KR20230042041A - 공정 트레이스로부터의 장비 고장 모드의 예측 - Google Patents
공정 트레이스로부터의 장비 고장 모드의 예측 Download PDFInfo
- Publication number
- KR20230042041A KR20230042041A KR1020237005035A KR20237005035A KR20230042041A KR 20230042041 A KR20230042041 A KR 20230042041A KR 1020237005035 A KR1020237005035 A KR 1020237005035A KR 20237005035 A KR20237005035 A KR 20237005035A KR 20230042041 A KR20230042041 A KR 20230042041A
- Authority
- KR
- South Korea
- Prior art keywords
- trace data
- root cause
- database
- anomaly
- searching
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 37
- 230000008569 process Effects 0.000 title claims description 17
- 230000009471 action Effects 0.000 claims abstract description 17
- 239000004065 semiconductor Substances 0.000 claims description 11
- 230000002547 anomalous effect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims 12
- 235000012431 wafers Nutrition 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000491 multivariate analysis Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000011112 process operation Methods 0.000 description 2
- 238000004454 trace mineral analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
- G06F11/0778—Dumping, i.e. gathering error/state information after a fault for later diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/079—Root cause analysis, i.e. error or fault diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0793—Remedial or corrective actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/348—Circuit details, i.e. tracer hardware
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/28—Testing of electronic circuits, e.g. by signal tracer
- G01R31/282—Testing of electronic circuits specially adapted for particular applications not provided for elsewhere
- G01R31/2831—Testing of materials or semi-finished products, e.g. semiconductor wafers or substrates
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Computation (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
장비 고장 모드에 대한 예측 모델이 개시된다. 이상은 트레이스 데이터의 수집물에서 검출되고, 이어서 주요 특징이 계산된다. 검색은 과거 트레이스 데이터의 데이터베이스에서 동일한 주요 특징을 가진 동일하거나 유사한 이상에 대해 수행된다. 동일한 이상이 이전에 발생했고 데이터베이스에 있으면, 이상 유형, 근본 원인 및 수정하는 동작 단계가 데이터베이스로부터 검색될 수 있다.
Description
본 출원은 반도체 장비 결함의 검출 및 분류를 위한 공정 트레이스 분석의 사용에 관한 것으로, 특히 장비 고장 모드를 예측하기 위한 기계-기반 방법에 관한 것이다.
반도체 제조 애플리케이션을 위한 효과적인 공정 제어는 신뢰도를 개선하고 필드 고장을 줄이는 데 중요하다. 공정 제어에 대한 한 가지 접근법은 결함 검출 및 분류(fault detection and classification: "FDC")이며, 여기에서는 공정 불안정성을 신속하게 식별하고 수정하기 위한 수단으로서 공정 장비에 설치된 수천 개만큼 많은 장비 센서를 모니터링하는 데 초점을 두고 있다. 그러나, FDC 기술을 사용하여 장비 문제에 신속하게 대응하는 데 있어서 주요 과제 중 하나는 검출된 공정 트레이스 이상(process trace anomalies)에 대한 근본 원인을 식별하는 것이다.
장비 센서의 시계열 트레이스를 모니터링하는 것에 의한 장비 결함의 검출은 오랫동안 인식되어 왔지만, 반도체 제조에서 매우 어려운 문제이다. 전형적으로, FDC 방법은 복잡한 트레이스를 논리적 "윈도우"로 분할하는 것으로 시작하고, 이어서 윈도우에서의 트레이스 데이터에 대한 통계(종종 지표(indicator) 또는 핵심적인 수(key number)라 칭함)를 계산한다. 지표는 통계적 공정 제어(statistical process control: "SPC") 기술을 사용하여 모니터링되어, 주로 엔지니어링 지식에 기초하여 이상을 식별할 수 있으며, 예측 모델 및 근본 원인 분석을 위한 입력으로서 활용될 수 있다. 지표의 품질은 모든 후속 분석의 가치를 결정한다. 고품질 지표는 고품질 윈도우를 요구한다. 그러나, 이상 검출을 위한 지표의 분석은 여전히 기본적으로 변량이며, 이상은 특징별로 고려되며, 검출된 이상과 관련된 장비 고장 모드를 식별하기에는 일반적으로 불충분하다.
