TW202235825A

TW202235825A - 使用基於感測器之機器學習補償質量測量中之誤差的方法

Info

Publication number: TW202235825A
Application number: TW110145838A
Authority: TW
Inventors: 燁馮; 普里亞達希尼蘇布拉曼尼安; 山姆歐文斯; 保羅哈里森; 艾蜜莉安奧爾登; 格雷戈爾羅伯特艾略特
Original assignee: 英商美特拉斯有限公司
Priority date: 2020-12-09
Filing date: 2021-12-08
Publication date: 2022-09-16
Also published as: WO2022122845A1

Abstract

揭露判斷基板之質量量測值中之系統性誤差的電腦施行方法及系統。方法涉及將複數感測器讀值提供予機器學習模型作為輸入並接收系統性誤差及/或經修正之質量量測值作為輸出。機器學習模型可在製造期間連續檢查並基於製造期間所收集之數據重新訓練或取代機器學習模型。

Description

使用基於感測器之機器學習補償質量測量中之誤差的方法

本發明係關於判斷基板之質量量測值中之系統性誤差的電腦施行方法及系統。

可使用質量量測系統量測半導體基板之質量至次毫克的準度。受到甚至更小之技術節點的驅動，半導體裝置製造系統一直精進。隨著半導體裝置之特徵尺寸持續地微縮，亦必須縮小質量量測系統的量測誤差。可使用諸多技術增加質量量測系統的精準度。

此處所提供的背景說明係用以大致上說明本發明之背景。本申請案的大部分內容在於呈現本發明人之成果，單純因為如此成果於背景段落中所提及或在文中他處以背景方式呈現，不表示其為本發明人明示或暗示自認之先前技術。

文中揭露基板之質量量測值中之誤差的修正系統及方法。在文中之實施例中的一態樣中，提供一種質量量測中之系統性誤差的修正系統，該系統包含包含：一或多個處理器；及複數程式指令，用以在該一或多個處理器上執行，該複數程式指令定義用於下列者之一機器學習模型：自一質量量測工具接收一基板之一質量量測值，接收與該質量量測值相關的複數感測器讀值，並輸出該質量量測值之該系統性誤差的一值及/或已針對該系統性誤差修正之一經修正之質量量測值。

在某些實施例中，該系統更包含該質量量測工具，其中該質量量測工具係用以量測該基板之一重量。在某些實施例中，該質量量測工具包含複數感測器且該複數感測器讀值中之至少一感測器讀值係自該複數感測器所接收。在某些實施例中，該質量量測工具包含一測重室，該測重室係用以獲得該基板之一重量量測值且該複數感測器包含一測重室溫度感測器、一測重室氣壓感測器、一測重室相對濕度感測器、一荷重元水平位置感測器、或其任何組合。在某些實施例中，該質量量測工具包含一主動熱板，且該複數感測器包含該主動熱板用之一溫度感測器及當該基板位於該主動熱板上時該基板用之一溫度感測器中的一或多者。在某些實施例中，該質量量測工具包含一被動熱板且該複數感測器包含該被動熱板用之一溫度感測器。

在某些實施例中，該複數感測器包含一傾斜感測器及/或一氣壓感測器。在某些實施例中，該複數程式指令更包含用於下列者的複數指令：控制該一或多個處理器以藉著自該基板之該重量量測值移除一浮力分量，而判斷該質量量測值。在某些實施例中，該複數程式指令更包含用於下列者之複數指令：控制該一或多個處理器至少部分基於在收集該重量量測值時在該質量量測工具內之空氣之一經計算之密度來判斷浮力。在某些實施例中，該複數感測器讀值包含該基板之溫度、該質量量測工具內的壓力、該質量量測工具內之相對濕度、或其任何組合。

在某些實施例中，該複數感測器讀值包含與該質量量測工具相關之一參考質量的一質量量測值。在某些實施例中，該複數感測器讀值包含該參考質量之一質量量測值與該參考質量之一真實質量之間的一差值。在某些實施例中，該複數感測器讀值包含該參考質量之一質量量測值與該基板之該質量量測值之間的一差值。在某些實施例中，該參考質量之該質量量測值係由該質量量測工具從該質量量測工具之最後十筆質量量測值內所獲得。在某些實施例中，該複數感測器讀值包含該基板在該質量量測工具中的一位置資訊。在某些實施例中，該複數感測器讀值包含來自一或多個元件的複數感測器讀值，該一或多個元件係選自由下列者所構成的族群：一前開口統一艙(FOUP)、一製程室、及一真空傳送模組。在某些實施例中，該質量量測工具係與一IC製造環境中的一或多個製程室相關。

在某些實施例中，該機器學習模型為一隨機森林模型(random forest model)、一正規化線性模型、一核脊模型(kernel ridge model)、或其任何組合。在某些實施例中，該複數程式指令更包含用以控制該一或多個處理器以進行下列者的複數指令：週期性地檢查該機器學習模型的效能；及判斷該機器學習模型是否並未符合一控制限值。在某些實施例中，該控制限值為與該機器學習模型相關之均方根誤差的一值。在某些實施例中，該複數程式指令更包含用以控制該一或多個處理器以進行下列者的複數指令：訓練一或多個候選模型；將該一或多個候選模型和該機器學習模型比較，以判斷哪一模型提供最佳質量量測修正；及以一取代機器學習模型取代該機器學習模型，該取代機器學習模型為該一或多個候選模型中提供該最佳質量量測修正的一候選模型。在某些實施例中，該複數程式指令更包含用以控制該一或多個處理器以進行下列者的複數指令：利用一系列訓練晶圓訓練該機器學習模型。在某些實施例中，該系列訓練晶圓包含：針對每一該訓練晶圓之一或多個質量量測值、針對每一該訓練晶圓之複數真實質量值、及與每一該質量量測值相關之一或多個感測器讀值。

在文中實施例的另一態樣中，揭露一種非暫態機器可讀儲存媒體，該非暫態機器可讀儲存媒體包含指令，當一或多個處理器執行該指令時使該一或多個處理器進行下列者：自一質量量測工具接收一基板之一質量量測值，接收與該質量量測值相關的複數感測器讀值，並將一機器學習模型應用至該質量量測值及該複數感測器讀值，以產生該質量量測值之該系統性誤差的一值及/或已針對該系統性誤差修正之一經修正之質量量測值。

在某些實施例中，該質量量測工具包含複數感測器且該複數感測器讀值中之至少一感測器讀值係自該複數感測器所接收。在某些實施例中，該質量量測工具包含一測重室，該測重室係用以獲得該基板之一重量量測值且該複數感測器包含一測重室溫度感測器、一測重室氣壓感測器、一測重室相對濕度感測器、一荷重元水平位置感測器、或其任何組合。

在某些實施例中，該質量量測工具包含一主動熱板，且該複數感測器包含該主動熱板用之一溫度感測器及當該基板位於該主動熱板上時該基板用之一溫度感測器中的一或多者。在某些實施例中，該質量量測工具包含一被動熱板且該複數感測器包含該被動熱板用之一溫度感測器。在某些實施例中，該機器學習模型為一隨機森林模型、一正規化線性模型、一核脊模型、或其任何組合。在某些實施例中，該機器學習模型為一隨機森林模型、一正規化線性模型、一核脊模型、或其任何組合。在某些實施例中，更包含用以使該一或多個處理器進行下列者的額外複數指令：週期性地檢查該機器學習模型的效能；及判斷該機器學習模型是否並未符合一控制限值。

下面將參考相關附圖詳細說明所揭露之實施例的此些或其他特徵。

術語

在本說明書中使用下列詞彙：

「半導體晶圓」、「晶圓」、「基板」、「晶圓基板」、及「部分製造完成之積體電路」可互換使用。此領域中具有通常技能者當瞭解，「部分製造完成之積體電路」可指在將積體電路製造於半導體晶圓上的許多階段的任何階段期間的半導體晶圓。半導體裝置業界中所用的晶圓或基板通常具有200 mm、300 mm、或450 mm之直徑。下面的詳細敘述假設實施例係於晶圓上實施。然而，本發明不限於此。工作件可具有諸多形狀、尺寸、及材料。除了半導體晶圓外，可受惠於本發明實施例之其他工作件包含諸多物品如印制電路板、磁記錄媒體、磁記錄感測器、鏡、光學元件、微機械裝置等。

環境參數 –說明量測工具中之條件的參數。在質量量測工具的背景下，環境參數可包含在量測時會影響空氣密度或晶圓浮力的參數。影響浮力之參數的實例包含空氣溫度、空氣密度、空氣濕度、空氣壓力、晶圓溫度、系統溫度、及晶圓位置。

晶圓位置參數 –晶圓在質量量測工具之裝載室或其他晶圓搬運或支撐部件中的位置。可利用光學方法來評估如此位置。

製造晶圓–包含完全或部分製造完成之積體電路的晶圓。製造晶圓可經歷一或多種製造處理如黃光、添加物處理如沉積、或減去處理如研磨或蝕刻。製造晶圓係用以產生商用積體電路。

訓練晶圓–用以訓練機器學習模型的晶圓。可使用一系列訓練晶圓產生機器學習模型之訓練、驗證、及測試數據組。可使用每一訓練晶圓藉著獲得質量量測值以及諸多感測器讀值，以獲得受監督之學習的一或多個輸入/輸出數據組。在某些實施例中，可在諸多溫度下量測訓練晶圓及/或可在諸多溫度下量測每一訓練晶圓，以產生機器學習模型的訓練數據組。訓練晶圓可經歷大幅度之被引發的溫度搖擺，以促進包含因溫差所產生之質量誤差量測值。

