KR20230169310A - 반도체 제조를 위한 생태 효율성(지속 가능성) 대시보드 - Google Patents
반도체 제조를 위한 생태 효율성(지속 가능성) 대시보드 Download PDFInfo
- Publication number
- KR20230169310A KR20230169310A KR1020237038908A KR20237038908A KR20230169310A KR 20230169310 A KR20230169310 A KR 20230169310A KR 1020237038908 A KR1020237038908 A KR 1020237038908A KR 20237038908 A KR20237038908 A KR 20237038908A KR 20230169310 A KR20230169310 A KR 20230169310A
- Authority
- KR
- South Korea
- Prior art keywords
- manufacturing
- manufacturing process
- selection
- data
- efficiency
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 367
- 239000004065 semiconductor Substances 0.000 title description 13
- 238000000034 method Methods 0.000 claims abstract description 240
- 230000008569 process Effects 0.000 claims abstract description 121
- 238000012986 modification Methods 0.000 claims abstract description 98
- 230000004048 modification Effects 0.000 claims abstract description 98
- 230000007613 environmental effect Effects 0.000 claims abstract description 91
- 238000012545 processing Methods 0.000 claims abstract description 82
- 238000010801 machine learning Methods 0.000 claims description 108
- 238000012549 training Methods 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 27
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 17
- 238000005265 energy consumption Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 12
- 238000013386 optimize process Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 description 50
- 239000007789 gas Substances 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 22
- 230000010354 integration Effects 0.000 description 22
- 235000012431 wafers Nutrition 0.000 description 21
- 238000013461 design Methods 0.000 description 16
- 230000010076 replication Effects 0.000 description 15
- 238000010200 validation analysis Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 13
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 238000013507 mapping Methods 0.000 description 12
- 238000013179 statistical model Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000003070 Statistical process control Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 8
- 238000013500 data storage Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000000151 deposition Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000008021 deposition Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 239000000758 substrate Substances 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 239000008367 deionised water Substances 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 238000000869 ion-assisted deposition Methods 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 229910021642 ultra pure water Inorganic materials 0.000 description 2
- 239000012498 ultrapure water Substances 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- -1 energy Substances 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000002920 hazardous waste Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000010814 metallic waste Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000010926 purge Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- 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
- G05B13/027—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 using neural networks only
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32359—Modeling, simulating assembly operations
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
방법은, 프로세싱 디바이스에 의해, 제1 제작 프로세스 또는 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비 중 적어도 하나의 제1 선택을 수신하는 것을 포함한다. 방법은 제1 제조 장비의 디지털 복제물에 제1 선택을 입력하는 것을 더 포함할 수 있고, 디지털 복제물은 제1 제작 프로세스의 물리적 조건들을 출력한다. 방법은 제1 제작 프로세스의 물리적 조건들에 기초하여 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 제1 환경 자원 소비를 표시하는 환경 자원 사용량 데이터를 결정하는 것을 더 포함할 수 있다. 프로세싱 디바이스는 추가로, 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 환경 자원 소비를 감소시키는, 제1 제작 프로세스에 대한 수정을 결정할 수 있다. 방법은 제1 제작에 대한 수정을 적용하는 것 중 적어도 하나를 수행하는 것을 더 포함할 수 있다.
Description
[0001]
본 명세서는 일반적으로 반도체 제조 장비의 환경 영향에 관한 것이다. 보다 구체적으로, 본 명세서는 반도체 제조 프로세스들 및 제조 프로세스와 연관된 기능들을 수행하는 반도체 제조 장비의 생태학적 효율성(생태 효율성(eco-efficiency))을 모니터링하고, 이에 대한 수정들을 식별하고 이에 대한 최적화들을 수행하는 것에 관한 것이다.
[0002]
전자 디바이스들에 대한 지속적인 수요는 반도체 웨이퍼들에 대한 점차 더 큰 수요를 요구한다. 이러한 웨이퍼들을 생산하기 위한 제조의 증가는 자원 활용 및 환경적으로 유해한 폐기물의 생성의 형태로 환경에 상당한 피해를 준다. 따라서, 일반적으로 더욱 생태 친화적이고 환경적으로 책임 있는 웨이퍼 제조 및 제조 방법들에 대한 요구가 증가하고 있다. 웨이퍼 프로세싱이 에너지 집약적이라는 점을 고려하면, 반도체 산업의 성장을 그의 환경 영향으로부터 분리하는 것이 가치가 있다.
[0003]
이하는 본 개시내용의 일부 양상들의 기본적인 이해를 제공하기 위한 본 개시내용의 간략화된 요약이다. 이 요약은 본 개시내용에 대한 광범위한 개요가 아니다. 이는 본 개시내용의 특정 구현들의 임의의 범위 또는 청구범위의 임의의 범위를 한정하는 것으로 의도되지 않는다. 그의 유일한 목적은, 이후에 제시되는 더 상세한 설명에 대한 서론으로서 간략화된 형태로 본 개시내용의 일부 개념들을 제시하는 것이다.
[0004]
반도체 제조 프로세스의 생태-특성들(eco-characteristics) 및 반도체 제조 장비에 의해 수행되는 연관된 동작들을 변경(예컨대, 개선)(예컨대, 단위당 환경 자원 소비의 감소)하는 것과 연관된 제조 프로세스에 대한 수정들을 식별하기 위한 방법 및 시스템이 설명된다. 일부 실시예들에서, 방법은 프로세싱 디바이스에 의해, 제1 제작 프로세스 또는 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비 중 적어도 하나의 제1 선택을 수신하는 것을 포함할 수 있다. 방법은 제1 제조 장비의 디지털 복제물에 제1 선택을 입력하는 것을 더 포함할 수 있고, 디지털 복제물은 제1 제작 프로세스의 물리적 조건들을 출력한다. 방법은 제1 제작 프로세스의 물리적 조건들에 기초하여 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 제1 환경 자원 소비(예컨대, 단위당 환경 자원 소비) 및/또는 환경 영향(예컨대, 대기에 진입되는 가스 또는 미립자 종들)을 표시하는 환경 자원 사용량 데이터를 결정하는 것을 더 포함할 수 있다. 방법은 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 단위당 환경 자원 소비를 감소시키는, 제1 제작 프로세스에 대한 수정을 결정하는 것을 더 포함할 수 있다. 방법은 제1 제작 프로세스에 수정을 적용하는 것 또는 GUI(graphical user interface)에 의한 디스플레이를 위해 수정을 제공하는 것 중 적어도 하나를 수행하는 것을 더 포함할 수 있다.
[0005]
일부 실시예들에서, 제작 프로세스 또는 제작 프로세스의 제조 동작들을 수행하기 위한 제조 장비의 선택에 대한 수정들을 식별하기 위해 기계 학습 모델을 훈련하기 위한 방법이 수행된다. 방법은 기계 학습 모델을 위한 훈련 데이터를 생성하는 것을 포함한다. 훈련 데이터를 생성하는 것은 제1 제작 프로세스의 제1 선택을 갖는 제1 훈련 입력을 식별하는 것 그리고 제1 훈련 입력에 대한 제1 타깃 출력을 식별하는 것을 포함할 수 있다. 제1 타깃 출력은 적용될 때, 제1 제작 프로세스의 제1 단위당 환경 자원 소비 및/또는 환경 영향을 감소시키는 제1 제작 프로세스에 대한 제1 수정을 포함한다. 방법은 컴퓨팅 디바이스에 의해, (i) 제1 훈련 입력을 포함하는 훈련 입력들의 세트 및 (ii) 제1 타깃 출력을 포함하는 타깃 출력들의 세트 상에서 기계 학습 모델을 훈련하기 위해 훈련 데이터를 제공하는 것을 더 포함한다. 훈련된 기계 학습 모델은 추후에, 입력으로서 새로운 제작 프로세스의 새로운 선택을 수신하고 새로운 입력에 기초하여 새로운 출력을 생성할 수 있고, 새로운 출력은 적용될 때, 새로운 제작 프로세스의 새로운 환경 자원 소비 및/또는 환경 영향을 감소시키는 새로운 제작 프로세스에 대한 새로운 수정을 표시한다.
[0006]
본 개시내용의 양상들 및 구현들은 아래에 주어진 상세한 설명 및 첨부 도면들로부터 더 완전히 이해될 것이며, 이는 제한이 아닌 예로서 양상들 및 구현들을 예시하는 것으로 의도된다.
[0007] 도 1은 본 개시내용의 구현들이 동작할 수 있는 예시적인 시스템 아키텍처를 예시하는 블록도이다.
[0008] 도 2는 본 개시내용의 구현들이 동작할 수 있는 생태 효율성 지속 가능성 시스템 아키텍처를 예시하는 블록도이다.
[0009] 도 3은 제조 프로세스를 모니터링, 유지 및/또는 최적화하기 위한 예시적인 방법론의 흐름도를 묘사한다.
[0010] 도 4는 본 개시내용의 일부 구현들에 따른 예시적인 디지털 복제물을 묘사한다.
[0011] 도 5는 본 개시내용의 일부 구현에 따른 프로세스 파라미터 값 윈도우의 예시적인 예시이다.
[0012] 도 6은 본 개시내용의 일부 구현에 따라 제조 프로세스에 대한 수정들을 식별하기 위한 방법의 예시적인 예시이다.
[0013] 도 7a 내지 도 7c는 본 개시내용의 일부 구현들에 따라 제조 프로세스에 대한 수정들을 식별하는 것과 연관된 방법들의 흐름도들이다.
[0014] 도 8은 본 개시내용의 하나 이상의 양상들에 따라 동작하는 예시적인 컴퓨팅 디바이스의 블록도를 묘사한다.
[0007] 도 1은 본 개시내용의 구현들이 동작할 수 있는 예시적인 시스템 아키텍처를 예시하는 블록도이다.
[0008] 도 2는 본 개시내용의 구현들이 동작할 수 있는 생태 효율성 지속 가능성 시스템 아키텍처를 예시하는 블록도이다.
[0009] 도 3은 제조 프로세스를 모니터링, 유지 및/또는 최적화하기 위한 예시적인 방법론의 흐름도를 묘사한다.
[0010] 도 4는 본 개시내용의 일부 구현들에 따른 예시적인 디지털 복제물을 묘사한다.
[0011] 도 5는 본 개시내용의 일부 구현에 따른 프로세스 파라미터 값 윈도우의 예시적인 예시이다.
[0012] 도 6은 본 개시내용의 일부 구현에 따라 제조 프로세스에 대한 수정들을 식별하기 위한 방법의 예시적인 예시이다.
[0013] 도 7a 내지 도 7c는 본 개시내용의 일부 구현들에 따라 제조 프로세스에 대한 수정들을 식별하는 것과 연관된 방법들의 흐름도들이다.
[0014] 도 8은 본 개시내용의 하나 이상의 양상들에 따라 동작하는 예시적인 컴퓨팅 디바이스의 블록도를 묘사한다.
[0015]
생태학적 효율성(생태 효율성) 특성화는 특정한 제조 도구를 사용하는 동안 특정 도구와 연관된 상이한 레벨들의 입력들(예컨대, 자원들, 활용도 등)이 제조 도구의 생태 효율성에 어떻게 영향을 미치는지를 결정하는 데 사용되는 복잡한 기술이다. 생태 효율성 특성화는 제조 도구들의 개발 동안 단위당(또는 시간당) 생태 효율성을 최대화하고 유해한 환경 영향을 최소화하는 제조 도구들의 개발에 도움을 주는 데 유익할 수 있다. 생태 효율성 특성화는 또한 도구 개발 후에, 도구가 동작하는 동안 특정 파라미터들 ― 이 파라미터들에 따라, 도구가 동작함 ― 을 고려하여 도구의 단위당 생태 효율성 특성들을 미세 튜닝하는 데 유익할 수 있다.
[0016]
본원에서 설명된 실시예들은 제조 도구의 설계, 개발 및 제조 프로세스 전반에 걸쳐 해당 도구의 생태 효율성 특성화를 체계적으로 수행하기 위한 시스템을 제공한다. 실시예들은 다수의 프로세스들(예컨대, 반도체 디바이스(예컨대, 메모리, 로직, IC(integrated circuit))당 누적 소비의 최적화 및 생태 효율성 특성화의 통합을 추가로 제공한다. 실시예들은 추가로, 환경 자원 소비 및/또는 환경 영향(예컨대, 단위당 디바이스, 다이, 웨이퍼 등)을 감소시키기 위한 수정들 및/또는 최적화를 추가로 결정하기 위해 제조 프로세스 및/또는 제조 장비와 연관된 디지털 복제물과 함께 생태 효율성 특성화를 사용하는 것을 제공한다.
[0017]
일부 실시예들에서, 생태 효율성은 단위당 기준으로 계산된다. 전형적으로 제조 도구 개발 프로세스에서 단위당 생태 효율성이 고려되지 않는다. 부가적으로, 제조 도구가 사용중인 동안(예컨대, 도구가 웨이퍼 생산에 사용되는 동안) 해당 도구에 대한 세팅들을 조정하기 위해 단위당 생태 효율성을 특성화하는 것은 번거롭고 복잡한 프로세스일 수 있다. 또한, 이전 솔루션들은 생태 효율성 특성화 분석을 위해 사람들 및 전문 엔지니어들 및 분석가들의 특별한 생태 효율성 훈련을 사용했다. 본 개시내용의 실시예들은 단위당 기준으로 생태 효율성 특성화를 위한 개선된 방법들, 시스템들 및 소프트웨어를 제공한다. 이러한 방법들, 시스템들 및 소프트웨어는 특별한 생태 효율성 훈련을 받지 않은 개인들에 의해 사용될 수 있다.
[0018]
일 실시예에서, 생태 효율성 특성화는 웨이퍼 제조 장비의 설계 스테이지들 및 동작 스테이지들 동안을 포함하여, 제조 장비 라이프 사이클의 모든 스테이지들에서 소프트웨어 도구에 의해 수행될 수 있다. 생태 효율성은 장비 생산 단위당(예컨대, 제조되는 웨이퍼당 또는 디바이스당) 소비되는 환경 자원(예컨대, 전기 에너지, 물, 가스 등)의 양을 포함할 수 있다. 생태 효율성은 또한 장비 생산 단위당 생성되는 환경 영향(예컨대, CO2 방출들, 중금속 폐기물 등)의 양으로 특징지어질 수 있다.
[0019]
단위가 제조 도구에 의해 동작되는 임의의 측정 가능한 수량(예컨대, 기판(웨이퍼), 다이, 면적(cm2), 시간 기간, 디바이스 등)인 단위당 분석은 생태 효율성의 보다 정밀한 특성화들을 허용한다. "단위당" 기반의 생태 효율성은 생산된 단위당 자원 사용량 및 환경 영향의 정확한 결정을 허용하고, 가치의 척도로서 쉽게 조작될 수 있다. 예컨대, 특정 제조 도구가 웨이퍼 패스(wafer pass)당 1.0~2.0kWh의 전기 에너지 웨이퍼 패스 당 생태 효율성 등급 ― 이는 제조 도구에 의해 동작되는 각각의 웨이퍼가 예컨대, 웨이퍼 패스당 1.0-2.0kWh의 전기 에너지를 사용할 수 있음을 표시함 ― 을 갖는 것으로 결정될 수 있다(다른 실시예들에서, 생태 효율성 등급들은 웨이퍼 패스당 0.5kWh 미만, 최대 0.5kWh, 또는 심지어, 20kWh 초과일 수 있음). 다른 실시예들에서, 다양한 다른 양들의 전기 에너지가 사용될 수 있다. 웨이퍼 패스당 기준으로 생태 효율성을 결정하는 것은 연간 웨이퍼 처리량의 변동으로 인해 상이한 연간 전기 에너지 소비 값을 갖는 다른 제조 도구들과의 쉬운 비교를 허용한다. 일 실시예에서, 생태 효율성은 또한 웨이퍼당 생태 효율성 특성화를 웨이퍼당 디바이스들의 수로 나눔으로써 디바이스당 기준으로 결정될 수 있다.
[0020]
장비 제조의 초기 설계 스테이지들 동안 생태 효율성 특성화를 수행하는 것은 설계자들이 최소한의 비용으로 더 양호하고 더 환경 효율적인 설계 선택들을 행하도록 허용한다. 생태 효율성은 제조 장비의 설계 스테이지들 초기에 조작 및 개선될 수 있다. 설계 프로세스 초기의 생태 효율성 특성화는 더 양호하고 보다 생태 친화적인 컴포넌트 선택, 서브시스템 설계, 시스템 통합, 프로세스 설계, 프로세스 재료 선택 및 시스템 구성을 허용할 수 있다.
