TW201532120A - 學習及／或最佳化製造程序的系統及方法 - Google Patents

學習及／或最佳化製造程序的系統及方法 Download PDF

Info

Publication number
TW201532120A
TW201532120A TW103142317A TW103142317A TW201532120A TW 201532120 A TW201532120 A TW 201532120A TW 103142317 A TW103142317 A TW 103142317A TW 103142317 A TW103142317 A TW 103142317A TW 201532120 A TW201532120 A TW 201532120A
Authority
TW
Taiwan
Prior art keywords
candidate
process model
solution
component
value
Prior art date
Application number
TW103142317A
Other languages
English (en)
Other versions
TWI648764B (zh
Inventor
Sanjeev Kaushal
Sukesh Janubhai Patel
Original Assignee
Tokyo Electron Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tokyo Electron Ltd filed Critical Tokyo Electron Ltd
Publication of TW201532120A publication Critical patent/TW201532120A/zh
Application granted granted Critical
Publication of TWI648764B publication Critical patent/TWI648764B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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], 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], 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31464—Select between different models corresponding to diff process control configurations
    • 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
    • G05B2219/32017—Adapt real process as function of changing simulation model, changing for better results
    • 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
    • G05B2219/45032—Wafer manufacture; interlock, load-lock module
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Abstract

提供一種關於半導體製造之學習及/或最佳化程序的系統及方法。學習組件係基於與一或多個製作工具關聯之製程數據而產生候選製程模型組。該學習組件亦從與最低誤差關聯之該候選製程模型組選擇特殊製程模型。最佳化組件係產生與該特殊製程模型關聯之候選解決方案組。該最佳化組件亦從基於目標輸出值及該特殊解決方案關聯之輸出值之該候選解決方案組選擇特殊解決方案。