機器學習模型 –機器學習模型為經訓練的計算模型，其自諸多感測器取量測方法讀值與數據並輸出經修正之量測方法讀值。在某些實施例中，量測方法讀值為質量量測值。機器學習模型之實例包含隨機森林模型(包含深度隨機森林)、神經網路(包含遞迴神經網路及卷積神經網路)、受限的波茲曼機器、遞迴張量網路、及梯度提昇決策樹。

在此領域中，某些機器學習模型被特徵化為「深度學習」模型。除非在文中另外特別指出，否則文中提及「機器學習」便包含深度學習實施例。深度學習模型可以諸多形式實施，例如藉由神經網路(如傳統之神經網路)等實施。每一如此層包含複數處理節點及依順序處理的複數層，其中靠近模型輸入層之層的節點的處理會先於靠近模型輸出層之層的節點的處理。在諸多實施例中，一層饋送至下一層，以此類推。輸出層可包含代表經修正之質量量測值或質量量測值之誤差的節點。在某些實施例中，深度學習模型為採用極少預處理之數據並輸出質量量測值之修正的模型。

在諸多實施例中，深度學習模型極深的深度且可接收廣陣列之數據作為輸入。在某些實施例中，模型具有大於兩層(或大於三層、或大於四層、或大於五層)之處理節點，處理節點自前層接收數值(或直接輸入)並將數值輸出一接續層(或最終輸出)。由於從模型外看不到內部節點的輸入及輸出數值，在此意義上內部節點通常是「隱藏的」。在諸多實施例中，在操作期間不會監控或記錄隱藏節點的操作。

可訓練及再訓練深度學習模型的節點及連接而不用重新設計其數目、配置、與影像輸入的介面等，且節點及連接能提供質量量測值的修正。

如所示的，在諸多實施例中，節點層可共同形式神經網路，但許多深度學習模型具有其他結構及形式。深度學習模型之某些實施例不具有逐層的結構，在此情況中「深度」即是具有許多層的上述特徵便不相關。

在某些實施例中，如在文中他處所解釋的，機器學習模型可包含複數元件：例如，其可為集成模型或組合模型。

機器學習模型係有別於自訓練數據組對模型進行訓練的引擎。訓練係由一不同的演算法所進行，此演算法在此專利申請案的名詞中並非機器學習模型。機器學習模型為訓練操作的結果。經訓練的模型可採用一或多個輸入並在製造期間提供期望的輸出。 質量量測工具及其操作

文中所述的諸多實施例係關於訓練、使用、及維護機器學習模型以評估誤差如系統性誤差及/或為量測工具如質量量測工具提供誤差修正。將2006年3月28日發證之名為「APPARATUS AND METHOD FOR INVESTIGATING SEMICONDUCTOR WAFER」的美國專利US 7,020,577及2017年11月14日發證之名為「SEMICONDUCTOR WAFER PROCESSING METHODS AND APAPRATUS」的美國專利US 9,818,658之所有內容包含於此作為參考。此些專利揭露例示性的質量量測工具及修正重量量測值以移除效應如浮力效應之方法。

圖1-3提供例示性質量量測工具之不同例示。圖1根據質量量測工具之一實施例之測重設備。測重設備包含測重天秤1，測重天秤1具有用以接收半導體晶圓的測重盤3。測重天秤1係用以提供能代表被裝載於測重盤3上之半導體晶圓之重量的量測輸出。

測重天秤1係位於測重室5內，測重室5在測重天秤1周圍形成封閉環境，例如以維持測重天秤周圍空氣之實質上均勻的空氣密度、空氣壓力、及空氣溫度並避免氣流並提供電磁屏蔽。測重室5具有一開口(未顯示)例如測重室5之側壁中具有適當尺寸的槽口，讓機器人手臂能將半導體晶圓傳輸進入測重室5而放置於測重盤3上。當開口未受到使用時，可以可開啟之門或蓋(未顯示)覆蓋開口，以在利用測重天秤1進行量測時使測重室5實質封閉或密封。

在某些實施例中，一或多個濕度感測器50及/或溫度感測器52可位於測重室5內。在某些實施例中，在測重室5中可有兩個、三個、或四個溫度感測器。在某些實施例中，測重室5中之溫度感測器的一或多者可被包含於測重室的底部。可如文中所述使用溫度感測器52及濕度感測器50的輸出作為機器學習模型的輸入以判斷晶圓之重量量測值的質量修正。

熱傳板7(「第二溫度改變單元」、「被動熱板」、或PTP)係位於測重室5的上部上。熱傳板7包含具有良好熱導率之材料(如Al)的塊材。熱傳板亦可具有高熱質量(因此當對其供給熱時，其溫度改變得很少且很慢)及良好的淐熱導率(因此在其上表面各處維持實質均勻的溫度)。在此實施例中，熱傳板7係由鋁所製成，但在其他實施例中可使用具有良好熱導率的任何其他材料。在某些實施例中，PTP溫度感測器54可耦合至熱傳板7並量測熱傳板7的溫度。

熱傳板7係直接位於測重室5的上部上，因此熱傳板7與測重室5之間有熱接觸。熱傳板7係與測重室5直接物理接觸。熱傳板7可利用例如一或多個螺栓(未顯示)及/或熱導接合層(未顯示)而附接或固定至測重室5。

由於熱傳板7與測重室5之間的良好熱接觸，熱傳板7可與測重室5處於實質上之熱平衡，因此可和測重室5具有實質上相同的溫度。測重天秤1亦可與測重室5處於實質上之熱平衡，因此可和測重室5具有實質上相同的溫度。是以，熱傳板7可與測重天秤1處於實質上之熱平衡，因此可和測重天秤1具有實質上相同的溫度。

測重天秤1及測重盤3可被認為是包含測重設備的量測區域。或者，測重室5可被認為是包含測重設備的量測區域。

圖1之測重設備更包含另一熱傳板9(「第一溫度改變單元」、「主動熱板」、或ATP)。在圖1之實施例中，複數帕爾帖裝置11係附接至熱傳板9的底側。每一帕爾帖裝置11具有附接至其底側的熱沉13。可在熱傳板9之底價下方的區域17中提供氣流15，以自帕爾帖裝置11及自熱沉13移除熱。當然，氣流的配置可不同於圖1中所示，例如，可以風扇將空氣吹出底區域17。在某些實施例中，ATP溫度感測器56可耦合至熱傳板7並量測熱傳板7的溫度。除了ATP溫度感測器56之外，可有一分類的溫度感測器(未顯示)偵測被放置在atp上之晶圓的溫度如IR溫度感測器。

在圖1中，顯示熱傳板9係設置於測重室5的右手側。然而在其他實施例中，可以不同方式設置熱傳板9，例如設置於不同側、測重室5上方或下方、或比圖1所示更靠近或更遠離測重室5。在其他實施例中，熱傳板9可直接或間接地附接或連接至熱傳板7。

在使用時，使用晶圓傳送裝置如設備前端模組(EFEM)之機器人手臂的末端執行器自前開口統一艙(FOUP)(未顯示)或另一處理設備(未顯示)移除半導體晶圓，並將半導體晶圓傳送至熱傳板9並將半導體晶圓置於熱傳板9上。當自FOUP(或其他處理設備)移除半導體晶圓時，半導體晶圓可具有約70° C的溫度。例如，在半導體晶圓被裝載進FOUP中之前，半導體晶圓已在半導體裝置製造線的處理站處受到處理，在處理站處半導體晶圓可能已被加熱至400至500° C的溫度。

當半導體晶圓係置於熱傳板9上時，熱係自半導體晶圓被傳導至熱傳板9因此降低半導體晶圓之溫度。取決於半導體晶圓被放置在熱傳板9上多久，半導體晶圓及熱傳板9可達到熱平衡(例如其因此具有實質上相同的溫度)。自半導體晶圓傳導至熱傳板9之熱具有增加熱傳板9之溫度的功能。在此情況下，半導體晶圓及熱傳板9的熱平衡溫度可不同於半導體晶圓的期望溫度。為了避免熱傳板9之溫度因來自半導體晶圓的熱負載而增加，熱傳板9可操作以主動逸散來自半導體晶圓的熱負載。尤其，操作帕爾帖裝置11以主動自熱傳板9移除熱。換言之，將電功率供給至帕爾帖裝置11，使帕爾帖裝置11以主動熱泵浦的方式動作，將熱自與熱傳板9接觸之其上表面傳送至與熱沉13附接的其下表面。

在某些實施例中，在其中設有帕爾帖裝置11及熱沉13之熱傳板9下方之區域17中提供氣流15，以自帕爾帖裝置11及熱沉13移除熱。因此利用熱傳板9自半導體晶圓移除之熱藉由氣流15而自測重設備之測重室5傳輸及逸散，因此此熱對測重設備之溫度沒有影響。氣流15可藉由一或多個風扇例如設置在區域17中或邊緣處的風扇所產生。換言之，自熱傳板9主動逸散熱。

如上所述，主動自熱傳板9逸散熱能避免熱累積於熱傳板9中，熱累積於熱傳板9中會造成熱傳板9之溫度增加。在此實施例中，藉由熱傳板9逸散熱能有效/有效率地處理自半導體晶圓移除之熱。利用熱傳板9能更精準地控制半導體晶圓之溫度。

在某些實施例中，可將熱傳板9冷卻至低於半導體晶圓之期望溫度的一溫度，俾使半導體晶圓更快速地冷卻。在此情況中，可使用高溫溫度計或其他溫度感測器監控半導體晶圓之溫度且當溫度計或感測器到達適當溫度時可自熱傳板9將其移除。此可增加熱傳板9冷卻半導體晶圓的速度。或者，可將熱傳板9維持在低於半導體晶圓之期望溫度之第一溫度一段時間，以快速冷卻半導體晶圓，接著在時間後將熱傳板9維持在期望溫度(因此不必精準地監控半導體晶圓之溫度並適時將其移除)。