[0021]
일 실시예에서, 다수의 설계자들은 특정 장비 또는 서브컴포넌트들에 대해 이미 계산된 생태 효율성 모델들의 데이터베이스에 대한 병렬 액세스를 가질 수 있다. 설계자들은 각각이 자체 개개의 효율성 모델들을 가질 수 있는 하나 이상의 서브컴포넌트들을 선택하고 함께 추가함으로써 장래의 설계들을 생성할 수 있다. 그런 다음 모든 서브컴포넌트들의 조합된 생태 효율성 모델들은 장래의 설계에 대한 전체 생태 효율성 모델을 생성하기 위해 조합될 수 있다. 장래의 설계 및 그의 생태 효율성 모델, 및 그의 서브컴포넌트의 생태 효율성 모델들은 데이터베이스에 저장될 수 있다.
[0022]
도구에 대한 개발 프로세스 내 임의의 기간에, 엔지니어는 해당 도구의 구성을 변경할 수 있으며, 이는 해당 도구의 생태 효율성 모델의 변경을 야기할 수 있다. 구성에 대한 변경들 및 결과적인 생태 효율성 모델에 대한 변경들은 데이터베이스에 저장될 수 있다. 이러한 방식으로 생태 효율성 특성화(예컨대, 단위당 생태 효율성)는 협력적(collaborative)일 수 있어, 장비 설계자들이 서로의 작업에서 이익을 얻도록 허용한다. 일 실시예에서, 설계자들은 생태 효율성과 연관된 변경들이 이루어짐에 따라 제조 장비 설계에 대한 업데이트들을 실시간으로 볼 수 있다. 설계자들은 원하는 애플리케이션에 대해 원하는 생태 효율성을 갖춘 장비 또는 서브컴포넌트들을 선택할 수 있다. 더욱이, 생태 효율성들(예컨대, 단위당 생태 효율성들)은 서브컴포넌트들에 대한 알려진 생태 효율성 특성화(예컨대, 단위당 생태 효율성 특성화)에 기초하여 제조 장비에 대해 계산될 수 있다. 서브컴포넌트들에 대한 이러한 알려진 생태 효율성 특성화는 데이터베이스에 저장될 수 있다. 다른 실시예에서, 제조 장비의 서브컴포넌트들 각각에 대한 조합된 유틸리티 및 활용도 데이터에 기초하여 제조 장비에 대해 생태 효율성이 계산될 수 있다.
[0023]
컴포넌트들 및 서브컴포넌트들이 비교 및 대조될 수 있다. 특정 장비 또는 서브컴포넌트에 대한 생태 효율성 모델이 아직 존재하지 않는 경우, 설계자는 장비에 대한 생태 효율성 분석을 수행하고 결과적인 생태 효율성 모델을 데이터베이스에 저장할 수 있다. 설계자는 개발 시에 장비의 다양한 버전들을 저장하는 옵션을 가질 수 있으며, 각각의 버전은 연관된 생태 효율성 모델을 갖는다. 이러한 방식으로 버전 관리(versioning)는 추적 가능하고 생태 효율성은 원하는 생태 효율성을 갖춘 장비 설계 버전을 결정함으로써 최적화될 수 있다. 일부 실시예들에서, 컴포넌트들과 서브컴포넌트들 간의 비교는 다중 챔버 매칭을 갖는 다수의 디바이스들 사이의 챔버 대 챔버 매칭에 대한 패턴, 문제 및/또는 통찰력을 결정하는 데 사용될 수 있다. 이러한 컴포넌트들과 서브컴포넌트들 또는 버전들 간의 비교 및 계약(contract)의 결과로서, 전반적인 생태 효율성 성능, 소비 절감들 이를테면, 탄소 풋프린트가 보고될 수 있다.
[0024]
제조 장비 및 서브시스템들은 때때로 다양한 애플리케이션들에서 사용되며, 각각의 애플리케이션은 자체 생태 효율성을 갖는다. 이러한 상황에서, 상이한 조건들 하에서 사용될 동일한 장비 또는 서브컴포넌트에 대한 다수의 생태 효율성 특성화가 데이터베이스에 저장될 수 있다. 설계자가 데이터베이스로부터 적절한 장비를 선택할 때, 설계자에게는 자체 생태 효율성 특성화를 각각 갖는, 장비에 대한 다양한 애플리케이션들이 제시될 수 있다. 또한, 설계자는 아직 데이터베이스에 존재하지 않는 새로운 애플리케이션에 대한 시작점으로 사용할 장비를 데이터베이스로부터 선택할 수 있다. 설계자는 적절한 애플리케이션에 매칭되도록 장비의 파라미터들을 수정하고, 생태 효율성 특성화를 수행하고, 결과를 다시 데이터베이스에 저장할 수 있다.
[0025]
다른 실시예에서, 생태 효율성 특성화는 동작 동안 제조 장비 자체에 대해 수행될 수 있다. 제조 장비는 장비의 활용도 및 유틸리티 사용량 데이터와 같은 실시간 변수들에 액세스하고 생태 효율성 모델의 실시간 변수들을 사용할 수 있다. 이 실시예에서, 제조 장비는 제조 장비의 현재 동작 조건들을 고려하여 생태 효율성을 최대화하기 위해 장비에 대한 세팅들을 미세 튜닝할 수 있다. 장비에 대한 생태 효율성 특성화는 이론적, 평균화된 또는 예상된 변수 조건들을 사용하여 설계된 제조 장비의 생태 효율성을 미세 튜닝하는 데 유익할 수 있다.
[0026]
일부 실시예들에서, 생태 효율성 특성화는 디지털 복제물을 사용하여 결정될 수 있다. 제작 프로세스 또는 제작 프로세스의 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제조 장비 중 하나를 포함하는 선택이 디지털 복제물에 입력될 수 있다. 디지털 복제물은 제작 프로세스 및/또는 제조 장비의 물리 기반 모델을 포함할 수 있다. 물리 기반 모델은 완전 물리 기반 또는 감소된 차수 모델들(예컨대, 적외선 기반 램프 가열 서브시스템과 같은 서브시스템이 개발되기 전에 개념화된 램프 가열 변형들)을 사용하여 모듈/서브시스템 소비들이 추정되는 왓-이프 시나리오(what-if scenario)들을 가능하게 할 수 있다. 일부 실시예들에서, 디지털 복제물은 제조 프로세스 또는 제조 장비의 물리적 조건들(예컨대, 배기 및/또는 포어라인을 떠나는 가스들에 의해 수행되는 열 손실, 에너지 소비 등)을 결정하기 위한 다른 모델들 이를테면, 통계 모델들을 포함할 수 있다.
[0027]
일부 실시예들에서, 생태 효율성 특성화는 다수의 제조 프로세스들에 통합될 수 있다. 예컨대, 디바이스 또는 프로세스 컴포넌트당 누적 소비는 누적 생태 효율성을 조정하기 위해 다양한 디바이스들 및 프로세스들에 걸쳐 계산될 수 있다. 부가적으로 또는 대안적으로, 다수의 제조 장비에 걸쳐 공유되는 장비와 같은 보조 또는 지원 장비(예컨대, 하위 제작 장비) 장비가 특성화될 수 있다. 예컨대, 펌프들, 저감 장치(abatement), 히터 재킷들, 여과 시스템들 등과 같은 디바이스들 및/또는 장비 또는 기판을 직접 프로세싱하는 데 사용되지 않는 다른 디바이스들이 또한 생태 효율성을 위해 모니터링 및 특성화될 수 있다.
[0028]
일부 실시예들에서, 제작 프로세스(예컨대, 다수의 프로세스들 또는 프로세스의 서브세트)에 대한 수정은 환경 자원 사용량 데이터 또는 생태 효율성 특성화에 기초하여 결정될 수 있다. 예컨대, 환경 자원 사용량 데이터는 기계 학습 모델에 대한 입력으로서 사용될 수 있다. 제작 프로세스에 대한 수정 및 일부 실시예들에서 수정이 임계 조건을 충족한다는 신뢰도 레벨을 표시하는 기계 학습 모델로부터의 하나 이상의 출력들이 획득될 수 있다. 제작 프로세스에 대한 수정은 제조 프로세스 선택의 생태 효율성을 개선하는 것(예컨대, 환경 자원 소비 및/또는 환경 영향을 감소시키는 것)과 연관될 수 있다.
[0029]
일부 실시예들에서, 제작 프로세스에 대한 하나 이상의 수정을 결정하는 것은 제작 프로세스에 대한 최적화 절차와 연관될 수 있다. 시스템 및/또는 방법론은 미리 결정된 환경 최적화 요건을 충족하기 위해 제조 프로세스에 적용할 다수의 수정들을 결정할 수 있다. 예컨대, 로컬 규제는 특정 자원들(예컨대, 전력, 물 등)의 사용량 레벨에 관한 제한을 강제하거나 상이한 보상 메커니즘에 의해 더 낮은 소비 실천들을 장려할 수 있다. 본원에서 설명된 생태 효율성 시스템 및 방법론(예컨대, 모니터링 특징으로서의 실시간 대시보드)은 준수(compliance)의 증거로서 요구되는 보고들을 준비하는 데 쉽게 사용될 수 있으며 생태 효율성 최적화 특징들은 제조 시스템들에 대한 절감들을 실현하는 데 사용될 수 있다.
[0030]
일부 실시예들에서, 준수 보고들은 반도체 제조 장비에 대한 에너지, 전기 및 생산 보존에 대한 반도체 시설 시스템 지침(SEMI(Semiconductor Equipment and Materials International) S23-0813)에 게시된 SEMI와 같은 일반적으로 수락되는 코드들 및/또는 표준들에 기초한 보고를 포함할 수 있다. 예컨대, SEMI S23-0813은 중요한 유틸리티들의 ECF(energy conversions factor)들(예컨대, 단위 유량당 에너지 소비)을 제공한다. ECF들은 유틸리티들의 에너지 소비를 추정할 수 있으며 반도체 제작 시설들의 에너지 절감을 추정하는 데 사용된다.
[0031]
일부 실시예들에서, 생태 효율성은 에너지 소비, 가스 소비(이를테면, 수소, 질소, 박막들의 에칭 또는 증착에 사용되는 화학물들, CDA(clean dry air) 및/또는 물 소비(이를테면, 예컨대, PCW(process cooling water), DIW(de-ionized water), 및 UPW(ultrapure water))와 같은 자원 소비에 기초한다. 그러나 일부 실시예들에서, 생태 효율성은 제조 장비와 연관된 컴포넌트의 라이프 사이클 데이터에 기초한다. 예컨대, 생태 효율성 특성화와 연관된 환경 자원 소비 및/또는 환경 영향은 제조 장비의 소모성 부분들의 교체 절차 또는 유지(upkeep) 절차와 연관될 수 있다. 수정은 제조 장비의 소모성 부분의 유지 절차와 연관될 수 있다.
[0032]
일부 실시예들에서, 제조 프로세스를 특성화하고 최적화하는 것은 레시피 빌더(recipe builder) 방법론을 포함할 수 있다. 레시피 빌더 방법론은 레시피 생성 및/또는 수정 프로세스의 일부로서 개별 제조 단계들의 자원 소비 및/또는 환경 영향을 동적으로 계산하는 것을 포함할 수 있다. 사용자는 다양한 조합들, 서브 조합들, 및/또는 프로세싱 단계들의 순서들 및/또는 프로세싱 단계들을 수행하기 위한 제조 장비를 추가, 삭제 및/또는 수정할 수 있을 수 있다. 수정된 레시피들은 수정된 레시피들의 생태 효율성을 결정하기 위해 분석될 수 있다. 프로세스를 수행하는 것은 예컨대, 웨이퍼를 프로세싱하는 것, 웨이퍼를 운송하는 것, 프로세스 단계들을 가능하게 하는 보조/지원 장비, 및/또는 제작 프로세스와 연관된 다른 기능들을 포함할 수 있다.
[0033]
도 1은 본 개시내용의 구현들이 동작할 수 있는 예시적인 시스템 아키텍처(100)를 예시하는 블록도이다. 도 1에 도시된 바와 같이, 시스템 아키텍처(100)는 제조 시스템(102), 데이터 저장소(112), 서버(120), 클라이언트 디바이스(150) 및/또는 기계 학습 시스템(170)을 포함한다. 기계 학습 시스템(170)은 서버(120)의 일부일 수 있다. 일부 실시예들에서, 기계 학습 시스템(170)의 하나 이상의 컴포넌트들은 클라이언트 디바이스(150)에 완전히 또는 부분적으로 통합될 수 있다. 제조 시스템(102), 데이터 저장소(112), 서버(120), 클라이언트 디바이스(150) 및 기계 학습 시스템(170)은 각각, 서버 컴퓨터들, 데스크톱 컴퓨터들, 랩톱 컴퓨터들, 태블릿 컴퓨터들, 노트북 컴퓨터들, PDA(personal digital assistant)들, 모바일 통신 디바이스들, 셀 폰들, 핸드헬드 컴퓨터들 또는 유사한 컴퓨팅 디바이스들을 포함하는 하나 이상의 컴퓨팅 디바이스들에 의해 호스팅될 수 있다.
[0034]
제조 시스템(102), 데이터 저장소(112), 서버(120), 클라이언트 디바이스(150) 및 기계 학습 시스템(170)은 (예컨대, 본원에서 설명된 방법론을 수행하기 위해) 네트워크를 통해 서로 결합될 수 있다. 일부 실시예들에서, 네트워크(160)는 시스템 아키텍처(100)의 각각의 엘리먼트에 서로에 대한 그리고 개인적으로 이용 가능한 컴퓨팅 디바이스들에 대한 액세스를 제공하는 사설 네트워크이다. 네트워크(160)는 하나 이상의 WAN(wide area network)들, LAN(local area network)들, 유선 네트워크들(예컨대, 이더넷 네트워크), 무선 네트워크들(예컨대, 802.11 네트워크 또는 Wi-Fi 네트워크), 셀룰러 네트워크(예컨대, LTE(Long Term Evolution) 네트워크), 클라우드 네트워크, 클라우드 서비스, 라우터들, 허브들, 스위치들, 서버 컴퓨터들, 및/또는 이들의 임의의 조합을 포함할 수 있다. 대안적으로 또는 부가적으로, 시스템 아키텍처(100)의 엘리먼트들 중 임의의 것은 네트워크(160)를 사용하지 않고 함께 통합되거나 다른 방식으로 결합될 수 있다.
[0035]
클라이언트 디바이스(150)는 임의의 PC(personal computer)들, 랩톱들, 모바일 폰들, 태블릿 컴퓨터들, 넷북 컴퓨터들, 네트워크 연결 텔레비전들("스마트 TV"), 네트워크-연결 미디어 플레이어들(예컨대, 블루레이(Blu-ray) 플레이어), 셋톱 박스, OOT(over-the-top) 스트리밍 디바이스들, 오퍼레이터 박스들 등이거나 이를 포함할 수 있다. 클라이언트 디바이스(150)는 브라우저(152), 애플리케이션(154), 및/또는 시스템 아키텍처(100)의 다른 시스템들에 의해 설명되고 수행되는 다른 도구들을 포함할 수 있다. 일부 실시예들에서, 클라이언트 디바이스(150)는 본원에서 설명된 바와 같이 시스템 아키텍처(100)의 프로세싱의 다양한 스테이지들에서 제조 시스템(102), 데이터 저장소(112), 서버(120), 및/또는 기계 학습 시스템(170)에 액세스하고 하나 이상의 환경 자원 소비(예컨대, 환경 자원 소비) 및/또는 환경 영향을 포함하는 생태 효율성의 표시들 및/또는 다양한 프로세스 도구들(예컨대, 컴포넌트 통합 도구(122), 디지털 복제 도구(124), 최적화 도구(126), 레시피 빌더 도구(128), 자원 소비 도구(130 등)의 입력들 및/또는 출력들을 통신(예컨대, 송신 및 수신)할 수 있을 수 있다.
[0036]
도 1에 도시된 바와 같이 제조 시스템(102)은 기계 장비(104), 장비 제어기들(106), 프로세스 레시피들(108) 및 센서들(110)을 포함한다. 기계 장비(104)는 이온 주입기, 에칭 반응기(예컨대, 프로세싱 챔버), 포토리소그래피 디바이스들, (예컨대, CVD(chemical vapor deposition), PVD(physical vapor deposition), IAD(ion-assisted deposition) 등을 수행하기 위한) 증착 디바이스의 임의의 조합 또는 제조 디바이스들의 임의의 다른 조합일 수 있다.