따라서, 예를 들어, 트레이스 데이터의 다변량 분석을 통해 장비 고장 모드를 식별하기 위해 이상 검출 시스템의 능력을 향상시키는 것이 바람직할 것이다.
도 1은 제1 세트의 윈도우가 제1 유형의 이상 트레이스에 대해 정의된, 장비 센서 트레이스의 그래픽 수집물(graphical collection)을 도시하는 공정 디스플레이 인터페이스이다.
도 2는 제2 세트의 윈도우가 센서 트레이스의 다른 영역에서 제2 유형의 이상 트레이스에 대해 정의된, 도 1의 공정 디스플레이 인터페이스이다.
도 3은 도 1 및 도 2에 도시된 트레이스에 대한 요약 결과를 갖는 표이다.
도 4는 장비 고장 모드를 예측하기 위한 공정의 일 실시형태를 예시하는 흐름도이다.
도 5는 장비 고장 모드를 예측하기 위한 공정의 다른 실시형태를 예시하는 흐름도이다.
도 2는 제2 세트의 윈도우가 센서 트레이스의 다른 영역에서 제2 유형의 이상 트레이스에 대해 정의된, 도 1의 공정 디스플레이 인터페이스이다.
도 3은 도 1 및 도 2에 도시된 트레이스에 대한 요약 결과를 갖는 표이다.
도 4는 장비 고장 모드를 예측하기 위한 공정의 일 실시형태를 예시하는 흐름도이다.
도 5는 장비 고장 모드를 예측하기 위한 공정의 다른 실시형태를 예시하는 흐름도이다.
본 명세서에서 사용되는 바와 같이, "센서 트레이스"라는 용어는 반도체 처리 장비의 작동 동안 주기적으로 중요한 물리량을 측정하는 시계열 데이터, 예를 들어, 각각의 시점에서 물리적 센서의 샘플링된 값을 지칭한다. 샘플링 속도는 다를 수 있으며, 샘플 사이의 시간 간격은 항상 동일하지는 않다. "트레이스" 또는 "장비 트레이스"라는 용어는 특정 처리 인스턴스를 위해 식별된 모든 중요한 센서에 대한 센서 트레이스의 수집물을 나타낸다. "단계"라는 용어는 별개의 디바이스 처리 기간, 예를 들어, 공정 레시피의 단계 중 하나를 나타낸다.
장비 고장 모드에 대한 예측 모델이 본 명세서에서 개시된다. 모델은 트레이스 데이터에서 현재 이상을 검출 및 식별하고, 현재 이상과 관련된 주요 특징을 계산하고, 과거 트레이스 데이터의 데이터베이스에서 이들 주요 특징을 가진 이상을 검색한다. 동일하거나 유사한 이상이 과거 트레이스 데이터에서 발견되면, 현재 이상이 이들 과거 이상에 따라서 정확하게 분류될 수 있는지 아닌지의 여부에 대한 가능성이 결정될 수 있으며; 예를 들어, 현재 이상은 과거 트레이스 데이터에서의 이전 이상과 가장 비슷하다. 그렇다면, 이상의 유형, 이의 근본 원인, 및 수정하는 동작 단계가 과거 트레이스 데이터의 데이터베이스로부터 검색될 수 있다. 그러나, 그렇지 않으면, 모델은 오류를 반환하고, 이는 이전에 그 이상을 본 적이 없음을 의미한다. 그럼에도 불구하고, 이상과 그 특징은 나중에 참조할 수 있도록 저장되고; 그리고 근본 원인과 수정 동작이 그 후에 결정되면 데이터베이스가 업데이트된다.
