TW202217671A - 腔室匹配及校準 - Google Patents

Abstract

一種方法包括以下步驟：接收與基板處理系統的處理腔室相關聯的複數個感測器資料集合。該複數個感測器資料集合中的每一者包括映射到該處理腔室的對應的間隔值的該處理腔室的對應的感測器值。該方法進一步包括以下步驟：提供該複數個感測器資料集合作為對訓練的機器學習模型的輸入。該方法進一步包括以下步驟：從該訓練的機器學習模型獲得指示該處理腔室的健康狀態的一個或多個輸出。該方法進一步包括以下步驟：基於該一個或多個輸出，使得與該處理腔室相關聯的一個或多個糾正動作執行。

Description

腔室匹配及校準

本揭示內容與匹配及校準相關，且更詳細而言是與基板處理系統中的腔室匹配及校準相關。

在製造系統中，藉由使用製造設備執行一個或多個製造製程來生產產品。例如，使用處理腔室來處理基板處理系統中的基板。製造系統中的部件的校準及安裝的誤差造成有缺陷的產品、計劃外的停機時間及設備損壞。

下文為本揭示內容的簡化概要，以提供本揭示內容的一些態樣的基本瞭解。此概要並非本揭示內容的廣泛綜述。其並不旨在識別本揭示內容的關鍵或重要的元素，也不旨在敘述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。其唯一的目的是用簡化的形式呈現本揭示內容的一些概念以作為之後呈現的更詳細描述的前奏。

在本揭示內容的態樣中，一種方法包括以下步驟：接收與基板處理系統的處理腔室相關聯的複數個感測器資料集合。該複數個感測器資料集合中的每一者包括映射到該處理腔室的對應的間隔值的該處理腔室的對應的感測器值。該方法進一步包括以下步驟：提供該複數個感測器資料集合作為對訓練的機器學習模型的輸入。該方法進一步包括以下步驟：從該訓練的機器學習模型獲得指示該處理腔室的健康狀態的一個或多個輸出。該方法進一步包括以下步驟：基於該一個或多個輸出，使得與該處理腔室相關聯的一個或多個糾正動作執行。

在本揭示內容的另一個態樣中，一種方法包括以下步驟：接收與一個或多個基板處理系統的一個或多個處理腔室相關聯的複數個歷史感測器資料集合。該複數個歷史感測器資料集合中的每一者包括映射到對應的歷史間隔值的對應的歷史感測器值。該方法進一步包括以下步驟：接收與該一個或多個處理腔室相關聯的複數個歷史效能資料集合。該複數個歷史效能資料集合中的每一者與該複數個歷史感測器資料集合中相應的歷史感測器資料集合對應。該方法進一步包括以下步驟：用包括該複數個歷史感測器資料集合的資料輸入及包括該複數個歷史效能資料集合的目標輸出訓練機器學習模型以產生訓練的機器學習模型，該訓練的機器學習模型能夠產生指示處理腔室的健康狀態的一個或多個輸出以使得與基板處理系統的該處理腔室相關聯的一個或多個糾正動作執行。

在本揭示內容的另一個態樣中，一種儲存指令的非暫時性機器可讀取儲存媒體，該等指令在被執行時使得處理元件執行包括以下步驟的操作：接收與基板處理系統的處理腔室相關聯的複數個感測器資料集合。該複數個感測器資料集合中的每一者包括映射到該處理腔室的對應的間隔值的該處理腔室的對應的感測器值。該等操作進一步包括以下步驟：提供該複數個感測器資料集合作為對訓練的機器學習模型的輸入。該等操作進一步包括以下步驟：從該訓練的機器學習模型獲得指示該處理腔室的資料健康狀態的一個或多個輸出。該等操作進一步包括以下步驟：基於該一個或多個輸出，使得與該處理腔室相關聯的一個或多個糾正動作執行。

本文中描述了涉及腔室匹配及校準的技術。

使用製造設備來生產產品。例如，使用諸如處理腔室之類的設備來處理基板處理系統中的基板。諸如製程套件環之類的部件被安裝在處理腔室中。在新的安裝（例如調試）期間及在週期性的維護、清潔、替換等等之後安裝及/或校準部件。例如，在新的安裝期間及在預防性維護期間，安裝製程套件環並校準加熱器間隔。

常規上，在安裝及預防性維護之後，安裝及/或校準部件（例如製程套件環、加熱塊等等），然後使用部件來處理晶圓。安裝及/或校準的誤差導致處理腔室之間的腔室失配及產品不一致。在一些示例中，在生產有缺陷的基板之後識別安裝及/或校準的誤差。在識別誤差之後，打開基板處理系統，重新安裝及/或重新校準部件，基板處理系統經過漫長的重新認證過程，使用基板處理系統來生產多基板，且檢查基板以決定重新安裝及/或重新校準的部件是否有進一步的誤差。重複此過程直到沒有進一步的誤差為止。此過程會生產有缺陷的基板、浪費材料、導致設備損壞、導致計劃外的停機時間且減少吞吐量。

本文中所揭露的元件、系統及方法提供了腔室匹配及校準。處理元件接收與基板處理系統的處理腔室相關聯的感測器資料。在一些實施例中，在基板處理系統在調試、安裝、校準及/或預防性維護之後關閉之後接收感測器資料。感測器資料包括映射到處理腔室的間隔值的感測器值（例如處理腔室的壓力值、與處理腔室相關聯的泵送效率值）。在一些實施例中，間隔值包括處理腔室的邊緣環與處理腔室的陶瓷隔離器之間的距離（例如扼流距離），且感測器值與通過與距離（例如扼流距離）對應的開口的排氣壓力相關聯。在一些實施例中，間隔值是指示的間隔值（例如基板處理系統的控制器指示加熱塊要定位到的間隔值，與響應於校準誤差的實際測得的間隔值不同），且感測器值是由感測器（例如位在處理腔室中的扼流點下方的壓力計）所測得的實際壓力值。

處理元件向訓練的機器學習模型提供感測器資料（例如實際壓力值及指示的間隔值）作為輸入，並從機器學習模型獲得指示預測資料（例如指示處理腔室的健康狀態）的輸出。處理元件基於該一個或多個輸出（例如預測資料、指示處理腔室的健康狀態的輸出）使得與處理腔室相關聯的糾正動作執行。

在一些實施例中，預測資料（例如指示處理腔室的健康狀態的輸出）指示處理腔室的加熱器間隔的校準誤差，且糾正動作的執行包括提供警報及/或使得處理腔室的加熱器間隔的重新校準。在一些示例中，預測資料（例如指示處理腔室的健康狀態的輸出）指示，生成的感測器值與正確校準的處理腔室的間隔值不匹配。在一些實施例中，處理元件決定絕對值或相對值（例如百分比）以用來校正對加熱器間隔的校準（例如校準偏離50千分之一英寸（密耳））。

在一些實施例中，預測資料（例如指示處理腔室的健康狀態的輸出）指示處理腔室中的製程套件環的安裝誤差，且糾正動作的執行包括提供警報及/或使得處理腔室中的製程套件環重新校準。在一些示例中，預測資料（例如處理腔室的健康狀態）指示，映射到間隔值的生成的感測器值與映射到具有已經正確安裝的製程套件環的處理腔室的間隔值的感測器值不匹配。在一些實施例中，處理元件決定絕對值或相對值（例如百分比）以用來校正製程套件環的安裝（例如與正確安裝相比，製程套件環不正確地旋轉180度）。

在一些實施例中，處理元件訓練要用來產生指示預測資料的輸出（例如指示處理腔室的健康狀態的輸出）以使得糾正動作執行的機器學習模型。處理元件接收與基板處理系統的處理腔室相關聯的歷史感測器資料。歷史感測器資料包括映射到歷史間隔值的歷史感測器值。處理元件接收與歷史感測器資料對應的歷史效能資料。在一些實施例中，歷史效能資料指示，加熱器間隔被正確地校準及/或製程套件環被正確地安裝。在一些實施例中，歷史效能資料指示加熱器間隔的安裝及/或製程套件環的安裝的誤差的絕對值或相對值（例如百分比）。處理元件利用包括歷史感測器資料的資料輸入及包括歷史效能資料的目標輸出來訓練機器學習模型，以產生訓練的機器學習模型，該訓練的機器學習模型能夠產生指示預測資料（例如指示處理腔室的健康狀態的輸出）的輸出以使得與處理腔室相關聯的糾正動作執行。

本揭示內容的態樣產生了技術優勢。本揭示內容提供了在處理基板之前且在不重新打開基板處理系統的情況下預測是否存在校準及安裝的誤差的操作。與常規的系統相比，這會減少有缺陷的基板、減少浪費的材料、減少設備損壞、減少計劃外的停機時間並增加吞吐量。在一些實施例中，在執行糾正動作之後重複預測是否存在校準及安裝的誤差以決定是否存在任何進一步的誤差。與常規的系統相比，這也會減少時間及資源的浪費並增加吞吐量。本揭示內容提供了正確地校準且正確地安裝部件的操作，與常規的系統相比，這提供了品質更好的產品。本揭示內容提供了不同處理腔室之間的腔室匹配，使得校準（例如加熱器間隔校準）及安裝（例如製程套件環的安裝）跨處理腔室及基板處理系統一致以生產更一致的基板。

圖1A是示出依據某些實施例的示例性系統100（示例性系統架構）的方塊圖。系統100包括客戶端元件120、製造設備124、感測器126、計量設備128、預測伺服器112及資料儲存器140。在一些實施例中，預測伺服器112是預測系統110的一部分。在一些實施例中，預測系統110進一步包括伺服器機器170及180。

