매트릭스의 일부인 TFT들의 매트릭스의 퇴적), 또는 일반적으로는 특정 코드와 관련된 생산 데이터 또는 트레이닝 데이터일 수 있다.
추가적인 양태에서, 수신된 데이터는 데이터 타입들 또는 절차 또는 기능적 유닛들과 관련될 수 있다. 데이터 타입은 실제 데이터의 상위 레벨 추상화이며; 예를 들어, 어닐링 사이클의 기간 동안 온도가 프로그래밍된 레벨에서 제어될 수 있는 툴 시스템에서의 어닐링 상태에서, 툴 시스템 내의 온도 센서에 의해 측정된 온도값들의 시간 시퀀스는 관련 시퀀스 데이터 타입일 수 있다. 기능적 유닛들은, 프로세서 또는 프로세싱 플랫폼에 의해 적어도 실행될 때, 툴의 동작 또는 툴에 의해 생성된 데이터를 분석하는데 필요한 데이터를 처리하는 프로세싱 코드 패치들 또는 수신된 명령들의 라이브러리들에 적어도 부분적으로 대응할 수 있다. 기능적 유닛들은 프로세서에 의해 적어도 부여된 기능성을 갖는, 유닛의 특정 기능성에 관련된 개념들로 적어도 부분적으로 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 행해질 수 있다는 점에서, 이와 같은 개념들은 오버로드될 수 있다. 또한, 기능적 유닛들과 관련된 개념들은, 독립 변수에 대해 2 개의 벡터들의 스칼라 곱의 도함수를 나타내는 개념을 예시할 수 있는 derivative(scalar_product(vector, vector )) 과 같은 기능적 유닛들과 관련된 다른 개념들을 상속받을 수 있다. 기능적 개념들은 그 자체가 개념들인 클래스들과의 직접적인 유사점을 가짐을 인식해야 한다. 또한, 데이터 타입들은 우선순위와 관련될 수 있으며, 그 우선순위에 따라 시맨틱 네트워크에 배치될 수 있다. 유사하게, 기능적 개념들 (또는 오토봇들의 적어도 일부분; 도 6b 참조) 은 또한 우선순위와 관련될 수 있으며, 이질적인 시맨틱 네트워크에 배치될 수 있다. 개념 우선순위들은 동적이며, 시맨틱 네트워크들에서 개념 활성화를 용이하게 할 수 있다.
액트 (1730) 에서, 상술된 바와 같이 시맨틱 네트워크들에서 나타날 수 있는, 수신된 데이터로부터 지식이 생성된다. 지식의 생성은, 시맨틱 네트워크둘에서의 활성화를 전파함으로써 달성될 수 있다. 그러한 전파는, 스코어 결합 이외에 개념에 할당된 상황 스코어에 의해 결정될 수 있다. 일 양태에서, 스코어 결합은 2 개의 스코어들의 가중된 가산이거나 또는 2 개 이상의 스코어들의 평균일 수 있다. 툴 시스템 조건들 또는 외부 액터로부터 수신된 정보 입력 중 적어도 하나에 의존하여, 스코어 결합에 대한 규칙은 변경될 수 있음을 인식해야 한다. 거의 활성화되지 않은 개념들이 오래된 것이 되도록 하여 신규한 개념들이 보다 관련있도록 하기 위해 우선순위는 시간이 진행함에 따라 퇴화될 수 있음을 인식해야 한다.
생성된 지식은 메모리에 보존될 수 있고, 조치가능한 정보일 수 있으며, 예를 들어, 증착 단계에서의 정상 상태 압력은 정상 상태 흐름 및 정상 상태 배기 밸브 각도와 같은 2 개의 독립 변수들의 정확하고 명확히 정의된 수학적 함수 (예를 들어, 확률적이거나 미지인 것보다는 결정적으로 평가되는 함수에 입력되는 모든 파라미터들을 갖는 단일-값 함수) 이다. 대안적으로, 또는 추가적으로, 천이 동안의 압력은 독립 변수들 및/또는 파라미터들의 함수로서 캐스트될 수 있거나, 또는 모든 시간 인스턴스들이 포함된, 레시피 (예컨대, FPD (flat panel display) 픽셀에서의 TFT 구조의 포토리소그래픽 에칭) 의 실행 동안의 압력은 레시피의 실행 동안의 다른 측정된 변수들/파라미터들의 함수로서 캐스트될 수 있다.
액트 (1740) 에서, 생성된 지식은 추가적인 지식의 생성 및 자율적인 툴의 후속 이용을 위해 저장된다. 일 양태에서, 지식은 메모리들의 계층에 저장될 수 있다. 메모리내의 지식의 영속성 및 부가적인 지식의 생성에 대한 지식의 적용가능성에 대해 계층이 결정될 수 있다. 일 양태에서, 계층내의 제 3 층은 에피소딕 메모리 (예를 들어, 에피소딕 메모리 (530), 또는 인식 에피소딕 메모리 (740)) 일 수 있으며, 여기서, 수신된 데이터의 임프레션 및 지식이 수집될 수 있다. 그러한 메모리 층에서, 개념들의 처리는 상당하지 않으며, 그 메모리는 툴 시스템 또는 외부 액터로부터 수신된 이용가능한 정보의 저장소로서 대신 기능한다. 일 양태에서, 그러한 메모리는, 다수의 데이터 타입들 및 절차 개념들이 저장될 수 있는 메타데이터베이스로서 식별될 수 있다. 제 2 층에서, 지식은 숏텀 메모리에 저장될 수 있으며, 여기서, 개념들은 상당히 처리될 수 있고, 시맨틱 네트워크에서의 확산 활동이 발생할 수 있다. 그러한 메모리 층에서, 기능적 유닛들 또는 절차 개념들은, 새로운 지식 또는 학습을 생성하기 위해, 수신 데이터 및 개념들에 대해 동작한다. 제 1 층 메모리는, 지식이 활성 이용을 위해 유지되는 롱텀 메모리 (예를 들어, LTM (510)) 일 수 있으며, 상당한 새로운 지식이 이러한 메모리 층에 저장된다. 또한, 롱텀 메모리내의 지식은 숏텀 메모리 (예컨대, 520) 내의 기능적 유닛들에 의해 이용될 수 있다.
액트 (1750) 에서, 생성되거나 또는 저장된 지식이 이용된다. 지식은, (i) 저장된 지식 (데이터와 절차들) 과 새롭게 수신된 데이터 사이의 차이들을 식별함으로써 목적 컴포넌트 (예를 들어, 툴 시스템 (310)) 의 저하 레벨을 결정하고 (자체-인식 컴포넌트 (550) 참조), (ii) 예를 들어, (자체-개념화 컴포넌트 (560) 에서와 같이) 데이터 패턴들을 식별하거나 변수들 사이의 관계를 발견함으로써, 외인성 또는 내인성 데이터 중 어느 하나 또는 그 양쪽을 특징지우거나, 또는 (iii) 예측된 고장들 또는 기존의 고장들에 대한 근본적인 원인의 표시들 뿐만 아니라, 툴 시스템의 저하가 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, 새롭게 수신된 데이터는 외인성 (예를 들어, 입력 (130)) 또는 내인성 (예를 들어, 출력 (140) 의 일부) 일 수 있고, 변수들은 확립된 목적을 달성하기 위해 이용될 수 있다. 저장되고 생성된 지식의 이용이 외인성 또는 내인성인 수신된 데이터 및 그 결과로 생성된 지식에 의해 영향을 받는다는 것을 유념한다.
액트 (1760) 는, 목적의 달성 정도가 생성된 지식의 관점에서 검사될 수 있는 검증 액트이다. 확립된 목적이 달성되는 경우, 예시적인 방법 (1700) 은 종료할 수 있다. 대안적으로, 확립된 목적이 달성되지 않으면, 확립된 목적은 액트 (1770) 에서 리뷰될 수 있다. 후자에서, 방법 (1700) 의 흐름은, 현재의 목적이 수정되거나 적응될 경우 새로운 목적을 달성하는 것을 야기시킬 수 있으며; 예를 들어, 목적 적응은 생성된 지식에 기초할 수 있다. 현재의 목적의 수정이 추구되지 않을 경우, 방법 (1700) 의 흐름은 리턴하여 지식을 생성하며, 이는 현재 확립된 목적을 계속 추구하기 위해 이용될 수 있다.
도 18 은 목적 컴포넌트의 상태와 관련된 개념의 상황 스코어를 조정하기 위한 예시적인 방법의 흐름도 (1800) 를 제공한다. 자율적인 생물학적 기반 학습 엔진 (예컨대, 360), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (2100) 을 적어도 부분적으로 구현할 수 있다. 대안적으로, 또는 추가적으로, 프로세싱 플랫폼 (예컨대, 385), 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 자율적인 생물학적 기반 학습 엔진에 기능을 수여하는 그 내부의 기능 유닛(들) 또는 프로세서(들)은 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 액트 (1810) 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, TFT 와 같은, 특정 박막 디바이스의 코팅 프로세스에 대한 레시피는 "절연 디바이스를 퇴적시키는" 목적과 관련된 입력으로서 간주될 수 있다. 액트 (1820) 에서, 목적 컴포넌트의 상태에 적용될 수 있는 개념들의 세트가 결정된다. 그러한 개념들은 액트 (1810) 에서 입력된 데이터 타입들의 추상화들일 수 있거나, 또는 메모리 플랫폼 (예를 들어, 롱텀 메모리 (510), 또는 숏텀 메모리 (520)) 내의 기존의 개념들일 수 있다. 일반적으로, 적어도 프로세서 또는 프로세싱 유닛을 통해, 기술적 개념들 (예를 들어, 기능적 컴포넌트를 갖지 않는 개념들) 상에서 작용할 수 있는 기능적 개념들은 목적 달성에 더 빈번하게 이용될 수 있다. 액트 (1830) 에서, 목적 상태와 관련된 개념들의 세트에서의 각각의 개념에 대한 상황 스코어가 결정된다. 상황 스코어들의 세트는 개념 이용 또는 애플리케이션을 위한 계층을 확립할 수 있으며, 이것은 목적 적응성 또는 서브-목적 생성/랜덤화와 같은 목적의 다이나믹스를 결정할 수 있다. 특정한 개념들에 대한 상황 스코어들의 조정은, 목적 달성뿐만 아니라 목적 적응의 일부로서 목적들의 공간내의 전파를 구동시킬 수 있다.