當半導體晶圓被放置於測重盤3上時，操作熱傳板9以自半導體晶圓移除大量之熱負載，因此將半導體晶圓之溫度減少至接近半導體晶圓之期望溫度。熱傳板9可移除必須被移除以將半導體晶圓之溫度降低至期望溫度之熱的超過90%、或超過95%。換言之，當半導體晶圓被放置於測重盤3上時熱傳板9可造成半導體晶圓之溫度自其初始溫度減少至期望溫度所需之溫度變化的超過90%、或超過95%。

在此實施例中，當半導體晶圓被裝置至測重盤3，期望使半導體晶圓之溫度與測重室5之溫度相匹配，因此在半導體晶圓與測重室5之間並無實質溫度差(因此在半導體晶圓與測重天秤1之間並無實質溫度差)。在此實施例中，熱傳板9可將半導體晶圓冷卻至測重室5之溫度的±1° C之內。例如，當測重室具有20° C之溫度時，熱傳板9可將半導體晶圓冷卻至(20±1°) C的溫度。然而在其他實施例中，熱傳板9所提供之冷卻量可與此不同，前提是熱傳板9最少提供半導體晶圓之所需溫度變化的超過50%、較佳地超過80%。在某些實施例中，可使用熱傳板9將晶圓之溫度調整至測重室5之溫度之約1°C、約0.5°C、或約0.2–0.3°C內。

一旦已利用熱傳板9將半導體晶圓冷卻至接近期望溫度之溫度後，利用晶圓傳送裝置將半導體晶圓傳送至熱傳板7。在某些實施例中，使用和將半導體晶圓傳送至熱傳板9不同的晶圓傳送裝置將半導體晶圓傳送至熱傳板7。在此實施例中，使用EFEM之機器人手臂的兩個不同末端執行器進行兩個不同的傳送步驟。半導體晶圓9可加熱將半導體晶圓傳送至熱傳板9的末端執行器。若使用相同的末端執行器將經冷卻的半導體晶圓自熱傳板9傳送至熱傳板7，末端執行器可將熱傳回半導體晶圓，藉此改變其溫度。針對第二傳送步驟使用不同的末端執行器可避免此問題。

可組態末端執行器(複數末端執行器)俾使末端執行器(複數末端執行器)與半導體晶圓有最小或經縮減的熱接觸面積，以最小化末端執行器(複數末端執行器)與半導體晶圓之間的熱傳。例如，末端執行器(複數末端執行器)可僅在半導體晶圓之邊緣處接觸半導體晶圓。或者或此外，末端執行器(複數末端執行器)可由具有不良熱導率的材料(複數材料)即熱絕緣體所製成，以最小化末端執行器(複數末端執行器)與半導體晶圓之間之熱傳。

如前所討論的，當半導體晶圓被放置至熱傳板7上時，半導體晶圓與熱傳板7之間具有良好熱接觸。因此，藉著自半導體晶圓將熱傳導至熱傳板7而冷卻半導體晶圓。取決於半導體晶圓被放置在熱傳板7上的時間長度，半導體晶圓及熱傳板7可達到實質上之熱平衡，因此其具有實質上相同之溫度(即半導體晶圓之溫度係與熱傳板7之溫度相匹配或同，因此與測重室5之溫度相匹配或相同)。在此實施例中，可將半導體晶圓放置在熱傳板7上上至60秒的時間。

在半導體晶圓被放置至熱傳板7上之前，熱傳板9已移除半導體晶圓之大量熱負載。因此，在溫度平衡期間熱傳板7上的熱負載極低，因此在溫度平衡期間熱傳板7及測重室5(具有高熱質量)之溫度維持實質上之常數。此外，使半導體晶圓與熱傳板7達到熱平衡僅需相對低的熱交換。

因此，利用本發明之實施例，由於分離自半導體晶圓移除大量熱負載的步驟與平衡半導體晶圓之溫度的步驟，因此可精準地使半導體晶圓之溫度等於期望溫度。例如，利用本發明之實施例，可使半導體晶圓之溫度匹配測重室5之溫度達到小於0.1° C之準度、小於0.01° C之準度、或甚至達到0.001° C規模的準度。

當半導體晶圓之溫度係實質上等於測重室5之溫度(例如當半導體晶圓已被放置於熱傳板7上一段預定時間)時，以晶圓傳送裝置將半導體晶圓自熱傳板7傳送至測重盤3。接著使用測重天秤1提供代表半導體晶圓之重量的量測輸出。由於半導體晶圓之溫度已實質上匹配測重室溫度且測重室之溫度並無明顯變化(因測重室之熱負載極小)，因此量測輸出的任何溫度誤差可質實上最小。例如，在測重室5中可能並未產生明顯的對流因此半導體晶圓上之浮力並無明顯變化(浮力變化可因加熱測重室5中之空氣所造成)且測重天秤1中並無因半導體晶圓位於測重盤3上所造成的明顯溫度變化(例如溫度增加或溫度不均勻)。然而，如文中所述，可進行進一步之修正以進一步減少量測輸出之誤差。持續監控重量讀值，直到讀值已穩定(通常在15至45秒內達到)。

類似於上面之實施例，可使用不同之末端執行器將半導體晶圓自熱傳板7傳送至測重盤3。

圖2顯示根據本發明之第二實施例之測重設備。利用圖1中所用之相同參數標號標示類似於或對應至圖1中所示之特徵，將不再重覆此些特徵之說明。

圖1及圖2之實施例之間的主要差別是熱傳板9的位置。在第二實施例中，熱傳板9係堆疊於熱傳板7上方。熱間隙19如氣隙或絕緣材料層係設置於熱傳板7與熱傳板9之間，俾使熱傳板7、9係實質上彼此熱隔絕因此在熱傳板7、9之間並無熱傳遞。

在半導體裝置的製造設施中樓板空間通常是有限的。因此，將熱傳板9堆疊於熱傳板7上方即類似於圖2中所示之配置以節省樓板空間可能是有利的。在此配置中，垂直地在熱傳板7、9、及測重盤3之間傳送半導體晶圓。

圖3顯示根據包含晶圓傳送系統之本發明之第三實施例的測重設備。利用圖1中所用之相同參數標號標示類似於或對應至圖1中所示之特徵，將不再重覆此些特徵之說明。如圖3中所示，測重設備及晶圓傳送系統被封閉於EFEM外殼20中，在EFEM外殼20內維持/產生潔淨室環境。如圖3中所示，晶圓傳送系統包含機器人手臂如EFEM之機器人手臂之一或多個末端執行器21。末端執行器21係用以抓持或支撐半導體晶圓23並在測重設備之不同部件如熱傳板9、熱傳板7、及測重盤3之間傳送半導體晶圓23。

如圖3中所示，當末端執行器21傳送半導體晶圓23時，其通過區域25之部分或全部垂直傳送半導體晶圓23，區域25在此實施例中為垂直區域如垂直空氣或氣體柱。設置複數風扇27以將空氣(或氣體)吹入或吹過區域25中以產生通過區域25的氣流29。

藉著使半導體晶圓通過外殼或室(如測重室5)之蓋、開口、或槽口，可將半導體晶圓置於熱傳板7、9或測重盤3上。可能有覆蓋蓋的覆件、門、或類似物，其可依需求開啟或關閉。

在此實施例中，晶圓傳送系統為EFEM之一部分且通過區域25的氣流29為用以維持EFEM外殼20中之潔淨室條件(包含測重室5中之潔淨室條件)之EFEM的氣流。在複數風扇27之下游包含濾件(22)以過濾氣流29而維持無塵室條件。

加熱器31係位於風扇27之下游(即在圖3所示之配置中位於風扇27下方)。每一加熱器31具有附接至其上表面的熱沉32以促進熱自加熱器31傳遞至風扇27所產生的氣流29。配置加熱器31俾使氣流29通過熱沉32的上方或附近或其中。

加熱器31可操作以加熱氣流29而加熱區域25中的空氣，半導體晶圓23會傳送通過區域25中。

加熱器31、熱沉32、及風扇27之特定數目可不同於圖3中所示之數目。例如，加熱器31不必具有相同數目之風扇27，或每一加熱器31不必皆具有熱沉32、或有一個以上的加熱器31、熱沉32、或風扇27。

溫度感測器33係配置於區域25中。在此實施例中，溫度感測器33係位於熱傳板7與測重盤3之間之部分通道中以量測該位置的溫度。在其他實施例中，溫度感測器可位於區域25中的其他位置處及/或在區域25中有超過一個以上之溫度感測器。例如，每一加熱器31及/或風扇27可有一個溫度感測器。

控制器(未顯示)係與溫度感測器33通訊並與複數加熱器31通訊且係設置用以基於溫度感測器33的輸出而控制複數加熱器31的操作(例如溫度)及控制氣流29的溫度。

亦可設置一或多個加熱器(未顯示)以將測重室5加熱至高於周遭溫度攝式數度(例如低比4° C更少的溫度)的溫度。加熱器可控制測重室5之溫度因此測重室的溫度可為常數或均勻溫度。

加熱測重室5的優點為，接著可藉著以加熱器31加熱氣流29，輕易地/簡單地控制區域25中之氣流29的溫度與測重室5之溫度相同(或與測重室5之溫度具有固定關係)，因此使氣流29的溫度與測重室5的溫度相同。

