TW201723709A - 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統 - Google Patents

模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統 Download PDF

Info

Publication number
TW201723709A
TW201723709A TW105131408A TW105131408A TW201723709A TW 201723709 A TW201723709 A TW 201723709A TW 105131408 A TW105131408 A TW 105131408A TW 105131408 A TW105131408 A TW 105131408A TW 201723709 A TW201723709 A TW 201723709A
Authority
TW
Taiwan
Prior art keywords
program
time
data
event
context
Prior art date
Application number
TW105131408A
Other languages
English (en)
Other versions
TWI649650B (zh
Inventor
大衛 艾弗特 頌恩 庫克 席格徹曼斯
艾洛爾 亞瑟 祖曼
亞當 馬克 齊爾徹思基
瑞妮 弗森尼基
馬修 理查 安德烈 布朗特
史蒂芬 盧希恩 瓦尼亞
Original Assignee
Ａｓｍｌ荷蘭公司
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 Ａｓｍｌ荷蘭公司 filed Critical Ａｓｍｌ荷蘭公司
Publication of TW201723709A publication Critical patent/TW201723709A/zh
Application granted granted Critical
Publication of TWI649650B publication Critical patent/TWI649650B/zh

Links

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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70508—Data handling in all parts of the microlithographic apparatus, e.g. handling pattern data for addressable masks or data transfer to or from different components within the exposure apparatus
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03F—PHOTOMECHANICAL PRODUCTION OF TEXTURED OR PATTERNED SURFACES, e.g. FOR PRINTING, FOR PROCESSING OF SEMICONDUCTOR DEVICES; MATERIALS THEREFOR; ORIGINALS THEREFOR; APPARATUS SPECIALLY ADAPTED THEREFOR
    • G03F7/00—Photomechanical, e.g. photolithographic, production of textured or patterned surfaces, e.g. printing surfaces; Materials therefor, e.g. comprising photoresists; Apparatus specially adapted therefor
    • G03F7/70—Microphotolithographic exposure; Apparatus therefor
    • G03F7/70483—Information management; Active and passive control; Testing; Wafer monitoring, e.g. pattern monitoring
    • G03F7/70491—Information management, e.g. software; Active and passive control, e.g. details of controlling exposure processes or exposure tool monitoring processes
    • G03F7/70525—Controlling normal operating mode, e.g. matching different apparatus, remote control or prediction of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Exposure And Positioning Against Photoresist Photosensitive Materials (AREA)

Abstract

本發明提供在預測維修領域中的數種方法及設備，其包括：將轉移熵技術應用於微影設備以尋找參數之間的一因果聯繫之一方法；基於內容脈絡資料之準確度之先驗知識而將品質加權應用於該內容脈絡資料之一方法；藉由偵測一步階及一程序能力改良而自參數資料偵測一維修動作之一方法；藉由考慮關注一或多個警告之隨著時間推移之成本/效益及指派警告到期時間及/或相應地對該等警告進行分級而管理未被關注警告之一方法；以一功能性方式顯示一複雜系統之組件以實現系統診斷學中之改良的一方法；判定時間序列參數資料中之一事件指示符之時間之一方法；分類與出現於一系統內之一疵點條件相關聯的一事件之一方法；及判定記錄於參數資料中之一事件是否可歸因於一外部因素之一方法。