在一些實施例中，客戶端元件120、製造設備124、感測器126、計量設備128、預測伺服器112、資料儲存器140、伺服器機器170及/或伺服器機器180中的一者或多者經由網路130彼此耦接以供產生預測資料168（例如指示處理腔室的健康狀態的輸出）以執行糾正動作。在一些實施例中，網路130是公用網路，該公用網路向客戶端元件120提供對預測伺服器112、資料儲存器140及其他可公用的計算元件的存取。在一些實施例中，網路130是私用網路，該私用網路向客戶端元件120提供對製造設備124、感測器126、計量設備128、資料儲存器140及其他可私用的計算元件的存取。在一些實施例中，網路130包括一個或多個廣域網路（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（例如長期演進（LTE）網路）、路由器、集線器、交換器、伺服器電腦、雲端計算網路及/或上述項目的組合。

在一些實施例中，客戶端元件120包括諸如個人電腦（PC）、膝上型電腦、行動電話、智慧型手機、平板電腦、隨身型易網電腦等等之類的計算元件。在一些實施例中，客戶端元件120包括糾正動作部件122。客戶端元件120包括作業系統，該作業系統允許使用者進行產生、檢視或編輯資料（例如與製造設備124相關聯的指示、與製造設備124相關聯的糾正動作等等）的操作中的一者或多者。

在一些實施例中，糾正動作部件122接收與製造設備124相關聯的指示的使用者輸入（例如經由透過客戶端元件120顯示的圖形使用者介面（GUI）接收）。在一些實施例中，糾正動作部件122向預測系統110傳送指示，從預測系統110接收輸出（例如預測資料168），基於輸出來決定與製造設備124相關聯的糾正動作，及使得糾正動作實施。在一些實施例中，糾正動作部件122獲得與製造設備124相關聯的感測器資料142（例如當前的感測器資料152）（例如從資料儲存器140等等獲得），及向預測系統110提供與製造設備124相關聯的感測器資料142（例如當前的感測器資料152）。在一些實施例中，糾正動作部件122在資料儲存器140中儲存感測器資料142，且預測伺服器112從資料儲存器140擷取感測器資料142。在一些實施例中，預測伺服器112在資料儲存器140中儲存訓練的機器學習模型190的輸出（例如預測資料168），且客戶端元件120從資料儲存器140擷取輸出。在一些實施例中，糾正動作部件122從預測系統110接收對糾正動作的指示，及使得糾正動作實施。

在一些實施例中，糾正動作與計算製程控制（CPC）、統計製程控制（SPC）（例如用來與3西格馬曲線圖進行比較的SPC等等）、先進製程控制（APC）、基於模型的製程控制、預防性操作維護、設計最佳化、製造參數的更新、反饋控制、機器學習修改等等中的一者或多者相關聯。

在一些實施例中，糾正動作包括提供警報（例如若預測資料168指示預測的異常（例如產品、部件、製造設備124或處理腔室健康狀態的異常），則不要將處理腔室用於基板處理的警報）。在一些實施例中，糾正動作包括提供反饋控制（例如響應於指示預測的異常的預測資料168而修改校準）。在一些實施例中，糾正動作包括提供機器學習（例如基於預測資料168使得校準或安裝中的一者或多者修改）。在一些實施例中，糾正動作的執行包括對製造設備124的一個或多個部件的校準及/或安裝中的一者或多者進行更新。在一些實施例中，糾正動作包括進行預防性維護（例如重新校準及/或重新安裝製造設備124的一個或多個部件）。

在一些實施例中，預測伺服器112、伺服器機器170及伺服器機器180各自包括諸如機架式伺服器、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）、加速器應用特定集成電路（ASIC）（例如張量處理單元（TPU））等等之類的一個或多個計算元件。

預測伺服器112包括預測部件114。在一些實施例中，預測部件114接收感測器資料142（例如從客戶端元件120接收，從資料儲存器140擷取），及基於感測器資料142產生用於執行與製造設備124相關聯的糾正動作的輸出（例如預測資料168）。在一些實施例中，預測部件114使用一個或多個訓練的機器學習模型190基於感測器資料142來決定用於執行糾正動作的輸出。在一些實施例中，訓練的機器學習模型190是使用歷史感測器資料146及歷史效能資料162來訓練的。

在一些實施例中，預測系統110（例如預測伺服器112、預測部件114）使用監督式機器學習（例如監督式資料集、效能資料160包括對處理腔室是否有校準及/或安裝的誤差的指示等等）來產生預測資料168（例如指示處理腔室的健康狀態的輸出）。在一些實施例中，預測系統110使用半監督式學習（例如半監督式資料集、效能資料160是預測百分比等等）來產生預測資料168。在一些實施例中，預測系統110使用無監督式機器學習（例如無監督式資料集、分群、基於效能資料160的分群等等）來產生預測資料168。

在一些實施例中，製造設備124（例如群集工具）是基板處理系統（例如集成處理系統）的一部分。製造設備124包括以下項目中的一者或多者：控制器、包圍系統（例如基板載具、前開式晶圓傳送盒（FOUP）、自學（autoteach）FOUP、製程套件包圍系統、基板包圍系統、輸送盒等等）、側儲存盒（SSP）、對準器元件（例如對準器腔室）、工廠接口（例如設備前端模組（EFEM））、裝載閘、傳輸腔室、一個或多個處理腔室、機器手臂（其例如設置在傳輸腔室中、設置在前端接口中等等）等等。安裝到工廠接口的包圍系統、SSP及裝載閘以及設置在工廠接口中的機器手臂用來在包圍系統、SSP、裝載閘與工廠接口之間傳輸內容物（例如基板、製程套件環、載具、驗證晶圓等等）。對準器元件設置在工廠接口中以對準內容物。安裝到傳輸腔室的裝載閘及處理腔室以及設置在傳輸腔室中的機器手臂用來在裝載閘、處理腔室與傳輸腔室之間傳輸內容物（例如基板、製程套件環、載具、驗證晶圓等等）。在一些實施例中，製造設備124包括來自基板處理系統的處理腔室。在一些實施例中，響應於初始安裝、調試、預防性維護、製造設備124的一個或多個部件的替換、清潔等等中的一者或多者，安裝及/或校準製造設備124。在一些實施例中，製造設備124具有安裝及/或校準的一個或多個誤差。在一些實施例中，製程套件環在製造設備124中處於不正確旋轉的位置。在一些示例中，加熱器間隔在製造設備中被不正確地校準。若未糾正，則安裝及/或校準的誤差會對產品及/或製造設備124造成損傷、導致計劃外的停機時間增加及/或導致吞吐量減少。

在一些實施例中，感測器126提供與製造設備124相關聯的感測器資料142。在一些實施例中，感測器126提供感測器值（例如歷史感測器值146、當前感測器值156）及/或間隔值（例如歷史間隔值148、當前間隔值158）。在一些實施例中，感測器126包括壓力感測器（例如處理腔室中的扼流點下方的壓力計）及/或距離感測器中的一者或多者。在一些實施例中，感測器126在正在將加熱器間隔設定為不同的間隔值的同時從製造設備124的處理腔室排出氣體的期間提供感測器資料142。在一些實施例中，將感測器資料用於設備健康狀態及/或產品健康狀態（例如產品品質）。在一段時間（其例如與在不同的間隔值下進行排氣的操作對應）內接收感測器資料142。

在一些實施例中，感測器126包括提供其他類型的感測器資料142的附加感測器。在一些實施例中，感測器資料142包括洩漏速率、溫度（例如處理腔室溫度）、泵送效率、閘值位置、氣體流量、間隔（SP）、壓力、高頻射頻（HFRF）、靜電卡盤（ESC）的電壓、電流、功率、電壓等等中的一者或多者的值。在一些實施例中，感測器資料142與諸如硬體參數（例如製造設備124的設定或部件（例如尺寸、類型等等））或製造設備的製程參數之類的製造參數相關聯或指示該等製造參數。在一些實施例中，在製造設備124執行製造製程的同時提供感測器資料142（例如處理產品時的設備讀數）、在製造設備124執行製造製程之前提供感測器資料142及/或在製造設備124執行製造製程之後提供感測器資料142。在一些示例中，在調試、安裝、預防性維護及/或替換部件之後提供感測器資料142。在一些實施例中，在製造設備124提供密封環境（例如基板處理系統及/或處理腔室被關閉）的同時提供感測器資料142。

在一些實施例中，處理感測器資料142（例如歷史感測器資料144、當前感測器資料152等等）（例如藉由客戶端元件120及/或藉由預測伺服器112來處理）。在一些實施例中，感測器資料142的處理包括產生特徵。在一些實施例中，特徵是感測器資料142中的模式（例如斜率、寬度、高度、峰值等等）或來自感測器資料142的感測器值的組合（例如根據電壓及電流導出的功率等等）。在一些實施例中，感測器資料142包括特徵，且該等特徵由預測部件114使用以供獲得用於執行糾正動作的預測資料168。

在一些實施例中，使用計量設備128來決定與製造設備124的產品對應的計量資料。在一些示例中，在製造設備124在基板上沉積一個或多個層之後，使用計量設備128來決定層的厚度、層的均勻性、層的夾層間隔等等中的一者或多者。在一些實施例中，計量設備128包括成像元件。

在一些實施例中，資料儲存器140是記憶體（例如隨機存取記憶體）、驅動器（例如硬碟機、快閃碟）、資料庫系統或能夠儲存資料的另一種類型的部件或元件。在一些實施例中，資料儲存器140包括跨越多個計算元件（例如多個伺服器電腦）的多個儲存部件（例如多個驅動器或多個資料庫）。在一些實施例中，資料儲存器140儲存感測器資料142、效能資料160及/或預測資料168中的一者或多者。