도 19 는 추론을 통해 지식을 생성하기 위한 예시적인 방법의 흐름도 (1900) 를 제공한다. 자율적인 생물학적 기반 학습 엔진 (예컨대, 360), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (1900) 을 적어도 부분적으로 구현할 수 있다. 대안적으로, 또는 추가적으로, 프로세싱 플랫폼, 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 자율적인 생물학적 기반 학습 엔진에 기능을 수여하는 그 내부의 기능 유닛(들) 또는 프로세서(들)은 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 액트 (1910) 에서, 개념이 데이터 타입에 관련되고 그 개념에 대한 우선순위가 결정된다. 일반적으로, 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 함수 (예를 들어, 가중된 합산, 산술적 평균, 또는 기하학적 평균) 을 통해 결정될 수 있고, 그러한 파라미터는 개념의 관성, 및 상태 (예를 들어, 해당 개념에 관련될 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 개념들내에 노화 (aging) 양태를 도입할 수 있으며, 이에 따라, 특정 지식 시나리오 (예를 들어, 우선순위-기반 지식 네트워크에서의 노드 구조) 에 관련되는 것을 중지하는 개념들을 통해, 지식 유연성 (예를 들어, FPD 에서의 능동 매트릭스 어레이에서의 TFT 와 같은 나노-구조화된 디바이스의 준비를 위한 레시피와 같이 목적을 추구하기 위해 이용되는 패러다임) 을 촉진시킬 수 있다. 액트 (1920) 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, 2 층 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 기능적 개념들 (예를 들어, 플래너 오토봇 또는
Figure pct00058
, 개념적 오토봇) 사이의 관계들을 포함할 수 있다. 액트 (1930) 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, 또는 특정 목적을 추구하는 시스템에서의 고장을 예측하기 위해 이용될 수 있다.
도 20 은 본 명세서에서 설명된 양태들에 따른 애셋을 생산하는, 예컨대 제조하는 하나 이상의 툴들에 의해 생성된 생산 데이터와 연관된 변수들의 세트간의 관계를 학습하는 예시적인 방법 (2000) 의 흐름도를 제공한다. 자율적인 생물학적 기반 학습 엔진 (예컨대, 360), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (2000) 을 적어도 부분적으로 구현할 수 있다. 대안적으로, 또는 추가적으로, 프로세싱 플랫폼, 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 자율적인 생물학적 기반 학습 엔진에 기능을 수여하는 그 내부의 기능 유닛(들) 또는 프로세서(들)은 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 액트 (2010) 에서, 하나 이상의 애셋들 (예컨대, 328) 의 생산과 적어도 부분적으로 연관된 데이터의 세트가 수신된다. 일 양태에서, 수신된 데이터는 생산 런, 예컨대 생산 툴, 장비, 또는 기구에서 이행된 제조 런; 또는 참조 툴, 장비, 또는 기구를 통해 실시된 참조 동작 중 적어도 하나로부터 비롯될 수 있다. 상술한 바와 같이, 생산 런에서 비롯된 수신된 데이터의 세트, 예컨대 생산 데이터는 하나 이상의 애셋들을 제조하기 위해, 능동 매트릭스 어레이에서 TFT 를 위한 게이터 접촉을 퇴적하기 위한 레시피와 같은, 하나 이상의 생산 레시피들을 실시하는 것으로부터 초래될 수 있다. 또한, 생산 데이터는 하나 이상의 인접한 레시피 단계들의 세트 또는 분리된 레시피 단계들의 세트와 같은, 다양한 생산 또는 레시피 스테이지들, 또는 인스턴스들로부터 발생할 수 있다. 하나 이상의 애셋들은 디바이스들, 예컨대 다양한 복잡도들의 반도체 디바이스들을 포함할 수 있으며; 예컨대, 애셋들 (328) 은 플라즈마 방전 기반 평판 패널 디스플레이(들) (FPD(들)), 유기 발광 다이오드 (OLED) 기반 FPD(들), 액정 디스플레이 (LCD) 기반 FPD(들), 또는 예컨대 박막 트랜지스터 능동 매트릭스 어레이, 칼라 필터들, 편광기 등과 같은 엘리먼트들을 포함할 수 있다. 액트 (2020) 에서, 수신된 데이터 세트는 포맷팅된다. 일 양태에서, 상술한 바와 같이, 데이터는트레이닝 데이터, 예컨대 트레이닝 매트릭스들로서 식별된 테스트 제조 데이터와 연관된 매트릭스들 및 생산 데이터, 예컨대 적용 매트릭스들로서 식별된 제조 런 데이터로 구성된 매트릭스들을 갖는 매트릭스 포맷으로 캐스트될 수 있다. 트레이닝 및 적용 매트릭스들은 참조 툴, 또는 참조 툴의 장비의 동작, 및 생산 동안에 다양한 인스턴트들에서 각각 생성될 수 있다. 또한, 트레이닝 및 적용 매트릭스들은 하나 이상의 레시피들에서의 단계 레벨, 하나 이상의 레시피들에서의 인접하거나 또는 분리된 복수의 단계들 등과 같은, 다양한 동작 또는 생산 인스턴스들에서 생성될 수 있다. 또한, 트레이닝 또는 적용 매트릭스들은 웨이퍼 레벨, 또는 로트 레벨과 같은, 애셋 레벨에서 수신된 데이터를 통해 생성될 수 있다. 게다가, 유지 사이클들, 예컨대 예방적 스케쥴 유지에서 수집된 데이터는 또한 트레이닝 매트릭스 또는 적용 매트릭스 중 적어도 하나의 매트릭스로 포맷팅될 수 있다.
액트(2030) 에서, 참조 데이터의 세트가 변수들의 세트에 대해 선택된다. 선택된 참조 데이터는 수신된 데이터의 일부분, 예컨대 10 % 또는 20% 일 수 있다. 선택된 참조 데이터는 참조 툴 또는 참조 툴의 기구, 또는 생산 툴들의 세트 중 적어도 하나로부터 비롯될 수 있다. 툴들의 세트는 하나 이상의 툴들, 또는 툴 유닛으로서 동작하는 툴 그룹을 포함할 수 있다는 것을 유념한다. 추가적으로, 선택된 참조 데이터는 하나 이상의 생산 인스턴스들 또는 스테이지들 동안에 생성된 데이터의 평균들을 포함할 수 있으며; 예컨대, 평균들은, 하나 이상의 애셋들의 생산에서 이용된 복수의 레시피들에서의 각 레시피들에서의 각 단계 (예컨대, 에칭 단계, 포토리소그래픽 또는 그 밖의 것) 에 대한 단계 레벨 평균들; 로트 또는 배치, 또는 임의의 제조 볼륨에서의 각각의 생산된 웨이퍼에 대한 웨이퍼 레벨 평균들; 하나 이상의 툴들에 의해 생산된 각각의 로트에 대한 로트 레벨 평균들; 하나 이상의 제조된 능동 매트릭스 어레이들에 대한 TFT 퇴적 레벨 평균들; 또는 레시피에서의 각각의 습식 세정 사이클에 대한 습식 세정 사이클 평균들 중 적어도 하나일 수 있다. 애셋에서, 데이터의 선택은 액터 표시를 수신함으로써 실시될 수 있다. 게다가, 선택된 참조 데이터는 생산 데이터로부터 스트림라인될 수 있으며, 선택된 참조 데이터는 미리결정된 측정 샘플링 레이트로 수집된 미가공 (raw) 생산 데이터이다. 미가공 생산 데이터는 하나 이상의 애셋들 (예컨대, 평판 패널 디스플레이) 의 생산에서 구현된 모든 레시피들, 즉 특정 구현된 단일 레시피, 또는 퇴적 레시피(들), 포토리소그래피 레시피(들) 및 에칭 레시피(들)과 같은 구현된 레시피들의 세트로부터 비롯된다. 하나 이상의 구현된 생산 레시피들의 경우, 데이터 선택을 촉진시키는 측정 샘플링 레이트는 단일 단계, 인접하는 단계들의 그룹, 또는 하나 이상의 레시피들에서의 모든 단계들 중 적어도 하나일 수 있다.
