TW202343177A - 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 - Google Patents

Abstract

一種方法包括接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。此方法還包括使用一或多個訓練的機器學習模型來處理此蹤跡感測器資料，此些機器學習模型產生此蹤跡感測器資料的表示，且隨後基於此蹤跡感測器資料的此表示來產生重建的感測器資料。此方法還包括將此蹤跡感測器資料與此重建的感測器資料進行比較。此方法還包括決定此重建的感測器資料與此蹤跡感測器資料之間的一或多個差異。此方法還包括基於此蹤跡感測器資料與此重建的感測器資料之間的此一或多個差異來決定是否推薦與此處理腔室相關聯的校正動作。

Description

用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法

本揭示案係關於用於決定製造設備故障的診斷方法，且在一些實施例中，係關於用於決定製造設備故障的工具與工具之匹配方法及用於下鑽分析的全跡分析。

可藉由使用製造設備進行一或多個製造製程來生產產品。例如，半導體製造設備可用於經由半導體製造製程生產基板。生產出的產品應具有特定的性質，適合於目標應用。理解及控制製造腔室內的性質有助於產品的一致生產。

以下為本揭示案的簡化概要，以提供對本揭示案某些態樣的基本理解。此概要並非對本揭示案的廣泛概述。其既不旨在識別本揭示案的關鍵或重要元素，亦不旨在描繪本揭示案的特定實施例的任何範疇或發明申請專利範圍的任何範疇。其唯一目的為以簡化形式呈現本揭示案的一些概念，作為稍後呈現的更詳細描述的前序。

在本揭示案的一態樣中，一種方法包括接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。此方法還包括使用一或多個訓練的機器學習模型來處理此蹤跡感測器資料，此些機器學習模型產生此蹤跡感測器資料的表示，且隨後基於此蹤跡感測器資料的此表示來產生重建的感測器資料。此一或多個訓練的機器學習模型輸出此重建的感測器資料。此方法還包括將此蹤跡感測器資料與此重建的感測器資料進行比較。此方法還包括基於此比較來決定此重建的感測器資料與此蹤跡感測器資料之間的一或多個差異。此方法還包括基於此蹤跡感測器資料與此重建的感測器資料之間的此一或多個差異來決定是否推薦與此處理腔室相關聯的校正動作。

在另一態樣中，啟用一種包含記憶體及耦合到此記憶體的處理裝置的系統。此處理裝置經配置為接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。此處理裝置還經配置為使用一或多個訓練的機器學習模型來處理此蹤跡感測器資料，此些機器學習模型產生此蹤跡感測器資料的表示，且隨後基於此蹤跡感測器資料的此表示來產生重建的感測器資料。此一或多個訓練的機器學習模型輸出此重建的感測器資料。此處理裝置還經配置為將此蹤跡感測器資料與此重建的感測器資料進行比較。此處理裝置還經配置為基於此比較來決定此重建感測器資料與此蹤跡感測器資料之間的一或多個差異。此處理裝置還經配置為基於此蹤跡感測器資料與此重建的感測器資料之間的此一或多個差異來決定是否推薦與此處理腔室相關聯的校正動作。

在本揭示案的另一態樣中，揭示了一種非暫時性機器可讀儲存媒體。此媒體儲存指令，此些指令在被執行時使處理裝置執行操作。此些操作包括接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。此些操作包括使用一或多個訓練的機器學習模型來處理此蹤跡感測器資料，此些機器學習模型產生此蹤跡感測器資料的表示，且隨後基於此蹤跡感測器資料的此表示來產生重建的感測器資料。此一或多個訓練的機器學習模型輸出此重建的感測器資料。此些操作還包括將此蹤跡感測器資料與此重建的感測器資料進行比較。此些操作還包括基於此比較來決定此重建的感測器資料與此蹤跡感測器資料之間的一或多個差異。此些操作還包括基於此蹤跡感測器資料與此重建感測器資料之間的此一或多個差異來決定是否推薦與此處理腔室相關聯的校正動作。

本文描述了與工具與工具匹配(tool to tool matching, TTTM)診斷方法相關的技術，其可用於診斷製造設備中的問題及/或執行校正動作。製造設備可用於生產產品，諸如基板（例如，晶圓、半導體、顯示器、光伏等）。製造設備（例如，製造工具）通常包括將被處理的基板與環境分離的製造腔室。生產的基板的性質應符合目標性質值，以促進效能、功能等。選擇製造參數以生產符合目標性質值的基板。製造參數可包括製程參數，諸如溫度、氣流、電漿條件、壓力等，以及硬體參數，諸如部件使用、部件設定、部件位置等。製造系統藉由指定性質值的設定點且自設置在製造腔室內的一或多個感測器接收資料來控制這些參數。製造系統對各種部件的設定點進行調整，直到感測器讀數與設定點匹配（在容差臨限值內）。

製造系統可展示或開發導致非最佳效能的性質，例如，歸因於部件漂移、老化或故障、不當維護、目標製程參數更改等。製造製程期間收集的感測器資料可能包含指示漂移、老化、失靈或故障的子系統及/或部件的資訊。製造系統可包括大量感測器，在一些系統中，包括幾十個甚至數百到數千個感測器。在一些系統中，感測器可在製造程序期間隨時間推移收集資料（例如，蹤跡資料）。單個時間蹤跡（例如，與一個感測器及一個處理運行或製造的一個產品相關聯）可包括數百個資料點、數千個資料點或更多。

確保條件一致，例如，在單個腔室中從一次運行到另一次運行，腔室之間的一致性等，可提高生產產品的一致性、效能、品質等。工具與工具匹配(TTTM)為一個旨在確保一致性的過程。在某些情況下，感測器資料用作處理條件的度量。在習知系統中，利用感測器資料進行診斷及校正動作可能不方便。在一些系統中，感測器資料可用於識別工具效能非最佳的根本原因。可藉由對完成的產品進行量測來偵測非最佳效能，例如，經由隨機品質控制、稀疏採樣等。回應於非最佳效能的量測（例如，超出製造容差的產品），可調查工具的感測器資料。感測器資料可用於識別導致工具效能非最佳的老化、漂移、故障、失靈等的工具子系統、部件等。識別感興趣的感測器資料可包括比較來自許多不同處理操作及許多不同感測器的蹤跡資料，且可包括與歷史資料以及當前資料的比較。當如此大量的感測器資料可用時，隔離指示校正動作的感測器資料可能係繁複的。此分析系統在所花費的時間、電腦處理時間及相關的能量成本方面係浪費的，且由於在找到要對其執行維護、更換等的多個部件之後停止繁複的分析而導致發現一些資訊但遺失其他指示感測器資料的危險。

在某些系統中，感測器資料調查可能由非最佳效能觸發，例如，由生產的一或多個產品的性質超出製造規範觸發。在某些情況下，僅產品之子集經歷效能量測，例如計量量測，以確定生產品質。效能量測（例如，計量）可能係昂貴的，例如，可能需要大量的時間來產生。當對先前產品進行計量及/或先前產品排隊進行計量量測時，製造設備可繼續用於生產產品。在製造設備退化的情況下（例如，諸如由於部件老化、漂移、故障等原因，設備效能變為非最佳），在使用非最佳設備處理了許多產品之後，才能進行產品的計量量測。因此，可能會製造出非最佳產品。此類系統在耗費時間處理非最佳產品、消耗的能量、消耗的材料等方面係浪費的。