도 1을 참조하면, 대략 200개의 개별 트레이스, 즉, 반도체 웨이퍼를 생산하기 위해 실행되는 반도체 제조 공정의 개별 단계 동안 취한 개별 센서로부터 획득된 시계열 값을 나타내는 트레이스 데이터의 예시적인 그래프(100)가 도시되어 있다. 센서 값은 y-축 상에 표시되고, 초 단위의 시간은 x-축 상에 측정된다. 공정 단계는 정상적으로 특정 시점에서 시작하지만, 공정 단계의 길이는 가변적일 수 있다는 것을 인식해야 한다.
대략 40초 내지 90초 사이의 대부분의 기간 동안, 정상적인 공정 작동은, 점차적으로 떨어지고, 따라서 상대적으로 안정적이고 일정한 트레이스 데이터를 산출할 것으로 예상된다. 그러나, 이러한 경우에, 약 45 내지 60초 사이에서, 트레이스(110)의 상위 그룹에 있는 제1 세트의 트레이스(112)와 트레이스(120)의 하부 세트에 있는 제2 세트의 트레이스(122)는 둘 다 급격히 값이 상승하고, 이어서 강하하고, 이어서 백업되고, 이어서 점차적으로 떨어지는 패턴으로 다시 정착하는 센서 판독값을 보여준다. 이러한 트레이스 거동은 예상치 못한 것이며, 공정이 가진 일부 종류의 문제를 나타낸다. 그러므로, 변칙적 거동을 분석하기 위해, 윈도우(115 및 125)는 예상하지 못한 유형 I 이상이 일부 수의 웨이퍼에 대해 발생하는 그래프(100)의 상위 그룹(110) 및 하위 그룹(120)에서 각각의 유형 I 이상 영역 위에서 정의된다.
도 2는 트레이스 데이터의 동일한 그래프(100)를 도시하지만, 유형 II 이상이 상위 그룹(110)에서만 제3 세트의 트레이스(132)에 대해 발생하는 트레이스 데이터의 다른 부분에 초점을 두고 있다. 이러한 경우에, 트레이스 중 일부는 예상대로 명목상으로 완전히 떨어지기 전에, 조기에 떨어지고, 이어서 곧게 펴진 다음, 다시 떨어지고, 이어서 다시 곧게 펴지는 것처럼 보인다. 따라서, 이러한 유형의 변칙적 거동을 분석하기 위해, 윈도우(135)는 트레이스(110)의 상위 그룹에서 첫 번째 떨어지는 영역에 걸쳐서 정의되고, 윈도우(136)는 상위 그룹의 두 번째 떨어지는 영역에 걸쳐서 정의된다.
전형적으로, 기술 직원은 간단히 그래픽 결과의 시각적 검토에 기초하여 트레이스 데이터의 특정 영역을 분석하기 위한 윈도우를 수동으로 설정하고, 일반적으로 (i) 트레이스 데이터가 일치하고, 그리고/또는 (ii) 변화율이 동일한 경우에 안정적인 공정 동작을 위한 윈도우를 수동으로 정의하려고 한다. 트레이스 데이터가 값이나 변화율이 급격히 변하는 영역은 전환 윈도우들로 간주되며, 일반적으로 한 쌍의 안정한 윈도우 사이에 위치될 것이다. 그러나, 본 명세서에서 예로서 기술된 유형 I 및 유형 II 이상과 같은 이상은 도 1 및 도 2에 예시된 바와 같이 트레이스 데이터의 정상적인 안정한 윈도우에 나타날 수 있으며, 관련 영역(들)을 윈도잉하는 것을 통해 처리 및 분석을 위해 선택될 수 있다.