感測器資料142包括歷史感測器資料144及當前感測器資料152。歷史感測器資料144包括歷史感測器值146（例如歷史壓力值、歷史泵送效率值等等）及歷史間隔值148。當前感測器資料152包括當前感測器值156（例如當前壓力值、當前泵送效率值等等）及當前間隔值158。在一些實施例中，感測器資料142包括壓力資料（其例如是在泵送效率保持恆定的同時獲得的）。在一些實施例中，感測器資料142包括泵送效率（其例如是在壓力保持恆定的同時獲得的）。

在一些實施例中，經由一個或多個感測器126測量歷史感測器值146及/或當前感測器值156。在一些實施例中，歷史間隔值148及/或當前間隔值158是處理腔室（例如邊緣環）被指示要定位到的間隔值（例如，在誤校的處理腔室中，實際的間隔值與指示的間隔值不同）。在一些實施例中，效能資料160與實際的間隔值（其例如是藉由計量設備128來測量的）與指示的間隔值（其例如是由製造設備124的控制器指示的、由預測伺服器112指示的等等）之間的差相關聯。

效能資料160包括歷史效能資料162及當前效能資料164。在一些實施例中，效能資料160指示製造設備124是否正確運作。在一些示例中，效能資料160指示一個或多個部件（例如製程套件環的一個或多個部件，例如 圖1B-1C的加熱塊102、圖1B-1C的邊緣環103、圖1B-1C的內屏蔽件105、 圖1B-1C的腔室插件106、圖1B-1C的外屏蔽件107、圖1B-1C的頂部屏蔽件108等等）是否正確安裝及/或一個或多個部件是否正確校準（例如加熱器間隔校準）。在一些實施例中，效能資料160的至少一部分與由製造設備124所生產的產品的品質相關聯。在一些實施例中，效能資料160的至少一部分基於來自計量設備128的計量資料（例如歷史效能資料162指示正確地安裝及校準的處理腔室，該等處理腔室與指示正確處理的基板、基板的性質資料、良率等等的計量資料對應）。在一些實施例中，效能資料160的至少一部分基於對製造設備124的檢驗（例如基於對實際校準或實際安裝的驗證的當前效能資料164）。在一些實施例中，效能資料160包括對絕對值（例如加熱器間隔偏離50密耳、製程套件環的一個或多個部件不正確地旋轉180度）或相對值（例如加熱器間隔偏離20%、製程套件環的一個或多個部件不正確地旋轉50%等等）的指示。在一些實施例中，效能資料160指示滿足閾值誤差量（例如至少5%誤校、至少不正確地旋轉5%、規格限值）。

在一些實施例中，客戶端元件120提供效能資料160（例如產品資料、設備資料）。在一些示例中，客戶端元件120提供（例如基於使用者輸入來提供）效能資料160，該效能資料指示產品（例如有缺陷的產品）及/或製造設備124（例如部件故障、維護、能量使用率、部件相對於類似部件的變異等等）的異常。在一些實施例中，效能資料160包括已經生產的正常或異常的產品的量（例如98%的產品正常）。在一些實施例中，效能資料160指示正在生產且被預測為正常或異常的產品的量。在一些實施例中，效能資料160包括前一批產品的良率、平均良率、預測良率、有缺陷或無缺陷的產品的預測量等等中的一者或多者。在一些示例中，響應於第一批產品的良率為98%（例如98%的產品正常而2%異常），客戶端元件120提供指示即將到來的一批產品要具有98%的良率的效能資料160。

歷史資料包括歷史感測器資料144及/或歷史效能資料162中的一者或多者（例如至少一部分用於訓練機器學習模型190）。當前資料包括當前感測器資料152及/或當前效能資料164中的一者或多者（例如至少一部分要在使用歷史資料訓練模型190之後輸入到訓練的機器學習模型190中），針對該當前資料產生預測資料168（其例如用於執行糾正動作）。在一些實施例中，當前資料用於保留訓練的機器學習模型190。

預測資料168指示製造設備124的預測效能資料（例如指示處理腔室的健康狀態的輸出）。在一些示例中，預測資料168指示校準（例如加熱器間隔的校準）及/或安裝（例如製程套件環的安裝）的預測誤差。在一些實施例中，預測資料168指示預測誤差值是否大於誤差閾值。在一些實施例中，預測資料168指示誤差的絕對值或相對值。在一些實施例中，預測資料168與以下項目中的一者或多者相關聯：預測性質資料（例如要生產或已經使用當前感測器資料152來生產的產品的預測性質資料）、預測計量資料（例如要生產或已經使用當前感測器資料152來生產的產品的虛擬計量資料）、對異常（例如異常產品、異常部件、異常製造設備124、異常能量使用率、異常安裝、異常校準等等）的指示、異常或誤差的一個或多個原因及/或對製造設備124的部件的壽命結束的指示。

對產品執行計量以決定不正確地校準及/或安裝的部件就使用的時間、使用的計量設備128、消耗的能量、用來發送計量資料的帶寬、用來處理計量資料的處理器開銷等等的角度而言是昂貴的。藉由輸入感測器資料142及接收預測資料168的輸出，系統100具有避免使用計量設備128來針對當前感測器資料152產生當前效能資料164的昂貴過程的技術優勢。

執行導致有缺陷的產品的製造製程（其例如具有校準及/或安裝的誤差）在時間、能量、產品、部件、製造設備124、識別缺陷並丟棄有缺陷的產品的成本等方面是昂貴的。藉由輸入感測器資料142、接收預測資料168的輸出及基於預測資料168來執行糾正動作，系統100具有避免生產、識別及丟棄有缺陷的產品的成本的技術優勢。

執行導致製造設備124的部件的故障的製造製程（其例如具有校準及/或安裝的誤差）在停機時間、對產品的損傷、對設備的損傷、快速訂購替換部件等方面是昂貴的。藉由輸入感測器資料142、接收預測資料168的輸出及基於預測資料168來執行糾正動作（例如部件的重新校準、重新安裝等等），系統100具有避免意外部件故障、計劃外的停機時間、生產力損失、意外設備故障、產品報廢等等中的一者或多者的成本的技術優勢。

在一些實施例中，對於生產產品而言，製造參數是欠佳的（例如不正確地校準等等），這會有增加資源（例如能量、冷卻劑、氣體等等）消耗、增加生產產品的時間量、增加部件故障、增加有缺陷的產品量等等的昂貴結果。藉由將感測器資料142輸入到訓練的機器學習模型190中、接收預測資料168的輸出及執行（例如基於預測資料168來執行）更新製造參數（例如經由校準的重新校準及/或重新安裝來更新）的糾正動作，系統100具有使用最佳製造參數（例如正確的校準、正確的安裝等等）以避免欠佳的製造參數的昂貴結果的技術優勢。

在一些實施例中，預測系統110進一步包括伺服器機器170及伺服器機器180。伺服器機器170包括資料集產生器172，該資料集產生器能夠產生資料集（例如資料輸入集合及目標輸出集合）以訓練、驗證及/或測試機器學習模型190。下面參照圖2及4A詳細描述資料集產生器172的一些操作。在一些實施例中，資料集產生器172將歷史資料（例如歷史感測器資料144及歷史效能資料162）劃分成訓練集（例如歷史資料的60%）、驗證集（例如歷史資料的20%）及訓練集（例如歷史資料的20%）。在一些實施例中，預測系統110（例如經由預測部件114）產生多個特徵集合。在一些示例中，第一特徵集合與感測器資料的第一類型集合（其例如來自第一感測器集合、來自第一感測器集合的第一值組合、來自第一感測器集合的值中的第一模式）對應，該第一類型集合與資料集（例如訓練集、驗證集及測試集）中的每一者對應，且第二特徵集合與感測器資料的第二類型集合（其例如來自與第一感測器集合不同的第二感測器集合、與第一組合不同的第二值組合、與第一模式不同的第二模式）對應，該第二類型集合與資料集中的每一者對應。

伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。在一些實施例中，引擎（例如訓練引擎182、驗證引擎184、選擇引擎185及測試引擎186）指的是硬體（例如電路系統、專用邏輯、可程式化邏輯、微代碼、處理元件等等）、軟體（例如運行於處理元件、通用電腦系統或專用機器上的指令）、韌體、微代碼或上述項目的組合。訓練引擎182能夠使用與來自資料集產生器172的訓練集相關聯的一個或多個特徵集合來訓練機器學習模型190。在一些實施例中，訓練引擎182產生多個訓練的機器學習模型190，其中每個訓練的機器學習模型190與訓練集中相異的特徵集合（例如來自相異的感測器集合的感測器資料）對應。在一些示例中，第一訓練的機器學習模型是使用所有特徵（例如X1-X5）來訓練的，第二訓練的機器學習模型是使用第一特徵子集（例如X1、X2、X4）來訓練的，且第三訓練的機器學習模型是使用與第一特徵子集部分重疊的第二特徵子集（例如X1、X3、X4及X5）來訓練的。

驗證引擎184能夠使用來自資料集產生器172的驗證集的對應的特徵集合來驗證訓練的機器學習模型190。例如，使用驗證集的第一特徵集合來驗證使用訓練集的第一特徵集合的來訓練的第一訓練的機器學習模型190。驗證引擎184基於驗證集的對應的特徵集合來決定訓練的機器學習模型190中的每一者的準確度。驗證引擎184丟棄準確度不滿足閾值準確度的訓練的機器學習模型190。在一些實施例中，選擇引擎185能夠選擇準確度滿足閾值準確度的一個或多個訓練的機器學習模型190。在一些實施例中，選擇引擎185能夠選擇具有訓練的機器學習模型190中最高的準確度的訓練的機器學習模型190。

測試引擎186能夠使用來自資料集產生器172的測試集的對應的特徵集合來測試訓練的機器學習模型190。例如，使用測試集的第一特徵集合來測試使用訓練集的第一特徵集合的來訓練的第一訓練的機器學習模型190。測試引擎186基於測試集來決定具有所有訓練的機器學習模型中最高的準確度的訓練的機器學習模型190。