Description

模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統
本發明之描述大體而言係關於系統之預測維修，且係關於用於模型化此等系統之方法。更具體言之，本發明之描述係關於用以量測、檢測、特性化、模擬及/或評估微影系統及技術之效能的系統及技術。
微影設備為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影設備可用於(例如)積體電路(IC)之製造中。在彼情況下，圖案化裝置(其替代地被稱作光罩或倍縮光罩)可用以產生待形成於IC之個別層上之電路圖案。可將此圖案轉印至基板(例如，矽晶圓)上之目標部分(例如，包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至提供於基板上之輻射敏感材料(抗蝕劑)層上而進行圖案之轉印。一般而言，單一基板將含有經順次地圖案化之鄰近目標部分之網路。 在微影程序中，頻繁地需要進行所產生結構之量測，例如以用於程序控制及驗證。用於進行此等量測之各種工具為吾人所知，包括常常用以量測臨界尺寸(CD)之掃描電子顯微鏡，及用以量測疊對(裝置中兩個層之對準準確度)之特殊化工具。最近，已開發供微影領域中使用的各種形式之散射計。此等裝置將輻射光束導向至目標上且量測散射輻射之一或多個屬性-例如，依據波長而變化的在單一反射角下之強度；依據反射角而變化的在一或多個波長下之強度；或依據反射角而變化的偏振-以獲得可供判定目標之所關注屬性之繞射「光譜(spectrum)」。
需要模型化微影系統或設備(或一般而言，系統)之操作。此模型化可包含監視微影系統之參數值且基於此等參數值使用系統操作之模型來進行未來效能或事件之預測。本文中之揭示內容描述用於處理關於微影系統(或一般而言，系統)之此預測維修之問題的數個建議。 在一態樣中，提供一種識別時間序列對之間的因果關係之方法，每一時間序列對對應於一微影設備之一對不同參數，每一時間序列包含該等參數中之一不同參數之多個樣本，該方法包含：判定用於該等時間序列對中之每一者的轉移熵之一值；及使用用於轉移熵之該等值來識別該等時間序列對之間的因果關係。 在一態樣中，提供一種模型化一系統及/或程序之方法，該方法包含：獲得關於該系統及/或程序之參數資料；判定關於其中該系統及/或程序正根據該參數資料進行操作之一內容脈絡的內容脈絡資料，其中該系統及/或程序可在任一時間在複數個內容脈絡中之至少一者中操作；及將一品質加權應用於該內容脈絡資料，該品質加權取決於該內容脈絡資料對於一特定內容脈絡片段之準確度的一量度，每一內容脈絡片段包含該等內容脈絡中之一者之一片段，其中將每一內容脈絡在時間上分段。 在一態樣中，提供一種監視一系統及/或程序之方法，該方法包含：監視隨著時間推移之一或多個系統及/或程序參數值；判定在該一或多個系統及/或程序參數值中是否存在一步階；回應於偵測到此步階，判定在該步階之後是否存在程序能力之一增加；及回應於在一步階之後偵測到程序能力之一增加，將此程序能力增加歸因於已對該系統及/或程序執行之一維修動作。 在一態樣中，提供一種管理由一模型產生之未被關注警告之方法，該模型模型化一系統及/或程序，該方法包含：獲得關於關注所產生之每一警告之一成本之一量度的一成本度量；獲得關於在關注所產生之每一警告時依據時間而變化的一效益之一量度之一效益度量；及基於用於每一警告之該效益度量相對於該成本度量之一評估而對該等未被關注警告執行一管理動作。 在一態樣中，提供一種表示一系統之方法，該方法包含：展示該系統之元件及該等元件之間的關係；展示關於該等元件中之至少一些之影響彼元件之操作的屬性；及展示關於該等元件之間的該等關係中之至少一些中之與彼關係相關的參數。 在一態樣中，提供一種微影設備，其包含：一照射光學系統，其經配置以照射一圖案；及一投影光學系統，其經配置以將該圖案之一影像投影至一基板上，其中該微影設備經配置以執行如本文中所描述之一方法以模型化該微影設備之操作，且其中該參數資料及該內容脈絡資料與該微影設備有關。 在一態樣中，提供一種微影設備，其包含：一照射光學系統，其經配置以照射一圖案；及一投影光學系統，其經配置以將該圖案之一影像投影至一基板上，其中該微影設備經配置以執行如本文中所描述之一方法以監視該微影設備之操作，該系統及/或程序包含該微影設備，其中系統及/或程序參數資料包含該微影設備之參數。 在一態樣中，提供一種微影設備，其包含：一照射光學系統，其經配置以照射一圖案；及一投影光學系統，其經配置以將該圖案之一影像投影至一基板上，其中該微影設備經配置以執行模型化自有操作之一模型，且執行如本文中所描述之一方法以管理由該模型產生之未被關注警告。 在一態樣中，提供一種微影設備，其包含：一照射光學系統，其經配置以照射一圖案；及一投影光學系統，其經配置以將該圖案之一影像投影至一基板上，其中該微影設備經配置以藉由執行如本文中所描述之一方法而識別時間序列對之間的因果關係，每一時間序列對對應於該微影設備之一對不同參數。 在一態樣中，提供一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含：使用如本文中所描述之一方法來識別時間序列對之間的因果關係，每一時間序列對對應於該微影程序之一對不同參數。 在一態樣中，提供一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含：使用如本文中所描述之一方法以模型化該微影程序；及使用模型之一輸出以控制該微影程序。 在一態樣中，提供一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包包含：使用如本文中所描述之一方法以監視該微影程序。 在一態樣中，提供一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含：使用如本文中所描述之一方法以管理由該微影程序之一模型產生之未被關注警告；及使用該模型之一輸出以控制該微影程序。 在一態樣中，提供一種判定記錄於參數資料中之一事件是否可歸因於一外部因素之方法，該方法包含：獲得參數資料之複數個等效集合，參數資料之該等等效集合各自在同一部位內且遍及同一時間段自不同設備之等效感測器獲得；組合參數資料之該等等效集合；判定在參數資料之該等等效集合中是否存在重合事件指示符；及若在參數資料之臨限數目個等效集合中存在重合事件指示符，則將事件歸因為由一外部因素造成。 在一態樣中，提供一種判定時間序列參數資料中之一事件指示符之時間之方法，該方法包含：將一因果濾波器應用於該時間序列參數資料以獲得第一經濾波時間序列資料；將一反因果濾波器應用於該時間序列參數資料以獲得第二經濾波時間序列資料；及組合該第一經濾波時間序列資料及該第二經濾波時間序列資料以判定用於該參數資料內之一事件指示符之一經校正時間。 在一態樣中，提供一種微影設備，其包含：一照射光學系統，其經配置以照射一圖案；及一投影光學系統，其經配置以將該圖案之一影像投影至一基板上，其中該微影設備經組態以執行模型化自有操作之一模型，且執行如本文中所描述之一方法以判定關於該模型的時間序列參數資料中之一事件指示符之時間。 在一態樣中，提供複數個微影設備；及一控制器，該控制器經組態以使用參數資料之等效集合而執行如本文中所描述之一方法，其中參數資料之該等等效集合中之每一集合係自該等微影設備中之一者產生。 在一態樣中，提供一種製造裝置之方法，其中使用對複數個微影設備執行之一微影程序而將一裝置圖案施加至一系列基板，該方法包含：使用如本文中所描述之一方法以判定記錄於參數資料中之一事件是否可歸因於一外部因素；及使用該判定以控制該微影程序。 在一態樣中，提供一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含：執行模型化該微影程序之操作之一模型；及執行如本文中所描述之一方法以判定關於該模型的時間序列參數資料中之一事件指示符之時間。 在一態樣中，提供一種分類與出現於一系統內之一疵點條件相關聯的一事件之方法，該方法包含：判定與該系統相關聯之複數個事件之間的因果關係；識別該複數個事件及該等因果關係內之一或多個定向循環；基於一標稱系統行為而分類一定向循環；及基於該循環分類而分類與該經分類定向循環有一因果關係的一或多個事件。 在一態樣中，提供一種包含機器可讀指令之電腦程式產品，該等機器可讀指令用於使一處理器執行如本文所描述之一方法。 下文中參看隨附圖式來詳細地描述另外特徵及優點以及各種實施例之結構及操作。應注意，本發明不限於本文所描述之特定實施例。本文中僅出於說明性目的而呈現此等實施例。基於本文中所含有之教示，額外實施例對於熟習相關技術者將為顯而易見的。
在詳細描述實施例之前，有指導性的是呈現可供實施本文所描述之實施例的實例環境。 圖1示意性地描繪微影設備LA。該設備包括：照射系統(照射器) IL，其經組態以調節輻射光束B (例如，UV輻射或DUV輻射)；圖案化裝置支撐件或支撐結構(例如，光罩台) MT，其經建構以支撐圖案化裝置(例如，光罩) MA，且連接至經組態以根據某些參數來準確地定位該圖案化裝置之第一定位器PM；兩個基板台(例如，晶圓台) WTa及WTb，其各自經建構以固持基板(例如，抗蝕劑塗佈晶圓) W，且各自連接至經組態以根據某些參數來準確地定位該基板之第二定位器PW；及投影系統(例如，折射投影透鏡系統) PS，其經組態以將由圖案化裝置MA賦予至輻射光束B之圖案投影至基板W之目標部分C (例如，包括一或多個晶粒)上。參考框架RF連接各種組件，且用作用於設定及量測圖案化裝置及基板之位置以及圖案化裝置及基板上之特徵之位置的參考件。 照射系統可包括用於導向、塑形或控制輻射的各種類型之光學組件，諸如，折射、反射、磁性、電磁、靜電或其他類型之光學組件，或其任何組合。 圖案化裝置支撐件以取決於圖案化裝置之定向、微影設備之設計及其他條件(諸如，圖案化裝置是否被固持於真空環境中)之方式來固持圖案化裝置。圖案化裝置支撐件可採取許多形式。圖案化裝置支撐件可確保圖案化裝置(例如)相對於投影系統處於所要位置。 本文所使用之術語「圖案化裝置」應被廣泛地解譯為係指可用以在輻射光束之橫截面中向輻射光束賦予圖案以便在基板之目標部分中產生圖案的任何裝置。應注意，舉例而言，若被賦予至輻射光束之圖案包括相移特徵或所謂輔助特徵，則該圖案可能不確切地對應於基板之目標部分中之所要圖案。通常，被賦予至輻射光束之圖案將對應於目標部分中所產生之裝置(諸如積體電路)中之特定功能層。 如此處所描繪，設備屬於透射類型(例如，使用透射圖案化裝置)。替代地，設備可屬於反射類型(例如，使用如上文所提及之類型之可程式化鏡面陣列，或使用反射光罩)。圖案化裝置之實例包括光罩、可程式化鏡面陣列及可程式化LCD面板。可認為本文中對術語「倍縮光罩」或「光罩」之任何使用皆與更一般術語「圖案化裝置」同義。術語「圖案化裝置」亦可被解譯為係指以數位形式儲存用於控制此可程式化圖案化裝置之圖案資訊的裝置。 本文所使用之術語「投影系統」應被廣泛地解譯為涵蓋適於所使用之曝光輻射或適於諸如浸潤液體之使用或真空之使用之其他因素的任何類型之投影系統，包括折射、反射、反射折射、磁性、電磁及靜電光學系統或其任何組合。可認為本文中對術語「投影透鏡」之任何使用皆與更一般之術語「投影系統」同義。 微影設備亦可屬於如下類型：其中基板之至少一部分可由具有相對高折射率之液體(例如，水)覆蓋，以便填充投影系統與基板之間的空間。亦可將浸潤液體施加至微影設備中之其他空間，例如，光罩與投影系統之間的空間。浸潤技術在此項技術中被熟知用於增加投影系統之數值孔徑。 在操作中，照射器IL自輻射源SO接收輻射光束。舉例而言，當源為準分子雷射時，源及微影設備可為分離實體。在此等狀況下，不認為源形成微影設備之部分，且輻射光束係憑藉包括(例如)合適導向鏡面及/或光束擴展器之光束遞送系統BD而自源SO傳遞至照射器IL。在其他狀況下，舉例而言，當源為水銀燈時，源可為微影設備之整體部分。源SO及照射器IL連同光束遞送系統BD (在需要時)可被稱作輻射系統。 照射器IL可(例如)包括用於調整輻射光束之角強度分佈之調整器AD、積光器IN，及聚光器CO。照射器可用以調節輻射光束，以在其橫截面中具有所要均一性及強度分佈。 輻射光束B入射於被固持於圖案化裝置支撐件MT上之圖案化裝置MA上，且係藉由該圖案化裝置而圖案化。在已橫穿圖案化裝置(例如，光罩) MA的情況下，輻射光束B傳遞通過投影系統PS，投影系統PS將該光束聚焦至基板W之目標部分C上。憑藉第二定位器PW及位置感測器IF (例如，干涉量測裝置、線性編碼器、2-D編碼器或電容性感測器)，可準確地移動基板台WTa或WTb，(例如)以便使不同目標部分C定位於輻射光束B之路徑中。相似地，第一定位器PM及另一位置感測器(其未在圖1中被明確地描繪)可用以(例如)在自光罩庫之機械擷取之後或在掃描期間相對於輻射光束B之路徑來準確地定位圖案化裝置(例如，倍縮光罩/光罩) MA。 可使用圖案化裝置對準標記M1、M2及基板對準標記P1、P2來對準圖案化裝置(例如，倍縮光罩/光罩)MA及基板W。儘管所說明之基板對準標記佔據專用目標部分，但該等標記可位於目標部分之間的空間中(此等標記被稱為切割道對準標記)。相似地，在多於一個晶粒提供於圖案化裝置(例如，光罩) MA上之情形中，圖案化裝置對準標記可位於該等晶粒之間。小對準標記亦可包括於裝置特徵當中之晶粒內，在此狀況下，需要使標記儘可能地小且無需與鄰近特徵不同的任何成像或程序條件。下文進一步描述偵測對準標記之對準系統。 可在多種模式中使用所描繪之設備。在掃描模式中，在將被賦予至輻射光束之圖案投影至目標部分C上時，同步地掃描圖案化裝置支撐件(例如，光罩台) MT及基板台WT (亦即，單次動態曝光)。可藉由投影系統PS之放大率(縮小率)及影像反轉特性來判定基板台WT相對於圖案化裝置支撐件(例如，光罩台) MT之速度及方向。在掃描模式中，曝光場之最大大小限制單次動態曝光中之目標部分之寬度(在非掃描方向上)，而掃描運動之長度判定目標部分之高度(在掃描方向上)。如在此項技術中為吾人所熟知，其他類型之微影設備及操作模式係可能的。舉例而言，步進模式為吾人所知。在所謂「無光罩」微影中，可程式化圖案化裝置保持靜止，但具有改變之圖案，且移動或掃描基板台WT。 亦可使用對上文所描述之使用模式之組合及/或變化或完全不同的使用模式。 微影設備LA屬於所謂的雙載物台類型，其具有台WTa、WTb (例如，基板台或基板台及量測台)及兩個站-曝光站EXP及量測站MEA-在該兩個站之間可交換該等台。雖然在曝光站處曝光一個基板台上之一個基板，但可在量測站處將另一基板裝載至另一基板台上或可在量測站處使用量測台且進行各種預備步驟。此情形實現設備之產出率之相當大增加。預備步驟可包括使用位階感測器LS來映射基板之表面高度輪廓，及使用對準感測器AS來量測基板上之對準標記之位置，等等。若位置感測器IF在其處於量測站以及處於曝光站時不能夠量測基板台之位置，則可提供第二位置感測器以使能夠在兩個站處追蹤基板台相對於參考框架RF之位置。代替所展示之雙載物台配置，其他配置為吾人所知且可用。舉例而言，提供一基板台及一量測台之其他微影設備為吾人所知。此等基板台及量測台在執行預備量測時銜接在一起，且接著在基板台經歷曝光時不銜接。 如圖2中所展示，微影設備LA形成微影製造單元LC (有時亦被稱作叢集)之部分，微影製造單元LC亦包括用以對基板執行曝光前及曝光後程序之設備。習知地，此等設備包括用以沈積抗蝕劑層之一或多個旋塗器SC、用以顯影經曝光抗蝕劑之一或多個顯影器DE、一或多個冷卻板CH及/或一或多個烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板、在不同程序設備之間移動基板，且將基板遞送至微影設備之裝載匣LB。常常被集體地稱作塗佈顯影系統(track)之此等裝置係在塗佈顯影系統控制單元TCU之控制下，塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制，監督控制系統SCS亦經由微影控制單元LACU而控制微影設備。因此，不同設備可經操作以最大化產出率及處理效率。 為了正確地且一致地曝光由微影設備曝光之基板，需要檢測經曝光基板以量測一或多個屬性，諸如後續層之間的疊對錯誤、線厚度、臨界尺寸(CD)等等。因此，微影製造單元LC所位於之製造設施亦包括計量系統MET，計量系統MET收納已在微影製造單元中處理之基板W中的一者、一些或全部。將計量結果直接地或間接地提供至監督控制系統SCS。若偵測到錯誤，則可對一或多個後續基板之曝光進行調整，尤其是在可足夠迅速及快速地進行檢測使得同一批量之一或多個其他基板仍待曝光的情況下。又，一或多個已經曝光之基板可被剝離及重工以改良良率，或被捨棄，藉此避免對已知有缺陷之基板執行進一步處理。在基板之僅一個或一些目標部分有缺陷的狀況下，可僅對良好的彼等目標部分執行另外曝光。 在計量系統MET內，檢測設備係用以判定基板之一或多個屬性，且詳言之，判定不同基板之一或多個屬性如何變化或同一基板之不同層在不同層間如何變化。檢測設備可整合至微影設備LA或微影製造單元LC中，或可為單機裝置。為了實現最快速量測，需要使檢測設備緊接在曝光之後量測經曝光抗蝕劑層中之一或多個屬性。然而，抗蝕劑中之潛影具有低對比度-在已曝光至輻射的抗蝕劑之部分與尚未曝光至輻射的抗蝕劑之部分之間僅存在小折射率差-且並非所有檢測設備皆具有足夠敏感度以進行潛影之有用量測。因此，可在曝光後烘烤步驟(PEB)之後進行量測，曝光後烘烤步驟通常為對經曝光之基板進行之第一步驟且增加抗蝕劑之經曝光之部分與未經曝光之部分之間的對比度。在此階段，抗蝕劑中之影像可被稱作半潛影(semi-latent)。亦有可能在抗蝕劑之經曝光部分或未經曝光部分已被移除時--或在諸如蝕刻之圖案轉印步驟之後進行經顯影抗蝕劑影像之量測。後者可能性限制重工有缺陷基板之可能性，但仍可提供有用資訊。 圖3描繪可用作上文所描述的類型之計量系統中之檢測設備的實例光譜散射計。該光譜散射計包含將輻射投影至基板W上之寬頻帶(白光)輻射投影儀2。反射輻射傳遞至光譜儀4，光譜儀4量測鏡面反射輻射之光譜6 (依據波長而變化的強度)。自此資料，可藉由在處理單元PU內演算而重新建構引起經偵測光譜之結構或剖面8。舉例而言，可藉由嚴密耦合波分析及非線性回歸抑或與經預量測光譜或經預計算經模擬光譜庫之比較來執行該重新建構。一般而言，對於重新建構，結構之一般形式為吾人所知，且自供製造結構之程序之知識來假定一些參數，從而僅留下結構之幾個參數以自散射量測資料予以判定。此散射計可經組態為正入射散射計或斜入射散射計。 電腦模型化技術可用以預測、校正、最佳化及/或驗證系統之效能。此等技術可監視一或多個參數值且基於此等參數值而預測、校正、最佳化及/或驗證系統效能。可使用歷史參數值來建構電腦模型，且可藉由比較參數值之預測與用於相同參數之實際值來不斷地更新、改良或監視電腦模型。詳言之，此等電腦模型化技術可用以預測、校正、最佳化及/或驗證微影系統或程序之系統效能。內容脈絡判定 資料採擷及預測模型化中之顯著因素為內容脈絡分析。內容脈絡資訊可用作資料採擷或以多變量為基礎之模型中之額外輸入。 當模型化微影設備時，內容脈絡資訊中之固有缺陷可引起錯誤模型輸入資料，錯誤模型輸入資料又可引起錯誤模型輸出(例如，誤判(false positive))。由於關於內容脈絡判定之問題而出現相當大數目個誤判。 在微影設備中，內容脈絡或狀態係指當記錄參數值時設備所處之模式或操作狀態。較不正式地，內容脈絡或狀態為當記錄參數值時機器正在進行何種操作之量度。不同內容脈絡可包括(例如)：「向上移動」、「生產」、「閒置」、「預定停機」或「非預定停機」。 通常，有可能自正被監視之一或多個參數之參數值判定內容脈絡。為進行此操作，預測模型可包含內容脈絡引擎或使用內容脈絡引擎以自參數資料判定參數資料內容脈絡。然而，在某些時候，自參數資料進行之內容脈絡之判定變得較困難。詳言之，此可為在內容脈絡轉變期間之狀況；亦即，當微影設備自一操作狀態轉變至另一操作狀態時。然而，針對所有轉變，並非皆為此狀況。若內容脈絡引擎在判定內容脈絡時出差錯，則可損害模型輸出準確度。 通常，內容脈絡引擎假定內容脈絡之間的每一轉變係瞬時的。然而，事實為：每一轉變花費有限時間，且在該轉變期間，內容脈絡判定可較不準確。 因此，提議使用針對所有內容脈絡之內容脈絡判定準確度之先驗知識以判定對內容脈絡判定之品質加權。可判定每內容脈絡片段之此品質加權。每一內容脈絡可分段成內容脈絡片段。此分段可將每一內容脈絡分段成轉變片段及中間片段。更具體言之，轉變片段可包含開始片段及結束片段。在一實施例中，轉變片段相比於中間片段可相對短。亦可為如下情況：一或多個內容脈絡在適當時分段成少於或多於三個片段。 先驗分析可用以判定針對每一內容脈絡片段(亦即，針對每一內容脈絡之每一片段)之內容脈絡判定之準確度的量度。