TW202032436A - 高度共線響應空間中的規範性分析 - Google Patents

高度共線響應空間中的規範性分析 Download PDF

Info

Publication number
TW202032436A
TW202032436A TW108145668A TW108145668A TW202032436A TW 202032436 A TW202032436 A TW 202032436A TW 108145668 A TW108145668 A TW 108145668A TW 108145668 A TW108145668 A TW 108145668A TW 202032436 A TW202032436 A TW 202032436A
Authority
TW
Taiwan
Prior art keywords
data
machine learning
learning model
parameters
manufacturing
Prior art date
Application number
TW108145668A
Other languages
English (en)
Other versions
TWI831893B (zh
Inventor
新哈斯 巴提亞
馮潔
德莫特 坎特維爾
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202032436A publication Critical patent/TW202032436A/zh
Application granted granted Critical
Publication of TWI831893B publication Critical patent/TWI831893B/zh

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G01B7/06—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness
    • G01B7/10—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance
    • G01B7/105—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance for measuring thickness of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/02—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements
    • G11C11/16—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements using elements in which the storage effect is based on magnetic spin effect
    • G11C11/165—Auxiliary circuits
    • G11C11/1675—Writing or programming circuits or methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32431—Constructional details of the reactor
    • H01J37/32458—Vessel
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Computer Hardware Design (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Factory Administration (AREA)
  • Feedback Control In General (AREA)

Abstract

描述了用於在高度共線響應空間中的規範性分析的方法、系統和非暫態性電腦可讀取媒體。方法包含：接收與製造設備的製造參數相關的薄膜特性資料。方法進一步包含：確定薄膜特性資料是相關的並且與目標資料不同。方法進一步包含：選擇與目標資料正交的薄膜特性資料的一組資料點。方法進一步包含：對此組資料點執行特徵提取。方法進一步包含：基於特徵提取確定對一或多個製造參數的更新以滿足目標資料。