在習知系統中，隔離資訊感測器資料（例如，從大量感測器資料中識別指示與製造設備相關的待進行的校正動作的資料）的困難導致基於計量的故障偵測。在某些情況下，感測器資料可能會受到漂移、老化或故障部件的明顯影響，這比計量受到明顯影響更早。在這種情況下，感測器資料可用於在計量受到影響之前排程與計畫停機時間（例如，預防性維護操作）一致的校正動作，從而減少製造系統昂貴的末排程停機時間。若無法可靠地使用感測器資料，則可回應於非最佳計量資料採取校正動作，且可能導致末排程停機時間。在一些實施例中，末排程停機時間可能導致額外的成本，諸如更換部件的快遞等。

本揭示案的方法及裝置解決了習知方案中的至少一或多個上述缺陷。在一些實施例中，啟用且產生概要資料，其允許快速處理時間及減少通訊頻寬、分析完整蹤跡資料的複雜性等。產生概要資料可包括將統計方法、機器學習方法、數位孿生方法等應用於蹤跡資料（例如，蹤跡感測器資料）。

一或多個度量（例如，量測標準）可用於指示製造設備的系統健康狀況。在一些實施例中，概要資料可用於產生一或多個度量值。度量值可用作將要實施的與腔室、製程、產品、部件等相關聯的進一步調查的指示。在一些實施例中，可計算指示不存在可觀察問題的度量值（例如，指數、品質分數、品質指數分數等）。在一些實施例中，可產生工具與工具匹配(TTTM)指數，以實現問題系統、工具、產品、部件等的有效隔離。度量值及指數可用多種方式進行匯總，以幫助下鑽分析，例如，增加對工具的理解的過程，自確定存在問題到決定要採取的校正動作。例如，可使用與感測器資料中大量（例如，多於歷史量）的異常值相關的度量（例如，如概要資料所反映的）。在一些實施例中，滿足臨限值的度量值可觸發進一步的分析，包括產生與不同度量相關聯的另一度量值。在一些實施例中，可使用一系列度量作為下鑽分析的部分。例如，第一度量值（例如，指數）可指示製造腔室正在非最佳地運行，可聚合指示效能歸因於一個子系統的另一個指數，可產生指示其中發生效能降低的處理操作的另一指數等。

在一些實施例中，可向一或多個模型（例如，機器學習模型）提供資料（例如，概要資料），以識別根本原因、子系統、要採取的校正動作等。在一些實施例中，可經由圖形介面視覺化和顯示下鑽分析的任何階段的資料。

在一些實施例中（例如，回應於指示非最佳效能的一或多個度量值或指數），可利用蹤跡感測器資料進行分析。可將蹤跡資料提供給機器學習模型。可訓練機器學習模型以識別根本原因、識別有問題的子系統、識別要執行的校正動作等。可經由圖形介面顯示蹤跡資料分析。

與習知解決方案相比，本揭示案的各態樣具有技術優勢。本揭示案帶來了更有效的基板製造製程，且浪費最小化。若在製造腔室中出現問題，本揭示案的方法可能能夠在下一個產品的處理開始之前、提交非最佳產品用於品質量測之前、品質量測完成之前等執行校正動作。以這種方式，可將浪費的材料、製造腔室時間及提供給製造製程的能量降到最低。產品品質可能會提高，因為可識別及校正產品品質及腔室漂移的根本原因。亦可提高生產可接受品質的產品的效率，因為可更精確地調諧製程參數，從而改善材料、能量及時間的成本。可將老化部件識別且標記以供更換或維護，從而減少末排程停機時間、與快遞運輸更換部件相關的成本等。

在一些實施例中，本揭示案描述了一種方法，此方法包括接收與製造腔室的第一製造製程相關聯的蹤跡感測器資料。此方法還包括由處理裝置處理此些蹤跡感測器資料以產生與此些蹤跡感測器資料相關聯的概要資料。此方法還包括基於此些概要資料產生品質指數分數。此方法還包括基於此品質指數分數向使用者提供警報。此警報包括製造腔室效能不滿足第一臨限值的指示。

在一些實施例中，本揭示案描述了一種方法，此方法包括接收與感測器在製造腔室的第一製造程序期間進行的量測相關聯的第一資料。此方法還包括接收第二資料，其中第二資料包括與第一資料相關聯的參考資料。此方法還包括向比較模型提供第一資料及第二資料。此方法還包括自比較模型接收與第一資料及第二資料相關聯的相似性分數。此方法還包括鑒於相似性分數引起校正動作的執行。

在一些實施例中，本揭示案描述了一種方法，此方法包括接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。此方法還包括使用一或多個訓練的機器學習模型來處理蹤跡感測器資料，此些機器學習模型產生蹤跡感測器資料的表示，且隨後基於蹤跡感測器資料的表示產生重建的感測器資料。一或多個訓練的機器學習模型輸出重建的感測器資料。此方法還包括將蹤跡感測器資料與重建的感測器資料進行比較。此方法還包括基於比較來決定重建的感測器資料與蹤跡感測器資料之間的一或多個差異。此方法還包括基於蹤跡感測器資料與重建的感測器資料之間的一或多個差異來決定是否推薦與處理腔室相關聯的校正動作。

第1圖為根據一些實施例的示出示例性系統100（示例性系統架構）的方塊圖。系統100包括客戶端裝置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。預測伺服器112可為預測系統110的一部分。預測系統110還可包括伺服器機器170及180。

感測器126可提供與製造設備124相關聯的感測器資料142（例如，與製造設備124生產對應產品（例如，基板）相關聯）。感測器資料142可用於設備健康及/或產品健康（例如，產品品質）。製造設備124可在一段時間內按照配方或進行運行來生產產品。在一些實施例中，感測器資料142可包括溫度（例如，加熱器溫度）、間隔(spacing, SP)、壓力、高頻射頻(High Frequency Radio Frequency, HFRF)、射頻(radio frequency, RF)匹配電壓、RF匹配電流、RF匹配電容器位置、靜電卡盤(Electrostatic Chuck, ESC)的電壓、致動器位置、電流、流量、功率、電壓等中的一或多者的值。感測器資料142可與諸如製造設備124的硬體參數（例如，設定或部件，例如，尺寸、類型等）或製造設備124的製程參數的製造參數相關聯或指示這些製造參數。與一些硬體參數相關聯的資料可替代地或附加地儲存為製造參數150，此些製造參數可包括歷史製造參數152及當前製造參數154。製造參數150可指示製造裝置的輸入設定（例如，加熱器功率、氣流等）。感測器資料142及/或製造參數150可在製造設備124執行製造製程時提供（例如，可為在產品處理期間產生的設備讀數）。感測器資料142對於每個產品（例如，每個基板）可為不同的。基板可具有由計量設備128量測的性質值（例如，膜厚度、膜應變等）。計量資料160可為儲存在資料儲存器140中的一種資料類型。

在一些實施例中，可處理感測器資料142、計量資料160及/或製造參數150（例如，由客戶端裝置120及/或預測伺服器112處理）。感測器資料142、計量資料160及/或製造參數150的處理可包括產生特徵。在一些實施例中，特徵為感測器資料142、計量資料160及/或製造參數150中的型樣（例如，斜率、寬度、高度、峰值等），或來自感測器資料142、計量資料160，及/或製造參數150的值的組合（例如，自電壓及電流產生的功率等）。感測器資料142可包括特徵，且預測部件114可使用這些特徵來進行信號處理及/或獲得預測資料168進行校正動作。