Description

學習及/或最佳化製造程序的系統及方法
所描述及請求之標的係一般關於用於學習及/或最佳化製造程序的技術。
技術進步已導致製程驅動的自動化設備越來越複雜。完成特定目標或進行特定、高技術性製程之工具系統可通常含括達到目標或成功執行製程的多重功能元件，及收集數據以監測設備的運行情況的各種感測器(sensor)。這樣的自動化設備可產生大量數據。數據可包括與產品或進行作為製程的特定工作相關之一部分及/或相當大的日誌(log)資訊之服務的資訊。舉例而言，製程數據及/或計量數據可在製造程序期間收集及/或儲存在一或多個數據組中。
儘管現代電子儲存技術可負擔得起留存不斷增長的數據量，積累的數據之利用仍保持離最佳化極遠。所收集資訊之檢查及解釋通常需要人工干預。此外，對於得到所收集資訊可為受限制及/或昂貴的。舉例而言，在半導體製造工具上的製程可持續操作17小時(例如， 61200秒)。在處理期間，舉例而言，半導體製造工具可每秒輸出數百個感測器之感測器測量結果。因此，在製程改進及/或故障排除工作期間之包含輸出感測器測量結果之大的數據組必須接著人工判讀(例如，由製程工程師)。此外，當涉及半導體製造工具的製程結束後，針對許多由該半導體製造工具產生之晶圓的品質(例如，厚度、顆粒數)必須人工測量(例如，由製造工程師)。
當今製造系統之上述缺陷僅僅旨在提供常規系統之一些問題的概覽，且不旨在排除性的。與常規系統共存之其它問題及本文所描述之各種非限制性實施例的對應益處可在審閱以下描述的情況下更加清楚明白。
為了提供對本說明書之一些態樣的基本理解，下文呈現本說明書的簡要概述。本概述並非本說明書之全面概述。其並非旨在成為本說明書的識別關鍵或重要元素，亦非記述本說明書之特殊實施例的任何範疇及申請專利範圍的任何範疇。其唯一目的在於以簡化形式呈現本說明書的一些概念，以作為稍後呈現之更詳細描述的前奏。
依據一實施例，一種系統，係包括學習組件及最佳化組件。該學習組件係基於與一或多個製作工具關聯之製程數據而產生候選製程模型組，且從與最低誤差關聯之該候選製程模型組選擇特殊製程模型(particular process model)。該最佳化組件係產生與該特殊製程模型關聯之候選解決方案組(a set of candidate solution)，且從基於 目標輸出值及與該特殊解決方案關聯之輸出值之該候選解決方案組選擇特殊解決方案。
依據另一實施例，提供一種方法，包括用於產生基於與一或多個製作工具關聯之製程數據而產生候選製程模型組、針對該候選製程模型組中之各候選製程模型產生品質值、基於與該候選製程模型組中之各候選製程模型關聯之該品質值而從該候選製程模型組選擇特殊製程模型、產生與該特殊製程模型關聯的候選解決方案組；以及基於目標輸出值及與該特殊解決方案關聯之輸出值而從該候選解決方案組選擇特殊解決方案。
依據又另一實施例，一種具有儲存於電腦可讀媒介上之電腦可執行指令的電腦可讀媒介，該電腦可執行指令回應藉由包含處理器之系統的執行，令該系統進行運作，且該運作係包括基於與一或多個製作工具關聯之製程數據而產生候選製程模型組、針對該候選製程模型組中之各別候選製程模型而產生品質值、基於與該候選製程模型組中之各別候選製程模型關聯之該品質值而從該候選製程模型組選擇特殊製程模型、產生與該特殊製程模型關聯的候選解決方案組、以及基於目標輸出值及與該特殊解決方案關聯之輸出值而從該候選解決方案組選擇特殊解決方案。
下文描述及所附附圖係闡述本說明書的某些說明性態樣。這些態樣係指示性的，然而，可以與本說明書之原理些許不同之各種方式利用這些態樣。本說明書 之其它優點及新穎特徵將在考慮結合附圖時從下文之詳細描述變得清楚明白。
100、200、300、400、500、1300‧‧‧系統
102‧‧‧輸入晶圓
104‧‧‧已處理晶圓
110‧‧‧製作工具(複數個)
120‧‧‧光譜儀
130‧‧‧工具感測器
140‧‧‧裝置測量設備
150‧‧‧維護監控設備
160‧‧‧報告組件
170‧‧‧分析組件
180‧‧‧學習組件
190‧‧‧最佳化組件
202、302‧‧‧候選組件
204、306‧‧‧品質組件
206‧‧‧多樣性組件
208‧‧‧判別組件
210、308‧‧‧排行組件
212、312‧‧‧選擇組件
214、314‧‧‧處理器
216、316‧‧‧記憶體
304‧‧‧預測組件
310‧‧‧多樣性組件
402‧‧‧短期模式記憶體
404‧‧‧短期最佳化記憶體
502‧‧‧使用者輸入組件
600‧‧‧數據矩陣
602、604、606、608、610‧‧‧欄
700、800‧‧‧排行
702、704、706、802、804、806、808、810、812、814‧‧‧行
900、1000、1100‧‧‧設計方法
902、904、906、908、1002、1004、1006、1008、1010、1012、1014、1016、1102、1104、1106、1108、1110、1112、1114、1116、1118、1120‧‧‧步驟
1200‧‧‧環境
1212‧‧‧電腦
1214‧‧‧處理單元
1216‧‧‧系統記憶體
1218‧‧‧匯流排
1220‧‧‧揮發性記憶體
1222‧‧‧非揮發性記憶體
1224‧‧‧碟式儲存器
1226‧‧‧界面
1228‧‧‧作業系統
1230‧‧‧應用
1232‧‧‧模組
1234‧‧‧數據
1236‧‧‧輸入裝置(複數個)
1238‧‧‧界面埠(複數個)
1240‧‧‧輸出裝置(複數個)
1242‧‧‧輸出接合器
1244‧‧‧遠端電腦(複數個)
1246‧‧‧記憶體儲存裝置
1248‧‧‧網路界面
1250‧‧‧通訊連接(複數個)
1310‧‧‧用戶端(複數個)
1320‧‧‧用戶數據儲存器(複數個)
1330‧‧‧伺服器端(複數個)
1340‧‧‧伺服器數據儲存器(複數個)
1350‧‧‧通訊架構
第1圖係依據本文描述之各種態樣及實施例之說明用於相關半導體製造之學習及/或最佳化程序的示範系統的方塊圖；第2圖係依據本文描述之各種態樣及實施例之說明示範學習組件的方塊圖；第3圖係依據本文描述之各種態樣及實施例之說明示範最佳化組件的方塊圖；第4圖係依據本文描述之各種態樣及實施例之說明包含短期模式記憶體的相關半導體製造之學習及/或最佳化程序的示範系統的方塊圖；第5圖係依據本文描述之各種態樣及實施例之說明基於使用者輸入的用於相關半導體製造之學習及/或最佳化程序的示範系統的方塊圖；第6圖係說明依據本文描述之各種態樣及實施例之示範數據矩陣；第7圖係說明依據本文描述之各種態樣及實施例之候選製程模型的示範排行；第8圖係說明依據本文描述之各種態樣及實施例之候選解決方案的示範排行；第9圖係依據本文描述之各種態樣及實施例之用於半導體製造系統中的學習、控制及/或最佳化程序 之示範設計方法的流程圖；第10圖係依據本文描述之各種態樣及實施例之半導體製造系統中的學習程序之示範設計方法的流程圖；第11圖係依據本文描述之各種態樣及實施例之用於半導體製造系統中的控制及/或最佳化程序之示範設計方法的流程圖；第12圖係說明適合之運作環境的示意方塊圖；以及第13圖係取樣計算環境的示意性方塊圖。
本發明之各種態樣目前係參照圖式而描述，其中，類似的標示號碼係通篇指稱類似元件而使用。在接下來的描述中，出於解釋的目的，為了提供一或多個態樣之通透瞭解而闡述各種特定細節。然而，將要理解的是，本發明之某些態樣可不以這些特定細節或以其它方法、組件或材料等而實行。換句話說，先前技術之結構及裝置係以方塊圖形式顯示，以利描述一或多種態樣。
技術進步導致製程驅動的自動化設備日益複雜。完成特定目標或執行特定、高技術性製程之工具系統可通常包含複數個功能元件，以達到目標或成功執行製程，且各種感測器收集數據，以監測設備的運作。這樣的自動化設備可產生大量數據。數據可包括作為與一或多個製程之特定任務及/或相當大之日誌資訊相關的一部分與 產品或服務之執行相關的實質資訊。儘管現代電子儲存技術可負擔得起保留不斷增長的數據量，而積累數據之利用離最佳化仍遠。檢查及收集資訊的演繹通常需要人為干預。更進一步而言，獲得所收集的資訊可為有限及/或昂貴的。
為了此一目的，已揭示一種用於關於製造(如半導體製造)之學習及/或最佳化製程的技術。舉例而言，可產生在與一或多個製作工具相關聯之製程數據的基礎上之候選製程模型組。更進一步而言，可從與最低誤差相關聯之該候選製程模型組選擇特殊製程模型。如此，可產生與特殊製程模型關聯的候選解決方案組。更進一步而言，可在目標輸出值及與特殊解決方案相關聯之輸出值的基礎上從該候選解決方案組選擇特殊解決方案。因此，製程數據之品質及/或製程數據之量可藉由提供漸進學習及/或漸進最佳化而在連續基礎上加以改進。更進一步而言，取得製程數據的成本可以降低。因此，製作工具之輸出結果可隨時間不斷地改善。在一態樣中，可以短期記憶體(例如，短期模式記憶體)實行以儲存一或多個製程模型。額外或可選擇地，可以另一短期記憶體(例如，短期最佳化記憶體)實行以儲存一或多個解決方案(例如，一或多個製程設定)。
初始參照第1圖，其依發明主題之一態樣而說明與製造(例如，半導體製造)有關之用於學習及/或最佳化製程的示範系統100。系統100可包括製作工具(複數 個)110、光譜儀120、工具感測器130、裝置測量設備140、維護監控設備(maintenance monitoring equipment)150、報告組件160及分析組件170。分析組件170可包括學習組件180及最佳化組件190。製作工具(複數個)110可包括一或更多的工具及/或一或更多之用於製造(例如，半導體製造)的腔體。在一態樣中，製作工具(複數個)110可與半導體製造系統相關聯。例如，如第1圖所示，製作工具(複數個)110可接受輸入晶圓102並輸出已處理晶圓104。然而，將要理解的是，製作工具(複數個)110可接受及/或產生不同類型的有價物品。在一示範且非限制性實施例中，製作工具(複數個)110可為蝕刻工具，該蝕刻工具經由蝕刻製程(例如，濕式蝕刻、乾式蝕刻、電漿蝕刻等)而從輸入晶圓102移除未遮蔽的材料，以產生其上具有孔洞且形成有特徵的已處理晶圓104。製作工具(複數個)110亦可為沉積材料在輸入晶圓102上以產出已處理晶圓104的沉積工具(例如，原子層沉積、化學氣相沉積等)。然而，將要理解的是，製作工具(複數個)110可與不同類型的製造系統相關聯。
各種測量裝置，如光譜儀120、工具感測器130、裝置測量設備140及/或維護監控設備150，可監控由製作工具(複數個)110執行的一或多個製程，以獲得與該製程之各種態樣、條件或結果相關的不同資訊。作為範例，光譜儀120可獲得光譜數據(例如，光譜強度資訊)。舉例而言，光譜數據可包含一組由光譜儀120所能觀查之對於各種波長的強度或光譜線。在一範例中，光譜數據可包括 時間序列數據，使得光譜儀120以規則間隔(例如，每秒、每2秒、每100毫秒等)針對各別波長測量強度。光譜儀120亦可以關於由製作工具(複數個)110所處理之特定晶圓的晶圓編號(ID)更正光譜數據。因此，光譜儀120可針對由製作工具(複數個)110所處理之各個晶圓而單獨地獲得光譜數據。
工具感測器130可在製作工具(複數個)110處理輸入晶圓102時監控及/或測量工具的運行特性。進一步而言，工具感測器130可產生對應的感測器測量數據。類似於由光譜儀120測量之光譜數據的感測器測量數據可為在每一個晶圓的基礎上所更正的時間序列數據。感測器測量數據可包括從各種感測器來的測量結果。這些測量結果可包括但不限於在製作工具(複數個)110之一或多個腔體內的壓力、對於一或多種不同氣體的氣體流量、溫度、上射頻(RF)功率、自最後濕式清潔之經過時間、工具零件年齡及其類似者。在一態樣中，感測器測量數據可與物理量相關聯。在另一態樣中，感測器測量數據可與虛擬量相關聯。
裝置測量設備140可產生裝置測量數據。舉例而言，裝置測量設備140可測量晶圓之物理和幾何性質的特性及/或在晶圓上所製造之特徵。例如，裝置測量設備140可測量在晶圓之預定位置或區域處的顯影檢測關鍵尺寸(development inspection critical dimension(DI-CD))、最終檢測關鍵尺寸(final inspection critical dimension(FI-CD))、 蝕刻偏差(etch bias)、厚度等等。可在每一位置、每一晶圓基礎及輸出上匯總測量特性為裝置測量資訊。晶圓之特性一般在製程前或製程後測量。因此，裝置測量數據可為在不同時間間隔獲得之作為與光譜數據及感測器數據比較的時間序列數據。
維護監控設備150可實行以獲得及/或產生與製作工具(複數個)110相關聯的維護數據。舉例而言，維護數據可包括但不限於自最後預防性維護的經過時間、與製作工具(複數個)110相關聯之一或多個組件的年齡(例如，與組件關聯的製造時間)及其類似者。
報告組件160及/或分析組件170可接收由光譜儀120、工具感測器130、裝置測量設備140及/或維護監控設備150所獲取及/或產生的數據(例如，製程數據)。在一態樣中，報告組件160及/或分析組件170可在製程數據產生(例如，在線上模式期間)時接收製程數據。在另一態樣中，報告組件160及/或分析組件170可在與製作工具(複數個)110關聯之一或多個製程完成的情況下接收製程數據。在一態樣中，製程數據可合併在數據矩陣中。舉例而言，數據矩陣可包含感測器測量數據、光譜數據、裝置測量數據及/或維護數據。在另一態樣中，數據矩陣(例如，新的數據矩陣)可遞增地產生，以啟動新的學習週期。
在一態樣中，報告組件160可將製程數據標準化(normalize)。舉例而言，報告組件160可將製程數據標準化成對於與製作工具(複數個)110關聯之誤差的計 數。舉例而言，報告組件160可將光譜數據(例如，所測量的強度)標準化成對於含括在製作工具(複數個)110中之不同工具及/或腔體的光譜線之強度的測量誤差的計數。在非限制範例中，報告組件可計算與任意選擇之含括在製作工具(複數個)110中的參考腔體或參考工具關聯的變量(例如，總光強度)，以標準化製程數據。
在一個或複數個實施例中，製程數據可從記錄參數數據及/或在製作工具(複數個)110之個別操作(run)期間所量測的表現數據之工具處理日誌導出。工具處理日誌可包含從光譜儀120、工具感測器130、裝置測量設備140及/或維護監控設備150來的測量數據。從這些工具處理日誌中來的測量記錄可包含，但不限於感測器讀數(例如，壓力、溫度、功率等等)、維護相關讀數(例如，焦圈(focus ring)的年齡、質量流量控制器的年齡、自最後進行維護以來的時間、自加料最後一批阻劑以來的時間等等)、及/或工具和性能統計(例如，對處理晶圓的時間、化學品消耗量、氣體消耗量等)。
在示範場合中，工具處理日誌可在製作工具(複數個)110之各製程操作的端點處由報告組件160產生。在製程操作的端點處，從一或多個光譜儀120、工具感測器130、裝置測量設備140、或維護監控設備150來的數據可提供給可聚集所收集的數據於針對操作之工具處理日誌中的報告組件160。工具處理日誌可對應於在操作期間之所處理的單一半導體晶圓，或在操作期間之所製造的 一批半導體。工具處理日誌可接著對於報告或歸檔的目的而儲存。在一態樣中，製程數據可由報告組件160或相關裝置自動提供。在另一態樣中，製程數據可由操作者人工地提供給分析組件170。
雖然先前的範例將製程數據描述成從工具處理日誌檢索或提取，將要理解的是，製程數據亦可由其它手段提供給分析組件170。舉例而言，在一些實施例中，所有製程數據或製程數據之子集可從裝置120、130、140及/或150直接提供給分析組件170。
學習組件180可產生基於與製作工具(複數個)110關聯之製程數據的候選製程模型組。在候選製程模型組中之各候選製程模型可為數學製程模型(例如，候選函數(function))。舉例而言，在候選製程模型組中之各候選製程模型可實行以學習作為製程數據(例如，可調輸入、輸入參數等)之函數的用於輸出的數學製程模型。在一態樣中，候選製程模型組中之各候選製程模型可使用一或多個基因演算法(例如，基因規劃(genetic programming))而產生。在另一態樣中，在候選製程模型組中之各候選製程模型可使用曲線配合(curve fitting)技術而產生。舉例而言，可產生使用線性趨近、多重線性趨近、多項式曲線配合、神經網路等的候選製程模型組中之各候選製程模型。然而，將要理解的是，在候選製程模型組中之各候選製程模型可使用不同類型之技術而產生。在又另一態樣中，學習組件可回應接收新的製程數據(例如，與製作工具(複數個)110關聯 之新的操作所關聯的新製程數據、與製作工具(複數個)110關聯之新的操作所關聯的新步驟的新製程數據等)而產生新的候選製程模型組。
在一態樣中，在候選製程模型組中之各候選製程模型可與製程數據的不同數量關聯。舉例而言，第一候選製程模型可與製程數據之第一數量關聯，第二候選製程模型可與製程數據之第二數量關聯等等。額外或可選擇地，在候選製程模型組中之一或多個候選製程模型可與參數的不同數目關聯(例如，輸入參數、可調輸入等)。舉例而言，第一候選製程模型可與參數的第一數目關聯，第二候選製程模型可與參數的第二數目關聯等等。在另一態樣中，使用者可對各參數(例如，輸入參數、可調輸入等)指定範圍(例如，最小值、最大值、平均值、標準偏差值等等)。