Description

高度共線響應空間中的規範性分析
本揭示內容關於規範性分析，並且更具體地，關於高度共線響應空間中的規範性分析。
生產產品的製造過程和製造設備（例如，在半導體和顯示產業中）可能很複雜。確定對製造過程和製造設備的參數的更新以滿足產品的目標特性可能是耗時的，並且可能取決於製造設施的管理員的領域專業知識。
下文是本揭示內容的簡化概要，以提供對於本揭示內容的一些態樣的基本瞭解。此概要不是本揭示內容的廣泛概述。此概要既不意欲標識本揭示內容的關鍵或重要元素，也不意欲描繪本揭示內容的特定實施方式的任何範圍或請求項的任何範圍。此概要的唯一目的是以簡化形式呈現本揭示內容的一些概念，作為稍後呈現的更詳細描述的序言。
在本揭示內容的一態樣中，方法可包含：接收與製造設備的製造參數相關的薄膜特性資料。方法進一步包含：確定薄膜特性資料是相關的並且與目標資料不同。方法進一步包含：由處理裝置選擇與目標資料正交的薄膜特性資料的一組資料點。方法進一步包含：由處理裝置對此組資料點執行特徵提取。方法進一步包含：基於特徵提取確定對一或多個製造參數的更新以滿足目標資料。
在本揭示內容的另一態樣中，系統包含記憶體與耦接至記憶體的處理裝置。處理裝置接收與製造設備的製造參數相關聯的薄膜特性資料，並確定薄膜特性資料是相關的並且與目標資料不同。處理裝置進一步選擇與目標資料正交的薄膜特性資料的一組資料點，並對此組資料點進行特徵提取。處理裝置進一步基於特徵提取確定對一或多個製造參數的更新以滿足目標資料。
在本揭示內容的另一態樣中，一種非暫態性電腦可讀取媒體，其上儲存了指令，指令在由處理裝置執行時使處理裝置：接收與製造設備的製造參數相關聯的薄膜特性資料，並確定薄膜特性資料是相關的並且與目標資料不同。處理裝置進一步選擇與目標資料正交的薄膜特性資料的一組資料點，並對此組資料點進行特徵提取。處理裝置進一步基於特徵提取確定對一或多個製造參數的更新以滿足目標資料。
本文描述的是涉及高度共線響應空間中的規範性分析的技術。製造設備（例如半導體或顯示處理工具）執行製造處理，以生產具有最終特性資料（例如薄膜特性資料）的產品（例如半導體晶圓、半導體顯示器等）。可以將所得的特性資料與目標資料（例如目標特性資料、規格）進行比較。響應於所得的特性資料不滿足目標資料，可以更新製造設備的製造參數（例如硬體參數、製程參數）以嘗試滿足目標資料。習知地，更新製造參數以嘗試滿足目標資料可能取決於管理員的領域專業知識、可能是臨時性的(ad hoc)、並且可能受到限制。透過反覆試錯(trial and error)更新製造參數，管理員可以決定如何更新製造參數以嘗試滿足目標資料。管理員可能無法更新製造參數以滿足目標資料。目標資料可以包括兩個或更多個特性。例如，目標資料可以是多參數、多目標優化、約束優化問題、無約束優化問題等等中的一或多項。習知地，管理員可能限於選擇目標資料的一種特性，且然後更新製造參數以嘗試滿足目標資料的一種特性。當試圖使所得特性資料的一個特性滿足目標資料時，所得特性資料的其他特性可能不滿足目標資料，並且可能會增加與目標資料的偏差。習知地，管理員可受限於可以被更新的製造參數的數量或類型（例如可以同時被考慮用於更新的製造參數）。管理員可能無法更新製造參數來滿足目標資料，這些目標資料是多參數、多目標優化、約束優化問題、無約束優化問題等中的一或多項。
產品的特性資料可以是相關的（例如共線薄膜特性資料）。例如，在第一軸為第一特性而第二軸為第二特性的圖表中，特性資料可形成一條線。此線可實質平行於目標資料（例如從目標資料偏移）。習知地，管理員無法調整製造參數，以使相關的特性資料（例如共線薄膜特性資料）滿足目標資料。
本文揭示的裝置、系統和方法，在高度共線響應空間中使用規範性分析，來確定對一或多個製造參數（例如製程參數、設備參數、硬體設計變更等等）的更新以滿足目標資料。處理裝置接收與製造設備的製造參數相關聯的薄膜特性資料，並確定薄膜特性資料是相關的並且與目標資料不同（例如不滿足目標資料、無法滿足目標資料、從目標資料偏離等）。處理裝置選擇與目標資料正交的薄膜特性資料的一組資料點，並對此組資料點進行特徵提取。處理裝置基於特徵提取確定對一或多個製造參數的更新以滿足目標資料。
在一些實施例中，可以使用資料輸入（例如歷史或實驗製造參數）和與資料輸入相對應的目標輸出（例如歷史或實驗薄膜特性資料）來訓練機器學習模型。可以基於目標資料，從經訓練的機器學習模型中獲得反向解。反向解可包括對製造參數的更新。在一些實施例中，為了獲得反向解，可將經訓練的機器學習模型倒置、可將目標資料輸入到倒置的經訓練的機器學習模型中、並且可以由倒置的機器學習模型輸出對製造參數的更新以滿足目標資料。
在一些實施例中，可以經由圖形使用者介面顯示對製造參數的更新。在一些實施例中，可以實現對製造參數的更新以滿足目標資料。
本揭示內容的態樣的導致顯著減少了能量消耗（例如電池消耗）、所需頻寬，處理器管理負擔等等的技術優勢。在一些實施例中，技術優勢來自於確定對製造參數的更新以滿足目標資料，而無需執行使用管理員的領域專業知識的臨時性反覆試錯。與仰賴使用者的領域專業知識的臨時性反覆試錯相比，可以使用更少的能量、更少的頻寬、更少的處理器管理負擔來確定對製造參數的更新以滿足目標資料。經由本揭示內容確定的對製造參數的更新，可以產生具有與習知作法相比更接近目標資料的特性資料的產品。習知地，管理員可能無法確定對製造參數的更新以滿足目標資料，這可能導致產品不滿足規格。由本文描述的實施例確定的對製造參數的更新，可以產生具有滿足目標資料的不同特性（例如滿足規格，而不僅僅是試圖接近目標資料的一個特性）的特性資料的產品。
圖1根據某些實施例示出示例性系統架構100的方塊圖。系統架構100包括客戶端裝置120、製造設備124、量測設備126、規範性分析伺服器130、和資料存儲器140。規範性分析伺服器130可為規範性分析系統110的部分。規範性分析系統110可進一步包括伺服器機器170和180。
量測設備126可包括計量系統127或感測器128中的一或多個。量測設備126可確定（例如經由計量設備127）由製造設備124生產的產品（例如晶圓）的薄膜特性資料（例如歷史或實驗薄膜特性資料144、薄膜特性資料150、經測試的薄膜特性資料156）。量測設備126可確定（例如經由感測器128）與製造設備124相關聯的製造參數（例如歷史或實驗製造參數146等）。
客戶端裝置120、製造設備124、量測設備126、規範性分析伺服器130、資料存儲器140、伺服器機器170和伺服器機器180可經由網路160彼此耦接，以確定對製造參數的更新154以滿足目標資料152。在一些實施例中，網路160是公共網路，向客戶端裝置120提供對規範性分析伺服器130、資料存儲器140和其他市售計算裝置的存取。在一些實施例中，網路160是私用網路，向客戶端裝置120提供對規範性分析伺服器130、資料存儲器140和其他私用計算裝置的存取。網路160可包括一或多個廣域網路（WAN）、區域網路（LAN）、有線網路（例如乙太網路）、無線網路（例如802.11網路或Wi-Fi網路）、蜂巢式網路（例如長期進化（LTE）網路）、路由器、集線器、交換器、伺服器電腦、雲端計算網路及/或其組合。
客戶端裝置120可包括諸如個人電腦（PC）、膝上型電腦、行動電話、智慧型電話、平板電腦、上網本電腦、連接網路的電視（「智能電視」）、連接網路的媒體播放器（例如，藍光播放器）、機上盒、OTT流媒體裝置、操作員盒等等的計算裝置。客戶端裝置120可能夠經由網路160從量測設備126接收薄膜特性資料（例如歷史或實驗資料142、薄膜特性資料150、經測試的薄膜特性資料156），從規範性分析系統110接收對製造參數的更新154等等。客戶端裝置120可能夠經由網路160發送薄膜特性資料（例如歷史或實驗資料142、薄膜特性資料150、目標資料152、經測試的薄膜特性資料156）到規範性分析系統110，將對製造參數的更新154發送到製造設備124等等。在一些實施例中，客戶端裝置120可以基於對製造參數的更新154，來修改製造設備124的製造參數（例如製程參數、硬體參數等）。每個客戶端裝置120可包括允許使用者進行以下各項中的一或多項的操作系統：生成、查看、或編輯資料（例如目標資料152、對製造參數的更新154、經測試的薄膜特性資料156等）。
客戶端裝置120可包括製造參數修改組件122。製造參數修改組件122可接收目標資料152的使用者輸入（例如經由經由客戶端裝置120顯示的圖形使用者介面）。目標資料152可包括特性資料（例如薄膜特性資料）。在一些實施例中，客戶端裝置120將目標資料152發送到規範性分析伺服器130，並且客戶端裝置120從規範性分析伺服器130接收對製造參數的更新154以滿足目標資料152。客戶端裝置120可基於對製造參數的更新154來使製造設備124的製造參數被更新（例如，將對製造參數的更新154發送給製造設備124，實施對製造參數的更新154）。客戶端裝置120可以響應於由製造設備124實施的對製造參數的更新，來接收經測試的薄膜特性資料156。客戶端裝置120可以將經測試的薄膜特性資料156發送到規範性分析系統110（例如規範性分析伺服器130），以更新經訓練的機器學習模型190。
規範性分析伺服器130可包括一或多個計算裝置，諸如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元（GPU）、加速器特殊應用積體電路（ASIC）（例如張量處理單元（TPU））等。規範性分析伺服器130可包括規範性分析組件132。在一些實施例中，規範性分析組件132可以使用歷史或實驗資料142來確定對製造參數的更新154以滿足目標資料152。歷史或實驗資料142可以包括歷史資料、實驗資料或其組合。實驗資料可以包括實驗設計（DOE）資料。在一些實施例中，規範性分析組件132可以使用經訓練的機器學習模型190來確定對製造參數的更新154以滿足目標資料152。經訓練的機器學習模型190可學習關鍵製程和硬體參數。由經訓練的機器學習模型190確定對製造參數的更新154，可包括由經訓練的機器學習模型190規定最佳操作條件（例如製程參數）及/或空間（例如硬體參數）。
