TW202316332A - 微製造中的自動故障偵測 - Google Patents

微製造中的自動故障偵測 Download PDF

Info

Publication number
TW202316332A
TW202316332A TW111115788A TW111115788A TW202316332A TW 202316332 A TW202316332 A TW 202316332A TW 111115788 A TW111115788 A TW 111115788A TW 111115788 A TW111115788 A TW 111115788A TW 202316332 A TW202316332 A TW 202316332A
Authority
TW
Taiwan
Prior art keywords
processing tool
tool
neural network
machine data
processing
Prior art date
Application number
TW111115788A
Other languages
English (en)
Inventor
馬修 葛溫
Original Assignee
美商東京威力科創美國製造與工程公司
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 美商東京威力科創美國製造與工程公司 filed Critical 美商東京威力科創美國製造與工程公司
Publication of TW202316332A publication Critical patent/TW202316332A/zh

Links

Images

Classifications

    • 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
    • H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0428—Safety, monitoring

Abstract

一種方法，包括：在處理半導體基板時從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，以及與處理期間的一或更多離散時間間隔相關的操作代碼；使用來自該第一處理工具的該第一處理工具機器數據以訓練第一神經網路；以及至少部分地基於應用來自至少一處理工具的後續機器數據，而從該第一神經網路生成指示該第一處理工具的故障的第一輸出。