此先驗分析可包含針對每一內容脈絡片段之內容脈絡判定將正確之機率的量度。可自此準確度量測導出品質加權。 可能的情況為：相對於針對中間片段之品質加權，針對轉變片段之品質加權將較低。然而，未必為此狀況，且指派給特定片段之品質加權將取決於先驗分析，且因此取決於彼內容脈絡之實際內容脈絡及片段。 在一實施例中，將判定品質加權之資料庫或檔案，針對系統(例如，微影設備)可處於之可能內容脈絡片段中的每一者具有一個加權。舉例而言，可向「閒置狀態」內容脈絡之開始片段、中間片段及結束片段各自指派一品質加權。相似地，可向「生產狀態」內容脈絡之每一片段各自指派一品質加權。可針對每一內容脈絡進行此指派。 應瞭解，準確度量測及(因此)品質加權亦可取決於實際內容脈絡轉變。內容脈絡轉變描述系統自哪一內容脈絡轉變且系統轉變至哪一內容脈絡。具體言之，準確度量測可不僅取決於系統正操作所處之哪一內容脈絡片段，而且取決於先前及/或接續內容脈絡片段。作為特定實例，適用於「生產狀態」內容脈絡之結束片段之品質量測可取決於接續內容脈絡，例如，若此接續內容脈絡「預定停機」或「非預定停機」，則品質量測可不同。因此，在一實施例中，可針對每內容脈絡轉變之每一內容脈絡片段判定品質加權。此意謂可針對每一內容脈絡片段(其相依於緊接在其之前之內容脈絡片段或緊接接續其之內容脈絡片段)判定品質加權。因此，作為特定實例，可針對「閒置狀態」內容脈絡之結束片段針對每一可能接續狀態判定不同品質權重。相似地，可針對「閒置狀態」內容脈絡之開始片段針對每一可能先前狀態判定不同品質權重。 一旦已判定此資料庫，此資料庫就可用以取決於內容脈絡判定而將品質加權指派給參數輸出。品質加權可接著用作模型輸入。在一實施例中，此品質加權可為二元(1或0)，使得正常考慮對應於具有可接受品質加權(例如，高於臨限值之品質加權)之片段之參數資料，且忽略對應於具有不可接受品質加權(例如，低於臨限值之品質加權)之片段之參數資料。在此實施例中，可能的情況為：中間片段始終被加權「1」。然而，其他加權方案係可能的；此等加權方案可具有不同解析度(未必為二元)。舉例而言，加權可使得一些參數資料可被給出考慮水準：其取決於指派給對應於該等參數資料之片段之品質加權而變化。 圖4為說明以上概念之實例時序圖。展示時間軸t，及關於參數輸出410之跡線。微影設備內容脈絡引擎輸出420在此參數輸出之跡線之下，該微影設備內容脈絡引擎輸出說明指派給參數資料之內容脈絡。在此實例中，向輸出之第一部分指派內容脈絡C1，向輸出之第二部分指派內容脈絡C2，且向輸出之第三部分指派內容脈絡C3。此等內容脈絡中之每一者已經分段成若干片段。僅展示第一內容脈絡C1之後一部分及內容脈絡C3之初始部分。因此，所說明之時間範圍展示內容脈絡C1之中間片段IS1及結束片段ES1，內容脈絡C2之開始片段BS2、中間片段IS2及結束片段ES2，及內容脈絡C3之開始片段BS3及中間片段IS3。跡線430展示品質加權之輸出。如可看到，針對片段IS1之此輸出處於「1」，但在轉變片段ES1及BS2期間之此輸出下降至「0」。此可因為先前已判定，在內容脈絡C1之結束片段及內容脈絡C2之開始片段期間之參數輸出資料410不可靠。可考量或可不考量內容脈絡轉變係自內容脈絡C1至內容脈絡C2之事實。品質加權輸出430在中間片段IS2期間再次為「1」，且針對轉變片段ES2再次下降至「0」。然而，可看到，品質加權輸出430在轉變片段BS3期間為「1」，其指示已評估出在內容脈絡C3之開始片段期間之參數資料具有可接受品質。品質加權輸出430在片段IS3期間保持處於「1」。 圖5為說明根據例示性實施例的可操作以將品質加權指派給參數資料之系統的系統圖。內容脈絡資料510用以導出品質權重規則集520。品質權重規則集520、內容脈絡資料510及模型輸入資料(例如，來自感測器輸出之參數資料) 530係用作至預測模型540之輸入，預測模型540包含內容脈絡引擎550。該預測模型將使用品質權重規則集520以取決於內容脈絡引擎550之輸出將品質加權指派給模型輸入資料530。自動化維修動作偵測 在諸如微影設備之設備使其操作使用大數目個模型而監視之情況下，許多計算可能需要在維修動作之後重新初始化。維修動作可被指示為已手動地執行或經由服務登錄之自動化輸入而執行。手動指示具有歸因於大數目個子系統及模型及大數目個參數而勞力密集之缺點。輸入中之任何延遲或錯誤將引起劣化之模型效能。目前自動化指示解決方案經受準確度問題，且已在實際維修動作及服務登錄中注意到高達4日之偏差。歸因於微影系統之敏感性質，此等偏差亦引起劣化之模型效能。 因此，提議用於出於預測維修之目的之自動化維修動作偵測的方法。所提議方法使用兩個觀測：1)維修動作一般而言增加程序之程序能力，及2)在資料中將維修動作反映為一步階；亦即， 資料中之集中趨勢之突然及持久改變。 程序能力為用以在至少一個程序限制、規格或其他要求內產生輸出之程序之能力的量度。所有程序皆具有固有統計可變性，統計可變性可藉由統計方法予以評估。藉由評估此統計可變性，可判定程序之可量測特性在(或不在)預定義規格內之機率之量度。為了量測程序能力，獲得程序之輸出之可變性之量度，在此之後，比較此可變性量度與所提議規格或產品容許度(例如，一或多個程序限制)。 可依據程序能力指數來表達程序能力(例如，Cpk 或Cpm )或將程序能力表達為程序效能指數(例如，Ppk 或Ppm )。可在此實施例之教示內應用程序能力之任何量度。程序能力指數量測程序相對於其規格限制經歷多少天然變化。程序能力之概念通常為吾人所知且程序能力指數為吾人所知，且此處將不對其進行進一步詳細描述。 圖6為說明用於自動化維修動作偵測之方法的實例流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 600 -開始； 610 -程序資料； 620 -內容脈絡濾波； 630 -自動化維修偵測演算法； 640 -是否偵測到步階？ 650 -是否改良程序能力？ 660 -「步階」警告； 670 -使用演算法輸出； 680 -結束。 區塊610表示程序資料，程序資料可包含一或多個機器(或其他程序)參數。機器可包含諸如本文中所描述之微影設備。作為實例，可自一或多個機器感測器輸出獲得一或多個程序參數。替代地或另外，可自對藉由機器生產之一或多個產品執行之量測獲得一或多個程序參數。程序資料可為原始的，或可以某種方式變換、濾波或調節程序資料。 步驟620為內容脈絡濾波之選用初始步驟。內容脈絡濾波可包含將品質加權應用於程序資料，且根據此品質加權而使用程序資料。內容脈絡濾波可如上文關於圖4及圖5所描述。 許多參數僅在單一方向上變化，亦即，其在程序期間僅增加(或僅減低)值。因而，程序能力之單側量度可適當。在一實施例中，用於此步驟中之程序能力之量度為Cpk ，且更具體而言，為單側Cpk 。然而，可使用程序能力之其他量度。 區塊630表示執行步驟640至660之自動化維修偵測演算法。 在步驟640處，判定在程序資料中是否存在步階。步階應為程序資料值中之明確及持久的步階。換言之，程序資料值應被視為展示在步階之前相對於一般程序資料趨勢遍及短時間範圍而出現的跳轉(或下降)。此步階應為持久的，亦即，值在步階之後應保持處於或圍繞新位準，及/或展示步階之任一側之相似趨勢。尖峰(或傾斜)(例如，之後不久值返回至相似位準的跳轉)在此內容脈絡中並不被認為是步階。若未偵測到步階，則演算法630返回至步驟640之開始以便繼續監視傳入程序資料中之步階。下文中揭示用於判定參數資料中之特定事件(諸如步階)之時間之技術且可視情況將該等技術用於此步驟中。 在步驟650處，若已在步驟640處偵測到程序資料中之步階，則判定由於程序資料中之此步階是否已改良程序之程序能力。此步驟可包含獲得步階之前及步階之後之程序能力的量度。若步階之後之程序能力之量度展示相對於步階之前之程序能力之改良，則判定已出現維修動作且演算法繼續至步驟670。若程序能力展示無改良，則(視情況)在步驟660處，產生步階警告。此步階警告用以警告機器之使用者在程序資料中已存在並非為維修動作之結果的步階。此可指示需要關注的問題。演算法可接著在步驟640處繼續監視傳入程序資料，或者停止。如上文所陳述，此步驟可使用單側Cpk 作為程序能力之量度，或使用任何其他合適量度。 在步驟670處，以某種方式使用維修動作之偵測。此步驟可包含重設相關模型演算法、提示工程師或任何其他動作。管理警告之方法 目前，在預測模型(且更具體言之，預測故障之預測模型)方面花費極大努力。可例如包括統計程序控制途徑及資料採擷途徑之方法可用以產生預測模型，預測模型可預測機器故障且在出現故障之前產生警告。因此，到目前為止大部分努力已花費在模型化及警告之產生上。在產生之後如何處置警告尚未給出同樣的關注。 一旦產生警告，假定該等警告皆即時起作用，且工程師針對所有警告界定及規劃動作。雖然此將為理想情形，但事實為：工程師時間及資源有限，且諸如微影設備之複雜機器之模型化可對於其產生太大數目個警告而不能皆被即時關注。結果，可為如下狀況：工程師作出進行追蹤之警告之選擇(根據(例如)其關於哪些警告最重要及/或具時間關鍵性之專門知識)。此情形將引起尚未選擇供關注的警告未被關注，但仍為起作用的。 可能的情況為，目前，不考慮未被關注警告之停止。此可導致尋求關注之起作用警告之難以管理的長清單。另外，對於非完美模型，關注較早警告之效益(其可(例如)取決於異動資訊)可變為負。事實上，可展示出，此為針對所有警告之狀況。換言之，工程師時間及資源、工具時間及資源及/或工具停工時間中之一或多者之成本可勝過自異動觀點關注警告之效益。此情形之原因在於：在提出警告之後將迫切出現故障之機率隨著期間警告未被關注之時間推移而下降。換言之，在實際上不出現對應故障的情況下警告已起作用之時間愈長，愈較不可能在不久的未來實際上將出現故障。在採取用於實例資料之累積機率曲線的情況下，可展示出：在警告的20天內故障之機率為近似75%。此故障機率在50天後上升至約85%，且在100天後上升至約90%。此情形展示：若在20天內尚未出現故障，則在接下來的大約100天內故障之機會相當小；在20天內尚未出故障之機器中的少數機器接著在接下來的100天內出故障。 因此，提議判定描述關注警告之依據時間而變化的效益之效益度量。此效益度量可採取針對經預測故障之基礎機率分佈之形式。基於效益度量及自已知異動資訊獲得之成本度量，有可能評估在關注每一警告時之依據時間而變化的相對於成本之預期效益。根據此等判定，可執行管理動作，例如，可針對警告中的一些或全部來計算警告到期時間。此警告到期時間可經自動施加至警告或以其他方式經監視，且一旦達到警告到期時間，就可取消/重設未被關注之警告。以此方式，當異動影響(或其他準則)變得對其過低而不值得關注未被關注之警告時，該等未被關注之警告就將過期。當然，並非所有警告皆需要被指派警告到期時間；一些警告可經判定為關鍵的且應保持起作用直至被關注為止(或以相同意思，可被指派無窮大之警告到期時間)。 可使用根據預測模型之測試之後端測試結果來獲得基礎機率分佈。後端測試為模型建置及維修之重要部分。後端測試包含將模型應用於結果為吾人所知之歷史資料，且比較已知結果與模型之對彼等結果之預測。以此方式，可驗證模型之預測之準確度。又，可在再次執行模型時變更模型參數以縮減或最小化經模型化結果與實際結果之間的差。後端測試之輸出可為混淆矩陣(或錯誤矩陣)及具有相關模型特性(例如：精度及/或敏感度)。 在一特定實例中，可借助於韋布近似(Weibull approximation)而近似基礎故障機率。韋布近似可建構依據自警告以來的天數而變化的基礎故障機率。當模型經後端測試時，可使用累積分佈函數。累積分佈函數可被解譯為在自警告以來的時間x之後之故障分率。自此累積分佈函數，可用於此方法中之一個後端測試結果為剩餘使用壽命(RUL)，其被定義為在警告產生之後對應於該警告之80%的項目/系統已出故障之時間。 警告到期時間tstop 可被定義為之後平均起來效益不再勝過成本之時間，且在韋布分佈之條件下可由如下方程式給出：方程式(1) 其中β為適合於模型之韋布近似之所謂的形狀因數，B為主動動作之效益度量，C為警告驗證之成本度量，精度(Precision )為估計量之標準偏差，且RUL為之後在累積故障機率分佈函數中已出現80%的故障之時間。 圖7為說明根據例示性實施例的用以指派警告到期時間之方法的流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 710 -後端測試結果； 720 -異動資訊； 730 -判定機率分佈； 740 -判定警告到期時間； 750 -監視到期時間。 後端測試結果710用以判定用於每一可能警告之效益度量。此效益度量可包含在警告之後隨著時間推移之故障(或其他事件)機率分佈或自在警告之後隨著時間推移之故障(或其他事件)機率分佈導出此效益度量。機率分佈描述在警告之後出現依據時間而變化的故障之機率。此機率分佈可包含自警告以來隨著時間推移將出現故障之累積或非累積機率。舉例而言，可使用韋布近似來近似此機率。在一實施例中，效益度量為自故障機率分佈導出的針對某些故障情境所潛在的停工時間縮減之量度。 使用步驟730中所判定之效益度量及自異動資訊720獲得之成本度量以在步驟740處判定用於每一警告之警告到期時間。可使用方程式(1)計算警告到期時間。異動資訊720可包括某些警告關注情境(例如，適合於特定警告之維修及/或修復動作)之成本。此成本度量可考量在關注警告時之任何成本或額外負擔，且可包括(例如)機器停工時間、縮減之生產率、財務成本及/或資源利用率(個人及/或機器)。可自在關注警告時依據時間而變化的相對於成本之效益之評估來獲得警告到期時間。可基於效益相對於成本之評估是否符合或超過臨限值而判定警告到期時間。臨限值可被定義為判定相對於成本之效益為負且因此成本勝過效益之點。 在步驟750，顯示警告資訊。當針對一警告達到警告到期時間時，可以某種方式改變彼警告之表示。可能的情況為：在警告到期時間時自動重設一警告，或者警告可被顯示為到期的。可執行警告之此顯示作為前端程序之部分，而可執行方法之其他步驟作為後端程序，其可為或可不為前端之部分。 如先前所描述，產生比可即時關注更多的警告。自異動觀點，所產生之警告具有變化之影響。此影響取決於自產生警告以來該警告保持未被關注之時間。此暗示警告之優先級將為時間可變的。目前優先級之判定為人(使用者)決策程序。然而，一未決警告相對於其他未決警告之優先級可快速改變且因此準確地維持可為麻煩的。 在另一實施例中，可使用用於每一預測模型之異動資訊及關聯成本度量以及自機率分佈(又自後端測試結果而獲得)獲得或包含機率分佈的效益度量以針對每一警告判定優先級度量。優先級度量將為時間相依的，且因此，未被關注警告之相對分級可隨著時間推移而變化。方法可包含針對每一警告判定優先級度量，優先級度量為警告之瞬時影響之量度。接著識別參考模型及對應參考優先級度量；此參考模型可為在產生影響時具有最高優先級度量(且因此，具有針對干預之最高瞬時影響值)之模型。可在對數尺度上定義優先級度量，使得可將警告分級，例如自1至5或自1至10，其中每一分級表示相比於先前分級相對於參考優先級度量之干預效益影響大一個數量級。可接著基於在給定時間之優先級度量值而向警告給出優先級分級。 圖8為說明根據例示性實施例的用以區分警告優先級之方法的流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 810 - 後端測試結果； 815 -異動資訊； 820 - 判定機率分佈； 830 - 判定干預之瞬時影響(優先級度量)； 840 - 在對數尺度上計算相對瞬時影響； 850 - 在t=0時之參考優先級度量； 860 - 優先級尺度及方向、對數基底； 870 - 顯示優先級分級。 在步驟820處，如在先前實施例中一樣，使用後端測試結果以判定效益度量。如前所述，效益度量可包含在警告之後隨著時間推移之故障(或其他事件)機率分佈或自在警告之後隨著時間推移之故障(或其他事件)機率分佈導出效益度量。此步驟基本上與步驟730相同。 在步驟830處，針對每一警告判定優先級度量。優先級度量為對所產生之警告之干預或後續動作之瞬時影響的量度。使用來自先前步驟之機率分佈以及異動資訊來判定優先級度量。如同先前實施例一樣，異動資訊可以針對任何干預之成本度量之形式呈現，或允許產生針對任何干預之成本度量。異動資訊亦將包括在時間t=0時(亦即，在產生警告時)之干預之瞬時影響的量度。使用此資訊及效益度量(機率分佈)，可判定在t＞0時之干預之瞬時影響的量度。 在一實施例中，優先級度量採取預期瞬時影響EII之形式。EII為主動動作之影響之量度(在假定在時間「x」之後具有立即主動動作)乘以在時間「x」之後之瞬時故障之機率。此EII具體言之可採取如下形式：方程式(2) 其中t為自警告以來以天為單位之時間，且A為常數。 在步驟840處，在對數尺度上計算相對於參考優先級度量之優先級度量。參考優先級度量可為經判定為在步驟850中在時間t=0時具有最大瞬時影響值(優先級=1)之優先級度量。可自異動資訊導出此參考優先級度量。接著針對當前時間或其他時間t＞0比較其他警告之優先級度量與參考優先級度量。藉由採取優先級度量之對數(屬於任何基底)，可針對該等警告計算優先級分級。 此可藉由在自0至N之線性尺度上映射預期瞬時影響EII來達成，其中N為最低影響且1為最高影響(且0為非常高影響)。當採取優先級度量之對數時，應符合以下三個條件： •   優先級度量愈低，實際優先級愈高； •   當EII為零時，優先級為N+1(低於最低優先級)； •   參考優先級度量之優先級經設定為1。 此情形引起用於計算優先級分級Priority (t ) 之以下例示性公式：方程式(3) 其中方括號指示將結果上捨入且PS為在t=0時具有優先級1之參考優先級度量，PS被定義為：在步驟870處，根據針對適當時間(其可為瞬時)(未被關注)警告之優先級分級來顯示該等(未被關注)警告。可在規則時間間隔下(例如，每天、每半天或(每多個或每一)小時)重新計算優先級度量及優先級分級。關於每一未被關注警告之相對優先級度量之改變將引起警告表示中之指定改變。可執行警告之優先級分級之顯示作為前端程序之部分，而可執行方法之其他步驟作為後端程序，其可為或可不為前端之部分。 在其中N=10之特定實例中，為0、1或2之優先級分級指示極高優先級且可如此表示對應警告(例如，藉由將對應警告著紅色)。相似地，可將對應於介於3至7之間的優先級分級之警告表示為中等緊急程度(例如，著橙色或黃色)，且可將具有優先級分級8、9或10之警告表示為低緊急程度(例如，著黃色或綠色)。若優先級分級大於11，則警告可簡單地為到期的。 可組合用於區分警告優先級之方法及用於判定警告到期時間之方法，使得每一警告具備優先級分級及警告到期時間兩者。然而應注意，可僅僅移除優先級為N+1或更大的警告，且無需產生警告到期時間。將轉移熵用於微影系統中而識別因果關係 微影設備可被認為是包含許多子系統之複雜分散式處理系統。微影設備通常產生事件記錄檔，與其他資料源。此事件記錄檔係由微影系統之每一子系統產生，且為微影設備事件之記錄。異常鏈接(其為鏈接所記錄事件之機制)並不使能夠追蹤因果關係(因果性)；其僅僅群集基本上描述相同可觀測到之根異常(根本原因)之記錄事件。事件記錄檔既不指示修復策略亦不指示解決方案及/或設計改良。事件記錄檔資料亦不具有同步；不同子系統之時鐘未必經同步。結果，異常鏈接在偵測根異常方面通常並不多於50%的準確度。 可經由再利用已解決先前故障之解決方案而有效地縮減或最小化診斷時間。然而，為了有效地解決前所未有的故障或學習過去事件以改良未來設計，為了可靠地識別疵點至故障路徑，事件記錄檔不具有嵌入式因果結構。為了產生微影設備預報模型，描述疵點演進及傳播路徑之資訊亦重要，微影設備預報模型現在主要基於僅關於預測可觀測事物(尤其為效能參數)之間的已知因果關係之專家知識。此情形留下潛在地預測及可能耦合之未探索之可觀測事物的未知集合。 可依據驅動及回應可觀測事物(亦即，因果性關係)之網路來描述微影設備。提議用以判定此等可觀測事物對之間的因果關係之轉移熵之概念。此轉移熵使能夠執行網路之因果映射，根據網路之因果映射可判定疵點至故障路徑及根異常。 轉移熵使能夠經由在任何同時觀測、可能耦合之時間序列對之間的以位元為單位之資訊傳送之計算而推斷出可觀測事物之因果網路。時間序列可來自(例如)事件記錄檔資料、效能參數、板傾印、測試資料、計量資料或跡線資料。所得轉移熵能夠區分驅動及回應可觀測事物，且偵測其相互作用時之時間不對稱性。作為在無需模型的情況下能夠識別任意線性及非線性因果效應之非參數量度，轉移熵可有效地得到微影設備之基礎動力學之較佳理解。此將輔助準確故障診斷及預報，以及結構設計改良。此可經由如下操作來達成： - 自所觀測之時間序列進行微影設備因果連接性之重新建構； - 疵點演進及傳播路徑之分析； - 效能降級之分析； - 微影設備控制效能之分析； - 自經量測時間序列進行之微影設備可觀測事物之可觀測性分析。 