在使用時，操作風扇27提供氣流29以產生潔淨室條件。操作溫度感測器33偵測在溫度感測器33處之氣流29的溫度，溫度感測器33處例如是靠近熱傳板7及測重盤3。若溫度感測器33偵測到的溫度係低於半導體晶圓23被裝載於測重盤3上時的期望溫度例如低於測重室5之溫度，則控制器控制加熱器31產生熱(或產生更多熱)，使氣流29之溫度增加，直到溫度感測器33偵測到的溫度係實質上等於期望溫度。可控制溫度感測器33處之氣流29的溫度，使其等於測重室5的溫度。

圖4顯示例示性量測工具的背側圖，量測工具可與圖1-3所示之量測工具具有共同的特徵。根據文中之諸多實施例，感測器405提供可為量測工具之一部分的諸多感測器。例如，測重室內可有與被動熱板及/或主動熱板相關之感測器。在某些實施例中，除了上述之諸多感測器之外可具有傾斜感測器，傾斜感測器可與模組相關，用以偵測量測工具外部之環境效應如影響量測工具位於其內之建築物的地震或強風。傾斜感測器可用以偵測因對容納量測工具之建築物影響的地震、強風等所造成之量測工具的移動。量測工具可為ATP溫度感測器以量測ATP之溫度及ATP處之晶圓溫度感測器以量測ATP處晶圓的溫度。量測工具可具有PTP溫度感測器以量測PTP之溫度。量測工具可具有外殼溫度感測器以量測測重發生處之外殼的溫度。在某些實施例中，外殼內可有1、2、3、4、5、或更多之溫度感測器。判斷內殼中諸多溫度相關之特性如外殼內之溫度分佈是有利的。在諸多實施例中，溫度感測器可為IR感測器或阻抗式溫度感測器(RTD)。在諸多實施例中，溫度感測器可包含熱耦、阻抗式溫度感測器、或熱敏電阻。在某些實施例中，測重室5內可有各種感測器，例如包含一或多個溫度感測器、濕度感測器、空氣溫度感測器、空氣壓力及荷重元溫度感測器。在某些實施例中，量測工具可具有主動晶圓置中(AWC)系統，此系統可判斷將晶圓放置於量測工具中的X/Y偏差。在某些實施例中，量測工具可記錄花在ATP及/或PTP上的時間以及花在荷重元上的時間。在某些實施例中，量測工具可記錄自晶圓被放置至測重盤3上至重量量測值穩定的時間。

在某些實施例中，溫度感測器具有約0.1°C或約0.04°C的準度。在某些實施例中，濕度感測器具有約± 0.8的準度。在某些實施例中，壓力感測器具有約1ppm 或約0.001毫巴的準度。

為了達到精準測重的結果，可針對環境效應如因週遭條件而造成之空氣密度的變異進行修正。可判斷空氣密度，接著將其用於計算半導體晶圓上的浮力效應。可基於上平衡外殼中的壓力、溫度、及相對濕度判斷空氣密度。接著可基於空氣密度、受到量測之晶圓的重量、受到量測之晶圓的密度、校正重量的密度，以下列公式計算浮力效應：

其中B為以克為單位之浮力效應，Ww為以克為單位之晶圓重量、ρ _w為以g/cm ³為單位的晶圓密度，ρ _air為以g/cm ³為單位的空氣密度、ρc為以g/cm ³為單位之用以校正測重天秤之校正重量的密度。在某些實施例中及如下所述，受到量測之晶圓上的薄膜可影響其密度且對系統性誤差源產生貢獻。一旦判斷出浮力之後，可利用下列公式計算晶圓的質量：

從上面的公式可清楚得知，可因複數量測值而產生質量量測值，此些量測值至少包含受到量測之晶圓的重量。此些量測值及最終質量計算中的每一者皆容易受到系統性誤差的影響。在某些實施例中，可使用文中所述之機器學習模型考慮系統性誤差。 系統性誤差及其在質量量測方法之源頭

系統性誤差係隨機產生的。一般而言，量測儀器或進行量測時的條件會導入系統性誤差。某些系統性誤差可以偏差或過零誤差的方式顯現，在過零誤差中當受到量測之量具有零值時量測工具的讀值卻不會零。某些系統性誤差可以比例因數誤差的方式顯現，在比例因數誤差中量測工具在待量測之量中總是會讀到的變化時常大於或小真實變化。

系統性誤差不包含可基於可量測之量如量測工具內之感測器或其他元件所偵測到的環境效應藉由已知物理關係所量化及修正的誤差。例如，在質量量測系統中，數學函數可修正在物理參數空間(空氣組成, V, T, P)之特定區域中偏離理想氣體定義的偏差。可使用經訓練之模型修正系統性誤差。

質量量測工具中之系統性誤差的潛在源頭包含(1)靠近受到量測之晶圓的溫度梯度；(2)在靠近晶圓之空氣中的組成梯度；(3)晶圓在量測模組(如裝載室)內的位置或位置變異；(4)週遭條件包含空氣特性、溫度、壓力、濕度、磁場、及震動的變化；(5)感測器之準度與精度；(6)因非最佳化感測器位置所造成的誤差；(7)荷重元效能的變異(重區性、線性度、對溫度的敏感度、及設定的變異)；(8)晶圓變曲、帶電、晶圓與晶圓間的變異、及溫度；(9)晶圓上的電荷；(10)晶圓密度因沉積在晶圓表面上之薄膜所造成之變異；及(11)壓力及濕度因容納量測工具之製造設施外部的氣候模式所產生的變異。 在製造期間於質量量測方法中使用 ML 模型的實例

可進行質量修正以解決環境效應及晶圓質量量測之系統性誤差。在某些實施例中，在荷重元中取得零讀值後可針對待測晶圓取得其重量量測值，可基於諸多感測器數據來判斷該重量量測的絕對質量修正(AMC)。在某些實施例中，可獲得相對於參考質量而非零讀值的重量量測值。

可使用機器學習模型改善質量修正，以解決系統性誤差及/或環境效應如浮力。在某些實施例中，經訓練的機器學習模型可在不使用確切公式如上所提供之浮力公式的情況下判斷質量修正。以此方式，訓練機器學習模型採取諸多輸入即一或多個感測器讀值及質量量測值並輸出質量修正。圖5提供在製造半導體裝置期間利用經訓練之模型修正系統性誤差並選擇性地修正絕對質量修正之方法的處理流程圖。在操作502中，針對受到關注之晶圓如製造晶圓獲得經選定之環境及/或晶圓位置參數獲得感測器讀值。在某些實施例中，已訓練機器學習模型使用作為輸入之複數感測器讀值的特定組合。在下面將更進一討論的某些實施例中，可獲得與質量量測值之誤差相關聯之該複數感測器讀值本身或該複數感測器讀值與其他複數感測器讀值的組合，作為機器學習模型的輸入以判斷質量量測值修正。

在操作506中，量測受到關注之晶圓的重量並獲得數值。

在操作510中，將針對受到關注之晶圓之經選定之環境及/或晶圓位置參數的感測器讀值輸入至機器學習模型中。如文中他處所討論的，機器學習模型為可接收諸多感測器讀值作為輸入之經訓練的模型。被提供作為輸入的感測器讀值取決於什麼模型會受到訓練而使用感測器讀值作為輸入。在某些實施例中決定，輸入為用以識別與質量量測方法量測中之系統性誤差相關聯之輸入之訓練處理的結果。在某些實施例中，輸入可額外地包含質量量測值。

在操作512中，機器學習模型輸出操作508中所獲得之經量測之重量的系統性誤差值。機器學習模型可在輸入上操作，判斷對受到關注之晶圓之重量的修正。在將質量差提供至模型的實施例中，模型可簡單地提供經修正之質量差而非對質量差的修正。

在某些實施例中，操作512的一部分可選擇性地包含使用識別離群值用的演算法。在製造期間可使用離群值偵測識別離群值，因此當質量修正值時可無視離群件。例如，地震事件可影響質量量測值，因此應捨棄質量修正值應。在如此實施例中，可選擇性地重新量測晶圓，或可將質量量測/質量修正值註記為離群值。

在某些實施例中，可利用製造設施處分離的感測器如兩個分離的加速計偵測離群值。例如，在不同位置處的兩個加速計如FOUP處的一加速計及量測工具處的一加速計皆可記錄地震事件。當位於不同位置處的此兩感測器皆記錄到相同的事件時，在特定的情況下演算法可總結，已發生地震事件且為了訓練及/或量測的目的應該捨棄質量讀值。

在操作514中，針對受到關注之晶圓判斷受到關注之晶圓之質量的最終值或其與。可將質量差添加至受到關注之晶圓的測得質量或自其減去質量差以判斷晶圓的最終測得質量。

可針對依序或平行處理之複數晶圓的質量量測進行圖5之處理。可在製造晶圓上進行此些量測。在某些情況中，週期性地檢查量測系統。檢查的目的在於評斷機器學習模型的準度。若檢查失敗，可如文中所述更新或取代模型。例如，在將機器學習模型施用於晶圓製造之量測工具之後，量測系統可收集更多數據並重新訓練。 質量量測方法用之錯誤修正機器學習模型的訓練實例

可使用訓練機器的諸多技術，此章節會顯示某些技術。可利用不同於用以運行經訓練之機器學習模型的計算資源進行訓練，將在此意節中說明某些者。可在該工具及相關晶圓處理設備所在之處的製造設施中、或遠端位置處如提供雲端資源的租賃資源處，利用不同於用以運行經訓練之機器學習模型的計算資源進行訓練，機器學習模型係位於量測工具上。可在例如提供量測工具及/或與量測工具相關之處理設備之實體的設施處進行訓練。