感測器資料142的每個實例（例如，集合）可對應於產品（例如，基板）、一組製造設備、一種由製造設備生產的基板類型等。計量資料160及製造參數150的每個實例同樣可對應於產品、一組製造設備、一種由製造設備生產的基板類型等。資料儲存器還可儲存關聯不同資料類型的集合的資訊，例如，指示一組感測器資料、一組計量資料及一組製造參數均與同一產品、製造設備、基板類型等相關聯的資訊。

在一些實施例中，與一或多個產品的處理相關聯的資料可用於產生概要資料162。概要資料162可包括表示其他資料的特徵的資料。例如，可自蹤跡感測器資料142產生概要資料162。蹤跡感測器資料142可包括大量資料（例如，來自工具中數百個感測器的資料，每個感測器對每個產品進行數百或數千次量測等）。與蹤跡感測器資料142相比，概要資料162的操作可能不那麼繁複，且可以可保存資訊（例如，指示腔室故障的資訊）的方式來設計。在一些實施例中，可將資料（例如，蹤跡感測器資料142）提供給處理裝置（例如，預測伺服器112、客戶端裝置120等）以產生概要資料162。概要資料162可包括例如元資料（例如，工具ID、配方名稱、產品ID、產品資訊等）、情境資料（例如，感測器ID、步驟號、時間戳記、子系統等）及/或基本統計（例如，平均值、最大值、最小值、四分位數、峰度、控制極限等）。在一些實施例中，概要資料162的產生可包括使用製造設備124的一或多個部件的數位孿生模型。如本文所用，數位孿生為實體資產的數位複製品，例如製造的零件、腔室部件或製程腔室。數位孿生包括實體資產的特性，包括（但不限於）坐標軸尺寸、重量特性、材料特性（例如，密度、表面粗糙度）、電特性（例如，電導率）、光學特性（例如，反射率）等。在一些實施例中，數位孿生模型可用於產生資料（例如，感測器資料142）的時間行為的預測。概要資料162可包括量測資料的特徵如何不同於數位孿生模型的預測的指示（例如，過衝、上升時間、安定時間、穩態值誤差等）。在一些實施例中，可基於輸入資料的部分來產生概要資料162，例如，概要資料162的僅穩態部分、僅瞬態部分等。將結合第5B圖更詳細地描述概要資料162。

在一些實施例中，預測系統110可使用機器學習來產生預測資料168，諸如監督機器學習（例如，機器學習模型可經配置為產生與輸入資料相關聯的標籤，諸如計量預測、效能預測等）。在一些實施例中，預測系統110可使用無監督機器學習來產生預測資料168（例如，可用未標記的資料來訓練機器學習模型，諸如經配置為執行聚類、降維等的模型）。在一些實施例中，預測系統110可使用半監督學習來產生預測資料168（例如，可使用標記的及未標記的輸入資料集來訓練機器學習模型）。

客戶端裝置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可經由網路130彼此耦合，以產生預測資料168以進行校正動作。

在一些實施例中，網路130為向客戶端裝置120提供對預測伺服器112、資料儲存器140及其他公共可用計算裝置的存取的公共網路。在一些實施例中，網路130為向客戶端裝置120提供對製造設備124、感測器126、計量設備128、資料儲存器140及其他專用計算裝置的存取的專用網路。在一些實施例中，伺服器機器170、伺服器機器180及/或預測伺服器112中的一或多者的功能可由虛擬機器執行，例如，利用基於雲端的服務。網路130可提供對這些虛擬機器的存取。網路130可包括一或多個廣域網路(Wide Area Network, WAN)、區域網路(Local Area Network, 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(Long Term Evolution, LTE)網路）、路由器、集線器、交換機、伺服器電腦、雲端計算網路及/或其組合。

客戶端裝置120可包括計算裝置，諸如個人電腦(Personal Computer, PC)、膝上型電腦、行動電話、智慧型手機、平板電腦、輕省筆電、網路連接電視（「智慧型電視」）、網路連接媒體播放機（例如，藍光播放機）、機上盒、雲上(Over-the-Top， OTT)串流媒體裝置、運營商盒等。客戶端裝置120可包括校正動作部件122。校正動作部件122可接收與製造設備124相關聯的指示的使用者輸入（例如，經由客戶端裝置120顯示的圖形使用者介面(Graphical User Interface, GUI)）。在一些實施例中，校正動作部件122向預測系統110發送指示，自預測系統110接收輸出（例如，預測資料168），基於輸出決定校正動作，且使校正動作得以實施。在一些實施例中，校正動作部件122獲得與製造設備124相關聯（例如，來自資料儲存器140等）的感測器資料142（例如，當前感測器資料146），且向預測系統110提供與製造設備124相關聯的感測器資料142（例如，當前感測器資料146）。在一些實施例中，校正動作部件122將感測器資料142儲存在資料儲存器140中，且預測伺服器112自資料儲存器140擷取感測器資料142。在一些實施例中，預測伺服器112可將訓練模型190的輸出（例如，預測資料168）儲存在資料儲存器140中，且客戶端裝置120可自資料儲存器140擷取輸出。在一些實施例中，校正動作部件122自預測系統110接收校正動作的指示，且使校正動作得以實施。每個客戶端裝置120可包括作業系統，此作業系統允許使用者進行產生、查看或編輯資料中的一或多者（例如，與製造設備124相關聯的指示、與製造設備124相關聯的校正動作等）。

在一些實施例中，計量資料160對應於產品（例如，使用與歷史感測器資料144及歷史製造參數152相關聯的製造參數生產）的歷史性質資料，且預測資料168與預測性質資料（例如，在由當前感測器資料146及/或當前製造參數154記錄的條件下將要生產或已生產的產品的預測資料）相關聯。在一些實施例中，預測資料168為根據記錄為當前感測器資料146及/或當前製造參數154的條件將要生產或已生產的產品的預測計量資料（例如，虛擬計量資料）。在一些實施例中，預測資料168為異常（例如，異常產品、異常部件、異常製造設備124、異常能量使用等）及視情況異常的一或多個原因的指示。在一些實施例中，預測資料168為製造設備124、感測器126、計量設備128等的某些部件中隨時間變化或漂移的指示。在一些實施例中，預測資料168為製造設備124、感測器126、計量設備128等的部件的壽命結束的指示。

進行導致缺陷產品的製造製程在時間、能量、產品、部件、製造設備124、識別缺陷及丟棄缺陷產品的成本等方面可能代價高昂。藉由將感測器資料142（例如，正在使用或將用於製造產品的製造參數）輸入預測系統110，接收預測資料168的輸出，且基於預測資料168進行校正動作，系統100可具有避免生產、識別及丟棄缺陷產品的成本的技術優勢。

進行導致製造設備124的部件故障的製造製程在停機時間、產品損壞、設備損壞、快速訂購替換部件等方面可能代價高昂。藉由將感測器資料142（例如，指示正在使用或將要用於製造產品的製造參數）輸入預測系統110，接收預測資料168的輸出，且基於預測資料168進行校正動作（例如，預測的操作維護，諸如部件的更換、處理、清理等），系統100可具有避免意外部件故障、未排程停機時間、生產率損失、意外設備故障、產品報廢等中的一或多者的成本的技術優勢。監測部件（例如製造設備124、感測器126、計量設備128等）隨著時間推移的效能可提供對正在降級的部件的指示。