Description

微製造中的自動故障偵測
本揭露整體係關於微製造技術，且在特定實施例中係關於微製造中的自動故障偵測。 [相關申請案的交互參照]
本申請案主張2021年4月28日提交的美國臨時申請案第63/180,907號的優先權，該申請案的整體內容係作為參考文獻而引入本文中。
半導體裝置製造商持續面臨著以盡可能低的生產成本及最短時間量來生產半導體裝置的挑戰。減少裝置生產時間及成本的一種方法是減少半導體處理工具的錯誤和故障。像是反應離子蝕刻腔室或機器人晶圓追蹤系統的半導體工具的故障可能導致半導體晶圓以錯誤方式進行處理，且必須報廢。這會導致材料成本增加，而因此使總生產成本增加。此外，當半導體工具失靈或達到故障狀態時，它可能會停止運行晶片。這可能導致計劃之外的半導體處理暫停，並因此導致半導體處理時間增加。
根據本申請案的實施例，一種方法包括：在處理半導體基板時從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，以及與處理期間的一或更多離散時間間隔相關的操作代碼；使用來自該第一處理工具的該第一處理工具機器數據以訓練第一神經網路；以及至少部分地基於應用來自至少一處理工具的後續機器數據，而從該第一神經網路生成指示該第一處理工具的故障的第一輸出。
根據本發明的另一實施例，一種工具系統包括：處理器；非瞬態記憶體，耦接至該處理器，且包括在該處理器中執行的程式，該程式包括複數指令，用於：在處理複數半導體基板時，從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，以及與處理期間的一或更多離散時間間隔相關的操作代碼；使用該第一處理工具機器數據訓練第一神經網路；以及至少部分地基於應用來自至少一處理工具的後續機器數據，而從該第一神經網路生成指示故障的第一輸出。
根據本發明的另一實施例，一種方法包括：將第一機器學習系統的處理器上的神經網路初始化，該處理器是耦接至用於處理晶圓的第一半導體處理工具；訓練該神經網路以預測該第一半導體處理工具的故障；在訓練該神經網路後，將該神經網路儲存至該第一機器學習系統的記憶體；以及在第二半導體處理工具上實施該第一機器學習系統。
下面詳細討論本揭示的實施例的作成及使用。然而，應當理解，本文所揭示的概念可在各種特定背景中實施，並且本文所討論的特定實施例僅是說明性，而不用於限制請求項的範圍。此外，應當理解，在不背離所附申請專利範圍所限定的本揭示的精神及範圍的情況下，可在本文中進行各種改變、替換及變更。儘管本申請案是在半導體處理的背景中加以描述，但本申請案的實施例通常適用於製造微米級或更小的微型結構的任何生產線的所有微製造技術。此等微製造技術的示例包括積體電路製造、微機電系統 (MEMS)、微流體/晶片實驗室、光學 MEMS、RF MEMS、PowerMEMS、BioMEMS、奈米機電系統等。
由於半導體處理工具故障而導致晶圓報廢，進而造成半導體材料的材料成本增加是與半導體處理相關的常見問題。半導體工具處理故障可能會產生經不當處理的晶圓，而其可能需要報廢，進而增加生產成本。
本申請案的發明人已經確定，避免晶圓報廢的一種方法是使用人工智能演算法來預測晶圓處理故障，並且在錯誤發生之前停止/修復晶圓處理工具運行晶圓。通常，在微製造期間，半導體處理工具會不斷產生與工具效能(例如，溫度、壓力、各種電流和電壓、特定材料的比例等)相關的大量複雜數據。在處理期間，持續收集像是工具效能數據及所測量的原位工具數據等的機器數據。即使是機器數據變數中的最輕微變化也可能會導致工具故障。由於與處理工具的效能及微製造所需的精確性相關的大量數據，在機器數據變數之間存在著可能導致故障的相互關係。然而，在機器數據變數之間的相互關係可能不屬於可經由數學建模而能夠預測即將發生的故障的明確關係。
本文所描述的實施例涉及使用基於人工智能(AI)的演算法來預測微製造工具故障的方法和系統。基於 AI 的演算法是經訓練以理解機器數據變數與即將發生的故障之間的相互關係。基於這種經訓練的基於人工智能的演算法，可在工具對晶圓進行錯誤處理之前預見且校正工具的故障。
圖1繪示方塊圖，其示出根據本申請案的實施例的微製造故障預測系統100。如圖1所示，半導體預測系統100可以包括半導體處理工具120，該半導體處理工具120耦接至基於AI的工具，例如機器學習(ML)系統130，該ML系統130可進一步耦接至半導體處理工具控制器110。
半導體處理工具120可包括由微製造處理所使用的任何工具，例如退火工具、沉積工具、塗覆/顯影工具、蝕刻工具、表面製備工具、微影工具、離子植入工具，包括氣體團簇離子束工具、晶圓追蹤系統、 各種腔室、機器人晶片搬運器、測試設備(特別是原位測試工具)，或是本領域中已知的任何其他半導體處理工具。此外，本文所使用的半導體處理故障是被定義為半導體處理工具的正常操作被暫時停止及/或造成不正確處理的晶片的狀態。
在各種實施例中，半導體處理工具控制器110可包括微控制器、電腦、微處理器或其他處理電路系統。
在各種實施例中，機器學習(ML)系統130可包括任何機器學習系統，包括深度學習演算法。作為一示例，機器學習系統可包括基於神經網路的深度學習演算法。
在各種實施例中，ML系統130可包括在軟體中實施的至少一神經網路，該軟體還可包括不同的軟體模組。在一個或多個實施例中，機器學習(ML)系統130可更包括軟體模組，例如皆耦接至神經網路140的數據處理器135及故障檢測器150。在各種實施例中，數據處理器135、神經網路140及故障檢測器150可如圖2中進一步描述地實施。
在各種實施例中，半導體處理工具120可以進一步耦接至感測器122及狀態檢測器124。感測器122及狀態檢測器124均可被包括在半導體處理工具120中，或是耦接至該半導體處理工具120。
在一或更多實施例中，感測器122可包括多個感測器，配置以測量原位工具數據並將其輸出到數據處理器135。感測器122的示例可包括溫度感測器、壓力感測器、流量計、光譜測量工具、電流/電壓感測器等。這將更詳細描述於下。
在一或更多實施例中，狀態檢測器122可為一設備，配置以判斷半導體工具120的狀態並將相應的操作代碼輸出至數據處理器135。這將更詳細描述於下。
在將神經網路140耦接至半導體處理控制器110並用於預測工具故障之前，可將其進行訓練。在一或更多實施例中，神經網路140會在訓練期間自我學習如何在半導體處理工具120處理晶圓時預測工具故障。
如圖1所示，機器數據和操作代碼可由數據處理器135加以收集及累積。在各種實施例中，機器數據可包括由半導體處理工具120生成的處理數據。處理數據指的可以是從晶片處理開始的時間到當前時間可由半導體處理工具使用者所控制的處理參數值。處理數據的示例包括所有處理配方，但不限於溫度、壓力、進入處理工具的各種氣體的通量等。
在一些實施例中，機器數據還可包括由感測器122輸出的所測量原位工具數據。所測量的原位工具數據指的可以是由感測器122測量的數據，該數據是作為處理數據的結果而產生。在一或更多實施例中，所測量的原位工具數據指的可以是從半導體處理工具120處開始晶片處理的時間到當前時間的任何所測量處理參數。因此，所測量的原位工具數據可包括處理數據及/或晶圓測量數據(例如，晶圓溫度、晶圓位置、定子電壓、處理工具120的電路系統內的不同節點處的電流/電壓，以及被連續或定期監測的其他性質)的測量值及監測值。
在一些實施例中，機器數據還可包括從工具外部的感測器所得到的異地數據。例如，異位數據可包括來自批量輸送系統、真空系統、消減系統(abatement system)，及/或在製造處理的一部分時在複數工具之間轉移的基板的處理時間-裕度情況的測量值。操作代碼可由狀態檢測器124生成。操作代碼可指示半導體處理工具120是否針對時間或情況達到故障狀態，及/或可包括指示半導體處理工具120的狀態的代碼及/或訊息。例如，操作代碼可包括當半導體處理工具達到故障狀態時的錯誤代碼/訊息，或是指示工具處於正常操作或工具超出指示工具的狀態或情況的閾值的代碼/訊息。在一或更多個實施例中，可在相同的時間尺度上生成處理數據、所測量的原位數據、所測量的異位數據及操作代碼。