액트 (2040) 에서, 변수들의 세트 내의 참조 변수가 결정되고 영향 변수들의 세트가 선택된다. 상술한 바와 같이, 참조 변수의 결정은 액트 (2030) 에서 식별된 변수들의 세트에 의해 나타난 변동들의 분석에 기초될 수 있는 반면에, 영향 변수들의 선택은 다양한 선택 메카니즘들을 준수할 수 있다. 특히, 선택 메카니즘들은 유니버셜 선택, 세미 유니버셜 선택, 지식 기반 선택, 경험적 선택, 또는 액터 구동형 선택 중 적어도 하나를 포함할 수 있다. 영향 변수들은 레시피 단계에서의 경과된 시간과 같은, 시간을 포함할 수 있다. 액트 (2050) 에서, 결정된 참조 변수와 영향 변수들의 세트간 형식 수학적 관계 g 가 학습된다. 학습은 예시적인 방법 (1700) 의 액트 (1730) 에서와 실질적으로 동일한 방식, 또는 동일한 방식으로 진행한다. 게다가, 형식 함수 관계를 학습하는 것은 영향 변수로서 시간을 포함할 수 있다. 여러 개의 참조 변수들에 대한 다수의 함수들을 학습하기 위해 예시적인 방법은 여러번 재수행될 수 있다는 것을 인식해야 한다. 본 명세서에서 설명된 자율적인 시스템은 수신된 데이터의 세트에 포함된 각각의 파라미터에 대한 함수를 학습할 수 있다는 것을 추가로 인식해야 한다.
도 21 은 본 명세서에서 설명된 양태들에 따른 하나 이상의 툴들, 또는 이 툴들의 기구들의 성능 저하 또는 미스매치를 확립하는 예시적인 방법 (2100) 의 흐름도를 제공한다. 본 예시적인 방법 (2100) 은 참조 툴 또는 생산 툴에 대한 성능 저하를 결정하도록 행해질 수 있다. 자율적인 생물학적 기반 학습 엔진 (예컨대, 360), 또는 이에 기능적으로 커플링된 하나 이상의 컴포넌트들은 예시적인 본 방법 (2100) 을 적어도 부분적으로 구현할 수 있다. 대안적으로, 또는 추가적으로, 프로세싱 플랫폼, 및 이에 기능적으로 커플링된 하나 이상의 컴포넌트들 또는 자율적인 생물학적 기반 학습 엔진에 기능을 수여하는 그 내부의 기능 유닛(들) 또는 프로세서(들)은 또한 본 예시적인 방법을 적어도 부분적으로 구현할 수 있다. 액트 (2110) 에서, 참조 변수의 값이 측정된다. 일 양태에서, 측정은 하나 이상의 레시피들의 이용을 거친 하나 이상의 툴들을 통한 애셋 (예컨대, FPD 와 같은 애셋 (390)) 에 대한 생산 프로세스의 일부이다. 또 다른 양태에서, 본 예시적인 방법은 생산 프로세스에 대한 다양한 입도 레벨에서 이용될 수 있다. 액트 (2120) 에서, 참조 변수와 연관된 영향 변수들의 세트에서의 각 변수에 대한 값이 측정된다. 액트 (2130) 에서, 참조 변수에 대한 값은 측정된 영향 변수들의 세트와 참조 변수간의 학습된 형식 관계에 기초하여 예측된다. 액트 (2140) 에서, 참조 변수의 측정치와 예측치간의 차이가 성능 메트릭 임계값 미만인지 여부를 확인하며, 성능 메트릭 임계값은 예컨대 액터에 의해 구성가능할 수 있다. 성능은 중요 성능 표시자 또는, 서비스 품질과 같은 실질적으로 임의의 또는 임의의 성능 메트릭을 통해 적어도 부분적으로 평가될 수 있다. 앞서 논의된 바와 같이, 다양한 KPI 들이 이용될 수 있다. 차이가 KPI 임계값 미만이면, 흐름은 참조 변수의 측정으로 재지향된다. 이와 반대이면, 액트 (2150) 에서, 영향 변수들과 학습된 형식 관계들에 대한 관련성 프로파일(들)이 생성되어 보존된다. 관련성 프로파일(들)의 생성은 앞서 논의한 바와 같이 구현될 수 있다. 예를 들어, 민감도 분석이 수행될 수 있으며, 민감도 분석은 참조 변수의 예측값에 대한 영향 변수들의 세트의 백분율 영향, 또는 영향 변수들의 세트의 학습된 형식 관계의 수치적 도함수 평가 중 적어도 하나에 부분적으로 기초될 수 있다. 일 양태에서, 성능 저하 또는 미스매치는 애셋을 생산하는 프로세스를 구현하는 하나 이상의 툴들의 동작과 연관된다. 성능 저하의 평가는 일반적으로 생산 데이터와 연관된 학습된 형식 관계를 수반하는 반면에, 성능 미스매치의 경우, 학습된 형식 관계는 이질적인 툴들로부터 비롯되는 생산 데이터와 연관되며, 툴들 중 하나의 툴은 참조 툴일 수 있다는 것을 인식해야 한다.
액트 (2160) 에서, 성능 저하 또는 미스매치 중 적어도 하나가 보고되고, 성능 보고(들) (예컨대, 성능 요약(들)(1145) 은 보존된다. 일 양태에서, 보고하는 것은 관련성 프로파일(들)과 같은 성능 정보를 액터에게 운반하거나 전달하는 것을 포함한다. 예로서, 비정상적인 성능 이벤트의 경우, 보고하는 것은 이벤트와 연관된 타임 스탬프와 함께, 랭킹 기준에 따라 순서화된 영향 변수들의 세트를 디스플레이하는 것을 포함할 수 있다.
용어 "프로세서" 가 본 명세서에서 이용될 때, 이 용어는 비제한적인 예시로서, 단일 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖춘 단일 프로세서들; 멀티 코어 프로세서들; 소프트웨어 멀티쓰레드 실행 능력을 갖춘 멀티 코어 프로세서들; 하드웨어 멀티쓰레드 기술을 갖춘 멀티 코어 프로세서들; 병렬 플랫폼들; 및 분산형 공유 메모리를 갖는 병렬 플랫폼들을 포함하는 실질적으로 임의의 컴퓨팅 프로세싱 유닛 또는 디바이스를 가리킬 수 있다. 추가적으로, 프로세서는 집적 회로, 애플리케이션 특정 집적 회로 (ASIC), 디지털 신호 프로세서 (DSP), 필드 프로그램가능 게이터 어레이 (FPGA), 프로그램가능 로직 제어기 (PLC), 컴플렉스 프로그램가능 로직 디바이스 (CPLD), 개별적인 게이트 또는 트랜지스터 로직, 개별적인 하드웨어 컴포넌트들, 또는 본 명세서에서 설명된 기능들을 수행하도록 설계된 이들의 임의의 조합을 가리킬 수 있다. 프로세서들은 공간 활용을 최적화하거나 또는 사용자 장비의 성능을 높이기 위해, 비제한적인 예시로서, 분자 및 양자 도트 기반 트랜지스터들, 스위치들 및 게이트들과 같은, 나노 스케일 아키텍쳐들을 이용할 수 있다. 프로세서는 또한 컴퓨팅 프로세싱 유닛들의 조합으로서 구현될 수 있다.
본 명세서에서, "스토어", "저장소", "데이터 스토어", "데이터 저장소", "데이터베이스" 용어들 및 컴포넌트의 동작 및 기능성과 관련된 실질적으로 임의의 다른 정보 저장소 컴포넌트는 "메모리 컴포넌트들", 또는 "메모리" 에 포함된 엔티티들 또는 메모리를 포함하는 컴포넌트들을 가리킨다. 여기서 설명된 메모리 컴포넌트들은 휘발성 메모리 또는 비휘발성 메모리 중 어느 하나일 수 있거나, 또는 휘발성 및 비휘발성 메모리 양쪽을 포함할 수 있다는 것을 인식할 것이다.
비제한적인 예로서, 비휘발성 메모리는 ROM(read only memory), PROM(programmable ROM), EPROM(electrically programmable ROM), EEPROM(electrically erasable ROM), 또는 플래쉬 메모리를 포함할 수 있다. 휘발성 메모리는 외부 캐시 메모리로서 역할을 하는, RAM(random access memory) 를 포함할 수 있다. 비제한적인 예로서, RAM 은 SRAM(synchronous RAM), DRAM(dynamic RAM, SDRAM(synchronous DRAM), DDR SDRAM(double data rate SDRAM), ESDRAM(enhanced SDRAM), SLDRAM(Synchlink DRAM), 및 DRRAM(direct Rambus RAM) 과 같은 많은 형태들로 이용가능하다. 추가적으로, 여기서 개시된 시스템들의 메모리 컴포넌트들 또는 방법들은 이러한 유형들의 메모리 및 임의의 다른 적절한 유형들의 메모리를 포함하는 것을 의도하지만, 이러한 메모리를 포함하는 것으로 제한되는 것은 아니다.
여기서 설명된 다양한 양태들 및 특성들은, 표준 프로그래밍 및/또는 엔지니어링 기술들을 사용하여 하드웨어 또는 하드웨어와 소프트웨어 또는 하드웨어와 펌웨어의 조합으로서의 장치, 방법, 또는 제조품으로서 구현될 수도 있다. 방법으로서의 구현예(들)은 프로세서 또는 프로세싱 유닛 (예컨대, 프로세싱 플랫폼 (385)) 을 통해 적어도 부분적으로 실시될 수 있다. 여기에 사용된 "제조품" 용어는 임의의 컴퓨터 판독가능 디바이스, 캐리어 또는 매체로부터 액세스가능한 컴퓨터 프로그램을 포함하는 것으로 의도된다. 예를 들어, 컴퓨터 판독가능 매체는, 자성 저장 디바이스들 (예를 들어, 하드 디스크, 플로피 디스크, 자성 스트립들, ...), 광학 디스크들 [예를 들어, 컴팩 디스크 (CD), DVD (digital versatile disk) ...], 스마트 카드, 및 플래시 메모리 디바이스들 (예를 들어, 카드, 스틱, 키 드라이브 ...) 를 포함할 수 있지만, 이에 제한되지는 않는다.
상술한 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 청구항들의 사상 및 범위내에 있는 모든 그러한 수정들, 변형들 및 변경들을 포함하는 것으로 의도된다. 뿐만 아니라, 용어 "포함한다" 또는 "포함하는" 이 상세한 설명 또는 특허청구범위에서 사용되는 경우, 그러한 용어는, 특허청구범위에서 전이어구로서 이용될 경우, "구비하는" 또는 "구비하다" 용어와 마찬가지 방식으로 포괄적인 것으로 의도된다.