기계 학습 모델은 윈도우 분석으로부터의 데이터 사용을 포함하는 공지된 방법을 사용하여 이상을 검출하도록 구성된다. 예를 들어, 웨이퍼 속성과 트레이스 위치 특징의 조합은 트레이스 데이터에서 변칙적 거동을 검출하기 위해 데이터 세트에서 교육되는 변화도-부스팅 모델(gradient-boosting model)과 같은 간단한 다중 클래스 기계 학습 모델에 대한 입력으로서 제공될 수 있다. 그러나, 일단 이상이 검출되면, 동일한 이상이 이전에 발생했는지, 그렇다면 원인이 무엇인지, 문제를 해결하기 위해 어떤 동작을 취해야 하는지를 아는 것이 중요하다.
이상 윈도우(115, 125, 135, 136)의 정의 후에, 지표는 각각의 윈도우에서의 트레이스로부터 계산된다. 이어서, 지표는 선택된 웨이퍼 속성 및 트레이스에서의 이상 위치와 함께 이들 웨이퍼에 대한 트레이스 데이터의 인스턴스 및 윈도우와 관련된 특징으로서 저장된다. 특징 엔지니어링 및 선택은 검출 모델을 사용하여 특정 이상을 검출하고 식별하는 데 가장 중요하다고 결정되는 이들 주요 특징으로 특징의 세트를 좁히도록 수행될 수 있다.
도 1 및 도 2에 각각 예시된 유형 I 및 유형 II 이상에 대해서, 검출 모델(정상 웨이퍼를 포함함)로부터 예측된 분류는 도 3의 테이블(200)에 요약되어 있으며, 여기에서, 5개의 웨이퍼는 유형 I 이상으로서 식별된 이상을 가지며; 7개의 웨이퍼는 유형 II 이상으로서 식별된 이상을 가지며; 하나의 웨이퍼는 유형 I 이상 및 유형 II 이상 둘 다를 갖는다. 적은 수의 이상이 검출됨에도 불구하고, 특히 결함성 웨이퍼로 이어질 수 있는 공정 불안정의 인스턴스를 최소화하기 위해 트레이스 데이터를 모니터링하도록 예측 모델을 교육하는 데 사용하기 위하여 이상을 식별하고 특성화하는 것이 중요하다.
각각의 유형의 이상에 대해서, 주요 특징을 모델에 대한 입력으로서 사용하여, 모델은 또한 (i) 동일하거나 유사한 이상에 대한 이전의 트레이스 데이터의 데이터베이스를 검색하고, (ii) 현재 이상과 가장 유사한 하나 이상의 이전의 이상을 식별하거나 또는 데이터베이스에서 현재 이상과 같은 이상이 없다는 것을 나타내기 위해 구성된다.
동일하거나 유사한 이상이 과거 트레이스 데이터의 데이터베이스에서 발견되면, 그 근본 원인과, 변칙적 거동을 수정하기 위해 취해진 동작 단계가 또한 데이터베이스에 저장될 가능성이 있고 현재 이상과 비교하기 위해 검색될 수 있다. 이상의 특징과 패턴을 비교하는 것에 의해, 모델은 현재 트레이스 이상이 과거 트레이스에서 관찰된 하나 이상의 유사하거나 동일한 이상과 가장 유사할 가능성을 결정한다. 상기 가능성이 임계값을 초과하면, 이상은 분류되고 근본 원인 및 수정 동작에 관한 이전 지식이 데이터베이스로부터 검색된다.