數據處理器135收集及累積數據的方式是取決於神經網路140處於學習階段或使用階段。在學習階段期間，神經網路140正在被訓練；而在使用階段中，神經網路140預測半導體處理工具120的狀態，例如即將發生的故障。
在各種實施例中，可訓練神經網路140，以在實際發生故障之前使用監督式學習來預測半導體處理工具120的狀態。在監督式學習期間，神經網路140從包括訓練示例數據集的訓練數據推斷或構建函數。各示例通常包括一輸入物件及一期望輸出值。監督式學習演算法對訓練數據進行分析並生成推斷函數，而該推斷函數可用於映射新示例。最佳方案將允許演算法正確地判斷尚未見到的實例的類別標籤。這需要學習演算法從訓練數據推斷至新的情況。學習階段包括判斷訓練示例的類型、為訓練示例收集數據、判斷學習函數的結構、判斷如何表示學習函數的輸入、運行訓練演算法以開發初始學習函數，以及評估學習函數的準確性並重新訓練或最佳化該學習函數以提高預測的準確性。這些步驟中的各者將更詳細地描述於下。
在監督式學習中，神經網路140可藉由接收映射(或標記著)預期輸出的輸入來學習如何預測輸出。接著，基於神經網路140所預測的輸出與所映射的輸入之間的差異，神經網路140可自我更新。因此，在一或更多實施例中，在訓練期間，數據處理器135可配置以連續地獲取及累積機器數據，並且將該機器數據映射到未來的操作代碼(即，所預期的輸出)。換言之，在訓練期間，隨著半導體處理工具進行操作，數據處理器135不斷地獲取並累積機器數據及操作代碼。接著，當數據處理器135獲取並累積機器數據及操作代碼時，其可利用各個經格式化的機器數據(其包括在相應複數時段上所收集的機器數據)來格式化機器數據、判斷在各個經格式化的機器數據之後的時段中存在的操作代碼、將各個經判斷的操作代碼映射到各個相應的經格式化機器數據，以及使用所映射的機器數據作為訓練輸入。此處理將更詳細描述於下。
有利地，機器學習(ML)系統130生成所映射的機器數據，該機器數據是「自標記」以用於訓練神經網路140。此做法的一優點在於，標記訓練數據通常是手工完成的，這可能既耗時又昂貴，或者是藉由使用有限數據量的數據庫來完成。經自標記的訓練數據允許在半導體處理工具120處理晶圓時持續訓練神經網路140。
有利地，藉由自標記數據，本發明的實施例克服傳統上訓練神經網路所需的大數據集需求。例如，在各種實施例中，在處理工具120的正規操作期間連續收集訓練數據(例如，機器數據及操作代碼)，在一段時間內，該訓練數據可變得足夠大以提供用於訓練神經網路的有意義起點。
看回到圖1，在一或更多實施例中，在充分訓練之後生成第一神經網路140，其係配置以預測半導體處理工具120的故障狀態。因此，ML系統130可進一步耦接至半導體處理控制器110。半導體處理控制器110可耦合至或被包括在半導體處理工具120中。
在各種實施例中，在使用階段，神經網路140可被連續餵入由數據處理器135所格式化的複數未經映射的機器數據。各個未經映射的機器數據(即，處理工具經過充分訓練後所輸出的機器數據)可對應一時段，其中各時段與訓練中使用的時段的長度相同。神經網路 140 基於其訓練而生成被饋送到故障檢測器 150 的輸出。故障檢測器150基於神經網路140的輸出而判斷故障是否將會在緊鄰各個機器數據的時段內發生。接著，可將故障檢測器150的輸出饋送至半導體處理工具控制器110，並通知使用者該工具未來的狀態。若故障檢測器150的輸出指出即將發生的故障，則半導體處理工具控制器110可產生控制信號，以在故障之前停止晶片的運行，並且通知負責人或採取一組預編程的動作來避免即將發生的故障。有利地，這可在晶片報廢發生之前將其防止，並且可在故障發生之前採取矯正措施，例如調整處理參數。
在各種實施例中，半導體處理工具控制器110及機器學習(ML)系統130可被整合到單一系統中，並且在一些實施例中，它們可與半導體處理工具120一起被整合到單一系統中。
圖2繪示根據本申請案的實施例用於執行本文描述的方法的示例ML系統130的方塊圖。
如圖所示，機器學習 (ML) 系統 130 包括記憶體 210、處理器 220 及界面 230，它們可能會(或可能不會)如圖 2 所顯示地進行配置。
處理器220可為適於執行ML系統130的操作及計算的任何構件或構件集合。在一或更多實施例中，為了增加ML系統的產量，處理器220可被實施為複數大規模圖形處理單元(GPU)。舉例來說，神經網路的各單獨計算可由並聯的複數GPU獨立地執行，從而節省總處理時間。在其他實施例中，處理器220可被實施為包括GPU多集群的AI超級電腦。
在各種實施例中，處理器220亦可被實施為複數靈活的可編程邏輯陣列(FPGA)或專用積體電路(ASIC)，以提高ML學習系統130的處理速度。
在各種實施例中，處理器220可被實施為中央AI超級電腦，其包括可連接到複數半導體處理工具的GPU多集群。換言之，處理器220可被實施為支持複數ML系統130的中央處理器。舉例來說，在不同半導體處理工具上實施的複數 ML 系統 130所收集的機器數據可將機器數據發送到中央 GPU 多集群超級電腦。
記憶體210可為適於儲存神經網路、程式及/或指令以供處理器220執行的任何構件或構件集合。在一或更多實施例中，記憶體210包括非瞬態電腦可讀媒體。在各種實施例中，電腦可讀媒體記憶體可包括儲存可被機器所讀取的資訊的非瞬態機構，該機器包括唯讀記憶體(ROM)、隨機存取記憶體(RAM)、磁碟儲存媒體、光學儲存媒體 、快閃記憶體裝置、固態儲存媒體等。
在各種實施例中，數據處理器135、神經網路140及故障檢測器150可在記憶體210中儲存的程式中實施，該程式接著在處理器220中執行。
有利地，在一或更多實施例中，在為半導體處理工具120訓練神經網路140之後，可將神經網路140儲存到ML系統130的記憶體210中。此做法的一優點在於，它允許可在進一步ML 系統上實施經訓練的神經網路，而該進一步ML 系統可耦接至進一步處理工具。在一或更多實施例中，進一步ML系統可耦接至進一步處理工具，該進一步處理工具是無需額外訓練的半導體處理工具120的工具類型。在一或更多實施例中，經訓練的神經網路可在位於相同製造設施或不同製造設施中的進一步半導體處理工具上實施。
在其他實施例中，進一步半導體處理工具可為與半導體處理工具120共享一些特徵部的不同類型處理工具。當進一步的半導體處理工具是不同類型中的其中一種時，可在進一步處理工具的操作期間進一步訓練神經網路。這可為進一步半導體處理工具訓練進一步的神經網路。
界面230可以是允許ML演算法130與像是半導體處理工具控制器120的其他裝置/構件進行通信的任何構件或構件集合。舉例來說，在一或更多實施例中，界面230可適於允許ML系統130與半導體處理工具控制器110通信，以通知半導體處理工具控制器110而在半導體處理工具120失靈之前停止晶片的運行。在其他實施例中，界面230還可適於與顯示器通信，以通知使用者該工具的預測狀態。ML系統130可包括圖2中未繪示的額外構件，例如長期記憶體(例如，非揮發性記憶體等)。
圖3是繪示根據本申請案的實施例在機器學習系統中實施的示例神經網路的圖式。
圖3繪示可在機器學習(ML)系統130上實施的前饋多層神經網路300的簡化圖。神經網路300包括輸入層310、至少一個隱藏層330及輸出層350，該輸入層310包含輸入節點320，該隱藏層330包含隱藏節點340，而該輸出層350包含輸出節點360。輸入節點320、隱藏層330、隱藏節點340及輸出節點360的數量並無限制。因此，可使用任何合適數量的輸入節點310、輸出節點350及隱藏層330。雖然圖 3 繪示單一神經網路，但 ML系統 130 可包括複數神經網路。
神經網路300是作為前饋神經網絡進行操作，這意味著數據總是沿單一方向(例如，往前)移動通過神經網路300。換言之，神經網路300藉由下列方式進行操作：在輸入節點處接收輸入(即，機器數據)，並根據輸出節點處的機率來輸出預測(即，處理工具的未來狀態)。在一或更多實施例中，神經網路300可包括用於半導體處理工具120的各個可能的操作代碼的輸出節點。在其他實施例中，可存在兩個輸出節點，其中一節點輸出將發生故障的機率，而另一輸出節點用於輸出將不會發生故障的機率。輸入節點及輸出節點的數量不受本揭示所限制。