學習組件180可對於在候選製程模型組中之各個候選製程模型而產生品質值(例如，預測性能值)。品質值可為用於對應之候選製程模型的預測性能之測量。舉例而言，品質值可為候選製程模型的預測輸出對候選製程模型的測量輸出之比較的測量。在一態樣中，品質值可基於均方誤差(MSE)而產生。舉例而言，品質值可基於根MSE而產生。在另一態樣中，品質值可基於相關性而產生。在又另一態樣中，品質值可基於決定係數(R2)而產生。然而，將要理解的是，可實行品質測量之另一類型以產生品質值。在一態樣中，學習組件180可將用於候選製程模型 組中之各個候選製程模型的品質測量標準化。舉例而言，用於候選製程模型組中之各個候選製程模型的品質值可等於1/(1-MSE)。
此外，學習組件180可產生多樣性值(diversity value)(例如，相似值、唯一值等)。多樣性值可為考慮候選製程模型組中之另一候選製程模型的候選製程模型之唯一性的測量。舉例而言，由候選製程模型組中之候選製程模型所產生的輸出值可與由候選製程模型組中之其它候選製程模型所產生的其它輸出值相比較。在一範例中，當候選製程模型之輸出等於另一候選製程模型之輸出時，多樣性值可等於零。在一態樣中，多樣性值可基於餘弦函數(例如，與候選製程模型關聯之第一輸出向量及與另一候選製程模型關聯之第二輸出向量)而產生。在另一態樣中，多樣性值可基於霍爾斯特德度量(Halstead metric)(例如，霍爾斯特德複雜度量測(Halstead complexity measure))而產生。在另一態樣中，多樣性值可基於相似性測量之倒數(inverse)而產生。然而，將要理解的是，可實行多樣性測量(例如，相似性測量)之另一類型以產生多樣性值。
學習組件180可比較候選製程模型組中之各候選製程模型，以確定具有最高品質(例如，最高品質製程模型)的特殊候選製程模型。舉例而言，學習組件180可比較針對候選製程模型組中之各候選製程模型的品質值，以確定具有最低MSE值的特殊候選製程模型。在另一範例中，學習組件180可比較針對候選製程模型組中之各候選 製程模型的品質值，以確定具有最高性能值(例如，1/(1-MSE))的特殊候選製程模型。如此，學習組件180可從與最低誤差關聯之候選製程模型組中選擇特殊製程模型。另外，針對候選製程模型組中之各候選製程模型所產生的品質值可促進從候選製程模型組中選擇特殊製程模型。
此外，學習組件180可對候選製程模型組中之各候選製程模型排行(rank)。舉例而言，學習組件180可在對應之品質值及對應之多樣性值的基礎上對候選製程模型組中之各剩餘(remaining)候選製程模型(例如，考慮最高品質製程模型)排行。如此，候選製程模型之排行可一開始基於品質且接著基於多樣性而儲存。舉例而言，最高品質製程模型可排行第一。候選製程模型組中之剩餘候選製程模型可以在與各剩餘候選製程模型關聯之品質值的基礎上以考慮最高品質製程模型之方式而排行。接著，候選製程模型組中之剩餘候選製程模型可在與各剩餘候選製程模型關聯之多樣性值的基礎上以考慮最高品質製程模型之方式而進一步排行。較高的多樣性值(例如，對應於較佳的唯一性)可與較高排行關聯。如此，在以考慮最高品質製程模型的更多唯一性之同時於品質上更佳的候選製程模型可排行得更高。在一態樣中，學習組件180可對候選製程模型組中之各剩餘候選製程模型以考慮基於加權平均之最高品質製程模型之方式而排行。然而，將要理解的是，學習組件180可對候選製程模型組中之各剩餘候選製程模型以考慮基於不同排行技術之最高品質製程模型之方式而排行。
在一態樣中，學習組件180可選擇候選製程模型組之子集。舉例而言，學習組件180可基於候選製程模型之排行而選擇候選製程模型的子集。在一非限制範例中，學習組件180可選擇三最高排行之候選製程模型(例如，該最高品質製程模型及排行在該最高品質製程模型之後的二其它候選製程模型)。因此，學習組件180可在品質值之排行及與候選製程模型組關聯之多樣性值的基礎上從候選製程模型組中選擇一或多個製程模型。在一態樣中，學習組件180可在排行及與記憶體(例如，短期模式記憶體)關聯之可用大小的基礎上選擇候選製程模型的子集。舉例而言，學習組件180可在排行以充滿與記憶體(例如，短期模式記憶體)關聯之可用大小的基礎上選擇候選製程模型的子集。
最佳化組件190可接收目標輸出值。此外，最佳化組件190可產生候選解決方案組。各解決方案可為針對與最高品質製程模型(例如，由學習組件180選擇之製程模型)關聯之輸入的值組(a set of values)。舉例而言，最高品質製程模型可與複數個輸入(例如，輸入參數)相關聯。各候選解決方案可包含針對與最高品質製程模型(例如，各候選解決方案可包含輸入值組)關聯之各輸入的值。在一態樣中，最佳化組件190可在一或多個基因演算法(例如，用於最佳化之基因演算法)的基礎上產生候選解決方案組。在另一態樣中，最佳化組件190可基於模擬退火而產生候選解決方案組。在又另一態樣中，最佳化組件190可 基於爬坡最佳化技術而產生候選解決方案組。然而，將要理解的是，最佳化組件190可基於不同類型之最佳化技術而產生候選解決方案組。
最佳化組件190可利用最高品質製程模型(例如，由學習組件180選擇之製程模型)，以針對候選解決方案組中之各候選解決方案預測輸出值(例如，結果值)。因此，最佳化組件190可基於最高品質製程模型(例如，由學習組件180選擇之製程模型)而產生候選製程參數組。
最佳化組件190可針對候選解決方案組中之各候選解決方案產生品質值(例如，預測性能值)。品質值可為針對對應之候選解決方案的預測性能之測量。舉例而言，品質值可為目標輸出值及與候選解決方案關聯之輸出值(例如，預測輸出值)之間的誤差之測量。在一態樣中，品質值可基於MSE而產生。舉例而言，品質值可基於標準化之MSE而產生。在另一態樣中，品質值可基於相關性而產生。在又另一態樣中，品質值可基於決定係數(R2)而產生。然而，將要理解的是，可實行品質測量之另一類型以產生品質值。
最佳化組件190可基於對應之品質值及目標輸出值而排行候選解決方案組中的各候選解決方案。舉例而言，最佳化組件190可排行候選解決方案組中的各候選解決方案，以選擇具有最高品質(例如，於目標輸出值及與候選解決方案關聯的預測之輸出值之間具有最低誤差的候選解決方案)的候選解決方案。如此，最佳化組件190可 確定具有最高品質(例如，具有最高品質的解決方案)的候選解決方案。進而，針對候選解決方案組中的各候選解決方案之品質值可促進最高品質解決方案之選擇。因此，最佳化組件190可基於目標輸出值及與最高品質解決方案關聯之輸出值(例如，預測輸出值)而選擇最高品質解決方案。
此外，最佳化組件190可針對候選解決方案組中的各候選解決方案而產生多樣性值。多樣性值可為考慮最高品質解決方案(例如，具有最高品質之候選解決方案)之特殊候選解決方案的唯一性測量。在一態樣中，多樣性值可基於餘弦函數(與特殊候選解決方案關聯之第一輸出向量及與最高品質解決方案關聯之第二輸出向量)而產生。在另一態樣中，多樣性值可基於霍爾斯特德度量(例如，霍爾斯特德複雜性測量)而產生。在另一態樣中，多樣性值可基於相似性測量的倒數而產生。然而，將要理解的是，可實行多樣性測量的另一類型以產生多樣性值。
最佳化組件190可將最高品質解決方案與候選解決方案組中的其它候選解決方案比較。舉例而言，最佳化組件190可在品質及多樣性的基礎上考慮最高品質解決方案而排行候選解決方案組中的各剩餘候選解決方案。舉例而言，可首先排行最高品質解決方案。進而，可在與各剩餘候選解決方案關聯之品質值的基礎上考慮最高品質解決方案而排行候選解決方案組中的剩餘候選解決方案。然後，候選解決方案組中的剩餘候選解決方案可在與各剩餘候選解決方案關聯之多樣性值的基礎上考慮最高品 質解決方案而進一步排行。如此，在考慮最高品質解決方案更為獨特的同時為更高質之候選解決方案可排行得更高。在一態樣中，最佳化組件190可基於加權平均考慮最高品質解決方案而排行候選解決方案組中的各剩餘候選解決方案。然而，將要理解的是，最佳化組件190可基於不同排行技術考慮最高品質解決方案而排行候選解決方案組中的各剩餘候選解決方案。
在一態樣中，最佳化組件190可選擇候選解決方案組之子集。舉例而言，最佳化組件190可基於候選解決方案之排行而選擇候選解決方案之子集。在非限制範例中，最佳化組件190可選擇三排行最高之候選解決方案(例如，該最高品質解決方案及排行在所選候選解決方案之後的二其它候選解決方案)。因此，最佳化組件190可在與候選解決方案組關聯之品質值及多樣性值的排行的基礎上從候選解決方案組選擇一或多個解決方案。在一態樣中，最佳化組件190可在排行及與記憶體(例如，短期最佳化記憶體)關聯之可用大小的基礎上選擇候選解決方案的子集。舉例而言，最佳化組件190可在排行以充滿與記憶體(例如，短期最佳化記憶體)關聯之可用記憶體位置的基礎上選擇候選解決方案的子集。
在一態樣中，學習組件180可進一步發送不同之所選製程模型(例如，新的製程模型)給最佳化組件190。最佳化組件190可利用數目上的不同，以計算不同所選製程模型之輸出值(例如，預定輸出值)及與不同所選製 程模型(例如，可針對與不同之所選製程模型關聯的各可用輸入參數計算數值衍生物(numerical derivate))關聯之輸入參數的不同。如此，可配置最佳化組件190為僅確定修飾，以輸入具有非零第一衍生物的參數。因此，最佳化組件190可限制針對修飾的搜尋，以輸入影響關於新製程模型之輸出值的參數。
因此，可利用由學習組件180所選擇的製程模型以藉由調整輸入參數而控制及/或最佳化製造程序，以達成所欲目標輸出值。舉例而言，可調整輸入參數(例如，在操作對操作之基礎上校正、在步驟對步驟之基礎上校正等)，如此由學習組件選擇之製程模型的輸出值(例如，預測輸出值)係在與目標輸出值關聯的所欲範圍內。然後，與製作工具(複數個)110關聯之製程可以由最佳化組件190所判別之參數值(例如，解決方案)操作。在製程完成的情況下，可量測實際輸出，且可將所測量輸出對預測輸出之間的不同算成誤差。從而，可將製程最佳化瞭解為在與製作工具(複數個)108(例如，與製作工具(複數個)108關聯之製造程序可最佳化控制)關聯之製造程序期間的誤差驅動至零。
第2圖說明依據本發明之各種態樣及實施例的系統200之非限制實施例。系統200包含學習組件180。學習組件180可包含候選組件202、品質組件204、多樣性組件206、判別組件(identification component)208、排行組件210及/或選擇組件212。系統200之態樣可組成 嵌入在機器(複數個)內的機器可執行組件(複數個)，例如，與一或多個機器關聯之嵌入在一或多個電腦可讀介質(或媒體)。當由一或多個例如為電腦(複數個)、計算裝置(複數個)、虛擬機(複數個)等的機器執行時，這樣的組件可導致機器(複數個)進行所描述的運作。系統200可包含用於儲存電腦可執行組件及指令的記憶體216。系統可進一步包含處理器214以促進由系統200之指令(例如，電腦可執行組件及指令)的運作。
學習組件180(例如，候選組件202、品質組件204、多樣性組件206、判別組件208、排行組件210及/或選擇組件212)可促進對針對與製作工具(複數個)110關聯之一或多個製造程序的製程模型之最大化品質及多樣性(例如，誤差最小化及唯一性最大化)的自主式學習。因此，學習組件180可適應與製作工具(複數個)110關聯之改變條件及/或製造狀態。此外，學習組件180可避免目光短淺的產生及/或與製作工具(複數個)110關聯(例如，藉由產生及/或選擇製程模型之大量取樣組)之製程模型的選擇。從而，學習組件180可將產生及/或選擇製程模型的過度擬合(overfitting)最小化。
候選組件202可產生針對與製作工具(複數個)110關聯之一或多個製造程序的一或多個候選製程模型(例如，一或多個潛在的製程模型)。舉例而言，候選組件202可基於與一或多個工具(例如，製作工具(複數個)110)關聯之製程數據(例如，在第2圖中示出的製程數據)而產 生候選製程模型組。候選製程模型組中之各候選製程模型可為數學製程模型(例如，候選函數)。舉例而言，可實行候選製程模型組中之各候選製程模型，以學習用於作為製程數據之函數的輸出之數學製程模型。在一態樣中，候選組件202可實行一或多個基因演算法以產生候選製程模型組中之各候選製程模型。在另一態樣中，候選組件202可實行曲線配合技術，以產生候選製程模型組中之各候選製程模型。舉例而言，可產生使用線性趨近、多重線性趨近、多項式曲線配合、神經網路等的候選製程模型組中之各候選製程模型。然而，將要理解的是，候選組件202可實行為不同類型之技術，以產生候選製程模型組中之各候選製程模型。
品質組件204可促進由候選組件202所產生之一或多個製程模型的選擇。舉例而言，品質組件204可促進具有最低誤差(例如，及/或基於誤差之一或多個其它製程模型)之從候選製程模型組來的製程模型的選擇。品質組件204可產生針對候選製程模型組中之各候選製程模型的品質值(例如，預測性能值)。品質值可為針對對應候選製程模型之預測性能的測量。舉例而言，品質值可為候選製程模型的預測輸出對候選製程模型的測量輸出之比較的測量。在一態樣中，品質值可與MSE值關聯。舉例而言，品質值可與根MSE值關聯。在另一態樣中，品質值可與相關性值關聯。在又另一態樣中，品質值可與決定係數關聯。然而，將要理解的是，品質測量之另一類型可與品質值關 聯。在一態樣中，品質值可與標準化值關聯。舉例而言，品質值可等於1/(1-MSE)。
多樣性組件206可進一步促進由候選組件202所產生之一或多個製程模型的選擇。舉例而言，多樣性組件206可促進從候選製程模型組來的候選製程模型之多樣性子集的選擇。多樣性組件206可產生多樣性值(例如，相似值，唯一值等)。多樣性值可為考慮另一候選製程模型之候選製程模型的唯一性的測量。舉例而言，由候選製程模型組中之候選製程模型所產生的輸出值(例如，預測輸出值)可與由候選製程模型組中之其它候選製程模型所產生的其它輸出值(例如，預測輸出值)相比較。在一範例中，由候選製程模型組中之候選製程模型所產生的輸出值(例如，預測輸出值)可與由候選製程模型組中之其它候選製程模型所產生的其它輸出值(例如，其它預測輸出值)相比較。在一態樣中，多樣性值可與餘弦函數(例如，與候選製程模型關聯之第一輸出向量及與另一候選製程模型關聯之第二輸出向量)關聯。在另一態樣中，多樣性值可與霍爾斯特德度量(例如，霍爾斯特德複雜度量測)關聯。在又另一態樣中，多樣性值可與相似性測量之倒數關聯。然而，將要理解的是，多樣性測量之另一類型可與多樣性值關聯。
判別組件208可判別候選製程模型組中具有最高品質(例如，藉由比較由品質組件204所產生的品質值)的候選製程模型。舉例而言，判別組件208可判別與最低MSE值(例如，判別組件208可判別與最低MSE值關聯 之品質值)關聯之候選製程模型組中之候選製程模型。如此，判別組件208可判別具有最低誤差(例如，從候選製程模型組)之製程模型。此外，判別組件208可標記(例如，標籤、標示等等)與最低MSE值關聯之候選製程模型組中之候選製程模型為具有最高品質(例如，最高品質製程模型)的候選製程模型。如此，判別組件208可從與最低誤差關聯之候選製程模型組中判別特殊製程模型。此外，對於候選製程模型組中之各候選製程模型所產生的品質值可促進最高品質製程模型的判別。
排行組件210可基於由品質組件204所產生之品質值而排行候選製程模型組中之候選製程模型。舉例而言，非判別為最高品質製程模型的候選製程模型可考慮最高品質製程模型而排行。如此，可將具有最高品質(例如，最低MSE)之候選製程模型排行第一，可將具有第二最高品質(例如，第二最低MSE)之候選製程模型排行第二等等。另外，排行組件210可基於由多樣性組件206所產生之多樣性值而排行候選製程模型組中之候選製程模型。舉例而言，基於品質值之候選製程模型的排行可進一步在由多樣性組件206所產生之多樣性值的基礎上排序。如此，具有相同品質值之候選製程模型的排行可在與具有相同品質值之候選製程模型關聯的多樣性值的基礎上確定。舉例而言，較高多樣性值(例如，對應於考慮最高品質製程模型之較佳的唯一性的多樣性值)可對應較高排行。從而，具有較高排行之候選製程模型可考慮最高品質製程模型而對應 較高品質及較佳的多樣性值。在一態樣中，排行組件210可另外或可選地基於加權平均而排行候選製程模型組中之候選製程模型。然而，將要理解的是，排行組件210可另外或可選地基於不同排行技術而排行候選製程模型組中之候選製程模型。如此，排行組件210可排序候選製程模型組，以促進在最大多樣化時與最低誤差關聯之候選製程模型的子集的選擇。
選擇組件212可基於由排行組件210所產生之排行而選擇候選製程模型(例如，最高品質製程模型及/或候選製程模型組中之一或多個其它製程模型)的子集。舉例而言，選擇組件212可選擇具有高排行(例如，前三名排行最高的、最高前五位排行等等)之一定數量的候選製程模型。如此，選擇組件212可選擇在最大多樣化時(例如，選擇組件212可在多樣化時對於高品質選擇具有強相關性之候選製程模型的子集，以避免受限於過度類似的製程模型)與最低誤差關聯之候選製程模型的子集。舉例而言，選擇組件212可選擇候選製程模型之取樣組以改進於認定與製作工具(複數個)110關聯之不同條件及/或製造狀況時(例如，製程週期)由製作工具(複數個)110產生之已處理晶圓104的品質。從而，由選擇組件212選擇之候選製程模型的取樣組係不為幾乎所有判定之製程模型的群所限制。