轉移熵為不對稱資訊流之定向量度且在Schreiber T.之全文以引用方式併入本文中的「Measuring Information Transfer」(Physical Review Letters 85 (2): 461至464)中予以描述。轉移熵為僅基於針對一未來觀測之先前值(其自身過去值)之該未來觀測與基於關於彼觀測之先前值及關於另一觀測之先前值(其自身過去值及另一觀測之過去值)之對應未來觀測之間的熵差之量度。換言之，自程序X 至另一程序Y 之轉移熵為在知曉所給出之X 之過去值超過Y 之值的情況下Y 之未來值縮減之不確定度之量。 在資訊理論中，熵(更具體言之，向農熵)為所接收之每一訊息(例如，事件或時間序列或其他資料串流內之值)中所含有的資訊之預期值(平均值)之量度。更具體言之，向農熵H(Yt )描述遵循機率分佈p(y)最佳地編碼離散變數Yt 之獨立圖所需的位元之平均數目：方程式(4) 可將轉移熵T描述為：方程式(5) 其中p(a,b)為同時出現事件a及b之聯合機率，且p(b|a)為等於p(a,b)/p(a)之條件機率。及分別為時間間隔k及l之時間序列Xt 及Yt 之緊接歷史。在以上方程式中，滯後參數ω考量如下情形：提供關於Yt 之大多數資訊的Yt 之k長度歷史可不為其處於ω = 1之緊接歷史，而是定位於早先的ω＞1時間步驟(時間步驟以Δt或dt為單位)。相似地，時滯τ允許考慮在距離t下之Xt 之l長度歷史，其提供遍及及超出Yt 之自有歷史中所含有資訊的額外資訊。T量測自不存在於Yt 自身之k長度歷史中的Xt 之l長度歷史而獲得的Yt 之當前狀態之不確定度之縮減度。 在假定l=k=ω=1且時滯τ為待判定之未知數的情況下，則可將用於轉移熵T之方程式簡化為：方程式(6) 在此陳述中，轉移熵T為除了由yt - 1 貢獻之資訊以外亦貢獻於橫越時滯τ之yt 乘xt 之資訊的量度。藉由計算橫越許多時滯之T，有可能評估自Xt 至Yt 之定向耦合之時標。可依據分量向農熵H以替代形式書寫方程式(7)：方程式(7) 其中(例如) H(X,Y)為兩個參數X及Y之間的聯合熵。應注意，在資訊理論意義上，熵之其他量度可用於判定轉移熵。向農熵之使用僅為一實例。 為了將轉移熵應用於微影設備事件(諸如記錄事件記錄檔之微影設備事件)，作出以下決策： 1.  何者構成「事件」。此可為任何事物，例如記錄於事件記錄檔中之事物，及/或可包含：來自感測器之參數值、藉由微影設備執行之量測，及/或對微影設備產品執行之量測。應持續地或週期性地記錄此等事件使得可針對每一參數建構事件之時間序列。 2.  如何自具有連續狀態空間之系統離散化所觀測的時間序列，或為了縮減可能狀態之數目，如何自具有高維度狀態空間之系統進一步離散化本身離散時間序列。因為針對離散時間序列導出方程式(6)中之轉移熵量度，所以所觀測時間序列之離散化可為估計轉移熵之必需步驟。可(例如)藉由將時間序列之值之集合自最小至最大來分類且同樣地將經分類集合分割成數個分格(每一分格指派一狀態)來執行離散化。接著直接自出現頻率計算轉變機率之估計。 3.  過去值之哪一區塊長度應應用於源及目標參數。 圖9為說明根據例示性實施例的用以建構因果關係之網路之方法的流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 910 - 時間序列之設定； 920 - 藉由量測所有子系統參數對之時間序列資料之間的轉移熵而量化該等所有子系統參數對之間的因果關係； 930 - 使用代替資料及靴帶式方法來測試所計算轉移熵值之統計顯著性； 940 - 計算同步比率Tz； 950 - 識別特性時滯； 960 - 建構網路。 910為包含針對複數個參數中之每一者之時間序列的一組時間序列。 在920處，可針對所有子系統參數對計算用於轉移熵T之值(此應在兩個方向上，此係因為轉移熵不對稱)。可使用(例如)方程式(5)、方程式(6)或方程式(7)針對多個時滯執行此計算。 在步驟930處，可計算每一所計算轉移熵值之統計顯著性。此為由轉移熵值所描述之參數關係是否強於將經由不相關時間序列之間的隨機機會而出現之參數關係的測試。可藉由比較每一轉移熵值T與顯著性臨限值Ts 來進行此計算。可基於重排代替轉移熵(shuffled surrogate transfer entropy)而判定顯著性臨限值Ts 。其中T描述時間序列Xt 與Yt 之間的轉移熵，重排代替轉移熵將為時間序列Xs 及Ys 之轉移熵，其中時間序列Xs 及Ys 分別為時間序列Xt 及Yt 之隨機重排(在時間上)版本。此重排破壞時間序列之間的時間相關性。僅當轉移熵值T大於顯著性臨限值Ts 時，才假設在相關參數之間存在顯著資訊流。下降低於顯著性臨限值Ts 之轉移熵值不可被認為為了顯著耦合之建立在統計上有意義。 在一實施例中，針對重排時間序列Xs 及Ys 之數個實現計算重排代替轉移熵，以引起代替轉移熵之高斯分佈。顯著性臨限值Ts 可接著基於此高斯分佈之平均值；舉例而言，其可經設定處於高於該平均值之數個標準偏差。 在步驟940處，可計算同步比率Tz ，以幫助判定兩個參數在給定時標下共用大量資訊之觀測內容背後的原因。同步比率Tz 可為兩個參數之間的所計算轉移熵與兩個參數之間的共用資訊之量度之比率。具體言之，可藉由如下方程式計算同步比率Tz ：方程式(8) 其中I(Xt ,Yt )為Xt 與Yt 之間的相互資訊。相互資訊為參數之相互相依性之量度；亦即，其量測對於此等參數中之一者縮減關於另一者之不確定度知曉多少。可將相互資訊定義為：方程式(9) 同步比率Tz 量測相比於處於零滯後之相互資訊之自Xt-τ 至Yt 之資訊的傳送率。此比率實現兩個參數之間的耦合性質之特性化。應注意，同步比率Tz 不對稱，且因此，參數對之間的耦合特性在不同方向上可能不同。 在參數對之間(在特定方向上)存在耦合的情況下，可將耦合分類為經同步支配、經回饋支配或經施力支配。可在Tz ＜1及T＜Ts 時界定經同步支配耦合。此耦合指示顯著共用資訊，但不指示顯著資訊流。可在Tz ＜1及T＞Ts 時界定經回饋支配流。此耦合指示顯著共用資訊大於顯著資訊流。此耦合為同步耦合與施力耦合之間的中間分類，其中存在相當大同步及施力兩者。可在Tz ＞1及T＞Ts 時界定施力耦合。此耦合指示顯著資訊流大於顯著共用資訊。 在步驟950處，可計算用於每一經識別耦合(每一轉移熵值)之特性時滯。此特性時滯可為第一統計顯著時滯，或者為使轉移熵T最高之時滯(在假定其係統計顯著的情況下)。 在步驟960處，在給出數個參數的情況下，有可能藉由計算每一參數作為網路中之節點且計算每一節點之間的轉移熵而建構程序網路。可展示在已展示存在統計顯著耦合之節點之間的鏈路(在每一方向上)。程序網路亦可指示耦合強度(轉移熵之值)及耦合特性化。可建構因果矩陣，其中每一單元格指示在兩個節點之間是否存在定向耦合。因果矩陣可為三維矩陣[np ⨉ np ⨉ nτ ]，其中np 為參數之數目且nτ 為所研究之時滯之數目。然而，為了保持計算較可管理，可使用二維矩陣[np ⨉ np ]，其包含針對對應於用於如在先前步驟中所判定的彼耦合之特性時滯之每一輸入項的轉移熵之值。 因果矩陣可顯示為(例如)圓形定向圖表(節點及連接)、氣泡式圖表及/或熱圖。在氣泡式圖表或熱圖中，因果強度(轉移熵值)可分別由氣泡直徑或色彩表示。 一旦建構程序網路，就可有益的是識別具有多於一個輸入或輸出鏈路之節點。此等節點可對網路有最大影響。可執行網路中心性分析以將網路節點依據影響進行分級。可接著使用分級來映射系統內之自疵點至故障之資訊流。作為實例，可將分級應用於前述事件記錄檔中之輸入項，從而使能夠在具有正常事件、警告、故障事件及警報之定向因果曲線圖中指示最有影響的子系統報告之根錯誤。 概言之，由於使用如所描述之轉移熵方法以監視微影設備，微影設備可觀測事物之間的相互作用可被視為資訊之轉移。轉移熵使能夠對每一對同時觀測之微影設備時間序列進行因果作用分析。轉移熵使能夠相對於僅在錯誤與警報之間的異常鏈接而重新建構事件、警告、錯誤及警報之間的因果關係。自因果關係，可判定疵點至故障路徑且可較佳地識別疵點之根本原因。診斷學中之功能表示 系統診斷學可呈現顯著困難，特別是關於新系統及近期設計之系統。可能不可得到來自(例如)對錯誤之解之錯誤警告之全部端對端交付物，此係因為可尚未設計該等全部端對端交付物。若自端對端鏈遺漏一個項目，則診斷學變得難以或不可能實施。 對於新設計(平台、系統或產品)，在診斷學資料及/或經驗變得可得到之前需要時間，使得診斷學(例如，具有可能之解的錯誤程式碼)可變得有效。此可為複雜的，此係因為內容可經由重新設計而改變，從而進一步增加此時間。因此，提議設計可在系統產生期間針對每一系統及子系統(處於多個層級)產生之較多功能診斷綜述。此將提供系統如何工作及何種促成因素可出故障之洞察力。 圖10展示表示通常被稱作魚骨形圖解之診斷學之方法。該圖解可用以表示故障X (展示為徵兆)之可能原因清單。A至H表示此等可能原因之分組；舉例而言：子系統Ap1至Hp2與每群組原因(例如，出故障部分及/或設定)對應。以此方式，可表示可影響故障X之每一可能的原因。可測試(例如檢查)此等原因中之每一者以查看其是否在規格內。純粹作為實例，魚骨形圖解可關於EUV微影系統，其中雷射輻射激發目標以產生電漿。在此實例中，故障/徵兆X可為不穩定電漿，觀測B中之一者可為目標形狀且其對應參數Bp1至Bp4可包括目標大小、目標定向、目標厚度及目標穩定性。此等魚骨形表示為吾人所知且將不對其進行進一步描述。 關於圖10之魚骨形表示之問題在於：其並不展示系統分組A至H之子系統、觀測或其他元件之間的關係，僅展示對特定故障/徵兆X之可能促成因素Ap1至Hp2。每當重新設計系統時，就將需要針對每一故障設計新魚骨形表示，以在經修訂系統內依據可能促成因素Ap1至Hp2 (或在適當時之其他促成因素)展示彼故障。 圖11展示根據一實施例之系統(或子系統)的功能表示。該系統係依據其元件(例如，子系統或組件)1110A 、1110B、1110C、1110F及1110G及每一此元件在功能上如何與其他元件有關而展示。該系統可提供或引起功能或輸出Y。因此，若存在關於功能或輸出Y之任何故障或疵點，則此功能表示可用以執行診斷學。 功能表示將元件1110A、1110B、1110C、1110F及1110G之間的功能關係展示為箭頭1120。舉例而言，可看到元件1110F依賴或者使用元件1110B之輸出，且又，元件1110B之輸出供元件1110C使用。每一元件1110A、1110B、1110C、1110F及1110G可具有與其相關聯之一或多個屬性APr1至APr3、BPr1至BPr3、CPr1至CPr4、FPr1至FPr3及GPr1至GPr3。屬性APr1至APr3、BPr1至BPr3、CPr1至CPr4、FPr1至FPr3及GPr1至GPr3為實現對應元件之操作之屬性，且可包含對應元件取決於或對應元件之適當操作所需之屬性。在所說明實例中，元件1110A依賴於三個屬性以適當地操作：APr1、APr2及APr3。作為特定實例，其中子系統為用於EUV微影系統之光束遞送系統，屬性可包括鏡面溫度、鏡面定向及鏡面反射率/污染。元件可包括實際實體子系統(例如，雷射系統)或特定操作步驟(例如，「產生電漿」或「產生Sn目標」)。 由箭頭1120指示之每一關係可具有一或多個關聯參數ABPa1至ABPa2、BCPa1至BCPa4、BFPa1至BFPa3、CXPa1至CXPa3、DAPa1至DAPa2、EAPa1至EAPa3、EBPa1至EBPa3、FCPa1至FCPa2及GAPa1至GAPa2。舉例而言，組件1110G與元件1110A之間的關係具有與該關係相關聯之兩個參數：GAPa1及GAPa2。此等參數描述元件之間的介面，且為關於關係之第一元件之輸出之參數，其影響關係之第二元件之操作。此等參數可描述為了第二元件之令人滿意的操作，第一元件需要遞送何物。作為特定實例，其中第一元件為雷射輻射產生器系統且第二元件為「電漿之產生」，則參數可包含雷射輸出功率、雷射強度及雷射定位準確度。 設施1130D至1130E亦展示於功能表示上。此等設施包含為了其操作作為至特定子系統之輸入所需的供應物，例如，電功率或冷卻流體。在許多狀況下，子系統之屬性將取決於供應其之設施之狀態。舉例而言，屬性BPr1至BPr3可取決於設施1130E，否則其狀態可變得不合規格。 系統之功能表示可為多層級使得較高層級表示中所展示之一或多個元件可由以與圖10中所說明相同之方式依據子元件來表示元件的另一功能表示描述。此功能表示可針對任何數目個層級來進行。 功能表示可為被動表示，其中以靜態方式顯示資料。替代地，功能表示可為主動的。在此實施例中，可存在與屬性APr1至APr3、BPr1至BPr3、CPr1至CPr4、FPr1至FPr3及GPr1至GPr3、APr1至FPr2以及參數ABPa1至ABPa2、BCPa1至BCPa4、BFPa1至BFPa3、CXPa1至CXPa3、DAPa1至DAPa2、EAPa1至EAPa3、EBPa1至EBPa3、FCPa1至FCPa2及GAPa1至GAPa2中的每一者(或一些)相關聯之狀態指示器1140。狀態指示器可(例如)指示對應屬性或參數值是否良好(例如，在規格內)、是否不良好(例如，不合規格)或是否未知。另外，功能表示可藉由以不同方式(例如，不同色彩)表示適當元件或介面箭頭而指示元件之屬性或介面之參數是否已不合規格。其他實施例可顯示狀態值。 可即時更新功能表示之狀態指示器1140。在此實施例中，使狀態為已知(例如，良好或不良好)的屬性或參數可為可線上量測之屬性或參數，而使狀態為未知的屬性或參數可為使需要離線量測之屬性或參數。可顯示依據時間而變化的狀態、參數或值。 可藉由具有使存在待鏈接至關於應如何補救或處理問題之解決放案或指導的不良好指示之任何元件、屬性、參數或介面而提供額外功能性。 所提議方法之一個優點為：展示元件與其他元件及設施之間的關係。此在不可量測元件之潛在重要屬性時特別有用。若彼元件之輸出由於彼不可觀測到之屬性而不合規格，則有可能將問題追溯至可量測輸入參數，或追溯至饋入至輸出已不合規格的元件中之元件或設施之可量測屬性。作為特定實例，比如，元件1110A表示光束遞送系統，且光束遞送系統之輸出參數ABPa1展示光束指向準確度不合規格。對於此情形之候選原因為由屬性APr2表示之鏡面溫度。然而，該光束遞送系統之狀態指示器指示狀態為未知的且不可被量測。表示允許首先將問題追溯至輸入(例如EAPa1)或追溯至供應其之設施或元件之屬性(例如EPr1)。舉例而言，在1130E為冷卻設施的情況下，有可能的是，EAPa1為關於冷卻液體流動速率之可量測參數，或EPr1為冷卻液體溫度之可量測屬性。 提議可將設計文件在設計階段期間轉移成此功能表示。可在無顯著額外努力的情況下進行此轉移。藉由使用所得功能表示，使用者可看到： •   不同元件之間的關係。 •   每一元件之關鍵屬性，諸如，使每一元件執行其功能所需的屬性。 •   為了知曉元件是否正執行其功能而應監視之參數。 •   哪些參數資料由系統線上地產生及哪些參數資料需要待進行之特定量測。 •   針對可線上量測之物之參數狀態。 •   針對每一元件哪些設施相關。 •   亦，通常使用且因此對於多個元件之操作為關鍵的設施。 應理解，用於以上實例中之特定參數並非可界定之僅有參數。可根據待用於計量之微影設備及檢測設備之限制而在實際設計程序中使用額外及/或替代參數。組合來自多個機器之參數資訊以驗證預測維修系統輸出 在預測維修系統中，並非始終明確的是，特定參數行為是否正常及/或是否起因於外部因素，或參數行為是否指示特定機器(例如，微影設備)之內部問題或故障。舉例而言，參數可能展示不規則行為，且由於此，可產生事件指示符或警告。然而，藉由檢測由隔離的彼機器之適當感測器產生之參數資料，並不可能以某種方式判定機器是否發生故障/不合規格，或機器實際上是否正確地操作且外部因素(例如，大氣/環境條件)是否造成參數不規則性。 為了解決此問題，提議組合參數資料，且特別地組合來自相同或相似環境及/或部位中的多個機器之等效參數資料。參數資料可包含自可形成機器之部件的一或多個感測器量測或導出之任何資料。藉由組合來自同一環境(例如，同一室、建築物或設施)中之多個相似機器之等效參數資料，有可能判定任何參數事件(諸如趨勢或不規則性)為內部因素還是外部因素之結果。此判定可接著用以驗證預測維修系統，且特別地用以驗證由個別機器產生之一或多個警告。可在並不為了驗證來自機器之感測器輸出而在環境內添加額外感測器的情況下達成此驗證。 許多相似及/或相同機器位於單一設施處且常常在同一室內係常見的。此可為在包含多個微影設備之半導體製造設施中之狀況。此微影設備可(例如)全部在一或多個「清潔室」內，該等清潔室為具有高受控環境之室/區域，該受控環境在該環境內包括受控等級之污染粒子。 在不規則性被認為由於外部因素的情況下，另外有可能的是利用控制回饋迴路以便控制外部因素(或其之原因)以便減輕或移除外部因素之效應。舉例而言，在機器位於清潔室環境中或至少在具有諸如(例如)溫度、濕度及/或大氣壓力之經調節條件之環境中的情況下，有可能控制環境系統(例如，HVAC或加熱、通風及空氣調節系統)以減輕溫度、濕度及/或大氣壓力中之任何經量測外部不規則性。 環境內之相似機器中之每一者將具有至少一個感測器及最可能數個感測器，每一感測器記錄隨著時間推移之參數資料(持續的或在規則時間間隔下進行取樣)。可組合及比較對應參數資料(例如，來自分離機器之對應感測器之資料)，以判定任何不規則性或警告是由內部因素還是外部因素引起。此判定可基於是否可在所有機器上看到不規則行為(或至少高於臨限值的某數目個或百分比之機器-例如，90%、95%或99%)。若是，則可假定問題係由於外部因素。相反，若僅在一個或幾個機器上看到不規則行為，則可假定問題為證實不規則行為的機器之內部因素之結果。可使用回溯測試或驗證程序來選擇或調諧表示外部因素之機器之實際臨限數目或百分比。當然，若一個機器在所有其他機器展示不規則性/產生警告時不展示不規則性或不產生警告，則可指示不產生警告之機器並未對外部因素適當地作出回應，且因此，自機器觀點可不正確地操作(即使實際上在規格內操作)。因此，任何比較可比較數個機器之對應感測器輸出，且假定在針對單一機器(或幾個機器)之感測器輸出偏離來自其他機器之感測器輸出時針對彼機器存在內部問題。 圖12為說明根據例示性實施例的組合參數資料以驗證預測維修系統輸出之方法的流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 1210 - 自對應感測器獲得參數資料； 1220 - 濾波、對準及內插參數資料； 1230 - 應用預測維修演算法以偵測及預測不規則性/異常； 1240 - 組合用於不同機器之一或多個維修演算法之輸出且判定原因為內部還是外部； 1250 - 對機器執行維修動作；及 1260- 視情況若為外部，則計算及實施校正以用於環境控制。 在步驟1210處，收集來自單一部位或位點內之多個相似機器之對應感測器的參數資料。純粹作為實例，此參數資料可包含來自機器內之對應溫度、濕度及/或壓力感測器之資料。可同樣使用來自任何其他感測器之任何其他參數資料。 在步驟1220處，可以某種方式(使用任何標準濾波技術，及/或上文所描述之內容脈絡濾波技術)變換、濾波或調節參數資料。可接著將參數資料在時間上對準，且在必要時內插參數資料。下文中揭示用於判定可指示不規則性之參數資料中之特定事件(諸如尖峰或步階)的時間之技術，且亦可將該等技術用於此步驟中以改良來自不同機器之參數資料之時間對準。 在步驟1230處，將預測維修演算法應用於來自每一機器之每一組參數資料，以偵測特定不規則性。可使用諸如已經在本文中之別處所描述之警告產生程序，藉以每當在用於一機器之參數資料中偵測到不規則性時就針對該機器產生諸如警告之事件指示符。 在步驟1240處，組合應用於來自每一機器之每一組參數資料之維修演算法之輸出以判定不規則性之原因為內部還是外部。在一實施例中，此判定可包含：在針對一特定機器產生警告的情況下，判定是否產生相似警告，或至少針對其他機器可同時看到相似參數資料趨勢。若判定所有機器(或可能大多數機器)同時地或在相同時間範圍內產生警告(同時發生的警告)，則可假定該警告可作為外部因素之結果且機器自身正常地操作。在此狀況下，可研究是否存在關於環境控制系統或適用於所產生之警告及所懷疑外部因素的其他系統之問題。然而，若由與其餘機器隔離(或偶然地，在若干機器之兩個或小百分比內)的一機器產生警告，則可判定問題為在彼機器內部之問題且可起始適當維修動作(步驟1250)。以此方式，可驗證用於每一機器之維修演算法之輸出(例如，每一警告)。未必基於警告產生之其他方法亦可用於此步驟中。作為實例，來自每一機器之參數資料可交叉相關以判定資料中之不規則性是否為所有機器所共有(外部影響)或僅在一個機器中出現(內部問題)。