儘管本文中描述前饋神經網路，但是神經網300可為任何類型的合適神經網路。舉例來說，神經網路300可包括其他類型的神經網路，例如遞歸神經網路(RNN)或卷積神經網路(CNN)。神經網路的類型不受本揭示所限制。
如圖 3 所示，以加權連結 315 將輸入節點 320 與各相繼層進行連接。各加權連結315包括對於輸入影響輸出的相對程度加以判斷的獨特權重。各加權連結315對應的權重值是神經網路300的知識結構。此時，學習及/或訓練是被定義為神經網絡300的知識結構的任何自我導向改變，而該自我導向改變使效能改善。
隱藏節點340各自實現非線性數學激勵函數，該激勵函數將該組權重應用於輸入而生成經學習函數。在一或更多實施例中，各隱藏節點340可應用相同的非線性激勵函數。在其他實施例中，隱藏節點340可應用不同的非線性激勵函數。舉例來說，非線性激勵函數可為sigmoid函數、ReLU函數或本領域已知的任何其他已知非線性激勵函數。
如上所述，可使用經標記的訓練數據(即，映射到後續操作代碼的機器數據)來訓練神經網路300。此以監督式學習而為人所知。監督式學習演算法需要在標記訓練數據之前先判斷訓練數據的格式。在各種實施例中，訓練數據的格式可取決於學習函數的結構。換言之，訓練數據必須與學習函數相容。學習函數的示例可包括但不限於基於支持向量的學習函數，以及基於決策樹的學習函數。
舉例來說，在各種實施例中，若學習函數是基於支持向量的學習函數，則機器數據(例如訓練數據)可被格式化成數字特徵的n維向量，以代表被稱為特徵向量的機器數據。在一或更多實施例中，機器數據可以被格式化成包括該機器數據的原始值的特徵向量，或者被格式化成具有特徵向量值的影像，其中該特徵向量值包括該影像的像素值。
接著，在各種實施例中，在判斷訓練數據及學習函數的格式之後，可將隨機權重分配給各加權連結315，並可將學習函數初始化。在一或更多實施例中，在將學習函數初始化之後，可在半導體處理工具120的操作期間將數據處理器135所格式化的經映射(「自標記」)機器數據饋送至神經網路，並將其用於更新學習函數。換言之，基於訓練數據與其各自映射之間的關係，神經網路進行學習、將學習函數自我更新，並且在充分訓練後生成一模型以基於輸入來預測結果，而無需映射。
半導體處理工具持續生成大量的複雜數據。這可能會導致工具處理效能變數之間的關無法識別。即使是機器數據值中最細微的變化也可能導致處理失敗。因此，在一或更多實施例中，可將利用模式關聯(pattern association)的學習/訓練技術(例如，反向傳播)的群組用於訓練神經網路300。模式關聯學習的目標是將輸出模式映射到輸入模式。模式關聯學習技術向神經網路300提供一組規則及指令，以響應從映射輸入而生成的輸出來自我調整學習函數。換言之，神經網路300具有在接收映射輸入時自主更新其自身以改善其效能的能力。
有利地，模式關聯學習允許神經網路300檢測複數機器數據值的關係之間的模式。這樣做的其中一優點在於，它允許神經網路300對於專家可能不會注意到的機器數據輸入的複數值之間的模式進行學習及識別。
圖4A-4E繪示根據本申請案的實施例將輸入到神經網路中的機器數據進行獲取、累積及格式化的中間步驟，其中圖4A繪示所收集及累積的機器數據及操作代碼，圖4B繪示在訓練階段中使用的第一格式化機器數據，圖4C繪示在訓練階段中使用的第二格式化機器數據，圖4D繪示在使用階段中使用的第一進一步格式化機器數據，而圖4E繪示在使用階段中使用的第二進一步格式化機器數據。圖5是一流程圖，繪示根據本申請案的實施例用於訓練及使用神經網絡來預測半導體處理工具的故障的示例處理流程。
圖4A繪示半導體處理工具400的輸出的示例，其中該半導體處理工具400可類似於上面討論的半導體處理工具120。如圖4A所示，在一或更多實施例中，半導體處理工具400的輸出可包括機器數據404及操作代碼402。如上所述，機器數據404可包括由處理工具120產生的處理數據，及/或由感測器122所測量的原地測量工具數據。機器數據404可被定義為以d 0至d n所表示的複數機器數據值。操作代碼402可包括半導體處理工具120的狀態(例如，它是否處於故障狀態)，伴隨著指示工具狀態的對應代碼/訊息。舉例來說，對應的代碼/訊息可指示基板位置、壓力、機器人速度、定子電壓、溫度等。如圖4A所示，半導體處理工具400的輸出以時間間隔406持續輸出。舉例來說，半導體處理工具400的輸出可以連續輸出，或在周期性間隔後輸出。
在各種實施例中，亦如同關於圖4A-4B所描述的，可在第一半導體處理工具120的操作期間的複數時段內生成機器數據(方框502)，其中該複數機器數據中的各者包括處理工具在複數時段中的相應一者的操作期間的處理數據。
接下來，可判斷緊接在各機器數據之後的各時段中的操作代碼(方框504)。具體來說，判斷複數操作代碼，其中該複數操作代碼中的各者遵循用於複數機器數據中的各者的複數時段中的相關時段。複數操作代碼的各者與複數操作代碼的相鄰一者在時間上分隔至少一時段。請例如參照使用圖4B而進一步描述於下的第一時段412及第二時段414，及其與操作代碼410的關係的敘述。
圖4B繪示當機器學習(ML)系統130處於訓練階段時，被進行格式化以輸入至神經網路140中的第一機器數據408的示例。如圖4B所示，數據處理器135在操作期間收集並累積半導體處理工具400的輸出。在一或更多實施例中，當收集及累積半導體處理工具400的輸出時，可將數據分配至複數時段中。在圖4B所示的示例中，半導體處理工具400的輸出可被分配至第一時段412及第二時段414中。在各種實施例中，第二時段414可在第一時段412結束後立即開始。第一時段412及第二時段414的長度可具有以分鐘(例如，10分鐘)到天(例如，2天)為單位的長度。第一時段412及第二時段414的持續時間可為相同的持續時間，或者可具有不同的持續時間。
在如上所述的各種實施例中，將機器數據加以格式化的方式是取決於學習函數的結構。在如前所述的一或更多實施例中，若學習函數是基於支持向量的學習函數，則機器數據可被格式化為特徵向量。舉例來說，在一或更多實施例中，可將機器數據轉換成影像。接著，可將影像格式化成特徵向量。
請回到圖4B中的說明性示例，在一或更多實施例中，在第一時段412期間收集的機器數據可被轉換成第一機器數據影像。第一機器數據影像的大小可透過以像素為單位的其長度(l)乘以其寬度(w)而加以定義。機器數據影像的長度(l)(以像素為單位)可等於在第一時段中所包括的時間間隔的數量。機器數據影像的寬度(w)(以像素為單位)可等於機器數據值(d n)的數量(n)。接著，第一數據機器影像可被格式化成大小為l乘w的特徵向量，其由該特徵向量是被與第一時段412內的各機器數據變數的像素值對應的數值所填充。
在其他實施例中，可將第一機器數據408格式化成被原始機器數據值所填充的特徵向量。
在格式化第一機器數據408之後，可對存在於第二時段414中的操作代碼410進行判斷(方框504)。使用第一機器數據408作為輸入，以及使用相應的操作代碼410作為輸出，該操作代碼410可映射到第一機器數據408。這產生被輸入到神經網路140中用於訓練的第一「自標記」機器數據(方框506)。
接著，在將映射到第一操作代碼410的第一機器數據408輸入至神經網路140中之後，可將第一時段412及第二時段414時移(time-shift)相等的時間量。額外的機器數據可映射到與經時移時段對應的相應操作代碼，並被用於使用上述處理來訓練神經網路140。
圖4C繪示第二機器數據416的示例，該第二機器數據416被格式化，以在機器學習(ML)系統130處於訓練階段時而輸入到神經網路140中。
接著，如關於圖 4C而更詳細描述的，可使用機器數據作為輸入來訓練神經網路，該輸入映射有相應的操作代碼作為輸出(方框 506)，以生成針對處理工具所訓練的神經網路，其中該複數輸入的各者是基於複數時段而映射複數輸出。