規範性分析組件132可接收（例如從資料存儲器140中檢索）與製造設備124的製造參數相關聯的薄膜特性資料150，確定薄膜特性資料150是相關的並且與目標資料152不同，並且確定對製造參數的更新154以滿足目標資料152。在一些實施例中，規範性分析組件132藉由選擇與目標資料152正交的薄膜特性資料150的一組資料點，並對此組資料點執行特徵提取，來確定對製造參數的更新154，其中對製造參數的更新154是基於特徵提取的。在一些實施例中，可基於目標資料從經訓練的機器學習模型獲得反向解（例如對製造參數的更新）。反向解可包括對製造參數的更新。在一些實施例中，為了獲得反向解，規範性分析組件132藉由將目標資料152提供給經訓練的機器學習模型來確定對製造參數的更新154。例如，可基於目標資料152從經訓練的機器學習模型獲得反向解（例如對製造參數的更新154）。在一些實施例中，規範性分析組件132藉由將目標資料152提供給反向的經訓練機器學習模型（例如已經訓練和反向的模型190），從反向的經訓練機器學習模型獲得輸出，並且從輸出中提取對製造參數的更新154，來確定對製造參數的更新154。反向的經訓練機器學習模型可選擇與目標資料152正交的薄膜特性資料150的一組資料點，並對此組資料點執行特徵提取，其中反向的經訓練機器學習模型的輸出（例如對製造參數的更新154）為基於特徵提取的。
資料存儲器140可以是記憶體（例如隨機存取記憶體）、驅動器（例如硬碟驅動器、快閃驅動器）、資料庫系統、或能夠存儲資料的另一類型的組件或裝置。資料存儲器140可包括可跨越多個計算裝置（例如多個伺服器電腦）的多個存儲組件（例如多個驅動器或多個資料庫）。資料存儲器140可存儲歷史或實驗資料142、薄膜特性資料150、目標資料152、對製造參數的更新154、或經測試薄膜特性資料156中的一或多個。歷史或實驗資料142可包括一段時間或製造設備124的複數次運行中的歷史或實驗薄膜特性資料144和歷史或實驗製造參數146。歷史或實驗薄膜特性資料144的每個實例，可對應於歷史或實驗製造參數146的相應實例（例如製造設備124用來生產具有歷史或實驗薄膜特性資料144的產品的歷史或實驗製造參數146的實例）。經測試薄膜特性資料156的每個實例，可對應於對製造參數的更新154的各個實例（例如製造設備124用來生產具有經測試薄膜特性資料156的產品的對製造參數的更新154的實例）。
在一些實施例中，製造參數包括製造設備124的設置或組件（例如尺寸、類型等）中的一或多個。製造參數可包括溫度（例如加熱器溫度）、間距（SP）、壓力、高頻射頻（HFRF）、靜電吸盤（ESC）的電壓、電流、第一前驅物、第一稀釋劑、第二稀釋劑、第一反應物、第二反應物、第二前驅物等中的一或多個。
在一些實施例中，薄膜特性資料包括基於量測設備資料的晶圓空間薄膜特性（例如從耦合到製造設備124的量測設備126中檢索到）。薄膜特性資料可包括介電常數、摻雜劑濃度、生長速率、密度等等中的一或多項。
在一些實施例中，客戶端裝置120可以在資料存儲器140中存儲目標資料152和經測試的薄膜特性資料156，並且規範性分析伺服器130可從資料存儲器140中檢索目標資料152和經測試的薄膜特性資料156。在一些實施例中，規範性分析伺服器130可將對製造參數的更新154存儲在資料存儲器140中，並且客戶端裝置120可從資料存儲器140檢索對製造參數的更新154。
在一些實施例中，規範性分析系統110還包括伺服器機器170和伺服器機器180。伺服器機器170與180可為一或多個計算裝置（諸如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等等）、GPU、ASIC（例如TPU）、資料存儲器（例如硬碟、記憶體資料庫）、網路、軟體組件、或硬體組件。
伺服器機器170包括資料組生成器172，資料組生成器172能夠產生資料組（例如一組資料輸入和一組目標輸出）以訓練、驗證或測試機器學習模型190。資料組生成器172的一些操作在下文參考圖2與圖6詳細描述。在一些實施例中，資料組生成器172可將歷史或實驗資料142劃分為訓練組（例如歷史或實驗資料142的百分之六十）、驗證組（例如歷史或實驗資料142的百分之二十）、和測試組（例如歷史或實驗資料142的百分之二十）。在一些實施例中，規範性分析組件132生成多組特徵。例如，第一組特徵可以是與每個資料組（例如訓練組、驗證組和測試組）相對應的第一組製造參數，而第二組特徵可以是與每個資料組相對應的第二組製造參數（例如不同於第一組製造參數）。
伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎和測試引擎186。引擎（例如訓練引擎182、驗證引擎184、選擇引擎和測試引擎186）可以指硬體（例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等）、軟體（諸如在處理裝置、通用電腦系統或專用機器上運行的指令）、韌體、微代碼或其組合。訓練引擎182可能夠使用與來自資料組生成器172的訓練組相關聯的一或多組特徵來訓練機器學習模型190。訓練引擎182可生成多個經訓練的機器學習模型190，其中每個經訓練的機器學習模型190對應於訓練組的不同特徵組。例如，可使用所有特徵（例如X1-X5）來訓練第一經訓練機器學習模型，可以使用特徵的第一子集（例如X1、X2、X4）來訓練第二經訓練機器學習模型，並且可以使用可能與特徵的第一子集部分重疊的特徵的第二子集（例如X1、X3、X4和X5）訓練第三經訓練機器學習模型。
驗證引擎184可能能夠使用來自資料組生成器172的驗證組的對應特徵組，來驗證經訓練的機器學習模型190。例如，可使用驗證組的第一組特徵，來驗證使用訓練組的第一組特徵來訓練的第一經訓練機器學習模型190。驗證引擎184可基於驗證組的對應特徵組，來確定每個經訓練的機器學習模型190的精度。驗證引擎184可丟棄具有不滿足閾值精度的精度的經訓練的機器學習模型190。在一些實施例中，選擇引擎185可能能夠選擇具有滿足閾值精度的精度的一或多個經訓練的機器學習模型190。在一些實施例中，選擇引擎185可能能夠選擇經訓練的機器學習模型190中具有最高精度的經訓練的機器學習模型190。
測試引擎186可能能夠使用來自資料組生成器172的測試組的對應特徵組，來測試經訓練的機器學習模型190。例如，可使用測試組的第一組特徵，來測試使用訓練組的第一組特徵來訓練的第一經訓練機器學習模型190。測試引擎186可基於測試組，來確定在所有經訓練的機器學習模型中具有最高精度的經訓練的機器學習模型190。
機器學習模型190可指由訓練引擎182使用訓練組創建的模型人工產物，訓練組包括資料輸入和對應的目標輸出（各個訓練輸入的正確答案）。可找到資料組中的模式，這些模式將資料輸入映射到目標輸出（正確答案），並且為機器學習模型190提供了捕獲這些模式的映射。機器學習模型190可以使用線性回歸、隨機森林、神經網路（例如人工神經網路）等等中的一或多項。
經訓練的機器學習模型190可以被反向（例如藉由規範性分析組件132等）。規範性分析組件132可以將目標資料152（例如目標薄膜特性資料）作為輸入提供給反向的經訓練機器學習模型190，並且可以對輸入運行反向的經訓練機器學習模型190以獲得一或多個輸出。如下文關於圖5詳細描述的，規範性分析組件132可能夠從經訓練的機器學習模型190的輸出中提取對製造參數的更新154以滿足目標資料152，並且可以從輸出中提取指示置信度位準的置信度資料，置信度位準指示使用對製造參數的更新154來生產的一或多個產品是否滿足目標資料152（例如將在規格內）。規範性分析組件132可以使用置信度資料來決定是否使製造設備124實施對製造參數的更新154。
置信度資料可包括或指示使用對製造參數的更新154而產生的產品滿足目標資料152的置信度位準。在一個實例中，置信度位準是介於0和1之間（包括0和1）的實數，其中0指示滿足目標資料152的產品無置信度，而1指示滿足目標資料152的產品的絕對置信度。
出於說明而非限制的目的，本揭示內容的各態樣描述了使用歷史或實驗資料142訓練機器學習模型、反向經訓練的機器學習模型、並將目標資料152輸入到反向的經訓練機器學習模型中，以確定對製造參數更新的154。在其他實施方式中，使用啟發式模型或基於規則的模型，以確定對製造參數的更新154（例如不使用經訓練的機器學習模型）。規範性分析組件132可監視歷史或實驗資料142。關於圖2的資料輸入210描述的任何資訊，可以在啟發式或基於規則的模型中監視或以其他方式使用。
在一些實施例中，客戶端裝置120、規範性分析伺服器130、伺服器機器170和伺服器機器180的功能，可以由更少數量的機器來提供。例如，在一些實施例中，伺服器機器170和180可以被整合到單個機器中，而在其他一些實施例中，伺服器機器170、伺服器機器180和規範性分析伺服器130可以被整合到單個機器中。
通常，在適當的情況下，在一個實施例中描述為由客戶端裝置120、規範性分析伺服器130、伺服器機器170和伺服器機器180執行的功能，也可以在其他實施例中在規範性分析伺服器130上執行。另外，歸因於特定組件的功能性，可以藉由一起操作的不同或多個組件來執行。例如，在一些實施例中，規範性分析伺服器130可將對製造參數的更新154發送給製造設備124。在另一個實例中，客戶端裝置120可基於來自反向的經訓練的機器學習模型的輸出，來確定對製造參數的更新154。
另外，特定組件的功能可以藉由一起操作的不同或多個組件來執行。規範性分析伺服器130、伺服器機器170或伺服器機器180中的一或多個，可以藉由適當的應用程序編程介面（API）作為提供給其他系統或裝置的服務來存取。
在實施例中，「使用者」可以被表示為單個個體。然而，本揭示內容的其他實施例所包括的「使用者」是由複數個使用者及/或自動源控制的實體。例如，聯合為一組管理員的一組個人使用者可以被視為「使用者」。
儘管就對製造設施（例如半導體製造設施）中的製造設備124的製造參數的更新154以滿足目標資料152來論述了本揭示內容的實施例，但是實施例通常也可以應用於滿足目標資料。實施例通常可以應用於優化產品的特性資料（例如共線特性資料）。
圖2是根據某些實施例的示例資料組生成器272（例如圖1的資料組生成器172），以使用歷史或實驗資料242（例如圖1的歷史或實驗資料142）創建用於機器學習模型（例如圖1的模型190）的資料組。圖2的系統200示出了資料組生成器272、資料輸入210和目標輸出220。