在此實例中，事件指示符可包含參數資料中之尖峰、步階或其他不規則性。 若判定警告/不規則性為外部因素的結果，則此判定可用以判定作為回饋迴路之部分之校正。校正可接著應用於可影響外部因素之任何控制件、設備或裝置。作為實例，若在每一機器中產生指示環境條件(例如，溫度、壓力或濕度)不合規格或以其他方式影響機器操作之警告，則可將校正應用於環境控制。以此方式，諸如清潔室設施之設施可包含(例如)其HVAC/環境控制系統之自動控制及調整，以減輕或消除對該設施內之機器操作之外部影響之效應。判定參數資料中之事件指示符之時間 自機器(諸如微影設備)中之一或多個感測器輸出的參數資料中之特徵或事件指示符(諸如步階)可指示數個事件。此等事件可包括機器之條件之改變或由故意維修動作引起的改變。為了能夠使參數資料中之事件指示符相關，需要以足夠準確度判定事件指示符之出現時間。若無法進行此判定，則不可能判定由事件指示符所指示之事件為對機器執行之任何動作的後果還是原因。此外，可愈準確地判定系統健全狀況偏差之時間，可愈早地通知維修工程師。 因此，揭示用以識別參數資料中之事件指示符(諸如步階(及/或尖峰))且提供出現對應事件之時間之準確估計之方法。如關於上文之「Automated Maintenance Action Detection」發明所論述，參數資料中之步階指示已出現值得注意的事件。此章節之揭示內容可用於判定彼發明中之步階時間。「步階」之定義可如彼章節中所定義。此等方法適用於可預測諸如微影設備之複雜機器中之故障的預測維修模型。 參數資料可包含通常在用作用於預測模型化之資料之前濾波的資料值之離散時間序列。此濾波引起相位延遲，相位延遲造成在針對事件指示符之時間之任何判定方面的不準確度。為了減輕此相位延遲，提議亦在時間上反轉參數資料時間序列且同樣應用濾波(反因果濾波)。可接著組合此兩個經濾波時間序列以尋找該等時間序列內之任何事件指示符之時間。反因果濾波之效應應為使相位延遲之效應相消；因果地及反因果地濾波之兩個時間序列將具有具相等量值但相對正負號之相位延遲。因此，此等時間序列之適當組合(例如，平均值)將使相位延遲相消。 圖13為說明根據例示性實施例的將時間歸因於參數資料之時間序列內之事件指示符的方法之流程圖。該等步驟如下，且接著此後更詳細描述該等步驟(可交換一些步驟之次序)： 1310 - 自感測器獲得輸入參數資料； 1320 - 判定輸入參數資料之信號包絡； 1330 - 區分資料包絡； 1340 - 因果地及反因果地濾波資料包絡； 1350- 判定經區分之包絡中之一或多個尖峰之時間；及 1360- 組合根據因果地及反因果地濾波之資料包絡判定之尖峰時間以判定事件之經校正時間。 在步驟1310處，自感測器獲得參數資料，且在步驟1320處，判定參數資料之信號包絡。此將提供諸如步階之一或多個事件指示符相對於信號雜訊之增強之對比度。可在此步驟中分離地判定上部包絡及下部包絡兩者，且在後續步驟中分離地處理該等上部包絡及下部包絡兩者。 在步驟1330處，區分經判定包絡(時間序列參數資料)以獲得經區分之時間序列資料。此區分產生指示已出現事件之一或多個尖峰。在區分之後之原始時間序列參數資料中之步階將產生單尖峰。在區分之後之原始時間序列參數資料中之尖峰將產生正及負尖峰對。 在步驟1340處，因果地及反因果地濾波經區分之時間序列資料以獲得第一經濾波時間序列資料及第二經濾波時間序列資料。反因果地濾波包含在時間上反轉包絡時間序列且應用與應用於前向時間序列之濾波相同的濾波。濾波可包含用於區分雜訊之移除之低通濾波。 在步驟1350處，針對第一經區分之時間序列資料判定第一尖峰(對應於原始參數資料中之步階)之第一時間，及針對第二經區分之時間序列資料判定第二尖峰(對應於原始參數資料中之相同步階)之第二時間。步驟1350亦可包含識別形成一對負及正尖峰中之一者且因此對應於原始參數資料中之尖峰的尖峰。可接著(例如)當僅將步階認為是事件指示符時移除或忽略此等尖峰。 在步驟1360處，組合第一時間及第二時間以判定經校正時間，該經校正時間為針對由濾波造成之相位延遲而校正的用於事件之實際時間。舉例而言，經校正時間可為第一時間及第二時間之平均值。 若如所判定之事件指示符之經校正時間與已知維修動作重合，則此可能可被理解為取決於問題之類型而不指示系統健全狀況之改變。上文中揭示用於判定維修動作之方法且可在此處使用。另外，一或多個事件指示符可能為指示劣化系統健全狀況之事件之徵兆。因而，可在適當時產生警告或起始任何其他動作。無模型、組態獨立疵點診斷學 用於複雜系統及程序之疵點診斷學通常嚴重依賴於曲線圖(諸如魚骨形圖解、疵點樹等等)之使用。曲線圖可包含節點(頂點)及接頭(邊緣)。取決於範疇及目標，此等節點可表示(例如)如下各者中之任何一或多者：事件、參數、處理元件、部件及/或轉移函數。接頭可表示諸如如下中之任何一或多者之關係：耦合強度、轉移機率、資訊流及/或因果作用。 通常，使用三種方法以產生此等曲線圖。第一方法僅僅基於專家資訊。在此方法中，專家基於其知識及經驗產生曲線圖，亦即，以在頭腦中的先驗模型產生曲線圖。第二方法為(例如)使用經典統計資料、(預測)分析及/或機器學習進行完全資料驅動。除了「以相關性為基礎之」分析型技術以外，亦已開發用以根據資料使用諸如交叉相關函數、葛蘭哲因果關係(Granger causality)等等之方法來判定因果作用之若干方法。第三方法為第一方法及第二方法之混合。使用專家輸入來驗證及/富集或(一或多個)資料驅動方法之輸出。 自此等種類之分析導出之資訊可包含潛在原因之經分類集合。潛在原因之重要性可基於(例如)中心性分析；例如使用PageRank或程度中心性(入分支度及/或外分支度)方法。 此等方法具有相當大限制，此係因為：因為其不能夠區分潛在根本原因之有限集合，所以其各自為基本上非確定性的。關於疵點診斷學之混合方法之額外問題為：在揮發性生態系統中，需要疵點診斷學模型之恆定「調諧」。每當組態改變時，所使用之定向曲線圖就改變：而不管其是否為節點、轉移機率、因果作用之方向等等之內容。 因此，當前非確定性疵點診斷系統涉及連續調諧及更新。此為勞力密集及容易產生錯誤的(例如，過度擬合為一種問題)。可存在事件之間的許多相關性，但常常僅需要隔離一個根本原因。 此情形可導致關於混合疵點診斷學系統之以下問題中的一或多者： •  需要連續努力以將疵點診斷學系統之效能維持在用於現有裝備之可接受的位準。此系統之操作成本持續較高。 •  非確定性性質暗示疵點診斷學為排除診斷學方法且因此本質上為浪費的。 •  當產生用於新裝備之先驗疵點診斷學模型時需要相當大的努力。又，需要大的組織努力以與為了疵點診斷學模型之恆定調諧及更新之組織對準，此係因為針對每一新平台再次出現資本費用。 因此，提議組態獨立疵點診斷學方法。此方法可自因果曲線圖(例如，定向曲線圖或有向圖)之產生至根本原因之識別完全自動。此方法可組合無模型因果作用偵測方法與反映(例如)微影設備之多組件、階層式分層架構之資料集。此方法幫助確保組態獨立性，但其亦產生消除其他潛在原因之相當大部分之機會。 在多層複雜系統中，可在因果關係之定向曲線圖表示中觀測到「定向循環」。此等定向循環指示節點之間的非可遞性。圖14說明此非可遞性之實例。其展示以關係R相關的三個節點A、B及C，使得節點A取決於節點B(A R C)、節點B取決於節點C(B R C)且節點C取決於節點A(C R A)。此暗示關係R在循環之內容脈絡內為非可遞的。 此非可遞性可為想要的還是非想要的。然而，據信，根本原因本質上並非非可遞的。因此，此方法可用以排除大數目個潛在根本原因，且因此較快速及有效地識別實際根本原因。 定向曲線圖中之定向循環暗示在考慮中之關係(至少)在定向循環之內容脈絡內可為非可遞的。自因果關係之觀點，此可能被視為反直覺的：因果關係趨向於可遞的。然而，在因果推理中，因果非可遞性為吾人所知且被稱作因果恆定。因果恆定可描述(例如)引起隨著時間推移一起作為穩定集合(或加強機制)而忍受的屬性之集合的原因及效應之互鎖集合。因果關係之此形式用以描述複雜(例如，生物)系統中之某些特徵。 可觀測到非可遞的非想要定向循環，但根本原因並非不可遞之事實意謂：可將潛在根本原因判定為與非想要定向循環連接但不形成非想要定向循環之部分之非想要節點。因此，非想要定向循環內之所有節點可不被考慮為潛在根本原因。當然，一些定向循環將為想要的(例如，規劃及/或理想回饋或加強機制)。 然而，應瞭解，不管出於何種原因，根本原因節點並不存在於曲線圖上，且非想要定向循環不具有不為循環之部分的連接之節點(在曲線圖上)。在此狀況下，可假設循環中之最重要節點為根本原因節點。雖然此節點實際上將不為根本原因(非可遞的)，但其將幫助識別後續分析中之實際根本原因。 在未發現非想要定向循環的情況下，方法可包含假設根本原因為定向曲線圖上之第一或最重要的非想要節點。 可以不同方式定義節點之相對重要性，且因此，方法可取決於應用之範疇及內容脈絡。舉例而言，中心性分析可用以判定最重要節點。可使用任何合適中心性度量或方法。 所提議方法包含以下主要階段-1)判定作為定向曲線圖之因果關係；2)判定任何定向循環；3)判定定向循環為想要的還是非想要的(或是否定向循環被判定為皆不用來識別非想要節點)及4)判定根本原因。 可以數個方式執行關於定向循環或節點為想要的還是非想要的判定。然而，該判定應使得其可為自動的。舉例而言，可基於由節點或定向循環表示之健全狀況特性而作出判定。舉例而言，在節點係關於特定參數的情況下，非想要節點可為彼參數之值不合規格之節點，且想要節點可為彼參數之值在規格內之節點。此情形之特定實例可為：在節點為特定元件之功率位準的情況下，若功率位準在規格內，則判定節點為想要的，且若功率位準不合規格，則判定節點為非想要的。非想要定向循環可包含一包含一或多個非想要節點或描述非想要加強或回饋機制之定向循環。取決於範疇及內容脈絡，可應用用於後驗判定節點/循環是否為非想要的其他方法。又，判定無需為二元，而是代替地可取決於範疇及目標而為連續的或具有較大解析度。 在一實施例中，定向循環或節點為想要的還是非想要的可在曲線圖上以數個方式(例如，藉由以不同色彩表示)來表示。 提議因果關係之判定亦為自動的。在一實施例中，可使用使用上文所描述之轉移熵來識別因果關係之方法來進行此判定，且彼章節之揭示內容應被理解為適用於此章節之方法。 在一實施例中，可最初在執行判定因果關係之步驟之前將資料進行內容脈絡濾波。此內容脈絡濾波可進一步輔助想要及非想要節點及循環之判定。內容脈絡濾波可用以確保僅使用在「停機」狀態期間產生之資料(例如，其中裝備之(高層級)行為係非想要的)。此類型之自動內容脈絡濾波可如如上文在題為內容脈絡判定之章節中所描述。彼章節之揭示內容應被理解為適用於此章節之方法。除了內容脈絡濾波以外，可執行另外濾波使得僅使用關於停機狀態之指示符(錯誤或警報)，且排除事件及警告。 圖15為說明根據例示性實施例的執行無模型、組態獨立故障診斷學之方法的流程圖。步驟如下，且接著此後對其進行更詳細描述： 1500- 內容脈絡濾波 1510- 產生因果有向圖 1520- 識別循環 1530- 是否發現循環？ 1540-將循環/節點分類 1550-將節點分類 1560- 判定導致非想要循環/非想要循環之部分之最重要節點 1570- 判定最重要節點/第一節點 1580-判定根本原因 1590-結束 可對描述事件之輸入資料執行內容脈絡濾波1500之選用初始步驟。此步驟可使用上文所描述以及圖4及圖5中所說明之內容脈絡判定技術。舉例而言，可濾出關於除停機狀態之外的所有資料。亦可在此階段濾出與錯誤或警報無關之資料。履行內容脈絡準則之資料接著用以產生因果定向曲線圖1510。此可使用圖9中所說明之方法或使用隨附章節中所揭示之轉移熵來識別因果關係之方法中的任一者來進行。在步驟1520處，檢查定向曲線圖以識別任何定向循環。在步驟1530處，作出關於是否存在任何定向循環之判定。若存在定向循環，則在步驟1540處將定向循環(及節點)分類。此分類可包含判定定向循環及節點為想要的還是非想要的。非二元分類亦為可能的(例如，定向循環為想要的/非想要的之程度之指示)。在定向曲線圖上，可以不同方式(例如，藉由不同色彩)表示想要的及非想要的循環/節點。在1560處，識別連接至(例如，通向)非想要定向循環但不為非想要定向循環之部分的非想要節點(或在存在多於一個節點的情況下，識別最重要非想要節點)。若不存在此非想要節點，則識別形成非想要定向循環之部分之最重要非想要節點。在步驟1580處，將經識別節點判定為根本原因節點。 若在步驟1530處，判定不存在定向循環，則在步驟1550處將節點分類。此可包含判定節點為想要的還是非想要的。非二元分類亦為可能的(例如，節點為想要的/非想要的之程度之指示)。在定向曲線圖上，可以不同方式(例如，藉由不同色彩)表示想要的及非想要的節點。在步驟1570處，識別最重要的非想要節點，或替代地第一非想要節點，且在步驟1580處，將此經識別節點判定為根本原因節點。 如揭示於此章節中之此等方法之優點可包括(例如)： •  低操作費用：無需先驗或後驗專家知識，且無需連續調諧； •  無重複資本費用：將方法應用於新機器之僅有要求為資料可用性；及/或 •  方法使用因果關係而非相關性作為對可能原因之主識別符，且其排除駐留於定向循環內之潛在原因。此暗示診斷步驟縮減。診斷學時間相比於基本非確定性方法將得以縮減。 本發明進一步包含作為編號條項而呈現之以下態樣： 1.     一種識別時間序列對之間的因果關係之方法，每一時間序列對對應於一微影設備之一對不同參數，每一時間序列包含該等參數中之一不同參數之多個樣本，該方法包含： 判定用於該等時間序列對中之每一者的轉移熵之一值；及 使用用於轉移熵之該等值來識別該等時間序列對之間的因果關係。 2.     如條項1之方法，其中判定用於轉移熵之該等值，且在兩個方向上針對該等時間序列對中之每一者界定該等因果關係。 3.     如條項1或條項2之方法，其中針對複數個不同時滯針對該等時間序列對中之每一者判定用於轉移熵之該等值，其中時滯為量測該轉移熵所遍及之時間間隔之一量度。 4.     如前述條項中任一項之方法，其中藉由比較該經判定轉移熵值與指示將經由隨機機會而出現轉移熵值之一顯著性臨限值而評估每一轉移熵值之統計顯著性；及 將一因果關係僅歸因於使該轉移熵值高於其顯著性臨限值的彼等時間序列對。 5.     如條項4之方法，其包含在時間上打亂該等時間序列、判定用於經重排每一時間序列對之代替轉移熵值，且使用該等代替轉移熵值作為在判定該顯著性臨限值時之參考。 6.     如前述條項中任一項之方法，其包含： 判定用於每一經判定轉移熵值之一同步比率，該同步比率為該轉移熵值對用於該等時間序列對應對之一相互資訊值之比率；及 使用該同步比率來分類每一經識別因果關係。 7.     如條項6之方法，其中對於經評估為統計顯著之轉移熵值，該對應因果關係被認為在該同步比率小於1的情況下表示一回饋支配資訊流且在該同步比率大於1的情況下表示一強制支配資訊流。 8.     如前述條項中任一項之方法，其包含使用該等經判定轉移熵及該等經識別因果關係來判定一程序網路，其中該等參數中之每一者為該程序網路中之一節點，節點之間的連接取決於該等經判定轉移熵。 9.     如條項8之方法，其包含判定一因果矩陣，其中該因果矩陣之每一單元格指示在兩個節點之間存在一定向因果關係。 10.    如條項9之方法，其中在每一方向上針對參數之每一對判定一特性時滯，以縮減該因果矩陣之維度。 11.    如條項10之方法，其中該特性時滯為使該對應經判定轉移熵經評估為統計顯著的一第一時滯。 12.    如條項10之方法，其中該特性時滯為使該對應經判定轉移熵最高之時滯。 13     如條項9至12中任一項之方法，其中該因果矩陣經顯示為一圓形定向圖表、一氣泡圖表及/或一熱圖。 14.    如條項8至13中任一項之方法，其包含執行一網路中心性分析以將該等程序網路節點及/或該等對應參數依據其對該網路之影響進行分級。 15.    如條項14之方法，其包含使用該等程序網路節點之該分級來映射該微影設備內之自一疵點至一故障之資訊流。 16.    如前述條項中任一項方法，其中該等參數包含記錄於該微影設備之一事件記錄檔中之參數。 17.    一種模型化一系統及/或程序之方法，該方法包含： 獲得關於該系統及/或程序之參數資料； 判定關於其中該系統及/或程序正根據該參數資料進行操作之一內容脈絡的內容脈絡資料，其中該系統及/或程序可在任一時間在複數個內容脈絡中之至少一者中操作；及 將一品質加權應用於該內容脈絡資料，該品質加權取決於該內容脈絡資料對於一特定內容脈絡片段之準確度的一量度，每一內容脈絡片段包含該等內容脈絡中之一者之一片段，其中將每一內容脈絡在時間上分段。 18.    如條項17之方法，其中先前已針對用於該系統及/或程序之每一可能的內容脈絡片段判定該內容脈絡資料對於一特定內容脈絡片段之該準確度的該量度。 19.    如條項18之方法，其中另外在先前已針對該等可能內容脈絡片段中之每一者針對每一可能的內容脈絡轉變判定該內容脈絡資料對於一特定內容脈絡片段之該準確度的該量度。 20.    如條項17至19中任一項之方法，其中該等內容脈絡片段包含中間片段及轉變片段，使得每一內容脈絡包含兩個轉變片段及在其之間的一中間片段。 21.    如條項17至20中任一項之方法，其中將該品質加權應用於相依於該內容脈絡片段之該內容脈絡資料之每一內容脈絡片段。 22.    如條項21之方法，其中將該品質加權應用於進一步相依於先前內容脈絡片段及/或接續內容脈絡片段的該內容脈絡資料之每一內容脈絡片段。 23.    如條項17至22中任一項之方法，其中該品質加權判定在該系統及/或程序之該模型化中符合該內容脈絡資料及/或該內容脈絡資料所對應之該參數資料的考慮程度。 24.    如條項23之方法，其中該品質加權係二元的使得該內容脈絡資料及/或該內容脈絡資料所對應之該參數資料經加權以包括於或不包括於該系統及/或程序之該模型化中。 25.    如條項17至24中任一項之方法，其中該內容脈絡包含該系統及/或程序之一操作模式或操作狀態。 26.    如條項17至25中任一項之方法，其中該系統及/或程序為一微影系統及/或程序。 27.    一種監視一系統及/或程序之方法，該方法包含： 監視隨著時間推移之一或多個系統及/或程序參數值； 判定在該一或多個系統及/或程序參數值中是否存在一步階； 回應於偵測到此步階，判定在該步階之後是否存在程序能力之一增加；及 回應於在一步階之後偵測到程序能力之一增加，將此程序能力增加歸因於已對該系統及/或程序執行之一維修動作。 28.    如條項27之方法，其中該一或多個系統及/或程序參數值中之該步階為該等參數值中之一持久步階。 29.    如條項27或條項28之方法，其中該判定是否存在程序能力之一增加包含：在該步階之前及在該步階之後量測該系統及/或程序之該程序能力；及比較此等量測。 30.    如條項27至29中任一項之方法，其中依據程序能力指數Cpk 來量測該程序能力。 31.    如條項30之方法，其中該程序能力指數Cpk 為一單側程序能力指數Cpk 。 32.    如條項27至31中任一項之方法，其包含： 最初執行如條項17至25中任一項之方法； 將該品質加權應用於該等系統及/或程序參數值；及 基於該品質加權而使一考慮程度符合該等系統及/或程序參數值。 33.    如條項27至32中任一項之方法，其包含回應於正執行一維修動作之一判定而重設模型化該系統及/或程序之相關模型演算法。 34.    如條項27至33中任一項之方法，其中該系統及/或程序為一微影系統及/或程序。 35.    如條項27至34中任一項之方法，其包含執行如條項80至87中任一項之方法以判定該步階之時間，該步階包含條項80至87之事件指示符。 36.    一種管理由一模型產生之未被關注警告之方法，該模型模型化一系統及/或程序，該方法包含： 獲得關於關注所產生之每一警告之一成本之一量度的一成本度量； 獲得關於在關注所產生之每一警告時依據時間而變化的一效益之一量度之一效益度量；及 基於用於每一警告之該效益度量相對於該成本度量之一評估而對該等未被關注警告執行一管理動作。 37.    如條項36之方法，其中該管理動作包含基於適合於每一警告的該效益度量相對於該成本度量之該評估而向該等未被關注警告中之每一者指派一警告到期時間。 38.    如條項37之方法，其中該警告到期時間係基於使該效益度量相對於該成本度量之評估符合一臨限值之一時間。 39.    如條項36至38中任一項之方法，其包含使未被關注警告在其警告到期時間時自動到期。 40.    如條項36至39中任一項之方法，其中向一使用者顯示該等警告到期時間。 41.    