Claims (48)

  1. 시스템으로서,
    애셋 (asset) 을 생산하는 툴 시스템에서의 장비의 유닛들의 세트와 연관된 데이터 및 변수들의 세트를 선택하는 컴포넌트로서, 상기 변수들의 세트는 참조 변수와 상기 참조 변수에 대한 영향 변수들의 세트를 포함하는, 상기 컴포넌트;
    선택된 데이터에 대한 영향 변수들의 세트와 상기 참조 변수간의 관계를 자율적으로 학습하는 객체 학습 엔진; 및
    상기 장비의 유닛들의 세트에서의 적어도 하나의 장비의 유닛의 성능 저하를 결정하기 위해 상기 관계에 기초하여 상기 참조 변수의 측정값과 상기 참조 변수의 예측값을 비교하는 성능 평가 컴포넌트를 포함하는, 시스템.
  2. 제 1 항에 있어서,
    상기 애셋들은 하나 이상의 반도체 디바이스들을 포함하며, 상기 하나 이상의 반도체 디바이스들은 플라즈마 방전 기반 평판 패널 디스플레이 (flat panel display; FPD), 유기 발광 다이오드 (organic light emitting diode; OLED) 기반 FPD, 액정 디스플레이 (liquid crystal display; LCD) 기반 FPD, 또는 이러한 FPD 들의 엘리먼트들을 포함하며, 상기 FPD 들의 엘리먼트들은 박막 트랜지스터 능동 매트릭스 어레이, 칼라 필터, 또는 편광기 중 하나 이상을 포함하는, 시스템.
  3. 제 1 항에 있어서,
    상기 성능 평가 컴포넌트는 이질적인 장비의 유닛들간의 성능 미스매치 (mismatch) 를 결정하기 위해 상기 관계에 기초하여 상기 참조 변수의 측정값과 상기 참조 변수의 예측값을 비교하는, 시스템.
  4. 제 3 항에 있어서,
    상기 데이터는 제조 런 데이터, 합성 제조 데이터, 및 테스트 제조 데이터 중 적어도 하나의 데이터를 포함하는, 시스템.
  5. 제 1 항에 있어서,
    데이터 선택기는 자동화된 분석 또는 액터 (actor) 입력 중 적어도 하나를 통해 상기 참조 변수를 선택하는, 시스템.
  6. 제 5 항에 있어서,
    상기 자동화된 분석은 상기 애셋의 제조 프로세스에서의 후보 참조 변수들 각각의 변동 크기에 따른 후보 참조 변수들의 배열을 포함하는, 시스템.
  7. 제 6 항에 있어서,
    상기 데이터 선택기는 저변동 변수, 중간 변동 변수, 또는 고변동 변수 중 적어도 하나를 선택하는, 시스템.
  8. 제 1 항에 있어서,
    데이터 선택기는 유니버셜 선택, 세미 유니버셜 선택, 지식 기반 선택, 또는 경험적 선택 중 적어도 하나에 기초하여 영향 변수들의 세트를 선택하는, 시스템.
  9. 제 4 항에 있어서,
    데이터 선택기는 선택된 데이터를 매트릭스 표현으로 전달하는 포맷터 컴포넌트를 포함하는, 시스템.
  10. 제 9 항에 있어서,
    상기 매트릭스 표현은 참조 변수 및 상기 참조 변수와 연관된 영향 변수들의 세트에서의 적어도 하나의 변수를 포함하는, 시스템.
  11. 제 10 항에 있어서,
    상기 데이터 선택기는 상기 애셋을 생산하는 툴 시스템에서의 장비의 유닛들의 세트와 연관된 데이터로부터 참조 데이터를 선택하는 컴포넌트를 포함하며, 상기 참조 데이터는 적어도 상기 데이터의 일부분인, 시스템.
  12. 제 11 항에 있어서,
    상기 데이터 선택기는 액터 입력을 통해 참조 데이터를 선택하는, 시스템.
  13. 제 12 항에 있어서,
    상기 포맷터 컴포넌트는 상기 선택된 참조 데이터에 적어도 부분적으로 기초하여 트레이닝 매트릭스를 생성하는, 시스템.
  14. 제 13 항에 있어서,
    상기 참조 데이터는 참조 챔버, 툴들의 세트, 또는 미리결정된 샘플링 레이트로 데이터를 수집하는 측정 유닛 중 적어도 하나로부터의 데이터를 포함하는, 시스템.
  15. 제 14 항에 있어서,
    상기 참조 데이터는 상기 애셋을 생산하기 위한 레시피 (recipe) 에서의 단일 단계, 또는 상기 레시피에서의 다중 단계들 중 하나의 단계로부터의 데이터를 포함하며, 상기 다중 단계들은 인접하거나 또는 분리된 것인, 시스템.
  16. 제 15 항에 있어서,
    상기 참조 데이터는 단계 레벨, 웨이퍼 레벨, 로트 레벨, 능동 매트릭스 어레이 제조, 또는 습식 세정 사이클 중 적어도 하나로부터 비롯되는 평균 데이터를 포함하는, 시스템.
  17. 제 16 항에 있어서,
    상기 참조 데이터는 상기 애셋을 제조하기 위한 프로세스 내의 미리결정된 사이클에서 비롯된 평균 데이터를 포함하며, 상기 애셋은 평판 패널 디스플레이 디바이스를 포함하는, 시스템.
  18. 제 13 항에 있어서,
    상기 트레이닝 매트릭스는 상기 애셋을 제조하기 위한 프로세스의 하나 이상의 인스턴스들에 대해 생성되고, 상기 하나 이상의 인스턴스들은 상기 프로세스의 레시피에서의 단계, 툴들의 세트에서의 웨이퍼 런, 툴들의 세트에서의 로트 런, 또는 상기 프로세스 내의 사이클들의 세트 중 적어도 하나를 포함하는, 시스템.
  19. 제 3 항에 있어서,
    상기 선택된 데이터에 대한 영향 변수들의 세트와 상기 참조 변수간의 관계는 수학적 함수 관계이며, 상기 관계는 외부 바이어스에 대한 의존 없이 자율적으로 학습되는, 시스템.
  20. 제 19 항에 있어서,
    상기 수학적 함수 관계는 상기 참조 변수의 측정값과 상기 참조 변수의 예측값간의 차이를 계산하는, 시스템.
  21. 제 20 항에 있어서,
    상기 수학적 함수 관계는 상기 참조 변수의 측정값과 상기 참조 변수의 예측값간의 차이의 변동을 계산하는, 시스템.
  22. 제 19 항에 있어서,
    상기 선택된 데이터는 상기 애셋을 제조하기 위한 프로세스에서의 적어도 하나의 인스턴스에 대한 생산 데이터인, 시스템.
  23. 제 19 항에 있어서,
    상기 성능 평가 컴포넌트는 통계역학 함수들의 세트를 통해 측정값과 예측값간의 차이들의 분포를 요약하는 분석 컴포넌트를 포함하는, 시스템.
  24. 제 23 항에 있어서,
    액터 제공형 중요 성능 표시자 임계값들의 세트는 비정상적인 성능 저하 또는 비정상적인 성능 미스매치 중 적어도 하나를 결정하는, 시스템.
  25. 제 23 항에 있어서,
    비정상적인 성능 저하 또는 비정상적인 성능 미스매치 중 적어도 하나는 참조 툴 또는 상기 참조 툴의 기구 (instrument) 중 적어도 하나에 대해 결정되는 것인, 시스템.
  26. 제 24 항에 있어서,
    상기 분석 컴포넌트는 무감독 이론 증명 알고리즘들 (unsupervised theorem proving algorithms) 및 상기 수학적 함수 관계의 표현 분석을 통해 영향 변수들의 랭킹을 결정하는 형식 분석 컴포넌트를 포함하는, 시스템.
  27. 제 26 항에 있어서,
    상기 분석 컴포넌트는 영향 변수들의 세트에 대한 상기 수학적 함수 관계의 구배 벡터 (gradient vector) 의 계산을 통해 영향 변수들의 랭킹을 확립하는 수치 분석 컴포넌트를 포함하는, 시스템.
  28. 제 27 항에 있어서,
    툴들의 세트의 성능 저하 또는 툴들의 세트에서의 툴들간의 성능 미스매치 중 적어도 하나는 상기 영향 변수들의 랭킹에 따라 프로파일될 수 있고, 상기 영향 변수들의 랭킹으로부터 관련성 프로파일이 발생하는, 시스템.
  29. 하나 이상의 애셋들을 제조하는 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법으로서,
    참조 변수의 값을 측정하는 단계;
    상기 참조 변수와 연관된 영향 변수들의 세트에서의 각 변수에 대한 값을 측정하는 단계;
    상기 영향 변수들의 세트와 상기 참조 변수간의 학습된 형식 관계에 기초하여 상기 참조 변수에 대한 값을 예측하는 단계; 및
    상기 참조 변수에 대한 측정값과 상기 참조 변수에 대한 예측값간의 차이가 성능 메트릭 임계값 위이면 적어도 하나의 툴의 성능 저하 또는 복수의 툴들간의 성능 미스매치 중 적어도 하나를 보고하는 단계를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  30. 제 29 항에 있어서,
    상기 참조 변수에 대한 측정값과 상기 참조 변수에 대한 예측값간의 차이가 상기 성능 메트릭 임계값 위이면, 관련성 프로파일을 생성하고 상기 영향 변수들의 세트와 학습된 함수들에 대한 관련성 프로파일을 보존하는 단계를 더 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  31. 제 30 항에 있어서,