在一些實施例中，機器學習模型190指的是由訓練引擎182使用訓練集所產生的模型工件，該訓練集包括資料輸入及對應的目標輸出（相應的訓練輸入的正確答案）。可以找出資料集中將資料輸入映射到目標輸出（正確答案）的模式，且向機器學習模型190提供捕捉這些模式的映射。在一些實施例中，機器學習模型190使用支援向量機（SVM）、放射狀基底函數（RBF）、分群、監督式機器學習、半監督式機器學習、無監督式機器學習、k最近鄰域演算法（k-NN）、線性迴歸、隨機森林、神經網絡（例如人工神經網絡）等等中的一者或多者。在一些實施例中，機器學習模型190是多變數分析（MVA）模型。

預測部件114向訓練的機器學習模型190提供當前感測器資料152，並對輸入運行訓練的機器學習模型190以獲得一個或多個輸出。預測部件114能夠根據訓練的機器學習模型190的輸出決定（例如抽取）預測資料168，並根據輸出決定（例如抽取）信賴資料，該信賴資料指示預測資料168與當前感測器資料152處的製造設備124的當前效能資料164（例如模型190）對應的信賴位凖。在一些實施例中，預測部件114或糾正動作部件122使用信賴資料基於預測資料168來決定是否引起與製造設備124相關聯的糾正動作。

信賴資料包括或指示預測資料168與當前感測器資料152處的製造設備124的當前效能資料164（例如模型190）對應的信賴位凖。在一個示例中，信賴位凖包括性地是介於0與1之間的實數，其中0指示不信賴預測資料168會與跟當前感測器資料152相關聯的當前效能資料164對應，而1指示絕對信賴預測資料168會與跟當前感測器資料152相關聯的當前效能資料164對應。在一些實施例中，系統100使用預測系統110來決定預測資料168，而不是處理基板並使用計量設備128來決定當前效能資料164。在一些實施例中，響應於指示信賴位凖低於閾值位凖的信賴資料，系統100引起基板的處理並使得計量設備128產生當前效能資料164。響應於針對預定的實例數量（例如實例百分比、實例頻率、實例總數等等）指示信賴位凖低於閾值位凖的信賴資料，預測部件114使得對訓練的機器學習模型190進行再訓練（例如基於當前感測器資料152及當前效能資料164等等來再訓練）。

出於說明而不是限制的目的，本揭示內容的態樣描述使用歷史資料（例如歷史感測器資料144及歷史效能資料162）來訓練一個或多個機器學習模型190，並將當前資料（例如當前感測器資料152）輸入到該一個或多個訓練的機器學習模型190中以決定預測資料168（例如當前效能資料164）。在其他的實施方式中，使用試探（heuristic）模型或基於規則的模型來決定預測資料168（例如在不使用訓練的機器學習模型的情況下決定）。預測部件114監測歷史感測器資料144及歷史效能資料162。在一些實施例中，對關於圖2的資料輸入210所描述的資訊中的任一者進行監測或用其他方式將其用在試探模型或基於規則的模型中。在一些實施例中，預測部件114基於歷史感測器資料144來產生泵送曲線（例如圖5A-5B），並將當前感測器資料152與泵送曲線進行比較，以決定預測資料168（例如在使用或不使用訓練的機器學習模型的情況下決定）以使得糾正動作執行。

在一些實施例中，客戶端元件120、預測伺服器112、伺服器機器170及伺服器機器180的功能是由數量較少的機器來提供的。例如，在一些實施例中，將伺服器機器170及180集成到單個機器中，而在一些其他的實施例中，將伺服器機器170、伺服器機器180及預測伺服器112集成到單個機器中。在一些實施例中，將客戶端元件120及預測伺服器112集成到單個機器中。

一般而言，如果適當的話，在其他的實施例中，也可以在預測伺服器112上執行在一個實施例中被描述為由客戶端元件120、預測伺服器112、伺服器機器170及伺服器機器180執行的功能。此外，歸因於特定部件的功能性還可以由一起操作的不同部件或多個部件所執行。例如，在一些實施例中，預測伺服器112基於預測資料168來決定糾正動作。在另一個示例中，客戶端元件120基於來自訓練的機器學習模型的輸出來決定預測資料168。

此外，特定部件的功能可以由一起操作的不同部件或多個部件所執行。在一些實施例中，藉由適當的應用編程介面（API）將預測伺服器112、伺服器機器170或伺服器機器180中的一者或多者作為向其他系統或元件提供的服務來存取。

在一些實施例中，將「使用者」表示為單個個體。然而，本揭示內容的其他實施例包含是由複數個使用者及/或自動化源所控制的實體的「使用者」。在一些示例中，將聯合為管理員群組的個別使用者的集合視為「使用者」。

雖月大 本揭示內容的實施例是就產生預測資料168（例如指示處理腔室的健康狀態的輸出）以在製造設施（例如基板處理設施）中執行糾正動作的角度而言來論述的，但在一些實施例中，本揭示內容也可以大致適用於驗證部件正確的校準及安裝。實施例可以大致適用於基於不同的資料類型來驗證正確的校準及安裝。

圖1B-1C示出依據某些實施例的基板處理系統的處理腔室101。

在一些實施例中，處理腔室101的真空泵（未示出）處於固定的位置且具有固定的泵送效率。在一些實施例中，使用約3000標準立方公分每分鐘（sccm）底部Ar流的來檢查處理腔室101的壓力。邊緣環103與內屏蔽件105之間可以由托座空間（例如邊緣環103與陶瓷隔離器104之間的加熱器間隔）所指示的相對位置會影響泵送線路傳導率（例如體積流量除以壓降）。若泵送線路傳導率不同，則處理腔室101的壓力會以不同的泵送時間達到基準壓力。在產生校準的泵送曲線（例如曲線圖500A-500B）之後，可以基於動態泵送資料（例如包括響應於指示處理腔室擁有特定的加熱器間隔值而從一個或多個感測器所接收的感測器值的感測器資料）來決定托座間隔（例如加熱器間隔）及內環品質（例如內屏蔽件105的安裝）。

處理腔室101包括加熱塊102及設置在加熱塊102上的邊緣環103。處理腔室101包括設置在加熱塊102及邊緣環103上方的陶瓷隔離器104。加熱塊102及邊緣環103將一起上升及下降（例如邊緣環103在上升及下降期間保持在加熱塊102上的相同位置）。邊緣環103的上表面與陶瓷隔離器104的下表面之間的距離稱為加熱器間隔。加熱器間隔與邊緣環103的上表面與陶瓷隔離器104的下表面之間的開口對應。

如圖1B中所示出，邊緣環103處於升起位置（例如完全扼流位置），且邊緣環103的上表面接近陶瓷隔離器104的下表面（以例如提供0密耳、50密耳、100密耳等等的加熱器間隔）。在完全扼流的位置下，從處理腔室排出的氣體量最小。

如圖1C中所示出，降下邊緣環103以在邊緣環103的上表面與陶瓷隔離器104的下表面之間提供加熱器間隔（例如不完全扼流的位置等等）。在不完全扼流的位置下，氣體在邊緣環103與內屏蔽件105之間流動。校準處理腔室101以相對於陶瓷隔離器104將邊緣環103定位在不同的位置以提供不同的加熱器間隔值以在邊緣環及103與內屏蔽件105之間造成不同的排氣壓力值。

在一些實施例中，加熱器間隔在50與800密耳之間可調整。在一些實施例中，加熱器間隔在100與800密耳之間可調整。在一些實施例中，邊緣環103與內屏蔽件105之間的扼流間隙為從50到100密耳。在一些實施例中，扼流壓力為d*A ²，其中d是扼流長度，而A是扼流面積。

在一些實施例中，產生泵送曲線以偵測扼流效應。在一些實施例中，泵送曲線的區1為從約100密耳到約300密耳，泵送曲線的區2為從約300密耳到約500密耳，且泵送曲線的區3為從500密耳到800密耳。響應於邊緣環103的上表面位在內屏蔽件105上方，區1（例如參照圖1B）被完全扼流。區2是在加熱塊102向下移動時的過渡階段。響應於邊緣環103的上表面位在內屏蔽件105下方，區3（例如參照圖1C）是鬆散的扼流。

在一些實施例中，處理腔室101進一步包括內屏蔽件105、腔室插件106、外屏蔽件107及頂部屏蔽件108中的一者或多者。在一些實施例中，製程套件環的部件包括邊緣環103、內屏蔽件105、腔室插件106、外屏蔽件107及頂部屏蔽件108中的一者或多者。在一些實施例中，不正確地安裝製程套件環的一個或多個部件會造成產品中的缺陷、基板處理系統的部件中的缺陷等等中的一者或多者。在一些實施例中，製程套件環的部件是環形的（例如具有實質圓形的外徑及實質圓形的內徑）。在一些實施例中，製程套件環的部件的不正確安裝包括部件在處理腔室101中處於不正確地旋轉的位置。在一些示例中，內屏蔽件105要與腔室插件106中的一個或多個凹口對準。響應於內屏蔽件105相對於腔室插件106中的凹口處於不正確地旋轉的位置（例如不正確地旋轉180度、不正確地旋轉90度等等），內屏蔽件105造成產品中的缺陷、基板處理系統的部件中的缺陷等等中的一者或多者。響應於內屏蔽件105不正確地定位（例如內屏蔽件105與邊緣環103之間的間隔在一側較大而內屏蔽件105與邊緣環103之間的間隔在另一側較小、內屏蔽件105與邊緣環103之間的間隔不一致），處理腔室101造成產品中的缺陷、基板處理系統的部件中的缺陷等等中的一者或多者。