[0037]
제작 레시피들 또는 제작 프로세스 명령들로서 또한 지칭되는 프로세스 레시피들(108)은, 지정된 순서로 적용될 때 제작된 샘플(예컨대, 미리 결정된 속성들을 갖거나 미리 결정된 사양들을 충족하는 기판 또는 웨이퍼)을 생성하는 프로세스 구현을 갖는 기계 동작들의 순서를 포함한다. 일부 실시예들에서, 프로세스 레시피들은 데이터 저장소에 저장되거나, 대안적으로 또는 부가적으로, 제작 프로세스의 단계들 또는 동작들을 표시하는 데이터의 테이블을 생성하는 방식으로 저장된다. 각각의 단계는 주어진 프로세스 단계의 알려진 생태 효율성을 저장할 수 있다. 대안적으로 또는 부가적으로, 각각의 프로세스 단계는 프로세스 단계에 의해 요구되는 물리적 조건들(예컨대, 타깃 압력, 온도, 배기, 에너지 처리량 등)을 표시하는 파라미터들을 저장할 수 있다.
[0038]
장비 제어기들(106)은 프로세스 레시피들(108)의 단계들을 수행할 수 있는 소프트웨어 및/또는 하드웨어 컴포넌트들을 포함할 수 있다. 장비 제어기들(106)은 센서들(110)을 통해 제조 프로세스를 모니터링할 수 있다. 센서(110)는 프로세스 기준들이 충족되는지를 결정하기 위해 프로세스 파라미터들을 측정할 수 있다. 프로세스 기준들은 (예컨대, 도 5와 연관하여 설명된 바와 같은) 프로세스 파라미터 값 윈도우와 연관될 수 있다. 센서들(110)은 소비들(예컨대, 전력, 전류 등)을 측정하는 데 (명시적으로 또는 소비들의 측정으로서) 사용될 수 있는 다양한 센서들을 포함할 수 있다. 센서들(100)은 물리적 센서들, IoT(Internet-of-Things) 및/또는 가상 센서들(예컨대, 물리적 센서들을 아니지만 파라미터 값들을 추정하는 모델에 기초한 가상 측정들에 기초하는 센서들)을 포함할 수 있다.
[0039]
부가적으로 또는 대안적으로, 장비 제어기들(106)은 다양한 프로세스 단계들(예컨대, 배기, 에너지 소비, 프로세스 성분 소비 등)의 자원 소비를 측정함으로써 생태 효율성을 모니터링할 수 있다. 일부 실시예들에서, 장비 제어기(106)는 연관된 기계 장비(104)의 생태 효율성을 결정한다. 장비 제어기들(106)은 또한 현재 제조 조건들에 비추어 장비(104)의 생태 효율성을 최적화하기 위해 결정된 생태 효율성 모델들(예컨대, 프로세스 레시피들(108)에 대한 결정된 수정들을 포함함)에 기초하여 제조 장비(104)와 연관된 세팅들을 조정할 수 있다.
[0040]
일 실시예에서, 장비 제어기들(106)은 메인 메모리(예컨대, ROM(read-only memory), 플래시 메모리, DRAM(dynamic random access memory), SRAM(static random access memory) 등), 및/또는 보조 메모리(예컨대, 데이터 저장소 디바이스, 이를테면 디스크 드라이브(예컨대, 데이터 저장소(112) 또는 클라우드 데이터)를 포함할 수 있다. 메인 메모리 및/또는 보조 메모리는 다양한 유형들의 제조 프로세스들을 수행하기 위한 명령들(예컨대, 프로세스 레시피들(108))을 저장할 수 있다.
[0041]
일 실시예에서, 장비 제어기들(106)은 제조 장비(104)와 연관된 제1 유틸리티 사용 데이터 및 제조 장비(104)와 연관된 제1 활용도 데이터에 기초하여 제조 장비(104)와 연관된 실제 생태 효율성 특성화를 결정할 수 있다. 제1 유틸리티 사용 데이터 및 제1 활용도 데이터는 예컨대, 장비 제어기들(106)에 의해 결정될 수 있다. 다른 실시예에서, 제1 유틸리티 사용 데이터 및 제1 활용도 데이터는 외부 소스(예컨대, 서버(120), 클라우드 서비스 및/또는 클라우드 데이터 저장소)로부터 수신된다. 장비 제어기들(106)은 실제 생태 효율성 특성화를 제조 장비(104)와 연관된 제1 생태 효율성 특성화(예컨대, 제1 추정된 생태 효율성 특성화)와 비교할 수 있다. 생태 효율성 특성화들은 동작하는 제조 장비(104)와 연관된 실제 값과 상이한 사용 및 활용도 데이터 값들이 제1 생태 효율성 특성화를 계산하기 위해 사용되었을 때 상이할 수 있다.
[0042]
일 실시예에서, 장비 제어기(106)는 제1 생태 효율성 특성화가 실제 생태 효율성 특성화보다 더 생태 효율적이라고 결정할 수 있으며, 이는 생태 효율성을 위해 제조 장비(104)를 더 잘 최적화하기 위해 제조 장비(104)에 대한 세팅들을 조정하는 것이 가능할 수 있음을 표시한다. 일부 실시예들에서, 제조 장비(104)는 생태 효율성을 더 잘 최적화하기 위해 서브컴포넌트 세팅들을 제어 및 조정할 수 있다.
[0043]
장비 제어기들(106)은 또한 실제 사용 데이터, 실제 활용도 데이터 및 생태 효율성 특성화에 기초하여, 실제 사용 데이터 또는 실제 활용도 데이터가 제1 생태 효율성 특성화와 연관된 사용 데이터 및 활용도 데이터와 동일하지 않다는 것을 결정할 수 있다. 이는 공칭 또는 추정된 데이터 값들이 제1 생태 효율성 특성화를 결정하기 위해 사용되고, 제조 장비(104)가 동작하는 동안 상이한 실제 레코딩된 데이터 값들이 사용되는 경우일 수 있다. 이러한 시나리오에서, 제조 장비(104)와 연관된 하나 이상의 세팅들에 대한 조정은 제조 장비의 생태 효율성을 최적화하는 데 유익할 수 있다.
[0044]
데이터 저장소(112)는 메모리(예컨대, 랜덤 액세스 메모리), 드라이브(예컨대, 하드 드라이브, 플래시 드라이브), 데이터베이스 시스템, 또는 데이터를 저장할 수 있는 다른 유형의 컴포넌트 또는 디바이스 이를테면, 클라우드 서버 및/또는 프로세서에 의해 제공되는 저장소일 수 있다. 데이터 저장소(112)는 하나 이상의 과거 센서 데이터를 저장할 수 있다. 데이터 저장소(112)는 하나 이상의 생태 효율성 데이터(114)(예컨대, 과거 및/또는 현재 생태 효율성 데이터를 포함함), 센서 및 프로세스 레시피 데이터(116)(예컨대, 과거 및/또는 현재 센서 및 프로세스 레시피 데이터(116)를 포함함) 및 수정 및 최적화 데이터(예컨대, 과거 및/또는 현재 수정 및 최적화 데이터(118)를 포함함)를 저장할 수 있다. 센서 및 프로세스 레시피 데이터(116)는 오버랩되는 제조 장비 상에서 다수의 프로세스들을 수행하기 위한 다양한 프로세스 단계들, 프로세스 파라미터 윈도우들, 대안적인 프로세스 단계들, 프로세스 큐잉 명령 등을 포함할 수 있다. 센서 및 프로세스 레시피 데이터(116)는 다양한 프로세스 단계들, 레시피들 등에 걸쳐 생태 효율성을 추적하기 위해 생태 효율성 데이터(114)와 링크되거나 다른 방식으로 연관될 수 있다. 수정 및 최적화 데이터(118)는 이전 프로세스 레시피들(개별 프로세스 단계들 또는 다수의 프로세스 레시피들의 조정을 포함함)에 대해 이루어진 과거 수정들 및 수정들에 기인한 연관된 생태 효율성 변경들을 포함할 수 있다.
[0045]
생태 효율성 데이터(114)는 생태 효율성 특성화에 사용되는 다양한 소비 자원들을 포함할 수 있다. 일 실시예에서, 생태 효율성 데이터(114)는 물 사용량, 방출들, 전기 에너지 사용량 및 이들의 임의의 조합 중 하나 이상을 포함한다. 다른 실시예들에서, 생태 효율성 데이터(114)는 가스 사용량, 중금속 사용량 및 부영양화 잠재성과 같은 다른 카테고리들에 대한 자원 소비를 포함할 수 있다.
[0046]
서버(120)는 컴포넌트 통합 도구(122), 디지털 복제 도구(124), 최적화 도구(126), 레시피 빌더 도구(128) 및/또는 자원 소비 도구(130)를 포함할 수 있다. 컴포넌트 통합 도구(122)는 디바이스당(예컨대, 개별 제조 장비당) 누적 소비를 결정할 수 있다. 서버(120)의 다양한 도구들은 본원에서 설명된 바와 같이 개개의 기능 각각을 수행하기 위해 서로 간에 데이터를 통신할 수 있다.
[0047]
컴포넌트 통합 도구(122)는 제조 데이터(예컨대, 레시피들, 레시피들의 선택들, 제조 장비, 레시피 간 및 레시피 내 프로세스들 등)를 수신하고 데이터의 다양한 분할들에 걸쳐 생태 효율성 분석을 수행할 수 있다. 일부 실시예들에서, 컴포넌트 통합 도구(122)는 개별 프로세스 레시피로부터 다수의 프로세스 단계들에 걸쳐 생태 효율성 특성화를 결정할 수 있다. 예컨대, 컴포넌트 통합 도구(122)는 시작부터 마무리까지 레시피의 모든 단계들에 걸쳐 생태 효율성 특성화를 결정할 수 있다. 다른 예에서, 프로세스들의 선택은 제작 프로세스 단계들의 서브세트의 생태 효율성을 결정하는 데 사용될 수 있다.
[0048]
다른 실시예에서, 컴포넌트 통합 도구(122)는 레시피 간 프로세스들의 생태 효율성 특성화를 수행할 수 있다. 예컨대, 생태 효율성 특성화는 다수의 상이한 제조 프로세스들(예컨대, 프로세스 레시피들(108))로부터 다수의 상이한 프로세스 단계들을 수행하는 (예컨대, 제조 시스템(102)의) 제조 디바이스와 연관될 수 있다. 다른 예에서, 다양한 프로세스 단계들(예컨대, 레시피 내 또는 레시피 간)의 순서는 전반적인 생태 효율성에 영향을 미칠 수 있다. 컴포넌트 통합 도구(122)는 프로세스들의 시퀀스 및/또는 제조 디바이스들의 시스템에 걸쳐 전반적인 생태 효율성 특성화를 수행할 수 있다. 예컨대, 컴포넌트 통합 도구(122)는 유사한 기능들을 수행하는 서브컴포넌트들(예컨대, 다수의 프로세싱 챔버들) 사이의 생태 효율성 비교를 수행할 수 있다.
[0049]
예시적인 예에서, 에피택셜 증착 또는 에칭과 같은 각각의 프로세스 단계는 프로세싱 챔버에 의해 행해질 수 있다. 이들 각각은 프로세스 레시피를 사용하여 행해진다. 에피택셜 증착과 같은 프로세스를 수행하기 위한 다수의 상이한 프로세스 레시피들이 있을 수 있다. 예컨대, 프로세스 레시피는 다수의 단계들 이를테면, 1) 챔버를 퍼지하고; 2) 펌핑하고; 3) 가스들을 유입시키고; 4) 챔버를 가열하는 등을 포함할 수 있다. 이러한 단계들은 하나 이상의 프로세스 레시피들과 연관될 수 있다.
[0050]
다른 실시예에서, 컴포넌트 통합 도구(122)는 보조 장비의 생태 효율성을 포함하는 레시피 간 프로세스들의 생태 효율성 특성화를 수행할 수 있다. 보조 장비는 제조에 직접 사용되지는 않지만 다양한 프로세스 레시피들의 수행을 보조하는 장비를 포함할 수 있다. 예컨대, 보조 장비는 다양한 제조 디바이스들 사이에서 웨이퍼들을 이동시키도록 설계된 기판 운송 시스템들을 포함할 수 있다. 다른 예에서, 보조 장비는 열 싱크들, 공유 배기 포트들, 전력 전달 시스템 등을 포함할 수 있다. 컴포넌트 통합 도구(122)는 프로세스 레시피(예컨대, 서브세트 또는 전체 레시피) 또는 레시피들의 조합(예컨대, 서브세트 또는 전체 레시피들)에 대한 자원 소비를 결정하기 위해 보조 디바이스 자원 소비를 참작하고 보조 디바이스 자원 소비를 제작 자원 소비와 조합할 수 있다.
[0051]
다른 실시예에서, 컴포넌트 통합 도구(122)는 프로세스들 또는 레시피들의 시퀀스를 참작하는 생태 효율성 특성화를 수행할 수 있다. 예컨대, 프로세스 단계 A를 수행하고 나서 프로세스 단계 B를 수행하는 것은 제1 자원 소비를 야기할 수 있는 반면, 프로세스 단계 B를 수행하고 나서 프로세스 단계 A를 수행하는 것은 제1 자원 소비와 상이한 제2 자원 소비를 야기할 수 있다. 컴포넌트 통합 도구(122)는 다수의 기계 장비 및/또는 프로세스 단계들에 걸쳐 생태 효율성을 통합하고 프로세스 레시피(예컨대, 서브세트 또는 전체 레시피) 또는 레시피들의 조합(예컨대, 서브세트 또는 전체 레시피들)에 대한 프로세스 단계들의 시퀀스를 참작한다.
[0052]
일부 실시예들에서, 프로세스 단계들 각각에 대한 상이한 제조 장비가 있다. 예컨대, 웨이퍼 상의 막은 다수의 층들을 가질 수 있다. 제1 기계는 제1 동작(예컨대, 증착)을 수행할 수 있고, 제2 기계는 제2 동작(예컨대, 에칭)을 수행할 수 있으며, 제3 기계는 제3 동작(예컨대, 증착)을 수행할 수 있는 식이다. 컴포넌트 통합 도구(122)는 데이터 숨김 보고를 생성하기 위해 다수의 기계들에 걸쳐 다수의 프로세싱 단계들을 추적하도록 자원 소비 추적기에 지시할 수 있다. 이전에 언급된 바와 같이, 시작부터 마무리까지 웨이퍼의 수명을 포함하여 프로세싱 레시피의 선택을 위해 소비 보고가 작성될 수 있다.
[0053]
디지털 복제 도구(124)는 제조 시스템(102) 및/또는 클라이언트 디바이스(150)로부터 제조 데이터를 수신하고 제조 데이터와 연관된 디지털 복제물을 생성한다. 제조 데이터는 기계 장비(104)의 선택 및 프로세스 레시피(108)에 대한 프로세스 단계들을 포함할 수 있다. 디지털 복제 도구(124)는 가상 입력 시스템(예컨대, 클라이언트 디바이스(150) 상에서 사용자에 의해 생성됨) 또는 제조 시스템의 물리적 시스템 아키텍처의 디지털 트윈(digital twin)을 생성한다.
[0054]
디지털 복제 도구(124)에 의해 생성된 디지털 복제물은 물리 모델, 통계 모델 및/또는 하이브리드 모델 중 하나를 포함할 수 있다. 물리 모델은 입력된 제조 데이터의 물리적 조건들(예컨대, 배기 온도, 전력 전달 요건들 및/또는 환경 자원 소비와 연관된 물리 환경을 표시하는 다른 조건들)을 추정하도록 설계된 물리 기반 제약들 및 제어 알고리즘들을 포함할 수 있다. 예컨대, 사용자는 클라이언트 디바이스(150) 상에서 프로세스 레시피를 생성할 수 있다. 프로세스 레시피는 프로세스 또는 레시피에 대한 파라미터들 및 특정 방식으로 기계 장비를 사용하기 위한 명령들을 포함할 수 있다. 디지털 복제 도구(124)는 이러한 제조 데이터를 취하고 시스템의 물리적 제약들(예컨대, 동작 온도, 압력, 배기 파라미터들 등)을 결정할 것이다. 예컨대, 물리 모델은 챔버의 하드웨어 구성들(예컨대, 유형 B의 장비 재료에 대비되는 유형 A의 장비 재료의 사용) 및/또는 레시피 파라미터들에 기초하여 시스템의 물리적 조건들을 식별할 수 있다. 다른 예에서, 물리적 조건들은 물, 공기 및/또는 HVAC(heating ventilation, and air conditioning) 장비에 대한 열 손실에 영향을 미치는 관련 기계 장비 부분으로부터 결정될 수 있다. 디지털 복제 도구(124)는 수신된 제조 데이터의 생태 효율성 특성화를 예측하기 위해 다른 도구들(예컨대, 컴포넌트 통합 도구(122) 및/또는 자원 소비 도구(130))와 함께 작동할 수 있다. 디지털 복제 도구(124)는 제조 장비(104)에 의해 프로세스 레시피를 수행하는 것으로부터 경험적 데이터를 수신하지 않고도 제조 프로세스의 생태 효율성 및 제조 장비의 선택을 예측할 수 있다는 것이 주의되어야 한다. 따라서, 제조 장비의 디지털 복제물은 실제로 특정 장비 설계들을 구축하거나 특정 프로세스 레시피들을 실행하지 않고도 장비 설계들 및/또는 프로세스 레시피들의 생태 효율성을 예측하는 데 사용될 수 있다.