圖6提供訓練機器學習模型之例示性處理的處理流程圖。在某些實施例中，可以處理器自動進行圖6之處理的每一操作。在某些實施例中，可由協助訓練模型的人手動進行或部分手動進行一或多個操作。處理始於操作602，選擇或以其他方式識別可用來作為訓練組之一部分的晶圓集合。在某些實施例中，為了模擬製造環境，一或多個訓練晶圓可「假裝製造晶圓」或在其上已進行了各種半導體處理操作的晶圓。在某些實施例中，用以產生訓練晶圓用的處理技術可依循實驗設計(DOE)方法。一般而言，如此技術判斷在諸多實驗中使用的製程參數組。其藉著考慮製程參數之間的統計互動、隨機化等，選擇製程參數之組合。DOE技術能為機器學習模型訓練產生分佈範圍適當的條件。

如文中他處所討論的，在重新訓練或取代在製造中已使用之機器學習模型的背景下，訓練組可包含在製造期間所收集到的質量量測值及感測器讀值。在某些實施例中，用於如此重新訓練的訓練組大部分包含或僅包含在IC製造工廠中製造期間所獲得之量測值及感測器讀值。

選擇性的操作604識別與晶圓量測方法相關之參數數值的範圍；周包含晶圓位置資訊及環境條件(如溫度、壓力、濕度)。例如，可在諸多環境條件下量測一或多個訓練晶圓，以模擬在製造期間可能發生的波動。可將經識別出的參數數值用作為訓練數據的一部分。在某些實施例中，在測試晶圓上進行量測方法(如量測質量)時所用的環境條件可依循實驗設計(DOE)方法。在某些實施例中，可例如藉著應用維度縮減演算法，識別與系統性誤差相關的參數，以自動進行操作604。在某些實施例中，亦可藉著審閱參數或自動及手機選擇的某些組合，以手動進行操作604。在某些實施例中，可不進行操作604。在某些實施例中，針對訓練模型可使用所有的參數。

在操作606中，針對操作602中所識別的每一訓練晶圓及選擇性地針對操作604中所識別之參數值範圍中的每一參數值組合，(a)針對每一訓練晶圓進行質量量測、及(b)量測經識別之與量測相關的參數(如環境條件及晶圓位置)。

在操作608中，針對606中的每一訓練晶圓及參數值組合，獲得訓練晶圓的「真實」質量。真實質量可為系統之長期平行量測值或中位數量測值、或複數系統間的平均值或中位數值。在某些實施例中，使用更精準的系統判斷真實質量。

在選擇性的操作610中，識別離群值。在某些實施例中，可利用未受監督的學習識別離群值。離群值為大幅偏離樣本或訓練組之基準或模式的量測值。基於諸多理由包含量測誤差、實驗誤差、故意誤差、或自然誤差，離群值可能是不可靠的。識別及移除離群值及/或其他不可信之讀值可避免其影響量測工具之機器學習模型的學習。在某些實施例中，亦可藉由手動或半手動處理移除離群值，手動或半手動處理包含人工審閱。在某些實施例中，可不進行操作610。

可利用適當之離群值偵測常規程序針對模型訓練及晶圓製造之任一者或兩者偵測離群值。可藉由諸多類型的常規程序識別離群值，常規程序包含箱形圖、散佈圖、或格魯布斯檢驗法。在某些實施例中，訓練離群值偵測演算法，以偵測已觀察到會干擾質量量測工具讀值的地震、或重大氣象事件如颱風。在某些實施例中，使用氣壓感測器、加速計、或其他感測器、或感測器之組合提供經訓練之演算法識別出可作為地震或其他事件之特徵的數據，其建議質量量測方法之讀值很可能是離群值而不應受到信任。

在移除操作610中之離群值後，在操作612中使用在操作606及608期間所獲得並在操作610期間已過濾掉離群值的數據，進行經監督的學習以產生能輸出真實質量、真實質量差、及/或系統性誤差值的機器學習模型。在某些實施例中，基於訓練數據訓練複數候選模型。

如文中所用的，訓練機器學習模型為，改善機器學習模型的能力以預測量測方法量測值如質量量測方法量測值的系統性誤差。在某些實施例中，可利用受監督之學習技術以訓練數據組訓練文中所述之機器學習模型。訓練數據可包含諸多潛在輸入參數的輸入輸出對如溫度感測器讀值、重量量測、穩定時間以及一或多個輸出參數如質量錯誤修正或真實質量量測值。可將訓練數據一分為兩組，包含訓練組及測試組。在訓練組上訓練機器學習模型。直到針對製造選定機器學習模型之後才會使用到測試組，測試組係用以判斷經選定之機器學習模型的效能。

訓練常規程序可反覆地調整機器學習模型之一或多個模型參數的數值。在訓練期間，可比較以計算方式預測出之質量量測值的系統性誤差與質量量測值的真實誤差(以訓練晶圓之真實質量與量測質量之間的差所計算出)。比較可提供，能反應出經預測之誤差與真實誤差之間之差異(或相同)程度的成本值。訓練涉及使用該成本值以至少(i)判斷模型參數數值(複數數值)是否已收斂、及(ii)若數值(複數數值)尚未收斂，判斷如何針對下一次迭代調整模型參數之現行數值(複數數值)。在某些實施例中，處理不僅僅使用現行迭代的成本值，亦使用所有或部分歷史迭代的先前成本值，去搜尋全局最佳結果。

文中所用之「收斂」係指，在利用模型參數數值配置之機器學習模型針對判斷系統性誤差達到適當表現時，模型參數數值「收斂」。在此領域中已知諸多收斂條件且可應用此些收斂條件。一般而言，在訓練常規程序的每一迭代中評估成本值。可單獨評估在單一次迭代期間所產生的成本值或將其與其他迭代的成本值一起評估。如此評估使訓練常規程序能進行收斂檢查。若成本值或複數成本值表示，模型參數之現行數值提供了可接受及/或不再大幅改善的系統性誤差值，則訓練常規程序終結處理並將模型參數的現行數值視為是最終數值。訓練常規程序已收斂。是以，在某些實施例中，收斂方法判斷參數預估的誤差(成本函數)何時無法再被改善。此能為終結問題提供貝葉斯觀點。收斂檢查可搜索費用值中的局部或全局最小值(取決於費用值的結構，或搜索最大值)。

上述之模型參數最佳化程序可為迭代型非線性最佳化程序—例如，其最佳化大致上為輸入參數之非線性函數的誤差度量或費用值—是以，可使用在非線性最佳化領域中已知的諸多技術。例如見：Biggs, M.C., “Constrained Minimization Using Recursive Quadratic Programming,” Towards Global Optimization (L.C.W. Dixon and G.P. Szergo, eds.), North-Holland, pp 341–349, (1975)；Conn, N.R., N.I.M. Gould, and Ph.L. Toint, “Trust-Region Methods,” MPS/SIAM Series on Optimization, SIAM and MPS (2000) ；Moré, J.J. and D.C. Sorensen, “Computing a Trust Region Step,” SIAM Journal on Scientific and Statistical Computing, Vol. 3, pp 553–572, (1983)；Byrd, R.H., R.B. Schnabel, and G.A. Shultz, “Approximate Solution of the Trust Region Problem by Minimization over Two-Dimensional Subspaces,” Mathematical Programming, Vol. 40, pp 247–263 (1988)；Dennis, J.E., Jr., “Nonlinear least-squares,” State of the Art in Numerical Analysis ed. D. Jacobs, Academic Press, pp 269–312 (1977)；Moré, J.J., “The Levenberg-Marquardt Algorithm: Implementation and Theory,” Numerical Analysis, ed. G. A. Watson, Lecture Notes in Mathematics 630, Springer Verlag, pp 105–116 (1977) ；Powell, M.J.D., “A Fast Algorithm for Nonlinearly Constrained Optimization Calculations,” Numerical Analysis, G.A.Watson ed., Lecture Notes in Mathematics, Springer Verlag, Vol. 630 (1978)，上述之每一者之所有內容皆包含於此作為參考。

在某些實施例中，更可分割訓練組以產生驗證組。在某些實施例中，可進行交叉驗證，其中重覆地分割訓練組以自單一訓練組數據產生複數訓練/驗證組。在每一訓練組上訓練一或多個模型。接著在對應的驗證組上評估、比較、及調制每一模型。站在能比較複數模型但又不會對於單一訓練組及驗證組過度擬合的角度，交叉驗證可能是有利的。在某些實施例中，可調整模型用之超參數並重覆訓練/驗證，直到針對測試選定機器學習模型為止。在測試複數候選模型的實施例中，可比較機器學習模型以針對系統性誤差判斷出最佳的單一模型。可利用諸多度量中的任何者來判斷最佳模型，諸多度量包含均方根誤差(RMSE)或殘餘誤差(RE)。一般而言，較低的RMSE或RE值代表模型輸出更精準的數值。

最後在操作614中，利用未用以訓練模型之數據測試經選定之模型。可在測試組上評估經選定之機器學習模型以判斷泛化誤差，泛化誤差可評估機器學習模型針對先前未見過之數據能將輸出預測地多好。在正在訓練新機器學習模型以取代製造中已使用之模型的實施例中，可使用泛化誤差判斷新模型之效能是否比舊模型更好。在某些實施例中，可在假定訓練數據的一部分如總訓練組之80%或70%上訓練/驗證模型。可使用數據之剩餘部分測試模型，其中模型並未基於該剩餘部分進行訓練。在其他實施例中，使用不同於來自訓練晶圓之來自晶圓的數據測試機器學習模型，例如晶圓為機器學習模型之使用者所提供的晶圓。