    상기 적어도 하나의 툴의 성능 저하 또는 상기 성능 미스매치 중 적어도 하나를 보고하는 단계는 액터에게 성능 정보를 전달하는 단계를 포함하며, 상기 성능 정보는 성능 저하 또는 미스매치 이벤트와 연관된 타임 스탬프를 갖는 랭킹 기준에 따라 순서화된 상기 영향 변수들의 세트 또는 상기 관련성 프로파일 중 적어도 하나를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  32. 제 31 항에 있어서,
    상기 학습된 함수들 및 상기 영향 변수들의 세트에 대한 상기 관련성 프로파일을 생성하는 단계는 상기 참조 변수에 대한 예측값에 대한 상기 영향 변수들의 세트의 백분율 영향, 또는 상기 영향 변수들의 세트의 학습된 함수의 수치 도함수 평가 중 적어도 하나에 적어도 일부분 기초하여 민감도 분석을 수행하는 단계를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  33. 제 29 항에 있어서,
    측정된 상기 영향 변수들의 세트와 상기 참조 변수간의 학습된 형식 관계에 기초하여 상기 참조 변수에 대한 값을 예측하는 단계는:
    상기 하나 이상의 애셋들의 제조와 적어도 일부분 연관된 데이터의 세트를 수신하는 단계;
    변수들의 세트에 대한 참조 데이터의 세트를 선택하는 단계;
    상기 변수들의 세트에서 참조 변수를 결정하고 영향 변수들의 세트를 선택하는 단계; 및
    상기 영향 변수들의 세트와 상기 참조 변수간의 형식 함수 관계를 자율적으로 학습하는 단계를 더 포함하며, 상기 관계는 외부 바이어스에 대한 의존 없이 자율적으로 학습되는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  34. 제 33 항에 있어서,
    상기 하나 이상의 애셋들은 반도체 디바이스들을 포함하며, 하나 이상의 상기 반도체 디바이스들은 플라즈마 방전 기반 평판 패널 디스플레이 (FPD), OLED 기반 FPD, LCD 기반 FPD 를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  35. 제 34 항에 있어서,
    상기 데이터의 세트는 생산 런 데이터, 합성 제조 데이터, 또는 테스트 제조 데이터 중 적어도 하나의 데이터를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  36. 제 35 항에 있어서,
    상기 수신된 데이터의 세트를 포맷팅하는 단계를 더 포함하며, 상기 수신된 데이터의 세트를 포맷팅하는 단계는 상기 테스트 제조 데이터 또는 상기 생산 런 데이터 중 적어도 하나에 대한 매트릭스 표현을 생성하는 것을 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  37. 제 36 항에 있어서,
    상기 테스트 제조 데이터의 매트릭스 표현은 참조 툴 또는 생산 툴 중 적어도 하나의 툴의 동작 동안에 하나 이상의 인스턴트들에서 생성되는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  38. 제 37 항에 있어서,
    상기 생산 런 데이터의 매트릭스 표현은 상기 생산 툴의 동작 동안에 하나 이상의 인스턴트들에서 생성되는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  39. 제 36 항에 있어서,
    상기 테스트 제조 데이터 또는 상기 생산 런 데이터 중 적어도 하나에 대한 상기 매트릭스 표현을 생성하는 것은 하나 이상의 생산 인스턴스들에서 생성되며, 상기 하나 이상의 생산 인스턴스들은 하나 이상의 레시피들에서의 단계 레벨, 또는 상기 하나 이상의 레시피들에서의 인접하거나 또는 분리된 복수의 단계들 중 적어도 하나를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  40. 제 36 항에 있어서,
    상기 테스트 제조 데이터 또는 상기 생산 런 데이터 중 적어도 하나에 대한 상기 매트릭스 표현을 생성하는 것은 상기 애셋 레벨에서 수신된 데이터를 통해 생성되는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  41. 제 33 항에 있어서,
    상기 변수들의 세트에 대한 참조 데이터의 세트를 선택하는 단계는 상기 수신된 데이터의 일부분을 선택하는 것 또는 액터로부터 입력을 수신하는 것 중 적어도 하나를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  42. 제 41 항에 있어서,
    상기 변수들의 세트에 대한 참조 데이터의 세트는 참조 툴, 툴들의 세트, 또는 미리결정된 샘플링 레이트로 데이터를 적어도 수집하는 툴에서의 측정 유닛 중 적어도 하나로부터의 데이터를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  43. 제 42 항에 있어서,
    상기 변수들의 세트에 대한 참조 데이터의 세트는 상기 애셋을 생산하기 위한 하나 이상의 레시피들에서의 단일 단계 또는 다중 단계들 중 하나로부터의 데이터를 포함하며, 상기 다중 단계들은 인접하거나 또는 분리되어 있는 것인, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  44. 제 43 항에 있어서,
    상기 변수들의 세트에 대한 참조 데이터의 세트는 단계 레벨, 웨이퍼 레벨, 로트 레벨, 능동 매트릭스 어레이 제조, 또는 습식 세정 사이클 중 적어도 하나로부터 비롯되는 평균 데이터를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  45. 제 33 항에 있어서,
    상기 영향 변수들의 세트를 선택하는 단계는 유니버셜 선택, 세미 유니버셜 선택, 지식 기반 선택, 경험적 선택, 또는 액터 구동형 선택 중 적어도 하나에 기초하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  46. 제 45 항에 있어서,
    상기 영향 변수들의 세트와 상기 참조 변수간의 상기 형식 함수 관계를 학습하는 단계는 제거된 하나 이상의 영향 변수들을 상기 형식 함수 관계가 포함할 때 이질적인 예측된 출력에 대한 상기 참조 변수에 대한 예측된 출력에 약하게 영향을 미치는 하나 이상의 영향 변수들을 제거하는 단계를 포함하는, 하나 이상의 툴들의 성능 저하 또는 미스매치를 확립하는 방법.
  47. 명령들의 세트를 포함하는 컴퓨터 판독가능 저장 매체를 포함한 컴퓨터 프로그램 제품으로서,
    상기 명령들의 세트는 컴퓨터에 의해 실행될 때 상기 컴퓨터로 하여금,
    애셋의 제조 프로세스의 인스턴스에서 참조 변수의 값들의 세트를 측정하는 동작;
    상기 참조 변수와 연관된 영향 변수들의 세트에서의 각 변수에 대한 값들의 세트를 측정하는 동작;
    측정된 상기 영향 변수들의 세트와 상기 참조 변수간의 형식 관계를 자율적으로 학습하는 동작;
    상기 학습된 형식 관계에 기초하여 상기 참조 변수에 대한 값들의 세트를 예측하는 동작; 및
    상기 참조 변수의 측정값과 상기 참조 변수의 예측값간의 차이가 중요 성능 표시자 임계값 위이면 적어도 툴의 성능 저하 또는 복수의 툴들의 성능 미스매치를 보고하는 동작을 수행하게 하는, 컴퓨터 프로그램 제품.
  48. 장치로서,
    애셋을 생산하는 툴 시스템에서의 장비의 유닛들의 세트와 연관된 데이터 및 변수들의 세트를 식별하는 수단으로서, 상기 변수들의 세트는 참조 변수와 상기 참조 변수에 대한 영향 변수들의 세트를 포함하는, 상기 식별 수단;
    참조 변수 데이터에 대한 영향 변수들의 세트와 상기 참조 변수간의 함수 관계를 자율적으로 학습하는 수단; 및
    상기 학습된 함수 관계를 통해 예측된 상기 참조 변수의 값들에 적어도 부분적으로 기초하여 상기 툴 시스템에서의 장비의 유닛들의 세트에서의 적어도 하나의 장비의 유닛의 성능 미스매치 또는 성능 저하 중 적어도 하나를 평가하는 수단을 포함하는, 장치.
KR1020117025734A 2009-03-31 2010-02-03 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템 KR101609017B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/416,018 US8725667B2 (en) 2008-03-08 2009-03-31 Method and system for detection of tool performance degradation and mismatch
US12/416,018 2009-03-31

