KR20150084932A

KR20150084932A - 반도체 제조를 위한 자동 툴 파라미터 영향 식별

Info

Publication number: KR20150084932A
Application number: KR1020157015232A
Authority: KR
Inventors: 산지브 카우살; 수케쉬 자누바이 파텔; 울프갱 폴락; 애런 아처 워터맨; 오리온 울프
Original assignee: 도쿄엘렉트론가부시키가이샤
Priority date: 2012-11-09
Filing date: 2013-09-13
Publication date: 2015-07-22
Also published as: US20140135970A1; TWI604544B; US20170329318A1; US9746849B2; KR102131474B1; WO2014074221A4; TWI645484B; TW201810485A; US10571900B2; TW201423883A; WO2014074221A1

Abstract

반도체 제조 시스템에서의 툴 성능에 대한 개별 툴 파라미터들의 영향을 자동으로 결정하기 위한 시스템 및 방법이 제공된다. 파라미터 영향 식별 시스템은 반도체 제조 시스템의 하나 이상의 프로세스 런들에 대한 툴 파라미터 및 툴 성능 데이터를 수신하고, 툴 파라미터들 중 단일 파라미터에 관련하여 툴 성능 표시자의 거동을 특징짓는 각각의 툴 파라미터에 대한 분리 함수를 생성한다. 각각의 함수는 그 후, 그 함수가 툴 성능 표시자의 실제 거동을 얼마나 잘 예측하는지에 따라, 또는 단일 툴 파라미터에서의 변화들에 대한 툴 성능 표시자의 결정된 감도에 기초하여 스코어링된다. 툴 파라미터들은 그 후, 이들 스코어들에 기초하여 랭크되고, 그 랭킹에 기초하여 임계 툴 파라미터들의 감소된 세트가 유도된다. 툴 성능 표시자는 그 후, 이러한 툴 파라미터들의 감소된 세트에 기초하여 모델링될 수 있다.

Description

반도체 제조를 위한 자동 툴 파라미터 영향 식별{AUTONOMOUS TOOL PARAMETER IMPACT IDENTIFICATION FOR SEMICONDUCTOR MANUFACTURING}

관련 출원에 대한 상호 참조

본 출원은 2012 년 11 월 9 일자로 출원된 "METHOD AND APPARATUS FOR AUTONOMOUS TOOL PARAMETER IMPACT IDENTIFICATION SYSTEM FOR SEMICONDUCTOR MANUFACTURING" 라는 명칭의 미국 특허 출원 제 13/673,306 호의 혜택을 주장한다. 상기 출원 전체는 본원에 참조에 의해 통합된다.

기술 분야

본 발명은 일반적으로 반도체 제조 시스템의 선택된 툴 성능 표시자들에 대한 툴 파라미터들의 상대적인 영향들을 결정하기 위한 기술들에 관한 것이다.

전자기기들 및 컴퓨팅 디바이스들의 점진적인 기술적 진화는 반도체 기술에 있어 진보들의 동기가 된다. 더 작고, 더 고성능이며, 더 효율적인 컴퓨터 디바이스들 및 전자기기들에 대한 증가하는 고객 수요는 반도체 디바이스들의 다운-스케일링 (down-scaling) 을 초래하였다. 비용들을 제한하면서 디바이스 수요를 충족시키기 위해, 반도체 디바이스들이 형성되는 실리콘 웨이퍼들은 사이즈가 증가했다.

큰 웨이퍼 사이즈들로 작업하는 제조 공장들은 웨이퍼 프로세싱을 구현하고 제어하기 위해 자동화를 활용한다. 그러한 공장들은 자본 집약적일 수 있고, 따라서 정지시간을 최소화하고 수익률을 최대화하기 위해 제조 장비의 고효율 동작을 유지하는 것이 바람직하다. 이러한 목표들을 가능하게 하기 위해, 웨이퍼 프로세싱 동안 제조 장비를 모니터링하고, 장비와 프로세싱된 웨이퍼 양자에 관한 측정 정보를 획득하기 위한 측정 장비가 종종 채용된다. 그 후, 측정 정보는 제조 장비를 최적화하기 위해 분석될 수 있다.

일 예에 따르면, 측정 정보는 툴 레벨 정보를 포함할 수 있고, 그 정보는 제조 장비와 그 일부분의 상태 또는 조건, 프로세싱되고 있는 웨이퍼들의 물리적 및/또는 기하학적 조건들을 명시하는 웨이퍼 계측 정보, 전기 텍스트 정보, 등을 표시한다. 추가로, 프로세스 엔지니어들에 의한 에칭 종단점들의 식별을 용이하게 하기 위해, 분광 데이터 (예컨대, 스펙트럼 라인 세기 정보) 가 수집될 수 있다. 그러나, 종래의 제조 환경들에서, 다양한 측정 데이터는 상이한 목적들을 위해 서로 독립적으로 핸들링된다. 이와 같이, 다양한 측정 데이터 중에서의 상호관계들은 제조 프로세스들의 개선된 최적화를 위해 레버리징되지 않는다.

현재 반도체 제조 측정 및 최적화 시스템들의 전술된 결점들은 단지 종래의 시스템들의 문제점들 중 일부의 개관을 제공하기 위한 것이며, 완전한 것은 아니다. 종래의 시스템들의 다른 문제점들 및 본원에 설명된 다양한 비-제한적인 실시형태들의 대응하는 혜택들은 다음 설명을 검토할 때 더 명확해질 수도 있다.

다음은 본원에 설명된 예시적이고 비-제한적인 실시형태들의 일부 양태들의 기본적이고 일반적인 이해를 제공하기 위해 그 하나 이상의 실시형태들의 간략화된 개요를 제시한다. 이러한 개요는 광범위한 개관이 아니며, 중요한/결정적인 엘리먼트들을 식별하거나 또는 본원에 설명된 다양한 양태들의 범위를 기술하기 위한 것도 아니다. 대신, 이러한 개요의 유일한 목적은, 뒤따르는 다양한 실시형태들의 더 상세한 설명의 서두로서 일부 개념들을 간략화된 형태로 제시하는 것이다.

본 개시물의 하나 이상의 실시형태들은 반도체 제조 시스템의 선택된 툴 성능 표시자들에 대한 툴 파라미터의 상대적인 영향들을 자동으로 식별하기 위한 기술들에 관한 것이다. 이를 위해, 특정 툴 성능 메트릭에 영향을 미치는 최대 임계 툴 파라미터들을 식별하기 위해 측정된 툴 파라미터 데이터와 툴 성능 파라미터를 레버리징할 수 있는 파라미터 영향 식별 시스템이 제공된다. 파라미터 영향 식별 시스템은 또한, 이들 임계 파라미터들을 선택된 툴 성능 메트릭에 대한 그들의 상대적인 영향의 순서로 랭크할 수 있으며, 어떤 임계 툴 파라미터가 선택된 툴 성능 메트릭을 최적화하기 위해 유지보수 노력들이 집중되어야만 하는지를 식별하기 위한 유용한 가이드를 유지보수 요원에게 제공한다.

파라미터 영향 식별 시스템은 개별 툴 파라미터들의 상대적인 영향들을, 각각의 툴 파라미터를 개별적으로 분석하고, 각 파라미터에 대하여, 선택된 툴 성능 표시자의 거동을 분리된 파라미터를 사용하여 예측하는 것을 시도함으로써 결정할 수 있다. 이는 반도체 툴 파라미터들의 복잡한 차원을 단일입력 단일출력 (SISO) 문제로 감소시키며, 여기서 툴 성능 표시자는 오직 단일 툴 파라미터의 함수로서 설명된다. 그 후에, 성능 표시자에 대한 각 파라미터의 영향은 결과적인 함수들의 분석에 기초하여 (예컨대, 각 함수의 편차를 계산함으로써, 각 함수에서의 예측 정확성을 결정함으로써, 등등으로) 결정될 수 있고, 툴 파라미터들은 상대적인 영향에 따라 랭크된다.

일부 실시형태들에서, 파라미터 영향 식별 시스템은 또한, 전술된 랭킹에 의해 결정된 것과 같은 오직 가장 중요한 툴 파라미터들과 관련하여 선택된 툴 성능 표시자를 특징짓는 함수를 생성할 수 있다. 성능 표시자에 무시할만한 영향을 미치는 툴 파라미터들을 제거함으로써, 결과적인 함수는 최종 사용자에 대한 공간 문제를 상당히 간략화하고 임계 툴 파라미터들에 대하여 더 분명히 집중할 수 있다.

전술한 관련된 목적들의 달성을 위해, 특정 예시적인 양태들이 다음 설명 및 첨부된 도면들과 관련하여 본원에 설명된다. 이들 양태들은 실행될 수 있는 다양한 방식들을 나타내며, 이 방식들 모두는 본원에서 커버되도록 의도된다. 다른 장점들 및 신규한 특징들은 도면들과 함께 고려될 때 다음의 상세한 설명으로부터 명백하게 될 수도 있다.

도 1 은 반도체 생산과 관련된 정보를 수집하고 분석하기 위한 예시적인 시스템을 도시하는 블록 다이어그램이다.
도 2 는 선택된 툴 성능 메트릭들에 영향을 미치는 툴 파라미터들을 자동으로 식별할 수 있는 예시적인 파라미터 영향 식별 시스템의 블록 다이어그램이다.
도 3 은 예시적인 파라미터 영향 식별 시스템에 의해 수행되는 프로세싱 기능들을 도시하는 블록 다이어그램이다.
도 4 는 분석될 툴 성능 표시자를 선택하기 위한 예시적인 인터페이스를 도시한다.
도 5 는 파라미터 영향 식별 시스템에 의해 고려될 하나 이상의 툴 파라미터들을 선택하기 위한 예시적인 인터페이스를 도시한다.
도 6 은 툴 파라미터 및 성능 데이터의 세트가 제공된 분리된 파라미터 함수들의 세트의 생성을 도시한다.
도 7 은 분리된 파라미터 함수들에 기초하는 품질 스코어들의 개별 툴 파라미터들로의 할당을 도시한다.
도 8 은 분리된 파라미터 함수들에 기초하는 감도 스코어들의 개별 툴 파라미터들로의 할당을 도시한다.
도 9 는 툴 성능 표시자에 대한 상대적인 영향에 따라 툴 파라미터들의 랭킹을 도시한다.
도 10 은 툴 성능 표시자에 최고 영향을 미치는 임계 툴 파라미터들의 세트를 식별하기 위한, 랭크된 툴 파라미터들의 필터링을 도시한다.
도 11 은 툴 파라미터 필터링 기준을 구성하기 위한 예시적인 인터페이스를 도시한다.
도 12 는 파라미터 영향 식별 시스템의 하나 이상의 실시형태들에 따라 임계 툴 파라미터들의 식별을 도식적으로 요약한다.
도 13 은 임계 툴 파라미터들의 감소된 세트와 관련하여 툴 성능 거동을 특징짓는 합성 함수의 생성을 도시한다.
도 14 는 연속적으로 반복되는 방식으로 툴 성능 함수의 업데이트를 도시한다.
도 15 는 반도체 제조 시스템의 툴 성능 표시자와 툴 파라미터들의 세트 간의 함수 관계를 모델링하기 위한 예시적인 방법의 플로우차트이다.
도 16 은 툴 성능 메트릭에 대한 툴 파라미터 영향을 자동으로 식별하고 모델링하기 위한 예시적인 방법의 플로우차트이다.
도 17 은 예시적인 컴퓨팅 환경이다.
도 18 은 예시적인 네트워킹 환경이다.

지금부터 본 발명은 도면들을 참조하여 설명되며, 도면들에서 유사한 참조 부호들은 도면들 전반에서 유사한 엘리먼트들을 지칭하도록 사용된다. 다음 설명에서, 설명을 위한 목적으로, 본 발명의 완전한 이해를 제공하기 위해 다양한 특정 세부사항들이 설명된다. 그러나, 본 발명은 이들 특정 세부사항들 없이 실시될 수도 있음이 명백할 수도 있다. 다른 경우들에 있어서, 널리 공지된 구조들 및 디바이스들은 본 발명을 설명하는 것을 용이하게 하기 위해 블록 다이어그램으로 도시된다.