在一些實施例中，資料組生成器272生成資料組（例如訓練組、驗證組、測試組），資料組包括一或多個資料輸入210（例如訓練輸入、驗證輸入、測試輸入）和對應於資料輸入210的一或多個目標輸出220。資料組還可以包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210也可以稱為「特徵」、「屬性」或「資訊」。在一些實施例中，資料組生成器272可將資料組提供給訓練引擎182、驗證引擎184或測試引擎186，其中資料組用於訓練、驗證或測試機器學習模型190。可以關於圖6進一步描述生成訓練組的一些實施例。
在一些實施例中，資料輸入210可包括用於歷史或實驗製造參數246（例如圖1的歷史或實驗製造參數146）的一或多組特徵212A。歷史或實驗製造參數246的每個實例可包括一或多個製程參數214或硬體參數216。目標輸出220可包括歷史或實驗薄膜特性資料244（例如圖1的歷史或實驗薄膜特性資料144）。
在一些實施例中，資料組生成器272可生成與第一組特徵212A相對應的第一資料輸入，以訓練、驗證或測試第一機器學習模型，並且資料組生成器272可以生成與第二特徵組212B相對應的第二資料輸入，以訓練、驗證或測試第二機器學習模型。
在一些實施例中，資料組生成器272可以離散化資料輸入210或目標輸出220中的一或多個（例如以用於回歸問題的分類演算法中）。資料輸入210或目標輸出220的離散化，可以將變量的連續值轉換成離散值。在一些實施例中，資料輸入210的離散值指示離散製造參數以獲得目標輸出220。
訓練、驗證或測試機器學習模型的資料輸入210和目標輸出220，可以包括針對特定設施（例如針對特定半導體製造設施）的資訊。例如，歷史或實驗製造參數246和歷史或實驗薄膜特性資料244，可以用於與薄膜特性資料150、目標資料152、對製造參數的更新154和經測試的薄膜特性資料156相同的製造設施。
在一些實施例中，用於訓練機器學習模型的資訊，可以來自具有特定性質的製造設施的特定類型的製造設備124，並且允許經訓練的機器學習模型基於對於與共享特定群組性質的一個或多個組件相關聯的某個目標資料152的輸入，來確定特定群組的製造設備124的結果。在一些實施例中，用於訓練機器學習模型的資訊可以用於來自兩個或更多個製造設施的組件，並且可以允許經訓練的機器學習模型基於來自一個製造設施的輸入來確定組件的結果。
在一些實施例中，在生成資料組並使用此資料組訓練、驗證或測試機器學習模型190之後，可以對機器學習模型190進行進一步的訓練、驗證或測試（例如使用圖1的對製造參數的更新154與經測試薄膜特性資料156）或調整（例如調整與機器學習模型190的輸入資料相關聯的權重，諸如神經網路中的連結權重）。
圖3根據某些實施例示出用於生成對製造參數的更新354（例如圖1的對製造參數的更新154）的系統300的方塊圖。系統300可以是反饋系統，用於基於歷史或實驗資料342（例如圖1的歷史或實驗資料142）來確定對製造參數的更新354以滿足目標資料352（例如圖1的目標資料152）。
在方塊310處，系統300（例如圖1的規範性分析系統110）執行歷史或實驗資料342（例如圖1的歷史或實驗資料142）的資料劃分（例如經由圖1的伺服器機器170的資料組生成器172），以生成訓練組302、驗證組304、和測試組306。例如，訓練組可以是歷史或實驗資料342的60％，驗證組可以是歷史或實驗資料342的20％，並且驗證組可以是歷史或實驗資料342的20％。系統300可以為訓練組、驗證組和測試組的每一個生成複數個特徵組。例如，若歷史或實驗資料342具有20個製造參數（例如製程參數、硬體參數）並且針對每個製造參數運行100次，則第一組特徵可以是製造參數1-10，第二組特徵可以是製造參數11-20，訓練組可為運行1-60，驗證組可為運行61-80，且測試組可為運行81-100。在此實例中，訓練組的第一組特徵將是運行1-60的製造參數1-10。
在方塊312處，系統300使用訓練組302執行模型訓練（例如經由圖1的訓練引擎182）。系統300可以使用訓練組302的多組特徵（例如訓練組302的第一組特徵、訓練組302的第二組特徵等）來訓練多個模型。例如，系統300可訓練機器學習模型，以使用訓練組中的第一組特徵（例如運行1-60的製造參數1-10）來生成第一經訓練機器學習模型，並使用訓練組中的第二組特徵（例如運行1-60的製造參數11-20）生成第二經訓練機器學習模型。在一些實施例中，第一經訓練機器學習模型和第二經訓練機器學習模型可以組合，以生成第三經訓練機器學習模型（例如，其可以比第一或第二經訓練機器學習模型本身更好的預測器）。在一些實施例中，在比較模型中使用的特徵組可以重疊（例如，第一組特徵是製造參數1-15，而第二組特徵是製造參數5-20）。在一些實施例中，可以生成數百個模型，包括具有特徵的各種排列的模型和模型的組合。
在方塊314，系統300使用驗證組304執行模型驗證（例如，經由圖1的驗證引擎184）。系統300可以使用驗證組304的對應的一組特徵來驗證每個經訓練模型。例如，系統300可使用驗證組中的第一組特徵（例如運行61-80的製造參數1-10）來驗證第一經訓練機器學習模型，並使用驗證組中的第二組特徵（例如運行61-80的製造參數11-20）驗證第二經訓練機器學習模型。在一些實施例中，系統300可驗證在方塊312處生成的數百個模型（例如具有特徵的各種排列的模型、模型的組合等）。在方塊314處，系統300可確定一或多個訓練模型中的每一個的精度（例如經由模型驗證），並且可以確定一或多個訓練模型是否具有滿足閾值精度的精度。響應於確定沒有一個訓練模型具有滿足閾值精度的精度，流程返回到方塊312，其中系統300使用訓練組的不同特徵組執行模型訓練。響應於確定一或多個訓練模型具有滿足閾值精度的精度，流程繼續到方塊316。系統300可丟棄具有低於閾值精度的精度（例如基於驗證組）的經訓練的機器學習模型。
在方塊316處，系統300執行模型選擇（例如經由選擇引擎315）以確定滿足閾值精度的一或多個訓練模型中的哪一個具有最高精度（例如所選模型308，基於方塊314的驗證）。響應於確定滿足閾值精度的兩個或更多個經訓練的模型具有相同的精度，流程可返回到方塊312，其中系統300使用進一步改進的訓練組執行模型訓練，進一步改進的訓練組對應於進一步改進的特徵組，以確定具有最高精度的經訓練模型。
在方塊318處，系統300使用測試組306執行模型測試（例如經由圖1的測試引擎186）以測試所選模型308。系統300可使用測試組中的第一組特徵（例如運行81-100的製造參數1-10）測試第一經訓練機器學習模型，以確定第一經訓練機器學習模型是否滿足閾值精度（例如基於測試組306的第一組特徵）。響應於所選模型308的精度不滿足閾值精度（例如所選模型308過度擬合於訓練組302及/或驗證組304，並且不適用於其他資料組，諸如測試組306），流程繼續到方塊312，在方塊312中，系統300使用對應於不同特徵組（例如不同製造參數）的不同訓練組來執行模型訓練（例如再訓練）。響應於基於測試組306確定所選模型308具有滿足閾值精度的精度，流程繼續至方塊320。在至少方塊312中，模型可以學習歷史或實驗資料342中的模式以進行預測，並且在方塊318中，系統300可以將模型應用於其餘資料（例如測試組306）以測試預測。
在方塊320，系統300反向經訓練的模型（例如所選模型308）。對於經訓練的模型，響應於製造參數的輸入，可以從經訓練的模型的輸出中提取預測的薄膜特性資料。對於反向的經訓練模型，響應於目標資料352（例如目標薄膜特性資料）的輸入，可以從反向的經訓練模型的輸出中提取對製造參數的更新354。
在方塊322處，系統300使用反向的經訓練模型（例如所選模型308）來接收目標資料352（例如目標薄膜特性資料、圖1的目標資料152）並從反向的經訓練模型的輸出中提取對製造參數的更新354（例如，圖1的對製造參數的更新154）。
響應於製造設備124使用對製造參數的更新354以產生產品（例如半導體、晶圓等），可以對產品進行測試（例如經由量測設備126）以確定經測試的薄膜特性資料356（例如圖1的經測試的薄膜特性資料156）。響應於接收經測試的薄膜特性資料356，流程可以繼續到方塊312（例如經由反饋迴路），在方塊312中，比較對製造參數的更新354和經測試的薄膜特性資料356，以經由模型訓練更新經訓練模型（例如模型再訓練）。
在一些實施例中，動作310-322中的一或多個可以以各種順序及/或與在此未呈現和描述的其他動作一起發生。在一些實施例中，可以不執行動作310-322中的一或多個。例如，在一些實施例中，可以不執行方塊310的資料劃分、方塊314的模型驗證、方塊316的模型選擇或方塊318的模型測試中的一或多個。
圖4-圖6根據某些實施例示出與確定對製造參數的更新（例如圖1的對製造參數的更新154）相關聯的示例方法400-600的流程圖。方法400-600可由處理邏輯執行，處理邏輯可包含硬體（例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等）、軟體（諸如在處理裝置、通用電腦系統或專用機器上運行）、韌體、微代碼或其組合。在一個實施例中，方法400-600可以部分地由規範性分析系統110執行。在一些實施例中，方法400-600可以由規範性分析伺服器130執行。在一些實施例中，非暫態性儲存媒體存儲指令，指令在由處理裝置（例如規範性分析系統110的處理裝置）執行時使處理裝置執行方法400-600。
為了簡化說明，將方法400-600描繪和描述為一系列動作。然而，根據本揭示內容的動作可以以各種順序及/或同時發生以及與在此未呈現和描述的其他動作一起發生。此外，根據所揭示的主旨，並非需要執行所有示出的動作來實現方法400-600。另外，在本發明技術領域中具有通常知識者將理解並認識到，方法400-600可替代地經由狀態圖或事件被表示為一系列相互關聯的狀態。
圖4是根據某些實施例的用於確定對製造參數的更新（例如圖1的對製造參數的更新154）以滿足目標資料（例如圖1的目標資料152）的方法400的流程圖。
參照圖4，在方塊402處，處理邏輯接收與製造設備124的製造參數相關聯的薄膜特性資料150。在一些實施例中，客戶端裝置120從量測設備126（例如計量系統127）接收薄膜特性資料150。在一些實施例中，在製造設備124正在處理或產生產品（例如半導體晶圓）的同時，經由量測設備126量測薄膜特性資料150。在一些實施例中，在製造設備124已經處理了產品（例如完成的半導體晶圓、已經經過處理階段的半導體晶圓）之後，經由量測設備126來量測薄膜特性資料150。薄膜特性資料150可以對應於經由複數種類型的量測設備126的複數種類型的量測。規範性分析組件132可以從客戶端裝置120、量測設備126或資料存儲器140中的一或多個接收薄膜特性資料150。