在一態樣中，選擇組件212可基於記憶體之可用大小而另外選擇候選製程模型的子集。舉例而言，選擇組件212可基於記憶體(例如，短期模式記憶體)之可用 大小而選擇一定數量之具有高排行的候選製程模型。如此，學習組件180可產生一或多個製程模型(例如，在第2圖中所示的製程模型)。在一態樣中，學習組件180可傳送具有最高品質(例如，由判別組件208所判別之最高品質製程模型)之候選製程模型至最佳化組件190。在另一態樣中，學習組件180可儲存具有最高品質(由判別組件208所判別之最高品質製程模型)之候選製程模型及/或一或多個其它候選製程模型於記憶體(例如，短期模式記憶體)中。
第3圖說明依據本發明之各種態樣及實施之系統300的非限制實施例。系統300包含最佳化組件190。最佳化組件190可包含候選組件302、預測組件304、品質組件306、排行組件308、多樣性組件310及/或選擇組件312。系統300之態樣可組成嵌入在機器(複數個)內的機器可執行組件(複數個)，例如，與一或多個機器關聯之嵌入在一或多個電腦可讀介質(或媒體)中。當由一或多個例如為電腦(複數個)、計算裝置(複數個)、虛擬機(複數個)等的機器執行時，這樣的組件可導致機器(複數個)進行所描述的運作。系統300可包含用於儲存電腦可執行組件及指令的記憶體316。系統300可進一步包含處理器314以促進由系統300之指令(例如，電腦可執行組件及指令)的運作。在一態樣中，最佳化組件190可以與學習組件180連接(例如，以控制及/或最佳化由學習組件180提供之製程學習)的方式實行。
最佳化組件190(例如，候選組件302、預測 組件304、品質組件306、排行組件308、多樣性組件310及/或選擇組件312)可促進對於與製作工具(複數個)110關聯之製程模型的解決方案之改進的控制及/或最佳化，而該控制及/或最佳化係用於將品質及多樣性最大化(例如，最小化誤差及最大化唯一性)。可使最佳化組件190適應與製作工具(複數個)110關聯之改變條件及/或製造狀況。此外，最佳化組件190可避免對於與製作工具(複數個)110關聯之製程模型及/或解決方案之短視產生及/或選擇(例如，由產生及/或選擇較佳解決方案之取樣組)。因此，最佳化組件190可將產生及/或選擇製程模型之解決方案的過度擬合最小化。
候選組件302可產生針對與製作工具(複數個)110關聯之製程模型的一或多個候選解決方案(例如，一或多個潛在的解決方案)。候選組件302可基於具有最高品質(例如，由判別組件208所判別之最高品質製程模型)及/或目標輸出值而產生候選解決方案組。各解決方案可為用於與由判別組件208所判別之最高品質製程模型關聯的輸入之值組。舉例而言，由判別組件208所判別之最高品質製程模型可與複數個輸入(例如，輸入參數)關聯。如此，各候選解決方案可包含針對用於與由判別組件208所判別之最高品質製程模型關聯的各輸入值。在一態樣中，候選組件302可基於一或多個基因演算法而產生候選解決方案組。在另一態樣中，候選組件302可基於模擬退火而產生候選解決方案組。在又另一態樣中，候選組件302可基於 爬坡最佳化技術而產生候選解決方案組。然而，將要理解的是，候選組件302可基於不同類型之最佳化技術而產生候選解決方案組。候選組件302可基於由判別組件208所判別之最高品質製程模型(例如，具有最高品質之候選製程模型)而產生候選製程參數組。
預測組件304可促進由候選組件302所產生之一或多個解決方案的選擇。舉例而言，預測組件304可利用由判別組件208所判別之最高品質製程模型而預測針對候選解決方案組中的各候選解決方案之輸出值(例如，結果值)。舉例而言，第一輸出值(例如，第一預測輸出值)可基於由判別組件208所判別之最高品質製程模型及第一候選解決方案而產生，而第二輸出值(例如，第二預測輸出值)可基於由判別組件208所判別之最高品質製程模型及第二候選解決方案而產生等等。如此，預測組件304可基於由判別組件208所判別之最高品質製程模型及候選解決方案組而產生輸出值組(例如，預測輸出值組)。
品質組件306可進一步促進由候選組件302所產生之一或多個解決方案的選擇。舉例而言，品質組件306可促進具有最低誤差(例如，及/或基於誤差之一或多個其它解決方案)之從候選解決方案組來的解決方案的選擇。品質組件306可產生針對候選解決方案組中的各候選解決方案之品質值(例如，變化值、預測性能值等)。品質值可為針對對應候選解決方案之預測性能的測量。舉例而言，品質值可為目標輸出值及與候選解決方案關聯之輸出 值(例如，預測輸出值)之間的誤差(例如，變化)的量測。在一態樣中，品質值可與MSE值關聯。舉例而言，品質值可與標準化之MSE值關聯。在另一態樣中，品質值可與相關性值關聯。在又另一態樣中，品質值可與決定係數值關聯。然而，將要理解的是，可實行品質測量之另一類型以產生品質值。
排行組件308可基於對應之品質值及目標輸出值而排行候選解決方案組中的各候選解決方案。如此，排行組件308可排行各候選解決方案以選擇(例如，判別)具有最高品質(例如，在目標輸出值及與候選解決方案關聯之輸出值之間具有最低誤差的候選解決方案)的候選解決方案。因此，排行組件308可確定具有最高品質(例如，最高品質解決方案)的候選解決方案。從而，排行組件308可利用針對候選解決方案組中的各候選解決方案之品質值以促進最高品質解決方案的選擇。
多樣性組件310可進一步促進由候選組件302產生之一或多個解決方案的選擇。舉例而言，多樣性組件310可促進從候選解決方案組來的候選解決方案之多樣性子集的選擇。多樣性組件310可產生針對候選解決方案組中的各候選解決方案之多樣性值。多樣性值可為考慮最高品質解決方案(例如，由排行組件308所確定的最高品質解決方案)之特殊候選解決方案的唯一性的測量。在一態樣中，多樣性值可與餘弦函數(例如，與特殊候選解決方案關聯之第一輸出向量及與最高品質解決方案關聯之第二輸 出向量)關聯。在另一態樣中，多樣性值可與霍爾斯特德度量(例如，霍爾斯特德複雜度量測)關聯。在另一態樣中，多樣性值可與相似性測量之倒數關聯。然而，將要理解的是，可實行多樣性測量之另一類型以產生多樣性值。
另外，排行組件308可基於由品質組件306所產生之品質值而排行候選解決方案組中的候選解決方案。舉例而言，非判別為最高品質解決方案之候選解決方案可考慮最高品質解決方案而排行。如此，可將具有最高品質(例如，最低MSE)之候選解決方案排行第一，可將具有第二最高品質(例如，第二最低MSE)之候選解決方案排行第二等等。另外，排行組件308可基於由多樣性組件310所產生之多樣性值而排行候選解決方案組中的候選解決方案。舉例而言，基於品質值之候選解決方案的排行可進一步在由多樣性組件310所產生之多樣性值的基礎上排序。如此，具有相同品質值之候選解決方案的排行可在與具有相同品質值之候選解決方案關聯的多樣性值的基礎上確定。舉例而言，較高多樣性值(例如，對應於考慮最高品質解決方案之較佳的唯一性的多樣性值)可對應較高排行。從而，具有較高排行之候選解決方案可考慮最高品質解決方案而對應較高品質及較佳的多樣性。在一態樣中，排行組件308可另外或可選地基於加權平均而排行候選解決方案組中之候選解決方案。然而，將要理解的是，排行組件308可另外或可選地基於不同排行技術而排行候選解決方案組中之候選解決方案。如此，排行組件308可排序候選解決 方案組，以促進在最大多樣化時與最低誤差關聯之候選解決方案的子集的選擇。
選擇組件312可基於由排行組件308所產生之排行而選擇候選解決方案(例如，最高品質解決方案及/或候選解決方案組中之一或多個其它解決方案)的子集。舉例而言，選擇組件312可選擇具有高排行(例如，前三名排行最高的、最高前五位排行等等)之一定數量的候選解決方案。如此，選擇組件312可選擇在最大多樣化時(例如，選擇組件312可在多樣化時對於高品質選擇具有強相關性之候選解決方案的子集，以避免受限於過度類似的解決方案)與最低誤差關聯之候選解決方案的子集。舉例而言，選擇組件312可選擇候選解決方案之取樣組以改進於認定與製作工具(複數個)110關聯之不同條件及/或製造狀況時(例如，製程週期)由製作工具(複數個)110產生之已處理晶圓104的品質。從而，由選擇組件312選擇之候選解決方案的取樣組係不為幾乎所有判定之解決方案的群所限制。
在一態樣中，選擇組件312可基於記憶體之可用大小而另外選擇候選解決方案的子集。舉例而言，選擇組件312可基於記憶體(例如，短期最佳化記憶體)之可用大小而選擇一定數量之具有高排行的候選解決方案。如此，最佳化組件190可產生一或多個解決方案(例如，在第3圖中所示的解決方案)。在一態樣中，最佳化組件190可儲存最高品質解決方案及/或一或多個其它候選解決方案於記憶體(例如，短期最佳化記憶體)中。
第4圖係說明用於促進製造程序之學習及/或最佳化的示範系統400的方塊圖。系統400可包括製作工具(複數個)110、光譜儀120、工具感測器130、裝置測量設備140、維護監控設備150、報告組件160及分析組件170。分析組件170可包括學習組件180、最佳化組件190、短期模式記憶體(short term model memory，簡稱STMM)402及短期最佳化記憶體(short term optimization memory，簡稱STOM)404。
STMM402可與學習組件180關聯。此外，STMM402可儲存一或多個製程模型。舉例而言，STMM402可儲存由選擇組件212(例如，學習組件180)選擇的候選製程模型。在一態樣中，由選擇組件212(例如，學習組件180)選擇之候選製程模型的數目可對應必須完全充滿STMM402之候選製程模型的數目。如此，STMM402可促進較快產生針對與製作工具(複數個)110關聯之製造程序的製程模型。此外，STMM402可促進遞增學習以將與製作工具(複數個)110關聯之製造程序的製程模型的品質及多樣性最大化。舉例而言，STMM402可在與製作工具(複數個)110關聯之製造程序期間產生額外製程數據時促進隨著時間的遞增學習。
STOM404可與最佳化組件190關聯。此外，STOM404可儲存一或多個解決方案。舉例而言，STOM404可儲存由選擇組件312(例如，最佳化組件190)所選擇的候選解決方案。在一態樣中，由選擇組件312(例如，最佳化 組件190)所選擇之候選解決方案的數目可對應必須完全充滿STOM404之候選解決方案的數目。如此，STOM404可促進較快產生與製作工具(複數個)110關聯之用於製造程序的製程模型之解決方案。此外，STOM404可促進最佳化，以在減少由維護解決方案之多樣性組的過度擬合時最大化解決方案之品質。
在一態樣中，學習組件180可如更全面地在本文所揭示地檢索儲存在STMM402中之一或多個候選製程模型、針對儲存在STMM402中之一或多個候選製程模型計算品質值及/或產生一或多個其他候選製程模型。如此，STMM402可促進遞增學習，使得與一或多個製作工具關聯之製程數據可隨著時間的推移不斷改進。此外，STMM402可在維護半導體製造系統中之用於製程模型化的高品質候選製程模型之多樣性組的同時促進更快製程模型的開發。另外，過度擬合的機率可在促進適應由維護半導體製造系統中之用於製程模型化的高品質製程模型之多樣性組而改變製造狀況的同時由實行STMM402而減少。
在另一態樣中，最佳化組件190可如更全面地在本文所揭示地檢索儲存在STOM404中之一或多個候選解決方案、針對儲存在STOM404中之一或多個候選解決方案計算品質值及/或產生一或多個其他候選解決方案。如此，STOM404可促進遞增最佳化，使得與一或多個製作工具關聯之製程數據可隨著時間的推移不斷改進。此外，STOM404可在維護半導體製造系統中之用於製程最佳化 的高品質候選製程解決方案之多樣性組的同時促進更快製程的最佳化。另外，過度擬合的機率可在促進適應由維護半導體製造系統中之用於製程控制及/或製程最佳化的高品質解決方案之多樣性組的改變製造狀況的同時由實行STOM404而減少。
在又另一態樣中，由學習組件180實行之學習製程可於每次新製程數據重覆而變得可行。然而，數據之初始群體可以儲存在STMM402中的數據而初始開端。如此，重新學習之結果可修飾儲存在STMM402中的數據。因此，當複數個或更多製程數據被得到及/或成為可行時，學習組件180可認為在多樣性製造狀況下存在具有最高品質的製程模型。從而，可隨著時間的推移而獲得改進之製程模型。此外，藉由實行STMM402，由學習組件180實行之學習製程係不要求從僥倖(例如，可減少學習時間)開始及/或可免於過度擬合(例如，可改進利用之製程模型的正確性)。類似地，將新的製程數據變成可行，由最佳化組件190實行之最佳化製程可藉由將儲存在STOM404中之數據的初始群體開端而重新恢復。因此，藉由維護STOM404中之解決方案的多樣性組，可實現解決方案之快速產生及/或可改進已利用解決方案之品質。此外，藉由維護STOM404中之解決方案的多樣性組，可減少過度擬合的機率及/或可改進解決方案的正確性。此外，藉由實行STMM402及/或STOM404，可減少預測值與測量值之間的誤差。
第5圖係說明基於使用者輸入之促進製造 程序之學習及/或最佳化的示範系統500之方塊圖。系統500可包括製作工具(複數個)110、光譜儀120、工具感測器130、裝置測量設備140、維護監控設備150、報告組件160、分析組件170及使用者輸入組件502。分析組件170可包含學習組件180、最佳化組件190、STMM402及STOM404。
使用者輸入組件502可組構為接收從系統500之使用者來的輸入，且提供輸出給系統500之使用者。舉例而言，使用者輸入組件502可成為對使用者說明提示之給使用者的輸入顯示螢幕，且接收經由任何適合之輸入機制(例如，鍵盤、觸控螢幕等)而從使用者來的這些說明。在一態樣中，使用者輸入組件502可允許對於包含以不同頻率的如每1/10秒之功率、每秒之壓力、每次操作之計量等的測量之使用者(例如，外部代理(agent))能力。在另一態樣中，使用者輸入組件502可允許對於數據之特定複製(例如，可直到下一次讀取數據才複製之較不頻繁的讀取)及/或減少數據(例如，對於最低頻率測量保持數據之採樣值及/或使用較其它較少頻率取樣之值的統計概要)。統計概要可包含例如但非限定於平均值、最小值、最大值、值的範圍、標準差值等等的運作。在又另一態樣中，使用者輸入組件502可允許使用者(例如，外部代理)標示數據矩陣之行(column)作為所選擇之輸出及/或標示數據矩陣之其它行作為可調整之製程參數(例如，輸入)。
在又另一態樣中，使用者輸入組件502可允 許使用者(例如，外部代理)特定出對於與製程模型關聯之各可調製程參數(例如，各輸入參數)所准許之可允許值的範圍。舉例而言，使用者輸入組件502可允許使用者對於各參數(例如，輸入之參數、可調輸入等)特定出範圍(例如，最小值、最大值、平均值、標準差值等等)。在又另一態樣中，使用者輸入組件502可允許使用者(例如，外部代理)特定出記憶體(例如，STMM402及/或STOM404)之可使用大小(例如，用於製程模型及/或解決方案之儲存槽的數目)。在又另一態樣中，使用者輸入組件502可允許使用者(例如，外部代理)特定出用於製程模型的目標輸出值。在又另一態樣中，使用者輸入組件502可允許使用者(例如，外部代理)特定出品質測量以從統計品質測量之程式庫產生品質值，及/或針對品質值特定定製(custom)之品質測量。此外，使用者輸入組件502可允許使用者(例如，外部代理)特定出唯一性測量，以從統計唯一性測量之程式庫產生多樣性值，及/或針對多樣性值特定定製之唯一性測量。然而，將要理解的是，可實行使用者輸入組件502以允許使用者特定出(例如，輸入)其它種類之資訊及/或數據，以促進製造程序之學習及/或最佳化。
第6圖係依據本發明之各種態樣及實施的示範數據矩陣600。數據矩陣600可促進製造程序之學習及/或最佳化。與製作工具(複數個)110關聯之製程數據可在數據矩陣600中合併。舉例而言，可產生及/或由光譜儀120、工具感測器130、裝置測量設備140及/或維護監控設 備150獲取包含在數據矩陣600中之製程數據。在一態樣中，數據矩陣600可由報告組件160產生。
數據矩陣600可包含感測器測量數據、光譜數據、裝置測量數據及/或維護數據。感測器測量數據可包含但不限於腔體壓力、氣體流量、功率數據、以秒計算之製程的經過時間等等。光譜數據可包含但不限於光譜強度(例如，對於所有測量波長之註記接著註記的光譜測量)等等。裝置測量數據可包含但不限於尺寸數據、厚度、在晶圓上之一或多個測量目標等。維護數據可包含但不限於自最後預防性維護的經過時間、組件年齡(例如，與組件關聯之生產時間)等。在一態樣中，可經由使用者輸入組件502提供、經由使用者輸入組件502修飾、經由使用者輸入組件502選擇等而令數據之至少一部分包含在數據矩陣600中。