본 명세서와 도면들에서 사용되는 것과 같이, 용어들 "오브젝트", "모듈", "인터페이스", "컴포넌트, "시스템", "플랫폼", "엔진", "선택기", "관리기", "유닛", "저장부", "네트워크", "제너레이터" 등은 컴퓨터-관련 엔티티 또는 그 관련 엔티티, 또는 그 부분, 즉 특정 기능을 갖춘 동작 머신 또는 장치를 지칭하기 위한 것이고; 그러한 엔티티들은 하드웨어, 하드웨어와 펌웨어의 조합, 펌웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어일 수 있다. 추가로, 전술한 용어들을 통해 확인되는 엔티티(들)은 본원에서 일반적으로 "기능적 엘리먼트들" 로서 지칭된다. 일 예로서, 컴포넌트는 프로세서 상에 실행중인 프로세스, 프로세서, 오브젝트, 실행가능물, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이에 제한되지 않는다. 예시에 의해, 서버 상에 실행중인 애플리케이션과 서버 양자는 컴포넌트일 수 있다. 하나 이상의 컴포넌트들은 프로세스 및/또는 실행 스레드 내에 상주할 수도 있고, 컴포넌트는 하나의 컴퓨터에 국부화되고 및/또는 2 이상의 컴퓨터들 사이에 분산될 수도 있다. 또한, 이들 컴포넌트들은 다양한 데이터 구조들이 저장된 다양한 컴퓨터 판독가능 저장 매체로부터 실행할 수 있다. 컴포넌트들은 로컬 및/또는 원격 프로세스들을 통해, 예컨대 하나 이상의 데이터 패킷들을 갖는 신호 (예컨대, 로컬 시스템에서, 분산 시스템에서, 및/또는 그 신호를 통해 다른 시스템들과 인터넷과 같은 네트워크를 통해 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터) 에 따라서, 통신할 수도 있다. 일 예로서, 컴포넌트는 프로세서에 의해 실행되는 소프트웨어 또는 펌웨어 애플리케이션에 의해 동작되는, 전기 또는 전자 회로에 의해 동작되는 기계 부품들에 의해 제공되는 특정 기능을 갖는 장치일 수 있으며, 여기서 프로세서는 그 장치 내부 또는 외부에 있을 수 있고 소프트웨어 또는 펌웨어 애플리케이션의 적어도 일 부분을 실행한다. 다른 예로서, 컴포넌트는 기계 부품들 없이 전자 컴포넌트들을 통해 특정 기능을 제공하는 장치일 수 있고, 전자 컴포넌트들은 적어도 부분적으로 전자 컴포넌트들의 기능을 부여하는 소프트웨어 또는 펌웨어를 실행하기 위한 프로세서를 내부에 포함할 수 있다. 인터페이스(들)은 입력/출력 (I/O) 컴포넌트들뿐만 아니라 연관 프로세서(들), 애플리케이션(들), 또는 애플리케이션 프로그램 인터페이스 (API) 컴포넌트(들)을 포함할 수 있다. 앞서 제시된 예들이 컴포넌트에 관한 것이지만, 예시되는 특징들 또는 양상들은 또한 오브젝트, 모듈, 인터페이스, 시스템, 플랫폼, 엔진, 선택기, 관리기, 유닛, 저장부, 네트워크, 등에 적용할 수 있다.

추가로, 용어 "또는" 은 배타적 "또는" 보다는 포괄적 "또는" 을 의미하도록 의도된다. 즉, 달리 명시되지 않거나 문맥에서 명확하지 않다면, "X 는 A 또는 B 를 채용한다" 는 임의의 자연스럽고 포괄적인 치환들을 의미하도록 의도된다. 즉, X 는 A 를 채용하거나; X 는 B 를 채용하거나; 또는 X 는 A 와 B 양자를 채용하면, "X 는 A 또는 B 를 채용한다" 는 앞의 경우들 중 어느 것에서도 만족된다. 추가로, 본 출원 및 첨부된 청구항들에서 이용되는 것과 같은 관사들 "a" 및 "an" 은 달리 명시되지 않거나 문맥에서 단수 형태인 것으로 명확히 지시되지 않았다면 "하나 이상 (one or more)" 을 의미하도록 일반적으로 간주되어야 한다.

추가로, 본원에서 채용된 것과 같은 용어 "세트 (set)" 는 비어있는 세트; 예컨대 내부에 어떤 엘리먼트들도 없는 세트를 제외한다. 따라서, 본 개시물에서 "세트" 는 하나 이상의 엘리먼트들 또는 엔티티들을 포함한다. 일 예시로서, 컴포넌트들의 세트는 하나 이상의 컴포넌트들을 포함하고; 변수들의 세트는 하나 이상의 변수들을 포함하는; 등이다.

다양한 양태들 또는 특징들이, 다수의 디바이스들, 컴포넌트들, 모듈들 등을 포함할 수도 있는 시스템들의 관점에서 제시될 것이다. 다양한 시스템들은 부가적인 디바이스들, 컴포넌트들, 모듈들 등을 포함할 수도 있고/있거나 도면들과 관련하여 논의된 디바이스들, 컴포넌트들, 모듈들 등의 모두를 포함하지 않을 수도 있음을 이해 및 인식해야 한다. 이들 접근법들의 조합이 또한 사용될 수 있다.

도 1 은 반도체 생산과 관련된 정보를 수집하고 분석하기 위한 예시적인 시스템 (100) 을 도시하는 블록 다이어그램이다. 도 1 에 도시된 것과 같이, 반도체 제조 시스템 (110) 은 입력 웨이퍼들 (102) 을 수신하고 프로세싱된 웨이퍼들 (104) 을 출력할 수 있다. 예시적이고 비-제한적인 실시형태에서, 반도체 제조 시스템 (110) 은 에칭 프로세스 (예컨대, 습식 에칭, 건식 에칭, 플라즈마 에칭, 등) 를 통해 입력 웨이퍼들 (102) 로부터 마스킹되지 않은 재료를 제거하여 공동들 및 피처들이 상부에 형성된 프로세싱된 웨이퍼들 (104) 을 생성하는 에칭 툴일 수 있다. 반도체 제조 시스템 (110) 은 또한, 입력 웨이퍼들 (102) 상에 재료를 퇴적시켜 프로세싱된 웨이퍼들 (104) 을 생산하는 퇴적 툴 (예컨대, 원자 층 증착, 화학 기상 증착, 등) 일 수 있다.

다양한 측정 디바이스들, 예컨대 분광기 (120), 툴 센서들 (130), 및 디바이스 측정 장비 (140) 는 반도체 제조 시스템 (110) 에 의해 수행되는 프로세스를 모니터링하여 그 프로세스의 다양한 양태들, 조건들, 또는 결과들에 관련된 이질적 정보를 포착할 수 있다. 일 예로서, 분광기 (120) 는 분광기 (120) 에 의해 관측가능한 개별 파장들 또는 스펙트럼 라인들에 대한 세기들의 세트를 포함하는 스펙트럼 세기 정보를 포착할 수 있다. 스펙트럼 세기 정보는, 분광기 (120) 가 규칙적인 인터벌들로 (예컨대, 매 초마다, 매 2 초마다, 매 100 밀리초 마다, 등) 개별 파장들에 대한 세기들을 측정하도록, 시계열 데이터일 수 있다. 분광기 (120) 는 또한 스펙트럼 세기 정보를, 반도체 제조 시스템 (110) 에 의해 프로세싱된 특정 웨이퍼들과 연관된 웨이퍼 ID들과 상관할 수 있다. 따라서, 분광기 (120) 는 반도체 제조 시스템 (110) 에 의해 프로세싱된 각 웨이퍼에 대하여 개별적으로 스펙트럼 세기 정보를 포착할 수 있다.

툴 센서들 (130) 은 툴 동작 특징들을 모니터링하고 측정할 수 있는 반면, 반도체 제조 시스템 (110) 은 입력 웨이퍼들 (102) 을 프로세싱하고 대응하는 센서 정보를 생성한다. 툴 센서 정보는 분광기 (120) 에 의해 측정된 스펙트럼 세기 정보와 유사하게, 웨이퍼당 기준으로 상관된 시계열 데이터일 수 있다. 툴 센서 정보는 다양한 센서들로부터의 측정들을 포함할 수 있다. 그러한 측정들은 반도체 제조 시스템 (110) 의 하나 이상의 챔버들 내의 압력들, 하나 이상의 개별 가스들에 대한 가스 흐름들, 온도들, 상위 무선 주파수 (RF) 전력, 이전 습식-세정 이후 경과된 시간, 툴 부품들의 수명, 등을 포함할 수 있지만, 이에 제한되지 않는다.

디바이스 측정 장비 (140) 는 웨이퍼들 및/또는 웨이퍼들 상에 제조된 피처들의 물리적 및 기하학적 속성들을 측정할 수 있다. 예를 들어, 디바이스 측정 장비 (140) 는 웨이퍼들의 미리 결정된 위치들 또는 영역들에서, DI-CD (development inspection critical dimension, FI-CD (final inspection critical dimension), 에칭 바이어스, 두께, 등을 측정할 수 있다. 측정된 속성들은 위치 기반, 웨이퍼 기반으로 집합되고 디바이스 측정 정보로서 출력될 수 있다. 웨이퍼들의 속성들은 통상적으로 프로세싱 이전 또는 프로세싱 이후에 측정된다. 따라서, 디바이스 측정 정보는 통상적으로 스펙트럼 세기 정보 및 툴 센서 정보와 비교하여 상이한 인터벌로 포착된 시계열 데이터이다.

웨이퍼 생산 동안 측정 디바이스들 (120, 130, 및 140) 로부터 수집된 데이터를 레버리징함으로써, 다수의 툴 성능 표시자들이 반도체 제조 시스템 (110) 을 위해 측정되고 유도될 수 있다. 예시적인 성능 표시자들은 전체 생산 통계들, 예컨대 웨이퍼 스루풋, 시스템 정지시간, 시스템 가동시간, 등을 포함할 수 있다. 성능 표시자들은 또한, 에지 바이어스, 퇴적 두께, 입자 총수 (예컨대, 오염 레벨), 측벽 각도, 또는 다른 그러한 측정된 특징들을 포함하지만 이에 제한되지 않는, 시스템에 의해 생산된 결과적인 반도체 웨이퍼들의 계측 출력들 또는 측정된 특징들을 포함할 수 있다. 일부 성능 표시자들은 또한, 반도체 제조 시스템 (110) 외부의 데이터를 고려할 수 있다. 예를 들어, 시스템과 연관된 수리 비용들은 하나 이상의 비지니스 레벨 서버로부터 획득된, 레코딩된 금융 또는 빌링 데이터에 부분적으로 기초하여 계산될 수 있다.

소정의 툴 성능 표시자의 거동은 통상적으로 시스템에 대하여 측정된 하나 이상의 툴 파라미터들의 함수이다. 툴 성능에 영향을 미치는 툴 파라미터들은 예컨대, 챔버 압력들, 온도들, RF 전력, 가스 흐름들, 또는 툴들의 동작 동안 측정된 다른 파라미터들을 포함할 수 있다. 툴 성능에 영향을 주는 다른 툴 파라미터들은, 부품들의 수명, 프로세싱 시간들, 툴 셋업 시간들, 웨이퍼 로딩 또는 언로딩 시간들, 등과 같은 툴 동작 특징들을 포함한다. 일부 툴 성능 표시자들은 또한 하나 이상의 생산 계측 입력들 (예컨대, 입력된 임계 치수, 퇴적 두께, 재료의 반응 인덱스, 또는 다른 그러한 계측 값들) 의 함수일 수 있다.

툴 성능이 주로 전술된 것과 같은 하나 이상의 툴 파라미터들의 함수이기 때문에, 어떤 툴 파라미터들이 주어진 툴 성능 메트릭에 최대 영향을 미치는지에 대한 지식은 사용자들에게 툴 성능에 대한 더 큰 정도의 제어를 제공하고, 요구되는 한계들 내에서 툴 성능 표시자들을 유지하는 것을 도울 것이다. 그러나, 툴 파라미터 데이터는 종종 툴 성능 데이터와 오직 느슨하게만 상관되기 때문에, 어떤 툴 파라미터들이 이들 툴 성능 메트릭들에 최고 영향을 미치는지를 평가하는 것은 어렵다. 이러한 정보는 유지보수 노력들이 어디에 집중되어야만 하는지를 식별하는 것과 관련하여 장비 소유자들에게 유용할 것이다.

이러한 문제들을 다루기 위해, 어떤 툴 파라미터들이 선택된 툴 성능 표시자에 최대 영향을 미치는지를 자동으로 식별하기 위해 툴 파라미터 데이터 및 툴 성능 데이터를 레버리징하는, 파라미터 영향 식별 시스템 (160) 이 제공된다. 파라미터 영향 식별 시스템 (160) 은 또한, 성능 표시자에 최대 영향력을 미치는 것으로 결정된 감소된 수의 툴 파라미터들과 관련하여 툴 성능 표시자들을 특징지을 수 있고, 따라서 차원 복잡도를 감소시킴으로써 분석을 간략화할 수 있다.

파라미터 영향 식별 시스템 (160) 은 입력으로서, 툴 파라미터 데이터 (108) 및 툴 성능 데이터 (112) 를 수신할 수 있다. 하나 이상의 실시형태들에서, 이러한 입력 데이터는 반도체 제조 시스템 (110) 의 개별 런들 동안 측정된 파라미터 및 성능 데이터를 기록하는 툴 프로세스 로그들로부터 유도될 수 있다. 툴 프로세스 로그들은 분광기 (120), 툴 센서들 (130), 또는 디바이스 측정 장비 (140) 중 하나 이상으로부터의 측정 데이터를 포함할 수 있다. 그러한 툴 프로세스 로그들에 기록된 측정들은, 센서 판독치들 (예컨대, 압력들, 온도들, 전력, 등), 유지보수 관련 판독치들 (예컨대, 포커스 링의 수명, 질량 흐름 제어기의 수명, 지난 성능 유지보수 이후 시간, 지난 레지스트 배치가 로딩된 이후 시간, 등), 및/또는 툴 및 성능 통계치들 (예컨대, 웨이퍼를 프로세싱하기 위한 시간, 화학물질 소비, 가스 소비, 등) 을 포함할 수 있지만, 이에 제한되지 않는다.

예시적인 시나리오에서, 툴 프로세스 로그는 반도체 제조 시스템 (110) 의 각 프로세스 런의 종료시, 보고 컴포넌트 (150) 에 의해 생성될 수 있다. 프로세스 런의 종료시, 분광기 (120), 툴 센서들 (130), 또는 디바이스 측정 장비 (140) 중 하나 이상으로부터의 데이터는 그 런에 대한 툴 프로세스 로그에서 수집된 데이터를 종합하는 보고 컴포넌트 (150) 에 제공될 수 있다. 툴 프로세스 로그는 런 동안 프로세싱된 단일 반도체 웨이퍼, 또는 런 동안 제조된 반도체들의 배치에 대응할 수 있다. 툴 프로세스 로그들은 그 후, 보고의 또는 기록의 목적으로 저장될 수 있다. 툴 프로세스 로그들로부터의 툴 파라미터 데이터 (108) 및 툴 성능 데이터 (112) 는 오퍼레이터에 의해 수동으로 또는 보고 컴포넌트 (150) 또는 관련 디바이스에 의해 자동으로 파라미터 영향 식별 시스템 (160) 에 제공될 수 있다.