圖1A的預測伺服器112決定預測資料168（例如指示處理腔室的健康狀態的輸出），該預測資料指示不正確校準（例如邊緣環103與陶瓷隔離器104之間的加熱器間隔的不正確校準）及/或不正確安裝（例如內屏蔽件105的不正確安裝），並引起糾正動作（例如提供警報、重新校準、重新安裝等等）。在不打開處理腔室101的情況下（例如在維持處理腔室101及/或基板處理系統的密封環境的同時），圖1A的預測伺服器112決定預測資料168。在一些實施例中，在不打開處理腔室101的情況下（例如在不打開基板處理系統的密封環境的情況下），圖1A的預測伺服器112使得糾正動作執行。

圖2示出依據某些實施例用來產生用於機器學習模型（例如圖1的模型190）的資料集的資料集產生器272（例如圖1的資料集產生器172）。在一些實施例中，資料集產生器272是圖1的伺服器機器170的一部分。

資料集產生器272（例如圖1的資料集產生器172）產生用於機器學習模型（例如圖1的模型190）的資料集。資料集產生器272使用歷史感測器資料244（例如圖1的歷史感測器資料144）及歷史效能資料262（例如圖1的歷史效能資料162）來產生資料集。在一些實施例中，歷史感測器資料242包括歷史感測器值246及歷史間隔值248（例如圖1的歷史感測器值146及歷史間隔值148）。圖2的系統200示出資料集產生器272、資料輸入210及目標輸出220。

在一些實施例中，資料集產生器272產生資料集（例如訓練集、驗證集、測試集），該資料集包括一個或多個資料輸入210（例如訓練輸入、驗證輸入、測試輸入）及與資料輸入210對應的一個或多個目標輸出220。資料集也包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210也稱為「特徵」、「屬性」或「資訊」。在一些實施例中，資料集產生器272向訓練引擎182、驗證引擎184或測試引擎186提供資料集，其中資料集用來訓練、驗證或測試機器學習模型190。關於圖4A進一步描述產生訓練集的一些實施例。

在一些實施例中，資料集產生器272產生資料輸入210及目標輸出220。在一些實施例中，資料輸入210包括歷史感測器資料244的一個或多個集合。歷史感測器資料244的每個實例包括來自一個或多個類型的感測器的感測器資料、來自一個或多個類型的感測器的感測器資料的組合、根據來自一個或多個類型的感測器的感測器資料的模式等等中的一者或多者。

在一些實施例中，資料集產生器272產生與第一歷史感測器資料集合244A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，且資料集產生器272產生與第二歷史感測器資料集合244B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，資料集產生器272對資料輸入210或目標輸出220中的一者或多者進行離散化（例如分段）（以例如用在針對迴歸問題的分類演算法中）。對資料輸入210或目標輸出220的離散化（例如經由滑動窗進行分段）將連續的變數值轉換成離散的值。在一些實施例中，資料輸入210的離散值指示用來獲得目標輸出220（例如離散效能資料262）的離散歷史感測器資料244。

用來訓練、驗證或測試機器學習模型的資料輸入210及目標輸出220包括特定設施（例如特定半導體製造設施）的資訊。在一些示例中，歷史感測器資料244及歷史效能資料262用於相同的製造設施。

在一些實施例中，用來訓練機器學習模型的資訊來自製造設施中具有特定特性的特定類型的製造設備124，且允許訓練的機器學習模型基於當前感測器資料（例如當前感測器資料152）的輸入針對特定的製造設備124群組決定結果，該當前感測器資料與共享該特定群組的特性的一個或多個部件相關聯。在一些實施例中，用來訓練機器學習模型的資訊用於來自兩個或更多個製造設施的部件，且允許訓練的機器學習模型基於來自一個製造設施的輸入針對部件決定結果。

在一些實施例中，在產生資料集並使用資料集來訓練、驗證或測試機器學習模型190之後，對機器學習模型190進行進一步訓練、驗證或測試（例如圖1的當前效能資料164）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（例如神經網絡中的連接權重））。

圖3是示出依據某些實施例用於產生預測資料368（例如圖1的預測資料168、指示處理腔室的健康狀態的輸出）的系統300的方塊圖。系統300用來決定預測資料368（例如圖1的模型190）以引起與製造設備124相關聯的糾正動作（例如重新校準加熱器間隔及/或重新安裝製程套件環）。

在方塊310處，系統300（例如圖1的預測系統110）對歷史資料（例如用於圖1的模型190的歷史感測器資料344及歷史效能資料362）執行資料劃分（例如經由圖1的伺服器機器170的資料集產生器172來劃分），以產生訓練集302、驗證集304及測試集306。在一些示例中，訓練集是歷史資料的60%，驗證集是歷史資料的20%，且測試集是歷史資料的20%。系統300針對訓練集、驗證集及測試集中的每一者產生複數個特徵集合。在一些示例中，若歷史資料包括根據來自20個感測器（例如圖1的感測器126）及100個產品（例如各自與來自該20個感測器的感測器資料對應的產品）的感測器資料導出的特徵，則第一特徵集合是感測器1-10，第二特徵集合是感測器11-20，訓練集是產品1-60，驗證集是產品61-80，且測試集是產品81-100。在此示例中，訓練集的第一特徵集合會是針對產品1-60來自感測器1-10的感測器資料。

在方塊312處，系統300使用訓練集302執行模型訓練（例如經由圖1的訓練引擎182來訓練）。在一些實施例中，系統300使用訓練集302的多組特徵（例如訓練集302的第一組特徵、訓練集302的第二組特徵等等）來訓練多個模型。例如，系統300訓練機器學習模型以使用訓練集中的第一特徵集合（例如針對產品1-60來自感測器1-10的感測器資料）來產生第一訓練的機器學習模型及使用訓練集中的第二特徵集合（例如針對產品1-60來自感測器11-20的感測器資料）來產生第二訓練的機器學習模型。在一些實施例中，將第一訓練的機器學習模型與第二訓練的機器學習模型組合來產生第三訓練的機器學習模型（例如其本身在一些實施例中是比第一訓練的機器學習模型或第二訓練的機器學習模型更好的預測器）。在一些實施例中，用於比較模型的特徵集合重疊（例如第一特徵集合是來自感測器1-15的感測器資料，且第二特徵集合是感測器5-20）。在一些實施例中，產生了數百個模型，其包括具有各種特徵排列及模型組合的模型。

在方塊314處，系統300使用驗證集304執行模型驗證（例如經由圖1的驗證引擎184來驗證）。系統300使用驗證集304的對應的一組特徵來驗證訓練的模型中的每一者。例如，系統300使用驗證集中的第一特徵集合（例如針對產品61-80來自感測器1-10的感測器資料）來驗證第一訓練的機器學習模型，及使用驗證集中的第二特徵集合（例如針對產品61-80來自感測器11-20的感測器資料）來驗證第二訓練的機器學習模型。在一些實施例中，系統300驗證在方塊312處產生的數百個模型（例如具有各種特徵排列、模型組合等等的模型）。在方塊314處，系統300決定該一個或多個訓練的模型中的每一者的準確度（例如經由模型驗證來決定），並決定訓練的模型中的一者或多者是否具有滿足閾值準確度的準確度。響應於決定訓練的模型都不具有滿足閾值準確度的準確度，流程返回到方塊312，在該方塊處，系統300使用訓練集的不同特徵集合來執行模型訓練。響應於決定訓練的模型中的一者或多者具有滿足閾值準確度的準確度，流程繼續到方塊316。系統300丟棄具有小於閾值準確度的準確度（例如基於驗證集）的訓練的機器學習模型。

在方塊316處，系統300執行模型選擇（例如經由圖1選擇引擎185執行）以決定滿足閾值準確度的該一個或多個訓練的模型中的哪一者具有最高的準確度（例如基於方塊314的驗證為選擇的模型308）。響應於決定滿足閾值準確度的訓練的模型中的兩者或更多者具有相同的準確度，流程返回到方塊312，在該方塊處，系統300使用與進一步細化的特徵集合對應的進一步細化的訓練集來執行模型訓練以供決定具有最高準確度的訓練的模型。

在方塊318處，系統300使用測試集306來執行模型測試（例如經由圖1的測試引擎186來執行），以測試選擇的模型308。系統300使用測試集中的第一特徵集合（例如針對產品81-100來自感測器1-10的感測器資料）來測試第一訓練的機器學習模型，以決定第一訓練的機器學習模型是否滿足閾值準確度（例如基於測試集306的第一特徵集合來決定）。響應於選擇的模型308的準確度不滿足閾值準確度（例如選擇的模型308過度擬合訓練集302及/或驗證集304且不適用於諸如測試集306之類的其他資料集），流程繼續到方塊312，在該方塊處，系統300使用與不同的特徵組對應的不同的訓練集（例如來自不同感測器的感測器資料）來執行模型訓練（例如再訓練）。響應於基於測試集306決定選擇的模型308具有滿足閾值準確度的準確度，流程繼續到方塊320。至少在方塊312中，模型學習歷史資料中的模式來作出預測，且在方塊318中，系統300對其餘的資料（例如測試集306）應用模型以測試預測。

在方塊320處，系統300使用訓練的模型（例如選擇的模型308）來接收當前感測器資料352（例如圖1的當前感測器資料152），並根據訓練的模型的輸出決定（例如抽取）預測資料368（例如圖1的預測資料168）以執行與製造設備124相關聯的糾正動作。在一些實施例中，當前感測器資料352與歷史感測器資料中相同類型的特徵對應。在一些實施例中，當前感測器資料352與跟歷史感測器資料中用來訓練選擇的模型308的特徵類型子集相同的類型的特徵對應。