在第6圖顯示之非限制範例中，數據矩陣600可包含欄(field)602、欄604、欄606、欄608及欄610。舉例而言，欄602(例如，晶圓識別欄)可擷取處理的單位(例如，晶圓)。欄604(例如，時間欄)可報告用於與處理的單位(例如，晶圓)關聯之製程經過時間(例如，經過秒數)。在一態樣中，製程可分割成一或多個步驟。如此，數據矩陣600可另外包含步驟識別欄(未顯示)。欄606可包含感測器測量數據。舉例而言，在時間欄後之一或多個欄可包含工具感測器測量數據。在第6圖中，欄606指為壓力。然而，將要理解的是，其它類型之感測器測量數據(例如，但不限 於如氣體流量、功率數據等)可另外或可選擇地包含在數據矩陣600中。欄608可包含光譜數據。舉例而言，欄608可包含光譜強度測量(例如，波長‘W260’)。然而，將要理解的是，其它光譜數據可另外或可選擇地包含在數據矩陣600(例如，其它波長等)中。在一態樣中，任意數目之光譜數據(例如，波長)可包含在數據矩陣600中。欄610可包含裝置測量數據(例如，FI-CD)。然而，將要理解的是，數據矩陣600可另外或可選擇地包含其它裝置測量數據(例如，蝕刻偏差等)。在一態樣中，欄610可包含與裝置測量數據關聯之位置號碼(例如，工具號碼)。舉例而言，括號中之號碼(例如，‘(1)’)可判別位置號碼(例如，工具號碼)。將要理解的是，數據矩陣600可另外或可選擇地包含其它類型的數據(例如，維護數據等)。
在一態樣中，在製程之前可進行包含在數據矩陣600中之用於得到數據之計量測量。在另一態樣中，可於製程後續進行包含在數據矩陣600中之用於得到數據之計量測量。將要理解的是，可對製程之每單位(例如，每一晶圓)實行單一計量測量或原位計量。此外，將要理解的是，其它類型之數據可包含在數據矩陣600中，舉例而言，但不限於，處理量、效率等。
第7圖係依據本發明之各種態樣及實施之候選製程模型的示範排行700。在一態樣中，排行700可與排行組件210(例如，學習組件180)關聯。行702包含與排行700關聯之製程模型(例如，候選製程模型)。舉例而 言，行702可表示包含在候選製程模型組中之候選製程模型。行704可包含含括在行702中之與候選製程模型組關聯的品質值。在顯示於第7圖中之非限制範例中，行704中之品質值係與標準化MSE(例如，1/(1-MSE))關聯。如此，較高的品質值係對應較低誤差的測量。行706可表示含括在行702中之與候選製程模型組關聯的多樣性值。在顯示於第7圖中之非限制範例中，行706中之多樣性值係與餘弦函數關聯。如此，較高的多樣性值係對應較佳之多樣性(例如，多樣性值等於零係對應無多樣性)。
所選擇之候選(例如，候選_2)可為具有最高品質(例如，所選擇之候選(例如，候選_2)係排行第1)之候選製程模型組中的候選製程模型。舉例而言，所選擇之候選(例如，候選_2)可由判別組件208所判別。顯示於第7圖中之候選製程模型組包含七候選製程模型。然而，將要理解的是，候選製程模型組可包含不同數目之候選製程模型。在顯示於第7圖中之非限制範例中，候選_1係排行第二，候選_5係排行第三，候選_7係排行第四，候選_4係排行第五，候選_3係排行第六及候選_6係排行第七。
排行700係基於與候選_1至候選_7關聯之品質值而初始排行。在顯示於第7圖中之非限制範例中，所選擇之候選(例如，候選_2)可與等於0.91之品質值關聯，且從而排行第一。所選擇之候選(例如，候選_2)係不與多樣性值關聯，既然各個其它候選製程模型係與所選擇之候選(例如，候選_2)比較以確定多樣性(例如，唯一性、 相似性等)。既然候選_1係與等於0.90(例如，第二最高品質值)之品質值關聯，候選_1係排行第二。然而，候選_5及候選_7係同樣與等於0.86(例如，第三最高品質值)之品質值關聯。然而，既然候選_5係與等於0.79之多樣性值關聯，且候選_7係與等於0.76(例如，與所選擇之候選相較，候選_5係更唯一)之多樣性值關聯，候選_5係排行第三且候選_7係排行第四。在一態樣中，一或多個候選製程模型可基於排行700而針對儲存在STMM402中而選擇。如此，在最大化多樣性時之與最低誤差關聯的候選製程模型之選擇可更為容易、快速及/或經由排行700而最佳地選擇。此外，排行700可促進在多樣性時具有對高品質強大相關性之候選製程模型的子集的選擇，以避免受限於過度地近似製程模型(例如，避免過度擬合)。從而，在認為與製作工具(複數個)110關聯之不同條件及/或製造狀況(例如，製程循環)時，可改進由製作工具(複數個)110產生之已處理晶圓104的品質。
將要理解的是，排行700可可選地為依據本發明之各種態樣及實施例的候選解決方案之排行。舉例而言，排行700可與排行組件308(例如，最佳化組件190)關聯。如此，候選解決方案可如上文討論之考慮候選製程模型而在品質值及多樣性值的基礎上類似地排行。因此，在一態樣中，可基於排行700而針對儲存在STOM404中選擇一或多個候選解決方案。此外，在最大化多樣性時與最低誤差關聯之候選解決方案的選擇可為簡單、快速及/或經由 排行700而最佳化。此外，排行700可促進在多樣性時具有對高品質強大相關性之候選解決方案的子集的選擇，以避免受限於過度地近似解決方案(例如，避免過度擬合)。從而，在認為與製作工具(複數個)110關聯之不同條件及/或製造狀況(例如，製程循環)時，可改進由製作工具(複數個)110產生之已處理晶圓104的品質。
第8圖係依據本發明之各種態樣及實施例的候選解決方案之示範排行800。在一態樣中，排行800可與排行組件308(例如，最佳化組件190)關聯。舉例而言，排行800可與候選解決方案之排行關聯以確定具有最高品質的候選解決方案。行802包含與排行800關聯之解決方案(例如，候選解決方案)。候選解決方案可基於所選擇之候選製程模型(例如，顯示於第7圖中之所選擇之候選(例如，候選_2))。舉例而言，候選解決方案可考慮與顯示於第7圖中之所選擇之候選(例如，候選_2)關聯之目標輸出值而排行。在第8圖顯示之非限制範例中，所選擇之候選製程模型(例如，顯示於第7圖中之候選(例如，候選2))可與三輸入參數關聯。如此，包含在行802中之候選解決方案可與包含在行806中的第一輸入參數、包含在行808中的第二輸入參數及包含在行810中的第三輸入參數關聯。行812可包含與含括在行802中之候選解決方案組關聯的品質值。行814可表示與含括在行802中之候選解決方案組關聯的多樣性值。
此外，在第8圖顯示之非限制範例中，針對 所選擇之候選製程模型(例如，顯示於第7圖中之所選擇之候選(例如，候選_2))的目標輸出值係1300。可利用所選擇之候選製程模型(例如，顯示於第7圖中之所選擇之候選(例如，候選_2))，以對於含括在行802中之各候選解決方案預測輸出值。對於各候選解決方案之所預測的輸出值可含括在行804中。品質值可對應候選解決方案之輸出值(例如，預測輸出值)與目標輸出值之間的誤差測量。在第8圖顯示之非限制範例中，行812中之品質值係與標準化之MSE(例如，1/(1-MSE))關聯。如此，較高品質值係對應較低誤差之測量。多樣性值可對應候選解決方案之間的多樣性(例如，候選解決方案之輸入參數之間的多樣性)。在第8圖顯示之非限制範例中，行814中之多樣性值係與餘弦函數關聯。如此，較高的多樣性值對應於更好的多樣性(例如，等於零的多樣性值對應無多樣性)。
如此，排行800可基於行804(例如，與含括在行802中之候選解決方案關聯的輸出值)、行812(例如，與含括在行802中之候選解決方案關聯的品質值)及/或行814(例如，與含括在行802中之候選解決方案關聯的多樣性值)。因此，在第8圖顯示之非限制範例中，既然1299之輸出值係最接近1300之目標輸出值(例如，候選_3之輸出值包含考慮目標輸出值的最低變化)，候選_3係排行第一。此外，當考慮對應之輸出值、品質值及/或多樣性值而排行時，候選_1係排行第二，候選_4係排行第三且候選_2係排行第四。在第8圖顯示之非限制範例中，既然各其它 候選解決方案(例如，用於各其它候選解決方案之輸入參數)係對於候選_3(例如，用於候選_3之輸入參數)比較以確定多樣性(例如，唯一性、相似性等)，候選_3不與多樣性值關聯。
第9至11圖說明依據本標的應用之一或多個實施例的各種設計方法。雖然為了簡化說明，在本文示出之一或多個設計方法係顯示並描述為一系列動作，但將要明白與理解的是，本標的之創新並不受動作的次序限制，某些動作可能依據隨後而以不同順序及/或同時與從本文所顯示及描述的其它動作發生。舉例而言，所屬技術領域中具有通常知識者將要明白及理解的是，設計方法可如同狀態圖中選擇地重新表示成一系列相互關聯的狀態或事件。此外，並非可能要求所有說明的動作以實行依據本創新之方法。再者，互動圖(複數個)可表示當不同實體扮演設計方法的不同部分時依據本標的所揭示之設計方法或方法。又進一步而言，二或更多個所揭示之範例方法可以彼此組合之方式實行，以實現本文中所描述的一或多個特徵或優點。
第9圖說明半導體製作系統中用於學習、控制及/或最佳化製程之示範設計方法900。初始地，在步驟902，基於與一或多個製作工具關聯之製程數據而產生候選製程模型組(例如，藉由學習組件180)。舉例而言，可基於感測器測量數據、光譜數據、裝置測量數據及/或維護數據而產生用於一或多個製造工具之潛在製程模型組。
在步驟904，從候選製程組選擇(例如，藉由學習組件180)與最低誤差關聯的特殊製程模型。舉例而言，可從候選製程模型組選擇與最低MSE值關聯之特殊製程模型。
在步驟906，產生(例如，藉由最佳化組件190)與特殊製程模型關聯的候選解決方案組。舉例而言，各候選解決方案可為針對與特殊製程模型關聯之輸入的值組。
在步驟908，在目標輸出值及與特殊解決方案關聯之輸出值的基礎上選擇(例如，藉由最佳化組件190)從候選解決方案組來的特殊解決方案。舉例而言，可從與最低變化(例如，基於目標輸出值及與特殊解決方案關聯的輸出值)關聯之候選解決方案組選擇特殊解決方案。
第10圖說明用於在半導體製作系統中用於學習製程的示範設計方法1000。初始地，在步驟1002，接收(例如，藉由學習組件180)與一或多個製作工具關聯之製程數據。舉例而言，製程數據可包含，但不限於感測器測量數據、光譜數據、裝置測量數據及/或維護數據。在一態樣中，製程數據可與數據矩陣關聯。
在步驟1004，基於製程數據而產生(例如，藉由候選組件202)候選製程模型組。舉例而言，可基於與一或多個製作工具關聯之製程數據而產生數學製程模型(例如，候選函數組)。在一態樣中，可實行一或多個基因演算法以產生候選製程模型組中之各候選製程模型。在另 一態樣中，可實行曲線配合技術產生候選製程模型組中之各候選製程模型。舉例而言，可使用線性趨近、多重線性趨近、多項式曲線配合、神經網路等產生候選製程模型組中之各候選製程模型。然而，將要理解的是，可實行不同類型之技術以產生候選製程模型組中之各候選製程模型。
在步驟1006，針對候選製程模型組中之各候選製程模型產生(例如，藉由品質組件204)品質值。舉例而言，可產生對於候選製程模型組中之各候選製程模型的預測性能指示器。在一態樣中，用於候選製程模型組中之各候選製程模型的品質值可與MSE值關聯。舉例而言，用於候選製程模型組中之各候選製程模型的品質值可與根MSE值關聯。在另一態樣中，用於候選製程模型組中之各候選製程模型的品質值可與相關性值關聯。在又另一態樣中，用於候選製程模型組中之各候選製程模型的品質值可與決定係數值關聯。然而，將要理解的是，品質測量之另一類型可與針對候選製程模型組中之各候選製程模型的品質值關聯。在一態樣中，針對候選製程模型組中之各候選製程模型的品質值可為標準化值。舉例而言，用於候選製程模型組中之各候選製程模型的品質值可等於1/(1-MSE)。
在步驟1008，針對候選製程模型組中之各候選製程模型產生(例如，藉由多樣性組件)多樣性值。舉例而言，可針對候選製程模型組中之各候選製程模型產生相似性指示器(例如，唯一性指示器)。在一範例中，由候選製程模型組中之候選製程模型產生之輸出值可與由候選 製程模型組中之其它候選製程模型所產生的其它輸出值相比較。在一態樣中，針對候選製程模型組中之各候選製程模型的多樣性值可與餘弦函數(例如，與候選製程模型關聯之第一輸出向量及與另一候選製程模型關聯之第二輸出向量)關聯。在另一態樣中，針對候選製程模型組中之各候選製程模型的多樣性值可與霍爾斯特德度量(例如，霍爾斯特德複雜度量測)關聯。在又另一態樣中，針對候選製程模型組中之各候選製程模型的多樣性值可與相似性測量之倒數關聯。然而，將要理解的是，多樣性測量之另一類型可與針對候選製程模型組中之各候選製程模型的多樣性值關聯。
在步驟1010，判別(例如，藉由判別組件208)具有最高品質的候選製程模型組中之候選製程模型。舉例而言，可比較針對候選製程模型所產生的品質值。在一態樣中，可判別與最低誤差(例如，最低MSE值)關聯的候選製程模型組中之候選製程模型。
在步驟1012，在針對候選製程模型組中所產生之品質值及/或所產生之多樣性值的基礎上排行(例如，藉由排行組件210)候選製程模型組中之候選製程模型。舉例而言，候選製程模型組可基於對應之品質值(例如，具有最高品質之所判別候選製程模型係排行第一，而具有次高品質之候選製程模型係排行第二等等)初始排行。此外，可基於對應之多樣性值而排行候選製程模型組。舉例而言，具有相同品質值之候選製程模型的排行可基於 對應之多樣性值(例如，具更高多樣性值之候選製程模型可排行更高)而確定。如此，較高的排行可對應較高品質(例如，較低的誤差值)及較佳的多樣性(例如，相較於其它候選製程模型為較佳的唯一性)。
在步驟1014，基於排行而選擇(例如，藉由選擇組件212)候選製程模型組之子集。舉例而言，可選擇具有最高品質(例如，最高三個高排行、最高五個高排行等)之一定數目的候選製程模型。在一態樣中，可基於能使用的記憶體大小而選擇候選製程模型組之子集。舉例而言，可基於能使用的記憶體(例如，短期模式記憶體)大小而選擇一定數目之具有高排行的候選製程模型。
在步驟1016，儲存候選製程模型組之子集於短期模式記憶體(例如，STMM402)中。如此，可隨著時間過去持續改進基於與一或多個製作工具關聯之製程數據的遞增學習。此外，可在維護短期記憶體中之高品質候選製程模型的多樣性組時利用較快的製程模型改進。另外，過度擬合之機率可在適應由維護短期記憶體中之用於製程模型化的多樣性高品質模型組之改變製造狀況的同時減少。
第11圖說明半導體製作系統中用於控制及/或最佳化程序的示範設計方法1100。在一態樣中，設計方法1100可連接設計方法1000而實行。一開始，在步驟1102，針對一或多個製作工具接收(例如，藉由最佳化組件190)與製程數據關聯的製程模型。舉例而言，可接收於候 選製程模型組間所選具有最高品質的製程模型。在一態樣中，所接收製程模型可為設計方法1000之步驟1010所判別的製程模型。
在步驟1104，接收(例如，藉由最佳化組件190)針對製程模型之目標輸出值。舉例而言，可接收針對所接收製程模型的目標輸出值(例如，所欲輸出值)。
在步驟1106，基於製程模型而產生(例如，藉由候選組件302)候選解決方案組。舉例而言，候選解決方案組中的各解決方案可為針對與製程模型關聯之輸入(例如，輸入參數)的值組。在一態樣中，可基於一或多個基因演算法而產生候選解決方案組中的各解決方案。在另一態樣中，可基於模擬退火而產生候選解決方案組中的各解決方案。在又另一態樣中，可基於爬坡最佳化技術而產生候選解決方案組中的各解決方案。然而，將要理解的是，可基於不同類型之最佳化技術而產生候選解決方案組中的各解決方案。
在步驟1108，藉由利用製程模型而預測(例如，藉由預測組件304)針對候選解決方案組中的各候選解決方案的輸出值。舉例而言，藉由利用製程模型而產生用於第一候選解決方案之第一輸出值，藉由利用製程模型而產生用於第二候選解決方案之第二輸出值等等。如此，可基於製程模型及候選解決方案組而產生輸出值組。
在步驟1110，針對候選解決方案組中的各候選解決方案產生(例如，藉由品質組件306)品質值。品質 值可為針對相較於目標輸出值之候選解決方案的輸出值之品值指示器。舉例而言，品質值可指出候選解決方案的輸出值與目標輸出值之間的變化。在一態樣中，針對候選製程模型組中之各候選製程模型的品質值可與MSE值關聯。舉例而言，用於候選製程模型組中之各候選製程模型的品質值可與根MSE值關聯。在另一態樣中，用於候選製程模型組中之各候選製程模型的品質值可與相關性值關聯。在又另一態樣中，用於候選製程模型組中之各候選製程模型的品質值可與決定係數值關聯。然而，將要理解的是，品質測量之另一類型可與用於候選製程模型組中之各候選製程模型的品質值關聯。在一態樣中，用於候選製程模型組中之各候選製程模型的品質值可為標準化值。舉例而言，用於候選製程模型組中之各候選製程模型的品質值可等於1/(1-MSE)。
在步驟1112，基於針對候選解決方案組中的各候選解決方案所產生之品質值而判別(例如，藉由排行組件308)候選解決方案組中之具有最高品質的候選解決方案。舉例而言，可選擇具有目標值的候選解決方案作為具有最高品質之候選解決方案，該候選解決方案係對應針對候選解決方案之輸出值與目標輸出值(例如，對應最低MSE之品質值)之間的最低誤差。
在步驟1114，針對候選解決方案組中的各候選解決方案而產生(例如，藉由多樣性組件310)多樣性值。多樣性值可為考慮具有最高品質(例如，在步驟1012 所確定者)之候選解決方案的特殊候選解決方案之唯一性的測量。在一態樣中，針對候選製程模型組中之各候選製程模型的多樣性值可與餘弦函數(例如，與特殊候選解決方案關聯之第一輸出向量及與具有最高品質之候選解決方案關聯的第二輸出向量)關聯。在另一態樣中，候選製程模型組中之各候選製程模型的多樣性值可與霍爾斯特德度量(例如，霍爾斯特德複雜度量測)關聯。在另一態樣中，候選製程模型組中之各候選製程模型的多樣性值可與相似性測量之倒數關聯。然而，將要理解的是，可實行多樣性測量之另一類型以產生針對候選解決方案組中的各候選解決方案的多樣性值。