製造參數對於生產產品來說可能為非最佳的，其可能具有增加的資源（例如，能量、冷卻劑、氣體等）消耗、增加的產品生產時間、增加的部件故障、增加的缺陷產品數量等代價高昂的結果。藉由將感測器資料142輸入到訓練模型190中，接收預測資料168的輸出且執行（例如，基於預測資料168）更新製造參數的校正動作（例如，設定最佳製造參數），系統100可具有使用最佳製造參數（例如，硬體參數、製程參數、最佳設計）及/或健康設備以避免非最佳製造參數的代價高昂的結果的技術優勢。

校正動作可與以下一或多個相關聯：計算過程控制(Computational Process Control, CPC)、統計過程控制(Statistical Process Control, SPC)（例如，用於決定受控過程的電子部件上的SPC、用於預測部件使用壽命的SPC、與3σ圖進行比較的SPC等）、進階過程控制(Advanced Process Control, APC)、基於模型的過程控制、預防性操作維護、設計最佳化、製造參數的更新、製造配方的更新、回饋控制、機器學習修改等。

在一些實施例中，校正動作包括提供警告（例如，若預測資料168指示預測異常，例如產品、部件或製造設備124的異常，則提供警報以停止或不進行附加基板上的製造製程）。在一些實施例中，校正動作包括提供回饋控制（例如，回應於指示預測異常的預測資料168修改製造參數）。在一些實施例中，校正動作的進行包括引起對一或多個製造參數的更新。

製造參數可包括硬體參數（例如，指示製造設備中包括的部件的資訊、最近更換的部件的指示、韌體版本或更新的指示等）及/或製程參數（例如溫度、壓力、流速、電流及/或電壓、氣流、提升速度等）。在一些實施例中，校正動作包括引起預防性操作維護（例如，更換、處理、清理製造設備124的部件等）。在一些實施例中，校正動作包括引起設計最佳化（例如，針對最佳化的產品更新製造參數、更新製造製程、更新製造設備124等）。在一些實施例中，校正動作包括更新配方（例如，改變製造設備124處於空閒模式、睡眠模式、預熱模式等的指令的時序，調整溫度、氣流、電漿產生等的設定點）。

預測伺服器112、伺服器機器170及伺服器機器180可各自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、主機電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(Graphics Processing Unit, GPU)、加速器特定應用積體電路(accelerator Application-Specific Integrated Circuit, ASIC)（例如張量處理單元(Tensor Processing Unit, TPU)）等。

預測伺服器112可包括預測部件114。在一些實施例中，預測部件114可接收當前感測器資料146及/或當前製造參數154（例如，自客戶端裝置120接收，從資料儲存器140擷取），且基於當前資料產生用於進行與製造設備124相關聯的校正動作的輸出（例如，預測資料168）。在一些實施例中，預測部件114可使用一或多個訓練模型190來基於當前資料決定用於進行校正動作的輸出。

在一些實施例中，模型190可包括訓練的基於物理的數位孿生模型。基於物理的模型可能能夠求解描述可能在製造腔室中發生的物理現象的方程組，諸如管控熱流、能量平衡、氣體傳導、質量平衡、流體動力學、電流等的方程式。在一些實施例中，基於物理的模型進行製造腔室中氣體傳導的計算。可將製造參數150提供給訓練的基於物理的模型。訓練的基於物理的模型可提供指示腔室內的條件的模型化性質值作為輸出，這對應於設置在製造腔室（例如，製造設備124）內的感測器126。基於物理的模型的輸出可儲存在資料儲存器140中。

預測伺服器112的預測部件114可接收自感測器126收集的資料產生的概要資料162。預測部件114可利用概要資料162來產生預測資料168。預測資料168可包括製造設備124、感測器126等中的故障、老化、漂移等的指示。在一些實施例中，概要資料可用於生成指數，例如，指示工具、腔室、一組製造設備124等的健康及/或效能的度量。此指數可用於校正動作，例如，可在GUI上向使用者顯示，可使得執行進一步的分析等。此指數可能表明將對故障、老化、漂移等的源頭進行進一步調查。在一些實施例中，可藉由向訓練的機器學習模型（例如，模型190）提供概要資料來產生指數。在一些實施例中，預測部件114可利用與指示要進行進一步調查的指數相關聯的概要資料（例如，與不規則指數值相關聯的概要資料）來隔離與工具效能相關的子系統。在一些實施例中，預測部件114使用與指示要進行進一步調查的指數相關聯的概要資料來執行指示感測器資料的意外漂移的分析。在一些實施例中，可利用與指示要進行進一步調查的指數相關聯的蹤跡資料來隔離有助於工具效能的子系統。結合第5A圖至第5G圖提供與產生概要資料、產生指數及下鑽分析相關的方法的進一步討論。

歷史感測器資料144及歷史製造參數152可用於訓練一或多個模型190，包括基於物理的模型、數位孿生模型、機器學習模型等。在一些實施例中，數位孿生模型可用於產生概要資料。可根據物理原理產生數位孿生模型。在一些實施例中，所產生的數位孿生模型可能無法擷取製造系統的一些複雜性，例如，零件可能被製造得稍微不同（例如，在製造容差範圍內），零件可能已老化或漂移等。歷史資料可用於細化基於物理的或數位孿生模型以提高精度。歷史資料亦可用於訓練一或多個機器學習模型。在一些實施例中，機器學習模型可用於產生指數、產生資料的視覺化、產生成品的計量資料的預測等。

在一些實施例中，感測器資料142可包括在生產可接受產品的製造運行期間自感測器126收集的資料（例如，由計量設備128量測）。生產可接受產品的製造運行可稱為黃金運行。與這種製造運行相關聯的感測器資料可作為歷史感測器資料144的一部分儲存在資料儲存器140中。預測伺服器112的預測部件114可比較黃金運行感測器資料、當前感測器資料146及期望感測器資料（例如，作為訓練的基於物理的模型的輸出），以決定是否發生了部件故障、漂移等。在一些實施例中，這些操作中的一些或全部可替代地由不同的裝置來進行，例如，客戶端裝置120、伺服器機器170、伺服器機器180等。

在一些實施例中，預測部件114可決定哪些部件導致預期感測器資料（例如，歷史感測器資料、來自不同工具的感測器資料、反映製造參數的感測器資料等）、當前感測器資料146及/或黃金運行感測器資料之間的差異。這可例如藉由檢查（例如，藉由機器學習模型、統計模型等）按預期運行的系統及表現出非最佳效能的系統的歷史資料來進行。用故障原因的指示（例如，負責非最佳效能的子系統）標記感測器蹤跡資料可使處理裝置能夠將感測器差異（例如，來自特定感測器的資料中的特定型樣或特徵）與故障聯系起來。處理邏輯可經配置為將感測器資料中的某些特徵或型樣與某些類型的故障、某些部件老化、漂移或故障等聯系起來。可向感測器分配指示效能的度量值，例如，聚合感測器在多個操作或運行中指示故障的可能性的度量值。感測器資料可分組為子系統。感測器度量值或指數可聚合為子系統度量值或指數。聚合的子系統值（例如，度量值、指數等）可用於識別子系統效能等。