參照圖4C，第二機器數據416被數據處理器135格式化，且映射(例如，標記)到相應的操作代碼418。可藉由將第一時段412及第二時段414時移相等的時間量以格式化第二機器數據416。在對第一時段412及第二時段414進行時移之後，藉由使用圖4B中描述的相同處理，利用被包括在經時移的第一時段420中的機器數據來填充第二特徵向量，以將第二機器數據416格式化。
在生成第二機器數據416之後，數據處理器135可判斷存在於經時移的第二時段422中的操作代碼418。接著，使用第二機器數據416作為輸入，並且使用相應的操作代碼418作為輸出，操作代碼418可被映射到第二機器數據416且被饋送到神經網路140。可使用預定數量的機器數據來重複進行該處理，直到神經網路140被充分訓練。這可形成用於半導體處理工具120的第一經訓練神經網路。
在各種實施例中，在利用被映射到相應操作代碼的預定數量機器數據來生成第一神經網路之後，可測試第一神經網路的性能以查看其是否被充分訓練。在一或更多實施例中，可藉由輸入一系列未被映射到第一神經網路中的機器數據，並將故障檢測器150的輸出與已知的操作代碼進行比較來測試第一神經網路。如上所述，第一神經網路可輸出與各操作代碼對應的一組概率。接著，基於第一神經網路所輸出的概率，故障檢測器150可預測半導體處理工具120未來的操作代碼。因此，具有最高概率的輸出被認為是第一個神經網路的預測。在一或更多實施例中，當針對在測試期間所使用的各未經映射機器數據的神經網絡的輸出預測出具有最小閾值概率的適當輸出時，第一神經網路已為半導體處理工具120而被充分訓練。最小閾值概率可由使用所設定，並且可落在例如90%與98%之間的範圍內。
若測試期間的輸出未符合所需的閾值概率，則可使用圖4A-4C中描述的處理針對另一預定數量的經映射機器數據來進一步訓練第一神經網路。例如，在重新訓練期間，可對神經網路140及/或持續時間(例如，第一持續時間412和第二持續時間414)進行修改。在一些實施例中，可並行(或依序)生成複數神經網路以節省時間，直到得到具有期望閾值可預測性的滿意經訓練神經網絡。
在各種實施例中，為半導體處理工具120訓練的第一神經網路可被保存到ML系統130的記憶體210中。然後，可在進一步的半導體處理工具上實施ML系統130。在一或更多實施例中，若進一步的半導體處理工具是與半導體處理工具120相同類型的工具，則可能不需要大量的額外訓練。在其他實施例中，若進一步的半導體處理工具是不同類型的處理工具，則可使用圖4A-4C中描述的處理來進一步訓練神經網路。這可形成為進一步的半導體處理工具所訓練的進一步神經網路。
參照圖4D，在為半導體處理工具120生成第一神經網路之後，可將第一神經網路耦接到半導體處理工具控制器110，並且可將第一神經網路用於生成指示工具故障的輸出(方框508)。如上所述，在操作期間，數據處理器135可連續地收集及累積進一步的機器數據，並將該進一步的機器數據格式化。在各種實施例中，進一步的機器數據可為未經映射的，並且對應於在複數進一步的時段期間所收集的機器數據。在各種實施例中，進一步的時段可具有與第一時段相同的持續時間。
看回到圖4D，可將第一進一步機器數據424饋送到第一神經網路中，該第一進一步機器數據424包括在第一進一步時段426期間所累積的機器數據。第一神經網路可基於其訓練而將工具的未來狀態的概率輸出到故障檢測器150。故障檢測器150可基於第一神經網路的輸出而對半導體處理工具控制器110及使用者通知該半導體處理工具120是否將要達到故障狀態。若故障檢測器150判斷半導體處理工具120將要達到故障狀態，則其會向半導體處理工具控制器110及使用者發送信號，並停止運行晶圓。有利地，這允許使用者對於導致故障的處理參數進行調整，並防止晶圓報廢。
參照圖4E，第一進一步時段426可被遷移，並且可將與在經時移的第一進一步時段432期間所累積的機器數據對應的第二進一步機器數據430格式化，並將其用於預測半導體處理工具的故障。可重複進行該處理，直到處理完成。
在各種實施例中，機器學習(ML)系統130可包括並行訓練的複數神經網路。當使用複數神經網路時，各神經網路是使用在不同大小的時段期間所生成的經映射機器數據而進行訓練。舉例來說，若使用二個神經網路，則其中一神經網路可使用在比另一個神經網路更小的時段內所生成的機器數據進行訓練。有利地，這允許訓練複數神經網路，以判斷半導體處理工具120的最佳機器數據尺寸。
圖6是一流程圖，其繪示根據本申請案的實施例用於將經訓練的神經網路實施在額外的半導體處理工具上，以用於預測該額外半導體處理工具的故障狀態的示例處理流程。
如方框602所示及參照圖1所述，將位於與半導體處理工具120耦接的ML系統130的處理器上的神經網路140初始化。
如接著在方框604中所示及參照圖1所述的，在初始化神經網路140之後，可訓練神經網路140以預測第一半導體處理工具120是否將達到故障狀態。得以圖4A-4C中所述的相同方式訓練神經網路140。
如接著在方框606中所示，及參照圖1及2所述的，在神經網路140已被充分訓練之後，可將該神經網路140保存到ML系統130的記憶體210中。
如接著在方框608中所示，在神經網路被保存到機器學習系統130的記憶體210之後，可將該機器學習系統130實施至進一步的半導體處理工具上。在各種實施例中，進一步的半導體處理工具可以是與半導體處理工具120相同類型的工具。在一或更多實施例中，第一及第二半導體處理工具皆可位於相同的製造設施(fab)中。在其他實施例中，第一及第二半導體處理工具可以位於不同地理位置的不同製造設施中。有利地，由於半導體處理工具是相同類型的，因此可能不必再次訓練神經網路140。有利地，雖然經訓練的神經網路可在與訓練神經網路的第一位置不同的第二位置加以實施，但不需要將包括處理參數/配方的機器數據傳輸到第二位置。這避免與數據導出及保密相關的問題。
在各種實施例中，可使用單一人工智慧(AI)演算法來預測跨半導體處理工廠線的複數半導體處理工具的操作故障。
圖7繪示一方塊圖，其說明根據本申請案的實施例的故障預測系統。
各種實施例可被應用以包括具有公共機器學習系統的複數處理工具。
參照圖7，可將第一半導體處理工具702、第二半導體處理工具704、第三半導體處理工具706及第四半導體處理工具708耦接至機器學習(ML)系統130。第一半導體處理工具702、第二半導體處理工具704、第三半導體處理工具706及第四半導體處理工具708是類似於圖1中描述的半導體處理工具120，且其敘述是以引用方式併入而不再重複。
雖然圖 7 繪示四個半導體處理工具，但這並不表示可耦接至 ML 系統 130 的半導體處理工具的數量。
在一或更多實施例中，ML系統130可從每半導體處理工具收集機器數據及操作代碼、自我學習如何預測跨工廠生產線的故障，以及可被用於預測跨工廠生產線的運行故障。
有利地，使用單一ML系統130可允許該ML系統130學習及評估複數半導體工具之間的相互關係。舉例來說，可將晶圓在複數腔室及/或複數腔室設備之間移動的機器人搬運器皆可耦接至ML系統130。舉例來說，ML 系統可能能夠在晶圓離開沉積腔室之後檢測由退火腔室引起的故障，或者在傳送晶片時由機器人搬運器所引起，但在後續處理過後(例如，晶片通過退火腔室之後)才確定的故障，或是由對準工具引起但僅在微影處理後將晶片顯影過後才被發現的故障。此做法的其中一優點在於，複數半導體處理工具的處理參數之間的相互關係可單獨及整體地由單一ML系統130加以評估，當ML系統130預測即將發生故障時可停止晶片的處理，而防止晶片報廢。
在各種實施例中，半導體處理工廠生產線可被劃分並耦接至用於預測半導體處理工具故障的複數AI演算法。
圖8繪示一方塊圖，其說明根據本申請案的實施例的半導體處理故障預測系統。
參照圖8，可將第一半導體處理工具702及第二半導體處理工具704耦接至第一機器學習(ML)系統802，可將第三半導體處理工具706耦接至第二ML系統804，以及可將第四半導體處理工具708耦接至第三ML系統806。第一ML系統802、第二ML系統804及第三ML系統是類似於圖1中描述的ML系統130，且其敘述是以引用方式併入而不再重複。
這可指示晶圓依序通過半導體處理工具702、第二半導體處理工具704、第三半導體處理工具706及第四半導體處理工具708的生產線。因此，處理工具被分組到個別模組中，其中各模組具有專屬的機器學習系統。因此，可將複數機器學習系統設置及設計以避免各模組中即將發生的故障。