如條項36至40中任一項之方法，其中該管理動作包含基於適合於每一警告的該效益度量相對於該成本度量之該評估而判定用於該等未被關注警告中之每一者之一優先級度量，該優先級度量為關注每一未被關注警告之瞬時影響的一量度。 42.    如條項41之方法，其中相對於一參考優先級度量而參考該等優先級度量，該參考優先級度量為經判定以表示在產生該對應警告時之最大瞬時影響的優先級度量。 43.    如條項41或條項42之方法，其中關注每一未被關注警告之該瞬時影響的該量度包含假定在一特定時間之後之一立即主動動作的一主動動作之該影響乘以在該特定時間之後之瞬時故障之機率之一量度。 44.    如條項41至43中任一項之方法，其中基於每一警告之優先級度量而將一優先級分級指派給該每一警告。 45.    如條項44之方法，其中該優先級分級係在一對數尺度上進行。 46.    如條項44或條項45之方法，其中針對所有未被關注警告週期性地重新計算該等優先級度量及該等優先級分級。 47.    如條項44至46中任一項之方法，其中向一使用者顯示該等優先級分級及/或該等優先級度量。 48.    如條項36至47中任一項之方法，其中自關於關注每一警告之該等成本之已知資訊導出該成本度量。 49.    如條項48之方法，其中該等成本包含關於選自如下各者中之一或多者之成本：系統及/或程序停工時間、縮減之生產率、財務成本及/或資源利用率。 50.    如條項36至49中任一項之方法，其中自一故障機率分佈獲得該效益度量，該故障機率分佈描述隨著期間在一警告產生之後該警告未被關注之時間推移之故障之機率。 51.    如條項50之方法，其中該效益度量為自該故障機率分佈導出之停工時間縮減可能性之一量度。 52.    如條項50或條項51之方法，其中自模型測試資料獲得用於每一警告之該故障機率分佈，模型測試資料比較模型預測之結果與該經模型化系統及/或程序之對應已知歷史。 53.    如條項36至52中任一項之方法，其中該系統及/或程序為一微影系統及/或程序。 54.    一種表示一系統之方法，該方法包含： 展示該系統之元件及該等元件之間的關係； 展示關於該等元件中之至少一些之影響彼元件之操作的屬性；及 展示關於該等元件之間的該等關係中之至少一些中之與彼關係相關的參數。 55.    如條項54之方法，其中依據一目標來展示該系統。 56.    如條項55之方法，其中該等屬性及該等參數為達成該目標而相關的屬性及參數。 57.    如條項54至57中任一項之方法，其中與一關係相關之該等參數為關於該關係之一第一元件之一輸出的參數，該關係之該第一元件之該輸出影響該關係之一第二元件之操作。 58.    如條項54至57中任一項之方法，其進一步包含展示該等元件中之一或多者被供應自之設施。 59.    如條項54至58中任一項之方法，其進一步包含展示用於該等屬性及/或該等參數中之至少一些之狀態。 60.    如條項59之方法，其中即時地展示該等狀態。 61.    如條項59或條項60之方法，其中該等狀態指示一參數係在規格內、不在規格內、抑或為未知的。 62.    如條項61之方法，其中被展示為不在規格內之狀態鏈接至用於處理該狀態之原因之一指令。 63.    如條項54至62中任一項之方法，其中在複數個層級下表示該系統，使得該等元件中之一或多者為依據其子元件之一另外表示的主題。 64.    一種對一系統執行診斷學之方法，該方法包含：執行如條項54至63中任一項之方法以獲得該系統之一表示，及使用該系統之該表示以執行系統診斷學。 65.    一種判定記錄於參數資料中之一事件是否可歸因於一外部因素之方法，該方法包含： 獲得參數資料之複數個等效集合，參數資料之該等等效集合各自在同一部位內且遍及同一時間段自複數個設備之等效感測器獲得； 組合參數資料之該等等效集合； 判定在參數資料之該等等效集合中是否存在重合事件指示符；及 若在參數資料之臨限數目個等效集合中存在重合事件指示符，則將事件歸因為由一外部因素造成。 66.    如條項65之方法，其中該複數個設備包含複數個微影設備。 67.    如條項65或條項66之方法，其中該部位包含一室、建築物或位點。 68.    如條項67之方法，其中該部位包含一清潔室。 69.    如條項65至68中任一項之方法，其中該等事件指示符為警告。 70.    如條項69之方法，其中該等警告係由預測維修模型產生。 71.    如條項65至70中任一項之方法，其中該臨限數目包含參數資料之全部該等等效集合，使得在參數資料之該等等效集合中之每一者中存在重合事件指示符。 72.    如條項65至70中任一項之方法，其中該臨限數目包含90%的參數資料之該等等效集合，使得在90%的參數資料之該等等效集合中之每一者中存在重合事件指示符。 73.    如條項65至72中任一項之方法，其中重合事件指示符為各自包含於參數資料之該等等效集合中之一不同集合中且出現於該同一時間段內的事件指示符。 74.    如條項65至73中任一項之方法，其中若將一事件指示符判定為僅在參數資料之該等等效集合中之一者中出現或低於參數資料之臨限數目個等效集合中出現，則判定該事件係由對應於該一或多個事件指示符的該一或多個設備內部之一因素造成。 75.    如條項74之方法，其包含對用於對應於該一或多個事件指示符之該一或多個設備之一維修動作進行排程。 76.    如條項65至73中任一項之方法，其包含：在將事件歸因為由一外部因素造成的情況下，對控制該外部因素之一系統之一維修動作進行排程。 77.    如條項65至73中任一項之方法，其包含：在將事件歸因為由一外部因素造成的情況下， 計算用於控制該外部因素之一系統之一校正，及 將該校正應用於該系統之該控制以便減輕該外部因素之效應。 78.    如條項76或條項77之方法，其中該外部因素為一外部環境因素且該系統為一環境控制系統。 79.    如條項78之方法，其中該外部環境因素包含大氣壓力、濕度及/或溫度。 80.    一種判定時間序列參數資料中之一事件指示符之時間之方法，該方法包含： 將一因果濾波器應用於該時間序列參數資料以獲得第一經濾波時間序列資料； 將一反因果濾波器應用於該時間序列參數資料以獲得第二經濾波時間序列資料；及 組合該第一經濾波時間序列資料及該第二經濾波時間序列資料以判定用於該參數資料內之一事件指示符之一經校正時間。 81.    如條項80之方法，其中該事件指示符包含該時間序列參數資料中之一步階。 82.    如條項80或條項81之方法，其中應用該反因果濾波器包含： 在時間上反轉該時間序列參數資料，及 將該因果濾波器應用於該經反轉時間序列參數資料。 83.    如條項80至82中任一項之方法，其包含判定輸入參數資料之一信號包絡使得該時間序列參數資料描述該信號包絡之一先前步驟。 84.    如條項83之方法，其中判定該信號包絡包含判定一上部包絡及一下部包絡，該方法針對該上部包絡及該下部包絡中之每一者而分離地執行。 85.    如條項80至84中任一項之方法，其包含： 判定用於該第一經濾波時間序列資料內之該事件指示符之一第一時間；及 判定用於該第二經濾波時間序列資料內之該事件指示符之一第二時間， 其中該組合該第一經濾波時間序列資料及該第二經濾波時間序列資料包含組合該第一時間及該第二時間以獲得該經校正時間。 86.    如條項85之方法，其中組合該第一時間及該第二時間包含獲得該第一時間及該第二時間之一平均值以獲得該經校正時間。 87.    如條項85或條項86之方法，其包含：在判定該第一時間及該第二時間之前，區分該時間序列參數資料，使得該等事件指示符在該經區分之時間序列參數資料中形成尖峰，其中該第一時間包含對應於該第一經濾波時間序列資料中之該等尖峰之一第一尖峰的時間，且該第二時間包含對應於該第二經濾波時間序列資料中之該等尖峰之一第二尖峰的時間，該第一尖峰及該第二尖峰對應於該相同事件指示符。 88.    如條項87之方法，其包含： 識別包含一對正及負尖峰中之一者之尖峰；及 判定此等尖峰不對應於一事件指示符。 89.    如條項80至88中任一項之方法，其包含判定該經校正時間是否與一維修動作重合，且若是，則假定該維修動作為對應於該經校正時間的該事件指示符之原因。 90.    如條項89之方法，其包含：在判定該經校正時間不與一維修動作重合的情況下，產生一警告。 91.    如條項89或條項90之方法，其中判定該經校正時間是否與一維修動作重合包含執行如條項27至35中任一項之方法以判定是否已執行一維修動作。 92.    一種分類與出現於一系統內之一疵點條件相關聯的一事件之方法，該方法包含： 判定與該系統相關聯之複數個事件之間的因果關係； 識別該複數個事件及該等因果關係內之一或多個定向循環； 基於一標稱系統行為而分類一定向循環；及 基於該循環分類而分類與該經分類定向循環有一因果關係的一或多個事件。 93.    如條項92之方法，其中該分類一或多個事件包含將該複數個事件中之一或多者分類為該疵點條件之一根本原因事件。 94.    如條項93之方法，其中該將該複數個事件中之一或多者分類為一根本原因事件包含將與一經分類定向循環有一因果關係但不包含於該經分類定向循環內的該等事件中之一或多者分類為一根本原因事件。 95.    如條項93或條項94之方法，其中該分類一定向循環包含判定該定向循環為想要的還是非想要的。 96.    如條項95之方法，其中該判定該定向循環為想要的還是非想要的包含判定由該定向循環描述之該系統之一操作態樣是否在關於該標稱系統行為之一指定餘裕內。 97.    如條項95或條項96之方法，其包含將該根本原因事件判定為與一經分類非想要定向循環有一因果關係，但不包含於該經分類非想要定向循環內的一事件。 98.    如條項95至97中任一項之方法，其中若不存在與一經分類非想要定向循環有一因果關係但不包含於該經分類非想要定向循環內的事件，則將該根本原因事件判定為該經分類非想要定向循環內之最重要的事件。 99.    如條項95至98中任一項之方法，其進一步包含分類該等事件。 100.  如條項99之方法，其中分類該等事件包含判定一事件為想要的還是非想要的。 101.  如條項100之方法，其中將該根本原因事件進一步判定為一非想要事件。 102.  如條項101之方法，其中在識別出無非想要定向循環的情況下，將該根本原因事件判定為該最重要的及/或第一非想要事件。 103.  如條項92至102中任一項之方法，其中該判定因果關係包含執行如條項1至16中任一項之方法。 104.  如條項92至103中任一項之方法，其進一步包含將在該判定因果關係之前對描述該複數個事件之資料進行內容脈絡濾波。 105.  如條項104之方法，其中該內容脈絡濾波該資料包含執行如條項17至26中任一項之方法。 106.  如條項92至105中任一項之方法，其中使該方法之每一步驟為自動的。 107.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以執行如條項17至26中任一項之方法以模型化該微影設備之操作，該參數資料及該內容脈絡資料與該微影設備有關。 108.  如條項107之微影設備，其中該等內容脈絡為該微影設備之操作狀態。 109.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以執行如條項27至35中任一項之方法以監視該微影設備之操作，該系統及/或程序包含該微影設備，該系統及/或程序參數資料包含該微影設備之參數。 110.  如條項108之微影設備，其可進一步操作以執行如條項80至87中任一項之方法以判定所偵測之該步階之時間。 111.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以執行模型化自有操作之一模型，且執行如條項36至53中任一項之方法以管理由該模型產生之未被關注警告。 112.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以藉由執行如條項1至16中任一項之方法而識別時間序列對之間的因果關係，每一時間序列對對應於該微影設備之一對不同參數。 113.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經組態以執行模型化自有操作之一模型，且執行如條項80至91中任一項之方法以判定關於該模型的時間序列參數資料中之一事件指示符之時間。 114.  一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以藉由執行如條項92至106中任一項之方法而分類與出現於該微影設備內之一疵點條件相關聯的一事件。 115.  複數個微影設備；及一控制器，該控制器經組態以執行如條項65至79中任一項之方法，其中參數資料之該等等效集合中之每一集合係自該等微影設備中之一者產生。 116.  一種包含處理器可讀指令之電腦程式，該等處理器可讀指令在執行於合適處理器控制設備上時使該處理器控制設備執行如條項1至106中任一項之方法。 117.  一種電腦程式載體，其包含如條項116之電腦程式。 118.  一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含： 使用如條項1至16中任一項之方法來識別時間序列對之間的因果關係，每一時間序列對對應於該微影程序之一對不同參數。 119.  一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含： 使用如條項17至26中任一項之方法以模型化該微影程序；及 使用該模型之一輸出以控制該微影程序。 120.  一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含使用如條項27至35中任一項之方法以監視該微影程序。 121.  一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含： 使用如條項36至53中任一項之方法以管理由該微影程序之一模型產生的未被關注警告；及 使用該模型之一輸出以控制該微影程序。 122.  一種製造裝置之方法，其中使用對複數個微影設備執行之一微影程序而將一裝置圖案施加至一系列基板，該方法包含： 使用如條項65至79中任一項之方法以判定記錄於參數資料中之一事件是否可歸因於一外部因素；及 使用該判定以控制該微影程序。 123.  一種製造裝置之方法，其中使用一微影程序將一裝置圖案施加至一系列基板，該方法包含： 執行模型化該微影程序之操作之一模型；及 執行如條項80至91中任一項之方法以判定關於該模型的時間序列參數資料中之一事件指示符之時間。 本文中所使用之術語「輻射」及「光束」涵蓋所有類型之電磁輻射，包括紫外線(UV)輻射(例如，具有為或為約365奈米、355奈米、248奈米、193奈米、157奈米或126奈米之波長)及極紫外線(EUV)輻射(例如，具有在5奈米至20奈米之範圍內之波長)，以及粒子束(諸如，離子束或電子束)。 術語「透鏡」在內容脈絡允許的情況下可指各種類型之光學組件中之任一者或其組合，包括折射、反射、磁性、電磁及靜電光學組件。 對特定實施例之前述描述充分揭露本發明之一般性質使得在不脫離本發明之一般概念的情況下，其他人可藉由應用熟習此項技術者所瞭解之知識針對各種應用而容易地修改及/或調適此等特定實施例，而無需進行不當實驗。因此，基於本文中所呈現之教示及指導，此等調適及修改意欲在所揭示之實施例之等效者的涵義及範圍內。應理解，本文中之措詞或術語係出於(例如)描述而非限制之目的，以使得本說明書之術語或措辭應由熟習此項技術者鑒於教示及指導進行解譯。 本發明之廣度及範疇不應受到上述例示性實施例中之任一者限制，而應僅根據以下申請專利範圍及其等效者進行界定。
2‧‧‧寬頻帶輻射投影儀
4‧‧‧光譜儀
6‧‧‧光譜
8‧‧‧結構或剖面
410‧‧‧參數輸出/參數輸出資料
420‧‧‧微影設備內容脈絡引擎輸
430‧‧‧跡線/品質加權輸出
510‧‧‧內容脈絡資料
520‧‧‧品質權重規則集
530‧‧‧模型輸入資料
540‧‧‧預測模型
550‧‧‧內容脈絡引擎
600‧‧‧步驟
610‧‧‧步驟/區塊
620‧‧‧步驟
630‧‧‧步驟/區塊/演算法
640‧‧‧步驟
650‧‧‧步驟
660‧‧‧步驟
670‧‧‧步驟
680‧‧‧步驟
710‧‧‧步驟/後端測試結果
720‧‧‧步驟/異動資訊
730‧‧‧步驟
740‧‧‧步驟
750‧‧‧步驟
810‧‧‧步驟
815‧‧‧步驟
820‧‧‧步驟
830‧‧‧步驟
840‧‧‧步驟
850‧‧‧步驟
860‧‧‧步驟
870‧‧‧步驟
910‧‧‧步驟
920‧‧‧步驟
930‧‧‧步驟
940‧‧‧步驟
950‧‧‧步驟
960‧‧‧步驟
1110A‧‧‧元件
1110B‧‧‧元件
1110C‧‧‧元件
1110F‧‧‧元件
1110G‧‧‧元件/組件
1120‧‧‧元件之間的功能關係/箭頭
1130D‧‧‧設施
1130E‧‧‧設施
1140‧‧‧狀態指示器
1210‧‧‧步驟
1220‧‧‧步驟
1230‧‧‧步驟
1240‧‧‧步驟
1250‧‧‧步驟
1260‧‧‧步驟
1310‧‧‧步驟
1320‧‧‧步驟
1330‧‧‧步驟
1340‧‧‧步驟
1350‧‧‧步驟
1360‧‧‧步驟
1500‧‧‧步驟
1510‧‧‧步驟
1520‧‧‧步驟
1530‧‧‧步驟
1540‧‧‧步驟
1550‧‧‧步驟
1560‧‧‧步驟
1570‧‧‧步驟
1580‧‧‧步驟
1590‧‧‧步驟
A‧‧‧系統分組/節點
AD‧‧‧調整器
Ap1、Ap2、Bp1、Bp2、Bp3、Bp4、 Cp1、Cp2、Cp3、Cp4、Dp1、Dp2、Dp3、Ep1、Ep2、Ep3、Fp1、Fp2、Fp3、Fp4、Gp1、Gp2、Gp3、Gp4、Hp1、Hp2‧‧‧子系統/促成因素
AS‧‧‧對準感測器
B‧‧‧輻射光束/觀測/系統分組/節點
BD‧‧‧光束遞送系統
BK‧‧‧烘烤板
BS2‧‧‧開始片段/轉變片段
BS3‧‧‧開始片段/轉變片段
C‧‧‧目標部分/系統分組/節點
C1‧‧‧第一內容脈絡
C2‧‧‧內容脈絡
C3‧‧‧內容脈絡
CH‧‧‧冷卻板
CO‧‧‧聚光器
D‧‧‧系統分組
DE‧‧‧顯影器
E‧‧‧系統分組
ES1‧‧‧結束片段/轉變片段
ES2‧‧‧結束片段/轉變片段
EXP‧‧‧曝光站
F‧‧‧系統分組
G‧‧‧系統分組
H‧‧‧系統分組
IF‧‧‧位置感測器
IL‧‧‧照射系統/照射器
IN‧‧‧積光器
I/O1‧‧‧輸入/輸出埠
I/O2‧‧‧輸入/輸出埠
IS1‧‧‧中間片段
IS2‧‧‧中間片段
IS3‧‧‧中間片段
LA‧‧‧微影設備
LACU‧‧‧微影控制單元
LB‧‧‧裝載匣
LC‧‧‧微影製造單元
LS‧‧‧位階感測器
M1‧‧‧圖案化裝置對準標記
M2‧‧‧圖案化裝置對準標記
MA‧‧‧圖案化裝置
MEA‧‧‧量測站
MET‧‧‧計量系統
MT‧‧‧圖案化裝置支撐件或支撐結構
RO‧‧‧基板處置器或機器人
P1‧‧‧基板對準標記
P2‧‧‧基板對準標記
PM‧‧‧第一定位器
PS‧‧‧投影系統
PU‧‧‧處理單元
PW‧‧‧第二定位器 RF‧‧‧參考框架
SC‧‧‧旋塗器
SCS‧‧‧監督控制系統
SO‧‧‧輻射源
TCU‧‧‧塗佈顯影系統控制單元
W‧‧‧基板
WTa‧‧‧基板台
WTb‧‧‧基板台
Y‧‧‧功能或輸出
現在將參看隨附示意性圖式而僅作為實例來描述實施例，在該等圖式中對應元件符號指示對應部件，且在該等圖式中： 圖1描繪微影設備； 圖2描繪其中可使用根據本發明之一實施例之檢測設備的微影製造單元或叢集； 圖3說明作為檢測設備之一實例的光譜散射計之操作原理； 圖4為說明取決於內容脈絡判定而將品質權重指派給參數輸出之方法的時序圖； 圖5為說明根據例示性實施例的可操作以將品質加權指派給參數資料之系統的系統圖； 圖6為說明根據例示性實施例的用於自動化維修動作偵測之方法的流程圖； 圖7為說明根據例示性實施例的用以指派警告到期時間之方法的流程圖； 圖8為說明根據例示性實施例的用以區分警告優先級之方法的流程圖； 圖9為說明根據例示性實施例的用以建構因果關係之網路之方法的流程圖； 圖10為系統故障之魚骨形表示； 圖11為根據例示性實施例的系統之功能表示； 圖12為說明根據例示性實施例的判定記錄於參數資料中之事件是否可歸因於外部因素之方法的流程圖； 圖13為說明根據例示性實施例的判定時間序列參數中之事件指示符之時間的方法之流程圖； 圖14為定向循環之示意性表示；及 圖15為說明根據例示性實施例的執行無模型、組態獨立故障診斷學之方法的流程圖。
510‧‧‧內容脈絡資料
520‧‧‧品質權重規則集
530‧‧‧模型輸入資料
540‧‧‧預測模型
550‧‧‧內容脈絡引擎