機器學習模型（例如，模型190的一或多個模型）可使用歷史感測器資料144、歷史製造參數152、與量測歷史感測器資料142的運行相對應的計量資料160等來訓練。一種可用於進行一些或所有上述任務的機器學習模型類型為人工神經網路，諸如深度神經網路。人工神經網路大體包括具有將特徵映射到目標輸出空間的分類器或迴歸層的特徵表示部件。例如，卷積神經網路(convolutional neural network, CNN)代管多層卷積濾波器。在較低層進行池化，且可解決非線性問題，在較低的層上方通常附加多層感知器，將卷積層提取的頂層特徵映射到決策（例如分類輸出）。深度學習為一類機器學習演算法，使用多層非線性處理單元級聯進行特徵提取及轉換。每個連續層使用前一層的輸出作為輸入。深度神經網路可以有監督（例如，分類）及/或無監督（例如，模式分析）的方式學習。深度神經網路包括層的階層，其中不同的層學習對應於不同抽象位準的不同位準的表示。在深度學習中，每個位準均學習將其輸入資料轉換為稍微更抽象及複合的表示。例如，在影像識別應用中，原始輸入可為像元矩陣；第一表示層可抽象像元且編碼邊緣；第二層可構成及編碼邊緣的排列；第三層可編碼更高位準的形狀（例如，牙齒、嘴唇、牙齦等）；且第四層可識別掃描角色。值得注意的為，深度學習過程可學習哪些功能可自身最佳地放置在哪個位準。「深度學習」中的「深度」係指資料被轉換所歷經的層數。更準確地，深度學習系統具有相當大的信用分配路徑(credit assignment path, CAP)深度。CAP為自輸入到輸出的轉換鏈。CAP描述了輸入與輸出之間的潛在因果關係。對於前饋神經網路，CAP的深度可能為網路的深度，且可能為隱藏層的數量加1。對於遞迴神經網路，其中信號可能不止一次經由一個層傳播，CAP深度可能為無限的。

與操作沒有這種模型的製造設備相比，結合製造設備使用基於物理的數位孿生模型具有顯著的技術優勢。多個部件（感測器、硬體、處理等）可一起連結在一個閉環控制迴路中。若閉環控制迴路中的任何設備零件出現問題，其他部件可能會調整設定值等，且讀數可能會返回到目標值，但腔室內的實際條件可能已改變。這導致基板生產不太一致；生產力損失；能量、時間及材料效率低下；且可能導致過早的部件故障、增加的維護成本等。在一些實施例中，可監測指示相同性質的多個資料串流，以提供感測器資料、腔室條件等偏移的根本原因的額外證據。在一些實施例中，監測指示腔室壓力的感測器。感測器可能包括量測腔室壓力、影響腔室壓力的致動器的致動器位置、RF匹配電壓、RF匹配電流、RF匹配電容器位置等的感測器。這些性質中的一些可由超過一個感測器量測。例如，製造腔室可配備有多個壓力感測器，其中的一個子集涉及閉環控制迴路，其中的另一個子集自由地提供腔室條件的量測。基於物理的模型可獲取及分析感測器讀數、感測器效能等的細微變化、改變、漂移等。

在一些實施例中，預測部件114接收當前感測器資料146及/或電流製造參數154，進行信號處理以將當前資料分解為當前資料集，將當前資料集作為輸入提供給訓練模型190，且自訓練模型190獲得指示預測資料168的輸出。在一些實施例中，預測資料168指示計量資料160（例如，基板品質的預測）。在一些實施例中，預測資料168指示部件健康。在一些實施例中，預測資料168指示部件效能。

在一些實施例中，結合模型190討論的各種模型（例如，基於物理的數位孿生模型、預測機器學習模型等）可組合在一個模型中（例如，集成模型），或可為單獨的模型。預測部件114可接收當前感測器資料146及當前製造參數154，將資料提供給訓練模型190，且接收指示製造腔室中的幾個部件自其先前效能漂移了多少的資訊。資料可在模型190及預測部件114中包括的幾個不同模型之間傳遞。在一些實施例中，這些操作中的一些或全部可由不同的裝置進行，例如，客戶端裝置120、伺服器機器170、伺服器機器180等。熟習此項技術者將理解，資料流程的變化、哪些部件進行哪些製程、哪些模型被提供哪些資料等都在本揭示案的範疇內。

資料儲存器140可為記憶體（例如，隨機存取記憶體）、驅動器（例如，硬驅動機、快閃驅動）、資料庫系統或能夠儲存資料的其他類型的部件或裝置。資料儲存器140可包括可跨越多個計算裝置（例如，多個伺服器電腦）的多個儲存部件（例如，多個驅動器或多個資料庫）。資料儲存器140可儲存感測器資料142、製造參數150、計量資料160、概要資料162及預測資料168。感測器資料142可包括歷史感測器資料144及當前感測器資料146。感測器資料可包括在製造製程持續時間內的感測器資料時間蹤跡、資料與實體感測器的關聯、預處理資料（諸如平均值及合成資料）及指示感測器效能隨時間變化的資料（即，許多製造製程）。製造參數150及計量資料160可含有類似的特徵。歷史感測器資料144及歷史製造參數152可為歷史資料（例如，訓練模型190的至少一部分）。當前感測器資料146可為當前資料（例如，在歷史資料之後要輸入到學習模型190中的至少一部分），針對此些當前資料，將產生預測資料168（例如，用於進行校正動作）。概要資料162可包括經處理的感測器資料142。概要資料可含有指示要與製造設備124相關聯地執行的校正動作的資訊。與蹤跡感測器資料相比，概要資料的操作強度可能較低。

在一些實施例中，預測系統110還包括伺服器機器170及伺服器機器180。伺服器機器170包括資料集產生器172，其能夠產生資料集（例如，一組資料輸入及一組目標輸出）以訓練、驗證及/或測試模型190，此(些)模型包括基於物理的數位孿生模型，且在一些實施例中包括一或多個機器學習模型。下面參照第3圖、第4圖及第5A圖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可將歷史資料（例如，歷史感測器資料144、歷史製造參數152、儲存在資料儲存器140中的概要資料162）劃分為訓練集（例如，百分之六十的歷史資料）、驗證集（例如，百分之二十的歷史資料）及測試集（例如，百分之二十的歷史資料）。在一些實施例中，預測系統110（例如，經由預測部件114）產生多組特徵。例如，第一組特徵可對應於與每個資料集（例如，訓練集、驗證集及測試集）相對應的第一組感測器資料類型（例如，來自第一組感測器，來自第一組感測器的值的第一組合、來自第一組感測器的值中的第一型樣），且第二組特徵可對應於與每個資料集相對應的第二組感測器資料類型（例如，來自不同於第一組感測器的第二組感測器、不同於第一組合的值的第二組合、不同於第一型樣的第二型樣）。

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。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）可指硬體（例如，電路系統、專用邏輯、可程式化邏輯、微碼、處理裝置等）、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、微碼或其組合。訓練引擎182可能能夠使用與來自資料集產生器172的訓練集相關聯的一或多組特徵來訓練模型190。訓練引擎182可產生多個訓練模型190，其中每個訓練模型190對應於訓練集的不同特徵集合（例如，來自不同感測器集合的感測器資料）。例如，可使用所有特徵（例如，X1-X5）來訓練第一訓練模型，可使用特徵的第一子集（例如，X1、X2、X4）來訓練第二訓練模型，且可使用可部分重疊特徵的第一子集的特徵的第二子集（例如X1、X3、X4及X5）來訓練第三訓練模型。資料集產生器172可接收訓練模型（例如，基於物理的數位孿生模型、機器學習模型）的輸出，將資料收集到訓練、驗證及測試資料集中，且使用資料集來訓練第二模型（例如，經配置為輸出預測資料、校正動作等的機器學習模型等）。