在一些實施例中，接收當前資料。在一些實施例中，當前資料包括當前效能資料364（例如圖1的當前效能資料164）。在一些實施例中，從計量設備（例如圖1的計量設備128）或經由使用者輸入接收當前資料。基於當前資料再訓練模型308。在一些實施例中，基於當前資料及當前感測器資料352來訓練新的模型。

在一些實施例中，將操作310-320中的一者或多者用各種順序來進行及/或與本文中未呈現及描述的其他操作一起進行。在一些實施例中，不執行操作310-320中的一者或多者。例如，在一些實施例中，不執行方塊310的資料劃分、方塊314的模型驗證、方塊316的模型選擇及/或方塊318的模型測試中的一者或多者。

圖4A-4C是依據某些實施例與產生預測資料（例如指示處理腔室的健康狀態的輸出）以引起糾正動作的操作相關聯的方法400A-400C的流程圖。在一些實施例中，方法400A-400C是藉由處理邏輯來執行的，該處理邏輯包括硬體（例如電路系統、專用邏輯、可程式化邏輯、微代碼、處理元件等等）、軟體（例如運行於處理元件、通用電腦系統或專用機器上的指令）、韌體、微代碼或上述項目的組合。在一些實施例中，至少部分地藉由預測系統110來執行方法400A-400C。在一些實施例中，至少部分地藉由預測系統110（例如圖1A的伺服器機器170及資料集產生器172、圖2的資料集產生器272）來執行方法400A。在一些實施例中，預測系統110使用方法400A來產生資料集以進行訓練、驗證或測試機器學習模型的操作中的至少一者。在一些實施例中，方法400B是藉由伺服器機器180（例如訓練引擎182等等）來執行的。在一些實施例中，方法400C是藉由預測伺服器112（例如預測部件114）來執行的。在一些實施例中，非暫時性儲存媒體儲存指令，該等指令在由處理元件（例如預測系統110的處理元件、伺服器機器180的處理元件、預測伺服器112的處理元件等等）執行時，使得處理元件執行方法400A-400C中的一者或多者。

為了易於解釋，將方法400A-400C描繪及描述為一系列操作。然而，依據此揭示內容的操作可以用各種順序及/或並行地進行，且與本文中未呈現及描述的其他操作一起進行。而且，在一些實施例中，並不會執行所有示出的操作以實施依據所揭露的標的的方法400A-400C。此外，本領域中的技術人員還將瞭解並理解，可以經由狀態圖或事件將方法400A-400C替代性地表示為一系列相互關聯的狀態。

圖4A是依據某些實施例用於產生用於機器學習模型的資料集的方法400A的流程圖，該機器學習模型用於產生預測資料（例如圖1的預測資料168、指示處理腔室的健康狀態的輸出）。

參照圖4A，在一些實施例中，在方塊401處，實施方法400A的處理邏輯將訓練集T初始化為空集合。

在方塊402處，處理邏輯產生包括感測器資料（例如圖1的歷史感測器資料144、圖2的歷史感測器資料244）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，第一資料輸入包括針對多個感測器資料類型的第一特徵集合，且第二資料輸入包括針對多個感測器資料類型的第二特徵集合（例如關於圖2所描述的）。

在方塊403處，處理邏輯針對資料輸入中的一者或多者（例如第一資料輸入）產生第一目標輸出。在一些實施例中，第一目標輸出是歷史效能資料（例如圖1的歷史效能資料162、圖2的歷史效能資料262）。在一些實施例中，資料輸入包括映射到歷史間隔值的歷史感測器值，且歷史效能資料與是否存在校準（例如加熱器間隔的校準）及/或安裝（例如製程套件環的安裝）的誤差相關聯。

在方塊404處，處理邏輯可選地產生指示輸入/輸出映射的映射資料。輸入/輸出映射（或映射資料）指的是資料輸入（例如本文中所述的資料輸入中的一者或多者）、針對資料輸入的目標輸出（例如其中目標輸出識別歷史效能資料162）及資料輸入與目標輸出之間的關聯。

在方塊405處，處理邏輯將在方塊404處產生的映射資料添加到資料集T。

在方塊406處，處理邏輯基於資料集T對於訓練、驗證及/或測試機器學習模型190的操作中的至少一者而言是否充分來分支。如果是，則執行繼續進行到方塊407，否則，執行繼續回到方塊402處。應注意，在一些實施例中，資料集T的充分性是僅基於資料集中的輸入/輸出映射的數量來決定的，而在一些其他的實施方式中，資料集T的充分性是附加於或替代於輸入/輸出映射的數量基於一個或多個其他的準則（例如資料例的多樣性的測量、準確度等等）來決定的。

在方塊407處，處理邏輯提供資料集T（例如向伺服器機器180提供）以訓練、驗證及/或測試機器學習模型190。在一些實施例中，資料集T是訓練集，且被提供到伺服器機器180的訓練引擎182以執行訓練。在一些實施例中，資料集T是驗證集，且被提供到伺服器機器180的驗證引擎184以執行驗證。在一些實施例中，資料集T是測試集，且被提供到伺服器機器180的測試引擎186以執行測試。在神經網絡的情況下，例如，將給定輸入/輸出映射的輸入值（例如與資料輸入210相關聯的數值）輸入到神經網絡，且將輸入/輸出映射的輸出值（例如與目標輸出220相關聯的數值）儲存在神經網絡的輸出節點中。然後，依據學習演算法（例如反向傳播等等）調整神經網絡中的連接權重，且針對資料集T中其他的輸入/輸出映射重複程序。在方塊407之後，可以對機器學習模型（例如機器學習模型190）進行以下操作中的至少一者：使用伺服器機器180的訓練引擎182來訓練、使用伺服器機器180的驗證引擎184來驗證或使用伺服器機器180的測試引擎186來測試。由預測部件114（預測伺服器112的預測部件）實施訓練的機器學習模型以產生預測資料168以供執行與製造設備124相關聯的糾正動作。

圖4B是用於訓練機器學習模型（例如圖1的模型190）的方法，該機器學習模型用於決定預測資料（例如圖1的預測資料168、指示處理腔室的健康狀態的輸出）以執行糾正動作。

參照圖4B，在方法400B的方塊410處，處理邏輯接收與一個或多個基板處理系統的一個或多個處理腔室相關聯的歷史感測器資料（例如圖1A的歷史感測器資料144）的集合。歷史感測器資料集合中的每一者包括映射到對應歷史間隔值（例如圖1A的歷史間隔值148）的對應歷史感測器值（例如圖1A的歷史感測器值146）。

在一些實施例中，每個歷史間隔值與對應處理腔室（例如圖1B-1C的處理腔室101）的邊緣環（例如圖1B-1C的邊緣環103）的上表面與對應處理腔室的陶瓷隔離器（例如圖1B-1C的陶瓷隔離器104）的下表面之間的相應距離對應。在一些實施例中，每個歷史間隔值是指示的間隔值（其例如與響應於誤校的實際間隔值不同）。

在一些實施例中，每個歷史感測器值與經由開口離開對應處理腔室的氣體的排氣壓力相關聯，該開口與邊緣環的上表面與陶瓷隔離器的下表面之間的相應距離對應。

在方塊412處，處理邏輯接收與該一個或多個處理腔室相關聯的歷史效能資料（例如圖1A的歷史效能資料162）的集合。歷史效能資料的集合中的每一者與歷史感測器資料集合中相應的歷史感測器資料集合對應。在一些實施例中，歷史效能資料指示對應的處理腔室是否正確地校準（例如響應於指示處理腔室在邊緣環與陶瓷隔離器之間引起特定的加熱器間隔，生成的加熱器間隔是在特定加熱器間隔的閾值距離之內）及/或正確地安裝（例如製程套件環的一個或多個部件是在特定旋轉位置的閾值旋轉位置之內）。在一些實施例中，歷史效能資料指示與正確校準相比的歷史校準及/或與正確安裝相比的歷史安裝的絕對值或相對值。在一些實施例中，歷史效能資料指示，所有歷史感測器資料都用於正確校準且正確安裝的處理腔室。

在方塊414處，處理邏輯使用包括歷史感測器資料集合的資料輸入及包括歷史效能資料的目標輸出來訓練機器學習模型以產生訓練的機器學習模型。訓練的機器學習模型能夠產生指示處理腔室的健康狀態的輸出、用來使得與基板處理系統的處理腔室（例如圖1B-1C的處理腔室101）相關聯的一個或多個糾正動作執行的預測資料（例如預測資料168）。

圖4C是用於將訓練的機器學習模型（例如圖1的模型190）用於決定預測資料（例如指示處理腔室的健康狀態的輸出）以使得糾正動作執行的方法400C。

參照圖4C，在方法400C的方塊420處，處理邏輯接收與基板處理系統的處理腔室（例如圖1B-1C的處理腔室101）相關聯的感測器資料（例如圖1A的當前感測器資料152）的集合。感測器資料集合中的每一者包括映射到處理腔室的對應間隔值（例如圖1A的當前間隔值158）的處理腔室的對應感測器值（例如圖1A的當前感測器值156）。在一些實施例中，感測器值是測得的感測器值（例如經由圖1B的一個或多個感測器126的一個或多個感測器值），且間隔值是指示的間隔值（例如預測伺服器112、基板處理系統的控制器等等指示間隔值）。

每個間隔值與處理腔室的邊緣環（例如圖1B的邊緣環103）的上表面與處理腔室的陶瓷隔離器（例如圖1B的陶瓷隔離器104）的下表面之間的距離（例如指示距離）對應。

在一些實施例中，感測器值是與經由開口離開（例如離開處理腔室）的氣體的排氣壓力（其例如是由感測器所測得的）相關聯的壓力值，該開口與邊緣環的上表面與陶瓷隔離器的下表面之間的距離（例如實際距離）對應。