이러한 공정은 이상에 대한 근본 원인을 식별하기 위한 공정(300)의 일 실시형태를 예시하는 도 4에서 그래픽으로 요약되어 있다. 단계(302)에서, 트레이스 데이터는 예측 모델에 수신되어 처리된다. 단계(304)에서, 적어도 하나의 이상은 수신된 트레이스 데이터에서 검출되고, 트레이스에서 그 위치가 식별된다. 이어서, 윈도우는 이상을 포함하는 트레이스의 일부를 포함하도록 단계(306)에서 정의되고, 단계(308)에서 통계를 포함하는 이상 트레이스의 특징이 계산되고, 단계(310)에서 저장된다. 이어서, 검색은 현재 이상과 관련된 동일한 특징을 갖는 이상에 대해 단계(312)에서 과거 트레이스 데이터를 갖는 데이터베이스에서 수행된다. 동일하거나 유사한 이상이 단계(314)에서 과거 트레이스 데이터에서 발견되면, 단계(316)에서, 현재 이상이 이러한 과거 이상에 따라서 정확하게 분류될 수 있는지 없는지의 여부에 대한 가능성이 결정될 수 있다. 만일 그렇다면, 단계(318)에서, 이상의 유형, 그 근본 원인, 및 수정을 위한 동작 단계가 동일하거나 유사한 과거 발생에 대해 데이터베이스로부터 검색될 수 있고, 단계(320)에서 적절한 수정 동작이 취해질 수 있다. 그러나, 그렇지 않을 경우, 모델은 오류를 반환하는데, 이는 이전에 그 이상을 본 적이 없다는 것을 의미한다. 그럼에도 불구하고, 이상과 그 특징은 나중에 참조할 수 있도록 저장되고; 그리고 그 후에 근본 원인과 수정 동작이 결정되면 데이터베이스는 업데이트된다.
도 5는 공정(400)에서 보다 일반화된 접근법을 제시한다. 단계(402)에서, 트레이스 데이터는 예측 모델로 수신되어 처리된다. 단계(404)에서, 이상 패턴은 트레이스 데이터에서 검출된다. 단계(406)에서, 검출된 이상 패턴의 특징은 계산되고, 단계(408)에서 과거 트레이스 데이터의 데이터베이스에 저장된 이전의 이상 패턴의 특징과 비교된다. 단계(410)에서, 특징 일치가 결정되면, 단계(412)에서, 이상에 대한 하나 이상의 근본 원인뿐만 아니라 근본 원인에 대한 수정 동작을 포함하는, 과거 트레이스 데이터로부터 이상 패턴에 관한 정보가 데이터베이스로부터 검색된다. 단계(414)에서, 적절한 수정 동작이 취해진다.
트레이스 데이터의 다변량 분석은 병렬 처리 아키텍처의 출현 및 기계 학습 알고리즘의 발전에 의해 촉진되며, 이는 사용자가 이러한 접근법을 적절하고 현실적으로 만드는 속도로 방대한 양의 데이터를 사용하여 통찰력을 획득하고 예측하는 것을 가능하게 한다. 기계 학습은 데이터로부터 학습할 수 있는 모델링된 시스템의 구축 및 연구를 수반하는 인공 지능의 한 분야이다. 이러한 유형의 ML 알고리즘은 병렬 처리 능력과 함께, 훨씬 더 큰 데이터 세트가 처리되는 것을 가능하게 하고 다변량 분석에서 훨씬 더 적합하다. 또한, 이상 트레이스 결함 및 분류에 대한 효과적인 기계 학습 접근법은 능동적 학습을 촉진하고, 획득된 정보를 사용하여 결함 검출 및 분류의 정확도를 지속적으로 개선해야 한다.
트레이스 분석을 위한 프로세서 기반 모델의 생성 및 사용은 데스크탑 기반, 즉, 독립형 또는 네트워크 시스템의 일부일 수 있으며; 그러나, 약간의 대화형으로 처리되고 디스플레이되는 많은 양의 정보를 고려할 때, 프로세서 능력(CPU, RAM 등)은 효율성을 극대화하기 위해 최신 상태여야 한다. 반도체 파운드리 환경에서, Exensio® 분석 플랫폼은 대화형 GUI 템플릿을 구축하는 데 유용한 선택이다. 일 실시형태에서, 처리 루틴의 코딩은 기계 언어 모델을 코딩하는 데 주로 사용되는 Python 객체 지향 프로그래밍 언어와 호환되는 Spotfire® 분석 소프트웨어 버전 7.11 이상을 사용하여 수행될 수 있다.
전술한 설명은 단지 예시의 목적으로 제시된 것이며, 설명된 정확한 형태로 본 개시내용을 제한하거나 철저하게 하려는 의도가 아니다. 상기 교시에 비추어 많은 수정 및 변형이 가능하다.