앞의 예는 툴 파라미터 데이터 (108) 및 툴 성능 데이터 (112) 를 툴 프로세스 로그들로부터 취출되거나 추출되는 것으로 설명하지만, 이러한 데이터는 또한 다른 수단들에 의해 파라미터 영향 식별 시스템 (160) 에 제공될 수도 있음이 인식될 것이다. 예를 들어, 일부 실시형태들에서, 툴 파라미터 데이터 (108) 또는 툴 성능 데이터 (112) 의 전부 또는 서브세트는 디바이스들 (120, 130, 또는 140) 로부터 파라미터 영향 식별 시스템 (160) 으로 직접 제공될 수도 있다.

툴 파라미터 데이터 (108) 는 동작 중에 있는 하나 이상의 툴들에 대하여 측정된 값들 (예컨대, 압력들, 온도들, 전력, 가스 흐름들, 등), 동작 성능 통계치들 (예컨대, 부품 수명 또는 사용 횟수, 프로세싱 시간들, 셋업 시간들, 로드 또는 언로드 시간들, 등), 또는 다른 그러한 툴 파라미터들을 포함할 수 있다. 툴 성능 데이터 (112) 는 하나 이상의 툴 파라미터들 (예컨대, 에칭 바이어스, 퇴적 두께, 입자 총수, 측벽 각도, 등), 툴 자체의 성능 데이터 (예컨대, 웨이퍼 스루풋, 정지시간, 가동시간, 수리비용, 등), 또는 툴의 동작 성능을 표시하는 다른 그러한 메트릭들에 의해 영향 받는 완성된 반도체 웨이퍼들의 측정된 특성들을 포함할 수 있다.

파라미터 영향 식별 시스템 (160) 은 사용자에 의해 정의된 사용자 사양들 (106) 을 고려하여 툴 파라미터 데이터 (108) 및 툴 성능 데이터 (112) 를 프로세싱한다. 사용자 사양들 (106) 은 어떤 툴 성능 표시자가 분석될 것인지, 어떤 툴 파라미터들이 고려될 것인지 (예컨대, 어떤 툴 파라미터들이 선택된 툴 성능 표시자와 상관될 것인지), 시스템에 의해 식별될 바람직한 수의 최상위 툴 파라미터들, 바람직한 학습 방법 (예컨대, 시뮬레이티드 어닐링, 기호 회귀법, 등), 또는 다른 사용자 선호도들중의 선택을 포함하지만 이에 제한되지 않는 하나 이상의 프로세싱 선호도들을 명시할 수 있다. 파라미터 영향 식별 시스템 (160) 은 사용자 사양들 (106) 을 고려하여 툴 파라미터 데이터 (108) 및 툴 성능 데이터 (112) 를 분석하여 분석 결과들 (154) 을 생성하며, 이는 이하 더 상세히 설명될 것이다. 일반적으로, 분석 결과들 (154) 은 소정의 툴 성능 표시자에 최대 영향을 미치는 임계 툴 파라미터들을 식별하고, 임계 툴 파라미터들의 함수로서 선택된 툴 성능 표시자를 특징짓고, 식별된 툴 파라미터들이 주어질 때 툴 성능 표시자의 향후 값들을 예측하는 것을 지원한다.

도 2 는 선택된 툴 성능 거동들에 영향을 미치는 툴 파라미터들을 자동으로 식별할 수 있는 예시적인 파라미터 영향 식별 시스템의 블록 다이어그램이다. 본 개시물에 설명된 시스템들, 장치들, 또는 프로세스들의 양태들은 머신(들) 내에서 구현되는, 예컨대 하나 이상의 머신들과 연관된 하나 이상의 컴퓨터 판독 매체들 (또는 매체) 에서 구현되는 머신-실행가능 컴포넌트들을 구성할 수 있다. 그러한 컴포넌트들은, 하나 이상의 머신들, 예컨대 컴퓨터(들), 컴퓨팅 디바이스(들), 자동화 디바이스(들), 가상 머신(들), 등에 의해 실행될 경우, 그 머신(들)로 하여금 설명된 동작들을 수행하게 할 수 있다.

파라미터 영향 식별 시스템 (202) 은, 인터페이스 컴포넌트 (204), 파라미터 분리 컴포넌트 (206), 품질 스코어링 컴포넌트 (208), 감도 컴포넌트 (210), 랭킹 컴포넌트 (212), 필터링 컴포넌트 (214), 합성 함수 컴포넌트 (216), 하나 이상의 프로세서들 (218), 및 메모리 (220) 를 포함할 수 있다. 다양한 실시형태들에서, 인터페이스 컴포넌트 (204), 파라미터 분리 컴포넌트 (206), 품질 스코어링 컴포넌트 (208), 감도 컴포넌트 (210), 랭킹 컴포넌트 (212), 필터링 컴포넌트 (214), 합성 함수 컴포넌트 (216), 하나 이상의 프로세서들 (218), 및 메모리 (220) 중 하나 이상은 파라미터 영향 식별 시스템 (202) 의 기능들 중 하나 이상을 수행하기 위해 서로 전기적으로 및/또는 통신적으로 커플링될 수 있다. 일부 실시형태들에서, 컴포넌트들 (204, 206, 208, 210, 212, 214, 및 216) 은 메모리 (220) 에 저장되고 프로세서(들) (218) 에 의해 실행되는 소프트웨어 명령들을 포함할 수 있다. 파라미터 영향 식별 시스템 (202) 은 또한 도 2 에 도시되지 않은 다른 하드웨어 및/또는 소프트웨어 컴포넌트들과 상호작용할 수도 있다. 예를 들면, 프로세서(들) (218) 은 키보드, 마우스, 디스플레이 모니터, 터치스크린, 또는 다른 그러한 인터페이스 디바이스들과 같은 하나 이상의 외부 사용자 인터페이스 디바이스들과 상호작용할 수도 있다.

인터페이스 컴포넌트 (204) 는 파라미터 영향 식별 시스템 (202) 의 사용자로부터 입력을 수신하고 출력을 제공하도록 구성될 수 있다. 예를 들면, 인터페이스 컴포넌트 (204) 는 입력 디스플레이 스크린을 사용자에게 렌더링하여 사용자 사양들에 대해 상기시키고, 임의의 적절한 입력 메커니즘 (예컨대, 키보드, 터치스크린, 등) 을 통해 사용자로부터 그러한 사양들을 수신할 수 있다. 파라미터 분리 컴포넌트 (206) 는 선택된 툴 성능 표시자에 대한 각 툴 파라미터의 영향을 결정하기 위해 각각의 개별 툴 파라미터의 영향들을 분리시키는 함수들을 생성하도록 구성될 수 있다. 각 함수는 선택된 툴 성능 표시자의 거동을 단일 툴 파라미터의 함수로서 예측하는 것을 시도한다. 품질 스코어링 컴포넌트 (208) 는 파라미터의 함수가 툴 성능 표시자의 실제 거동을 얼마나 잘 예측하는지에 따라 각 툴 파라미터를 스코어링하도록 구성될 수 있다. 감도 컴포넌트 (210) 는 파라미터 분리 컴포넌트 (206) 에 의해 생성된 함수들에 부분적으로 기초하여 각각의 툴 파라미터에 대한 선택된 툴 성능 표시자의 감도를 결정하도록 구성될 수 있다. 랭킹 컴포넌트 (212) 는 (예컨대, 품질 스코어링 컴포넌트 (208) 또는 감도 컴포넌트 (210) 에 의해 결정된 것과 같이) 툴 파라미터들을, 분석되고 있는 툴 성능 표시자에 대한 그들의 개별적인 영향에 따라 랭크하도록 구성될 수 있다. 필터링 컴포넌트 (214) 는 툴 성능 표시자에 최소의 영향을 미치는 것으로 결정된 하나 이상의 툴 파라미터들을 고려사항에서 제거하도록 구성될 수 있다. 합성 함수 컴포넌트 (216) 는 필터링 컴포넌트 (214) 가 최소 영향의 파라미터들을 제거한 후에, 감소된 툴 파라미터들의 세트의 함수로서 툴 성능 표시자를 설명하는 함수를 생성하도록 구성될 수 있다. 하나 이상의 프로세서들 (128) 은 개시된 시스템들 및/또는 방법들을 참조하여 본원에 설명된 기능들 중 하나 이상을 수행할 수 있다. 메모리 (220) 는 개시된 시스템들 및/또는 방법들을 참조하여 본원에 설명된 기능들을 수행하기 위한 컴퓨터-실행가능 명령들 및/또는 정보를 저장하는 컴퓨터 판독가능 저장 매체일 수 있다.

도 3 은 예시적인 파라미터 영향 식별 시스템에 의해 수행되는 프로세싱 기능들을 도시하는 블록 다이어그램이다. 도 1 과 관련하여 전술된 것과 같이, 파라미터 영향 식별 시스템 (308) 은 입력으로서, 반도체 제조 시스템 (302) 의 하나 이상의 런들과 연관된 툴 파라미터 데이터 (304) 및 툴 성능 데이터 (306) 를 수신한다. 툴 파라미터 데이터 (304) 및 툴 성능 데이터 (306) 는 (예컨대, 도 1 의 보고 컴포넌트 (150) 에 의해) 파라미터 영향 식별 시스템 (308) 에 자동으로 제공되거나 인터페이스 컴포넌트 (324) 를 통해 사용자에 의해 수동으로 그 시스템에 제공될 수 있다.

툴 파라미터 데이터 (304) 및 툴 성능 데이터 (306) 에 부가하여, 파라미터 영향 식별 시스템 (308) 은 또한 인터페이스 컴포넌트 (324) 를 통해 사용자로부터 사용자 사양들 (312) 을 수신한다. 앞서 언급된 것과 같이, 사용자 사양들 (312) 은 어떤 툴 성능 표시자가 분석될 것인지, 어떤 툴 파라미터들이 선택된 툴 성능 표시자에 대한 그들의 개별적인 영향을 고려하여 고려될 것인지, 시스템에 의해 식별될 선택된 수의 최상위 툴 파라미터들 (또는 대안적으로 식별되고 제거될 최소의 영향의 선택된 수의 툴 파라미터들), 바람직한 학습 방법 (예컨대, 시뮬레이티드 어닐링, 기호 회귀법, 등), 또는 다른 사용자 선호도들을 명시할 수 있다.

하나 이상의 사용자 사양들을 정의하기 위한 예시적인 비-제한적 인터페이스들이 도 4 및 도 5 와 관련하여 설명된다. 예시적인 인터페이스들 (400 및 500) 은 인터페이스 컴포넌트 (324) 를 통해 사용자에게 렌더링될 수 있다. 도 4 의 예시적인 인터페이스 (400) 는 시스템에 의해 분석될 툴 성능 표시자를 선택하는데 사용될 수 있다. 도 5 의 예시적인 인터페이스 (500) 는 파라미터 영향 식별 시스템 (308) 에 의해 고려될 하나 이상의 툴 파라미터들을 선택하는데 사용될 수 있다. 즉, 파라미터 영향 식별 시스템 (308) 은 예시적인 인터페이스 (400) 를 통해 선택된 툴 성능 표시자에 대하여 예시적인 인터페이스 (500) 를 통해 선택된 툴 파라미터들의 상대적인 영향들을 평가할 것이다. 예시적인 인터페이스들 (400 및 500) 은 툴 성능 표시자들 및 툴 파라미터들이 체크박스들을 사용하여 선택될 것을 허용하지만; 툴 성능 및 툴 파라미터 사양들을 입력하기 위한 임의의 적절한 기술이 채용될 수 있고, 이는 본 개시물의 하나 이상의 실시형태들의 범위 내에 있다.

지금부터 도 3 으로 리턴하여, 툴 파라미터 데이터 (304), 툴 성능 데이터 (306), 및 사용자 사양들 (312) 에서 수행되는 프로세싱 동작들이 설명된다. 툴 파라미터 데이터 (304), 툴 성능 데이터 (306), 및 사용자 사양들 (312) 이 파라미터 영향 식별 시스템 (308) 에 제공된 후에, 파라미터 분리 컴포넌트 (310) 는 각각의 툴 파라미터 (예컨대, 사용자 사양들 (312) 을 통해 분석을 위해 선택된 각각의 툴 파라미터) 를 분리하고, 각각의 분리된 툴 파라미터를 개별적으로 사용하여 선택된 툴 성능 표시자의 거동을 예측하는 것을 반복하여 시도한다. 이러한 프로세스는 도 6 을 참조하여 더 상세히 설명된다. 현재의 예에서, 툴 파라미터들 P0 - PN 이 고려되고 있으며, 상기 N 은 0 초과의 정수이다. 따라서, 툴 파라미터 데이터 (304) 는 반도체 제조 시스템 (302) 의 하나 이상의 프로세스 런들에 대한 툴 파라미터들 P0 - PN 의 각각에 대하여 측정된 파라미터 데이터를 포함한다. 툴 성능 데이터 (306) 는 동일한 하나 이상의 프로세스 런들에 대하여 선택된 툴 성능 표시자에 대한 대응하는 측정 데이터를 포함한다.