驗證引擎184可能能夠使用來自資料集產生器172的驗證集的對應特徵集來驗證訓練模型190。例如，使用訓練集的第一組特徵訓練的第一訓練模型190可使用驗證集的第一組特徵來驗證。驗證引擎184可基於驗證集的對應特徵集來決定每個訓練模型190的精度。驗證引擎184可丟棄具有不滿足臨限值精度的精度的訓練模型190。在一些實施例中，選擇引擎185可能能夠選擇具有滿足臨限值精度的精度的一或多個訓練模型190。在一些實施例中，選擇引擎185可能能夠選擇具有訓練模型190中最高精度的訓練模型190。

測試引擎186可能能夠使用來自資料集產生器172的測試集的對應特徵集來測試訓練模型190。例如，可使用測試集的第一組特徵來測試使用訓練集的第一組特徵訓練的第一訓練模型190。測試引擎186可基於測試集決定所有訓練模型中具有最高精度的訓練模型190。

在機器學習模型的情況下，模型190可指由訓練引擎182使用包括資料輸入及對應目標輸出（相應訓練輸入的正確答案）的訓練集創建的人工製品模型。可找到將資料輸入映射到目標輸出（正確答案）的資料集中的型樣，且為機器學習模型190提供獲取這些型樣的映射。機器學習模型190可使用支援向量機(Support Vector Machine, SVM)、徑向基底函數(Radial Basis Function, RBF)、叢聚法、有監督機器學習、半監督機器學習及無監督機器學習，k最近鄰演算法(k-Nearest Neighbor algorithm, k-NN)、線性迴歸、隨機森林、神經網路（例如，人工神經網路）等中的一或多者。

預測部件114可向模型190提供當前感測器資料146及/或概要資料162，且可在輸入上運行模型190以獲得一或多個輸出。預測部件114可能能夠自模型190的輸出決定（例如，提取）預測資料168，且可自輸出決定（例如，提取）置信資料，此置信資料指示預測資料168為與在當前感測器資料146及/或當前製造參數154處使用製造設備124生產或將要生產的產品的輸入資料相關聯的過程的準確預測器的置信位準。預測部件114或校正動作部件122可使用置信資料來基於預測資料168決定是否引起與製造設備124相關聯的校正動作。

置信資料可包括或指示預測資料168為與輸入資料的至少一部分相關聯的產品或部件的準確預測的置信位準。在一個實例中，置信位準為介於0與1之間的實數（包括0及1），其中0表示根據輸入資料或製造設備124的部件的部件健康狀況預測資料168為處理的產品的準確預測的無置信度，且1表示根據輸入資料或製造設備124的部件的部件健康狀況預測資料168準確預測處理的產品的性質的絕對置信度。回應於指示對於預定數量的實例（例如，實例的百分比、實例的頻率、實例的總數等）低於臨限值位準的置信位準的置信資料，預測部件114可使得重新訓練訓練模型190（例如，基於當前感測器資料146、當前製造參數154等）。

為了說明而非限制，本揭示案的態樣描述了使用歷史資料（例如，歷史感測器資料144、歷史製造參數152）及將當前資料（例如，當前感測器資料146、當前製造參數154等）輸入到一或多個訓練的機器學習模型中以決定預測資料168來訓練一或多個機器學習模型190。在其他實施例中，使用啟發式模型或基於規則的模型來決定預測資料168（例如，不使用訓練的機器學習模型）。預測部件114可監測歷史感測器資料144、歷史製造參數152、概要資料162及計量資料160。關於第3圖的資料輸入310描述的任何資訊均可在啟發式或基於規則的模型中得以監視或以其他方式使用。

在一些實施例中，客戶端裝置120、預測伺服器112、伺服器機器170及伺服器機器180的功能可由更少數量的機器提供。例如，在一些實施例中，伺服器機器170及180可被整合到單個機器中，而在一些其他實施例中伺服器機器170、伺服器機器180及預測伺服器112可被整合在單個機器中。在一些實施例中，客戶端裝置120及預測伺服器112可整合到單個機器中。

大體上，在一個實施例中描述的由客戶端裝置120、預測伺服器112、伺服器機器170及伺服器機器180執行的功能亦可在其他實施例中在預測伺服器112上執行（若適合）。此外，屬於特定部件的功能可由不同或多個部件一起操作來執行。例如，在一些實施例中，預測伺服器112可基於預測資料168來決定校正動作。在另一實例中，客戶端裝置120可基於來自訓練的機器學習模型、基於物理的模型等的輸出來決定預測資料168。

此外，特定部件的功能可由不同或多個部件一起操作來實現。預測伺服器112、伺服器機器170或伺服器機器180中的一或多者可作為經由適當的應用程式設計介面(application programming interface, API)提供給其他系統或裝置的服務來存取。

在實施例中，「使用者」可表示為單個個體。然而，本揭示案的其他實施例涵蓋「使用者」，此使用者為由複數個使用者及/或自動化源控制的實體。例如，作為一組管理員聯合的一組個別使用者可被視為「使用者」。

本揭示案的實施例可應用於資料品質評估、特徵增強、模型評估、虛擬計量(Virtual Metrology, VM)、預測維護(Predictive Maintenance, PdM)、極限最佳化等。

第2圖描繪根據本揭示案的一些態樣的製造腔室200（例如，半導體晶圓製造腔室）的截面圖。製造腔室200可為蝕刻腔室（例如，電漿蝕刻腔室）、沉積腔室（包括原子層沉積、化學氣相沉積、物理氣相沉積或其電漿增強版本）、退火腔室等中的一或多者。例如，製造腔室200可為用於電漿蝕刻器、電漿清理器等的腔室。腔室部件的實例可包括基板支撐組件204、靜電卡盤、環（例如，製程套組環）、腔室壁、基座、噴頭206、氣體分配板、襯墊、襯墊套組、護罩、電漿罩、流量均衡器、冷卻基座、腔室視埠、腔室蓋、噴嘴等。

在一個實施例中，製造腔室200包括封閉內部容積210的腔室主體208及噴頭206。在一些腔室中，噴頭206可由蓋及噴嘴代替。腔室主體208可由鋁、不銹鋼或其他適合的材料構成。腔室主體208大體包括側壁212及底部214。

排氣口216可限定在腔室主體208中，且可將內部容積210耦合至泵系統218。泵系統218可包括一或多個泵及閥，用於排空及調節製造腔室200的內部容積210的壓力。用於控制氣體流出腔室及/或腔室中的壓力的致動器可設置在排氣口216處或附近。

噴頭206可支撐在腔室主體208的側壁212上或腔室主體的頂部。可打開噴頭206（或在一些實施例中的蓋）以允許進入製造腔室200的內部容積210，且可在關閉時為製造腔室200提供密封。氣體面板220可耦合到製造腔室200，以經由噴頭206（或蓋及噴嘴）向內部容積210提供製程氣體或清理氣體。噴頭206可包括貫穿其中的多個氣體輸送孔。可用於在製造腔室200中處理基板的處理氣體的實例包括含鹵素氣體，例如C ₂F ₆、SF ₆、SiCl ₄、HBr、NF ₃、CF ₄、CHF ₃、F ₂、Cl ₂、CCl ₄、BCl ₃及SiF ₄等，以及其他氣體，諸如O ₂或N ₂O。載氣的實例包括N ₂、He、Ar及對製程氣體惰性的其他氣體（例如，非反應性氣體）。