Publications (2)

Publication Number Publication Date
KR20110133497A true KR20110133497A (ko) 2011-12-12
KR101609017B1 KR101609017B1 (ko) 2016-04-04

Family

ID=42828622

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020117025734A KR101609017B1 (ko) 2009-03-31 2010-02-03 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템

Country Status (6)

Country Link
US (1) US8725667B2 (ko)
JP (1) JP5544413B2 (ko)
KR (1) KR101609017B1 (ko)
CN (1) CN102449623B (ko)
TW (1) TWI524189B (ko)
WO (1) WO2010114641A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11605038B1 (en) 2020-05-18 2023-03-14 Vignet Incorporated Selecting digital health technology to achieve data collection compliance in clinical trials
US11687437B1 (en) 2020-05-18 2023-06-27 Vignet Incorporated Assisting researchers to monitor digital health technology usage in health research studies

Families Citing this family (104)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8423224B1 (en) * 2007-05-01 2013-04-16 Raytheon Company Methods and apparatus for controlling deployment of systems
US8190543B2 (en) * 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8725667B2 (en) 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8078552B2 (en) * 2008-03-08 2011-12-13 Tokyo Electron Limited Autonomous adaptive system and method for improving semiconductor manufacturing quality
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
US8219437B2 (en) 2008-07-10 2012-07-10 Palo Alto Research Center Incorporated Methods and systems for constructing production plans
US8165705B2 (en) * 2008-07-10 2012-04-24 Palo Alto Research Center Incorporated Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources
US8266092B2 (en) 2008-07-10 2012-09-11 Palo Alto Research Center Incorporated Methods and systems for target value path identification
US8145334B2 (en) * 2008-07-10 2012-03-27 Palo Alto Research Center Incorporated Methods and systems for active diagnosis through logic-based planning
US9058707B2 (en) 2009-02-17 2015-06-16 Ronald C. Benson System and method for managing and maintaining abrasive blasting machines
US8359110B2 (en) * 2009-03-23 2013-01-22 Kuhn Lukas D Methods and systems for fault diagnosis in observation rich systems
US9893958B2 (en) * 2009-12-23 2018-02-13 At&T Intellectual Property I, L.P. Method and system for service assurance and capacity management using post dial delays
US8280671B2 (en) * 2010-01-29 2012-10-02 Microsoft Corporation Compressive data gathering for large-scale wireless sensor networks
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
US8723869B2 (en) 2011-03-21 2014-05-13 Tokyo Electron Limited Biologically based chamber matching
KR101216517B1 (ko) * 2011-04-01 2012-12-31 국방과학연구소 최적의 네트워크 시뮬레이션 환경 구축 방법 및 그 시스템
US20120308984A1 (en) * 2011-06-06 2012-12-06 Paramit Corporation Interface method and system for use with computer directed assembly and manufacturing
US8762301B1 (en) * 2011-10-12 2014-06-24 Metso Automation Usa Inc. Automated determination of root cause
US10047439B2 (en) * 2011-12-08 2018-08-14 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for tool condition monitoring based on a simulated inline measurement
JP5985837B2 (ja) * 2012-03-02 2016-09-06 浜松ホトニクス株式会社 Ｘ線照射源及びｘ線照射装置
US20130282333A1 (en) * 2012-04-23 2013-10-24 Abb Technology Ag Service port explorer
US8849440B2 (en) * 2012-05-31 2014-09-30 International Business Machines Corporation Manufacturing control based on a final design structure incorporating both layout and client-specific manufacturing information
US20140052425A1 (en) * 2012-08-16 2014-02-20 Sankar Selvaraj Method and apparatus for evaluating a model of an industrial plant process
US9298456B2 (en) 2012-08-21 2016-03-29 Apple Inc. Mechanism for performing speculative predicated instructions
US9508042B2 (en) * 2012-11-05 2016-11-29 National Cheng Kung University Method for predicting machining quality of machine tool
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
US9265458B2 (en) 2012-12-04 2016-02-23 Sync-Think, Inc. Application of smooth pursuit cognitive testing paradigms to clinical drug development
US9405289B2 (en) * 2012-12-06 2016-08-02 Tokyo Electron Limited Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends
CN103092074B (zh) * 2012-12-30 2015-09-09 重庆邮电大学 半导体先进过程控制的参数优化控制方法
EP2770387A1 (en) * 2013-02-21 2014-08-27 ABB Technology AG Optimal operation of a gearless mill
US9380976B2 (en) 2013-03-11 2016-07-05 Sync-Think, Inc. Optical neuroinformatics
US9348589B2 (en) 2013-03-19 2016-05-24 Apple Inc. Enhanced predicate registers having predicates corresponding to element widths
US9817663B2 (en) 2013-03-19 2017-11-14 Apple Inc. Enhanced Macroscalar predicate operations
US9857271B2 (en) 2013-10-10 2018-01-02 Baker Hughes, A Ge Company, Llc Life-time management of downhole tools and components
US9396443B2 (en) * 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
US10290088B2 (en) * 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput
JP6181589B2 (ja) * 2014-03-31 2017-08-16 株式会社Ihi 計測値解析装置及び計測値解析方法
WO2015160367A1 (en) * 2014-04-18 2015-10-22 Hewlett-Packard Development Company, L.P. Pre-cognitive security information and event management
US10722065B2 (en) * 2014-07-24 2020-07-28 Adagio Teas, Inc. Apparatus and method of multi-course infusion for brewing tea and other beverages
WO2016132684A1 (ja) * 2015-02-18 2016-08-25 日本電気株式会社 影響度可視化システム、方法およびプログラム
US11042128B2 (en) * 2015-03-18 2021-06-22 Accenture Global Services Limited Method and system for predicting equipment failure
US10542961B2 (en) 2015-06-15 2020-01-28 The Research Foundation For The State University Of New York System and method for infrasonic cardiac monitoring
EP3144763A1 (de) * 2015-09-15 2017-03-22 Siemens Aktiengesellschaft System und verfahren zur steuerung und/oder analytik eines industriellen prozesses mittels einer anlagenexternen recheneinheit und einem revisionsmodul für den systembetreiber
JP6055058B1 (ja) * 2015-09-30 2016-12-27 ファナック株式会社 機械学習器及び組み立て・試験器を備えた生産設備
KR102525873B1 (ko) * 2015-10-16 2023-04-27 삼성전자주식회사 반도체 공정 시뮬레이션 장치 및 그것의 시뮬레이션 방법
CN106685750B (zh) * 2015-11-11 2019-12-24 华为技术有限公司 系统异常检测方法和装置
CN106991095B (zh) * 2016-01-21 2021-09-28 阿里巴巴集团控股有限公司 机器异常的处理方法、学习速率的调整方法及装置