파라미터 분리 컴포넌트 (310) 는 툴 파라미터 데이터 (304) 및 툴 성능 데이터 (306) 를 레버리징하여 분리된 파라미터 함수들 (602) 의 세트를 생성하며, 여기서 각각의 함수는 툴 파라미터들 P0 - PN 중 단 하나의 파라미터에 대응한다. 분리된 파라미터 함수들 (602) 의 각각은 단일 툴 파라미터에 관하여 (출력 O 으로 표시되는) 툴 성능 표시자의 예측된 거동을 특징으로 한다. 툴 파라미터들 P0 - PN 에 대응하는 결과적인 분리된 파라미터 함수들은 다음과 같이 표현될 수 있다:

이들 함수들은 선택된 툴 성능 표시자 (출력 O) 와 각각의 툴 파라미터 P0 - PN 간에 비-선형적인 함수 관계들을 확립한다. 앞의 방정식들에 대하여, 툴 성능 표시자 출력 O 은 각 함수에 대하여 동일할 것이지만, 각각 툴 파라미터들 P0 - PN 의 함수들인 상이한 함수들 f₀ - f_N 에 의해 설명될 것이다. 따라서, 파라미터 분리 컴포넌트 (310) 는 반도체 툴 파라미터들의 복잡한 차원을 단일입력 단일출력 (SISO) 하위 문제들의 세트로 감소시킨다.

파라미터 분리 컴포넌트 (310) 는 파라미터들 P0 - PN 의 각각에 대한 비-선형 함수 관계들 f 을 학습하기 위해 임의의 적절한 학습 방법을 활용할 수 있으며, 이는 유전자 프로그래밍, 기호 회귀법, 시뮬레이티드 어닐링, 신경 네트워크, 또는 다른 비-선형 함수 식별 시스템들을 포함하지만 이에 제한되지 않는다. 하나 이상의 실시형태들에서, 사용자들은 함수들 f ₀ (P0)…f _N (PN) 을 유도하기 위해 파라미터 분리 컴포넌트 (310) 에 의해 사용될 바람직한 학습 방법을 선택할 수도 있다. 그러한 실시형태들에서, 바람직한 학습 방법의 선택은 인터페이스 컴포넌트 (324) 를 통해 실행될 수 있다. 파라미터 분리 컴포넌트 (310) 는 또한, 새로운 툴 파라미터 데이터 (304) 및/또는 툴 성능 데이터 (306) 가 수신되는 대로 함수들 f ₀ (P0)…f _N (PN) 을 반복하여 업데이트하도록 구성될 수 있다.

지금부터 도 3 으로 리턴하여, 파라미터 분리 컴포넌트 (310) 가 각 툴 파라미터와 툴 성능 표시자 간에 함수 관계들을 설명하는 함수 관계들 f ₀ (P0)…f _N (PN) 을 확립한 후에, 결과적인 함수들은 임계 파라미터 식별을 위해 제출될 수 있다. 선택된 툴 성능 표시자에 최대 영향을 미치는 임계 툴 파라미터들의 식별을 용이하게 하기 위해, 파라미터 영향 식별 시스템 (308) 은 품질 스코어링 컴포넌트 (326), 감도 컴포넌트 (314), 필터링 컴포넌트 (316), 및 랭킹 컴포넌트 (318) 중 하나 이상을 활용할 수 있다.

품질 스코어링 컴포넌트 (326) 는 도 7 을 참조하여 더 상세히 설명된다. 품질 스코어링 컴포넌트 (326) 는 각 함수의 예측된 출력 O 을 실제 툴 성능 데이터 (306) 와 비교함으로써 분리된 파라미터 함수들 f ₀ (P0)…f _N (PN) 의 각각에 대한 품질 스코어를 결정할 수 있다. 품질 스코어들 (702) 의 결과적인 세트는 각각의 툴 파라미터의 분리 함수에 의해 예측된 툴 성능 거동이 실제 툴 성능 데이터 (306) 와 얼마나 잘 매칭하는지를 나타낸다. 예를 들어, 파라미터들 P0 - PN 에 대한 새로운 툴 파라미터 데이터 (304) 가 반도체 제조 시스템 (302) 의 새로운 프로세스 런 이후에 수신될 경우, 품질 스코어링 컴포넌트 (326) 는 파라미터의 대응하는 분리 함수 f ₀ (P0) 를 통해 파라미터 P0 의 새로운 값을 실행하여 파라미터의 분리 함수에 의해 예측된 툴 성능 표시자의 값 (값 O) 을 결정할 수 있다. 그 후에, 품질 스코어링 컴포넌트 (326) 는 이러한 예측된 값 O 을 툴 성능 데이터 (306) 에 의해 표시된 실제 값과 비교하고, 예측된 값 O 이 툴 성능 표시자의 실제 값과 얼마나 인접하게 매칭하는지를 표시하는 품질 스코어를 파라미터 P0 에 할당할 수 있다. 품질 스코어링 컴포넌트 (326) 는 품질 스코어들 (702) 의 세트를 유도하기 위해 나머지 파라미터들 P1 - PN 의 각각에 대하여 상기 스코어링 프로세스를 반복한다. 하나 이상의 실시형태들에서, 품질 스코어링 컴포넌트 (326) 는 새로운 프로세스 런 데이터가 수신되는 대로 반복적인 방식으로 품질 스코어들 (702) 을 업데이트할 수 있다.

품질 스코어들 (702) 은 각각의 파라미터 P0 - PN 가 분석되고 있는 툴 성능 표시자에 미치는 영향의 상대적인 정도들을 결정하기 위한 메트릭을 제공할 수 있다. 일반적으로, 그 분리된 파라미터 함수가 실제 툴 성능 표시자에 인접하여 매칭하는 툴 성능 출력 O 을 예측하는 툴 파라미터는 툴 성능 표시자에 상대적으로 높은 정도의 영향력을 미칠 가능성이 있다. 대조적으로, 그 분리 함수가 실제 툴 성능을 인접하여 예측하는 것을 반복적으로 실패하는 툴 파라미터는, 툴 파라미터 표시자와의 상관을 가질 가능성이 적다. 따라서, 품질 스코어들 (702) 은 이들 영향의 상대적인 정도들을 반영한다.

툴 성능 표시자에 대한 툴 파라미터들의 상대적인 영향들을 결정하기 위해, 다른 기술들이 사용될 수도 있다. 예를 들어, 파라미터 영향 식별 시스템 (308) 의 일부 실시형태들은 품질 스코어링 컴포넌트 (326) 에 부가하여 또는 그 대안으로서 감도 컴포넌트 (314) 를 포함할 수도 있다. 도 8 에 도시된 것과 같이, 감도 컴포넌트 (314) 는 각 분리된 파라미터 함수들 (602) 을 평가하고, 그 평가에 기초하여 감도 스코어들 (802) 을 개별 툴 파라미터들 P0 - PN 에 할당할 수 있다. 품질 스코어들 (702) 과 유사하게, 감도 스코어들 (802) 은 각각의 툴 파라미터가 분석되고 있는 툴 성능 표시자에 미치는 영향의 상대적인 정도들을 표시한다. 일반적으로, 소정 파라미터에 대한 감도 스코어는, 툴 성능 표시자가 그 툴 파라미터에서의 변화들에 얼마나 민감한지의 측정치이다.

하나 이상의 실시형태들에서, 감도 컴포넌트 (314) 는 각 분리된 파라미터 함수 f ₀ (P0)…f _N (PN) 에 대하여 계산된 수치 또는 기호 미분들에 부분적으로 기초하여 감도 스코어들 (802) 을 생성할 수 있다. 예를 들어, 툴 파라미터 Pi 에 대응하는 소정의 분리된 파라미터 함수 O = f _i (Pi) 에 대하여, 감도 컴포넌트 (314) 는 수치 또는 기호 미분을 사용하여 미분치를 계산할 수 있다:

이러한 미분치는 툴 성능 표시자 O 의 예측된 값이 툴 파라미터 Pi 에서의 변화들에 응답하여 변화하는 비율을 나타내며, 툴 파라미터 표시자가 툴 파라미터 Pi 에서의 변화들에 얼마나 민감한지의 측정치이다. 감도 컴포넌트 (314) 는 각각의 툴 파라미터 P0 - PN 에 대하여 계산된 개별 미분치들에 부분적으로 기초하여 감도 스코어들 (802) 을 생성할 수 있다.

파라미터들 P0 - PN 이 통상적으로 상이한 엔지니어링 유닛들로 표현되고 상이한 동작 범위들을 가지는 상이한 타입의 툴 파라미터들을 나타낼 것이기 때문에, 개별 감도들을 정확히 비교하기 위해, 감도 컴포넌트 (314) 가 그 미분치들을 몇가지 방식들로 정규화하는 것은 필수적일 수도 있다. 감도 컴포넌트 (314) 는 또한 미분치에 기초하여 감도 스코어를 유도할 경우 각각의 툴 파라미터의 유효 동작 범위를 고려할 수도 있다. 예를 들어, 소정의 툴 파라미터가 더 높거나 더 낮은 동작 한계들을 알았다면, 감도 컴포넌트 (314) 는 파라미터의 감도 스코어를 컴퓨팅할 경우, 이들 2 개의 동작 한계들 간에 파라미터의 미분 곡선의 오직 부분만을 고려할 수도 있다. 일반적으로, 파라미터의 분리된 파라미터 함수의 미분치에 기초하여 툴 파라미터에 대한 감도 스코어를 유도하기 위한 임의의 적합한 기술 또는 방법은 본 개시물의 하나 이상의 실시형태들의 범위 내에 있다.

파라미터 영향 식별 시스템 (308) 의 하나 이상의 실시형태들은 품질 스코어링 컴포넌트 (326) 또는 감도 컴포넌트 (314) 중 오직 하나만을 사용하여 각 파라미터 P0 - PN 를 스코어링할 수도 있다. 다른 실시형태들은 품질 스코어링 컴포넌트 (326) 와 감도 컴포넌트 양자를 포함하고, 품질 스코어와 감도 스코어의 합성물에 기초하여 각 파라미터에 대한 스코어들을 생성할 수도 있다. 후자의 시나리오에서, 파라미터 영향 식별 시스템 (308) 은 임의의 적절한 결합 기술을 사용하여 품질 스코어와 감도 스코어를 결합할 수 있다. 예를 들어, 파라미터 영향 식별 시스템 (308) 은 툴 파라미터의 감도 스코어에 기초하여 툴 파라미터의 품질 스코어에 가중 인자를 적용할 수도 있다 (그 반대도 가능하다). 다른 예에서, 2 개의 스코어들이 함께 합산될 수도 있다. 이들 결합 기술들은 오직 예시적인 것으로 의도되며, 품질 스코어와 감도 스코어에 기초하여 합성 스코어를 생성하는 임의의 적합한 기술은 본 개시물의 하나 이상의 실시형태들의 범위 내에 있다.

파라미터 스코어들의 세트가 획득되면, 랭킹 컴포넌트 (318) 는 이들 스코어들에 기초하여 툴 파라미터들을 랭크할 수 있다. 도 9 는 랭킹 컴포넌트 (318) 에 의해 수행되는 예시적인 파라미터 랭킹을 도시한다. 각각의 툴 파라미터 P0 - PN 에 대한 파라미터 스코어들 (902) 은 품질 스코어들, 감도 스코어들, 또는 전술된 것과 같은 양자의 스코어들의 합성물을 포함할 수 있다. 이들 스코어들은 각 툴 파라미터가 분석되고 있는 툴 성능 표시자에 미치는 상대적인 영향 또는 영향력을 나타낸다. 이들 스코어들 (902) 에 기초하여, 랭킹 컴포넌트 (318) 는 툴 성능 표시자에 대한 그들의 영향의 순서로 파라미터들 P0 - PN 을 랭크한다.

결과적인 툴 파라미터 랭킹 (904) 은 툴 성능 표시자에 상당한 영향을 미치는 더 높게 랭크된 툴 파라미터들의 제 1 서브세트 (906) 및 툴 성능 표시자에 무시할만한 또는 존재하지 않는 영향을 미치는 더 낮게 랭크된 툴 파라미터들의 제 2 서브세트 (908) 를 식별하는데 사용될 수 있다. 이러한 결정에 기초하여, 파라미터 영향 식별 시스템 (308) 은 툴 성능 표시자에 대한 영향이 무시할만한 더 낮게 랭크된 툴 파라미터들의 서브세트 (908) 를 제거함으로써 툴 성능 표시자 분석의 차원 복잡도를 감소시킬 수 있다. 따라서, 필터링 컴포넌트 (316) 는 도 10 에 도시된 것과 같이, 랭킹 컴포넌트 (318) 에 의해 생성된 랭크된 툴 파라미터들 (904) 을 수신하고, 툴 파라미터들의 서브세트 (908) 를 고려사항에서 제외시킬 수 있다. 나머지 최상위 툴 파라미터들 (1002) 의 세트는, 툴 파라미터 표시자에 중대한 영향을 미치는 것으로 식별된 툴 파라미터들을 나타낸다.