[0055]
일부 실시예들에서, 디지털 복제 도구(124)에 의해 사용되는 물리적 모델들은 유체 유동 모델링, 가스 유동 및/또는 소비 모델링, 화학 기반 모델링, 열 전달 모델링, 전기 에너지 소비 모델링, 플라즈마 모델링 등을 포함할 수 있다.
[0056]
일부 실시예들에서, 디지털 복제 도구(124)는 제조 데이터의 생태 효율성을 예측하기 위해 통계 모델링을 사용할 수 있다. 통계 모델은 제조 데이터를 유효성 검증(validate), 예측 및/또는 변형하기 위해 통계 연산들을 사용하여 이전에 프로세싱된 과거 생태 효율성 데이터(예컨대, 생태 효율성 데이터(114))에 기초하여 제조 데이터를 프로세싱하는 데 사용될 수 있다. 일부 실시예들에서, 통계 모델은 데이터에 대한 제어 한계들을 결정하고 이러한 제어 한계들에 기초하여 데이터가 보다 더 또는 덜 믿을 수 있는 것으로 식별하기 위해 SPC(statistical process control) 분석을 사용하여 생성된다. 일부 실시예들에서, 통계 모델은 단변량 및/또는 다변량 데이터 분석과 연관된다. 예컨대, 다양한 파라미터들이 통계 모델을 사용하여 분석되어 통계 프로세스들을 통해 패턴들 및 상관관계들(예컨대, 범위, 최소, 최대, 사분위수, 분산, 표준 편차 등)을 결정할 수 있다. 또 다른 예에서, 다수의 변수들 사이의 관계들은 회귀 분석, 경로 분석, 요인 분석, MCSPC(multivariate statistical process control) 및/또는 MANOVA(multivariate analysis of variance)를 사용하여 확인될 수 있다.
[0057]
최적화 도구(126)는 프로세스 레시피들(108) 및 기계 장비(104)의 선택을 수신하고 생태 효율성을 개선하기 위한(예컨대, 자원 소비, 자원 비용 소비 및/또는 환경 영향(예컨대, 대기에 진입되는 가스 또는 미립자 종들)을 감소시키기 위한) 선택들에 대한 수정들을 식별할 수 있다. 최적화 도구(126)는 기계 학습 모델(예컨대, 기계 학습 시스템(170)의 모델(190))의 사용을 통합할 수 있다. 기계 학습 모델은 입력으로서 프로세스 레시피 및/또는 기계 장비의 선택을 수신하고 제조 시스템(102)에 의해 수행될 때 선택의 전반적인 생태 효율성을 개선하는 선택에 대한 하나 이상의 수정을 결정할 수 있다. 일부 실시예들에서, 기계 학습 모델은 훈련을 위한 합성 제조 데이터를 생성하기 위해 디지털 복제 도구를 사용할 수 있다. 대안적으로 또는 부가적으로, 기계 학습 모델은 기계 학습 모델을 훈련하기 위해 과거 데이터(예컨대, 생태 효율성 데이터(114), 센서 및 프로세스 레시피 데이터(116), 및/또는 수정 및 최적화 데이터(118))를 사용할 수 있다.
[0058]
최적화 도구(126)에 의해 식별된 수정들은 프로세스 단계를 변경하는 것, 프로세스의 순서를 변경하는 것, 한 편의 기계 장비에 의해 수행되는 파라미터들을 변경하는 것, 제1 프로세스 레시피 및 제2 프로세스 레시피의 상호작용을 변경하는 것(예컨대, 순서, 동시 동작들, 지연 시간들 등) 등을 포함할 수 있다. 일부 실시예들에서, 최적화 도구(126)는 최적화를 직접 수행하라는 명령을 제조 시스템(102)에 전송할 수 있다. 그러나, 다른 실시예들에서, 최적화 도구는 오퍼레이터가 조치를 취할 수 있도록 GUI(graphical user interface) 상에 수정들을 디스플레이할 수 있다. 예컨대, 디지털 복제 도구(124)는 브라우저(152) 및/또는 애플리케이션(154)에 디스플레이하기 위해 클라이언트 디바이스(150)에 하나 이상의 수정을 전송할 수 있다.
[0059]
일부 실시예들에서, 최적화 도구(126)는 디지털 복제 도구(124)에 의해 생성된 디지털 트윈 모델의 하이퍼 파라미터들을 조정할 수 있다. 추후 실시예들에서 논의되는 바와 같이, 최적화 도구(126)는 디지털 복제물 상에서 시뮬레이팅된 수정들을 실행하고 디지털 복제물로부터 출력되는 생태 효율성 결과들을 평가함으로써 강화 학습 및/또는 심층 학습을 통합할 수 있다.
[0060]
일부 실시예들에서, 최적화 도구(126)는 하나 이상의 유형들의 환경 자원들을 우선순위화하는 생태 효율성 특성화 및 최적화를 수행할 수 있다. 예컨대, 이전에 설명된 바와 같이 생태 효율성 특성화는 물 사용량, 가스 사용량, 에너지 사용량 등과 같은 다양한 자원 소비들에 기초할 수 있다. 최적화 도구(126)는 제2 자원 소비(예컨대, 가스 사용량)보다 제1 자원 소비(예컨대, 물 사용량)를 우선시하는 최적화를 수행할 수 있다. 일부 실시예들에서, 최적화 도구(126)는 가중된 우선순위 시스템을 사용하는 최적화를 수행할 수 있다. 예컨대, 생태 효율성을 최적화하고 그리고/또는 제작 프로세스에 대한 생태 효율성 수정을 식별할 때, 하나 이상의 자원 소비들에는 연관된 단위당 자원 소비에 대한 최적화 우선순위를 표시하는 가중치가 할당될 수 있다.
[0061]
레시피 빌더 도구(128)는 제조 프로세스들 및/또는 기계 장비의 선택을 수신하고 가상 제조 프로세스 및/또는 장비 선택에 대한 각각의 추가, 삭제 및/또는 수정 후에 생태 효율성을 동적으로 단계별로 결정 및 예측할 수 있다. 레시피 빌더 도구(128)는 제조 레시피가 업데이트될 때 결정된 생태 효율성을 동적으로 업데이트하기 위해 다른 도구들(예컨대, 컴포넌트 통합 도구(122), 디지털 복제 도구(124), 최적화 도구(126) 및 자원 소비 도구(130))를 사용할 수 있다. 예컨대, 사용자는 제조 레시피를 생성할 수 있다. 레시피 빌더 도구(128)는 프로세스 레시피의 현재 반복의 현재 생태 효율성을 출력할 수 있다. 레시피 빌더 도구(128)는 프로세스 레시피를 업데이트한 현재 반복에 대한 수정을 수신할 수 있다. 레시피 빌더 도구(128)는 업데이트된 생태 효율성 특성화를 출력할 수 있다.
[0062]
자원 소비 도구(130)는 다양한 자원 소비들을 추적할 수 있다. 예컨대, 이전에 언급된 바와 같이 생태 특성화는 에너지 소비, 가스 방출들, 물 사용량 등과 같은 보다 광범위한 자원들에 기초할 수 있다. 그러나 자원 소비 도구(130)는 자원 소비를 보다 구체적으로 추적할 수 있다. 일부 실시예들에서, 프로세스 레시피들 및/또는 제조 장비의 선택은 자원 소비 도구(130)에 의해 수신된다. 자원 소비 도구(130)는 제조 장비 및/또는 프로세스 레시피들의 선택과 연관된 컴포넌트의 라이프 사이클 데이터를 결정할 수 있다. 예컨대, 제조 장비는 사용에 따라 마모되며 일부 경우들에서, 컴포넌트 수리 및/또는 교체와 같은 정정 액션을 요구한다. 이러한 정정 액션은 또한 환경 소비(예컨대, 정정 액션을 수행하기 위한 자원 소비)와 연관된다. 자원 소비 도구(130)는 컴포넌트 수명 데이터를 개별적으로 추적하고 수행될 것으로 예상되는 향후 정정 액션에 기초하여 단위당 환경 자원 소비 및/또는 환경 영향을 제공할 수 있다.
[0063]
일부 실시예들에서 디지털 트윈은 제작 프로세스 단계와 연관된 일부 소모품들의 수명을 추정하는 데 사용될 수 있다. 수명 데이터는 수명 지속기간을 추정하고 예측된 수명에 대한 응답으로 취해질 예정된 교정 단계들을 예측하는 데 사용될 수 있다. 예컨대, 수명 데이터는 교체 부분 순서를 공급망에 사전에 알림으로써 최적화된 생태 효율성 성능을 유지하는 데 사용될 수 있다.
[0064]
일부 실시예들에서, 서버의 다른 도구들에 의해 결정된 환경 자원 사용량 데이터는 제1 제조 장비의 소모성 부분의 교체 절차 또는 유지 절차 중 하나와 연관된 환경 자원 소비 및/또는 환경 영향을 포함할 수 있다. 일부 실시예들에서, 최적화 도구(126)는 기계 장비(예컨대, 기계 장비(104))의 컴포넌트와 연관된 정정된 액션을 수행하는 것을 포함할 수 있는 제조 프로세스에 대한 수정을 결정할 수 있다.
[0065]
일부 실시예들에서, 기계 학습 시스템(170)은 서버 기계(172), 서버 기계(180) 및/또는 서버 기계(192)를 더 포함한다. 서버 기계(172)는 기계 학습 모델(190)을 훈련, 검증 및/또는 테스트하기 위해 데이터 세트들(예컨대, 데이터 입력들의 세트 및 타깃 출력들의 세트)를 생성할 수 있는 데이터 세트 생성기(174)를 포함한다. 데이터 세트 생성기(174)의 일부 동작들은 도 7a 내지 도 7c와 관련하여 아래에서 자세히 설명된다.
[0066]
서버 기계(180)는 트레이닝 엔진(182), 유효성 검증 엔진(184), 및/또는 테스트 엔진(186)을 포함한다. 엔진(예컨대, 훈련 엔진(182), 유효성 검증 엔진(184), 및/또는 테스트 엔진(186))은 하드웨어(예컨대, 회로부, 전용 로직, 프로그래밍 가능 로직, 마이크로코드, 프로세싱 디바이스 등), 소프트웨어(이를테면, 프로세싱 디바이스, 범용 컴퓨터 시스템, 또는 전용 기계 상에서 실행되는 명령들), 펌웨어, 마이크로코드 또는 이들의 조합을 지칭할 수 있다. 훈련 엔진(182)은 데이터 세트 생성기(174)로부터의 훈련 세트와 연관된 특징들의 하나 이상의 세트들을 사용하여 기계 학습 모델(190)을 훈련할 수 있을 수 있다. 훈련 엔진(182)은 하나 또는 다수의 훈련된 기계 학습 모델들(190)을 생성할 수 있으며, 각각의 훈련된 기계 학습 모델(190)은 훈련 세트의 별개의 특징들의 세트 및/또는 훈련 세트의 별개의 라벨들의 세트에 기초하여 훈련될 수 있다. 예컨대, 제1 훈련된 기계 학습 모델은 디지털 복제 도구(124)에 의해 출력된 자원 소비 데이터를 사용하여 훈련되었을 수 있고, 제2 훈련된 기계 학습 모델은 과거 생태 효율성 데이터(예컨대, 생태 효율성 데이터(114))를 사용하여 훈련되었을 수 있는 식이다.
[0067]
유효성 검증 엔진(184)은 데이터 세트 생성기(174)로부터의 유효성 검증 세트를 사용하여 훈련된 기계 학습 모델(190)을 유효성 검증할 수 있을 수 있다. 테스트 엔진(186)은 데이터 세트 생성기(174)로부터의 테스트 세트를 사용하여 훈련된 기계 학습 모델(190)을 테스트할 수 있을 수 있다.
[0068]
기계 학습 모델(들)(190)은 데이터 입력들 및, 일부 실시예에서, 대응하는 타깃 출력들(예컨대, 개개의 훈련 입력들에 대한 정답들)을 포함하는 훈련 세트를 사용하여 훈련 엔진(182)에 의해 생성되는 하나 이상의 훈련된 기계 학습 모델들을 지칭할 수 있다. 데이터 입력을 클러스터링하고 그리고/또는 데이터 입력을 타깃 출력(정답)에 매핑하는 데이터 세트들의 패턴들이 발견될 수 있으며, 기계 학습 모델(190)은 이러한 패턴들을 캡처하는 매핑들을 제공받고 그리고/또는 매핑들을 학습한다. 기계 학습 모델(들)(190)은 인공 신경망들, 심층 신경망들, 콘벌루션 신경망들, 순환 신경망들(예컨대, LSTM(long short term memory) 네트워크들, convLSTM 네트워크들 등) 및/또는 다른 유형들의 신경망들을 포함할 수 있다. 기계 학습 모델들(190)은 부가적으로 또는 대안적으로, 선형 회귀, 가우시안 회귀, 랜덤 포레스트들, 지원 벡터 기계들 등 중 하나 이상을 사용하는 기계 학습 모델들과 같은 다른 유형들의 기계 학습 모델들을 포함할 수 있다.
[0069]
수정 식별 컴포넌트(194)는 훈련된 기계 학습 모델(190)에 현재 데이터를 제공할 수 있고 입력 상에서 훈련된 기계 학습 모델(190)을 실행하여 하나 이상의 출력들을 획득할 수 있다. 수정 식별 컴포넌트(194)는 훈련된 기계 학습 모델(190)의 출력으로부터 결정들을 내리고 그리고/또는 동작들을 수행할 수 있을 수 있다. ML 모델 출력들은 ML 모델 출력들(예컨대, 수정 및 최적화 파라미터들)이 적용될 때, 제조 프로세스 및/또는 제조 장비의 선택의 전반적인 생태 효율성을 개선하는 수정들에 대응한다는 신뢰도 레벨을 표시하는 신뢰도 데이터를 포함할 수 있다. 수정 식별 컴포넌트(194)는 일부 실시예들에서 ML 모델 출력들에 기초하여 프로세스 레시피 수정들을 수행할 수 있다. 수정 식별 컴포넌트(194)는 ML 모델 출력들을 서버(120)의 하나 이상의 도구들에 제공할 수 있다.
[0070]
신뢰도 데이터는 ML 모델 출력이 올바르다는 신뢰도 레벨을 포함하거나 이를 표시할 수 있다(예컨대, ML 모델 출력은 훈련 데이터 항목과 연관된 알려진 라벨에 대응함). 일 예에서, 신뢰도 레벨은 0 내지 1(해당 수를 포함함)의 실수이며, 여기서 0은 ML 모델 출력이 올바르다는 신뢰도가 없음을 표시하고 1은 ML 모델 출력이 올바르다는 절대 신뢰도를 표시한다. 신뢰도 데이터가 미리 결정된 수의 인스턴스들(예컨대, 인스턴스들의 퍼센티지, 인스턴스들의 빈도, 인스턴스들의 총 수 등)에 대한 임계 레벨보다 낮은 신뢰도 레벨을 표시하는 것에 응답하여, 서버(120)는 훈련된 기계 학습 모델(190)이 재훈련되게 할 수 있다.
[0071]
제한보다는 예시의 목적으로, 본 개시내용의 양상들은 프로세스 레시피 데이터를 사용하고 제조 프로세스 및/또는 제조 장비의 현재 선택을 훈련된 기계 학습 모델에 입력하여 ML 모델 출력(특정 자원 소비의 타깃 생태 효율성과 같은 프로세스 수정 및 최적화 파라미터들)을 결정하는 기계 학습 모델의 훈련을 설명한다. 다른 구현들에서, 출력을 결정하기 위해 휴리스틱 모델 또는 규칙 기반 모델이 사용된다(예컨대, 훈련된 기계 학습 모델을 사용하지 않음).