雖然所繪示的示例顯示四個半導體處理工具，但是處理半導體處理工具的數量及耦接至ML系統的工具的數量不受限於本揭示。
在如上所述的其他實施例中，ML系統130可實施在進一步的半導體處理工具上，該半導體處理工具可以是與半導體處理工具120不同類型的工具。在此情況下，可進一步訓練神經網路140以在該進一步的半導體處理工具上運行。
本發明的示例性實施例是總結於此。其他實施例亦可從本說明書的整體及本文所提交的申請專利範圍而加以理解。
示例1。一種方法，包括：在處理複數半導體基板時，從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，該處理數據被映射至與該等處理期間的一或更多離散時間間隔相關的複數操作代碼；使用來自該第一處理工具的該第一處理工具機器數據以訓練第一神經網路；以及至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示該第一處理工具的故障的第一輸出。
示例2。如示例1之方法，更包括：基於該第一輸出而停止在該至少一處理工具中的該等半導體基板的該處理。
示例3。如示例1或2之方法，更包括：在處理其他複數半導體基板時，從第二處理工具收集第二處理工具機器數據，該第二處理工具機器數據與該第一處理工具機器數據是以類似方式進行配置，其中該第一神經網路的該訓練包括以該第二處理工具機器數據訓練該第一神經網路。
示例4。如示例1至3中任一者之方法，其中該處理數據指示該等半導體基板處理期間的處理情況，且其中該等操作代碼指示該等半導體基板處理期間的該第一處理工具的一或更多情況。
示例5。如示例1至4中任一者之方法，其中該處理數據包括在該等半導體基板處理期間的原位測量數據。
示例6。如示例1至5中任一者之方法，其中該等操作代碼包括警報/警告條件、工具狀態資訊或工具使用資訊。
示例7。如示例1至6中任一者之方法，其中從第一處理工具收集第一處理工具機器數據是在第一位置處執行，而從第二處理工具收集第二處理工具機器數據是在與該第一位置不同的第二位置處執行。
示例8。如示例1至7中任一者之方法，更包括至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示該第二處理工具的故障的第二輸出。
示例9。如示例1至8中任一者之方法，更包括在處理其他複數半導體基板時收集第二處理工具機器數據，該第二處理工具機器數據的配置方式與該第一處理工具機器數據類似；使用該第二處理工具機器數據訓練第二神經網路；以及至少部分地基於應用來自至少一處理工具的後續機器數據，而從該第二神經網路生成指示故障的第二輸出。
示例10。一種工具系統，包括：處理器；非瞬態記憶體，耦接至該處理器，且包括在該處理器中執行的程式，該程式包括複數指令，用於：在處理複數半導體基板時，從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，該處理數據被映射至與該等處理期間的一或更多離散時間間隔相關的複數操作代碼；使用該第一處理工具機器數據訓練第一神經網路；以及至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示故障的第一輸出。
示例11。如示例10之工具系統，其中該程式更包括複數指令，用於基於該第一輸出而停止在該至少一處理工具中的該等半導體基板的該處理。
示例12。如示例10或11之工具系統，更包括該第一處理工具。
示例13。如示例10至12中任一者之工具系統，其中該程式更包括複數指令，用於將該第一神經網路儲存在該非瞬態記憶體中。
示例14。如示例10至13中任一者之工具系統，其中該程式更包括複數指令，用於將該第一處理工具機器數據的該處理數據轉化成訓練該第一神經網路所用的複數影像。
示例15。如示例10至14中任一者之工具系統，其中該處理數據指示該等半導體基板處理期間的處理情況，而該等操作代碼指示該等半導體基板處理期間的該第一處理工具的一或更多情況。
示例16。如示例10至15中任一者之工具系統，其中該等操作代碼包括警報/警告條件、工具狀態資訊或工具使用資訊。
示例17。一種方法，包括：將第一機器學習系統的處理器上的神經網路初始化，該處理器是耦接至用於處理晶圓的第一半導體處理工具；訓練該神經網路以預測該第一半導體處理工具的故障；在訓練該神經網路後，將該神經網路儲存至該第一機器學習系統的記憶體；以及在第二半導體處理工具上實施該第一機器學習系統。
示例18。如示例17之方法，其中該第一半導體處理工具與該第二半導體處理工具為相同類型的工具。
示例19。如示例17或18之方法，其中該第一半導體處理工具與該第二半導體處理工具為不同類型的工具。
示例20。如示例17至19中任一者之方法，其中在第二半導體處理工具上實施該第一機器學習系統更包括訓練該神經網路以預測該第二半導體處理工具的故障。
示例21。如示例17至20中任一者之方法，其中該第一半導體處理工具與該第二半導體處理工具位於不同製造設施中。
示例22。如示例17至21中任一者之方法，其中該第一半導體處理工具與該第二半導體處理工具位於不同製造設施中。
雖然已參考複數說明性實施例來對本發明進行論述，但是該實施方式不旨在被解釋為限制性的。藉由參考該實施方式，該等說明性實施例各種修改及組合，以及本發明的其他實施例對於本發明所屬技術領域具有通常知識者來說將為顯而易知的。因此，所附的申請專利範圍旨在涵蓋任何此類修改例或實施例。
100:預測系統 110:半導體處理工具控制器 120:半導體處理工具 122:感測器 124:狀態檢測器 130:機器學習(ML)系統 135:數據處理器 140:神經網路 150:故障檢測器 210:記憶體 220:處理器 230:界面 300:神經網路 310:輸入層 315:加權連結 320:輸入節點 330:隱藏層 340:隱藏節點 350:輸出層 360:輸出節點 400:半導體處理工具 402:操作代碼 404:機器數據 406:時間間隔 408:第一機器數據 410:操作代碼 412:第一時段 414:第二時段 416:第二機器數據 418:操作代碼 420:第一時段 422:第二時段 424:第一進一步機器數據 426:第一進一步時段 430:第二進一步機器數據 432:經時移的第一進一步時段 502-508:方框 602-608:方框 702:第一半導體處理工具 704:第二半導體處理工具 706:第三半導體處理工具 708:第四半導體處理工具 802:第一機器學習(ML)系統 804:第二機器學習(ML)系統 806:第三機器學習(ML)系統
為了更完整理解本發明及其優點，現在將參照下方的實施方式並配合隨附圖式，其中：
圖1繪示方塊圖，其示出根據本申請案的實施例的微製造故障預測系統；
圖2是一方塊圖，其繪示根據本申請案的實施例的機器學習系統；
圖3是一圖式，繪示根據本申請案的實施例在機器學習系統中實施的示例神經網路；
圖4A-4E繪示根據本申請案的實施例將輸入到神經網路中的機器數據進行獲取、累積及格式化的中間步驟，其中圖4A繪示所收集及累積的機器數據及操作代碼，圖4B繪示在訓練階段中使用的第一格式化機器數據，圖4C繪示在訓練階段中使用的第二格式化機器數據，圖4D繪示在使用階段中使用的第一進一步格式化機器數據，而圖4E繪示在使用階段中使用的第二進一步格式化機器數據；
圖5是一流程圖，繪示根據本申請案的實施例用於訓練及使用神經網絡來預測半導體處理工具的故障的示例處理流程；
圖6是一流程圖，其繪示根據本申請案的實施例用於將經訓練的神經網路實施在額外的半導體處理工具上，以用於預測該額外半導體處理工具的故障狀態的示例處理流程；
圖7繪示一方塊圖，其說明根據本申請案的實施例的故障預測系統；以及
圖8繪示一方塊圖，其說明根據本申請案的實施例的半導體處理故障預測系統。
100:預測系統
110:半導體處理工具控制器
120:半導體處理工具
122:感測器
124:狀態檢測器
130:機器學習(ML)系統
135:數據處理器
140:神經網路
150:故障檢測器