파라미터 영향 식별 시스템 (308) 의 하나 이상의 실시형태들은, 제거할 최하위 랭킹 툴 파라미터들의 개수, 또는 유지할 최상위 랭킹 툴 파라미터들의 개수를 사용자가 명시하게 할 수도 있다. 이는 후속 분석의 차원 복잡성의 정도에 대한 사용자 제어를 제공한다. 도 11 은 이러한 선택을 실행하기 위한 예시적인 사용자 인터페이스 (1100) 를 도시한다. 예시적인 사용자 인터페이스 (1100) 는 유지할 최상위 파라미터들의 개수 (데이터 필드 (1102)) 또는 제거할 최하위 파라미터들의 개수 (데이터 필드 (1104)) 를 사용자가 명시하는 것을 허용하는 선택가능한 데이터 입력 필드들을 포함할 수 있다. 필터링 컴포넌트 (316) 는 이러한 구성의 선택들을 사용하여 랭크된 툴 파라미터들 (904) 을 이에 따라 필터링하여 최상위 툴 파라미터들 (1002) 의 리스트를 출력할 수 있다.

도 12 는 파라미터 영향 식별 시스템 (308) 에 의해 수행되는 툴 파라미터 식별 프로세싱을 요약한다. 고려되고 있는 각각의 툴 파라미터 P0 - PN 에 대하여, 툴 파라미터와 분석되고 있는 툴 성능 표시자 간에 비선형 함수 관계를 정의하는 분리된 파라미터 함수가 생성된다. 이들 함수들은 f ₀ (P0)…f _N (PN) 로서 표현된다. 출력 O 은 선택된 툴 성능 표시자의 예측된 값을 오직 단일 툴 파라미터의 함수로서 나타낸다. 예를 들어, 파라미터 Pi 에 대응하는 함수의 출력 O 은 오직 툴 파라미터 Pi 의 함수로서 툴 성능 표시자의 예측된 값을 나타낸다.

그 후에, 함수들 f ₀ (P0)…f _N (PN) 은 대응하는 툴 파라미터들이 툴 성능 표시자에 미치는 영향 또는 영향력의 결정된 정도에 기초하여 스코어링된다. 스코어들은 개별 출력 O 이 툴 성능 표시자의 실제 측정된 값들에 얼마나 잘 매칭하는지, 개별 함수들 f ₀ (P0)…f _N (PN) 에 대하여 계산된 수치 또는 기호 미분, 또는 이들 기술들의 조합에 기초하여 생성된다. 그 후에, 파라미터들 P0 - PN 은 이들 스코어들에 기초하여 랭크된다. 그 후에, 최상위 랭킹 파라미터들 (906) 은 추가의 분석을 위해 식별되고 유지될 수 있는 반면, (툴 성능 파라미터에 사소한 또는 존재하지 않는 영향을 미치는 툴 파라미터들을 나타내는) 최하위-랭킹 파라미터들 (908) 은 고려사항에서 제거될 수 있다.

최상위 랭킹 툴 파라미터들이 식별되면, 파라미터 영향 식별 시스템 (308) 은 이들 결과들을 (예컨대, 인터페이스 컴포넌트 (324) 를 통해) 사용자에게 제공할 수 있다. 툴 성능 표시자에 최대 영향을 미치는 것으로 결정된 툴 파라미터들의 리스트를 사용자들에게 제공함으로써, 파라미터 영향 식별 시스템 (308) 은 요구되는 동작 한계들 내에서 툴 성능 표시자를 유지하기 위해 유지보수 노력들이 집중되어야만 하는 곳에 관한 안내를 제공할 수 있다.

하나 이상의 실시형태들에서, 파라미터 영향 식별 시스템 (308) 은 최상위 랭크된 툴 파라미터들에 추가의 분석을 수행하여 툴 파라미터들과 툴 성능 표시자들 간의 관계들에 대한 추가의 이해를 제공할 수도 있다. 특히, 툴 파라미터들 P0 - PN 의 개수가 중요한 파라미터들의 식별된 서브세트로 감소되면, 출력 O 은 이러한 툴 파라미터들의 감소된 세트의 함수로서 시스템에 의해 재학습될 수 있다. 이를 위해, 시스템은 툴 성능 표시자 출력 (O_NEW) 을 필터링 컴포넌트 (316) 에 의해 식별된 가장 중요한 툴 파라미터들의 함수로서 특징짓는 새로운 함수를 생성하도록 구성된 합성 함수 컴포넌트 (320) 를 포함할 수도 있다. 도 13 에 도시된 것과 같이, 합성 함수 컴포넌트 (320) 는 필터링 컴포넌트 (316) 에 의해 툴 성능 표시자에 최대 영향을 미치는 것으로 식별된 최상위 툴 파라미터들 (1002) 을 수신하고, 최상위 툴 파라미터들 (1002) 의 함수로서 툴 영향 파라미터 출력 (O_NEW) 을 예측하는 새로운 합성 함수 (322) 를 학습한다. 예를 들어, 최상위 랭크 툴 파라미터들 (P1, P8, P0...) 의 세트에 대하여, 합성 함수 컴포넌트 (320) 는 다음의 일반적인 포맷을 갖는 합성 함수 (322) 를 생성할 수 있다:

합성 함수 컴포넌트 (320) 는 합성 함수를 학습하기 위해 임의의 적절한 비선형 함수 식별 기술을 채용할 수 있으며, 이는 유전자 프로그래밍, 기호 회귀법, 신경 네트워크들, 최소 제곱법 (least squares fit), 또는 다른 적합한 기술들을 포함하지만 이에 제한되지 않는다.

합성 함수 (322) 는 문제 공간을 임계 툴 파라미터들의 상대적으로 작은 세트로 감소시킴으로써 툴 성능 표시자의 분석을 상당히 간략화하며, 이는 사용자들이 그들의 임계 파라미터들에 더 명확히 집중하게 한다. 합성 함수는 선택된 툴 성능 양태의 거동을 결정하는 툴 파라미터들에 대하여 선택된 툴 성능 양태의 분석을 용이하게 하기 위해 다수의 방식들로 레버리징될 수 있다. 예를 들어, 툴 성능 표지사의 향후 값들을 계측하기 위해, 합성 함수 (322) 를 고려하여 새로운 툴 파라미터 데이터가 분석될 수 있다. 하나 이상의 툴 파라미터 값들이 부분적인 저하로 인해 표동하기 시작한다면, 이들 툴 파라미터들의 예상되는 향후 값들은 합성 함수 (322) 를 통해 운영되어 툴 성능 표시자 (O_NEW) 가 허용가능한 성능 한계들의 범위 밖에 있는 것으로 예상되는 시기를 결정할 수 있다. 이러한 방식으로, 합성 함수 (322) 는 예방 점검이 수행되어야만 하는 시기 및 어떤 툴 파라미터들이 유지보수 노력들이 집중되어야만 하는지를 식별하는 근 실시간 조기 경보 시스템에 대한 기준으로서 사용될 수 있다. 합성 함수 (322) 는 또한, 임계 툴 파라미터들과 예측된 툴 성능 표시자 (O_NEW) 간의 관계들에 대한 이해를 제공하기 위해 더 개략적으로 분석될 수 있다. 따라서, 파라미터 영향 식별 시스템 (308) 은 반도체 제조 시스템에 대한 함수 관계 모델링을 수행하기 위한 탐색 공간을 감소시키는 효율적인 함수 모델링 시스템으로서 기능한다.

일부 시나리오들에서, 파라미터 영향 식별 시스템 (308) 은 그 시스템에 제공된 툴 프로세스 로그들의 소정 세트 (예컨대, 사용자에 의해 시스템에 제공되는 툴 런 데이터의 세트) 에 대하여 합성 함수 (322) 및/또는 툴 파라미터 랭킹들의 일회의 주문형 (on-demand) 계산을 수행할 수도 있다. 그러나, 파라미터 영향 식별 (308) 시스템의 일부 실시형태들은 또한, 새로운 툴 데이터가 실질적으로 실시간 기반으로 수집되는 대로 연속적인 반복 방식으로 동작하도록 구성될 수도 있다. 이러한 반복 프로세싱이 도 14 에 도시된다. 파라미터 영향 식별 시스템 (308) 은, 새로운 데이터가 (예컨대, 각각의 툴 런의 종료시) 사용가능함에 따라 반도체 제조 시스템으로부터 직접 툴 파라미터 데이터 (304) 및 툴 성능 데이터 (306) 를 수신하고, 새로운 데이터에 기초한 사용자 사양들 (312) 을 고려하여 합성 함수 (322) 를 반복적으로 업데이트하도록 구성될 수도 있다. 합성 함수 (322) 는 데이터 저장부 (1402) 에서 유지되고, 향후 툴 성능을 예측하고, 툴 성능에 영향을 주는 임계 툴 파라미터들을 식별하는, 등을 위한 연속하여 업데이트된 모델에 대한 기반으로서 사용된다. 합성 함수 (322) 를 재계산하는데 부가하여, 파라미터 영향 식별 시스템 (308) 은 새로운 툴 데이터가 수신됨에 따라 임계 툴 파라미터 랭킹들을 재추정할 수 있다. 이러한 방식으로, 툴 드리프트, 툴 유지보수, 및 다른 소모에 대한 파라미터 감도는, 개별 툴 파라미터 학습의 연속적인 반복 속성으로 인해 고려 요인이 된다.

본원에 설명된 파라미터 영향 식별 시스템은 툴 복잡성에 관계없이 툴 파라미터들과 툴 성능 표시자들 간의 상관들을 자동으로 식별하고 모델링할 수 있다. 이는 잠재적으로 관련된 툴 파라미터들의 큰 세트를 임계 툴 파라미터들의 작은 세트로 감소시키고 이들 임계 파라미터들과 툴 성능 표시자 간의 관계들을 모델링함으로써 달성된다. 그 시스템은 플라즈마 에칭 툴들, 원자층 증착 툴들, 및 화학 기상 증착 툴들을 포함하지만 이에 제한되지 않는 다수 타입의 반도체 제조 툴들에 적용가능하다. 시스템은 또한, 다수의 툴 성능 출력들 (예컨대, 스루풋, 정지시간, 가동시간, 수리비용, 에칭 바이어스, 퇴적 두께, 입자 총수, 측벽 각도, 등) 에 대하여 일반화될 수 있다.

도 15 및 도 16 은 본 출원의 하나 이상의 실시형태들에 따른 다양한 방법들을 도시한다. 설명의 간략화를 위해, 본원에 도시된 하나 이상의 방법들이 동작들의 시리즈로 도시되고 설명되지만, 몇몇 동작들이 본원에 도시되고 설명된 다른 동작들과 상이한 순서로 및/또는 동시에 발생할 수도 있으므로, 본 발명은 동작들의 순서에 의해 제한되지는 않음을 이해하고 인식할 수 있을 것이다. 예를 들면, 당업자들은, 방법이 상태 다이어그램에서와 같이 상호 관련 상태들 또는 이벤트들의 시리즈로서 대안적으로 표현될 수도 있음을 이해하고 인식할 것이다. 더욱이, 모든 도시된 동작들이 본 발명에 따른 방법을 구현하는데 요구되는 것은 아닐 수도 있다. 추가로, 상호작용 다이어그램(들) 은 상이한 엔티티들이 방법론들의 상이한 부분들을 규정할 때, 본 개시물에 따라 방법론들 또는 방법들을 표현할 수도 있다. 또한, 개시된 예시적인 방법들 중 2 이상은 본원에 설명된 하나 이상의 특징들 또는 장점들을 달성하기 위해 서로 결합하여 구현될 수 있다.

도 15 는 반도체 제조 시스템의 툴 성능 표시자와 툴 파라미터들의 세트 간의 함수 관계를 모델링하기 위한 예시적인 방법 (1500) 을 도시한다. 먼저, 1502 에서, 반도체 제조 시스템의 툴 성능 표시자가 분석을 위해 선택된다. 선택된 툴 성능 표시자는 그러한 툴 성능 출력들을 웨이퍼 스루풋, 시스템 정지시간, 시스템 가동시간, 수리비용들, 등으로 나타낼 수 있다. 툴 성능 표시자는 또한, 에칭 바이어스, 퇴적 두께, 입자 총수, 측벽 각도, 등과 같은 특정 툴 출력 제품 특성일 수도 있다.

1504 에서, 툴 성능 표시자와 상관될 툴 파라미터들의 세트가 선택된다. 예시적인 툴 파라미터들은 입력된 CD, 퇴적 두께, 재료의 반응 인덱스, 등과 같은 하나 이상의 제조된 웨이퍼들에 대한 계측 측정들을 포함할 수 있다. 툴 파라미터들은 또한, 제조 프로세스 동안 취득된 센서 판독치들 (예컨대, 압력들, 온도들, 전력, 가스 흐름들, 등), 및/또는 툴 동작 성능 측정들 (예컨대, 툴 상의 부품들의 수명, 프로세싱 시간들, 셋업 시간들, 웨이퍼 로드 또는 언로드 시간들, 등) 을 포함할 수 있다.

1506 에서, 선택된 툴 성능 표시자에 대한 각각의 툴 파라미터의 상대적인 영향이 결정된다. 소정의 툴 파라미터의 영향은 툴 성능 표시자가 소정의 툴 파라미터에서의 변화들에 얼마나 민감한지의 측정치, 또는 툴 성능 표시자의 값에 걸쳐 소정 툴 파라미터가 미치는 영향력의 정도이다. 1508 에서, 선택된 툴 성능 표시자에 최대 영향을 미치는 것으로 결정된 툴 파라미터들의 서브세트가 단계 (1506) 에서 결정된 상대적인 영향들에 기초하여 식별된다. 1510 에서, 툴 성능 표시자와 단계 (1508) 에서 식별된 툴 파라미터들의 서브세트 간의 함수 관계가 모델링된다. 반도체 툴 성능 표시자를 모델링하기 위한 이러한 방법은 툴 파라미터들의 개수를 선택된 성능 표시자에 최대 영향력을 미치는 것으로 식별된 임계 파라미터들의 작은 세트로 감소시킴으로써 분석을 상당히 간략화할 수 있다.