[0072]
일부 실시예들에서, 제조 시스템(102), 클라이언트 디바이스(150), 기계 학습 시스템(170), 데이터 저장소(112) 및/또는 서버(120)의 기능들은 더 적은 수의 기계들에 의해 제공될 수 있다. 예컨대, 일부 실시예들에서, 서버 기계들(172, 180)은 단일 기계로 통합될 수 있는 반면, 일부 다른 실시예들에서, 서버 기계(172), 서버 기계(180) 및 서버 기계(192)가 단일 기계로 통합될 수 있다. 일부 실시예들에서, 서버(120), 제조 시스템(102) 및 클라이언트 디바이스(150)는 단일 기계로 통합될 수 있다.
[0073]
일반적으로, 제조 시스템(102), 클라이언트 디바이스(150) 및/또는 기계 학습 시스템(170)에 의해 수행되는 것으로 일 실시예에서 설명된 기능들은 적절한 경우 다른 실시예들에서, 서버(120) 상에서 또한 수행될 수 있다. 또한, 특정 컴포넌트에 귀속된 기능성은 함께 동작하는 상이한 또는 다수의 컴포넌트들에 의해 수행될 수 있다. 예컨대, 일부 실시예들에서, 서버(120)는 제조 데이터를 수신하고 기계 학습 동작들을 수행할 수 있다. 다른 예에서, 클라이언트 디바이스(150)는 훈련된 기계 학습 모델로부터의 출력에 기초하여 제조 데이터 프로세싱을 수행할 수 있다.
[0074]
또한, 특정 컴포넌트의 기능들은 함께 동작하는 상이한 또는 다수의 컴포넌트들에 의해 수행될 수 있다. 서버(120), 제조 시스템(102) 또는 기계 학습 시스템(170) 중 하나 이상은 적절한 API(application programming interface)들을 통해 다른 시스템들 또는 디바이스들에 제공되는 서비스로서 액세스될 수 있다.
[0075]
실시예들에서, "사용자"는 단일 개인으로서 표현될 수 있다. 그러나, 본 개시내용의 다른 실시예들은 복수의 사용자들 및/또는 자동화된 소스에 의해 제어되는 엔티티인 "사용자"를 포함한다. 예컨대, 관리자들의 그룹으로서 연합된 개별 사용자들의 세트는 "사용자"로 간주될 수 있다.
[0076]
도 2는 본 개시내용의 구현들이 동작할 수 있는 생태 효율성 지속 가능성 시스템 아키텍처(200)를 예시하는 블록도이다. 시스템 아키텍처(200)는 하나 이상의 서브컴포넌트들(204)(예컨대, 프로세싱 챔버들)과 함께 프로세싱 도구들(202)의 선택을 포함한다. 이전에 설명된 바와 같이, 프로세싱 도구들(202)은 기판들을 프로세싱하는 데 사용되는 다양한 제조 도구들을 포함한다. 라인(206)에서, 센서들은 제조 데이터(예컨대, 에너지 소비 센서 데이터, 가스들 및 물 소비 데이터 등)를 측정하여 공통 그라운드 아키텍처(208)로 송신한다. 공통 그라운드 아키텍처(208)는 제작 프로세스 단계들을 수행하고 프로세스 파라미터들(예컨대, 중요한 프로세스 파라미터, 기계 장비 진단 파라미터들, 또는 제조 프로세스를 다른 방식으로 표시하는 파라미터들)을 관리하도록 구성된 하나 이상의 제어 알고리즘을 포함할 수 있다.
[0077]
공통 그라운드 아키텍처(208)는 센서 데이터(예컨대, 유선 센서 및/또는 무선 센서들 이를테면, IOT(internet of things) 센서)를 데이터 관리 알고리즘(예컨대, 통합 알고리즘(210))에 송신할 수 있다. 통합 알고리즘(210)은 생태 효율성 특성화를 수행하기 위해 데이터의 일부를 선택하도록 프로세싱 도구들(202)로부터 수신된 제조 데이터를 파싱할 수 있다. 통합 알고리즘(210)은 제조 프로세스 단계들 및/또는 제조 장비의 선택에 대해 누적 생태 효율성 특성화를 수행하기 위해 데이터를 풀링(pull)한다. 선택된 데이터는 (예컨대, 각각의 서브컴포넌트(204)의) 프로세싱 도구(202)의 물리적 조건들을 결정하기 위해 물리 기반 모델(214)과 연관되어 사용될 수 있다. 데이터는 온보드 시퀀서 및/또는 플래너로부터 또는 오퍼레이터로부터 (예컨대, 라인(218)에서) 스케줄링 정보와 조합될 수 있다. 스케줄링 정보는 예정된 레시피들, 도구 유휴 상태들, 유지 관리 등을 표시하는 데이터를 포함할 수 있다.
[0078]
스케줄링 데이터와 조합된 제조 데이터의 선택은 물리 기반 모델(214)에 입력된다. 일부 실시예들에서, 물리 기반 모델은 기계적 모델이다. 기계적 모델은 스케줄링 정보 및 제조 데이터의 개별 데이터 포인트들의 작동들 및 데이터 결합의 물리적/기계적 표현을 결정하도록 개별 데이터 포인트들이 결합되는 방식을 검사한다. 일부 실시예들에서, 기계적 모델은 자원 소비의 예측을 결정하기 위해 데이터를 프로세싱하는 것을 포함할 수 있다. 예컨대, 기계적 모델은 제조 데이터를 프로세싱하여 자원 소비(예컨대, 물, 에너지, 가스 등) 예측 및/또는 환경 영향(예컨대, 대기에 진입되는 가스 또는 미립자 종들)을 결정할 수 있다. 기계적 모델은 과거 제조 데이터를 사용하여 생성될 수 있으며 예측을 결정하기 위해 현재 데이터 상에서 나중에 사용될 수 있다.
[0079]
일부 실시예들에서, 물리 기반 모델(들)(214)은 열역학, 유체 역학, 에너지 보존, 가스 법칙, 기계 시스템, 에너지 보존, 운송 및 전달 등과 같은 다양한 물리 관계들을 통합할 수 있다. 예컨대, 프로세싱 도구는 냉각 프로세스를 수행하기 위해 제조 장비 디바이스의 부분에 대한 냉각수 유동을 포함할 수 있다. 물리 모델은 열 전달과 유체 역학을 통합하여 원시 제조 데이터를 그의 생태 효율성에 대해 특성화될 수 있는 시스템 프로세스 데이터로 변환하기 위한 모델을 결정할 수 있다. 일부 실시예들에서, 물리 모델들은 임계 자원 소비 조건이 충족되는지를 결정하는 데 사용될 수 있다. 동일한 예에 따라, 유체의 유량을 결정하고 서브컴포넌트 내의 열 전달 레이트를 차례로 결정하기 위해 물리 모델이 사용될 수 있다. 이 열 전달 레이트가 임계 레이트 미만인 경우, 부가적인 에너지가 배기로 손실될 수 있다. 따라서 물리 모델은 유체 유량이 원하는 레벨의 생태 효율성을 유지하기 위해 원하는 유량 레벨 아래에서 동작하고 있다고 결정할 수 있다.
[0080]
일부 실시예들에서, 물리 기반 모델(들)(214)은 보조 또는 주변 장비 동작 자원 소비를 통합한다. 예컨대, 프로세싱 도구들(202)에 (예컨대, 공통 그라운드 아키텍처(208)를 사용하여) 제어 알고리즘들을 제공하기 위해 프로세싱 디바이스에 전력을 공급하는 에너지 소비가 있다. 보조 장비는 제조 장비에 근접하게 배치되지도 않고 단일 제조 프로세스와 직접적으로 연관되지도 않을 수 있지만, 물리 기반 모델(들)(214)을 사용하여 다양한 제조 프로세스 단계들(또는 개별 제조 프로세스들)에 대한 기여들로서 배분될 수 있다.
[0081]
일부 실시예들에서, 물리 모델의 사용에 부가로 또는 대안적으로, 통계 모델이 제조 데이터 상에서 사용된다. 통계 모델은 제조 데이터를 유효성 검증, 예측 및/또는 변환하기 위한 통계 동작들에 기초하여 데이터를 프로세싱하는 데 사용될 수 있다. 일부 실시예들에서, 통계 모델은 데이터에 대한 제어 한계들을 결정하고 이러한 제어 한계들에 기초하여 데이터가 보다 더 또는 덜 믿을 수 있는 것으로 식별하기 위해 SPC(statistical process control) 분석을 사용하여 생성된다. 일부 실시예들에서, 통계 모델은 단변량 및/또는 다변량 데이터 분석과 연관된다. 예컨대, 다양한 파라미터들이 통계 모델을 사용하여 분석되어 통계 프로세스들을 통해 패턴들 및 상관관계들(예컨대, 범위, 최소, 최대, 사분위수, 분산, 표준 편차 등)을 결정할 수 있다. 또 다른 예에서, 다수의 변수들 사이의 관계들은 회귀 분석, 경로 분석, 요인 분석, MCSPC(multivariate statistical process control) 및/또는 MANOVA(multivariate analysis of variance)를 사용하여 확인될 수 있다.
[0082]
일부 실시예들에서, 시스템 아키텍처(200)는 적응형 최적화 알고리즘(216)을 포함한다. 적응형 최적화 알고리즘(216)은 제조 프로세스들 및/또는 연관된 프로세스들을 수행하는 제조 장비의 선택들에 대한 수정을 결정하도록 물리 기반 모델(들)(214)과 함께 작동한다. 일부 실시예들에서, 적응형 최적화 알고리즘은 (예컨대, 라인(224)에서) 소프트웨어를 제어하기 위해 자동 최적화 커맨드들을 출력한다. 다른 실시예들에서, 적응형 최적화 알고리즘은 (예컨대, 라인(220)에서) 성능을 최적화하기 위한 제안들을 오퍼레이터에게 출력할 수 있다. 일부 실시예들에서, 적응형 최적화 알고리즘은 (예컨대, 라인(222)에서) 하드웨어 컴포넌트들에 지향되는 자동 최적화 커맨드들을 출력한다.
[0083]
일부 실시예들에서, 적응형 최적화 알고리즘(216)은 제조 프로세스들 및/또는 제조 장비에 대한 수정들을 결정하기 위해 기계 학습 모델을 사용한다. 기계 학습 모델은 훈련된 기계 학습 모델(예컨대, 방법들(700A-C)을 사용하여 훈련되고 실행됨)일 수 있다. 추가 실시예들에서 논의되는 바와 같이, 기계 학습 모델은 입력으로서 수신된 제조 프로세스들 및/또는 장비에 대한 수정들을 식별하기 위해 물리 기반 모델들과 함께 동작할 수 있다.
[0084]
시스템 아키텍처(200)는 통합 대시보드 GUI(212)를 포함할 수 있다. 통합 대시보드 GUI는 관련 제조 데이터(예컨대, 센서 데이터, 기계 장비 진단, 기계 장비 상태, 제작 프로세스 상태 등)를 디스플레이하도록 설계될 수 있다. 일부 실시예들에서, 통합 대시보드 GUI는 사용자로부터 입력을 수신하기 위한 방법들을 포함한다. 예컨대, 사용자는 제조 데이터를 입력하여(예컨대, 레시피 빌더 도구(128)를 사용함) 레시피를 생성할 수 있다. 이러한 부가적인 제조 데이터는 물리 기반 모델(들) 및 적응형 최적화 알고리즘(216) 중 하나 이상에 대한 입력으로서 사용될 수 있다.
[0085]
도 3은 제조 프로세스를 모니터링, 유지 및/또는 최적화하기 위한 예시적인 방법론(300)의 흐름도를 묘사한다. 예시적인 방법론은 두 부분들: 첫째, 기계 학습 모델을 훈련하는 것(324), 그리고 둘째, 제작 프로세스를 구현하는 것(324)으로 분할될 수 있다. 예시적인 방법론(300)은 일 실시예에서 기계 학습 모델(302), 도구 소프트웨어(306), 도구 하드웨어(308) 및 물리 모델(312)을 포함한다.
[0086]
일부 실시예들에서, 기계 학습 모델은 제조 프로세스 및/또는 제조 장비의 선택을 수신하고 제조 프로세스 및/또는 제조 장비에 대한 하나 이상의 수정을 출력하여 생태 효율성을 개선(예컨대, 자원 소비를 감소)시키는 것이다. 일부 실시예들에서, 물리 모델(312)은 (예컨대, 방법(700A)을 사용하여) 시뮬레이팅된 훈련/유효성 검증 데이터(320)를 생성하는 데 사용된다. 수신된 시뮬레이팅된 훈련/유효성 검증 데이터(320)에 응답하여, 기계 학습 모델(302)은 시뮬레이팅된 수정들(318)을 생성하며, 이는 물리 모델(312)로 리턴되고 유효성 검증될 수 있다. 기계 학습 모델(302)은 다양한 시뮬레이팅된 그리고/또는 실제 훈련/유효성 검증 데이터(320)에 대해 훈련된다. 일단 훈련되면, 기계 학습 모델(302)은 시스템에 의해 수행될 프로세스 레시피 및/또는 경험적 제작 시스템의 선택을 수신할 수 있다. 기계 학습 모델(302)은 도구 소프트웨어(306)를 구현하는 장비 제어기들(예컨대, 장비 제어기들(106))에 제작 프로세스 명령들 및/또는 수정들(304)을 출력한다. 이러한 수정들은 생태 효율성을 개선할 수 있다. 도구 소프트웨어(306)는 도구 하드웨어(308)에 제작 프로세스 명령들(314)을 제공한다. 도구 하드웨어(308)는 제작 프로세스를 구현한다. 도구 하드웨어는 도구 소프트웨어(306)를 구현하는 장비 제어기들에 센서 데이터를 다시 보고하는 센서들을 포함한다.
[0087]
일부 실시예들에서, 장비 제어기들은 도구 하드웨어의 하나 이상의 물리적 조건이 임계 조건을 위반하는 것(예컨대, 고온, 과압, 가스 누출, 전력 부족 등)으로 식별한다. 장비 제어기는 (예컨대, 기계 학습 모델(302)로부터의 출력에 기초하여) 위반 임계 조건을 완화하기 위해 제작 프로세스 명령들을 수정할 수 있다.
[0088]
도구 하드웨어(308)를 포함하는 제조 시스템은 경험적 훈련/유효성 검증(310)을 물리 모델(312)에 다시 보고한다. 그 후, 물리 모델은 업데이트될 수 있고, 시뮬레이팅된 훈련/유효성 검증 데이터(320)를 생성 및 업데이트할 수 있으며, 이는 기계 학습 모델의 추가 훈련에 사용될 수 있다.
[0089]
일부 실시예들에서, 물리 모델(들)(312)은 시뮬레이팅된 훈련/유효성 검증 데이터를 생성하지만, 다른 실시예들에서 물리 모델(들)은 제작 프로세스에 대한 수정들을 출력한다. 그러한 실시예에서, 기계 학습 모델은 제작 프로세스를 추가로 최적화하기 위한 수정들을 식별하기 위해 하이퍼 파라미터들(예컨대, 제조 데이터 파라미터들)을 튜닝하는 최적화 모델로서 사용될 수 있다. 예컨대, 제작 프로세스는 물리 모델(312)에 대한 입력으로서 사용될 수 있다. 그 후 기계 학습 모델은 제작 프로세스에 대한 잠재적 변경들(즉, 하이퍼 파라미터들)을 식별하기 위해 물리 모델(312)의 출력들을 프로세싱할 수 있다. 식별된 변경들은 대응하는 업데이트된 생태 효율성들을 결정하기 위해 물리 모델 상에서 실행될 수 있다. 이는 장비 설계 및/또는 레시피 설계를 미세 튜닝하기 위해 반복 프로세스에서 반복될 수 있다. 일 예에서, 최적화 모델은 일 인스턴스의 BFGS(Broyden-Fletcher-Goldfarb-Shanno) 알고리즘, CG(conjugate gradient) 알고리즘, 일 인스턴스의 넬더-미드(Nelder-Mead) 알고리즘 및/또는 MPC(model predictive control) 알고리즘을 사용하여 생성 및/또는 구현될 수 있다.
[0090]
도 4는 본 개시내용의 일부 구현들에 따른 예시적인 디지털 복제물(400)을 묘사한다. 디지털 복제물(400)은 제작 시스템 선택의 디지털 트윈을 포함할 수 있으며, 예컨대, 동일한 챔버들, 밸브들, 가스 전달 라인들, 재료들, 챔버 컴포넌트들 등을 포함하는 제작 시스템의 디지털 재생물(digital reproduction)을 포함할 수 있다. 디지털 복제물(400)은 입력으로서 제조 장비 프로세싱 데이터(예컨대, 센서 데이터)(404A-C) 및 프로세스 레시피들(404D)을 수신하고 제조 시스템의 물리적 조건들(406)을 출력할 수 있다. 일부 실시예들에서, 디지털 복제물(400)은 열역학, 유체 역학, 에너지 보존, 가스 법칙, 기계 시스템, 에너지 보존, 운송 및 전달 등과 같은 다양한 물리 관계들을 통합할 수 있는 물리 기반 모델을 포함한다.