Claims (21)

  1. 一種方法，包括： 在處理複數半導體基板時，從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，該處理數據被映射至與該等處理期間的一或更多離散時間間隔相關的複數操作代碼； 使用來自該第一處理工具的該第一處理工具機器數據以訓練第一神經網路；以及 至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示該第一處理工具的故障的第一輸出。
  2. 如請求項1之方法，更包括： 基於該第一輸出而停止在該至少一處理工具中的該等半導體基板的該處理。
  3. 如請求項1之方法，更包括： 在處理其他複數半導體基板時，從第二處理工具收集第二處理工具機器數據，該第二處理工具機器數據與該第一處理工具機器數據是以類似方式進行配置，其中該第一神經網路的該訓練包括以該第二處理工具機器數據訓練該第一神經網路。
  4. 如請求項3之方法，其中該處理數據指示該等半導體基板處理期間的處理情況，且其中該等操作代碼指示該等半導體基板處理期間的該第一處理工具的一或更多情況。
  5. 如請求項4之方法，其中該處理數據包括在該等半導體基板處理期間的原位測量數據。
  6. 如請求項4之方法，其中該等操作代碼包括警報/警告條件、工具狀態資訊或工具使用資訊。
  7. 如請求項3之方法，其中從第一處理工具收集第一處理工具機器數據是在第一位置處執行，而從第二處理工具收集第二處理工具機器數據是在與該第一位置不同的第二位置處執行。
  8. 如請求項3之方法，更包括至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示該第二處理工具的故障的第二輸出。
  9. 如請求項1之方法，更包括： 在處理其他複數半導體基板時收集第二處理工具機器數據，該第二處理工具機器數據與該第一處理工具機器數據是以類似方式進行配置； 使用該第二處理工具機器數據訓練第二神經網路；以及 至少部分地基於應用來自至少一處理工具的後續機器數據，而從該第二神經網路生成指示故障的第二輸出。
  10. 一種工具系統，包括： 處理器； 非瞬態記憶體，耦接至該處理器，且包括在該處理器中執行的程式，該程式包括複數指令，用於： 在處理複數半導體基板時，從第一處理工具收集第一處理工具機器數據，該第一處理工具機器數據包括處理數據，該處理數據被映射至與該等處理期間的一或更多離散時間間隔相關的複數操作代碼； 使用該第一處理工具機器數據訓練第一神經網路；以及 至少部分地基於應用來自至少一處理工具的未經映射機器數據，而從該第一神經網路生成指示故障的第一輸出。
  11. 如請求項10之工具系統，其中該程式更包括複數指令，用於基於該第一輸出而停止在該至少一處理工具中的該等半導體基板的該處理。
  12. 如請求項10之工具系統，更包括該第一處理工具。
  13. 如請求項10之工具系統，其中該程式更包括複數指令，用於將該第一神經網路儲存在該非瞬態記憶體中。
  14. 如請求項10之工具系統，其中該程式更包括複數指令，用於將該第一處理工具機器數據的該處理數據轉化成訓練該第一神經網路所用的複數影像。
  15. 如請求項10之工具系統，其中該處理數據指示該等半導體基板處理期間的處理情況，而該等操作代碼指示該等半導體基板處理期間的該第一處理工具的一或更多情況。
  16. 如請求項15之工具系統，其中該等操作代碼包括警報/警告條件、工具狀態資訊或工具使用資訊。
  17. 一種方法，包括： 將第一機器學習系統的處理器上的神經網路初始化，該處理器是耦接至用於處理晶圓的第一半導體處理工具； 訓練該神經網路以預測該第一半導體處理工具的故障； 在訓練該神經網路後，將該神經網路儲存至該第一機器學習系統的記憶體；以及 在第二半導體處理工具上實施該第一機器學習系統。
  18. 如請求項17之方法，其中該第一半導體處理工具與該第二半導體處理工具為相同類型的工具。
  19. 如請求項17之方法，其中該第一半導體處理工具與該第二半導體處理工具為不同類型的工具。
  20. 如請求項17之方法，其中在第二半導體處理工具上實施該第一機器學習系統更包括訓練該神經網路以預測該第二半導體處理工具的故障。
  21. 如請求項17之方法，其中該第一半導體處理工具與該第二半導體處理工具位於不同製造設施中。
TW111115788A 2021-04-28 2022-04-26 微製造中的自動故障偵測 TW202316332A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US202163180907P 2021-04-28 2021-04-28
US63/180,907 2021-04-28