도 16 은 툴 성능 메트릭에 대한 툴 파라미터 영향을 자동으로 식별하고 모델링하기 위한 예시적인 방법 (1600) 을 도시한다. 먼저, 1602 에서, 툴 파라미터 데이터 및 툴 성능 데이터가 수신된다. 그 데이터는 반도체 제조 시스템의 하나 이상의 프로세스 런들에 대응할 수 있다. 툴 파라미터 데이터는 입력된 CD, 퇴적 두께, 재료의 반응 인덱스, 등과 같은 하나 이상의 제조된 웨이퍼들에 대하여 측정된 계측 데이터를 포함할 수 있다. 툴 파라미터 데이터는 또한, 제조 프로세스 동안 취득된 센서 판독치들 (예컨대, 압력들, 온도들, 전력, 가스 흐름들, 등), 및/또는 툴 동작 성능 측정들 (예컨대, 툴 상의 부품들의 수명, 프로세싱 시간들, 셋업 시간들, 웨이퍼 로드 또는 언로드 시간들, 등) 을 포함할 수 있다. 툴 성능 데이터는 그러한 툴 성능 출력들과 관련된 데이터를 스루풋, 정지시간, 가동시간, 수리비용들, 등으로 포함할 수 있다. 툴 성능 데이터는 또한, 에칭 바이어스, 퇴적 두께, 입자 총수, 측벽 각도, 등과 같은 툴 출력 제품 특성들을 포함할 수도 있다.

1604 에서, 툴 파라미터 데이터는 개별적인 N 개 툴 파라미터들에 대하여 분리된다. 1606 에서, 카운터 i 는 1 로 세팅된다. 1608 에서, 툴 성능 표시자 O 와 툴 파라미터 Pi 간의 관계를 특징짓는 i 번째 툴 파라미터에 대하여 함수 O = fi(Pi) 가 생성된다. 그 함수는 (단계 (1604) 에서 분리된) Pi 에 대한 툴 파라미터 데이터 및 툴 성능 표시자와 관련된 툴 성능 데이터에 기초하여 학습될 수 있다.

1610 에서, 함수들이 모두 N 개 파라미터들에 대하여 생성되었는지 여부에 관해 결정이 실행된다. 함수들이 모두 N 개 파라미터들에 대하여 생성되지 않은 것으로 결정된다면, 방법은 단계 (1612) 로 이동하고, 여기서 카운터 i 는 증분되며, 단계 (1608) 는 다음 툴 파라미터에 대하여 반복된다. 대안적으로, 단계 (1510) 에서 함수들이 모두 N 개 파라미터들에 대하여 생성된 것으로 결정된다면, 방법은 단계 (1614) 로 이동한다.

1614 에서, 단계들 (1608 - 1610) 에 의해 생성된 각 함수가 예측된 값 O 이 실제 툴 성능 데이터에 얼마나 잘 매칭하는지에 기초하여 및/또는 유도된 함수에 대한 감도 측정치에 기초하여 스코어링된다. 감도 측정치는 툴 파라미터에서의 변화들에 대한 툴 성능 표시자의 감도를 설명하고, 각 함수에 대하여 계산된 수치 또는 기호 미분에 부분적으로 기초하여 결정될 수 있다.

1616 에서, N 개의 툴 파라미터들이 1614 에서 결정된 스코어들에 따라 랭크되며, M 개의 최고 랭크 툴 파라미터들이 식별된다. 이들 M 개의 최고 랭크 툴 파라미터들은 툴 성능 메트릭에 최대 영향을 미치는 것으로 결정된 전체 툴 파라미터들의 서브세트를 나타낸다. 1618 에서, 새로운 함수가 생성되며, 이는 툴 성능 표시자를 단계 (1616) 에서 식별된 M 개의 최고 랭크 파라미터들의 함수로서 모델링한다. 이러한 새로운 함수는 툴 파라미터 경향들에 기초하여 향후 툴 성능 거동을 예측하고, 예방 점검을 스케줄링하는 것을 보조하고, 유지보수 노력들이 어디에 집중되어야만 하는지를 식별하는데 사용되거나, 또는 다른 응용들에 사용될 수 있다.

(예컨대, 하나 이상의 선택들을 수신하는 것, 하나 이상의 선택들의 의미를 결정하는 것, 다른 액션들로부터 선택을 구별하는 것, 요청에 만족하는 선택들의 구현, 등과 관련하여) 다양한 양태들은, 다양한 인공 지능 기반의 방식들을 그 다양한 양태들을 실행하기 위해 채용할 수 있다. 예를 들면, 특정 액션이 액션이 수행되기 위한 요청인지 또는 일반적인 액션 (예컨대, 사용자가 수동으로 수행하기를 원하는 액션) 인지를 결정하기 위한 프로세스는 자동 분류기 시스템 및 프로세스를 통해 인에이블될 수 있다.

분류기는 입력 속성 벡터 x = (x1, x2, x3, x4, xn) 를 그 입력이 클래스에 속하는 신뢰도로 맵핑하는 함수, 즉 f(x) = confidence(class) 이다. 그러한 분류는 사용자가 자동으로 수행될 것을 원하는 액션을 예측 또는 추론하기 위해 (예컨대, 분석 유틸리티들 및 비용들을 요인으로 하는) 확률적 및/또는 통계학-기반의 분석을 채용할 수 있다. 선택들의 경우에, 예컨대, 속성들은 포커스 챔버 및/또는 참조 챔버의 식별일 수 있고, 클래스들은 요청을 만족하기 위해 활용되어야만 하는 포커스 챔버 및/또는 참조 챔버의 표준들이다.

SVM (support vector machine) 는 채용될 수 있는 분류기의 일 예이다. SVM 은 가능한 입력들의 공간에서 초곡면을 발견함으로써 동작하며, 초곡면은 비-트리거 이벤트들로부터 트리거 표준들을 분리하는 것을 시도한다. 직감적으로, 이는 트레이닝 데이터와 인접하지만 동일하지 않은 데이터를 테스트하기 위해 분류를 정확하게 만든다. 다른 관련된 및 관련되지 않은 모델 분류 접근방식들은, 예컨대 nave Bayes, 베이지안 네트워크들 (Bayesian networks), 결정 트리들, 신경 네트워크들, 퍼지 로직 모델들을 포함하며, 상이한 독립적 패턴들을 제공하는 확률 분류 모델들이 채용될 수 있다. 본 명세서에 사용된 것과 같은 분류는 또한 우선순위 모델들을 개발하는데 활용된 통계적 회귀를 포함한다.

본 명세서로부터 용이하게 인식되는 것과 같이, 하나 이상의 양태들은 (예컨대, 포괄적인 트레이닝 데이터를 통해) 명시적으로 트레이닝될 뿐만 아니라 (예컨대, 사용자 거동을 관찰하고 외적 정보를 수신함으로써) 암시적으로 트레이닝되는 분류기들을 채용할 수 있다. 예를 들어, SVM들은 분류기 구성장치 및 특징 선택 모듈 내의 학습 또는 트레이닝 어구를 통해 구성된다. 따라서, 분류기(들) 은 미리 결정된 기준들에 따라, 챔버들을 언제 비교할 것인지, 어떤 챔버들을 비교할 것인지, 어떤 챔버들을 함께 그룹화할 것인지, 챔버들 간의 관계들, 등을 결정하는 것을 포함하지만 이에 제한되지 않는 다수의 함수들을 자동으로 학습하고 수행하는데 사용될 수 있다. 기준들은 유사한 요청들, 이력 정보, 등을 포함할 수 있지만, 이에 제한되지 않는다.

지금부터 도 17 를 참조하면, 개시된 양태들을 실행하도록 동작가능한 컴퓨터의 블록 다이어그램이 도시된다. 그 다양한 양태들에 대한 추가의 콘텍스트를 제공하기 위해, 도 17 는 다양한 양태의 실시형태(들) 이 구현될 수 있는, 적합한 컴퓨팅 환경 (1700) 의 간단한 일반적인 설명을 제공하도록 의도된다. 앞의 설명은 하나 이상의 컴퓨터들에 실행할 수 있는 컴퓨터 실행가능한 명령들의 일반적인 맥락에 있지만, 당업자는 다양한 실시형태들이 다른 프로그램 모듈들과 함께 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다.

일반적으로, 프로그램 모듈들은 특정 작업들을 수행하거나 특정 요약 데이터 타입들을 구현하는, 루틴들, 프로그램들, 컴포넌트들, 데이터 구조들, 등등을 포함한다. 또한, 당업자는 개시된 양태들이 단일 프로세서 또는 멀티프로세서 컴퓨터 시스템들, 미니 컴퓨터들, 메인프레임 컴퓨터들 뿐만 아니라 퍼스널 컴퓨터들, 핸드 헬드 컴퓨팅 디바이스들, 마이크로프로세서 기반의 또는 프로그래머블 고객 전자제품, 마이크로-제어기들, 임베디드 제어기들, 멀티-코어 프로세서들, 등등을 포함하는 다른 컴퓨터 시스템 구성들로 실행될 수 있고, 이들 각각은 하나 이상의 연관된 디바이스들에 동작가능하게 커플링될 수 있는 것을 인식할 것이다.

다양한 실시형태들의 설명된 양태들은 또한 특정 작업들이 통신 네트워크를 통해 링크된 원격 프로세싱 디바이스들에 의해 수행되는 분산 컴퓨팅 환경들에서 실행될 수도 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈들은 로컬의 및 원격의 메모리 저장 디바이스들 양자에 위치될 수 있다.

컴퓨팅 디바이스들은 통상적으로, 컴퓨터 판독가능 저장 매체 및/또는 통신 매체를 포함할 수 있는 다양한 매체를 포함하며, 이들 2 개의 용어들은 본 명세서에서 다음과 같이 서로 상이하게 이용된다. 컴퓨터 판독가능 저장 매체는 컴퓨터에 의해 액세스될 수 있고, 휘발성 및 비휘발성 매체와 탈착가능 및 탈착 불가능 매체 양자를 포함하는 임의의 사용가능한 저장 매체일 수 있다. 제한없는 예로서, 사용자 판독가능 저장 매체는 컴퓨터 판독가능 명령들, 프로그램 모듈들, 구성된 데이터, 또는 구성되지 않은 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술과 관련하여 구현될 수 있다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, DRAM, 플래시 메모리 또는 다른 메모리 기술, CD-ROM, 디지털 다기능 디스크 (DVD) 또는 다른 광학 디스크 스토리지, 자기 카세트, 자기 테이프, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 원하는 정보를 저장하는데 이용될 수 있는 다른 유형의 및/또는 비-일시적인 매체를 포함하지만, 이에 제한되지 않을 수 있다. 컴퓨터 판독가능 저장 매체는 매체들에 의해 저장된 정보에 대하여 다양한 동작들을 위해 예컨대, 액세스 요청들, 질의들 또는 데이터 취출 프로토콜들을 통해 하나 이상의 로컬의 또는 원격 컴퓨팅 디바이스들에 의해 액세스될 수 있다.

통신 매체는 통상적으로 컴퓨터 판독가능 명령들, 데이터 구조들, 프로그램 모듈들, 또는 변조된 데이터 신호, 예컨대 캐리어파 또는 다른 전송 메커니즘과 같은 데이터 신호에서 다른 구성되거나 구성되지 않은 데이터를 수록하고, 임의의 정보 전달 또는 전송 매체를 포함한다. 용어 "변조된 데이터 신호" 또는 신호들은 하나 이상의 특징 세트들을 갖고 하나 이상의 신호들에서 정보를 인코딩하기 위한 방식으로 변화하는 신호를 지칭한다. 제한없는 예로서, 통신 매체는 유선 네트워크 또는 다이렉트-유선 접속과 같은 유선 매체 및 음향, 마이크로파, RF, 적외선 및 다른 무선 방법들 (예컨대, IEEE 802.12X, IEEE 802.15.4) 과 같은 무선 매체를 포함한다.

다시 도 17 를 참조하여, 다양한 양태들을 구현하기 위한 예시적인 환경 (1700) 은 프로세싱 유닛 (1704), 시스템 메모리 (1706) 및 시스템 버스 (1708) 를 포함하는 컴퓨터 (1702) 를 포함한다. 시스템 버스 (1708) 는 시스템 메모리 (1706) 를 포함하지만 이에 제한되지 않는 시스템 컴포넌트들을 프로세싱 유닛 (1704) 에 커플링한다. 프로세싱 유닛 (1704) 은 다양한 상업적으로 입수가능한 프로세서들 중 임의의 것일 수 있다. 듀얼 마이크로프로세서들 및 다른 멀티-프로세서 아키텍처들은 또한 프로세싱 유닛 (1704) 으로서 채용될 수도 있다.

시스템 버스 (1708) 는 다양한 상업적으로 입수가능한 버스 아키텍처들 중 임의의 것을 이용하여 (메모리 제어기를 가지거나 가지지 않는) 메모리 버스, 주변 버스, 및 로컬 버스에 추가로 상호접속할 수 있는 몇몇 타입의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리 (1406) 는 판독 전용 메모리 (ROM; 1710) 와 랜덤 액세스 메모리 (RAM; 1712) 를 포함한다. 기본 입력/출력 시스템 (BIOS) 은 ROM, EPROM, EEPROM 과 같은 비휘발성 메모리 (1710) 에 저장되고, BIOS 는 예컨대 스타트업 동안 컴퓨터 (1702) 내의 엘리먼트들 간에 정보를 전송하는 것을 돕는 기본 루틴들을 포함한다. RAM (1712) 은 또한, 데이터를 캐싱하기 위해 정적 RAM 과 같은 고속 RAM 을 포함할 수 있다.