使用測試檢查模型是否精準地預測質量修正及/或量測誤差。若模型對訓練數據而言過度擬合或疑合不足，則會無法通過測試檢查例如模型之泛化誤差超過閾值，則可重覆操作612產生新的機器學習模型。 機器學習模型

如上所述，機器學習模型為經訓練之模型，經訓練之模型接收晶圓之質量量測值以及諸多感測器讀值並判斷質量修正或晶圓之最終質量量測值。 經訓練之機器學習模型用的輸入參數

有許多可能的輸入可用於本發明之機器學習模型中。如此輸入可包含諸多感測器讀值，例如包含晶圓在量測工具中的質量讀值及位置資訊、以及量測工具內的溫度、壓力、及相對濕度。如上所討論的，圖4提供質量量測系統可具有的諸多感測器。此些感測器中的每一者皆可用作為機器學習模型的輸入。在某些實施例中，可使用來自單一感測器的複數讀值，例如在時間上最接近的兩次或更多次的感測器讀值。

可取用來自於質量量測工具上或靠近質量量測工具之感測器的感測器讀值。在某些實施例中，取用量測工具外部的感測器讀值。此些外部讀值可取自與量測工具相關的感測器或其他元件。例如，其可取自於FOUP或EFEM，FOUP或EFEM將晶圓直接提供予量測工具、或藉由處理來自FOUP或EFEM之晶圓的製程室將晶圓間接地提供予量測工具。當具有用以收集量測工具上之數據的感測器時，相關元件的感測器可提供溫度、壓力、相對濕度等的讀值。

諸多感測器讀值中的任何一或多者皆可用來作為文中所述之機器學習模型的輸入，(除了文中所述之任何其他感測器之外)其包含： •被動熱板之溫度 •測重室內之空氣的溫度 •荷重元控制器之溫度 •穩定時間，其為自晶圓被放置到測重盤上至重量量測值穩定的時間 •測重室內之荷重元之線圈的溫度 •測重室內量測到的相對濕度 •主動晶圓置中(AWC)系統所施加之X及Y尺寸修正 •測重室之溫度，其包含來自測重室內或測重室之底部中之1、2、3、或4溫度感測器的一或多個讀值。在某些實施例中，此些溫度感測器可量測包含測重室之材料如鋁的內部溫度。 •測重室內的氣壓壓力 •主動熱板的溫度 •放置在主動熱板上之晶圓的溫度 •根據文中所述之技術所計算出的空氣密度

可尤其有利地將感測器讀值的某些組合用來作為輸入。例如，使用量測工具內之溫度、壓力、及相對濕度計算重量量測值的浮力部。其他組合可包含來自一或多個溫度感測器如ATP及PTP之溫度感測器及來自測重室內之溫度感測器之一或多者的讀值。

雖然可將複數感測器讀值指涉為文中的單一數值，但應明白，在晶圓量測期間可連續地量取複數感測器讀值且可將所有量測值提供至機器學習模型。在某些實施例中機器學習模型的輸入可包含來自文中所述之感測器之任一者的複數量測值。在某些實施例中輸入可包含來自先前晶圓質量測值(例如緊接在前之晶圓質量量測值)的量測值。

另一潛在輸入參數為，當受到關注之晶圓進入工具時質量量測工具的狀態。狀況可受到已接收量測之先前晶圓或數片先前晶圓的影響。在某些情況中，藉由當先前晶圓受到量測之時間與現行晶圓進入量測工具之時間之間經過的時間來判斷狀態。先前晶圓的影響可基於因來自該晶圓之熱傳或熱導所造成的熱傳遞。該影響可由先前工具內時及/或先前晶圓自工具移除或移動所造成。 經訓練之機器學習模型的輸出參數

在某些實施例中，訓練機器學習模型以對下列參數數值中的一或多者提供修正：晶圓之總質量、晶圓與任意參考質量的質量差、及/或量測工具中的浮力。在某些實施例中，機器學習模型輸出系統性誤差的絕對值。在如此實施例中，機器學習模型下游之演算法的其部分可應用系統性誤差的計算值以判斷晶圓的質量數值。 模型之形式

可使用諸多形式之機器學習模型。例示性之模型可包含核脊核心模型、正規化線性模型、多項式核心模型、徑向基函數、套索、彈性模型、隨機森林、極限梯度提昇、梯度提昇迴歸、神經網路、傳統神經網路、及組合或集成模型。在某些實施例中，用以提供如文中所述之質量修正的機器學習模型可較佳地為隨機森林、正規化線性模型、或核脊模型。

在某些實施例中，可使用組合模型及/或集成模型。例如，機器學習模型可包含不同模型選擇性地相同類型之每一模型(例如每一神經網路或每一隨機森林模型)的集成，集成之模型係分開訓練。在製造時，集成的每一模型接收其個別之輸入並產生其個別輸出。接著，提供單一輸出之分離演算法考慮共同輸出。換言之，集成之每一模型所輸出的每一數值具有下游演算法之輸入的功能，演算法係用以在集成模型之輸出上操作並自輸出產生單一輸出。

另一方式使用模型組合。雖然有許多方式可組合不同模型而提供單一輸出，但一方式涉及提供能接收複數不同感測器輸入的特徵工程前端；即，自複數感測器通道接收感測器輸入，並在將經組合或經縮減之輸入饋送至分離的演算法(被稱為預測性引擎)之前，組合及或縮減感測器輸入的數目。預測性引擎可為經訓練以接收已先被特徵工程前端預處理之輸出的神經網路或其他機器學習模型。 模型用之訓練數據

如本申請案中所討論的，在包含複數訓練晶圓之質量量測值及相關感測器讀值之數據上訓練機器學習模型。感測器讀值係與每一訓練晶圓之每一質量量測值相關。在某些實施例中，可針對單一訓練晶圓多次收集質量量測值及相關之感測器讀值。由於DOE處理會在維持相同真實質量時變化環境條件，因此多次收集可能是有用的。在某些實施例中，訓練數據可成長以包含在製造期間所收到的數據如製造晶圓之質量量測值以及相關之感測器讀值。

在某些實施例中，進行重量量測值之質量量測工具之荷重元內的感測器讀值可包含溫度、壓力、及相對濕度。在某些實施例中，在訓練組中所用之溫度數據具有約+/- 0.04 °C或更佳之精度。在某些實施例中，訓練組中所用的壓力數據具有約+/- 0.001毫巴或更佳的精度。在某些實施例中，訓練組中所用的相對濕度數據具有約+/- 0.8或更佳的精度。

在某些實施例中，如上所討論的，可過濾訓練數據以移除離群值。在某些實施例中，在訓練機器學習模型之前或作為訓練機器學習模型的一部分，可進行維度縮減分析，以判斷使用哪些感測器讀值作為輸入訓練機器學習模型。例如，可識別出與系統性誤差相關聯的感測器讀值或感測器讀值的組合。在某些實施例中，可藉由例如隨機森林特徵重要性分析識別出彼此獨立的感測器讀值。進行此動作以移除對模型具有極少影響或甚至沒有影響的感測器讀值。 系統相依之模型

在某些實施例中，針對單一質量量測工具產生獨一無二之機器學習模型。換言之，機器學習模型僅對單一質量量測工具而言是有效的。針對其他質量量測工具訓練其他機器學習模型。在其他實施例中，機器學習模型精準地解決了兩或更多質量量測工具中的系統性誤差。在某些實施例中，單一機器學習模型精準地解決了複數質量量測工具中的系統性誤差。例如，可針對一組的質量量測工具使用模型。

在某些實施例中，可將兩個機器學習模型導接在一起，其中一機器學習模型係特別針對一工具並校正該工具上的感測器數值。每一工具可施用能針對來自該工具之感測器讀值輸出經調整之數值的機器學習模型。接著可針對一組工具使用第二機器學習模型，此組工具能接收經調整之數值作為輸入並提供質量修正值。 操作期間機器學習模型之維護

在某些實施例中，在將用以判斷系統性誤差的機器學習模型佈署於製造環境中之後對其重新訓練。在某些實施例中，經常或甚至連續地檢查、驗證、測試、重新訓練、及/或更換如此機器學習模型。在某些實施例中，當使用機器學習模型之量測工具持續收集數據時，可將數據添加至現存的訓練組(在初始訓練期間所用之選擇性訓練組)中或將其用作為全新的訓練組。藉著增加製造期間所獲得或藉由更進一研究所獲得的新數據而壯大訓練組，可改善用以識別量測工具之系統性誤差之模型的準度及/或精度。是以，在某些實施例中，常規程式週期性地或連續地檢查模型以判斷模型是否操作於控制限值內。

圖7提供機器學習模型之維護處理流程圖。在某些實施例中，機器學習模型已如圖6所述受過訓練，對應至操作702–706。在操作708中，將機器學習模型佈署至用於製造中的量測工具或模組如質量量測工具。機器學習模型可接收諸多輸入包含正在接受量測之晶圓的重量量測值並可輸出質量修正值以補償諸多系統性誤差。參考圖5例示機器學習模型之佈署。

在操作710中，檢查機器學習模型之效能。可在客戶處進行檢查操作，意圖判斷模型執行得多好。可利用量測工具廠商所提供的一或多片晶圓進行或公司進行處理操作。在某些實施例中，針對檢查可使用品質維持(QM)晶圓。QM晶圓不同於製造晶圓之處在於，QM晶圓係用以評估量測工具的效能，且每一QM晶圓的度量如真實質量皆為已知的。使用機器學習模型修正QM晶圓的量測值讓量測工具的使用者或機器學習模型能判斷機器學習模型是否提供良好修正。機器學習模型的修正輸出可能會隨著時間因為諸多理由(包含環境條件的變化、會影響感測器讀值之感測器的變化、或會影響機器學習模型所輸出之修正之準度的其他變化)而變得不精準。量測QM能判斷出機器學習模型所輸出之質量修正之準度的變化，對模型啟動額外的訓練或修正。