在步驟1116，基於針對候選解決方案組之所產生品質值及/或所產生多樣性值而排行(例如，藉由排行組件308)候選解決方案組中的候選解決方案。舉例而言，解決方案組可基於對應之品質值(例如，具有最高品質之候選解決方案排行第一，具有第二最高品質之候選解決方案排行第二等等)而初始排行。此外，解決方案組可基於對應之多樣性值而排行。舉例而言，具有相同品質值之候選解決方案的排行可基於對應之多樣性值(例如，具有較高多樣性值之候選解決方案可排行較高)而確定。如此，較高排行可對應較高品質(例如，較低誤差值)，且較佳多樣性(例如，相較於具有最高品質之候選解決方案的較佳唯一性)。
在步驟1118，基於排行而選擇(例如，藉由 選擇組件312)候選解決方案組之子集。舉例而言，可選擇一定數目之具有最高排行(例如，前三名排行最高的、最高前五位排行等等)的候選解決方案。在一態樣中，可基於記憶體之可用大小而選擇解決方案之子集。舉例而言，一定數量之具有高排行的候選解決方案可基於記憶體(例如，短期最佳化記憶體)之可用大小而選擇。
在步驟1120，儲存候選解決方案組之子集於短期最佳化記憶體(係如，STOM404)中。如此，可隨著時間持續改進基於與一或多個製作工具關聯之製程數據的遞增最佳化。此外，更快的製程最佳化可針對短期記憶體中之製程最佳化而在維護高品質候選解決方案之多樣性組的同時利用。另外，過度擬合的機率可在適應藉由針對短期記憶體中之製程控制及/或製程最佳化而維護高品質解決方案之多樣性組而改變製造狀況的同時而減少。
為了提供用於所揭示標的之各種態樣的前後關係，第12及13圖及後續討論意欲提供可實現所揭示標的之各種態樣中之適合環境的簡短及一般描述。
請參照第12圖，用於實現所揭示標的之各種態樣的適合環境1200包含電腦1212。電腦1212包含處理單元1214、系統記憶體1216及系統匯流排1218。系統匯流排1218耦接系統組件之包含但不限於系統記憶體1216至處理單元1214。處理單元1214可為任何各種可得到的處理器。雙微處理器及其它多重處理器架構亦可利用作為處理單元1214。
系統匯流排1218可為若干類型之匯流排結構(複數個)的任意者，該等匯流排結構包括記憶體匯流排或記憶體控制器、週邊匯流排或外部匯流排及/或區域匯流排，該等匯流排結構使用各種可用匯流排架構之任何變形，該變形包含但不限於工業標準架構(ISA)、微通道體系架構(MSA)、延伸ISA(EISA)、智慧驅動電子設備(IDE)、視訊電子標準協會區域匯流排(VLB)、週邊組件互連(PCI)、卡片匯流排，通用串列匯流排(USB)、先進影像處理埠(AGP)、個人電腦記憶卡國際聯盟匯流排(PCMCIA)、火線(IEEE 1394)及小型電腦系統界面(SCSI)。
系統記憶體1216包含揮發性記憶體1220及非揮發性記憶體1222。基本輸入/輸出系統(BIOS)含在電腦1212內之元件之間轉換資訊的基本子程式(routines)，例如，在啟動期間儲存在非揮發性記憶體1222中者。藉由說明且不以其為限制，非揮發性記憶體1222可包含唯讀記憶體(ROM)、可程式唯讀記憶體(PROM)、電子可編程唯讀記憶體(EPROM)、電子可抹除編程唯讀記憶體(EEPROM)、快閃記憶體、或非揮發性隨機可存取記憶體(RAM)(例如，鐵電RAM(FeRAM))。揮發性記憶體1220包含作用為外部快取記憶體的隨機可存取記憶體(RAM)。藉由說明且不以其為限制，可應用許多形式之例如為靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、同步動態隨機存取記憶體(SDRAM)、雙倍資料速率SDRAM(DDR SDRAM)、增強型SDRAM(ESDRAM)、同步鏈接動態隨機存取記憶體 (SLDRAM)、直接型倫巴士(Rambus)隨機存取記憶體(DRRAM)、直接型倫巴士(Rambus)動態隨機存取記憶體(DRDRAM)、及倫巴士(Rambus)動態隨機可存取記憶體(RAM)。
電腦1212亦包含可移除/不可移除、揮發性/非揮發性的電腦儲存媒體。舉例而言，第12圖以碟式儲存器1224說明。碟式儲存器1224包含但不限於類似磁碟驅動器、軟式碟片驅動器、磁帶驅動器、傑斯(Jaz)磁碟驅動機、壓縮磁碟、LS-100驅動器、快閃記憶體卡、或記憶卡(memory stick)。碟式儲存器1224亦可包含分開或與其它儲存媒體結合之儲存媒體，而其它儲存媒體包含但不限於例如為光碟唯讀記憶體裝置(CD-ROM)、可讀寫光碟驅動器(CD-R Drive)、可重覆寫入光碟驅動器(CD-RW Drive)或唯讀式多功能數位光碟驅動器(DVD-ROM)的光碟驅動器。為了促進對於系統匯流排1218之碟式儲存裝置1224的連接，一般使用例如為界面1226的可移除或不可移除界面。
第12圖也描繪作用為使用者與如適合運作環境1200的基本電腦資源之間的媒介之軟體。舉例而言，這樣的軟體包含作業系統1228。可儲存在碟式儲存器1224上之作業系統1228係作用以控制及分配電腦系統1212的資源。系統應用1230藉由作業系統1228通過程式模組1232及程式數據1234(例如，無論儲存在系統記憶體1216中或碟式儲存器1224上)而取得資源管理的優點。將要理解的是，本揭示可以各種作業系統或作業系統之組合而實現。
使用者通過輸入裝置(複數個)1236而鍵入 命令或資訊至電腦1212。輸入裝置1236包含但不限於例如為滑鼠、追踪球、指示筆、觸控墊、鍵盤、麥克風、操縱桿、遊戲墊、衛星天線、掃描器、電視調諧卡、數位相機、數位攝像機、網路攝像機等指示裝置。這些及其它輸入裝置經由界面埠(複數個)1238而通過系統匯流排1218以連接於處理單元1214。舉例而言，界面埠(複數個)1238包含串列埠、並列埠、遊戲埠及通用串列匯流排(USB)。輸出裝置(複數個)1240使用一些作為與輸入裝置(複數個)1236相同類型之埠。因此，舉例而言，可使用USB埠以提供對電腦1212之輸入，且使用以從電腦1212輸出資訊予輸出裝置1240。提供輸出接合器(adapter)1242以說明有一些在其它輸出裝置1240之間要求特定接合器的輸出裝置1240，如監視器、揚聲器及印表機。藉由說明且非限制的方式，輸出接合器1242包含在輸出裝置1240與系統匯流排1218之間提供連接之手段的影像及音效卡。應該要注意的是，其它裝置及/或裝置的系統同時提供輸入及輸出能力，如遠端電腦(複數個)1244。
電腦1212可使用對於一或多個例如為遠端電腦(複數個)1244之遠端電腦的邏輯連接而運作於網路環境中。遠端電腦(複數個)1244可為個人電腦、伺服器、路由器、網路個人電腦、個人計算機、服務器、路由器、一個網路PC、工作站、基於微處理器的電器、同級裝置(peer device)或其它常用網路節點、及其類似者，且一般包含許多或所有相關描述於電腦1212的元件。為了簡明的目的， 僅有記憶體儲存裝置1246說明遠端電腦(複數個)1244。遠端電腦(複數個)1244係通過網路界面1248而邏輯地連接電腦1212，且接著經由通訊連接1250而實體連接。網路界面1248擁有如區域網路(LAN)、廣域網路(WAN)、蜂窩式網路等的有線及/或無線通訊網路。LAN技術包括光纖分散式數據界面(FDDI)、銅線分散數據介面(CDDI)、以太網、環狀標記網路及其類似者。WAN技術包括但不限於點對點鏈、類似整合服務數位網路(ISDN)的電路交換式網路和其變形、分封交換網路及數位用戶線路(DSL)。
通訊連接(複數個)1250指的是利用以連接網路界面1248至匯流排1218的硬體/軟體。儘管通訊連接1250係顯示在電腦1212內部用以清楚說明，但通訊連接1250亦可對電腦1212而言為外部。僅為了示例目的，針對對於網路界面1248之連接的必要硬體/軟體包含例如為含括正規電話等級數據機、纜線數據機和DSL數據機、ISDN接合器及乙太網卡的內部及外部技術。
第13圖係具有本揭示之標的可互動之取樣計算環境1300的示意性方塊圖。系統1300包含一或多個用戶端(複數個)1310。用戶端(複數個)1310可為硬體及/或軟體(例如，線程、程序、計算裝置)。系統1300亦包含一或多個伺服器端(複數個)1330。因此，系統1300可對應在其它模式之間的雙階層用戶端伺服器模式或多重階層(例如，用戶端、中階層伺服器、數據伺服器)。伺服器端(複數個)1330亦可為硬體及/或軟體(例如，線程、程序、計算 裝置)。舉例而言，伺服器端1330可藉由本揭示之利用而進行轉換廠房線程(house threads)。一在用戶端1310與伺服器端1330之間的可能通訊可為於一或多個電腦程序之間的數據封包傳送之形式。
系統1300包含可利用以促進用戶端(複數個)1310與伺服器端(複數個)1330之間的通訊之通訊架構1350。用戶端(複數個)1310係操作連接可利用以儲存對於用戶端(複數個)1310為區域之資訊的一或多個用戶數據儲存器(複數個)1320。類似地，伺服器端(複數個)1330係操作連接可利用以儲存對於伺服器端1330為區域之資訊的一或多個伺服器數據儲存器(複數個)1340。
將要注意的是，本揭示之態樣或特徵可基本上利用任何無線電信或無線電技術，例如，無線保真、藍牙、全球互通微波存取網路(WiMAX)、增強通用封包無線電服務(Enhanced GPRS)、第三代合作夥伴計劃(3GPP)、長期演進(LTE)、第三代合作夥伴計劃2(3GPP2)超行動寬頻(UMB)、3GPP通用移動通信系統(UMTS)、高速封包存取(HSPA)、高速下載封包存取(HSDPA)、高速上傳封包存取(HSUPA)、GSM(全球行動通訊系統)EDGE(用於GSM演進的增強型資料速率)無線電存取網路(GERAN)、UMTS地面無線電存取網路(UTRAN)、先進LTE(LTE-A)等等。另外，一些或所有本文所描述之態樣可利用舊有無線電信技術，例如，GSM。再者，行動及非行動網路(例如，互聯網、如互聯網協議電視(IPTV)的數據服務網路等)可利用本文所描 述的態樣或特徵。
儘管已以運行在電腦及/或複數電腦上之電腦程式的電腦可執行指令之一般上下文而如上文描述本標的，所屬技術領域中具有通常知識者將認識的是，本揭示也可以或可能以與其它程式模組組合之方式實現。一般而言，程式模組包含進行特殊工作及/或實現特殊摘要數據類型的子程式、程式、組件、數據結構等。此外，所屬技術領域中具有通常知識者將要理解的是，可以包含單一處理器或多重處理器電腦系統、迷你計算裝置、主架構電腦、以及個人電腦、手持計算裝置(例如，個人數位助理(PDA)、電話等)、基於微處理器或可編程消費或工業電業電子裝置及其類似者的其它電腦系統組構實踐本發明之方法。說明之態樣亦可以分散式計算環境實踐，其中，工作係由通過通訊網路所鏈結之遠端處理裝置所進行。然而，一些卻非所有本揭示的態樣可在單獨之電腦上實踐。在分散式計算環境中，程式模組可同時位於區域及遠端記憶體儲存裝置中。
如使用於本申請之術語「組件」、「系統」、「平臺」、「界面」及其類似者可稱為及/或可包含具有一或多個特定功能之電腦相關的實體或運作機器相關的實體。本文揭示之該實體可為硬體、硬體及軟體之組合、軟體、或執行的軟體。舉例而言，組件可為但不限於運行在處理器上之程序、處理器、物件、執行檔、執行之線程、程式、及/或電腦。藉由說明的方式，運作在伺服器上的應用及伺 服器皆可為組件。一或多個組件可常駐在程序及/或執行之線程內，且組件可在一電腦及/或於二或更多電腦之間分散而區域化。
在另一範例中，個別的組件可從具有儲存其上之各種數據結構的各種電腦可讀媒體執行。組件可經由例如依具有一或多個數據封包(例如，與另一區域系統中、分散式系統及/或如經由訊號與其它系統之互聯網的跨網路之組件互動的一組件的數據)之訊號的區域及/或遠端處理而通訊。如另一範例，組件可為具有藉由由電氣或電路所運行之機器零件所提供特定功能的設備，其中，由電氣或電路所運行之機器零件係由處理器執行之軟體或韌體應用所運作。在如此的情況中，處理器可內部或外部於設備，且可執行軟體或韌體應用之至少一部分。如又另一範例，組件可通過電子組件而非機器零件提供特定功能的設備，其中，電子組件可包含處理器或執行授予至少電子組件之部分功能之軟體或韌體的其它手段。在一態樣中，組件可經由例如為雲端計算系統之虛擬機器而仿效電子組件。
另外，用詞「或」係傾向意指包含性「或」而非排他性「或」。也就是說，除非另有指定，或從上下文清楚可見，「X利用A或B」係傾向意指任何自然包含性排列。也就是說，如果X利用A；X利用B；或X一起利用A和B，那麼「X利用A或B」係在任何以上實例滿足。此外，使用在主體說明書及附圖中的冠詞「一(a)」及「一(an)」 應一般解釋為表示「一或多個」，除非另有指定或從上下文中明確得知其針對於單數形式。
如本文使用的，用詞「範例」及/或「示範」係利用以意指作為範例、實例或說明。為避免疑義，本文中所揭示之標的並非由這些範例所限制。另外，本文描述之任何作為「範例」及/或「示範」的態樣或設計係不一定要解釋為優於或勝過其它態樣或設計，也不是意在排除對於所屬技術領域中具有通常知識者為已知的等效示範性結構與技術。
本文描述之各種態樣或特徵可使用標準編程或工程技術而以方法、設備、系統或製品而實現。另外，本發明所揭示之各種態樣或特徵可通過以本文所揭示之至少一或多個方法實現的程式模組而瞭解，而該程式模組係儲存在記憶體中並由至少一處理器執行。其它硬體和軟體之組合或硬體和韌體之組合可使本文描述之包含所揭示方法(複數個)的態樣致能或實現。本文使用之用詞「製品」可擁有從任何電腦可讀裝置、載體或儲存媒體存取的電腦程式。舉例而言，電腦可讀儲存媒體可包含但不限於磁性儲存裝置(例如，硬碟、軟碟、磁條...)、光學碟片(例如，光碟(CD)、多功能數位影音光碟(DVD)、藍光碟片(BD)...)、智慧卡、快閃記憶體裝置(例如，卡、棒、鑰匙驅動器...)，或其類似者。
當利用在主體說明書時，用詞「處理器」可基本指為包括但不限於單核處理器、具有軟體多線程執 行能力之單一處理器、多核處理器、具有軟體多線程執行能力之多核處理器、具有硬體多線程技術之多核處理器、平行平台及具有分散式共享記憶體之平行平台的實質上任何計算處理單元或裝置。另外，處理器可指為積體電路、特殊應用積體電路(ASIC)、數位訊號處理器(DSP)、場式可編程閘陣列(FPGA)、可編程式邏輯控制器(PLC)、複雜可程式邏輯裝置(CPLD)、非連續閘或電晶體邏輯、非連續硬體組件、或設計以進行本文所描述之功能的任何組合。進一步而言，為了最佳化空間使用或增強使用者裝備的性能，處理器可利用例如但不限於基於分子和量子點的電晶體、開關及閘之奈米級的架構。處理器亦可以計算處理單元之組合而實現。
在本發明中，如「儲存」、「儲存器」、「數據儲存」、「數據儲存器」、「資料庫」及基本上等效於組件的運作和功能之任何其它資訊儲存組件的用詞係利用來稱呼「記憶體組件」、嵌入在「記憶體」中之實體、或包括記憶體之組件。將要理解的是，本文描述之記憶體及/或記憶體組件可為揮發性記憶體或非揮發性記憶體，或可包含揮發性記憶體及非揮發性記憶體二者。
藉由說明且非限制的方式，非揮發性記憶體可包含唯讀記憶體(ROM)、可程式唯讀記憶體(PROM)、電子可編程唯讀記憶體(EPROM)、電子可抹除編程唯讀記憶體(EEPROM)、快閃記憶體、或非揮發性隨機可存取記憶體(RAM)(例如，鐵電RAM(FeRAM))。舉例而言，揮發性記 憶體可包含作用為外部快取記憶體的隨機可存取記憶體(RAM)。藉由說明且不以其為限制，可以許多類型之例如為同步隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、同步動態隨機存取記憶體(SDRAM)、雙倍資料速率SDRAM(DDR SDRAM)、增強型SDRAM(ESDRAM)、同步鏈接動態隨機存取記憶體(SLDRAM)、直接型倫巴士(Rambus)隨機存取記憶體(DRRAM)、直接型倫巴士(Rambus)動態隨機存取記憶體(DRDRAM)及倫巴士(Rambus)動態隨機存取記憶體(RDRAM)而得到隨機可存取記憶體(RAM)。另外，本文之系統或方法所揭示之記憶體組件係傾向於包含但非限制於包含這些及任何記憶體的其它適合類型。
將要理解及知道的是，如考慮特殊系統或方法所描述的組件可包含如考慮本文揭示之其它系統或方法所描述的各自組件(例如，各自命名組件或類似命名組件)的相同或類似功能。
上文已描述的內容包含提供本發明之優點的系統及方法的範例。當然，不可能為了描述本發明之目的而描述組件或方法之每一可想像組合，但所屬技術領域中具有通常知識者可認識本發明之許多進一步組合及置換係為可能的。此外，就使用於詳細描述、申請專利範圍、附錄及附圖中之詞語「包含」、「具有」、「擁有」及其類似者的這些詞語的範圍係傾向為類似於如利用為申請專利範圍之過度用語所解釋「包括」的詞語「包括」之包含性的方式。
100‧‧‧系統
102‧‧‧輸入晶圓
104‧‧‧已處理晶圓
110‧‧‧製作工具(複數個)
120‧‧‧光譜儀
130‧‧‧工具感測器
140‧‧‧裝置測量設備
150‧‧‧維護監控設備
160‧‧‧報告組件
170‧‧‧分析組件
180‧‧‧學習組件
190‧‧‧最佳化組件