Claims (46)

  1. 一種識別時間序列對之間的因果關係之方法，每一時間序列對對應於一微影設備之一對不同參數，每一時間序列包含該等參數中之一不同參數之多個樣本，該方法包含： 判定用於該等時間序列對中之每一者的轉移熵之一值；及 使用用於轉移熵之該等值來識別該等時間序列對之間的因果關係。
  2. 如請求項1之方法，其中判定用於轉移熵之該等值，且在兩個方向上針對該等時間序列對中之每一者界定該等因果關係。
  3. 如請求項1之方法，其中藉由比較該經判定轉移熵值與指示將經由隨機機會而出現轉移熵值之一顯著性臨限值而評估每一轉移熵值之統計顯著性；及 將一因果關係僅歸因於使該轉移熵值高於其顯著性臨限值的彼等時間序列對。
  4. 如請求項3之方法，其包含：在時間上重排該等時間序列、判定用於每一對經重排時間序列之代替轉移熵值，及使用該等代替轉移熵值作為在判定該顯著性臨限值時之參考。
  5. 如請求項1之方法，其包含：使用該等經判定轉移熵及該等經識別因果關係來判定一程序網路，其中該等參數中之每一者為該程序網路中之一節點，節點之間的連接取決於該等經判定轉移熵。
  6. 如請求項5之方法，其包含判定一因果矩陣，其中該因果矩陣之每一單元格指示在兩個節點之間是否存在一定向因果關係。
  7. 如請求項5之方法，其包含執行一網路中心性分析以將該等程序網路節點及/或該等對應參數依據其對該網路之影響進行分級。
  8. 如請求項7之方法，其包含使用該等程序網路節點之該分級來映射該微影設備內之自一疵點至一故障之資訊流。
  9. 一種模型化一系統及/或程序之方法，該方法包含： 獲得關於該系統及/或程序之參數資料； 判定關於其中該系統及/或程序正根據該參數資料進行操作之一內容脈絡的內容脈絡資料，其中該系統及/或程序可在任一時間在複數個內容脈絡中之至少一者中操作；及 將一品質加權應用於該內容脈絡資料，該品質加權取決於該內容脈絡資料對於一特定內容脈絡片段之準確度的一量度，每一內容脈絡片段包含該等內容脈絡中之一者之一片段，其中將每一內容脈絡在時間上分段。
  10. 如請求項9之方法，其中先前已針對用於該系統及/或程序之每一可能的內容脈絡片段判定該內容脈絡資料對於一特定內容脈絡片段之該準確度的該量度。
  11. 如請求項9之方法，其中該品質加權判定在該系統及/或程序之該模型化中符合該內容脈絡資料及/或該內容脈絡資料所對應之該參數資料的考慮程度。
  12. 如請求項11之方法，其中該品質加權係二元的，使得該內容脈絡資料及/或該內容脈絡資料所對應之該參數資料經加權以包括於或不包括於該系統及/或程序之該模型化中。
  13. 如請求項9之方法，其中該內容脈絡包含該系統及/或程序之一操作模式或操作狀態。
  14. 一種監視一系統及/或程序之方法，該方法包含： 監視隨著時間推移之一或多個系統及/或程序參數值； 判定在該一或多個系統及/或程序參數值中是否存在一步階； 回應於偵測到此步階，判定在該步階之後是否存在程序能力之一增加；及 回應於在該步階之後偵測到程序能力之一增加，將此程序能力增加歸因於已對該系統及/或程序執行之一維修動作。
  15. 如請求項14之方法，其中該判定是否存在程序能力之一增加包含：在該步階之前及在該步階之後量測該系統及/或程序之該程序能力；及比較此等量測。
  16. 如請求項14之方法，其包含回應於正執行一維修動作之一判定而重設模型化該系統及/或程序之相關模型演算法。
  17. 一種管理由一模型產生之未被關注警告之方法，該模型模型化一系統及/或程序，該方法包含： 獲得關於關注所產生之每一警告之一成本之一量度的一成本度量； 獲得關於在關注所產生之每一警告時依據時間而變化的一效益之一量度之一效益度量；及 基於用於每一警告之該效益度量相對於該成本度量之一評估而對該等未被關注警告執行一管理動作。
  18. 如請求項17之方法，其中該管理動作包含：基於適合於每一警告的該效益度量相對於該成本度量之該評估而向該等未被關注警告中之每一者指派一警告到期時間。
  19. 如請求項18之方法，其中該警告到期時間係基於使該效益度量相對於該成本度量之評估符合一臨限值之一時間。
  20. 如請求項17之方法，其包含使未被關注警告在其警告到期時間時自動到期。
  21. 如請求項17之方法，其中自一故障機率分佈獲得該效益度量，該故障機率分佈描述隨著期間在一警告產生之後該警告未被關注之時間推移之故障之機率。
  22. 如請求項21之方法，其中該效益度量為自該故障機率分佈導出之停工時間縮減可能性之一量度。
  23. 如請求項21之方法，其中自模型測試資料獲得用於每一警告之該故障機率分佈，模型測試資料比較模型預測之結果與該經模型化系統及/或程序之對應已知歷史。
  24. 一種判定記錄於參數資料中之一事件是否可歸因於一外部因素之方法，該方法包含： 獲得參數資料之複數個等效集合，參數資料之該等等效集合各自在同一部位內且遍及同一時間段自複數個設備之等效感測器獲得； 組合參數資料之該等等效集合； 判定在參數資料之該等等效集合中是否存在重合事件指示符；及 若在參數資料之臨限數目個等效集合中存在重合事件指示符，則將事件歸因為由一外部因素造成。
  25. 如請求項24之方法，其中該複數個設備包含複數個微影設備。
  26. 如請求項24之方法，其中該等事件指示符為由預測維修模型產生之警告。
  27. 如請求項24之方法，其中若將一事件指示符判定為僅在參數資料之該等等效集合中之一者中出現或低於參數資料之臨限數目個等效集合中出現，則判定該事件係由對應於該一或多個事件指示符的該一或多個設備內部之一因素造成。
  28. 如請求項27之方法，其包含對用於對應於該一或多個事件指示符之該一或多個設備之一維修動作進行排程。
  29. 一種判定時間序列參數資料中之一事件指示符之時間之方法，該方法包含： 將一因果濾波器應用於該時間序列參數資料以獲得第一經濾波時間序列資料； 將一反因果濾波器應用於該時間序列參數資料以獲得第二經濾波時間序列資料；及 組合該第一經濾波時間序列資料及該第二經濾波時間序列資料以判定用於該參數資料內之一事件指示符之一經校正時間。
  30. 如請求項29之方法，其中應用該反因果濾波器包含： 在時間上反轉該時間序列參數資料，及 將該因果濾波器應用於該經反轉時間序列參數資料。
  31. 如請求項29之方法，其包含： 判定用於該第一經濾波時間序列資料內之該事件指示符之一第一時間；及 判定用於該第二經濾波時間序列資料內之該事件指示符之一第二時間， 其中該組合該第一經濾波時間序列資料及該第二經濾波時間序列資料包含組合該第一時間及該第二時間以獲得該經校正時間。
  32. 如請求項29之方法，其包含判定該經校正時間是否與一維修動作重合，且若是，則假定該維修動作為對應於該經校正時間之該事件指示符之原因。
  33. 如請求項29之方法，其包含倘若該經校正時間不與一維修動作重合，則產生一警告。
  34. 一種分類與出現於一系統內之一疵點條件相關聯的一事件之方法，該方法包含： 判定與該系統相關聯之複數個事件之間的因果關係； 識別該複數個事件及該等因果關係內之一或多個定向循環； 基於一標稱系統行為而分類一定向循環；及 基於該循環分類而分類與該經分類定向循環有一因果關係的一或多個事件。
  35. 如請求項34之方法，其中該分類一或多個事件包含：將該複數個事件中之一或多者分類為該疵點條件之一根本原因事件。
  36. 如請求項35之方法，其中該將該複數個事件中之一或多者分類為一根本原因事件包含：將與一經分類定向循環有一因果關係但不包含於該經分類定向循環內的該等事件中之一或多者分類為一根本原因事件。
  37. 如請求項34之方法，其中該分類一定向循環包含：判定該定向循環為想要的還是非想要的。
  38. 如請求項37之方法，其中該判定該定向循環為想要的還是非想要的包含：判定由該定向循環描述之該系統之一操作態樣是否在關於該標稱系統行為之一指定餘裕內。
  39. 如請求項37之方法，其包含將該根本原因事件判定為與一經分類非想要定向循環有一因果關係，但不包含於該經分類非想要定向循環內的一事件。
  40. 如請求項37之方法，其中若不存在與一經分類非想要定向循環有一因果關係但不包含於該經分類非想要定向循環內的事件，則將該根本原因事件判定為該經分類非想要定向循環內之最重要的事件。
  41. 如請求項34之方法，其進一步包含在該判定因果關係之前對描述該複數個事件之資料進行內容脈絡濾波。
  42. 如請求項34之方法，其中該判定因果關係包含：執行如請求項1至8中任一項之方法。
  43. 如請求項9至23中任一項或請求項34至41中任一項之方法，其中該系統及/或程序為一微影系統及/或程序。
  44. 一種微影設備，其包含： 一照射光學系統，其經配置以照射一圖案；及 一投影光學系統，其經配置以將該圖案之一影像投影至一基板上， 其中該微影設備經配置以執行如請求項1至41中任一項之方法。
  45. 一種包含處理器可讀指令之電腦程式，該等處理器可讀指令在執行於一合適處理器控制設備上時使該處理器控制設備執行如請求項1至41中任一項之方法。
  46. 一種電腦程式載體，其包含如請求項45之電腦程式。
TW105131408A 2015-09-29 2016-09-29 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統 TWI649650B (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
US201562234459P 2015-09-29 2015-09-29
US62/234,459 2015-09-29
US201562253608P 2015-11-10 2015-11-10
US62/253,608 2015-11-10
US201662358485P 2016-07-05 2016-07-05
US62/358,485 2016-07-05