JP6645993B2 (ja) * 2016-03-29 2020-02-14 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 処理装置、装置管理コントローラ、及びプログラム並びに半導体装置の製造方法
US10411946B2 (en) * 2016-06-14 2019-09-10 TUPL, Inc. Fixed line resource management
JP6698446B2 (ja) * 2016-07-05 2020-05-27 東京エレクトロン株式会社 基板液処理装置、基板液処理方法および記憶媒体
JP2018005714A (ja) * 2016-07-06 2018-01-11 三菱電機ビルテクノサービス株式会社 異常データの重要度判定装置及び異常データの重要度判定方法
JP2019527413A (ja) * 2016-07-07 2019-09-26 アスペン テクノロジー インコーポレイテッド 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
TWI608365B (zh) * 2016-09-23 2017-12-11 財團法人工業技術研究院 擾動源追溯方法
TWI632441B (zh) * 2017-01-20 2018-08-11 財團法人工業技術研究院 機台的預診斷方法及預診斷裝置
US11579574B2 (en) * 2017-02-10 2023-02-14 Nec Corporation Control customization system, control customization method, and control customization program
JP6526081B2 (ja) * 2017-02-28 2019-06-05 ファナック株式会社 在庫管理および予防保全を行う機能を有する在庫管理システム
EP3391939B1 (en) * 2017-04-19 2020-01-15 Ion Beam Applications S.A. System and method for detecting hardware degradation in a radiation therapy system
CN107220713B (zh) * 2017-06-06 2020-10-09 上海理工大学 基于健康状态的机器人手臂实时保养方法
WO2019040479A1 (en) 2017-08-21 2019-02-28 Walmart Apollo, Llc IMPROVING DATA COMPARISON EFFECTIVENESS FOR DATA PROCESSING, MONITORING AND ALERTING IN REAL-TIME
US20190066010A1 (en) * 2017-08-24 2019-02-28 United States Of America As Represented By The Secretary Of The Army Predictive model for optimizing facility usage
US10810595B2 (en) 2017-09-13 2020-10-20 Walmart Apollo, Llc Systems and methods for real-time data processing, monitoring, and alerting
JP6616375B2 (ja) * 2017-10-23 2019-12-04 ファナック株式会社 状態判定装置
US11263835B2 (en) * 2017-10-27 2022-03-01 The Boeing Company Vehicle fault detection system and method utilizing graphically converted temporal data
WO2019089389A1 (en) * 2017-11-03 2019-05-09 Arizona Board Of Regents On Behalf Of Arizona State University Systems and methods for prioritizing software vulnerabilities for patching
US11080359B2 (en) * 2017-12-21 2021-08-03 International Business Machines Corporation Stable data-driven discovery of a symbolic expression
US10217654B1 (en) * 2018-02-12 2019-02-26 Varian Semiconductor Equipment Associates, Inc. Embedded features for interlocks using additive manufacturing
DE102018105322A1 (de) 2018-03-08 2019-09-12 Carl Zeiss Smt Gmbh Verfahren zum Betreiben einer industriellen Maschine
WO2019174709A1 (de) * 2018-03-12 2019-09-19 Celonis Se Verfahren zur behebung von prozessanomalien
JP7137943B2 (ja) * 2018-03-20 2022-09-15 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
US11550841B2 (en) * 2018-05-31 2023-01-10 Microsoft Technology Licensing, Llc Distributed computing system with a synthetic data as a service scene assembly engine
CN110609699B (zh) * 2018-06-15 2023-10-03 伊姆西Ip控股有限责任公司 维护存储系统的组件的方法、电子设备和计算机可读介质
US11573879B2 (en) 2018-10-22 2023-02-07 General Electric Company Active asset monitoring
US20220128474A1 (en) * 2018-10-23 2022-04-28 Amgen Inc. Automatic calibration and automatic maintenance of raman spectroscopic models for real-time predictions
WO2020097208A1 (en) * 2018-11-06 2020-05-14 Rui Liu Calibration-based tool condition monitoring system for repetitive machining operations
US11213946B1 (en) * 2018-12-27 2022-01-04 X Development Llc Mitigating reality gap through optimization of simulated hardware parameter(s) of simulated robot
KR102138122B1 (ko) * 2019-01-09 2020-07-27 에스케이실트론 주식회사 웨이퍼 카세트의 포장 장치
TWI676088B (zh) * 2019-01-11 2019-11-01 國立高雄科技大學 動力輔助裝置之偵測失效備援系統
US11133204B2 (en) * 2019-01-29 2021-09-28 Applied Materials, Inc. Chamber matching with neural networks in semiconductor equipment tools
US20220206996A1 (en) * 2019-02-14 2022-06-30 Lam Research Corporation Data capture and transformation to support data analysis and machine learning for substrate manufacturing systems
CN112148391A (zh) * 2019-06-26 2020-12-29 北京百度网讯科技有限公司 生成基于芯片的计算功能的方法、装置、设备和存储介质
CN110303380B (zh) * 2019-07-05 2021-04-16 重庆邮电大学 一种数控机床刀具剩余寿命预测方法
TW202105100A (zh) * 2019-07-16 2021-02-01 神通資訊科技股份有限公司 自動加工機之異常偵測系統及方法
JP7173937B2 (ja) * 2019-08-08 2022-11-16 株式会社日立ハイテク 荷電粒子線装置
JP7159128B2 (ja) 2019-08-08 2022-10-24 株式会社日立ハイテク 荷電粒子線装置
US20210049242A1 (en) * 2019-08-13 2021-02-18 International Business Machines Corporation Process Optimization by Clamped Monte Carlo Distribution
US11400592B2 (en) * 2019-08-19 2022-08-02 Wipro Limited Method and system for task execution in dynamic heterogeneous robotic environment
JP7189103B2 (ja) * 2019-08-30 2022-12-13 株式会社日立ハイテク 荷電粒子線装置
CN112819190B (zh) * 2019-11-15 2024-01-26 上海杰之能软件科技有限公司 设备性能的预测方法及装置、存储介质、终端
US11310141B2 (en) 2019-12-11 2022-04-19 Cisco Technology, Inc. Anomaly detection of model performance in an MLOps platform
US11797836B1 (en) * 2019-12-23 2023-10-24 Waymo Llc Sensor-integrated neural network
CN111581730A (zh) * 2020-05-18 2020-08-25 江铃汽车股份有限公司 一种基于Hyperstudy集成平台的汽车车架多学科优化方法
CN115060011B (zh) * 2020-05-19 2023-10-27 山东大学 一种基于机器学习的环路热管太阳能流速控制方法
CN111724126B (zh) * 2020-06-12 2024-03-12 北京科技大学顺德研究生院 一种工艺流程质量异常精准追溯方法及系统
US11537292B2 (en) * 2020-06-24 2022-12-27 Western Digital Technologies, Inc. Methods and apparatus for enhancing uber rate for storage devices
WO2022018466A1 (en) * 2020-07-22 2022-01-27 Citrix Systems, Inc. Determining server utilization using upper bound values
US11321211B1 (en) * 2020-10-25 2022-05-03 Motional Ad Llc Metric back-propagation for subsystem performance evaluation
WO2022088084A1 (zh) * 2020-10-30 2022-05-05 京东方科技集团股份有限公司 数据处理方法、装置及系统、电子设备
EP4327167A2 (en) * 2021-04-23 2024-02-28 Battelle Memorial Institute Causal relational artificial intelligence and risk framework for manufacturing applications
CN113753344A (zh) * 2021-09-01 2021-12-07 普林斯顿科技发展（北京）有限公司 一种装箱机用自动化控制软件
US20230341841A1 (en) * 2022-04-24 2023-10-26 Applied Materials, Inc. Bayesian decomposition for mismatched performances in semiconductor equipment
US11928128B2 (en) * 2022-05-12 2024-03-12 Truist Bank Construction of a meta-database from autonomously scanned disparate and heterogeneous sources
US20240095307A1 (en) * 2022-09-15 2024-03-21 Onto Innovation Inc. Parameter Aggregation and Normalization for Manufacturing Tools
CN116147833A (zh) * 2023-04-19 2023-05-23 苏州森斯缔夫传感科技有限公司 一种基于数据挖掘的压力传感器性能分析方法及系统
CN118551277B (zh) * 2024-07-30 2024-10-18 长春设备工艺研究所 一种基于评估模型的测试数据管理系统及方法