Claims (10)
- 방법으로서,
반도체 공정에서 복수의 단계 동안 복수의 반도체 장비 센서로부터 복수의 트레이스(trace)를 수신하는 단계;
상기 복수의 트레이스에서 검출된 제1 이상 패턴(first anomalous pattern)에 대응하는 복수의 특징을, 관련된 특징을 가지며 과거 트레이스 데이터의 데이터베이스에 저장된 복수의 이전의 이상 패턴과 비교하는 단계;
상기 제1 이상 패턴의 특징이 상기 복수의 이전의 이상 패턴 중 적어도 하나의 특징과 일치한다고 결정하는 단계;
상기 데이터베이스로부터 일치된 이전의 이상 패턴에 대한 근본 원인을 검색하는 단계; 및
상기 근본 원인을 수정하는 동작을 취하는 단계
를 포함하는, 방법. - 제1항에 있어서,
상기 데이터베이스로부터 상기 근본 원인에 대한 수정 동작을 검색하는 단계를 더 포함하는, 방법. - 제1항에 있어서, 상기 결정하는 단계는
상기 제1 이상 패턴의 특징이 상기 복수의 이전의 이상 패턴 중 적어도 하나와 일치할 가능성을 결정하는 단계; 및
상기 가능성이 임계값을 초과하면 상기 근본 원인을 검색하는 단계
를 더 포함하는, 방법. - 제3항에 있어서, 상기 근본 원인을 검색하는 단계는
상기 데이터베이스로부터 상기 근본 원인에 대한 수정 동작을 검색하는 단계를 더 포함하는, 방법. - 제1항에 있어서, 상기 비교하는 단계는
상기 제1 이상 패턴을 포함하는 복수의 현재 트레이스의 일부를 포함하는 윈도우를 정의하는 단계;
상기 윈도우에서 현재 트레이스 데이터의 일부에 대한 통계를 계산하는 단계; 및
상기 계산된 통계에 기초하여, 상기 복수의 이전의 이상 패턴 중 적어도 첫번째 것에서의 제1 이상 패턴을 식별하는 단계
를 더 포함하는, 방법. - 제5항에 있어서, 상기 결정하는 단계는
상기 제1 이상 패턴을 갖는 제1 트레이스에 대한 위치 정보를 획득하는 단계;
상기 제1 이상 패턴에 대응하는 주요 특징으로서 상기 계산된 통계 및 상기 위치 정보를 저장하는 단계; 및
상기 제1 이상 패턴을 상기 복수의 이전의 이상 패턴과 비교하도록 구성된 예측 모델에 대한 입력으로서 상기 주요 특징을 제공하는 단계
를 더 포함하는, 방법. - 방법으로서,
반도체 공정에서 복수의 단계 동안 복수의 반도체 장비 센서로부터 트레이스 데이터를 수신하는 단계;
상기 트레이스 데이터에서 제1 이상을 검출하는 단계로서, 상기 제1 이상은상기 트레이스 데이터 내에 관련 위치를 갖는, 상기 검출하는 단계;
상기 제1 이상을 포함하는 상기 트레이스 데이터의 기간을 포함하는 윈도우를 정의하는 단계;
상기 윈도우에서 상기 트레이스 데이터의 기간에 대한 통계를 계산하는 단계;
상기 제1 이상과 관련된 주요 특징으로서 상기 제1 이상의 상기 관련 위치 및 상기 통계를 저장하는 단계;
주요 특징 관련 위치를 갖는 유사한 과거 트레이스 데이터를 찾도록 구성된 모델에, 입력으로서 상기 제1 이상의 상기 주요 특징 및 관련 위치를 제공하는 것에 의해 과거 트레이스 데이터의 데이터 베이스를 통해 검색하는 단계;
상기 데이터베이스 내 상기 과거 트레이스 데이터의 인스턴스가 상기 제1 이상의 상기 주요 특징 및 관련 위치를 갖는다고 결정하는 단계;
상기 제1 이상의 상기 주요 특징 및 관련 위치를 갖는 상기 데이터베이스 내 상기 과거 트레이스 데이터의 인스턴스에 대한 근본 원인을 식별하는 단계; 및
상기 근본 원인을 수정하는 동작을 취하는 단계
를 포함하는, 방법. - 제7항에 있어서,
상기 데이터베이스로부터 상기 근본 원인 및 상기 근본 원인에 대한 수정 동작을 검색하는 단계를 더 포함하는, 방법. - 제7항에 있어서, 상기 결정하는 단계는
상기 데이터베이스 내 상기 과거 트레이스 데이터의 인스턴스가 상기 제1 이상의 상기 주요 특징 및 관련 위치를 가질 가능성을 결정하는 단계; 및
상기 가능성이 임계값을 초과하면 상기 근본 원인을 검색하는 단계
를 더 포함하는, 방법. - 제9항에 있어서, 상기 근본 원인을 검색하는 단계는
상기 데이터베이스로부터 상기 근본 원인에 대한 수정 동작을 검색하는 단계를 더 포함하는, 방법.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063055893P | 2020-07-23 | 2020-07-23 | |
US63/055,893 | 2020-07-23 | ||
PCT/US2021/042842 WO2022020642A1 (en) | 2020-07-23 | 2021-07-22 | Predicting equipment fail mode from process trace |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20230042041A true KR20230042041A (ko) | 2023-03-27 |
Family
ID=79688227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020237005035A KR20230042041A (ko) | 2020-07-23 | 2021-07-22 | 공정 트레이스로부터의 장비 고장 모드의 예측 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11640328B2 (ko) |