在方塊404處，處理邏輯確定薄膜特性資料150是相關的並且與目標資料152不同（例如不滿足目標資料152）。在一些實施例中，處理邏輯確定薄膜特性資料150不與目標資料152相交（例如，薄膜特性資料150基本平行於目標資料152）。
在方塊406處，處理邏輯選擇薄膜特性資料150的與目標資料152正交的一組資料點（見圖7A）。
在方塊408，處理邏輯對資料點組執行特徵提取。特徵提取可以經由以下各項中的一或多項執行：主成分分析（PCA）、聚類（例如k均值聚類、分層聚類）、因子分析（FA）、判別分析或相關矩陣。
在方塊410處，處理邏輯基於特徵提取來確定對一或多個製造參數的更新（例如對製造參數的更新154）以滿足目標資料152。處理邏輯可以基於對製造參數的更新154以滿足目標資料152的可行性或成本來過濾解決方案。例如，對製造參數的第一次更新或第二次更新可使薄膜特性資料滿足目標資料152。第一次更新可以包括改變製程參數（例如可行性、低成本），而第二次更新包括更新硬體參數（例如訂購新的製造設備、高成本）。由於較高的可行性和較低的成本，因此可以使用第一更新而不是第二更新。
在方塊412處，處理邏輯經由圖形使用者介面（GUI）顯示對一或多個製造參數的更新154。可以經由客戶端裝置120顯示GUI。GUI可以顯示對製造參數的更新154的兩個或更多個不同選項，以使薄膜特性資料滿足目標資料152。GUI可以指示與當前成本（例如成本提升、成本降低等等）相比，與對製造參數的更新154相關聯的成本（例如設備升級、處理成本、所需時間等）。GUI可以顯示可選擇來選擇和實現對製造參數的更新154的GUI元素。
在方塊414處，處理邏輯實施對製造設備124的一或多個製造參數的更新，以滿足目標資料152。在一些實施例中，方塊414響應於接收到使用者輸入，選擇GUI元素以實施對製造參數的更新154。在一些實施例中，在接收到選擇GUI元素的使用者輸入時，可以更新製造設備124的製程參數（例如藉由客戶端裝置120、藉由規範性分析組件132等）。在一些實施例中，在接收到選擇GUI元素的使用者輸入時，可以更新製造設備124的硬體參數（例如藉由改變製造設備124的組件、藉由改變製造設備124的設置等）。
圖5是根據某些實施例的用於使用反向機器學習模型來確定對製造參數的更新（例如對製造參數的更新154）以滿足目標資料152的方法500的流程圖。
參照圖5，在方塊502處，處理邏輯接收與製造設備124的製造參數相關聯的薄膜特性資料150。
在方塊504處，處理邏輯確定薄膜特性資料150是相關的並且與目標資料152不同（例如不滿足目標資料152）。薄膜特性資料150可以在兩個或多個變量之間相關（例如多維相關）。在一些實施例中，期望的輸出目標（例如目標資料152，諸如包括折射率（RI）、應力、均勻性等中的一或多項的薄膜特性）是高度共線的（例如實質上平行於薄膜特性資料150），並且基於用於學習/訓練的現有實驗資料組（例如歷史或實驗資料142）似乎是不可實現的或不合理的。這可能是由於以下一或多種原因：探索的狹窄製程空間、硬體設計限制、正確的化學作用（例如反應物/前驅物）等等。
在一些實施例中，在方塊506處，處理邏輯反向經訓練的機器學習模型，以生成反向的機器學習模型。在一些實施例中，在方塊506處，處理邏輯生成類似於經訓練的機器學習模型的成本函數，並且處理邏輯生成對成本函數的反向解。如關於圖1至圖3所描述的，資料輸入210（例如訓練資料）可包括歷史或實驗資料142。歷史或實驗資料142（例如歷史或實驗薄膜特性資料144和歷史或實驗製造參數146）可包括製程參數、硬體參數、精選黏貼excel文件、經典設計的實驗方案、硬體組件資訊、射頻（RF）小時、坐標量測機器（CMM）資料、紅外（IR）資料、彩色陣列（COA）資料、狀態資料、實驗設計（DOE）資料等等。資料輸入210可以用作統計及/或機器學習模型（例如一組統計及/或機器學習演算法）的訓練組，以學習對轉移函數（F）的近似函數（G），使製造參數（S）（例如硬體及/或製程參數）與薄膜特性（P）相關。
在方塊506處，可將逆運算子用於函數G以用於基於回歸的方法。當G的封閉式解不存在時，可以採用模擬和優化方法（例如神經網路、隨機森林等）。在方塊508，處理邏輯將目標資料152提供給（反向的）經訓練機器學習模型。機器學習模型可能已經被反向，或者可能已經進行了偽反轉（例如，以及類似於機器學習模型的成本函數的反向解）。（反向的）經訓練機器學習模型可選擇與目標資料正交的薄膜特性資料的資料點組，並且可以對這組資料點執行特徵提取（參見圖4的方塊406-408）。在一些實施例中，（反向的）經訓練機器學習模型可使用基於正交向量的主成分分析（PCA），來規定用於處理空間探索或硬體修改和設計改進的方向。
如圖7A所示，在特性Y2和Y1之間可存在高共線性。如圖7B的圖表700B所示，正交線可穿過點
Figure 02_image001
，這些點構成由距離度量d（例如距目標資料152的距離）定義的集合（
Figure 02_image003
，
Figure 02_image005
）。
此後，可識別與包括（例如，由其組成）{
Figure 02_image003
，
Figure 02_image005
}的模擬輸出參數相對應的預測器/輸入向量{Xo }。可以對所識別出的期望的預測器/輸入向量{Xo }執行特徵提取（例如PCA），以識別考慮到向量空間{Xo }中的變化（例如變化的90％、大部分的變化）的主成分。
在方塊510處，處理邏輯獲得反向解，包含來自（反向的）經訓練機器學習模型的一或多個輸出。在一些實施例中，藉由對經訓練的機器學習模型反向來獲得反向解。在一些實施例中，藉由偽反轉獲得反向解（例如，響應於不能將經訓練機器學習模型反向）。偽反轉可包括生成與經訓練的機器學習模型相似的成本函數（例如經由非線性優化技術），以及確定成本函數的反向解以獲得一或多個輸出。
在方塊512處，處理邏輯從一或多個輸出中提取對一或多個製造參數的更新154（例如對策、反向預測），以滿足目標資料152。在一些實施例中，處理邏輯從一或多個輸出提取置信度位準，置信度位準表示使用對製造參數的一或多個更新154而產生的產品是否滿足目標資料152。處理裝置可以確定置信度位準是否滿足閾值置信度位準。響應於滿足閾值置信度位準的置信度位準，流程可以繼續到方塊514或516中的一或多個。
在方塊514處，處理邏輯經由圖形使用者介面顯示對一或多個製造參數的更新（參見圖4的方塊412）。
在方塊516處，處理邏輯實施對製造設備124的一或多個製造參數的更新，以滿足目標資料152（參見圖4的方塊414）。
在方塊518處，處理邏輯接收與對一或多個製造參數的更新154相關聯的經測試薄膜特性資料（例如圖1的經測試薄膜特性資料156）。經測試的薄膜特性資料156可指示使用對製造參數的更新154來生產的產品的實際薄膜特性資料。
在方塊520處，處理邏輯基於經測試的薄膜特性資料156以及對一或多個製造參數的更新154，來更新經訓練的機器學習模型。在一些實施例中，響應於所測試的薄膜特性資料156與目標資料152不同（例如使用對製造參數的更新154而產生的產品不滿足目標資料152），處理邏輯可以利用所測試的薄膜特性資料156和對一或多個製造參數的更新154來更新經訓練的機器學習資料（例如，藉由在歷史或實驗薄膜特性資料144中存儲經測試的薄膜特性資料156，並存儲對歷史或實驗製造參數146中的製造參數的更新154，來更新歷史或實驗資料142）。處理邏輯可基於更新的歷史或實驗資料，來更新經訓練的機器學習模型（例如重新訓練、重新驗證及/或重新測試）。
圖6是根據某些實施例的用於生成用於機器學習模型的資料組的方法600的流程圖，此資料組用於確定對製造參數的更新以滿足目標資料。根據本揭示內容的實施例，規範性分析系統110可使用方法600來進行訓練、驗證或測試機器學習模型中的至少一個。在一些實施例中，方法600的一或多個操作可由伺服器機器170的資料組生成器172執行，如關於圖1和圖2所描述的。可以注意的是，關於圖1和圖2描述的組件可用於示出圖6的態樣。
參照圖6，在一些實施例中，在方塊602處，處理邏輯實現方法600將訓練組T初始化為空組。
在方塊604處，處理邏輯生成包括歷史或實驗製造參數（例如圖1的歷史或實驗製造參數146、圖2的歷史或實驗製造參數246）的第一資料輸入（例如第一訓練輸入、第一驗證輸入）。在一些實施例中，第一資料輸入可包括用於歷史或實驗製造參數的第一組特徵，並且第二資料輸入可包括用於歷史或實驗製造參數的第二組特徵（例如如關於圖2所描述的）。在一些實施例中，第三資料輸入可包括對製造參數的更新（例如圖1的對製造參數的更新154、圖3的對製造參數的更新354）。
在方塊606處，處理邏輯為一或多個資料輸入（例如第一資料輸入）生成第一目標輸出。第一目標輸出提供薄膜特性資料的指示（例如圖1的歷史或實驗薄膜特性資料144、圖2的歷史或實驗薄膜特性資料244、圖1的經測試薄膜特性資料156、圖3的經測試薄膜特性資料356）。
在方塊608處，處理邏輯可選地生成指示輸入/輸出映射的映射資料。輸入/輸出映射（或映射資料）可指資料輸入（例如本文所述的資料輸入中的一或多個）、資料輸入的目標輸出（例如其中目標輸出標識薄膜特性資料）、以及資料輸入和目標輸出之間的關聯。
在方塊610處，處理邏輯將在方塊610處生成的映射資料添加到資料組T。
在方塊612處，基於資料組T是否足以進行訓練、驗證或測試機器學習模型190中的至少一個，處理邏輯進行分支。若是，則執行前進到方塊614，否則執行回到方塊604。應當注意，在一些實施例中，可以簡單地基於資料組中的輸入/輸出映射的數量來確定資料組T是否充分，而在其他一些實施方式中，除了輸入/輸出映射的數量之外或代替輸入/輸出映射的數量，可以基於一或多個其他標準（例如資料實例的多樣性、精度等的度量）來確定資料組T是否充分。