在一些實施例中，方塊420是在對處理腔室執行預防性維護（例如打開、執行預防性維護、校準及關閉處理腔室）或安裝處理腔室（例如安裝、校準及關閉處理腔室）的操作中的一者或多者之後。

在方塊422處，處理邏輯提供感測器資料集合作為對訓練的機器學習模型（例如圖4B的方塊414的訓練的機器學習模型）的輸入。

在方塊424處，處理邏輯從訓練的機器學習模型獲得指示處理腔室的健康狀態的一個或多個輸出（例如圖1A的預測資料168）。

在方塊426處，基於該一個或多個輸出（例如預測資料），處理邏輯使得與處理腔室相關聯的糾正動作執行。

在一些實施例中，方塊424的該一個或多個輸出（例如預測資料）指示處理腔室的加熱器間隔的校準的誤差，且方塊426的糾正動作的執行包括提供警報及/或使得處理腔室的加熱器間隔重新校準。加熱器間隔包括邊緣環的上表面與陶瓷隔離器的下表面之間的距離。

在一些實施例中，方塊424的該一個或多個輸出（例如預測資料）指示處理套件環中的製程套件環的安裝的誤差，且方塊426的糾正動作的執行包括提供警報及/或使得處理腔室中的製程套件環重新安裝。

在方塊428處，處理邏輯接收與處理腔室相關聯（例如與來自方塊420的感測器資料集合相關聯）的效能資料（例如圖1A的當前效能資料164）。在一些實施例中，效能資料指示製程套件環的一個或多個部件的實際誤校值及/或實際安裝位置。

在方塊430處，處理邏輯使得用包括感測器資料集合（其例如來自方塊420）的資料輸入及包括效能資料（其例如來自方塊428）的目標輸出進一步訓練（例如再訓練）訓練的機器學習模型。

在一些實施例中，重複方塊420-424，直到該一個或多個輸出（例如預測資料）指示沒有進一步的糾正動作要執行（例如預測資料指示校準值及安裝值滿足閾值）為止。

圖5A-5B是依據某些實施例與產生預測資料（例如指示處理腔室的健康狀態的輸出）以引起糾正動作相關聯的曲線圖500A-500B。

參照圖5A，曲線圖500A是對加熱器間隔的校準的診斷。不同的加熱器間隔值（例如圖1B的邊緣環103與陶瓷隔離器104之間的距離）映射到不同感測器值（例如與經由圖1B的邊緣環103與陶瓷隔離器104之間的距離離開的氣體的排氣壓力相關聯的壓力值）。在一些實施例中，響應於控制器指示特定的加熱器間隔，生成的加熱器間隔與特定的加熱器間隔不同。

曲線圖500A繪製壓力值（例如托）與加熱器間隔值（密耳）的關係。不同的線510（例如泵送曲線）與不同的校準相關聯。線510A是正確校準的處理腔室（例如生成的加熱器間隔值與指示的加熱器間隔值相同）。線510B被誤校達+50密耳（例如響應於指示10密耳的加熱器間隔值，生成的加熱器間隔值為60密耳）。線510C被誤校達+100密耳（例如響應於指示10密耳的加熱器間隔值，生成的加熱器間隔值為100密耳）。在一些實施例中，使用線510（例如泵送曲線）來偵測加熱器間隔的誤校。兩條曲線之間在相同壓力值下的加熱器間隔差量表示誤校值。在一些實施例中，訓練的機器學習模型（例如圖1A的模型190）基於歷史感測器資料（例如歷史壓力值及/或歷史間隔值）及歷史效能資料（例如誤校值及/或歷史間隔值）來產生泵送曲線（例如曲線圖500A的線510）。在一些實施例中，訓練的機器學習模型將當前感測器資料（例如當前壓力值、當前間隔值）與泵送曲線（例如曲線圖500A的線510）進行比較，以決定預測資料（例如指示處理腔室的健康狀態、誤校值、校準是否滿足閾值校準的輸出）。

參照圖5B，曲線圖500B是對安裝正確性的診斷。製程套件環的再多一個部件（例如圖1B-1C的內屏蔽件105）要以特定的定向（例如基於凹口的旋轉位置）安裝。在一些實施例中，製程套件環的至少一部分（例如製程套件環的一個或多個部件）被不正確地安裝（例如相對於正確的安裝定向旋轉180度）。

曲線圖500B繪製壓力值（例如托）與加熱器間隔值（密耳）的關係。不同的線520（例如泵送曲線）與不同的安裝相關聯。線520A是正確安裝的製程套件環（例如製程套件環的內屏蔽件）。線520B是不正確安裝的製程套件環（例如內屏蔽件相對於正確定向旋轉180度地安裝）。在一些實施例中，線520（例如泵送曲線）用來偵測製程套件環是否正確安裝。在一些實施例中，訓練的機器學習模型（例如圖1A的模型190）基於歷史感測器資料（例如歷史壓力值及/或歷史間隔值）及歷史效能資料（例如誤校值及/或歷史間隔值）來產生泵送曲線（例如曲線圖500B的線520）。在一些實施例中，訓練的機器學習模型將當前感測器資料（例如當前壓力值、當前間隔值）與泵送曲線（例如曲線圖500B的線520）進行比較，以決定預測資料（例如指示處理腔室的健康狀態、泵送曲線是否匹配正確安裝的製程套件環或不正確安裝的製程套件環的輸出）。

圖6是示出依據某些實施例的電腦系統600的方塊圖。在一些實施例中，電腦系統400是客戶端元件120、預測系統110、伺服器機器170、伺服器機器180或預測伺服器112中的一者或多者。

在一些實施例中，電腦系統600連接（例如經由網路（例如區域網路（LAN）、內部網路、外部網路或網際網路）連接）到其他的電腦系統。在一些實施例中，電腦系統600用客戶端-伺服器環境中的伺服器或客戶端電腦的身分操作，或操作為點對點或分佈式網路環境中的同級電腦。在一些實施例中，電腦系統600由個人電腦（PC）、平板PC、機上盒（STB）、個人數位助理（PDA）、蜂巢式電話、網頁器具、伺服器、網路路由器、交換器或橋接器或能夠執行一組指令（順序的或其他的指令）的任何元件提供，該組指令指定要由該元件所採取的動作。進一步地，用語「電腦」應包括個別地或聯合地執行一組（或多組）指令以執行本文中所述的方法中的任一者或更多者的電腦的任何集合。

在另外的態樣中，電腦系統600包括處理元件602、依電性記憶體604（例如隨機存取記憶體（RAM））、非依電性記憶體606（例如唯讀記憶體（ROM）或可電抹除的可程式化ROM（EEPROM））及資料儲存元件616，上述元件經由匯流排608彼此通訊。

在一些實施例中，處理元件602由諸如通用處理器（舉例而言，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、超長指令字（VLIW）微處理器、實施其他類型指令集的微處理器或實施多種類型指令集的組合的微處理器）或特殊處理器（舉例而言，例如應用特定集成電路（ASIC）、現場可程式化邏輯閘陣列（FPGA）、數位訊號處理器（DSP）或網路處理器）之類的一個或多個處理器所提供。

在一些實施例中，電腦系統600進一步包括網路接口元件622（其例如耦接到網路674）。在一些實施例中，電腦系統600也包括視訊顯示單元610（例如LCD）、文數字輸入元件612（例如鍵盤）、游標控制元件614（例如滑鼠）及訊號產生元件620。

在一些實施方式中，資料儲存元件616包括非暫時性電腦可讀取儲存媒體624，該非暫時性電腦可讀取儲存媒體上儲存有指令626，該等指令對本文中所述的方法或功能中的任一者或多者進行編碼，該等指令包括對圖1A的部件（例如糾正動作部件122、預測部件114等等）進行編碼且用於實施本文中所述的方法的指令。

在一些實施例中，指令626也在其被電腦系統600執行的期間完全地或部分地位在依電性記憶體604內及/或處理元件602內，因此，在一些實施例中，依電性記憶體604及處理元件602也構成機器可讀取儲存媒體。

雖然電腦可讀取儲存媒體624在說明性示例中被示為單個媒體，但用語「電腦可讀取儲存媒體」也應包括儲存該一個或多個可執行指令集的單個媒體或多個媒體（例如集中式或分佈式資料庫及/或相關聯的快取記憶體及伺服器）。用語「電腦可讀取儲存媒體」也應包括能夠對用於由電腦執行使得電腦執行本文中所述的方法中的任一者或多者的指令集進行儲存或編碼的任何有形媒體。用語「電腦可讀取儲存媒體」應包括但不限於固態記憶體、光學媒體及磁性媒體。

在一些實施例中，本文中所述的方法、部件及特徵由離散的硬體部件所實施，或被集成在諸如ASIC、FPGA、DSP或類似元件之類的其他硬體部件的功能性中。在一些實施例中，方法、部件及特徵由硬體元件內的韌體模組或功能電路系統所實施。在一些實施例中，方法、部件及特徵可以用硬體元件與電腦程式部件的任何組合或用電腦程式來實施。

除非另有具體陳述，否則諸如「接收」、「提供」、「獲得」、「引起」、「決定」、「訓練」等等之類的用語指的是由電腦系統執行或實施的動作及過程，該等動作及過程將在電腦系統暫存器及記憶體內表示為物理（電子）量的資料操控並變換成在電腦系統記憶體或暫存器或者其他此類資訊儲存、傳輸或顯示元件內類似地表示為物理量的其他資料。在一些實施例中，如本文中所使用的用語「第一」、「第二」、「第三」、「第四」等等意指作為標記以在不同的元素之間進行區分，且不具有依據它們數字標誌的順序意義。