EP (1) | EP4162395A4 (ko) |
JP (1) | JP2023535721A (ko) |
KR (1) | KR20230042041A (ko) |
CN (1) | CN116113942A (ko) |
TW (1) | TW202211341A (ko) |
WO (1) | WO2022020642A1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436072B2 (en) * | 2020-02-27 | 2022-09-06 | Hewlett Packard Enterprise Development Lp | System and method for collecting contextual log files from a computing system |
CN114764550A (zh) * | 2021-01-12 | 2022-07-19 | 联华电子股份有限公司 | 失效检测与分类模型的运作方法与运作装置 |
CN116629707B (zh) * | 2023-07-20 | 2023-10-20 | 合肥喆塔科技有限公司 | 基于分布式并行计算的fdc溯因分析方法及存储介质 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160026915A1 (en) * | 2001-01-05 | 2016-01-28 | In-Depth Test Llc | Methods and Apparatus for Data Analysis |
WO2005054968A1 (en) * | 2003-11-26 | 2005-06-16 | Tokyo Electron Limited | Intelligent system for detection of process status, process fault and preventive maintenance |
US20080228338A1 (en) * | 2007-03-15 | 2008-09-18 | Honeywell International, Inc. | Automated engine data diagnostic analysis |
US8046637B2 (en) * | 2009-03-06 | 2011-10-25 | Oracle America, Inc. | Telemetry data filtering through sequential analysis |
ES2427645B1 (es) * | 2011-11-15 | 2014-09-02 | Telefónica, S.A. | Método para gestionar el rendimiento en aplicaciones de múltiples capas implantadas en una infraestructura de tecnología de información |
US9298538B2 (en) * | 2012-08-16 | 2016-03-29 | Vmware, Inc. | Methods and systems for abnormality analysis of streamed log data |
KR102195070B1 (ko) * | 2014-10-10 | 2020-12-24 | 삼성에스디에스 주식회사 | 시계열 데이터의 분석을 통한 이상 감지 및 예측 시스템 및 방법 |
US10275303B2 (en) * | 2015-10-23 | 2019-04-30 | Oracle International Corporation | Mechanism for running diagnostic rules across multiple nodes |
US10109046B2 (en) * | 2016-07-19 | 2018-10-23 | Globalfoundries Inc. | Methods of detecting faults in real-time for semiconductor wafers |
JP6860406B2 (ja) * | 2017-04-05 | 2021-04-14 | 株式会社荏原製作所 | 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム |
US10685159B2 (en) * | 2018-06-27 | 2020-06-16 | Intel Corporation | Analog functional safety with anomaly detection |
WO2020055555A1 (en) * | 2018-09-12 | 2020-03-19 | Applied Materials, Inc. | Deep auto-encoder for equipment health monitoring and fault detection in semiconductor and display process equipment tools |
US20200104639A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multi-sensor equipment monitoring |
CN111291096B (zh) * | 2020-03-03 | 2023-07-28 | 腾讯科技(深圳)有限公司 | 数据集构建方法、装置和存储介质及异常指标检测方法 |