一旦機器學習模型在操作710中未通過檢查，處理返回操作702–706以針對額外的訓練及驗證收集額外數據。系統或處理流程在初始訓練操作中所用的數據之外收集更多數據，以重新訓練現存之模型或訓練新模型。在某些實施例中，用於此重新訓練或新訓練的數據可來自於使用工具的工廠。可以一或多個製造晶圓的形式提供如此數據，該一或多個製造晶圓係經其他量測工具獨立評估或其特性受到重新量測。或者，可以工廠中未用於製造的其他晶圓來進行檢查。使用來自佈署有量測工具之工廠或製造設施之數據的潛在優點為，取自量測工具的讀值能代表與佈署於製造環境中之模型相關的讀值。

在某些實施例中，自製造環境遠端的系統或處所獲得用以重新訓練現存模型或建立新模型的額外數據。例如，可在量測工具廠商處或負責建立及/或維護量測工具之機器學習模型的對象處收集數據。在此環境中，負責維護或改善模型的團隊可建立及使用能模擬製造環境中之現存或期望情況的訓練數據。以此方式，可在控制良好的環境中利用穩健的訓練條件組重新訓練及改善機器學習模型。

圖8顯示已經佈署之模型的維護處理流程圖。在操作802中，使用效能檢查評估經訓練之模型是否充分運行。例如，可檢查質量量測工具或尤其是機器學習模型是否在控制限值內運行。在某些實施例中，控制限值為RMSE及/或殘餘效能之閾值，因此模型是否不通過效能檢查係基於模型之RMSE或殘餘效能值是否超過閾值。設定控制限值以判斷受到量測系統測試的晶圓是否正被精準地讀取。可週期性地進行此檢查如每日一次、每周一次、隔周一次。在某些實施例中，可利用分別的檢查晶圓或其他驗證元件來進行檢查。若模型通過檢查，則持續使用之而不對其進行重新訓練或其他修改，後續進行另一檢查。若模型未通過檢查，則處理前往操作804。

在操作804中，藉著重新訓練現行模型或訓練不同模型而產生用以取代現行模型之一或多個其他候選模型。取代用的此些候選模型可包含現行機器學習模型之經重新訓練的版本或自先前或更新訓練訓練所得的更新模型。如此更新模型可能與目前使用中的模型具有不同類型。例如，現行模型可能是隨機森林模型，但候選新模型中的一者可能是神經網路。在下一步驟中比較此些各式各樣的候選模型以判斷哪一者最佳之前，針對效能訓練及驗證此些候選模型。

在操作806中，驗證候選模型。驗證可在未用於訓練的數據上進行。驗證現行模型與候選模型兩者。由於在訓練模型時提供一組數據予現行模型及候選模型作為輸入且將輸出具有最小誤差的模型視為是最佳模型，因此驗證可為模型維護期間的類似處理。在某些實施例中，候選模型之效能不超過現行模型。在如此實施例中，驗證失敗，繼續使用現行模型直到下次一的效能檢查為止。在其他實施例中，候選模型之效能的確優於現行模型。在如此實施例中，在操作808中將候選模型佈署至工具作為製造中用的新模型並不再使用現行模型。自此時起，使用新模型減少自工具所取得之量測方法數據的誤差讀值，直到進行新效能檢查為止，新效能檢查可能會啟動經訓練或取代模型的產生以取代目前的現行模型。

可以諸多方式完成如重覆操作704及804所例示地重新訓練模型。在某些情況中，訓練可具有全新訓練操作的形式，其中在不使用任何先前機器學習的情況下訓練系統性誤差判斷模型。在某些情況中，如此新模型可保留或不保留原始模型的架構。例如，若其為神經網路自編碼器，其可保留層組態(包含隱藏層的數目及每一層上之節點的數目)以及活化函數的形式。

在某些情況中，重新訓練使用遷移學習。始於先受到訓練之模型並採取該模型之架構與現行參數值但接著利用新或不同訓練數據去改變模型之參數值的處理，有時被稱為遷移學習處理。在某些實施例中，使用遷移學習有效地重新訓練量測方法、文中所述之系統性誤差模型。在此背景下，在遷移學習中使用新訓練組如上所述可能包含在製造期間所收集的額外數據。 效能改善 ( 降低系統性誤差 )

下表提供諸多方法用之質量修正的標準差。無溫度補償係指未針對溫度調整的質量讀值。DT溫度補償能解決PTP與量測外殼之溫度間的差值。機器學習模型溫度補償使用文中所述之機器學習模型修正溫度。如所見，使用機器學習模型能減少DT技術上或無溫度補償之情況下的質量修正的標準差。

	質量修正之標準差	相對於無TC的改善%	相對於DT TC的改善%
無溫度補償	3.15e-04	N/A	N/A
DT溫度補償	3.13e-05	90.0%	N/A
機器學習模型溫度補償	2.40e-05	92.3%	23.3%

所揭露之計算實施例之背景

文中所揭露之某些實施例係關於產生及/或使用機器學習模型的計算系統。文中所揭露之某些實施例係關於在如此系統上施行之機器學習模型的產生及/或使用方法。產生機器學習模型的系統可用以分析數據，數據係用以校正或最佳化用以修正質量量測值的表示式或關係。產生機器學習模型的系統亦可用以接收數據及指令如在半導體裝置製造操作期間代表實體處理的程式碼。以此方式，在如此系統上產生或程式化機器學習模型。使用機器學習模型之經程式化的系統可用以(i)接收輸入如感測器讀值及重新量測值、及(ii)執行能判斷質量量測值之修正的指令。

可將具有任何諸多電腦架構之許多類型的計算系統用作為所揭露之施行機器學習模型及產生及/或最佳化如此模型之演算法的系統。例如，系統可包含在一或多個通常處理器或特別設計之處理器如應用特定積體電路(ASIC)或可程式化邏輯裝置(如場可程式化閘極陣列(FPGA))上執行的軟體元件。又，可在單一裝置上施行系統或系統可分散於複數裝置上。可將計算元件之功能彼此合併或更切分為複數子模組。

在某些實施例中，在經適當程式化之系統上產生或執行機器學習模型期間所執行的程式碼可以軟體元件形式體現，軟體元件可儲存在非揮發性儲存媒體(如光碟、快閃儲存裝置、可攜式硬碟等)上，包含用以做成電腦裝置(如個人電腦、伺服器、網路設備等)之複數指令。

在一層次處，將軟體元件施行為程式設計者/開發者所製備之一組指令。然而，電腦硬體可執行之模組軟體為利用「機器碼」而寫入記憶體的可執行碼，機器碼係選自特定機器語言指令組或經設計成為硬體處理器的「原始指令」。機器語言指令組或原始指令組為硬體處理器(複數處理器)所知且基本上被建立於硬體處理器(複數處理器)中。其為系統及應用軟體與硬體處理器通訊用的「語言」。每一原始指令為處理架構能識別且可針對算術、定址、或控制功能、特定記憶體位置或偏差、及用以解讀操作之特定定址模式指定特定暫存器的離散碼。藉著組合此些依序進行的簡單原始指令或如控制流程指令所引導，建立更複雜的操作。

可執行之軟體指令與硬體處理器之間的相互關係為結構性的。換言之，指令本身為一系列的符合或數值。其在本質上不傳遞任何資訊。藉著設計預先組態用以解讀符號/數值而賦予指令意義的是處理器。

可組態文中所用的模型以在單一位置處的單一機器上執行、在單一位置處的複數機器上執行、或在複數位置處的複數機器上執行。當施用複數機器時，可針對個別機器的特定任務對其客製化。例如，可在大型及/或固定機器上施行需要大型編碼塊及/或大量處理能力的操作。

此外，某些實施例係關於包含用以進行諸多電腦執行之操作之程式指令及/或數據(包含數據結構)的實體及/或非暫態電腦可讀媒體或電腦程式產品。電腦可讀媒體包含但不限於半導體記憶體裝置、相變裝置、磁媒體裝置如磁碟機、磁帶、光學媒體如CDs、磁光媒體、及特別用以儲存及執行程式指令的硬體裝置唯讀記憶體裝置(ROM)及隨機存取記憶體(RAM)。終端使用者可直接控制電腦可讀媒體或終端使用者可間接控制媒體。受直接控制之媒體的實例包含位於使用者設施處之媒體及/或未與其他實體分享的媒體。受間接控制之媒體的實例包含可藉由外部網路及/或藉著提供分享資源如「雲端」之服務讓使用者間接接取的媒體。程式指令之實例包含例如編碼器所產生之機器碼以及包含電腦可利用直譯器執行之較高階程式碼的檔案。

在諸多實施例中，所揭露之方法及設備中所用的數據或資訊係以電子形式提供。如此數據或資訊可包含設計佈局、固定參數數值、浮動參數數值、量測方法結果等。文中所用之以電子形式提供的數據或其他資訊可被儲存在機器上並於機器之間傳送。在傳統上，電子形式的數據係以數位方式提供且可儲存成諸多數據結構、表格、數據庫等中的位元及/或位元組。數據可以電子、光學等方式體現。

在某些實施例中，每一機器學習模型可被視為是應用軟體的形式，應用軟體與使用者及系統軟體交界。系統軟體通常與電腦硬體及相關的記憶體交界。在某些實施例中，系統軟體包含操作系統軟體及/或韌體以及安裝於系械中的任何中間軟體及驅動器。系統軟體提供電腦之基本、非特定任務的功能。相對地，模組及其他應用軟體係用以完成特定任務。模組之每一原始指令係儲存在記憶體裝置中並由一數值所代表。