在方塊614處，處理邏輯提供資料組T以訓練、驗證或測試機器學習模型190。在一些實施例中，資料組T是訓練組，並且被提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中，資料組T是驗證組，並且被提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中，資料組T是測試組，並且被提供給伺服器機器180的測試引擎184以執行測試。在神經網路的情況下，例如，給定輸入/輸出映射的輸入值（例如與資料輸入210關聯的數值）被輸入到神經網路，並且輸入/輸出映射的輸出值（例如與目標輸出220關聯的數值）存儲在神經網路的輸出節點中。然後，根據學習演算法（例如反向傳播等）調整神經網路中的連結權重，並對資料組T中的其他輸入/輸出映射重複程序。在方塊614之後，機器學習模型（例如機器學習模型190）可以是以下至少一種：使用伺服器機器180的訓練引擎182進行訓練、使用伺服器機器180的驗證引擎184進行驗證、或使用伺服器機器180的測試引擎186進行測試。經訓練的機器學習模型可以被（規範性分析伺服器130的）規範式分析組件132反向並實現，以確定對製造參數的更新以滿足目標資料。
圖7A-圖7B是根據某些實施例示出確定對製造參數的更新以滿足目標資料的圖表700A-B。
圖7A的圖表700A示出了特性Y2和Y1之間的高共線性。客戶端裝置120可從耦合到製造設備124的量測設備126（例如計量系統127）接收薄膜特性資料。客戶端裝置120可從量測設備126A的第一部分接收與第一特性相對應的第一薄膜特性資料，並且從量測設備126B的第二部分接收與第二特性相對應的第二薄膜特性資料。在一些實施例中，第一薄膜特性資料和第二薄膜特性資料可以是不同類型的特性。在一些實施例中，第一薄膜特性資料和第二薄膜特性資料是在半導體晶圓的不同位置處量測（例如一個在第一表面上量測而另一個在第二表面上量測）的相同類型的特性。
客戶端裝置120可以在圖表700A中繪製第一特性資料和第二特性資料。圖表700A上的每個點可對應於在相同產品（例如半導體晶圓）上同時量測的第一特性（Y1）的值和第二特性（Y2）的值。如圖表700A所示，針對第一特性和第二特性繪製的薄膜特性資料可以是相關的（例如線性、共線、Y1和Y2可以至少部分地相互解釋(explain)）。相關的薄膜特性資料可以在圖表700A上實質上形成薄膜特性資料線。相關的薄膜特性資料可滿足確定值的閾值係數（R2 或Rsq）（例如，Rsq>0.8）。相關的薄膜特性資料可以滿足閾值斯皮爾曼等級(Spearman's rank)相關係數值。斯皮爾曼等級相關係數可是等級相關性的非參數性度量（例如，第一特性（Y1）和第二特性（Y2）的等級之間的統計依賴性）。相關的薄膜特性資料可以滿足閾值P值。P值可為給定統計模型（Y1和Y2之間的線擬合）的概率，當零假設為真時，統計摘要（例如Y1和Y2之間沒有線性依賴性）將大於或等於實際觀察到的結果。在一些實施例中，針對第一特性（Y1）和第二特性（Y2）繪製的目標資料152可以實質上平行於針對Y1和Y2繪製的薄膜特性資料150。
圖7的圖表700B示出了正交線，正交線穿過構成由距離度量定義的集合的點。如圖7的圖表700B所示，與藉由繪製目標資料152形成的線正交（例如垂直、正交）的線可以與薄膜特性資料的一組點相交。此組點中的一或多個第一點，可以比此組點中的一或多個第二點更接近目標資料152的繪圖。一或多個第一點可對應於第一製造參數，並且一或多個第二點可對應於與第一製造參數不同的第二製造參數。可以對一組資料點執行特徵提取以確定一或多個製造參數，這些參數使一組點的第一點比第二點更接近目標資料152。可以基於特徵提取來確定對一或多個製造參數的更新154以使一組點滿足目標資料152。
在一些實施例中，選擇與目標資料152正交的一組資料點並對此組資料點執行特徵提取，是由反向的經訓練機器學習模型來執行的。在一些實施例中，選擇正交於目標資料152的一組資料點並對此組資料點執行特徵提取，是經由不使用機器學習模型的規範性分析（例如統計模型、聚類等）執行的。
圖8根據某些實施例示出電腦系統800的方塊圖。在一些實施例中，電腦系統800可以（例如經由諸如區域網路（LAN）、內聯網、外聯網或網際網路的網路）連接到其他電腦系統。電腦系統800可在客戶端-伺服器環境中以伺服器或客戶端電腦的能力來操作，或者在同級間或分佈式網路環境中作為同級電腦來操作。電腦系統800可由個人電腦（PC）、平板電腦、機上盒（STB）、個人數位助理（PDA）、蜂巢式電話、網頁應用、伺服器、網路路由器、交換器或橋接器、或能夠（循序地或以其他方式）執行指定此裝置要採取的動作的一組指令的任何裝置提供。此外，術語「電腦」應包括單獨地或共同地執行一組（或多組）指令以執行本文所述的任何一或多個方法的電腦的任何集合。
在另一態樣中，電腦系統800可包括處理裝置802、揮發性記憶體804（例如隨機存取記憶體（RAM）），非揮發性記憶體806（例如唯讀記憶體（ROM）或電子可抹除可編程ROM（EEPROM）和資料存儲裝置816，其等可以經由匯流排808相互通信。
處理裝置802可以由一或多個處理器（諸如通用處理器（諸如，例如複雜指令集計算（CISC）微處理器、精簡指令集計算（RISC）微處理器，非常長的指令字（VLIW）微處理器、實現其他類型指令集的微處理器或實現多種類型指令集的組合的微處理器）或專用處理器（諸如，例如特殊應用積體電路（ASIC）、現場可編程閘陣列（FPGA）、數位信號處理器（DSP）或網路處理器））來提供。
電腦系統800可以進一步包括網路介面裝置822。電腦系統800還可以包括視訊顯示單元810（例如LCD）、字母數字輸入裝置812（例如鍵盤）、游標控制裝置814（例如滑鼠）、以及信號生成裝置820。
在一些實施方式中，資料存儲裝置816可包括非暫態性電腦可讀取儲存媒體824，在其上可以存儲對本文所述的方法或功能中的任何一或多個進行編碼的指令826，包括對圖1的製造參數修改組件122或規範性分析組件132進行編碼並用於實現本文所述方法的指令。
在電腦系統800執行指令期間，指令826還可以全部或部分地駐留在揮發性記憶體804內及/或處理裝置802內，因此，揮發性記憶體804和處理裝置802也可以構成機器可讀取儲存媒體。
儘管電腦可讀取媒體824被在說明性實例中示為單一媒體，但術語「電腦可讀取儲存媒體」應包含儲存一或多個可執行指令集的單一媒體或多個媒體（例如集中式或分散式資料庫，及/或相關聯的快取與伺服器）。術語「電腦可讀取儲存媒體」亦應包含能夠儲存或編碼指令集的任何有形媒體，此指令集要由電腦執行並使電腦執行本文描述的方法之任意一或多者。術語「電腦可讀取儲存媒體」應包括但不限於固態記憶體、光學媒體和磁性媒體。
本文描述的方法、組件和特徵可以由分離的硬體組件實現，或者可以整合在其他硬體組件（諸如ASIC、FPGA、DSP或類似裝置）的功能性中。另外，方法、組件和特徵可以由硬體裝置內的韌體模組或功能電路系統來實現。此外，方法、組件和特徵可以以硬體裝置和電腦程式組件的任何組合或以電腦程式來實現。
除非另有明確說明，否則諸如「接收」、「確定」、「選擇」、「執行」、「訓練」、「生成」、「提供」、「反向」、「獲得」、「實現」、「顯示」、「優化」、「非線性優化」等術語，係指由電腦系統執行或實現的動作和製程，該等電腦系統將在電腦系統暫存器和記憶體內的表示為實體（電子）量的資料操縱和變換成類似地表示為電腦系統記憶體或暫存器或其他此類資訊儲存、傳輸或顯示裝置內的實體量的其他資料。另外，如本文所用的術語「第一」、「第二」、「第三」、「第四」等是意指用於區分不同元素的標籤，並且根據其數字名稱可能不具有序數含義。
本文描述的實例還關於用於執行本文描述的方法的設備。此設備可以被特別構造為用於執行本文描述的方法，或者其可以包括由存儲在電腦系統中的電腦程式選擇性地編程的通用電腦系統。這種電腦程式可以被存儲在電腦可讀取的有形儲存媒體中。
本文所述的方法和說明性實例並非固有地與任何特定電腦或其他設備相關。可以根據本文描述的教示來使用各種通用系統，或者可以證明構造更專用的設備來執行本文描述的方法及/或其各自的功能、常式、子常式或操作中的每一個為便利的。在上文的描述中闡述了各種這些系統的結構的實例。
上文的描述意欲是說明性的，而不是限制性的。儘管已經參考特定的說明性實例和實施方式描述了本揭示內容，但是將認識到，本揭示內容不限於所描述的實例和實施方式。本揭示內容的範圍應參照下列申請專利範圍，以及涵蓋這些申請專利範圍的完整均等範圍來確定。
100:系統架構 110:規範性分析系統 120:客戶端裝置 122:製造參數修改組件 124:製造設備 126:量測設備 127:計量系統 128:感測器 130:規範性分析伺服器 132:規範性分析組件 140:資料存儲器 142:歷史或實驗資料 144:歷史或實驗薄膜特性資料 146:歷史或實驗製造參數 150:薄膜特性資料 152:目標資料 154:對製造參數的更新 156:經測試的薄膜特性資料 160:網路 170:伺服器機器 172:資料組生成器 180:伺服器機器 182:訓練引擎 184:驗證引擎 185:選擇引擎 186:測試引擎 190:機器學習模型 200:系統 210:資料輸入 212A:特徵 214A:製程參數 216A:硬體參數 220:目標輸出 244:歷史或實驗薄膜特性資料 246:歷史或實驗製造參數 272:資料組生成器 300:系統 302:訓練組 304:驗證組 306:測試組 308:所選模型 310~322:動作 342:歷史或實驗資料 352:目標資料 354:對製造參數的更新 356:經測試的薄膜特性資料 400:方法 402~414:動作 500:方法 502~520:動作 600:方法 602~614:動作 700A:圖表 700B:圖表 800:電腦系統 802:處理裝置 804:揮發性記憶體 806:非揮發性記憶體 808:匯流排 810:視訊顯示單元 812:字母數字輸入裝置 814:游標控制裝置 820:信號生成裝置 822:網路介面裝置 824:非暫態性電腦可讀取儲存媒體 826:指令
在附圖圖式的圖中，藉由實例而非限制的方式示出了本揭示內容。
圖1根據某些實施例示出示例性系統架構的方塊圖。
圖2是根據某些實施例的用於為機器學習模型創建資料組的示例資料組生成器。
圖3是示出根據某些實施例的確定對製造參數的更新以滿足目標資料的方塊圖。
圖4-圖6根據某些實施例示出確定對製造參數的更新以滿足目標資料的示例方法的流程圖。
圖7A-圖7B根據某些實施例示出確定對製造參數的更新以滿足目標資料的圖表。
圖8根據某些實施例示出電腦系統的方塊圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無
400:方法
402~414:動作