[0091]
예컨대, 도 4에서 보여진 바와 같이, 디지털 복제물은 입력으로서, 제1 가스(404A)의 제1 가스 유동, 제2 가스(404B)의 제2 가스 유동, 제3 가스(404C)의 제3 가스 유동, 및 제1 프로세스 레시피(404D)를 수신한다. 디지털 복제물은 물리 기반 모델을 사용하여 가스 유동에 의해 챔버를 떠나는 에너지의 양을 추정한다. 예컨대, 모델은 배기의 온도 및 배기를 통과하는 총 에너지 유동을 결정한다. 다른 예에서, 동일한 디지털 복제물(400)은 챔버의 상이한 하드웨어 구성과 같은 생태 효율성 최적화 수정들을 출력할 수 있다(예컨대, 제1 라인 유형 A를 사용하는 것 대 제2 라인 유형 B를 사용하는 것). 디지털 복제물은 물, 공기 및 HVAC로의 열 손실에 영향을 미치는 시스템의 관련 부분을 식별하고 에너지 보존을 개선하기 위해 제안된 최적화를 식별할 수 있다.
[0092]
도 5는 본 개시내용의 일부 구현에 따라, 제작 프로세스 단계에 대한 동작 파라미터 제한(500)의 예시적인 예시이다. 다양한 제작 프로세스 단계들은, 충족되었을 때 임계 조건(예컨대, 최소 품질 조건)을 충족하는 결과를 달성하는 대응하는 파라미터들의 세트에 대한 값들의 세트(예컨대, 값들의 조합) 또는 프로세스 파라미터 윈도우(510)를 표시하는 동작 파라미터 제한들(500)을 포함할 수 있다. 예컨대, 프로세스 파라미터 윈도우(510)는 제1 파라미터(502)(예컨대, 제1 가스의 제1 유량) 및 제2 파라미터(504)(예컨대, 가스의 온도)를 포함할 수 있다. 제작 프로세스를 수행하고 임계 조건(예컨대, 최소 품질 표준, SPC(statistical process control) 제한들, 사양 제한들 등)을 충족하기 위해, 임계 조건을 충족할 가능성이 높은 제품을 야기하는 파라미터 값 조합들을 식별하는 프로세스 파라미터 값 윈도우(510)가 결정된다. 도 5에 도시된 바와 같이, 프로세스 파라미터 윈도우(510)는 제1 파라미터(502)에 대한 하한(506B) 및 상한(506A)뿐만 아니라 제2 파라미터에 대한 하한(508B) 및 상한(508A)을 포함한다.
[0093]
(예컨대, 적응형 최적화 알고리즘(216) 및/또는 물리 기반 모델(214)을 사용하여) 제조 프로세스 시스템에 의해 식별된 최적화들은, 상태 최적화된 프로세스 파라미터 윈도우(512) 외부의 프로세스 파라미터 값들과 비교하여 제조 동작이 감소된 양의 자원을 소비하게 하는, 프로세스 파라미터 윈도우(510) 내의 생태 최적화된 프로세스 파라미터 윈도우(512)를 결정하는 것을 포함할 수 있다.
[0094]
도 5는 단지 2개의 파라미터들(502, 504)에만 의존하는 단순화된 프로세스 파라미터 윈도우(510) 및 생태 최적화된 프로세스 파라미터 윈도우(512)를 묘사한다는 것이 주의되어야 한다. 프로세스 파라미터 윈도우(510) 및 생태 최적화된 프로세스 파라미터 윈도우(512) 둘 모두는 단순한 직사각형들을 형성한다. 프로세스 파라미터 윈도우는 2개 초과의 파라미터들을 포함할 수 있고 보다 다양한 파라미터 종속성들을 포함할 수 있다. 예컨대, 파라미터들 간의 비선형 물리 기반 관계는 비선형 프로세스 파라미터 윈도우들 및 상태 최적화된 프로세스 파라미터 윈도우들을 야기할 수 있다.
[0095]
도 6 및 도 7a 내지 도 7c는 본 개시내용의 일부 구현에 따라 제작 프로세스들의 환경 자원 소비 및/또는 환경 영향과 연관하여 기계 학습 모델들을 훈련 및/또는 사용하는 것과 관련된 예시적인 방법들(600 내지 700A-C)을 예시하는 흐름도들을 묘사한다. 설명의 단순화를 위해, 방법들(600 내지 700A-C)은 일련의 액트(act)들로서 묘사되고 설명된다. 그러나, 본 개시내용에 따른 액트들은 다양한 순서들로 그리고/또는 동시에, 그리고 본원에서 제시 및 설명되지 않은 다른 액트들과 함께 발생할 수 있다. 더욱이, 개시된 청구 대상에 따라 방법들(600 내지 700A-C)을 구현하기 위해 예시된 모든 액트들이 수행되진 않을 수 있다. 또한, 당업자들은 방법들(600 내지 700A-C)이 상태도 또는 이벤트들을 통해 일련의 상호 관련된 상태들로서 대안적으로 표현될 수 있다는 것을 이해하고 인식할 것이다.
[0096]
도 6은 본 개시내용의 일부 구현에 따라 제조 프로세스에 대한 수정들을 식별하기 위한 방법(600)의 예시적인 예시이다. 방법(600)은 하드웨어(회로부, 전용 로직 등), 소프트웨어(이를테면, 범용 컴퓨터 시스템 또는 전용 기계에서 실행됨), 또는 이들의 임의의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행된다. 일 구현에서, 방법은 도 1의 서버(120) 및 훈련된 기계 학습 모델(190)을 사용하여 수행되는 반면, 일부 다른 구현들에서, 도 6의 하나 이상의 블록들은 도면들에 묘사되지 않은 하나 이상의 다른 기계들에 의해 수행될 수 있다.
[0097]
방법(600)은 제1 제작 프로세스 또는 제1 제작 프로세스의 제조 동작들을 수행하고 생태 효율성을 개선(자원 소비 및/또는 환경 영향을 감소)하기 위한 수정들 및/또는 최적화들을 식별하기 위한 제1 제조 장비 중 적어도 하나의 선택을 수신하는 단계를 포함할 수 있다. 제작 프로세스는 제조 시스템(예컨대, 도 1의 제조 시스템(102))과 연관될 수 있다.
[0098]
블록(601)에서, 프로세싱 로직은 제1 제작 프로세스 또는 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비(예컨대, 도 2의 도구들(202) 및 서브컴포넌트들(204)) 중 적어도 하나의 제1 선택을 수신한다.
[0099]
블록(602)에서, 프로세싱 로직은 제1 제조 장비의 디지털 복제물(예컨대, 도 4의 디지털 복제물(400))에 제1 선택을 입력한다. 일부 실시예들에서, 디지털 복제물은 물리 기반 모델(예컨대, 도 2의 물리 기반 모델(214))을 포함할 수 있다.
[00100]
블록(603)에서, 프로세싱 로직은 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 물리적 조건들에 기초하여 제1 제작 프로세스의 제1 환경 자원 소비 및/또는 환경 영향을 표시하는 환경 자원 사용량 데이터를 결정한다. 일부 실시예들에서, 환경 자원 사용량 데이터는 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비와 연관된 에너지 소비, 가스 소비 또는 물 소비 중 적어도 하나를 포함한다.
[00101]
일부 실시예들에서, 프로세싱 로직은 기계 학습 모델에 대한 입력으로서 환경 자원 사용량 데이터를 사용한다. 프로세싱 로직은 기계 학습 모델의 하나 이상의 출력들을 획득하는 것을 더 포함하고 여기서 하나 이상의 출력들은 수정을 표시한다. 일부 실시예들에서, 기계 학습 모델의 하나 이상의 출력들은, 수정이 수행될 때, 제작 프로세스의 제1 환경 자원 소비 및/또는 환경 영향을 감소시킨다는 신뢰도 레벨을 추가로 표시할 수 있다. 프로세싱 로직은 추가로 수정에 대한 신뢰도 레벨이 임계 조건을 충족하는 것으로 결정한다.
[00102]
일부 실시예들에서, 제1 환경 자원 소비 및/또는 환경 영향은 제1 제조 장비의 소모성 부분의 교체 절차 또는 유지 절차 중 하나와 연관된 환경 자원 소비 및/또는 환경 영향을 포함한다.
[00103]
일부 실시예들에서, 환경 자원 사용량 데이터는 제조 장비와 연관된 컴포넌트의 라이프 사이클 데이터를 포함한다. 수정은 컴포넌트와 연관된 정정 액션을 수행하는 것을 더 포함할 수 있다.
[00104]
블록(604)에서, 프로세싱 로직은 제1 제조 장비 상에서 실행되는 제1 제작 프로세스의 환경 자원 소비 및/또는 환경 영향(예컨대, 단위당 자원 소비)을 감소시키는, 제1 제작 프로세스에 대한 수정을 결정한다. 일부 실시예들에서, 수정은 제작 프로세스 단계 및/또는 제조 장비 프로세싱 파라미터들 중 하나 이상을 변경하는 것을 포함한다. 일부 실시예들에서, 수정은 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비의 에너지 소비, 가스 소비 또는 물 소비 중 하나 이상의 우선순위 최적화와 연관된다.
[00105]
블록(605)에서, 프로세싱 로직은 선택적으로, 제작 프로세스에 수정을 적용한다. 블록(606)에서, 프로세싱 로직은 선택적으로, GUI(graphical user interface)에 의해 디스플레이를 위해 수정을 제공한다. 일부 실시예들에서, GUI(graphical user interface) 상의 프리젠테이션을 위해(예컨대, 시스템 오퍼레이터와 같은 사용자에게의 프리젠테이션을 위해) 다수의 수정들이 결정되고 제공된다. 일부 실시예들에서, 수정들은 신뢰도 레벨에 의한 랭크 순서로 사용자에게 제시된다. 일부 실시예들에서, 수정들은 각각의 규정 액션(prescriptive action)과 연관된 신뢰도 레벨을 표현하는 시각적 표시기로 사용자에게 제시된다. 예컨대, 가장 높은 신뢰도 레벨을 갖는 하나 이상의 수정들은 제1 컬러(예컨대, 녹색 또는 금색)로 묘사될 수 있고 임계 레벨에 가까운 신뢰도 레벨을 갖는 하나 이상의 수정들은 제2 컬러(예컨대, 노란색 또는 은색)로 묘사될 수 있다. 일부 실시예들에서, 수정들은 연관된 신뢰도 레벨들에 기초하여 티어들 또는 그룹들로 배치될 수 있다.
[00106]
일부 실시예들에서, 프로세싱 로직은 추가로, 환경 자원 사용량 데이터에 기초하여 제1 선택이 임계 생태 효율성을 충족하지 못하는 것으로 결정할 수 있다. 프로세싱 로직은 추가로, 제1 선택이 임계 생태 효율성을 충족시키지 못한다는 결정에 응답하여 제1 선택의 최적화를 수행할 수 있다. 제1 선택의 최적화를 수행하는 것은, 적용될 때, 임계 생태 효율성을 충족하는 업데이트된 생태 효율성을 야기하는, 제1 선택에 대한 하나 이상의 수정들을 식별하는 것을 포함한다.
[00107]
일부 실시예들에서 프로세싱 로직은 추가로, 제2 제작 프로세스에서 제2 제조 동작들을 수행하기 위해 제조 장비의 제2 선택을 수신하는 것이다. 프로세싱은 제조 장비의 제2 선택과 연관된 하나 이상의 센서들로부터, 제2 제조 동작들과 연관된 제2 센서 데이터를 수신할 수 있다. 프로세싱 로직은 추가로, 업데이트된 디지털 복제물을 생성하기 위해 디지털 복제물을 업데이트할 수 있으며, 여기서 업데이트된 디지털 복제물은 제조 장비의 제1 선택 및 제2 선택과 연관된다. 프로세싱 로직은 추가로, 디지털 복제물로부터, 제1 선택 및 제2 선택의 환경 자원 소비 및/또는 환경 영향(예컨대, 단위당 소비 및/또는 영향)을 표시하는 집계된 환경 자원 데이터를 포함하는 하나 이상의 출력들을 획득할 수 있다.
[00108]
도 7a 내지 도 7c는 본 개시내용의 일부 구현들에 따라 제조 프로세스에 대한 수정들을 식별하는 것과 연관된 방법들(700A-C)의 흐름도들이다. 방법들(700A-C)은, 하드웨어(예컨대, 회로부, 전용 로직, 프로그래밍 가능 로직, 마이크로코드, 프로세싱 디바이스 등), 소프트웨어(이를테면, 프로세싱 디바이스, 범용 컴퓨터 시스템, 또는 전용 기계 상에서 실행되는 명령들), 펌웨어, 마이크로코드 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해 수행될 수 있다. 일부 실시예들에서, 방법(700A)은 부분적으로 기계 학습 시스템(170)(예컨대, 서버 기계(172), 데이터 세트 생성기(174) 등)에 의해 수행될 수 있다. 기계 학습 시스템(170)은 본 개시내용의 실시예들에 따라 기계 학습 모델을 훈련, 유효성 검증 또는 테스트하는 것 중 적어도 하나를 위해 방법(700A)을 사용할 수 있다. 일부 실시예들에서, 방법(700A)의 하나 이상의 동작들은 서버 기계(172)의 데이터 세트 생성기(174)에 의해 수행될 수 있다. 일부 실시예들에서, 방법들(700B-C)은 부분적으로 기계 학습 시스템(170)(예컨대, 서버 기계(172), 서버 기계(180) 및 서버 기계(192 등))에 의해 수행될 수 있다. 기계 학습 시스템(170)은 본 개시내용의 실시예들에 따라 기계 학습 모델을 훈련하기 위해 방법(700B)을 사용할 수 있다. 기계 학습 시스템(170)은 본 개시내용의 실시예들에 따라 훈련된 기계 학습 모델을 사용하기 위해 방법(700C)을 사용할 수 있다. 일부 실시예들에서, 방법들(700B-C)의 하나 이상의 동작들은 기계 학습 시스템(170)의 수정 식별 컴포넌트(194)에 의해 수행될 수 있다. 도 1 내지 도 6 중 하나 이상과 관련하여 설명된 컴포넌트들은 도 7a 내지 도 7c의 양상들을 예시하기 위해 사용될 수 있다는 것이 주의될 수 있다. 일부 실시예들에서, 비일시적 저장 매체는 (예컨대, 기계 학습 시스템(170)의) 프로세싱 디바이스에 의해 실행될 때, 프로세싱 디바이스가 방법들(700A-C)을 수행하게 하는 명령들을 저장한다.
[00109]
설명의 단순화를 위해, 방법들(700A-C)은 일련의 액트들로서 묘사되고 설명된다. 그러나 본 개시내용에 따른 액트들은 다양한 순서들로 동시에, 저장소당 다수의 인스턴스들과 병렬로, 그리고/또는 본원에서 제시 및 설명되지 않은 다른 액트들과 함께 발생할 수 있다. 더욱이, 개시된 청구 대상에 따라 방법들(700A-C)을 구현하기 위해 예시된 모든 액트들이 수행되진 않을 수 있다. 또한, 당업자들은 방법들(700A-C)이 상태도 또는 이벤트들을 통해 일련의 상호 관련된 상태들로서 대안적으로 표현될 수 있다는 것을 이해하고 인식할 것이다.
[00110]
도 7a를 참조하면, 방법(700A)은 입력들에 대한 수정들을 식별하기 위해 제작 프로세스들 및/또는 제조 장비의 선택들을 프로세싱하기 위한 기계 학습 모델에 대한 데이터 세트를 생성하는 것과 연관된다.
[00111]
블록(702)에서, 프로세싱 로직 구현 방법(700A)은 트레이닝 세트(T)를 빈 세트로 초기화한다.
[00112]
블록(704)에서, 프로세싱 로직은 제작 프로세스들 및 제조 장비의 선택들을 포함하는 제1 데이터 입력(예컨대, 제1 훈련 입력, 제1 유효성 검증 입력)을 생성한다.