基板支撐組件204設置在噴頭206下方的製造腔室200的內部容積210中。在一些實施例中，基板支撐組件204包括基座222及軸224。基板支撐組件204在處理期間支撐基板。在一些實施例中，一或多個加熱器226及反射器228亦設置在製造腔室200內。

感測器用於量測製造腔室200中的性質值。與製造腔室200相關聯的感測器可包括溫度感測器、壓力感測器（在一些實施例中，可存在至少兩個壓力感測器）、流量感測器等。在一些實施例中，利用製造腔室200的基於物理的數位孿生模型，可識別故障部件且採取校正動作。

在一些實施例中，腔室200可包括多個收集時間蹤跡資料的感測器。時間蹤跡資料可被發送到資料儲存裝置（例如，第1圖的資料儲存器140）。可根據時間蹤跡感測器資料產生概要資料。概要資料及/或時間蹤跡資料的處理可產生指示有問題（例如，故障、漂移、老化等）的腔室、子系統、部件等的資料。資料處理可由一或多個模型執行，包括基於物理的模型、機器學習模型、數位孿生模型等。概要資料可用於產生指數。指數的值可指示工具、部件、機隊等的效能。

第3圖為根據一些實施例的資料集產生器372（例如，第1圖的資料集產生器172）的描繪，此資料集產生器用於創建資料集以用於對模型（例如，第1圖的模型190）進行訓練、測試、驗證等。資料集產生器372可為第1圖的伺服器機器170的部分。在一些實施例中，模型190可包括多個機器學習模型、基於物理的模型、數位孿生模型等。每個模型可具有自身的資料集產生器，或多個模型可共享資料集產生器。結合第3圖詳細描述了一個資料集產生器（與用於將感測器資料映射到效能資料的模型相關聯）的操作。任何其他模型可與類似的資料集產生程式相關聯。對於其他模型，輸入及輸出資料可不同於結合第3圖描述的輸入及輸出。

包含資料集產生器372（例如，第1圖的資料集產生器172）的系統300為機器學習模型（例如第1圖的模型190）創建資料集。資料集產生器372可使用歷史製造參數352（例如，第1圖的歷史製造參數152）、歷史感測器資料、概要感測器資料等來創建資料集（例如，資料輸入310）。系統300可用於產生資料集以訓練、測試及驗證機器學習模型。在一些實施例中，向機器學習模型提供效能資料322作為目標輸出320。效能資料可指示成品的性質，例如，處理基板的計量資料。在一些實施例中，效能資料可指示製造設備的一或多個部件的狀況，例如，故障、老化、漂移、推薦維護等。在一些實施例中，資料集產生器372可經配置為產生製造設備的部件的基於物理的模型的資料集。可藉由使用感測器資料作為目標輸出來訓練模型以細化基於物理的模型的輸出。在一些實施例中，與成功製程相關聯的感測器資料（例如，來自在製造容差內生產產品的製程的黃金運行資料、來自最近合格的腔室的黃金運行資料等）可用作輸入310或目標輸出320。

在一些實施例中，資料集產生器372產生包括一或多個資料輸入310（例如，訓練輸入、驗證輸入、測試輸入）的資料集（例如，訓練集、驗證集、測試集），且可包括與資料輸入310相對應的一或多個目標輸出320。資料集還可包括將資料輸入310映射到目標輸出320的映射資料。資料輸入310亦可稱為「特徵」、「屬性」或「資訊」。在一些實施例中，資料集產生器372可將資料集提供給訓練引擎182、驗證引擎184或測試引擎186，其中資料集用於訓練、驗證或測試一或多個模型190（例如，模型190、集合模型190等中包括的模型之一）。在一些實施例中，模型190可包括基於物理的數位孿生模型及用於分析基於物理的模型的輸出的模型。在一些實施例中，資料集產生器372可向基於物理的模型提供輸入作為訓練輸入（例如，製造參數），且可提供與第二模型的輸出相關聯的目標輸出資料（例如，來自機器學習模型的部件貢獻資料），且模型190可使用這些相關聯的資料集來訓練。可參考第5A圖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372產生資料輸入310而不產生目標輸出320，以提供用於無監督機器學習模型的訓練資料集，例如聚類模型、自動編碼器、降維模型等。將結合第7圖進一步描述此類模型的操作。在一些實施例中，資料集產生器372產生資料輸入310及目標輸出320（例如，以訓練無監督或半監督模型）。在一些實施例中，資料輸入310可包括一或多組資料。作為示例，系統300可產生感測器資料集，此些感測器資料集可包括來自一或多種類型感測器的一或多個感測器資料、來自一種或多種類型感測器的感測器資料的組合、來自一或多種類型感測器的感測器資料的型樣、來自一或多個製造參數的製造參數、一些製造參數資料及一些感測器資料的組合、概要資料等。

在一些實施例中，資料集產生器372可產生與第一組歷史感測器資料344A及/或歷史製造參數352A相對應的第一資料輸入，以訓練、驗證及/或測試第一機器學習模型，且資料集產生器372可產生與第二組歷史感測器資料344B及/或歷史製造參數集352B相對應的第二資料輸入，以訓練、驗證及/或測試第二機器學習模型。

用於訓練、驗證及/或測試機器學習模型的資料輸入310及目標輸出320可包括特定製造腔室（例如，特定基板製造設備）的資訊。例如，歷史製造參數352、歷史感測器資料344、概要資料及效能資料322可與同一製造腔室相關聯。

在一些實施例中，用於訓練機器學習模型的資訊可來自具有特定特徵的製造設施的特定類型的製造設備（例如，第1圖的製造設備124），且允許經訓練的模型基於與共享特定組的特徵的一或多個部件相關聯的當前感測器資料（例如，當前感測器資料146）的輸入來決定特定組的製造設備124的結果。在一些實施例中，用於訓練模型的資訊可為來自兩個或更多個製造設施的部件，且可允許訓練的機器學習模型基於來自一個製造設施輸入來決定部件的結果。

在一些實施例中，在產生資料集且使用資料集訓練、驗證或測試機器學習模型190之後，可進一步訓練、驗證、測試或調整模型190（例如，調整與模型190的輸入資料相關聯的權重或參數，諸如基於物理的模型中的參數或神經網路中的連接權重）。

第4A圖為根據一些實施例的示出用於產生輸出資料（例如，第1圖的預測資料168）的系統400的方塊圖。在一些實施例中，系統400可用於結合機器學習模型（例如，第1圖的模型190）來決定感測器與工具、腔室或一組製造設備的效能之間的相關性，這可影響校正動作的執行（例如，鑒於模擬感測器資料可進行校正動作）。在一些實施例中，類似於系統400的系統可與基於物理的模型結合使用，以決定與製造設備相關聯的校正動作。

在方塊410，系統400（例如，第1圖的預測系統110的部件）進行歷史資料464（例如，用於第1圖的模型190的歷史效能資料、歷史製造參數152及歷史感測器資料144）的資料劃分（例如，經由第1圖的伺服器機器170的資料集產生器172）以產生訓練集402、驗證集404及測試集406。例如，訓練集可為歷史資料的60%，驗證集可為歷史資料的20%，且測試集可為歷史資料的20%。