Claims (20)

  1. 一種方法，包含以下步驟： 接收步驟，接收與製造設備的製造參數相關的薄膜特性資料； 確定相關步驟，確定該薄膜特性資料是相關的並且與目標資料不同； 選擇步驟，由一處理裝置選擇與該目標資料正交的該薄膜特性資料的一組資料點； 執行特徵提取步驟，由該處理裝置對該組資料點執行特徵提取；和 確定更新步驟，基於該特徵提取，確定對該等製造參數中的一或多個參數的更新以滿足該目標資料。
  2. 如請求項1所述之方法，其中該等製造參數包括一或多個硬體參數或製程參數。
  3. 如請求項1所述之方法，其中確定該薄膜特性資料是相關的並且與該目標資料不同的該確定相關步驟包括以下步驟：確定該薄膜特性資料與該目標資料實質上平行。
  4. 如請求項1所述之方法，其中該特徵提取的該執行步驟是經由以下各項中的一或多項進行的：主成分分析（PCA）、聚類、因子分析（FA）、判別分析或相關矩陣。
  5. 如請求項1所述之方法，該方法進一步包含以下步驟：訓練步驟，訓練一機器學習模型，以生成一經訓練的機器學習模型，用於確定對該等製造參數中的該一或多個參數的該等更新的該確定步驟，其中該訓練步驟包括以下步驟： 生成步驟，為該機器學習模型生成訓練資料，其中該訓練資料的該生成步驟包含以下步驟： 生成第一訓練輸入，該第一訓練輸入包括該製造設備的歷史製造參數；以及 生成用於該第一訓練輸入的第一目標輸出，其中該第一目標輸出包括歷史薄膜特性資料；以及 提供該訓練資料以在（i）包括該第一訓練輸入的一組訓練輸入和（ii）包括該第一目標輸出的一組目標輸出上訓練該機器學習模型。
  6. 如請求項1所述之方法，該方法進一步包含以下步驟： 將該目標資料提供給該經訓練的機器學習模型，其中選擇該組資料點的該選擇步驟以及執行該特徵提取的該執行步驟係經由該經訓練的機器學習模型執行；以及 從該經訓練的機器學習模型中獲得包括一或多個輸出的一反向解，其中確定該等更新的該確定更新步驟包括以下步驟：從該一或多個輸出中提取對該等製造參數中的該一或多個參數的該等更新。
  7. 如請求項1所述之方法，該方法進一步包含以下步驟：實施對該製造設備的該等製造參數中的該一或多個參數的該等更新步驟，以滿足該目標資料。
  8. 如請求項1所述之方法，該方法進一步包含以下步驟：經由一圖形使用者介面顯示對該等製造參數中的該一或多個參數的該等更新。
  9. 一種系統，包含： 一記憶體；以及 一處理裝置，該處理裝置耦接至該記憶體以： 接收與製造設備的製造參數相關的薄膜特性資料； 確定該薄膜特性資料是相關的並且與目標資料不同； 選擇與該目標資料正交的該薄膜特性資料的一組資料點； 對該組資料點執行特徵提取；和 基於該特徵提取，確定對該等製造參數中的一或多個參數的更新以滿足該目標資料。
  10. 如請求項9所述之系統，其中為了確定該薄膜特性資料是相關的並且與該目標資料不同，該處理裝置確定該薄膜特性資料與該目標資料實質上平行。
  11. 如請求項9所述之系統，其中： 該等製造參數包括一或多個硬體參數或製程參數；以及 該處理裝置經由以下各項中的一或多項執行該特徵提取：主成分分析（PCA）、聚類、因子分析（FA）、判別分析或相關矩陣。
  12. 如請求項9所述之系統，其中該處理裝置進一步訓練一機器學習模型，以生成一經訓練的機器學習模型，用於確定對該等製造參數中的該一或多個參數的該等更新，其中為了訓練該機器學習模型，該處理裝置： 為該機器學習模型生成訓練資料，其中該訓練資料的該生成包含： 生成第一訓練輸入，該第一訓練輸入包括該製造設備的歷史製造參數；以及 生成用於該第一訓練輸入的第一目標輸出，其中該第一目標輸出包括歷史薄膜特性資料；以及 提供該訓練資料以在（i）包括該第一訓練輸入的一組訓練輸入和（ii）包括該第一目標輸出的一組目標輸出上訓練該機器學習模型。
  13. 如請求項9所述之系統，其中該處理裝置還用於： 將該目標資料提供給該經訓練的機器學習模型，其中該處理裝置經由該經訓練的機器學習模型選擇該組資料點以及執行該特徵提取；以及 從該經訓練的機器學習模型中獲得包括一或多個輸出的一反向解，其中為確定該等更新，該處理裝置從該一或多個輸出中提取對該等製造參數中的該一或多個參數的該等更新。
  14. 如請求項9所述之系統，其中該處理裝置還用於下列之一或多者： 實施對該製造設備的該等製造參數中的該一或多個參數的該等更新，以滿足該目標資料；或 經由一圖形使用者介面顯示對該等製造參數中的該一或多個參數的該等更新。
  15. 一種非暫態性電腦可讀取媒體，其上儲存了指令，該等指令在由一處理裝置執行時使該處理裝置： 接收與製造設備的製造參數相關的薄膜特性資料； 確定該薄膜特性資料是相關的並且與目標資料不同； 選擇與該目標資料正交的該薄膜特性資料的一組資料點； 對該組資料點執行特徵提取；和 基於該特徵提取，確定對該等製造參數中的一或多個參數的更新以滿足該目標資料。
  16. 如請求項15所述之非暫態性電腦可讀取媒體，其中為了確定該薄膜特性資料是相關的並且與該目標資料不同，該處理裝置確定該薄膜特性資料與該目標資料實質上平行。
  17. 如請求項15所述之非暫態性電腦可讀取媒體，其中： 該等製造參數包括一或多個硬體參數或製程參數；以及 該處理裝置經由以下各項中的一或多項執行該特徵提取：主成分分析（PCA）、聚類、因子分析（FA）、判別分析或相關矩陣。
  18. 如請求項15所述之非暫態性電腦可讀取媒體，其中該處理裝置進一步訓練一機器學習模型，以生成一經訓練的機器學習模型，用於確定對該等製造參數中的該一或多個參數的該等更新，其中為了訓練該機器學習模型，該處理裝置： 為該機器學習模型生成訓練資料，其中該訓練資料的該生成包含： 生成第一訓練輸入，該第一訓練輸入包括該製造設備的歷史製造參數；以及 生成用於該第一訓練輸入的第一目標輸出，其中該第一目標輸出包括歷史薄膜特性資料；以及 提供該訓練資料以在（i）包括該第一訓練輸入的一組訓練輸入和（ii）包括該第一目標輸出的一組目標輸出上訓練該機器學習模型。
  19. 如請求項15所述之非暫態性電腦可讀取媒體，其中該處理裝置進一步： 將該目標資料提供給該經訓練的機器學習模型，其中該處理裝置經由該經訓練的機器學習模型選擇該組資料點以及執行該特徵提取；以及 從該經訓練的機器學習模型中獲得包括一或多個輸出的一反向解，其中為確定該等更新，該處理裝置從該一或多個輸出中提取對該等製造參數中的該一或多個參數的該等更新。
  20. 如請求項15所述之非暫態性電腦可讀取媒體，其中該處理裝置進一步進行以下之一或多者： 實施對該製造設備的該等製造參數的該一或多個參數的該等更新，以滿足該目標資料；或 經由一圖形使用者介面顯示對該等製造參數中的該一或多個參數的該等更新。
TW108145668A 2018-12-13 2019-12-13 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 TWI831893B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862779097P 2018-12-13 2018-12-13
US62/779,097 2018-12-13
US16/599,962 US11328964B2 (en) 2018-12-13 2019-10-11 Prescriptive analytics in highly collinear response space
US16/599,962 2019-10-11