本文中所述的示例也與用於執行本文中所述的方法的裝置相關。在一些實施例中，此裝置被專門建構為用於執行本文中所述的方法，或包括選擇性地由儲存在電腦系統中的電腦程式程式化的通用電腦系統。將此類電腦程式儲存在電腦可讀取有形儲存媒體中。

本文中所述的方法及說明性示例本質上並非與任何特定的電腦或其他的裝置相關。在一些實施例中，依據本文中所述的教示使用各種通用系統。在一些實施例中，將更專門的裝置建構為執行本文中所述的方法及/或該等方法的個別功能、常式、子常式或操作中的每一者。上面的說明中闡述了用於各種這些系統的結構的示例。

上面的說明旨在是說明性的，而非限制性的。雖然已經參照具體的說明性示例及實施方式描述了本揭示內容，但將認識到，本揭示內容不限於所述的示例及實施方式。應參照以下請求項以及請求項的等效物的全部範圍來決定本揭示內容的範圍。

100:系統 102:加熱塊 103:邊緣環 104:陶瓷隔離器 105:內屏蔽件 106:腔室插件 107:外屏蔽件 108:頂部屏蔽件 110:預測系統 112:預測伺服器 114:預測部件 122:糾正動作部件 124:製造設備 126:感測器 128:計量設備 130:網路 140:資料儲存器 142:感測器資料 144:歷史感測器資料 146:歷史感測器值 148:歷史間隔值 152:當前感測器資料 156:當前感測器值 158:當前間隔值 160:效能資料 162:歷史效能資料 164:當前效能資料 168:預測資料 170:伺服器機器 172:資料集產生器 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 210:資料輸入 220:目標輸出 262:歷史效能資料 300:系統 302:訓練集 304:驗證集 306:測試集 308:模型 310:方塊 312:方塊 314:方塊 316:方塊 318:方塊 320:方塊 344:歷史感測器資料 352:當前感測器資料 362:歷史效能資料 364:當前效能資料 368:預測資料 401:方塊 402:方塊 403:方塊 404:方塊 405:方塊 406:方塊 407:方塊 410:方塊 412:方塊 414:方塊 420:方塊 422:方塊 424:方塊 426:方塊 428:方塊 430:方塊 600:電腦系統 602:處理元件 604:依電性記憶體 606:非依電性記憶體 608:匯流排 610:視訊顯示單元 612:文數字輸入元件 614:游標控制元件 618:資料儲存元件 620:訊號產生元件 622:網路接口元件 624:非暫時性電腦可讀取儲存媒體 626:指令 674:網路 244A:第一歷史感測器資料集合 400A:方法 400B:方法 400C:方法 500A:曲線圖 500B:曲線圖 510A:線 510B:線 510C:線 520A:線 520B:線

藉由示例的方式且不是藉由限制的方式，將本揭示內容示出在附圖的圖式中。

圖1A是示出依據某些實施例的示例性系統架構的方塊圖。

圖1B-1C示出依據某些實施例的基板處理系統的處理腔室。

圖2示出依據某些實施例用來產生用於機器學習模型的資料集的資料集產生器。

圖3是依據某些實施例的方塊圖，其示出決定預測資料。

圖4A-4C是依據某些實施例與產生預測資料以引起糾正動作相關聯的方法的流程圖。

圖5A-5B是依據某些實施例與產生預測資料以引起糾正動作相關聯的曲線圖。

圖6是示出依據某些實施例的電腦系統的方塊圖。

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

400C:方法

420:方塊

422:方塊

424:方塊

426:方塊

428:方塊

430:方塊

Claims (20)

1. 一種方法，包括以下步驟： 接收與一基板處理系統的一處理腔室相關聯的複數個感測器資料集合，其中該複數個感測器資料集合中的每一者包括映射到該處理腔室的一對應的間隔值的該處理腔室的一對應的感測器值； 提供該複數個感測器資料集合作為對一訓練的機器學習模型的輸入； 從該訓練的機器學習模型獲得指示該處理腔室的一健康狀態的一個或多個輸出；及 基於該一個或多個輸出，使得與該處理腔室相關聯的一個或多個糾正動作執行。
2. 如請求項1所述的方法，其中該對應的感測器值為： 該處理腔室的一對應的壓力值；或 與該處理腔室相關聯的一對應的泵送效率值。
3. 如請求項1所述的方法，其中該對應的間隔值與該處理腔室的一邊緣環的一上表面與該處理腔室的一陶瓷隔離器的一下表面之間一相應的距離對應。
4. 如請求項3所述的方法，其中該對應的感測器值是與經由該邊緣環的該上表面與該陶瓷隔離器的該下表面之間的一開口離開該處理腔室的氣體的排氣壓力相關聯的一對應的壓力值。
5. 如請求項1所述的方法，其中該接收該複數個感測器資料集合的步驟是在對該處理腔室執行預防性維護或安裝該處理腔室的步驟中的一者或多者之後進行的。
6. 如請求項1所述的方法，其中該一個或多個輸出指示該處理腔室的加熱器間隔的校準的一誤差，且其中該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室的該加熱器間隔重新校準的步驟中的一者或多者。
7. 如請求項6所述的方法，其中該加熱器間隔包括一邊緣環的一上表面與一陶瓷隔離器的一下表面之間的複數個距離。
8. 如請求項1所述的方法，其中該一個或多個輸出指示該處理腔室中的一製程套件環的安裝的一誤差，且其中該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室中的該製程套件環重新安裝的步驟中的一者或多者。
9. 如請求項1所述之方法，更包括下列步驟： 接收與該處理腔室相關聯的效能資料；及 使得該訓練的機器學習模型用包括該複數個感測器資料集合的資料輸入及包括該效能資料的目標輸出來進一步訓練。
10. 一種方法，包括以下步驟： 接收與一個或多個基板處理系統的一個或多個處理腔室相關聯的複數個歷史感測器資料集合，其中該複數個歷史感測器資料集合中的每一者包括映射到一對應的歷史間隔值的一對應的歷史感測器值； 接收與該一個或多個處理腔室相關聯的複數個歷史效能資料集合，其中該複數個歷史效能資料集合中的每一者與該複數個歷史感測器資料集合中一相應的歷史感測器資料集合對應；及 用包括該複數個歷史感測器資料集合的資料輸入及包括該複數個歷史效能資料集合的目標輸出訓練一機器學習模型以產生一訓練的機器學習模型，該訓練的機器學習模型能夠產生指示一處理腔室的一健康狀態的一個或多個輸出以使得與一基板處理系統的該處理腔室相關聯的一個或多個糾正動作執行。
11. 如請求項10所述的方法，其中該對應的歷史間隔值與該處理腔室的一邊緣環的一上表面與該處理腔室的一陶瓷隔離器的一下表面之間一相應的距離對應。
12. 如請求項11所述的方法，其中該對應的歷史感測器值是與經由該邊緣環的該上表面與該陶瓷隔離器的該下表面之間的一開口離開該處理腔室的氣體的排氣壓力相關聯的一對應的歷史壓力值。
13. 如請求項10所述的方法，其中： 該一個或多個輸出指示該處理腔室的加熱器間隔的校準的一誤差； 該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室的該加熱器間隔重新校準的步驟中的一者或多者；及 該加熱器間隔包括一邊緣環的一上表面與一陶瓷隔離器的一下表面之間的複數個距離。
14. 如請求項10所述的方法，其中該一個或多個輸出指示該處理腔室中的一製程套件環的安裝的一誤差，且其中該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室中的該製程套件環重新安裝的步驟中的一者或多者。
15. 一種儲存指令的非暫時性機器可讀取儲存媒體，該等指令在被執行時使得一處理元件執行包括以下步驟的操作： 接收與一基板處理系統的一處理腔室相關聯的複數個感測器資料集合，其中該複數個感測器資料集合中的每一者包括映射到該處理腔室的一對應的間隔值的該處理腔室的一對應的感測器值； 提供該複數個感測器資料集合作為對一訓練的機器學習模型的輸入； 從該訓練的機器學習模型獲得指示該處理腔室的一健康狀態的一個或多個輸出；及 基於該一個或多個輸出，使得與該處理腔室相關聯的一個或多個糾正動作執行。
16. 如請求項15所述的非暫時性機器可讀取儲存媒體，其中： 該對應的間隔值與該處理腔室的一邊緣環的一上表面與該處理腔室的一陶瓷隔離器的一下表面之間一相應的距離對應；及 該對應的感測器值是與經由該邊緣環的該上表面與該陶瓷隔離器的該下表面之間的一開口離開該處理腔室的氣體的排氣壓力相關聯的一對應的壓力值。
17. 如請求項15所述的非暫時性機器可讀取儲存媒體，其中該接收該複數個感測器資料集合的步驟是在對該處理腔室執行預防性維護或安裝該處理腔室的步驟中的一者或多者之後進行的。
18. 如請求項15所述的非暫時性機器可讀取儲存媒體，其中： 該一個或多個輸出指示該處理腔室的加熱器間隔的校準的一誤差； 該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室的該加熱器間隔重新校準的步驟中的一者或多者；及 該加熱器間隔包括一邊緣環的一上表面與一陶瓷隔離器的一下表面之間的複數個距離。
19. 如請求項15所述的非暫時性機器可讀取儲存媒體，其中該一個或多個輸出指示該處理腔室中的一製程套件環的安裝的一誤差，且其中該一個或多個糾正動作的該執行包括提供一警報或使得該處理腔室中的該製程套件環重新安裝的步驟中的一者或多者。
20. 如請求項15所述的非暫時性機器可讀取儲存媒體，該等操作進一步包括以下步驟： 接收與該處理腔室相關聯的效能資料；及 使得該訓練的機器學習模型用包括該複數個感測器資料集合的資料輸入及包括該效能資料的目標輸出來進一步訓練。

Images