[00113]
일부 실시예들에서, 블록(706)에서, 프로세싱 로직은 데이터 입력들(예컨대, 제1 데이터 입력) 중 하나 이상에 대한 제1 타깃 출력을 생성한다. 제1 타깃 출력은 예컨대, 제작 프로세스 및/또는 제조 장비에 대한 수정일 수 있다. 프로세싱 로직은 제작 프로세스 및/또는 제조 장비의 입력 선택에 기초하여 타깃 출력을 생성할 수 있다.
[00114]
블록(708)에서, 프로세싱 로직은 선택적으로, 입력/출력 매핑을 표시하는 매핑 데이터를 생성한다. 입력/출력 매핑(또는 매핑 데이터)은 데이터 입력(예컨대, 본원에서 설명된 데이터 입력들 중 하나 이상), 데이터 입력에 대한 타깃 출력(예컨대, 여기서 타깃 출력은 출력 데이터를 식별함), 및 데이터 입력(들)과 타깃 출력 간의 연관성을 지칭할 수 있다. 프로세싱 로직은 예컨대, 기계 학습 모델의 하나 이상의 층들에서 노드들에 대한 가중치들을 업데이트하기 위해 경사 하강법 및 역 전파를 수행할 수 있다.
[00115]
블록(710)에서, 프로세싱 로직은 블록(704)에서 생성된 데이터 입력 및/또는 블록(708)에서 생성된 매핑 데이터를 데이터 세트(T)에 추가한다.
[00116]
블록(712)에서, 프로세싱 로직은 데이터 세트(T)가 기계 학습 모델(190)을 훈련하고, 유효성 검증하고 그리고/또는 테스트하는 것 중 적어도 하나에 대해 충분한지에 기초하여 분기된다. 만약 그렇다면, 실행은 블록(714)으로 진행되고, 그렇지 않으면 실행은 블록(704)에서 다시 계속된다. 일부 실시예들에서, 데이터 세트(T)의 충분성이 단순히 데이터 세트 내의 입력/출력 매핑들 수에 기초하여 결정될 수 있는 반면, 일부 다른 구현들에서, 데이터 세트(T)의 충분성은 입력/출력 매핑들의 수에 더하여 또는 그 대신에, 하나 이상의 다른 기준들(예컨대, 데이터 예들의 다양성의 척도, 정확도 등)에 기초하여 결정될 수 있다.
[00117]
블록(714)에서 프로세싱 로직은 기계 학습 모델(190)을 훈련, 유효성 검증 및/또는 테스트하기 위해 데이터 세트(T)를 (예컨대, 서버 기계(180)에) 제공한다. 일부 실시예들에서, 데이터 세트(T)는 훈련 세트이고 훈련을 수행하기 위해 서버 기계(180)의 훈련 엔진(182)에 제공된다. 일부 실시예들에서, 데이터 세트(T)는 유효성 검증 세트이고 유효성 검증을 수행하기 위해 서버 기계(180)의 유효성 검증 엔진(184)에 제공된다. 일부 실시예들에서, 데이터 세트(T)는 테스트 세트이고 테스트를 수행하기 위해 서버 기계(180)의 테스트 엔진(186)에 제공된다. 예컨대, 신경망의 경우, 주어진 입력/출력 매핑의 입력 값들(예컨대, 데이터 입력들과 연관된 수치 값들)은 신경망에 입력되고, 입력/출력 매핑의 출력 값들(예컨대, 타깃 출력들과 연관된 수치 값들)은 신경망의 출력 노드들에 저장된다. 그 후, 신경망의 연결 가중치들은 학습 알고리즘(예컨대, 역 전파 등)에 따라 조정되고 데이터 세트(T)의 다른 입력/출력 매핑들에 대해 절차가 반복된다. 블록(714) 이후, 기계 학습 모델(예컨대, 기계 학습 모델(190))은 서버 기계(180)의 훈련 엔진(182)을 사용하여 훈련되는 것, 서버 기계(180)의 유효성 검증 엔진(184)을 사용하여 유효성 검증되는 것, 또는 서버 기계(180)의 테스트 엔진(186)을 사용하여 테스트되는 것 중 적어도 하나일 수 있다. 훈련된 기계 학습 모델은 서버(120) 절차들(예컨대, 컴포넌트 통합 도구(122), 디지털 복제 도구(124), 최적화 도구(126), 레시피 빌더 도구(128) 및/또는 자원 소비 도구(130))에 의한 추가 사용을 위해 출력 데이터를 생성하기 위해 (기계 학습 시스템(170)의) 수정 식별 컴포넌트(194)에 의해 구현될 수 있다.
[00118]
도 7b를 참조하면, 방법(700B)은 생태 효율성을 개선하는 제작 프로세스들 및/또는 제조 장비에 대한 수정들을 결정하기 위한 기계 학습 모델을 훈련하는 것과 연관된다.
[00119]
블록(720)에서 프로세싱 로직은 제작 프로세스 또는 제조 장비의 선택을 수신한다.
[00120]
일부 실시예들에서, 블록(722)에서, 프로세싱 로직은 제작 프로세스들에 대한 수정들에 대응하는 라벨들을 식별한다. 일부 실시예들에서, 라벨들은 제조 장비 조각 및/또는 제작 프로세스에 대한 수정 및 환경 자원 소비 및/또는 환경 영향의 연관된 감소를 표시한다.
[00121]
블록(724)에서, 프로세싱 로직은 환경 자원 소비 및/또는 환경 영향을 감소시키기 위해 제작 프로세스들에 적용될 수 있는 출력들(예컨대, 수정들)을 생성하도록 구성된 훈련된 기계 학습 모델을 생성하기 위해 제작 프로세스 데이터를 포함하는 데이터 입력(예컨대, 및 라벨들을 포함하는 타깃 출력)을 사용하여 기계 학습 모델을 훈련한다.
[00122]
일부 실시예들에서, 기계 학습 모델은 (예컨대, 데이터를 클러스터링하기 위해) 비지도 학습을 사용하여 훈련된 기계 학습 모델을 생성하기 위해 데이터 입력(예컨대, 타깃 출력 없이)에 기초하여 훈련된다. 일부 실시예들에서, 기계 학습 모델은 지도 학습을 사용하여 훈련된 기계 학습 모델을 생성하기 위해 데이터 입력 및 타깃 출력에 기초하여 훈련된다.
[00123]
도 7c를 참조하면, 방법(700C)은 생태 효율성을 개선(예컨대, 최적화)하기 위해(예컨대, 환경 자원 소비 및/또는 환경 영향을 감소시키기 위해) 제작 프로세스들 및/또는 제조 장비에 대한 수정들을 결정하기 위한 기계 학습 모델을 사용하는 것과 연관된다.
[00124]
블록(740)에서 프로세싱 로직은 현재 제작 프로세스 데이터를 수신한다. 블록(742)에서 프로세싱 로직은 훈련된 기계 학습 모델에 현재 데이터(예컨대, 제작 프로세스 데이터)를 제공한다. 훈련된 기계 학습 모델은 방법(700B)에 의해 훈련될 수 있다.
[00125]
블록(744)에서, 프로세싱 로직은 훈련된 기계 학습 모델로부터, 하나 이상의 출력들을 획득한다. 일부 실시예들에서, 출력들은 구현될 때, 제작 프로세스 및/또는 제조 장비의 생태 효율성을 개선할 제작 프로세스 및/또는 제조 장비에 대한 수정들을 포함한다. 블록(746)에서 프로세싱 로직은 출력(들)에 기초하여, 제작 프로세스에 대한 하나 이상의 제작 프로세스 수정들의 적용을 야기한다.
[00126]
도 8은 본 개시내용의 하나 이상의 양상들에 따라 동작하는 예시적인 컴퓨팅 디바이스의 블록도를 묘사한다. 다양한 예시적인 예들에서, 컴퓨팅 디바이스(800)의 다양한 컴포넌트들은 도 1에 예시된 클라이언트 디바이스(150), 서버(120), 데이터 저장소(112) 및 기계 학습 시스템(170)의 다양한 컴포넌트들을 표현할 수 있다.
[00127]
예시적인 컴퓨팅 디바이스(800)는 (예컨대, 클라우드 환경, 클라우드 기술 및/또는 에지 컴퓨팅을 사용하여) LAN, 인트라넷, 엑스트라넷 및/또는 인터넷에서 다른 컴퓨터 디바이스들에 연결될 수 있다. 컴퓨팅 디바이스(800)는 클라이언트-서버 네트워크 환경에서 서버로서 동작할 수 있다. 컴퓨팅 디바이스(800)는 PC(personal computer), STB(set-top box), 서버, 네트워크 라우터, 스위치 또는 브리지, 또는 디바이스에 의해 행해질 액션들을 특정하는 명령들의 세트를 (순차적으로 또는 다른 방식으로) 실행할 수 있는 임의의 디바이스일 수 있다. 게다가, 단일 예시적인 컴퓨팅 디바이스만이 예시되어 있지만, "컴퓨터"라는 용어는 또한, 본원에서 논의되는 방법들 중 임의의 하나 이상을 수행하도록 명령들의 세트(또는 다수의 세트들)를 개별적으로 또는 공동으로 실행하는 컴퓨터들의 임의의 집합을 포함하는 것으로 이해될 것이다.
[00128]
예시적인 컴퓨팅 디바이스(800)는, 프로세싱 디바이스(802)(프로세서 또는 CPU로서 또한 지칭됨), 메인 메모리(804)(예컨대, ROM(read-only memory), 플래시 메모리, DRAM(dynamic random access memory), 이를테면 SDRAM(synchronous DRAM) 등), 정적 메모리(806)(예컨대, 플래시 메모리, SRAM(static random access memory) 등), 및 보조 메모리(예컨대, 데이터 저장 디바이스(818))를 포함할 수 있고, 이들은 버스(830)를 통해 서로 통신할 수 있다.
[00129]
프로세싱 디바이스(802)는 마이크로프로세서, 중앙 프로세싱 유닛 등과 같은 하나 이상의 범용 프로세싱 디바이스들을 표현한다. 보다 구체적으로, 프로세싱 디바이스(802)는 CISC(complex instruction set computing) 마이크로프로세서, RISC(reduced instruction set computing) 마이크로프로세서, VLIW(very long instruction word) 마이크로프로세서, 다른 명령 세트들을 구현하는 프로세서 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세싱 디바이스(802)는 또한, 하나 이상의 특수-목적 프로세싱 디바이스들, 이를테면, ASIC(application specific integrated circuit), FPGA(field programmable gate array), DSP(digital signal processor), 네트워크 프로세서 등일 수 있다. 본 개시내용의 하나 이상의 양상들에 따르면, 프로세싱 디바이스(802)는 도 6 및 도 7에 예시된 방법들(600-700A-C)을 구현하는 명령들을 실행하도록 구성될 수 있다.
[00130]
예시적인 컴퓨팅 디바이스(800)는 네트워크(820)에 통신 가능하게 결합될 수 있는 네트워크 인터페이스 디바이스(808)를 더 포함할 수 있다. 예시적인 컴퓨팅 디바이스(800)는 비디오 디스플레이 유닛(810)(예컨대, LCD(liquid crystal display), 터치 스크린 또는 CRT(cathode ray tube), 영숫자(alphanumeric) 입력 디바이스(812)(예컨대, 키보드), 커서 제어 디바이스(814)(예컨대, 마우스), 및 음향 신호 생성 디바이스(816)(예컨대, 스피커)를 더 포함할 수 있다.
[00131]
데이터 저장 디바이스(818)는 실행 가능 명령들의 하나 이상의 세트들(822)이 저장된 기계 판독 가능 저장 매체(또는 더 구체적으로 비-일시적 기계 판독 가능 저장 매체)(828)를 포함할 수 있다. 본 개시내용의 하나 이상의 양상들에 따르면, 실행 가능한 명령들(822)은 도 6 및 도 7에 예시된 실행 방법들(600-700A-C)과 연관된 실행 가능한 명령들을 포함할 수 있다.
[00132]
실행 가능 명령들(822)은 또한, 예시적인 컴퓨팅 디바이스(800)에 의한 그 명령들의 실행 동안에 프로세싱 디바이스(802) 내에 그리고/또는 메인 메모리(804) 내에 완전히 또는 적어도 부분적으로 상주할 수 있고, 메인 메모리(804) 및 프로세싱 디바이스(802)는 또한, 컴퓨터-판독 가능 저장 매체들을 구성한다. 실행 가능 명령들(822)은 추가로, 네트워크 인터페이스 디바이스(808)를 통하여 네트워크를 통해 송신 또는 수신될 수 있다.
[00133]
컴퓨터-판독 가능 저장 매체(828)가 단일 매체인 것으로 도 8에서 도시되지만, "컴퓨터-판독 가능 저장 매체"라는 용어는 동작 명령들의 하나 이상의 세트들을 저장하는 단일 매체 또는 다수의 매체들(예컨대, 중앙 집중형 또는 분산형 데이터베이스 및/또는 연관된 캐시들 및 서버들)을 포함하는 것으로 이해되어야 한다. "컴퓨터-판독 가능 저장 매체"라는 용어는 또한, 기계로 하여금 본원에서 설명되는 방법들 중 임의의 하나 이상을 수행하게 하는, 기계에 의한 실행을 위한 명령들의 세트를 저장 또는 인코딩할 수 있는 임의의 매체를 포함하는 것으로 이해될 것이다. 그에 따라, "컴퓨터-판독 가능 저장 매체"라는 용어는 솔리드-스테이트 메모리들, 및 광학 및 자기 매체들을 포함하는(그러나 이에 제한되지는 않음) 것으로 이해될 것이다.
[00134]
위의 상세한 설명의 일부 부분들은 컴퓨터 메모리 내에서 데이터 비트들에 대한 동작들의 기호적 표현들 및 알고리즘들의 관점에서 제시된다. 이들 알고리즘 설명들 및 표현들은, 데이터 프로세싱 기술 분야의 당업자에 의해, 이들의 작업의 내용을 다른 당업자에게 가장 효과적으로 전달하기 위해 사용되는 수단이다. 여기서 그리고 일반적으로, 알고리즘은 원하는 결과에 이르는 단계들의 자기-완전성 시퀀스(self-consistent sequence)인 것으로 이해된다. 단계들은 물리량의 물리적 조작들을 요구하는 것들이다. 반드시 그러한 것은 아니지만, 일반적으로, 이들 양들은 저장, 전송, 조합, 비교, 및 다른 방식으로 조작될 수 있는 전기 또는 자기 신호들의 형태를 취한다. 주로 공통적인 사용의 이유로, 이들 신호들을 비트들, 값들, 엘리먼트들, 기호들, 캐릭터들, 항들, 수들 등으로서 지칭하는 것이 때때로 편리한 것으로 입증되었다.
[00135]
그러나, 이들 및 유사한 용어들 모두는 적절한 물리적 양들과 연관될 것이고, 그리고 단지 이들 양들에 적용되는 편리한 레이블들일 뿐이라는 것이 유념되어야 한다. 다음 논의들로부터 명백한 바와 같이 달리 구체적으로 언급되지 않으면, 설명 전반에 걸쳐, "식별하는", "결정하는", "저장하는", "조정하는", "야기하는", "리턴하는", "비교하는", "생성하는", "중지하는", "로딩하는", "카피하는", "쓰로잉하는", "대체하는", "수행하는" 등과 같은 용어들을 활용한 논의들은, 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(전자적) 양들로서 표현되는 데이터를, 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 이러한 정보 저장, 송신 또는 디스플레이 디바이스들 내의 물리적 양들로서 유사하게 표현되는 다른 데이터로 조작 및/또는 변형하는 컴퓨터 시스템, 또는 유사한 전자 컴퓨팅 디바이스의 액션(action)들 및 프로세스들을 지칭한다는 것이 인지된다.
[00136]
본 개시내용의 예들은 또한 본원에서 설명된 방법들을 수행하기 위한 장치에 관한 것이다. 이 장치는 요구된 목적들을 위해 특별히 구성될 수 있거나 컴퓨터 시스템에 저장된 컴퓨터 프로그램에 의해 선택적으로 프로그래밍되는 범용 컴퓨터 시스템일 수 있다. 그러한 컴퓨터 프로그램은 컴퓨터 판독 가능 저장 매체 이를테면(그러나 이에 제한되지 않음), 광학 디스크들, 콤팩트 디스크, CD-ROM(compact disc read only memory)들 및 자기-광학 디스크들을 포함하는 임의의 유형의 디스크, ROM(read-only memory)들, RAM(read-only memory)들, EPROM(erasable programmable read-only memory)들, EEPROM(electrically erasable programmable read-only memory)들, 자기 디스크 저장 매체들, 광학 저장 매체들, 플래시 메모리 디바이스들, 다른 유형의 기계 액세스 가능 저장 매체들 또는 전자 명령들을 저장하는 데 적합한 모든 유형의 매체들에 저장될 수 있으며, 이들 각각은 컴퓨터 시스템 버스에 결합된다.