例示性之電腦系統800係顯示於圖9中。如所示，電腦系統800包含輸入/輸出子系統802，取決於應用，子系統802可施用與人類使用者及/或其他電腦系統互動的介面。本發明之實施例可在系統800上之程式碼中施行，其中I/O子系統802係用以自人類使用者(例如藉由GUI或鍵盤)接收輸入程式敘述及/或自人類使用者(如藉由GUI或鍵盤)接收數據以及將其顯示予使用者。I/O子系統802可包含例如鍵盤、滑鼠、圖形化使用者介面、觸控螢幕、或其他輸入用介面，以及LED或其他平面式顯示螢幕或其他輸出用介面。本發明實施例的其他元件如指令下達引擎208可利用電腦系統如電腦系統800但或許在不使用I/O的情況下施行。

程式碼可儲存在非暫態媒體如永久儲存裝置810或記憶體808或兩者中。一或多個處理器804自一或多個非暫態媒體讀取程式碼並執行程式碼，使電腦系統完成文中之實施例所進行的方法，例如如文中所述涉及產生或使用處理模擬模型的方法。此領域中熟知此項技藝者當明白，處理器可接收源程式碼如用以執行訓練及/或模型化操作的敘述，並將源程式碼解讀或編碼為在處理器之硬體閘極階層可了解的機器碼。匯流排耦合I/O子系統802、處理器804、周邊裝置806、記憶體808、及永久儲存裝置810。結論

雖然為了清楚了解的目的已在某種程度上詳細說明了上述之實施例，但應明白，在不脫離隨附之請求項範疇的情況下可進行某些變化及修改。可在缺乏部分或全部此些特定細節的情況下實施文中所揭露的實施例。在其他情況中，並詳細說明已知之處理操作以免不必要地模糊所揭露之實施例。又，雖然已利用特定實施例說明所揭露之實施例，但應了解，特定實施例意不在限制所揭露之實施例。應注意，有許多其他方式可施行本發明實施例的處理、系統、及設備。因此，本發明實施例應被視為是說明性及非限制性的，實施例不限於文中所述之細節。

100:多MCP模組組件 1:測重天秤 3:測重盤 5:測重室 7:熱傳板 9:熱傳板 11:帕爾帖裝置 13:熱沉 15:氣流 17:區域 19:熱間隙 20:EFEM外殼 21:末端執行器 22:濾件 23:半導體晶圓 25:區域 27:風扇 29:氣流 31:加熱器 32:熱沉 33:溫度感測器 50:濕度感測器 52:溫度感測器 54:PTP溫度感測器 56:ATP溫度感測器 405:感測器 502:操作 506:操作 510:操作 512:操作 514:操作 602:操作 604:操作 606:操作 608:操作 610:操作 612:操作 614:操作 702:操作 704:操作 706:操作 708:操作 710:操作 800:電腦系統 802:操作 804:操作 806:操作 808:操作 810:永久儲存裝置

圖1–3顯示根據本發明實施例所使用之例示性質量量測工具的概圖。

圖4顯示一例示性量測工具的後視圖及可與量測工具相關之諸多感測器。

圖5顯示判斷質量修正值用之處理流程圖。

圖6顯示訓練機器學習模型用之處理流程圖。

圖7及8提供維護機器學習模型用之處理流程圖。

圖9顯示可用以實施文中所述之某些實施例之例示性電腦系統。

502:操作

506:操作

510:操作

512:操作

514:操作

Claims

一種質量量測中之系統性誤差的修正系統，包含：一或多個處理器；及複數程式指令，用以在該一或多個處理器上執行，該複數程式指令定義用於下列者之一機器學習模型：自一質量量測工具接收一基板之一質量量測值、接收與該質量量測值相關的複數感測器讀值、及輸出該質量量測值之系統性誤差的一值及/或已針對該系統性誤差修正之一經修正之質量量測值。
如請求項1之質量量測中之系統性誤差的修正系統，更包含該質量量測工具，其中該質量量測工具係用以量測該基板之一重量。
如請求2之質量量測中之系統性誤差的修正系統，其中質量量測工具包含複數感測器，且該複數感測器讀值中之至少一感測器讀值係自該複數感測器所接收。
如請求項3之質量量測中之系統性誤差的修正系統，其中該質量量測工具包含一測重室，該測重室係用以獲得該基板之一重量量測值，且該複數感測器包含一測重室溫度感測器、一測重室氣壓感測器、一測重室相對濕度感測器、一荷重元水平位置感測器、或其任何組合。
如請求項3之質量量測中之系統性誤差的修正系統，其中該質量量測工具包含一主動熱板，且該複數感測器包含該主動熱板用之一溫度感測器及當該基板位於該主動熱板上時該基板用之一溫度感測器中的一或多者。
如請求項3之質量量測中之系統性誤差的修正系統，其中該質量量測工具包一被動熱板，且該複數感測器包含該被動熱板用之一溫度感測器。
如請求項3之質量量測中之系統性誤差的修正系統，其中該複數感測器包含一傾斜感測器及/或一氣壓感測器。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數程式指令更包含用於下列者的指令：控制該一或多個處理器，以藉著自該基板之重量量測值移除一浮力分量，而判斷該質量量測值。
如請求項8之質量量測中之系統性誤差的修正系統，其中該複數程式指令更包含用於下列者之指令：控制該一或多個處理器，以至少部分基於在收集該重量量測值時在該質量量測工具內之空氣之一經計算之密度來判斷浮力。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含該基板之溫度、該質量量測工具內的氣壓壓力、該質量量測工具內之相對濕度、或其任何組合。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含與該質量量測工具相關之一參考質量的一質量量測值。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含一參考質量之一質量量測值與該參考質量之一真實質量之間的一差值。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含一參考質量之一質量量測值與該基板之該質量量測值之間的一差值。
如請求項12之質量量測中之系統性誤差的修正系統，其中該參考質量之該質量量測值係由該質量量測工具從該質量量測工具之最後十個質量量測值內所獲得。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含該基板在該質量量測工具中的一位置資訊。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數感測器讀值包含來自一或多個元件的複數感測器讀值，該一或多個元件係選自由下列者所構成的族群：一前開口統一艙(FOUP)、一製程室、及一真空傳送模組。
如請求項1之質量量測中之系統性誤差的修正系統，其中該質量量測工具係與一IC製造環境中的一或多個製程室相關。
如請求項1之質量量測中之系統性誤差的修正系統，其中該機器學習模型為一隨機森林模型(random forest model)、一正規化線性模型、一核脊模型(kernel ridge model)、或其任何組合。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數程式指令更包含用以控制該一或多個處理器以進行下列者的指令：週期性地檢查該機器學習模型的效能；及判斷該機器學習模型是否並未符合一控制限值。
如請求項19之質量量測中之系統性誤差的修正系統，其中該控制限值為與該機器學習模型相關之均方根誤差的一值。
如請求項19之質量量測中之系統性誤差的修正系統，其中該複數程式指令更包含用以控制該一或多個處理器以進行下列者的指令：訓練一或多個候選模型；將該一或多個候選模型和該機器學習模型比較，以判斷哪一模型提供最佳質量量測修正；及以一取代機器學習模型取代該機器學習模型，該取代機器學習模型為該一或多個候選模型中提供該最佳質量量測修正的一候選模型。
如請求項1之質量量測中之系統性誤差的修正系統，其中該複數程式指令更包含用以控制該一或多個處理器以進行下列者的複數指令：利用一系列訓練晶圓訓練該機器學習模型。
如請求項22之質量量測中之系統性誤差的修正系統，其中該系列訓練晶圓包含：針對每一訓練晶圓之一或多個質量量測值、針對每一訓練晶圓之複數真實質量值、及與每一質量量測值相關之一或多個感測器讀值。
一種之非暫態機器可讀儲存媒體，其包含指令，當一或多個處理器執行該指令時，使該一或多個處理器進行下列者：自一質量量測工具接收一基板之一質量量測值、接收與該質量量測值相關的複數感測器讀值、及將一機器學習模型應用至該質量量測值及該複數感測器讀值，以產生該質量量測值之該系統性誤差的一值及/或已針對該系統性誤差修正之一經修正之質量量測值。
如請求項24之非暫態機器可讀儲存媒體，其中該質量量測工具包含複數感測器，且該複數感測器讀值中之至少一感測器讀值係自該複數感測器所接收。
如請求項25之非暫態機器可讀儲存媒體，其中該質量量測工具包含一測重室，該測重室係用以獲得該基板之一重量量測值，且該複數感測器包含一測重室溫度感測器、一測重室氣壓感測器、一測重室相對濕度感測器、一荷重元水平位置感測器、或其任何組合。
如請求項25之非暫態機器可讀儲存媒體，其中該質量量測工具包含一主動熱板，且該複數感測器包含該主動熱板用之一溫度感測器及當該基板位於該主動熱板上時該基板用之一溫度感測器中的一或多者。
如請求項25之非暫態機器可讀儲存媒體，其中該質量量測工具包含一被動熱板，且該複數感測器包含該被動熱板用之一溫度感測器。
如請求項24之非暫態機器可讀儲存媒體，其中該機器學習模型為一隨機森林模型、一正規化線性模型、一核脊模型、或其任何組合。
如請求項24之非暫態機器可讀儲存媒體，其中該機器學習模型為一隨機森林模型、一正規化線性模型、一核脊模型、或其任何組合。
如請求項24之非暫態機器可讀儲存媒體，包含用以使該一或多個處理器進行下列者的額外指令：週期性地檢查該機器學習模型的效能；及判斷該機器學習模型是否並未符合一控制限值。