Publications (2)

Publication Number Publication Date
TW201723709A true TW201723709A (zh) 2017-07-01
TWI649650B TWI649650B (zh) 2019-02-01

Family

ID=56926180

Family Applications (2)

Application Number Title Priority Date Filing Date
TW107127052A TWI689799B (zh) 2015-09-29 2016-09-29 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統
TW105131408A TWI649650B (zh) 2015-09-29 2016-09-29 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW107127052A TWI689799B (zh) 2015-09-29 2016-09-29 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統

Country Status (4)

Country Link
US (1) US11543814B2 (zh)
KR (1) KR102149866B1 (zh)
TW (2) TWI689799B (zh)
WO (1) WO2017055073A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI749698B (zh) * 2018-02-23 2021-12-11 荷蘭商Ａｓｍｌ荷蘭公司 用於訓練一圖案化程序之一深度學習模型之方法及相關電腦程式產品

Families Citing this family (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11204901B2 (en) * 2016-04-20 2021-12-21 Asml Netherlands B.V. Method of matching records, method of scheduling maintenance and apparatus
EP3379356A1 (en) * 2017-03-23 2018-09-26 ASML Netherlands B.V. Method of modelling lithographic systems for performing predictive maintenance
KR101995112B1 (ko) * 2017-06-14 2019-09-30 에스케이 주식회사 장비신뢰지수에 기초한 Lot 리스크 스코어 기반의 동적 Lot 계측 제어방법 및 시스템
US10560326B2 (en) 2017-09-22 2020-02-11 Webroot Inc. State-based entity behavior analysis
US20190195742A1 (en) 2017-12-22 2019-06-27 Schneider Electric Software, Llc Automated detection of anomalous industrial process operation
DE102018105322A1 (de) * 2018-03-08 2019-09-12 Carl Zeiss Smt Gmbh Verfahren zum Betreiben einer industriellen Maschine
EP3553615A1 (en) * 2018-04-10 2019-10-16 Siemens Aktiengesellschaft Method and system for managing a technical installation
EP3582007A1 (en) 2018-06-15 2019-12-18 ASML Netherlands B.V. Determining significant relationships between parameters describing operation of an apparatus
JP7181033B2 (ja) * 2018-09-20 2022-11-30 株式会社Ｓｃｒｅｅｎホールディングス データ処理方法、データ処理装置、および、データ処理プログラム
US10747119B2 (en) * 2018-09-28 2020-08-18 Taiwan Semiconductor Manufacturing Co., Ltd. Apparatus and method for monitoring reflectivity of the collector for extreme ultraviolet radiation source
KR102069087B1 (ko) * 2018-12-21 2020-01-22 (주)위세아이텍 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법
WO2021175533A1 (en) 2020-03-06 2021-09-10 Asml Netherlands B.V. Methods of modelling systems for performing predictive maintenance of systems, such as lithographic systems
EP3910419A1 (en) 2020-05-14 2021-11-17 ASML Netherlands B.V. Methods of modelling systems or performing predictive maintenance of systems, such as lithographic systems and associated lithographic systems
CN111708681B (zh) * 2020-06-15 2021-05-07 北京优特捷信息技术有限公司 一种日志处理方法、装置、设备及存储介质
KR102535613B1 (ko) 2021-02-15 2023-05-23 한국전자통신연구원 다변량 세트에서의 매개 변량 및 매개 영향도 추출 방법 및 시스템
CN113434326B (zh) * 2021-07-12 2024-05-31 国泰君安证券股份有限公司 基于分布式集群拓扑实现网络系统故障定位的方法及装置、处理器及其计算机可读存储介质
US11868971B2 (en) * 2021-08-02 2024-01-09 Arch Systems Inc. Method for manufacturing system analysis and/or maintenance
DE102021208488A1 (de) * 2021-08-05 2023-02-09 Carl Zeiss Smt Gmbh Verfahren zum Betreiben eines optischen Systems
EP4145235A1 (en) * 2021-09-07 2023-03-08 Siemens Aktiengesellschaft Apparatus and method for rule-based predictive maintenance of a physical system
CN115409131B (zh) * 2022-10-28 2023-02-17 武汉惠强新能源材料科技有限公司 基于spc过程管控系统的生产线异常检测方法
CN116520817B (zh) * 2023-07-05 2023-08-29 贵州宏信达高新科技有限责任公司 基于高速公路的etc系统运行状态实时监控系统及方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5969973A (en) * 1994-11-09 1999-10-19 Amada Company, Ltd. Intelligent system for generating and executing a sheet metal bending plan
US6795793B2 (en) * 2002-07-19 2004-09-21 Med-Ed Innovations, Inc. Method and apparatus for evaluating data and implementing training based on the evaluation of the data
US7774293B2 (en) * 2005-03-17 2010-08-10 University Of Maryland System and methods for assessing risk using hybrid causal logic
US8301576B2 (en) * 2005-10-27 2012-10-30 Ca, Inc. Weighted pattern learning for neural networks
US7363172B2 (en) * 2006-01-05 2008-04-22 United States Of America As Represented By The Secretary Of The Navy Method and apparatus for detecting damage in structures
DE102007009341A1 (de) 2006-12-21 2008-06-26 Abb Technology Ag Verfahren und Einrichtung zur Optimierung der Alarmkonfiguration
NL2009723A (en) * 2011-11-30 2013-06-03 Asml Netherlands Bv Inspection method and apparatus, and corresponding lithographic apparatus.
US20140160387A1 (en) * 2012-12-10 2014-06-12 Hannstar Display Corporation Liquid crystal display apparatus
US9195943B2 (en) * 2013-03-12 2015-11-24 Bmc Software, Inc. Behavioral rules discovery for intelligent computing environment administration
EP2972090A4 (en) 2013-03-14 2016-07-27 Hrl Lab Llc PREDICTING SYSTEM JAMES TO CRITICAL TRANSITIONS
US9367809B2 (en) * 2013-10-11 2016-06-14 Accenture Global Services Limited Contextual graph matching based anomaly detection
JP6354192B2 (ja) * 2014-02-14 2018-07-11 オムロン株式会社 因果ネットワーク生成システム
US10083073B2 (en) * 2015-09-14 2018-09-25 Dynatrace Llc Method and system for real-time causality and root cause determination of transaction and infrastructure related events provided by multiple, heterogeneous agents

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI749698B (zh) * 2018-02-23 2021-12-11 荷蘭商Ａｓｍｌ荷蘭公司 用於訓練一圖案化程序之一深度學習模型之方法及相關電腦程式產品
US11379970B2 (en) 2018-02-23 2022-07-05 Asml Netherlands B.V. Deep learning for semantic segmentation of pattern
US11847570B2 (en) 2018-02-23 2023-12-19 Asml Netherlands B.V. Deep learning for semantic segmentation of pattern

Also Published As

Publication number Publication date
TW201839533A (zh) 2018-11-01
WO2017055073A1 (en) 2017-04-06
KR102149866B1 (ko) 2020-09-01
US11543814B2 (en) 2023-01-03
KR20180059898A (ko) 2018-06-05
TWI689799B (zh) 2020-04-01
US20180267523A1 (en) 2018-09-20
TWI649650B (zh) 2019-02-01

Similar Documents

Publication Publication Date Title
TWI649650B (zh) 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統
TWI672565B (zh) 模型化系統或執行諸如微影系統之系統之預測維修之方法及相關聯微影系統
TWI820407B (zh) 用於將經受半導體製程的基板歸類及建構相關的決定模型之方法、及相關的電腦程式
TWI764554B (zh) 判定微影匹配效能
NL2024627A (en) Method for decision making in a semiconductor manufacturing process
EP3693795A1 (en) Method for decision making in a semiconductor manufacturing process
US11740560B2 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
JP7177183B2 (ja) 装置の動作を説明するパラメータ間の重要な関係の決定
EP3910417A1 (en) Method for determining an inspection strategy for a group of substrates in a semiconductor manufacturing process
NL2024999A (en) Determining lithographic matching performance