[00137]
본원에서 제시된 방법들 및 디스플레이들은 본질적으로 임의의 특정 컴퓨터 또는 다른 장치와 관련되지 않는다. 다양한 범용 시스템들이 본원의 교시내용들에 따라 프로그램들과 함께 사용될 수 있거나, 또는 요구되는 방법 단계들을 수행하기 위해 더 특수화된 장치를 구성하는 것이 편리한 것으로 나타날 수 있다. 이러한 다양한 시스템에 대해 요구되는 구조는 아래 설명에 기술된 대로 나타날 것이다. 또한, 본 개시내용의 범위는 임의의 특정 프로그래밍 언어로 제한되지 않는다. 다양한 프로그래밍 언어들은 본 개시내용의 교시내용들을 구현하기 위해 사용될 수 있다는 것이 인지될 것이다.
[00138]
위의 설명은 예시적인 것으로 의도되고, 제한적인 것으로 의도되지 않는다는 것이 이해될 것이다. 위의 설명을 판독 및 이해할 시에, 다수의 다른 구현 예들이 당업자들에게 명백할 것이다. 본 개시내용이 특정 예들을 설명하지만, 본 개시내용의 시스템들 및 방법들은 본원에서 설명된 예들로 제한되지 않고 첨부된 청구항들의 범위 내에서 수정들이 가해져 실시될 수 있음을 인식할 것이다. 따라서, 명세서 및 도면들은 제한적인 의미가 아니라 예시적인 의미로 간주되어야 한다. 따라서, 본 개시내용의 범위는, 첨부된 청구항들이 권리를 가지는 등가물들의 전체 범위와 함께 그러한 청구범위들을 참조하여 결정되어야 한다.
Claims (20)
- 방법으로서,
프로세싱 디바이스에 의해, 제1 제작 프로세스 또는 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비 중 적어도 하나의 제1 선택을 수신하는 단계;
상기 제1 제조 장비의 디지털 복제물에 상기 제1 선택을 입력하는 단계 ― 상기 디지털 복제물은 상기 제1 제작 프로세스의 물리적 조건들을 출력함 ―;
상기 제1 제작 프로세스의 물리적 조건들에 기초하여 상기 제1 제조 장비 상에서 실행되는 상기 제1 제작 프로세스의 제1 환경 자원 소비를 표시하는 환경 자원 사용량 데이터를 결정하는 단계;
상기 프로세싱 디바이스에 의해, 상기 제1 제조 장비 상에서 실행되는 상기 제1 제작 프로세스의 환경 자원 소비를 감소시키는, 상기 제1 제작 프로세스에 대한 수정을 결정하는 단계; 및
a) 상기 제1 제작 프로세스에 상기 수정을 적용하는 것 또는 b) GUI(graphical user interface)에 의한 디스플레이를 위해 상기 수정을 제공하는 것 중 적어도 하나를 수행하는 단계를 포함하는,
방법. - 제1 항에 있어서,
상기 수정을 결정하는 단계는,
기계 학습 모델에 대한 입력으로서 상기 환경 자원 사용량 데이터를 사용하는 단계; 및
상기 기계 학습 모델의 하나 이상의 출력들을 획득하는 단계를 포함하고,
상기 하나 이상의 출력들은 상기 수정을 표시하는,
방법. - 제2 항에 있어서,
상기 하나 이상의 출력들은 추가로, 상기 수정이 수행될 때, 상기 제작 프로세스의 제1 환경 자원 소비를 감소시킨다는 신뢰도 레벨을 표시하고,
상기 방법은,
상기 수정에 대한 신뢰도 레벨이 임계 조건을 충족하는 것으로 결정하는 단계를 더 포함하는,
방법. - 제1 항에 있어서,
상기 환경 자원 사용량 데이터에 기초하여 상기 제1 선택이 임계 생태 효율성(threshold eco-efficiency)을 충족하지 못하는 것으로 결정하는 단계; 및
상기 제1 선택이 상기 임계 생태 효율성을 충족하지 못하는 것으로 결정한 것에 대한 응답으로, 상기 제1 선택의 최적화를 수행하는 단계를 더 포함하고,
상기 제1 선택의 최적화를 수행하는 단계는, 적용될 때, 상기 임계 생태 효율성을 충족하는 업데이트된 생태 효율성을 야기하는, 상기 제1 선택에 대한 하나 이상의 수정들을 식별하는 단계를 포함하는,
방법. - 제1 항에 있어서,
상기 제조 동작들 중 제1 제조 동작과 연관된 프로세스 파라미터에 대한 프로세스 파라미터 값 윈도우를 결정하는 단계; 및
상기 프로세스 파라미터 값 윈도우 내에서 생태 최적화된 프로세스 파라미터 윈도우를 결정하는 단계를 더 포함하고,
상기 생태 최적화된 프로세스 파라미터 윈도우 내의 프로세스 파라미터 값들은 상기 제1 제조 동작이 상기 생태 최적화된 프로세스 파라미터 윈도우 외부의 프로세스 파라미터 값들과 비교하여 감소된 양의 자원들을 소비하게 하는,
방법. - 제1 항에 있어서,
상기 환경 자원 사용량 데이터는 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비와 연관된 에너지 소비, 가스 소비 또는 물 소비 중 적어도 하나를 포함하는,
방법. - 제6 항에 있어서,
상기 수정은 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비의 에너지 소비, 가스 소비 또는 물 소비 중 하나 이상의 우선순위 최적화와 연관되는,
방법. - 제1 항에 있어서,
상기 디지털 복제물은 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비의 물리 기반 모델을 포함하는,
방법. - 제1 항에 있어서,
제2 제작 프로세스에서 제2 제조 동작들을 수행하기 위해 제조 장비의 제2 선택을 수신하는 단계;
상기 제조 장비의 제2 선택과 연관된 하나 이상의 센서들로부터, 상기 제2 제조 동작들과 연관된 제2 센서 데이터를 수신하는 단계;
업데이트된 디지털 복제물을 생성하기 위해 상기 디지털 복제물을 업데이트하는 단계 ― 상기 업데이트된 디지털 복제물은 상기 제조 장비의 제1 선택 및 제2 선택과 연관됨 ―; 및
상기 디지털 복제물로부터, 상기 제1 선택 및 상기 제2 선택의 환경 자원 소비를 표시하는 집계 환경 자원 데이터를 포함하는 하나 이상의 출력들을 획득하는 단계를 더 포함하는,
방법. - 제1 항에 있어서,
상기 제1 환경 자원 소비는 상기 제1 제조 장비의 소모성 부분의 교체 절차 또는 유지(upkeep) 절차 중 하나와 연관된 환경 자원 소비를 포함하는,
방법. - 제1 항에 있어서,
상기 환경 자원 사용량 데이터는 상기 제조 장비와 연관된 컴포넌트의 라이프 사이클 데이터를 포함하고, 상기 수정은 상기 컴포넌트와 연관된 정정 액션을 수행하는 것을 포함하는,
방법. - 제작 프로세스 또는 상기 제작 프로세스의 제조 동작들을 수행하기 위한 제조 장비의 선택에 대한 수정들을 식별하기 위해 기계 학습 모델을 훈련하기 위한 방법으로서,
상기 수정들은 상기 제작 프로세스의 환경 자원 소비를 감소시키는 것과 연관되고, 상기 방법은,
컴퓨팅 디바이스에 의해, 상기 기계 학습 모델에 대한 훈련 데이터를 생성하는 단계 ― 상기 훈련 데이터를 생성하는 단계는,
제1 제작 프로세스의 제1 선택을 갖는 제1 훈련 입력을 식별하는 단계; 및
상기 제1 훈련 입력에 대한 제1 타깃 출력을 식별하는 단계를 포함하고, 상기 제1 타깃 출력은, 적용될 때, 상기 제1 제작 프로세스의 제1 환경 자원 소비를 감소시키는, 상기 제1 제작 프로세스에 대한 제1 수정을 포함함 ―; 및
상기 컴퓨팅 디바이스에 의해, (i) 상기 제1 훈련 입력을 포함하는 훈련 입력들의 세트; 및 (ii) 상기 제1 타깃 출력을 포함하는 타깃 출력들의 세트 상에서 상기 기계 학습 모델을 훈련하기 위해 상기 훈련 데이터를 제공하는 단계를 포함하고,
상기 훈련된 기계 학습 모델은 입력으로서 새로운 제작 프로세스의 새로운 선택을 수신하고 상기 새로운 입력에 기초하여 새로운 출력을 생성하기 위한 것이고, 상기 새로운 출력은, 적용될 때, 상기 새로운 제작 프로세스의 새로운 환경 자원 소비를 감소시키는, 상기 새로운 제작 프로세스에 대한 새로운 수정을 표시하는,
기계 학습 모델을 훈련하기 위한 방법. - 제12 항에 있어서,
상기 훈련 데이터를 생성하는 단계는,
상기 제1 제작 프로세스와 연관된 제조 장비의 디지털 복제물에 상기 제1 선택을 입력하는 단계를 더 포함하고,
상기 디지털 복제물은 상기 제1 제작 프로세스의 물리적 조건들을 출력하는,
기계 학습 모델을 훈련하기 위한 방법. - 제12 항에 있어서,
상기 새로운 환경 자원 소비는 상기 새로운 제조 장비가 상기 새로운 제작 프로세스의 제조 동작들을 수행하는 것과 연관된 에너지 소비, 가스 소비 또는 물 소비 중 하나를 포함하는,
기계 학습 모델을 훈련하기 위한 방법. - 제12 항에 있어서,
상기 훈련 입력들의 세트 내의 각각의 훈련 입력은 상기 타깃 출력들의 세트 내의 타깃 출력에 매핑되는,
기계 학습 모델을 훈련하기 위한 방법. - 시스템으로서,
메모리; 및
상기 메모리에 결합된 프로세싱 디바이스를 포함하고,
상기 프로세싱 디바이스는,
제1 제작 프로세스 또는 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비 중 적어도 하나의 제1 선택을 수신하고;
상기 제1 제조 장비의 디지털 복제물에 상기 제1 선택을 입력하고 ― 상기 디지털 복제물은 상기 제1 제작 프로세스의 물리적 조건들을 출력함 ―;
상기 제1 제작 프로세스의 물리적 조건들에 기초하여 상기 제1 제조 장비 상에서 실행되는 상기 제1 제작 프로세스의 제1 환경 자원 소비를 표시하는 환경 자원 사용량 데이터를 결정하고;
상기 제1 제조 장비 상에서 실행되는 상기 제1 제작 프로세스의 제1 환경 자원 소비를 감소시키는, 상기 제1 제작 프로세스에 대한 수정을 결정하고; 그리고
a) 상기 제1 제작 프로세스에 상기 수정을 적용하는 것 또는 b) GUI(graphical user interface)에 의한 디스플레이를 위해 상기 수정을 제공하는 것 중 적어도 하나를 수행하기 위한 것인,
시스템. - 제16 항에 있어서,
상기 프로세싱 디바이스는 추가로,
기계 학습 모델에 대한 입력으로서 상기 환경 자원 사용량 데이터를 사용하고; 그리고
상기 기계 학습 모델의 하나 이상의 출력들을 획득하기 위한 것이고,
상기 하나 이상의 출력들은 상기 수정을 표시하는,
시스템. - 제16 항에 있어서,
상기 프로세싱 디바이스는 추가로,
상기 환경 자원 사용량 데이터에 기초하여 상기 제1 선택이 임계 생태 효율성을 충족하지 못하는 것으로 결정하고; 그리고
상기 제1 선택이 상기 임계 생태 효율성을 충족하지 못하는 것으로 결정한 것에 대한 응답으로, 상기 제1 선택의 최적화를 수행하기 위한 것이고,
상기 제1 선택의 최적화를 수행하기 위해, 상기 프로세싱 디바이스는, 적용될 때, 상기 임계 생태 효율성을 충족하는 업데이트된 생태 효율성을 야기하는, 상기 제1 선택에 대한 하나 이상의 수정들을 식별하기 위한 것인,
시스템. - 제16 항에 있어서,
상기 환경 자원 사용량 데이터는 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비와 연관된 에너지 소비, 가스 소비 또는 물 소비 중 하나를 포함하는,
시스템. - 제16 항에 있어서,
상기 디지털 복제물은 상기 제1 제작 프로세스의 제조 동작들을 수행하기 위한 제1 제조 장비의 물리 기반 모델을 포함하는,
시스템.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US17/230,897 | 2021-04-14 | ||
| US17/230,897 US12001197B2 (en) | 2021-04-14 | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
| PCT/US2022/024460 WO2022221306A1 (en) | 2021-04-14 | 2022-04-12 | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230169310A true KR20230169310A (ko) | 2023-12-15 |
Family
ID=83601346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020237038908A KR20230169310A (ko) | 2021-04-14 | 2022-04-12 | 반도체 제조를 위한 생태 효율성(지속 가능성) 대시보드 |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP2024514147A (ko) |
| KR (1) | KR20230169310A (ko) |
| CN (1) | CN117178350A (ko) |
| TW (1) | TW202307599A (ko) |
| WO (1) | WO2022221306A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6560506B2 (en) * | 2000-12-04 | 2003-05-06 | Advanced Micro Devices, Inc. | Method and apparatus for control for semiconductor processing for reducing effects of environmental effects |
| US20100249975A1 (en) * | 2009-03-24 | 2010-09-30 | Siemens Product Lifecycle Management Software Inc. | System and method for sustainability analysis |
| CN105512445B (zh) * | 2016-02-04 | 2019-01-15 | 南瑞（武汉）电力设备与工程能效测评中心 | 一种基于云技术的典型用能系统能耗仿真与节能诊断平台 |
| US10185313B2 (en) * | 2016-04-20 | 2019-01-22 | Applied Materials, Inc. | Eco-efficiency characterization tool |
| US20200310526A1 (en) * | 2019-03-26 | 2020-10-01 | Kyocera Document Solutions Inc. | Systems and methods for managing power consumption and device resources |
-
2022
- 2022-04-12 WO PCT/US2022/024460 patent/WO2022221306A1/en active Application Filing
- 2022-04-12 KR KR1020237038908A patent/KR20230169310A/ko unknown
- 2022-04-12 CN CN202280027625.XA patent/CN117178350A/zh active Pending
- 2022-04-12 JP JP2023562702A patent/JP2024514147A/ja active Pending
- 2022-04-14 TW TW111114167A patent/TW202307599A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| JP2024514147A (ja) | 2024-03-28 |
| WO2022221306A1 (en) | 2022-10-20 |
| CN117178350A (zh) | 2023-12-05 |
| TW202307599A (zh) | 2023-02-16 |
| US20220334569A1 (en) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11030557B2 (en) | Predicting arrival time of components based on historical receipt data | |
| US9424528B2 (en) | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool | |
| US8725667B2 (en) | Method and system for detection of tool performance degradation and mismatch | |
| US20220155733A1 (en) | Method of performing a process and optimizing control signals used in the process | |
| US11586794B2 (en) | Semiconductor processing tools with improved performance by use of hybrid learning models | |
| KR20210092310A (ko) | 고도로 공선적인 응답 공간에서의 처방적 분석 | |
| CN117063190A (zh) | 用于预测和规定应用的多级机器学习 | |
| US20220198333A1 (en) | Recipe optimization through machine learning | |
| US20230195061A1 (en) | Manufacturing equipment parts quality management system | |
| US12001197B2 (en) | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
| KR20230169310A (ko) | 반도체 제조를 위한 생태 효율성(지속 가능성) 대시보드 | |
| US20230089092A1 (en) | Machine learning platform for substrate processing | |
| US20230185268A1 (en) | Eco-efficiency monitoring and exploration platform for semiconductor manufacturing | |
| US20240012393A1 (en) | Sustainability monitoring platform with sensor support | |
| US20230078146A1 (en) | Virtual measurement of conditions proximate to a substrate with physics-informed compressed sensing | |
| US20230222264A1 (en) | Processing chamber calibration | |
| US20240054333A1 (en) | Piecewise functional fitting of substrate profiles for process learning | |
| US20240176338A1 (en) | Determining equipment constant updates by machine learning | |
| US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
| US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
| US20230113095A1 (en) | Verification for improving quality of maintenance of manufacturing equipment | |
| TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 | |
| KR20240050302A (ko) | 결함 모델들을 사용한 결함 위험의 추정 및 프로세스 레시피들의 최적화 | |
| CN117321522A (zh) | 使用特征模型的工艺配方创建和匹配 |