컴퓨터 (1702) 는 내부 하드 디스크 드라이버는 또한 (도시되지 않은) 적절한 섀시 (chassis) 에서 외부 이용을 위해 구성될 수도 있는 내부 하드 디스크 드라이브 (HDD) (예컨대, EIDE, SATA), (예컨대, 탈착가능한 디스켓에 판독하거나 기록하기 위한) 자기 플로피 디스크 드라이브 (FDD), 및 (예컨대, CD-ROM 디스크를 판독하거나, DVD 와 같은 다른 고성능 광학 매체를 판독하거나 기록하기 위한) 광학 디스크 드라이브를 포함하는, 디스크 스토리지 (1714) 를 더 포함한다. 하드 디스크 드라이브, 자기 디스크 드라이브 및 광학 디스크 드라이브는 하드 디스크 드라이브 인터페이스, 자기 디스크 드라이브 인터페이스 및 광학 드라이브 인터페이스 각각에 의해 시스템 버스 (1708) 에 접속될 수 있다. 외부 드라이브 구현들을 위한 인터페이스 (1716) 는 유니버셜 시리얼 버스 (USB) 및 IEEE 1094 인터페이스 기술들 중 적어도 하나 또는 이들 양자를 포함한다. 다른 외부 드라이브 접속 기술들은 본 명세서에 설명된 다양한 실시형태들 내에서 고려된다.

드라이브들 및 그들의 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조들, 컴퓨터 실행가능 명령들, 등등의 비휘발성 저장을 제공한다. 컴퓨터 (1702) 에 대하여, 드라이브들 및 매체는 적절한 디지털 포맷으로의 임의의 데이터의 저장을 수용한다. 앞의 컴퓨터 판독가능 매체의 설명은 HDD, 탈착가능한 자기 디스켓, 및 CD 또는 DVD 와 같은 탈착가능한 광학 매체를 지칭하지만, 집 드라이브들, 자기 카세트들, 플래시 메모리 카드들, 카트리지들, 등등과 같이 컴퓨터에 의해 판독가능한 다른 타입의 매체가 또한 예시적인 동작 환경에서 이용될 수도 있고, 임의의 그러한 매체가 개시된 양태들을 수행하기 위해 컴퓨터 실행가능한 명령들을 포함할 수도 있는 것이 당업자에 의해 인식되어야 한다.

다수의 프로그램 모듈들이 드라이브들 및 RAM 에 저장될 수 있고, 오퍼레이팅 시스템 (1718), 하나 이상의 애플리케이션 프로그램들 (1720), 다른 프로그램 모듈들 (1724) 및 프로그램 데이터 (1726) 를 포함한다. 오퍼레이팅 시스템, 애플리케이션들, 모듈들, 및/또는 데이터의 전부 또는 부분들은 또한 RAM 에 캐싱될 수 있다. 다양한 실시형태들이 다양한 상업적으로 입수가능한 오퍼레이팅 시스템들 또는 오퍼레이팅 시스템들의 조합들로 구현될 수 있는 것이 인식될 것이다.

사용자는 키보드 및 포인팅 디바이스, 예컨대 마우스와 같은 하나 이상의 유선/무선 입력 디바이스들 (1728) 을 통해 명령들 및 정보를 컴퓨터 (1702) 에 입력할 수 있다. 다른 입력 디바이스들 (비도시) 은 마이크로폰, IR 리모트 컨트롤, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 등등을 포함할 수도 있다. 이러한 및 다른 입력 디바이스들은 종종 시스템 버스 (1708) 에 커플링된 입력 디바이스 (인터페이스) 포트 (1730) 를 통해 프로세싱 유닛 (1704) 에 접속되지만, 병렬 포트, IEEE 1094 직렬 포트, 게임 포트, USB 포트, IR 인터페이스 등등과 같은 다른 인터페이스들에 의해 접속될 수 있다.

모니터 또는 다른 타입의 디스플레이 디바이스는 또한 비디오 어댑터와 같은 출력 (어댑터) 포트 (1734) 를 통해 시스템 버스 (1708) 에 접속된다. 모니터에 부가하여, 컴퓨터는 통상적으로 스피커들, 프린터들, 등등과 같은 다른 주변 출력 디바이스들 (1736) 을 포함한다.

컴퓨터 (1702) 는 원격 컴퓨터(들)(1738) 과 같은 하나 이상의 원격 컴퓨터들로의 유선 및/또는 무선 통신들을 통한 논리적 접속을 이용하여 네트워킹 환경에서 동작할 수도 있다. 원격 컴퓨터(들)(1738) 은 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서 기반의 엔터테인먼트 기기, 피어 디바이스 또는 다른 일반적인 네트워크일 수 있고, 간결성을 목적으로 오직 메모리/스토리지 디바이스 (1740) 만이 도시되지만, 컴퓨터 (1702) 에 대하여 설명된 다수의 또는 모든 엘리먼트들을 포함한다.

원격 컴퓨터(들) 은 컴퓨터 (1702) 로의 논리적인 접속들을 가능하게 하는 네트워크 인터페이스 (1742) 를 가질 수 있다. 논리적인 접속들은 근거리 네트워크 (LAN) 및/또는 더 큰 네트워크들, 예컨대 광역 네트워크 (WAN) 로의 유선/무선 접속을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경들은 오피스들 및 회사들에서 아주 흔하고, 모두 인터넷과 같은 글로벌 통신 네트워크에 접속할 수도 있는 인트라넷들과 같은 전사적 (enterprise-wide) 컴퓨터 네트워크들을 용이하게 한다.

LAN 네트워킹 환경에서 이용될 경우, 컴퓨터 (1702) 는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터 (통신 접속(들))(1744) 를 통해 로컬 네트워크에 접속된다. 어댑터 (1744) 는 무선 어댑터와 통신하기 위해 그 위에 배치된 무선 액세스 포인트를 포함할 수도 있는 LAN 으로의 유선 또는 무선 통신을 용이하게 할 수도 있다.

WAN 네트워킹 환경에서 이용될 경우, 컴퓨터 (1702) 가 모뎀을 포함할 수 있거나, WAN 을 통해 통신 서버에 접속되거나, 인터넷을 이용하는 것과 같이 WAN 을 통해 통신들을 확립하기 위한 다른 수단을 갖는다. 내부에 있거나 외부에 있을 수 있는 모뎀과 유선 또는 무선 디바이스는 직렬 포트 인터페이스를 통해 시스템 버스 (1708) 에 접속된다. 네트워킹 환경에서, 컴퓨터 (1702) 와 관련하여 도시된 프로그램 모듈들 또는 그 부분들은 원격 메모리/스토리지 디바이스 (1740) 에 저장될 수 있다. 도시된 네트워크 접속들은 예시적이고, 컴퓨터들 간의 통신 링크를 확립하는 다른 수단이 이용될 수 있음이 인식될 것이다.

컴퓨터 (1702) 는 예컨대, 프린터, 스캐너, 데스크탑 및/또는 휴대용 컴퓨터, 휴대용 데이터 보조장치, 통신 위성, 무선으로 접촉가능한 태그와 연관된 위치 또는 설비 (예컨대, 키오스크, 가판대, 등등) 의 임의의 부분, 및 전화기와 같은 무선 통신에서 동작가능하게 배치된 임의의 무선 디바이스들 또는 엔티티들과 통신하도록 동작가능하다. 이는 적어도 WiFi 및 Bluetooth™ 무선 기술들을 포함한다. 따라서, 통신은 종래의 네트워크와 같은 미리 정의된 구조 또는 간단히 적어도 2 개의 디바이스들 간의 애드혹 통신일 수 있다.

와이파이, 또는 무선 충실도는 와이어 없이 인터넷으로의 접속을 허용한다. 와이파이는 이러한 디바이스들, 예컨대 컴퓨터들이 데이터를 실내 또는 실외; 기지국의 범위 내의 어디에서든 전송하고 수신할 수 있게 하는 셀 폰에서 이용되는 것과 유사한 무선 기술이다. 와이파이 네트워크는 안전하고, 신뢰할만한, 고속의 무선 접속을 제공하기 위해 IEEE 802.11x (a, b, g, 등) 이라 지칭되는 무선 기술들을 이용한다. 와이파이 네트워크는 컴퓨터들을 서로, 인터넷으로, 및 (IEEE 802.3 또는 이더넷을 이용하는) 유선 네트워크들로 접속하는데 이용될 수 있다.

와이파이 네트워크들은 무허가의 2.4 및 5 GHz 무선 대역들에서 동작할 수 있다. IEEE 802.11 는 일반적으로 무선 LAN 들에 적용하고, 주파수 홉핑 확산 스펙트럼 (FHSS) 또는 직접 시퀀스 확산 스펙트럼 (DSSS) 을 이용하여 2.4 GHz 에서 1 또는 2 Mbps 송신을 제공한다. IEEE 802.11a 는 무선 LAN들에 적용하는 IEEE 802.11 에 대한 확장물이고, 5 GHz 에서 54 Mbps 까지 제공한다. IEEE 802.11a 는 FHSS 또는 DSSS 보다는 직교 주파수 분할 멀티플렉싱 (OFDM) 인코딩 방식을 이용한다. (또한 802.11 고 레이트 DSSS 또는 Wi-Fi 로 지칭되는) IEEE 802.11b 는 무선 LAN들에 적용하는 802.11 에 대한 확장물이고, 2.4 GHz 대역에서 (5.5, 2 및 1 Mbps 에 대한 대비로) 11 Mbps 송신을 제공한다. IEEE 802.11g 는 무선 LAN들에 적용하고, 2.4 GHz 대역에서 20+ Mbps 를 제공한다. 제품들은 하나 이상의 대역 (예컨대, 듀얼 대역) 을 포함할 수 있고, 따라서 네트워크는 다수의 오피스들에서 이용되는 기존 10BaseT 유선 이더넷 네트워크들과 유사한 실세계 성능을 제공할 수 있다.

지금부터 도 18 을 참조하면, 다른 양태에 따라 개시된 아키텍처를 프로세싱하기 위한 예시적인 컴퓨팅 환경 (1800) 의 개략적인 블록 다이어그램이 도시된다. 환경 (1800) 은 하나 이상의 클라이언트(들)(1802) 을 포함한다. 클라이언트(들)(1802) 은 하드웨어 및/또는 소프트웨어 (예컨대, 스레드들, 프로세스들, 컴퓨팅 디바이스들) 일 수 있다. 클라이언트(들)(1802) 은 예컨대, 다양한 실시형태들과 관련하여 쿠키(들) 및/또는 연관된 맥락 관련 정보를 하우징할 수 있다.

환경 (1800) 은 또한 하나 이상의 서버(들)(1804) 을 포함한다. 서버(들)(1804) 은 또한 하드웨어 및/또는 소프트웨어 (예컨대, 스레드들, 프로세스들, 컴퓨팅 디바이스들) 일 수 있다. 서버(들)(1804) 은 예컨대, 다양한 실시형태들과 관련하여 변형들을 수행하기 위해 스레드들을 하우징할 수 있다. 클라이언트 (1802) 와 서버 (1804) 간에 한가지 가능한 통신은 2 이상의 컴퓨터 프로세스들 사이에서 송신되도록 구성된 데이터 패킷의 형태일 수 있다. 데이터 패킷은 예컨대, 쿠키 및/또는 연관된 맥락 관련 정보를 포함할 수도 있다. 환경 (1800) 은 클라이언트(들)(1802) 과 서버(들)(1804) 간에 통신들을 용이하게 하도록 채용될 수 있는 통신 프레임 워크 (1806) (예컨대, 인터넷과 같은 글로벌 통신 네트워크) 를 포함한다.

통신들은 (광섬유를 포함하는) 유선 및/또는 무선 기술을 통해 가능할 수 있다. 클라이언트(들)(1802) 은, 클라이언트(들)(1802) 에 로컬인 정보 (예컨대, 쿠키(들) 및/또는 연관된 맥락 관련 정보) 를 저장하기 위해 채용될 수 있는 하나 이상의 클라이언트 데이터 저장부(들)(1808) 에 동작가능하게 접속된다. 유사하게, 서버(들)(1804) 은 서버(들)(1804) 에 로컬인 정보를 저장하기 위해 채용될 수 있는 하나 이상의 서버 데이터 저장부(들)(1810) 에 동작가능하게 접속된다.

본 명세서에 설명된 다양한 실시형태들에 부가하여, 다른 유사한 실시형태들이 이용될 수 있거나, 대응하는 실시형태(들) 의 동일하거나 유사한 기능을 그로부터 벗어남 없이 수행하기 위해 설명된 실시형태(들) 에 변경들 및 부가들이 수행될 수 있음이 이해될 것이다. 추가로, 다중 프로세싱 칩들 또는 다중 디바이스들은 본 명세서에 설명된 하나 이상의 기능들의 성능을 공유할 수 있고, 유사하게, 저장은 복수의 디바이스들에 걸쳐 실행될 수 있다. 따라서, 본 발명은 임의의 단일 실시형태에 제한되는 것이 아니라, 첨부된 특허청구범위에 따라 폭, 사상 및 범위에서 이해되어야 한다.