Claims (20)

  1. 一種系統，係包括：記憶體，係儲存電腦可執行組件；以及處理器，係組構成執行儲存於該記憶體中的以下電腦可執行組件；學習組件，係基於與一或多個製作工具關聯之製程數據而產生候選製程模型組，以及從與最低誤差關聯之該候選製程模型組選擇特殊製程模型；以及最佳化組件，係產生與該特殊製程模型關聯之候選解決方案組，以及從基於目標輸出值及與該特殊解決方案關聯之輸出值之該候選解決方案組選擇特殊解決方案。
  2. 如申請專利範圍第1項所述之系統，其中，該製程數據係與包含感測器測量數據、光譜數據、裝置測量數據及維護數據中之至少一者的數據矩陣關聯。
  3. 如申請專利範圍第1項所述之系統，其中，該學習組件係針對該候選製程模型組中之各候選製程模型而產生品質值，以促進從該候選製程模型組來的該特殊製程模型之選擇。
  4. 如申請專利範圍第3項所述之系統，其中，針對該候選製程模型組中之各候選製程模型的該品質值係與均方誤差關聯。
  5. 如申請專利範圍第3項所述之系統，其中，該學習組件 更產生與該候選製程模型組中之各候選製程模型的唯一性關聯之多樣性值。
  6. 如申請專利範圍第5項所述之系統，其中，針對該候選製程模型組中之各候選製程模型的該多樣性值係基於餘弦函數而產生。
  7. 如申請專利範圍第5項所述之系統，其中，該學習組件針對該候選製程模型組中之各候選製程模型而產生作為該品質值及該多樣性值的函數之該候選製程模型組的排行。
  8. 如申請專利範圍第7項所述之系統，其中，該學習組件基於該排行從該候選製程模型組進一步選擇一或多個其它製程模型，以及在短期模式記憶體中儲存該特殊製程模型及該一或多個其它製程模型。
  9. 如申請專利範圍第1項所述之系統，其中，該最佳化組件係針對該候選解決方案組中的各候選解決方案而產生品質值，以促進從該候選解決方案組來的該特殊解決方案之選擇。
  10. 如申請專利範圍第9項所述之系統，其中，針對該候選解決方案組中的各候選解決方案之該品質值係與均方誤差關聯。
  11. 如申請專利範圍第9項所述之系統，其中，該最佳化組件更產生與該候選解決方案組中之各候選解決方案的唯一性關聯之多樣性值。
  12. 如申請專利範圍第11項所述之系統，其中，針對該候 選解決方案組中之各候選解決方案的該多樣性值係基於餘弦函數而產生。
  13. 如申請專利範圍第11項所述之系統，其中，該最佳化組件針對該候選解決方案組中之各候選解決方案而產生作為該品質值及該多樣性值的函數之該候選解決方案組的排行。
  14. 如申請專利範圍第13項所述之系統，其中，該最佳化組件基於該排行從該候選解決方案組進一步選擇一或多個其它解決方案，以及在短期最佳化記憶體中儲存該特殊解決方案及該一或多個其它解決方案。
  15. 一種方法，係包括：利用促進儲存在非過渡電腦可讀媒介上之電腦可執行指令的執行的處理器以實現運作，該運作係包括：基於與一或多個製作工具關聯之製程數據產生候選製程模型組；針對該候選製程模型組中之各候選製程模型產生品質值；基於與該候選製程模型組中之各候選製程模型關聯之該品質值而從該候選製程模型組選擇特殊製程模型；產生與該特殊製程模型關聯的候選解決方案組；以及基於目標輸出值及與該特殊解決方案關聯之輸出值而從該候選解決方案組選擇特殊解決方 案。
  16. 如申請專利範圍第15項所述之方法，更包括：針對該候選製程模型組中之各候選製程模型產生多樣性值。
  17. 如申請專利範圍第16項所述之方法，更包括：針對該候選製程模型組中之各候選製程模型，基於該品質值及該多樣性值而排行該候選製程模型組；基於該候選製程模型組之該排行而選擇候選製程模型子集；以及在短期模式記憶體中儲存該候選製程模型子集。
  18. 如申請專利範圍第15項所述之方法，更包括：針對該候選解決方案組中的各候選解決方案產生品質值及多樣性值。
  19. 如申請專利範圍第18項所述之方法，更包括：針對該候選解決方案組中的各候選解決方案，基於該品質值及該多樣性值排行該候選解決方案組；基於該候選解決方案組之該排行選擇候選解決方案子集；以及在短期最佳化記憶體中儲存該候選解決方案子集。
  20. 一種電腦可讀媒介，係具有儲存於其上之電腦可執行指令，該電腦可執行指令回應藉由包含處理器之系統的執行，使該系統進行運作，該運作係包括：基於與一或多個製作工具關聯之製程數據而產生 候選製程模型組；針對該候選製程模型組中之各候選製程模型而產生品質值；基於與該候選製程模型組中之各候選製程模型關聯之該品質值而從該候選製程模型組選擇特殊製程模型；產生與該特殊製程模型關聯的候選解決方案組；以及基於目標輸出值及與該特殊解決方案關聯之輸出值而從該候選解決方案組選擇特殊解決方案。
TW103142317A 2013-12-05 2014-12-05 學習及／或最佳化製造程序的系統及方法 TWI648764B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US14/097,907 US9396443B2 (en) 2013-12-05 2013-12-05 System and method for learning and/or optimizing manufacturing processes
US14/097,907 2013-12-05