Publications (2)

Publication Number Publication Date
TW202032436A true TW202032436A (zh) 2020-09-01
TWI831893B TWI831893B (zh) 2024-02-11

Family

ID=71073681

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108145668A TWI831893B (zh) 2018-12-13 2019-12-13 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體

Country Status (7)

Country Link
US (2) US11328964B2 (zh)
JP (1) JP7460627B2 (zh)
KR (1) KR20210092310A (zh)
CN (1) CN113169044A (zh)
SG (1) SG11202106131XA (zh)
TW (1) TWI831893B (zh)
WO (1) WO2020123695A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018225747A1 (ja) * 2017-06-06 2018-12-13 日本電気株式会社 分散システム、データ管理装置、データ管理方法、及びコンピュータ読み取り可能な記録媒体
US11620909B2 (en) 2019-10-02 2023-04-04 Samsara Networks Inc. Facial recognition technology for improving driver safety
US11562266B2 (en) 2020-04-23 2023-01-24 Sequoia Benefits and Insurance Services, LLC Using machine learning to determine job families using job titles
US20220114438A1 (en) * 2020-10-09 2022-04-14 Kla Corporation Dynamic Control Of Machine Learning Based Measurement Recipe Optimization
US11157723B1 (en) * 2021-02-12 2021-10-26 Samsara Networks lac. Facial recognition for drivers

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3834948C2 (de) * 1988-02-05 1999-11-11 Ricoh Kk Verfahren zum Bestimmen des Brechungsindex der obersten Dünnschicht einer mehrlagigen Schicht
US6849470B1 (en) * 1996-11-08 2005-02-01 Matsushita Electric Industrial Co., Ltd. Apparatus and method for optical evaluation, apparatus and method for manufacturing semiconductor device, method of controlling apparatus for manufacturing semiconductor device, and semiconductor device
US6582618B1 (en) 1999-09-08 2003-06-24 Advanced Micro Devices, Inc. Method of determining etch endpoint using principal components analysis of optical emission spectra
US6913938B2 (en) * 2001-06-19 2005-07-05 Applied Materials, Inc. Feedback control of plasma-enhanced chemical vapor deposition processes
US7201936B2 (en) * 2001-06-19 2007-04-10 Applied Materials, Inc. Method of feedback control of sub-atmospheric chemical vapor deposition processes
JP3732768B2 (ja) 2001-08-28 2006-01-11 株式会社日立製作所 半導体処理装置
JP2003077782A (ja) * 2001-08-31 2003-03-14 Toshiba Corp 半導体装置の製造方法
TWI270662B (en) * 2002-06-28 2007-01-11 Lam Res Corp Method and apparatus of arrayed, clustered or coupled eddy current sensor configuration for measuring conductive film properties
US20060004786A1 (en) * 2004-06-07 2006-01-05 Taiwan Semiconductor Manufacturing Company Ltd. Design mechanism for semiconductor fab-wide data warehouse application
US7478019B2 (en) * 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7467064B2 (en) 2006-02-07 2008-12-16 Timbre Technologies, Inc. Transforming metrology data from a semiconductor treatment system using multivariate analysis
US7571074B2 (en) * 2007-01-30 2009-08-04 Tokyo Electron Limited Method of using a wafer-thickness-dependant profile library
US8501499B2 (en) 2011-03-28 2013-08-06 Tokyo Electron Limited Adaptive recipe selector
JP5648157B2 (ja) 2011-12-28 2015-01-07 株式会社日立ハイテクノロジーズ 半導体製造装置
JP5739841B2 (ja) 2012-06-13 2015-06-24 株式会社東芝 電子デバイスの生産管理装置、生産管理システム及び生産管理プログラム
US10013518B2 (en) * 2012-07-10 2018-07-03 Kla-Tencor Corporation Model building and analysis engine for combined X-ray and optical metrology
KR102124111B1 (ko) 2013-10-02 2020-06-18 에이에스엠엘 네델란즈 비.브이. 산업 공정과 관련된 진단 정보를 얻는 방법 및 장치
US10430719B2 (en) * 2014-11-25 2019-10-01 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US10145674B2 (en) * 2016-05-02 2018-12-04 Kla-Tencor Corporation Measurement of semiconductor structures with capillary condensation
US10608182B2 (en) * 2017-04-20 2020-03-31 Kateeva, Inc. Analysis of material layers on surfaces, and related systems and methods
US11073487B2 (en) * 2017-05-11 2021-07-27 Kla-Tencor Corporation Methods and systems for characterization of an x-ray beam with high spatial resolution
US10727142B2 (en) 2017-05-30 2020-07-28 Kla-Tencor Corporation Process monitoring of deep structures with X-ray scatterometry
CN107330200B (zh) * 2017-07-03 2020-12-08 京东方科技集团股份有限公司 薄膜晶体管的耐受静电电压的确定方法及设备
US10978278B2 (en) * 2018-07-31 2021-04-13 Tokyo Electron Limited Normal-incident in-situ process monitor sensor
US10872403B2 (en) * 2018-08-10 2020-12-22 Micron Technology, Inc. System for predicting properties of structures, imager system, and related methods
US11056405B2 (en) * 2018-09-14 2021-07-06 Lam Research Corporation Methods and systems for controlling wafer fabrication process
US10580827B1 (en) * 2018-11-16 2020-03-03 Spin Memory, Inc. Adjustable stabilizer/polarizer method for MRAM with enhanced stability and efficient switching

Also Published As

Publication number Publication date
US20200193531A1 (en) 2020-06-18
SG11202106131XA (en) 2021-07-29
CN113169044A (zh) 2021-07-23
KR20210092310A (ko) 2021-07-23
JP2022512351A (ja) 2022-02-03
TWI831893B (zh) 2024-02-11
US20220328366A1 (en) 2022-10-13
JP7460627B2 (ja) 2024-04-02
WO2020123695A1 (en) 2020-06-18
US11328964B2 (en) 2022-05-10

Similar Documents

Publication Publication Date Title
TWI831893B (zh) 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體
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
US10910107B1 (en) Computer network architecture for a pipeline of models for healthcare outcomes with machine learning and artificial intelligence
US10990904B1 (en) Computer network architecture with machine learning and artificial intelligence and automated scalable regularization
US11030557B2 (en) Predicting arrival time of components based on historical receipt data
US10910113B1 (en) Computer network architecture with benchmark automation, machine learning and artificial intelligence for measurement factors
CN108875784A (zh) 用于工业中的性能指标的基于数据的优化的方法和系统
US10963990B2 (en) Automated image measurement for process development and optimization
US11227193B2 (en) Automated image measurement for process development and optimization
WO2016151620A1 (ja) シミュレートシステム、シミュレート方法およびシミュレート用プログラム
JP2023526177A (ja) 反転モデルのセットを使用した製造プロセスの予測モデリング
CN107329887B (zh) 一种基于推荐系统的数据处理方法以及装置
US20180068323A1 (en) Automated method for learning the responsiveness of potential consumers to different stimuli in a marketplace
CN114463540A (zh) 使用神经网络对图像进行分割
Arunan et al. A federated learning-based industrial health prognostics for heterogeneous edge devices using matched feature extraction
Huh et al. Multi-agent reinforcement learning: A comprehensive survey
Kim et al. Selection of the most probable best under input uncertainty
TW202422410A (zh) 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體
TW202309791A (zh) 晶圓上的降維
Alkhalaf et al. Utilizing machine learning for a data driven approach to flow rate prediction
US20240054333A1 (en) Piecewise functional fitting of substrate profiles for process learning
TW202343178A (zh) 處理腔室校正
JP2024083203A (ja) マイクロエレクトロメカニカルシステム検査におけるパラメータ推定のための装置及び方法
KR20230106004A (ko) 변화하는 변수공간에서의 점진적 기계학습 장치 및 방법
TW202307599A (zh) 半導體製造的生態效率（可持續性）儀表板