단어 "예시적인 (exemplary)" 은 여기서는 예, 실례, 또는 예시로서 기능하는 것을 의미하기 위해 사용된다. 의심할 여지 없이, 본 명세서에 개시된 요지는 이러한 예들에 의해 제한되지 않는다. 또한, "예시적인" 것으로서 본 명세서에 기술된 임의의 양태 또는 설계는 다른 양태들 또는 설계들보다 바람직하거나 유리한 것으로 반드시 생각될 필요는 없고, 또는 당업자에게 공지된 등가의 예시적인 구조들 및 기법들을 제외시키는 것을 의미하지 않는다. 또한, 용어들 "포함한다", "갖는다", "함유한다" 및 다른 유사한 단어들이 사용되는 범위까지, 의심할 여지 없이, 이러한 용어들은 특허청구범위에서 사용될 때 임의의 부가적 또는 다른 엘리먼트들을 제외시키는 일 없이 개방 전이 어구로서 용어 "구비하는" 과 유사하게 포함하는 것으로 의도된다.

전술된 시스템들은 몇몇 컴포넌트들 간의 상호작용과 관련하여 기술되었다. 이러한 시스템들 및 컴포넌트들은 이들 컴포넌트들 또는 특정 서브컴포넌트들, 특정 컴포넌트들 또는 서브컴포넌트들 중 일부, 및/또는 부가적인 컴포넌트들을 그리고 전술한 것의 다양한 치환들 및 조합들에 따라 포함할 수 있다는 것을 인식한 것이다. 서브컴포넌트들은 또한, 부모 컴포넌트들 (계층적) 내에 포함되는 것보다는 다른 컴포넌트들에 통신가능하게 커플링된 컴포넌트들로서 구현될 수 있다. 부가적으로, 하나 이상의 컴포넌트들은 종합 기능을 제공하는 단일 컴포넌트로 결합되거나 또는 몇몇 분리된 서브컴포넌트들로 나뉘어질 수도 있다는 것과, 임의의 하나 이상의 중간 층들, 이를테면, 관리 층이 이러한 서브컴포넌트들에 통신가능하게 커플링되도록 제공되어 집적 기능을 제공하도록 할 수도 있다는 것에 주목할 수 있다. 여기에 기술된 임의의 컴포넌트들은 또한, 여기에 구체적으로 기술되지 않았지만 당업자에게 일반적으로 공지된 하나 이상의 다른 컴포넌트들과 상호작용할 수도 있다.

상술된 예시적인 시스템들에 의해, 기술된 청구물에 따라 구현될 수도 있는 방법들은 또한 다양한 도면들의 플로우차트들을 참조하여 인식될 수 있다. 설명의 단순화를 위해, 방법들이 일련의 블록들로서 도시되고 기술되지만, 일부 블록들은 본원에 나타내고 기술되는 다른 블록들과 동시에 및/또는 상이한 순서들로 발생할 수도 있기 때문에, 다양한 실시형태들은 이러한 블록들의 순서로 제한되지 않는다는 것을 이해하고 인식할 것이다. 비순차적이거나 또는 분기된 흐름이 플로우차트를 통해 예시되는 경우, 동일하거나 또는 유사한 결과를 획득하는 블록들의 다양한 다른 분기들, 흐름 경로들, 및 순서들이 구현될 수도 있다는 것을 인식할 수 있다. 또한, 모든 예시된 블록들이 본원에 기술되는 방법들을 구현하도록 요구되는 것은 아닐 수도 있다.

Claims

반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템으로서,
컴퓨터 실행가능 컴포넌트들을 내부에 저장하는 적어도 하나의 비-일시적인 컴퓨터 판독가능 매체; 및
상기 적어도 하나의 비-일시적인 컴퓨터 판독가능 매체에 저장된 다음의 컴퓨터 실행가능 컴포넌트들을 실행하는 적어도 하나의 프로세서를 포함하며,
상기 컴퓨터 실행가능 컴포넌트들은,
툴 파라미터들의 세트에 포함된 각각의 툴 파라미터의 영향을 분리하는 함수들의 세트를 생성하고, 선택된 툴 성능 표시자에 대한 각각의 툴 파라미터의 영향을 결정하도록 구성된 파라미터 분리 컴포넌트,
상기 선택된 툴 성능 표시자에 대한 개별적인 영향에 따라 상기 툴 파라미터들의 세트에 포함된 각각의 툴 파라미터를 랭크하도록 구성된 랭킹 컴포넌트, 및
상기 랭크에 기초하여, 상기 선택된 툴 성능 표시자에 상당한 영향을 미치는 것으로 결정된 상기 툴 파라미터들의 세트들 중 툴 파라미터들의 서브세트를 식별하고, 상기 선택된 툴 성능 표시자에 최소의 영향을 미치는 것으로 결정된 상기 툴 파라미터들의 세트 중 툴 파라미터들의 다른 서브세트를 고려사항에서 제거하도록 구성된 필터링 컴포넌트
를 포함하는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 1 항에 있어서,
상기 함수들의 세트에 포함된 각각의 함수에 대한 개별적인 품질 스코어를 결정하도록 구성된 품질 스코어링 컴포넌트를 더 포함하며,
상기 개별적인 품질 스코어는 각각의 함수가 상기 선택된 툴 성능 표시자에 대한 실제 값을 얼마나 인접하여 예측하는지의 상대적인 측정치인, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 2 항에 있어서,
상기 랭킹 컴포넌트는 추가로, 상기 각각의 함수에 대한 개별적인 품질 스코어에 따라 상기 툴 파라미터들의 세트에 포함된 각각의 툴 파라미터를 랭크하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 1 항에 있어서,
상기 함수들의 세트의 각각의 함수에 대한 개별적인 감도 스코어들을 결정하도록 구성된 감도 컴포넌트를 더 포함하며,
각각의 감도 스코어는 각각의 함수에 대응하는 각각의 툴 파라미터에서의 변화들에 대한 상기 선택된 툴 성능 표시자의 감도의 측정치인, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 4 항에 있어서,
상기 랭킹 컴포넌트는 추가로, 개별 함수들에 대한 감도 스코어에 따라 상기 툴 파라미터들의 세트 중 각각의 툴 파라미터를 랭크하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 4 항에 있어서,
상기 감도 컴포넌트는 추가로, 각각의 함수에 대하여 결정된 수치 또는 기호 미분에 부분적으로 기초하여 상기 함수들의 세트 중 각 함수에 대하여 상기 개별적인 감도 스코어들을 결정하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 1 항에 있어서,
상기 툴 파라미터들의 서브세트를 산출하기 위해, 상기 툴 파라미터들의 서브세트로서 유지할 다수의 최고 랭킹 툴 파라미터들 또는 제거할 다수의 최저 랭킹 툴 파라미터들 중 적어도 하나를 명시하는 입력을 수신하도록 구성된 인터페이스 컴포넌트를 더 포함하는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 7 항에 있어서,
상기 인터페이스 컴포넌트는 추가로, 상기 툴 파라미터들의 서브세트를 디스플레이 상에 렌더링하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 1 항에 있어서,
상기 파라미터 분리 컴포넌트는 추가로, 상기 반도체 제조 시스템의 하나 이상의 프로세스 런들에 대하여 측정된 툴 파라미터 데이터와 툴 성능 데이터에 기초하여 상기 함수들의 세트를 생성하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 1 항에 있어서,
상기 툴 파라미터들의 서브세트의 관점에서 상기 선택된 툴 성능 표시자를 특징짓는 합성 함수를 생성하도록 구성된 합성 함수 컴포넌트를 더 포함하는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
제 10 항에 있어서,
상기 합성 함수 컴포넌트는 추가로, 새로운 툴 파라미터 데이터 또는 새로운 툴 성능 데이터 중 적어도 하나에 기초하여 상기 합성 함수를 반복적으로 업데이트하도록 구성되는, 반도체 제조 시스템에서 툴 성능에 대한 툴 파라미터 영향을 식별하는 시스템.
툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법으로서,
동작들을 수행하기 위해 적어도 하나의 비-일시적인 컴퓨터 판독가능 매체에 구현된 컴퓨터 실행가능 명령들을 실행하는 적어도 하나의 프로세서를 사용하는 단계를 포함하며,
상기 동작들은,
반도체 제조 시스템을 위해 레코딩된 툴 파라미터 데이터와 툴 성능 데이터에 기초하여 분리된 파라미터 함수들의 세트를 유도하는 것으로서, 상기 분리된 파라미터 함수들의 세트는 상기 툴 성능 표시자와 툴 파라미터들의 세트로부터의 각각의 툴 파라미터 간에 비선형 관계를 개별적으로 특징짓는, 상기 분리된 파라미터 함수들의 세트를 유도하고,
상기 툴 파라미터들의 세트의 각각의 툴 파라미터가 상기 툴 성능 표시자에 미치는 개별적인 영향력의 정도들에 따라 상기 툴 파라미터들의 세트를 랭크하는 것으로서, 상기 개별적인 영향력의 정도들은 상기 분리된 파라미터 함수들의 세트에 기초하여 결정되는, 상기 툴 파라미터들의 세트를 랭크하며, 그리고
랭킹에 기초하여, 상기 툴 성능 표시자에 중요한 정도의 영향력을 미치는 것으로 결정된 툴 파라미터들의 서브세트 및 상기 툴 성능 표시자에 최소 정도의 영향력을 미치는 것으로 결정된 툴 파라미터들의 다른 서브세트를 식별하는
것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
제 12 항에 있어서,
상기 동작들은 추가로,
각각의 함수의 출력이 상기 툴 성능 표시자의 실제 값에 얼마나 인접하여 매칭하는지의 결정에 기초하여 상기 분리된 파라미터 함수들의 세트의 각각의 함수에 대한 개별적인 품질 스코어들을 할당하는
것을 포함하고,
상기 랭크하는 것은 상기 각각의 함수에 대한 개별적인 품질 스코어에 기초하여 각각의 툴 파라미터를 랭크하는 것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
제 12 항에 있어서,
상기 동작들은 추가로,
상기 툴 성능 표시자가 개별적인 함수들에 대응하는 각각의 툴 파라미터에서의 변화들에 얼마나 민감한지의 결정에 기초하여 상기 분리된 파라미터 함수들의 세트의 각각의 함수에 대한 개별적인 감도 스코어들을 할당하는
것을 포함하고,
상기 랭크하는 것은 상기 각각의 함수에 대한 개별적인 감도 스코어에 기초하여 상기 툴 파라미터들의 세트를 랭크하는 것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
제 14 항에 있어서,
상기 감도 스코어를 할당하는 것은,
각각의 함수에 수치 또는 기호 미분을 수행하고, 그리고
상기 수치 또는 기호 미분에 기초하여 상기 각각의 함수에 대한 개별적인 감도 스코어들을 결정하는
것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
제 12 항에 있어서,
상기 동작들은 추가로, 상기 툴 성능 표시자와 상기 툴 파라미터들의 서브세트간의 관계를 특징짓는 합성 함수를 유도하는 것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
제 16 항에 있어서,
상기 동작들은 추가로, 새로운 툴 파라미터 데이터 또는 새로운 툴 성능 데이터 중 적어도 하나에 따라 상기 합성 함수를 반복적으로 업데이트하는 것을 포함하는, 툴 성능 표시자에 대한 하나 이상의 반도체 툴 파라미터들의 영향을 결정하는 방법.
컴퓨터 실행가능 명령들을 저장한 컴퓨터 판독가능 매체로서,
상기 컴퓨터 실행가능 명령들은, 프로세서를 포함하는 시스템에 의한 실행에 응답하여, 상기 시스템으로 하여금 동작들을 수행하게 하며,
상기 동작들은,
반도체 제조 시스템과 연관된 툴 파라미터들의 세트 중 각각의 툴 파라미터와 상기 반도체 제조 시스템의 툴 성능 표시자 간의 상관을 개별적으로 설명하는 함수들의 세트를 생성하고,
상기 툴 파라미터의 세트 중 각각의 툴 파라미터가 상기 툴 성능 표시자에 미치는 상대적인 영향에 따라 각각의 툴 파라미터를 랭크하는 것으로서, 상기 상대적인 영향은 상기 함수들의 세트에 기초하여 결정되는, 상기 각각의 툴 파라미터를 랭크하며, 그리고
랭킹에 기초하여, 상기 툴 성능 표시자에 상당한 영향을 미치는 것으로 결정된 상기 툴 파라미터들의 세트 중 툴 파라미터들의 서브세트를 출력하고, 상기 툴 성능 표시자에 최소의 영향을 미치는 것으로 결정된 상기 툴 파라미터들의 세트 중 툴 파라미터들의 다른 서브세트를 고려사항에서 제거하는
것을 포함하는, 컴퓨터 실행가능 명령들을 저장한 컴퓨터 판독가능 매체.
제 18 항에 있어서,
상기 랭크하는 것은 상기 함수들의 세트에 할당된 개별적인 품질 스코어들에 기초하여 상기 툴 파라미터들의 세트를 랭크하는 것을 포함하고,
상기 개별적인 품질 스코어들은 상기 함수들의 세트 중 개별 함수들이 상기 툴 성능 표시자의 실제 값을 얼마나 인접하여 예측하는지를 표시하는, 컴퓨터 실행가능 명령들을 저장한 컴퓨터 판독가능 매체.
제 18 항에 있어서,
상기 랭크하는 것은 상기 함수들의 세트에 할당된 개별적인 감도 스코어들에 기초하여 상기 툴 파라미터들의 세트를 랭크하는 것을 포함하고,
상기 개별적인 감도 스코어들은 상기 함수들의 세트와 개별적으로 연관된 각각의 툴 파라미터에서의 변화들에 대한 상기 툴 성능 표시자의 감도를 표시하는, 컴퓨터 실행가능 명령들을 저장한 컴퓨터 판독가능 매체.