Publications (1)

Publication Number Publication Date
TW202316332A true TW202316332A (zh) 2023-04-16

Family

ID=83808653

Family Applications (1)

Application Number Title Priority Date Filing Date
TW111115788A TW202316332A (zh) 2021-04-28 2022-04-26 微製造中的自動故障偵測

Country Status (6)

Country Link
US (1) US20220351997A1 (zh)
EP (1) EP4331011A1 (zh)
JP (1) JP2024515539A (zh)
KR (1) KR20240001119A (zh)
TW (1) TW202316332A (zh)
WO (1) WO2022231823A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10747210B2 (en) * 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
TWI783037B (zh) * 2017-09-25 2022-11-11 美商應用材料股份有限公司 使用機器學習方式以產生製程控制參數的半導體製造
US11056365B2 (en) * 2017-09-27 2021-07-06 Taiwan Semiconductor Manufacturing Co., Ltd. Fault detection method in semiconductor fabrication facility
US10872793B2 (en) * 2017-11-10 2020-12-22 Taiwan Semiconductor Manufacturing Co., Ltd. System and method for monitoring operation conditions of semiconductor manufacturing apparatus
US11263737B2 (en) * 2019-01-10 2022-03-01 Lam Research Corporation Defect classification and source analysis for semiconductor equipment

Also Published As

Publication number Publication date
JP2024515539A (ja) 2024-04-10
KR20240001119A (ko) 2024-01-03
WO2022231823A1 (en) 2022-11-03
EP4331011A1 (en) 2024-03-06
US20220351997A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
Kang et al. An intelligent virtual metrology system with adaptive update for semiconductor manufacturing
CN107436595B (zh) 机械学习装置、故障预测装置、机械系统及机械学习方法
TWI797418B (zh) 用於校正離子注入半導體製造工具中的部件故障的方法及系統
TWI446280B (zh) 基於自主生物學的學習工具
JP7320368B2 (ja) 故障予測装置、故障予測方法およびコンピュータプログラム
AU2005280202B2 (en) System, device, and methods for updating system-monitoring models
KR20210109662A (ko) 반도체 장비 툴들에서 뉴럴 네트워크들을 이용한 챔버 매칭
US20090240366A1 (en) Method and system for detection of tool performance degradation and mismatch
JP7408653B2 (ja) 非定常性機械性能の自動分析
JPWO2019182913A5 (zh)
JP2020201937A (ja) センサデータを与える複数の装置を含むシステムを管理する方法
CN114503247A (zh) 搬送异常预测系统
KR102270202B1 (ko) 설비 모니터링 시스템의 모델 업데이트 방법
Nawaz et al. Fault diagnosis in semiconductor etch equipment using Bayesian networks
US20200410363A1 (en) Abnormality detection system and abnormality detection program
KR20240043655A (ko) 공정 설비의 비정상 동작 감지를 위한 기준 입계값 설정 방법
TW202316332A (zh) 微製造中的自動故障偵測
TW202333013A (zh) 製造系統處的時間約束管理
WO2018224649A1 (en) Method and distributed control system for carrying out an automated industrial process
CN113959744A (zh) 基于人工智能的设备故障测试方法及系统
Shprekher et al. Application of neural networks for prediction of insulation condition in networks with isolated neutral
Shui Real-Time Monitoring and Fault Diagnostics in Roll-To-Roll Manufacturing Systems
KR102623390B1 (ko) 장비 이상 탐지 모델의 정확도를 유지하기 위한 방법,장치 및 프로그램
KR102252144B1 (ko) 플라즈마의 동작을 확인하는 전자 장치 및 그 동작 방법
Tulsyan et al. Condition-based sensor-health monitoring and maintenance in biomanufacturing