Publications (2)

Publication Number Publication Date
TW201532120A true TW201532120A (zh) 2015-08-16
TWI648764B TWI648764B (zh) 2019-01-21

Family

ID=53271530

Family Applications (1)

Application Number Title Priority Date Filing Date
TW103142317A TWI648764B (zh) 2013-12-05 2014-12-05 學習及／或最佳化製造程序的系統及方法

Country Status (5)

Country Link
US (2) US9396443B2 (zh)
JP (1) JP6731341B2 (zh)
KR (1) KR102376824B1 (zh)
TW (1) TWI648764B (zh)
WO (1) WO2015085122A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI628525B (zh) * 2015-03-10 2018-07-01 三菱化學工程股份有限公司 Manufacturing method analysis method
TWI697585B (zh) * 2019-03-20 2020-07-01 中國鋼鐵股份有限公司 熱浸鍍鋅產品缺陷估測系統及其方法
TWI768386B (zh) * 2019-06-24 2022-06-21 德商Ｓｍｓ集團有限公司 工業工廠，特別是用於金屬生產工業或鋁或鋼鐵工業的工廠，以及用於操作工業工廠，特別是用於金屬生產工業或鋁或鋼鐵工業的工廠的方法

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9857291B2 (en) * 2013-05-16 2018-01-02 Kla-Tencor Corporation Metrology system calibration refinement
US9396443B2 (en) * 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
FR3029620B1 (fr) * 2014-12-05 2019-06-14 Safran Aircraft Engines Procede de suivi de la fabrication de pieces base sur l'analyse simultanee d'indicateurs statistiques
FR3029622B1 (fr) * 2014-12-05 2019-06-14 Safran Aircraft Engines Procede de suivi de la fabrication de pieces base sur l'analyse de coefficients de centrage
JP6453805B2 (ja) * 2016-04-25 2019-01-16 ファナック株式会社 製品の異常に関連する変数の判定値を設定する生産システム
TWI797088B (zh) * 2016-09-19 2023-04-01 日商東京威力科創股份有限公司 在原位硬遮罩移除方法
WO2018140034A1 (en) * 2017-01-27 2018-08-02 Hewlett-Packard Development Company, L.P. Predicting distributions of values of layers for three-dimensional printing
TWI632470B (zh) * 2017-06-22 2018-08-11 國立成功大學 虛擬物料品質檢測方法與電腦程式產品
JP6966245B2 (ja) * 2017-07-12 2021-11-10 アズビル株式会社 支援装置および支援方法
US10747210B2 (en) 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
EP3474091B1 (de) * 2017-10-20 2023-07-05 aixprocess GmbH Verfahren und vorrichtung zur regelung eines prozesses innerhalb eines systems, nämlich eines mahlprozesses in einer mahlvorrichtung
JP6525044B1 (ja) * 2017-12-13 2019-06-05 オムロン株式会社 監視システム、学習装置、学習方法、監視装置及び監視方法
KR102086815B1 (ko) * 2018-01-12 2020-03-09 세종대학교산학협력단 인공 신경망을 구성하는 복수의 학습 모델 중 최적 학습 모델 선택 방법 및 장치
CN111837226B (zh) * 2018-03-05 2024-03-08 科磊股份有限公司 三维半导体结构的可视化
US10794839B2 (en) 2019-02-22 2020-10-06 Kla Corporation Visualization of three-dimensional semiconductor structures
US11775714B2 (en) * 2018-03-09 2023-10-03 Pdf Solutions, Inc. Rational decision-making tool for semiconductor processes
JP7121506B2 (ja) 2018-03-14 2022-08-18 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
JP7137943B2 (ja) * 2018-03-20 2022-09-15 株式会社日立ハイテク 探索装置、探索方法及びプラズマ処理装置
JP6766103B2 (ja) * 2018-07-31 2020-10-07 株式会社日立製作所 分析方法及び計算機
JP6830464B2 (ja) * 2018-09-26 2021-02-17 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 基板処理装置、半導体装置の製造方法および記録媒体。
DK3705963T3 (da) * 2019-03-08 2022-10-24 Abb Schweiz Ag Hensigtsbaseret automatisk teknisk fremgangsmåde
JP6856162B2 (ja) * 2019-09-24 2021-04-07 ダイキン工業株式会社 制御システム
JP7148644B2 (ja) 2019-12-03 2022-10-05 株式会社日立ハイテク 探索装置、探索プログラム及びプラズマ処理装置
KR102304629B1 (ko) 2021-04-05 2021-09-24 주식회사 렛유인 Ar 및 xr 기반 반도체 공정 및 장비의 학습을 위한 콘텐츠 제공 방법, 장치 및 시스템
US20240012393A1 (en) * 2022-07-08 2024-01-11 Applied Materials, Inc. Sustainability monitoring platform with sensor support

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5402367A (en) * 1993-07-19 1995-03-28 Texas Instruments, Incorporated Apparatus and method for model based process control
JP3648150B2 (ja) * 1999-11-18 2005-05-18 東京エレクトロン株式会社 冷却処理装置及び冷却処理方法
US6757667B1 (en) 2000-04-12 2004-06-29 Unilever Home & Personal Care Usa, Division Of Conopco, Inc. Method for optimizing formulations
US7634450B2 (en) 2003-12-12 2009-12-15 Hewlett-Packard Development Company, L.P. System and method for determining difficulty measures for training cases used in developing a solution to a problem
US7737051B2 (en) * 2004-03-10 2010-06-15 Tokyo Electron Limited Silicon germanium surface layer for high-k dielectric integration
US7838072B2 (en) * 2005-01-26 2010-11-23 Tokyo Electron Limited Method and apparatus for monolayer deposition (MLD)
US8026113B2 (en) * 2006-03-24 2011-09-27 Tokyo Electron Limited Method of monitoring a semiconductor processing system using a wireless sensor network
JP4464978B2 (ja) 2007-01-31 2010-05-19 株式会社サンセイアールアンドディ 遊技機
US8046090B2 (en) 2007-01-31 2011-10-25 Honeywell International Inc. Apparatus and method for automated closed-loop identification of an industrial process in a process control system
US7840391B2 (en) 2007-10-12 2010-11-23 Oracle America, Inc. Model-diversity technique for improved proactive fault monitoring
US7710565B2 (en) * 2007-12-14 2010-05-04 Tokyo Electron Limited Method of correcting systematic error in a metrology system
US7561269B2 (en) * 2007-12-14 2009-07-14 Tokyo Electron Limited Optical measurement system with systematic error correction
US8078552B2 (en) * 2008-03-08 2011-12-13 Tokyo Electron Limited Autonomous adaptive system and method for improving semiconductor manufacturing quality
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8190543B2 (en) * 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
JP5212281B2 (ja) * 2009-07-03 2013-06-19 日立電線株式会社 半導体光素子基板の製造方法
US8954184B2 (en) * 2011-01-19 2015-02-10 Tokyo Electron Limited Tool performance by linking spectroscopic information with tool operational parameters and material measurement information
US8723869B2 (en) * 2011-03-21 2014-05-13 Tokyo Electron Limited Biologically based chamber matching
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
US9405289B2 (en) * 2012-12-06 2016-08-02 Tokyo Electron Limited Method and apparatus for autonomous identification of particle contamination due to isolated process events and systematic trends
US9396443B2 (en) * 2013-12-05 2016-07-19 Tokyo Electron Limited System and method for learning and/or optimizing manufacturing processes
US10228678B2 (en) * 2015-07-22 2019-03-12 Tokyo Electron Limited Tool failure analysis using space-distorted similarity

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI628525B (zh) * 2015-03-10 2018-07-01 三菱化學工程股份有限公司 Manufacturing method analysis method
TWI697585B (zh) * 2019-03-20 2020-07-01 中國鋼鐵股份有限公司 熱浸鍍鋅產品缺陷估測系統及其方法
TWI768386B (zh) * 2019-06-24 2022-06-21 德商Ｓｍｓ集團有限公司 工業工廠，特別是用於金屬生產工業或鋁或鋼鐵工業的工廠，以及用於操作工業工廠，特別是用於金屬生產工業或鋁或鋼鐵工業的工廠的方法

Also Published As

Publication number Publication date
KR102376824B1 (ko) 2022-03-21
KR20160094426A (ko) 2016-08-09
US10635993B2 (en) 2020-04-28
US20150161520A1 (en) 2015-06-11
JP2017504872A (ja) 2017-02-09
TWI648764B (zh) 2019-01-21
WO2015085122A1 (en) 2015-06-11
US20160307116A1 (en) 2016-10-20
US9396443B2 (en) 2016-07-19
JP6731341B2 (ja) 2020-07-29

Similar Documents

Publication Publication Date Title
TW201532120A (zh) 學習及／或最佳化製造程序的系統及方法
TWI818153B (zh) 用於感測器計量資料整合的方法、系統與電腦可讀取媒體
US20150332167A1 (en) System and method for modeling and/or analyzing manufacturing processes
KR102564629B1 (ko) 공간 왜곡 유사도를 사용하는 툴 오류 분석
TWI604544B (zh) 用於半導體製造的自動化工具參數影響識別系統的方法和裝置
TWI534855B (zh) 藉由連結具有工具操作參數之光譜資訊及材料測量資訊及改進工具表現
TWI830165B (zh) 大批量製造半導體製程控制度量系統
US20230059313A1 (en) On wafer dimensionality reduction
JP6968745B2 (ja) 近赤外分光法及び機械学習技術による、製造工程におけるエンドポイント検出
US20230367302A1 (en) Holistic analysis of multidimensional sensor data for substrate processing equipment
CN117556753B (zh) 存储芯片的能耗分析方法、装置、设备及存储介质
US20230222264A1 (en) Processing chamber calibration
TW202409764A (zh) 用於基板處理設備的多維感測器資料的整體分析
TW202341307A (zh) 用於腔室條件監測的預測模型
CN118020083A (zh) 使用缺陷模型估计缺陷风险并优化处理配方
KR20240067834A (ko) 피처 모델들을 사용한 프로세스 레시피 생성 및 매칭
KR20240050302A (ko) 결함 모델들을 사용한 결함 위험의 추정 및 프로세스 레시피들의 최적화