CN111353482B (zh) * | 2020-05-25 | 2020-12-08 | 天津开发区精诺瀚海数据科技有限公司 | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 |
-
2021
- 2021-07-22 WO PCT/US2021/042842 patent/WO2022020642A1/en unknown
- 2021-07-22 JP JP2023504511A patent/JP2023535721A/ja active Pending
- 2021-07-22 EP EP21845272.0A patent/EP4162395A4/en active Pending
- 2021-07-22 US US17/383,334 patent/US11640328B2/en active Active
- 2021-07-22 CN CN202180058614.3A patent/CN116113942A/zh active Pending
- 2021-07-22 KR KR1020237005035A patent/KR20230042041A/ko unknown
- 2021-07-23 TW TW110127131A patent/TW202211341A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US11640328B2 (en) | 2023-05-02 |
EP4162395A4 (en) | 2024-03-27 |
US20220027230A1 (en) | 2022-01-27 |
WO2022020642A1 (en) | 2022-01-27 |
EP4162395A1 (en) | 2023-04-12 |
TW202211341A (zh) | 2022-03-16 |
JP2023535721A (ja) | 2023-08-21 |
CN116113942A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20230042041A (ko) | 공정 트레이스로부터의 장비 고장 모드의 예측 | |
CN111459778A (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US20180082201A1 (en) | Time-series fault detection, fault classification, and transition analysis using a k-nearest-neighbor and logistic regression approach | |
US20140258187A1 (en) | Generating database cluster health alerts using machine learning | |
US9146800B2 (en) | Method for detecting anomalies in a time series data with trajectory and stochastic components | |
US11609812B2 (en) | Anomalous equipment trace detection and classification | |
CN110909822A (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN112257755A (zh) | 航天器运行状态的分析方法和装置 | |
KR102079359B1 (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
CN114551271A (zh) | 监测机台运行状况的方法及装置、存储介质及电子设备 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
KR102623389B1 (ko) | 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램 | |
CN113255840A (zh) | 故障检测与分类方法、装置、系统及存储介质 | |
CN116401137B (zh) | 一种芯粒健康状态预测方法、装置、电子设备及存储介质 | |
CN111930728A (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
KR102486463B1 (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
KR102576390B1 (ko) | 통계 분석에 기반한 거짓 경보 감소 방법 및 장치 | |
US11080613B1 (en) | Process monitoring based on large-scale combination of time series data | |
KR20230135131A (ko) | 측정 위반 분석을 이용한 비정상 식별 프로세스 | |
CN112925806A (zh) | 基于关联规则的性能退化特征参数提取方法、系统、介质及设备 | |
KR102623390B1 (ko) | 장비 이상 탐지 모델의 정확도를 유지하기 위한 방법,장치 및 프로그램 | |
TWI841793B (zh) | 用於異常設備痕跡偵測及分類的程序及電腦可讀取媒體 | |
CN115829160B (zh) | 一种时序异常预测方法、装置、设备及存储介质 | |
US20240184283A1 (en) | Time-Series Segmentation and Anomaly Detection |