Family Cites Families (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2007200A (en) * 1931-11-25 1935-07-09 Semet Solvay Eng Corp Water gas carburetor
US5495417A (en) 1990-08-14 1996-02-27 Kabushiki Kaisha Toshiba System for automatically producing different semiconductor products in different quantities through a plurality of processes along a production line
JPH04112204A (ja) 1990-09-03 1992-04-14 Agency Of Ind Science & Technol 制御知識生成装置
JP3115082B2 (ja) 1992-03-10 2000-12-04 株式会社東芝 熱源機器の運転制御装置
JPH05265512A (ja) * 1992-03-17 1993-10-15 Hitachi Ltd 学習型制御装置およびファジィ推論装置
US5644686A (en) 1994-04-29 1997-07-01 International Business Machines Corporation Expert system and method employing hierarchical knowledge base, and interactive multimedia/hypermedia applications
JPH08272761A (ja) * 1995-03-28 1996-10-18 Nippon Telegr & Teleph Corp <Ntt> パラメータチューニング法
US5867799A (en) 1996-04-04 1999-02-02 Lang; Andrew K. Information system and method for filtering a massive flow of information entities to meet user information classification needs
JP3377163B2 (ja) * 1997-03-06 2003-02-17 株式会社日立製作所 自律的制御システム
US6201999B1 (en) 1997-06-09 2001-03-13 Applied Materials, Inc. Method and apparatus for automatically generating schedules for wafer processing within a multichamber semiconductor wafer processing tool
US6122397A (en) 1997-07-03 2000-09-19 Tri Path Imaging, Inc. Method and apparatus for maskless semiconductor and liquid crystal display inspection
JPH11110367A (ja) * 1997-09-30 1999-04-23 Ffc:Kk プラントの状態総合評価における評価構造・パラメータ自動調整装置
JP3612973B2 (ja) * 1997-12-22 2005-01-26 松下電工株式会社 成形性解析方法
JP3325833B2 (ja) 1998-05-20 2002-09-17 東京エレクトロン株式会社 熱処理装置
US8938688B2 (en) * 1998-12-04 2015-01-20 Nuance Communications, Inc. Contextual prediction of user words and user actions
US6678572B1 (en) 1998-12-31 2004-01-13 Asml Holdings, N.V. Recipe cascading in a wafer processing system
US6931644B2 (en) 2000-12-21 2005-08-16 International Business Machines Corporation Hierarchical connected graph model for implementation of event management design
US7233933B2 (en) * 2001-06-28 2007-06-19 Microsoft Corporation Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability
US6965895B2 (en) * 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US7218980B1 (en) 2001-07-23 2007-05-15 Esilicon Corporation Prediction based optimization of a semiconductor supply chain using an adaptive real time work-in-progress tracking system
US7287014B2 (en) * 2001-11-16 2007-10-23 Yuan Yan Chen Plausible neural network with supervised and unsupervised cluster analysis
US7133804B2 (en) 2002-02-22 2006-11-07 First Data Corporatino Maintenance request systems and methods
US20030199112A1 (en) 2002-03-22 2003-10-23 Applied Materials, Inc. Copper wiring module control
GB0216858D0 (en) * 2002-07-19 2002-08-28 Bae Systems Plc Fault diagnosis system
JP4123231B2 (ja) 2002-08-22 2008-07-23 サンケン電気株式会社 直流変換装置
US7194445B2 (en) 2002-09-20 2007-03-20 Lenovo (Singapore) Pte. Ltd. Adaptive problem determination and recovery in a computer system
IE20030437A1 (en) 2003-06-11 2004-12-15 Scient Systems Res Ltd A method for process control of semiconductor manufacturing equipment
US7062411B2 (en) * 2003-06-11 2006-06-13 Scientific Systems Research Limited Method for process control of semiconductor manufacturing equipment
MY138544A (en) * 2003-06-26 2009-06-30 Neuramatix Sdn Bhd Neural networks with learning and expression capability
US20050114829A1 (en) 2003-10-30 2005-05-26 Microsoft Corporation Facilitating the process of designing and developing a project
US6876894B1 (en) 2003-11-05 2005-04-05 Taiwan Semiconductor Maufacturing Company, Ltd. Forecast test-out of probed fabrication by using dispatching simulation method
TWI267012B (en) 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
US7212878B2 (en) 2004-08-27 2007-05-01 Tokyo Electron Limited Wafer-to-wafer control using virtual modules
US7451011B2 (en) 2004-08-27 2008-11-11 Tokyo Electron Limited Process control using physical modules and virtual modules
US7177714B2 (en) 2004-09-28 2007-02-13 Siemens Technology-To-Business Center, Llc Method and apparatus for determining and representing continuous resource loading profiles and overload probability functions for complex discrete manufacturing
GB0423110D0 (en) 2004-10-18 2004-11-17 Manthatron Ip Ltd Acting on a subject system
US20060129257A1 (en) * 2004-12-13 2006-06-15 Taiwan Semiconductor Manufacturing Co., Ltd. Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework
JP4525477B2 (ja) 2005-02-23 2010-08-18 ソニー株式会社 学習制御装置および学習制御方法、並びに、プログラム
JP4900642B2 (ja) 2005-02-23 2012-03-21 ソニー株式会社 学習制御装置、学習制御方法、およびプログラム
JP2007018490A (ja) 2005-02-23 2007-01-25 Sony Corp 行動制御装置および行動制御方法、並びに、プログラム
US7127304B1 (en) * 2005-05-18 2006-10-24 Infineon Technologies Richmond, Lp System and method to predict the state of a process controller in a semiconductor manufacturing facility
CN100386702C (zh) 2005-06-10 2008-05-07 同济大学 基于信息素的用于半导体生产线的动态调度方法
US7937264B2 (en) 2005-06-30 2011-05-03 Microsoft Corporation Leveraging unlabeled data with a probabilistic graphical model
US7359759B2 (en) 2005-10-31 2008-04-15 Taiwan Semiconductor Manufacturing Company Method and system for virtual metrology in semiconductor manufacturing
US7571019B2 (en) 2005-12-30 2009-08-04 Intel Corporation Integrated configuration, flow and execution system for semiconductor device experimental flows and production flows
US7454312B2 (en) * 2006-03-15 2008-11-18 Applied Materials, Inc. Tool health information monitoring and tool performance analysis in semiconductor processing
US7596718B2 (en) * 2006-05-07 2009-09-29 Applied Materials, Inc. Ranged fault signatures for fault diagnosis
TWI315054B (en) 2006-05-10 2009-09-21 Nat Cheng Kung Universit Method for evaluating reliance level of a virtual metrology system in product manufacturing
US20070288419A1 (en) 2006-06-07 2007-12-13 Motorola, Inc. Method and apparatus for augmenting data and actions with semantic information to facilitate the autonomic operations of components and systems
US7522968B2 (en) 2006-07-10 2009-04-21 Applied Materials, Inc. Scheduling method for processing equipment
US20080051930A1 (en) 2006-07-10 2008-02-28 Oh Hilario L Scheduling method for processing equipment
JP2008158748A (ja) 2006-12-22 2008-07-10 Toshiba Corp 変数選択装置、方法およびプログラム
US7373216B1 (en) 2007-03-30 2008-05-13 Tokyo Electron Limited Method and apparatus for verifying a site-dependent wafer
US7531368B2 (en) 2007-03-30 2009-05-12 Tokyo Electron Limited In-line lithography and etch system
US7596423B2 (en) 2007-03-30 2009-09-29 Tokyo Electron Limited Method and apparatus for verifying a site-dependent procedure
US7974728B2 (en) * 2007-05-04 2011-07-05 Taiwan Semiconductor Manufacturing Company, Ltd. System for extraction of key process parameters from fault detection classification to enable wafer prediction
US8010321B2 (en) * 2007-05-04 2011-08-30 Applied Materials, Inc. Metrics independent and recipe independent fault classes
US7702411B2 (en) 2007-05-31 2010-04-20 International Business Machines Corporation Integration of job shop scheduling with discreet event simulation for manufacturing facilities
US20090222123A1 (en) 2007-11-07 2009-09-03 Optessa, Inc. Method and system for scheduling a set of events in real time
US8725667B2 (en) 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8396582B2 (en) 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
DE102008020379A1 (de) 2008-04-23 2009-10-29 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Steuerung und/oder Regelung eines technischen Systems

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11605038B1 (en) 2020-05-18 2023-03-14 Vignet Incorporated Selecting digital health technology to achieve data collection compliance in clinical trials
US11687437B1 (en) 2020-05-18 2023-06-27 Vignet Incorporated Assisting researchers to monitor digital health technology usage in health research studies
US11841787B1 (en) 2020-05-18 2023-12-12 Vignet Incorporated Platform for sponsors of clinical trials to achieve compliance in use of digital technologies for high-quality health monitoring
US11886318B1 (en) 2020-05-18 2024-01-30 Vignet Incorporated Personalizing digital health monitoring technologies for diverse populations to reduce health disparities

Also Published As

Publication number Publication date
JP2012522307A (ja) 2012-09-20
CN102449623B (zh) 2015-07-01
JP5544413B2 (ja) 2014-07-09
CN102449623A (zh) 2012-05-09
TWI524189B (zh) 2016-03-01
TW201104452A (en) 2011-02-01
US8725667B2 (en) 2014-05-13
KR101609017B1 (ko) 2016-04-04
US20090240366A1 (en) 2009-09-24
WO2010114641A1 (en) 2010-10-07

Similar Documents

Publication Publication Date Title
KR101609017B1 (ko) 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템
US9424528B2 (en) Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
KR101611628B1 (ko) 자율적인 생물학 기반 학습 툴
KR101546556B1 (ko) 자율적인 적응적 반도체 제조
TWI794451B (zh) 結合整合式半導體處理模組的自我察知及修正異質平台及其使用方法
KR102648517B1 (ko) 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법
US20230281364A1 (en) Automated operating mode detection for a multi-modal system
TW202349153A (zh) 用於判定處理設備效能的綜合分析模組

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190318

Year of fee payment: 4