可針對特定應用定製訓練集402、驗證集404及測試集406的產生。例如，訓練集可為歷史資料的60%，驗證集可為歷史資料的20%，且測試集可為歷史資料的20%。系統400可為訓練集、驗證集及測試集中的每一者產生複數組特徵。例如，若歷史資料464包括來自20個感測器（例如，第1圖的感測器126）的感測器資料及10個製造參數（例如，對應於來自20個感測器的感測器資料的製造參數）的特徵，則感測器資料可分為包括感測器1-10的第一組特徵及包括感測器11-20的第二組特徵。製造參數還可被分成多個組，例如包括參數1-5的第一組製造參數及包括參數6-10的第二組製造參數。目標輸入、目標輸出、兩者或兩者中無一者可分為多個集合。可在不同的資料集上訓練多個機器學習模型、基於物理的模型等。

在方塊412，系統400使用訓練集402執行模型訓練（例如，經由第1圖的訓練引擎182）。機器學習模型及/或基於物理的模型（例如，數位孿生）的訓練可以監督學習方式實現，這涉及經由模型饋送包括標記輸入的訓練資料集、觀察其輸出、定義誤差（藉由量測輸出與標記值之間的差），以及使用諸如深度梯度下降及反向傳播的技術來調諧模型的權重，使得誤差最小化。在許多應用中，在訓練資料集中的許多標記輸入上重複此過程產生了一模型，當呈現與訓練資料集中存在的輸入不同的輸入時，此模型可產生正確的輸出。

對於訓練資料集中的每個訓練資料項目，可將訓練資料項目輸入到模型中（例如，輸入到機器學習模型中）。隨後，模型可處理輸入訓練資料項目（例如，來自歷史運行的製程配方）以產生輸出。輸出可包括例如處理產品的預測效能資料。可將輸出與訓練資料項目的標籤（例如，量測的實際效能度量）進行比較。

隨後，處理邏輯可將產生的輸出（例如，預測效能）與訓練資料項目中包括的標籤（例如，實際效能量測）進行比較。處理邏輯基於輸出與標籤之間的差異決定誤差（即分類誤差）。處理邏輯基於誤差調整模型的一或多個權重及/或值。

在訓練神經網路的情況下，可為人工神經網路中的每個節點決定誤差項或增量。基於此誤差，人工神經網路針對其一或多個節點調整其一或多個參數（節點的一或多個輸入的權重）。可以反向傳播方式更新參數，使得首先更新最高層的節點，隨後更新下一層的節點等。人工神經網路含有多層「神經元」，其中每一層都接收來自前一層神經元的輸入值。每個神經元的參數包括與自前一層的每個神經元接收的值相關聯的權重。因此，調整參數可包括調整分配給人工神經網路中一或多個層的一或多個神經元的每個輸入的權重。

系統400可使用訓練集402的多組特徵（例如，訓練集402中的第一組特徵、訓練集402中的第二組特徵等）來訓練多個模型。例如，系統400可訓練模型以使用訓練集中的第一組特徵（例如，來自感測器1-10的感測器資料）來產生第一訓練模型，且使用訓練集的第二組特徵（例如，來自感測器11-20的感測器資料）來產生第二訓練模型。在一些實施例中，第一訓練模型及第二訓練模型可組合以產生第三訓練模型（例如，其本身可為比第一或第二訓練的模型更好的預測器）。在一些實施例中，用於比較模型的特徵集可重疊（例如，第一組特徵為來自感測器1-15的感測器資料，第二組特徵為來自感測器5-20的感測器資料）。在一些實施例中，可產生數百個模型，包括具有各種特徵排列的模型及模型組合。在一些實施例中，可將數百個或更多個模型堆疊在一起，以產生具有比單獨的單個模型更大的預測能力的一個集合模型。

在方塊414，系統400使用驗證集404進行模型驗證（例如，經由第1圖的驗證引擎184）。系統400可使用驗證集404的一組對應特徵來驗證每個訓練模型。例如，系統400可使用驗證集中的第一組特徵（例如，來自感測器1-10的感測器資料）來驗證第一訓練模型，且使用驗證集的第二組特徵（例如，來自感測器11-20的感測器資料）來驗證第二訓練模型。在一些實施例中，系統400可驗證在方塊412處產生的數百個模型（例如，具有各種特徵排列的模型、模型組合等）。在方塊414處，系統400可決定一或多個訓練模型中的每一者的精度（例如，經由模型驗證），且可決定訓練模型中的一或多者是否具有滿足臨限值精度的精度。回應於決定沒有一個訓練模型具有滿足臨限值精度的精度，流程返回到方塊412，此處系統400使用訓練集的不同特徵集進行模型訓練。回應於決定一或多個訓練模型具有滿足臨限值精度的精度，流程繼續到方塊416。系統400可丟棄具有低於臨限值精度的精度的訓練模型（例如，基於驗證集）。

在方塊416，系統400進行模型選擇（例如，經由第1圖的選擇引擎185），以決定滿足臨限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，基於方塊414的驗證的所選模型408）。回應於決定滿足臨限值精度的兩個或更多個訓練模型具有相同的精度，流程可返回到方塊412，此處系統400使用與進一步細化的特徵集相對應的進一步細化的訓練集來進行模型訓練，以決定具有最高精度的訓練模型。

在方塊418，系統400使用測試集406進行模型測試（例如，經由第1圖的測試引擎186）以測試所選模型408。系統400可使用測試集合中的第一組特徵（例如，來自感測器1-10的感測器資料）測試第一訓練模型，以決定第一訓練模型滿足臨限值精度（例如，基於測試集合406的第一組特徵）。回應於所選模型408的精度不滿足臨限值精度（例如，所選模型408過度適合於訓練集402及/或驗證集404，且不適用於其他資料集，諸如測試集406），流程繼續到方塊412，此處系統400使用對應於不同特徵集（例如，來自不同感測器的感測器資料）的不同訓練集來進行模型訓練（例如，重新訓練）。回應於基於測試集406決定所選模型408具有滿足臨限值精度的精度，流程繼續到方塊420。在至少方塊412中，模型可學習歷史資料中的型樣以進行預測，且在方塊418中，系統400可將模型應用於剩餘資料（例如，測試集406）以測試預測。

在方塊420，系統400使用訓練模型（例如，所選模型408）來接收當前感測器資料446（例如，第1圖的當前感測器資料146），且自訓練模型的輸出中決定（例如，提取）預測效能資料468（例如，第1圖的預測資料168）。可鑒於預測效能資料468進行與第1圖的製造設備124相關聯的校正動作。在一些實施例中，當前感測器資料446可對應於歷史製造參數資料中的相同類型的特徵。在一些實施例中，當前感測器資料446對應於與用於訓練所選模型408的歷史製造參數資料中的特徵類型的子集相同類型的特徵。

在一些實施例中，接收當前資料。當前資料可包括當前效能資料460（例如，第1圖的計量資料160）。基於當前資料重新訓練模型408。在一些實施例中，基於當前感測器資料446及當前效能資料460來訓練新模型。

在一些實施例中，動作410-420中的一或多者可以各種順序發生及/或與本文未呈現及描述的其他動作一起發生。在一些實施例中，可不進行動作410-420中的一或多者。例如，在一些實施例中，可不進行方塊410的資料劃分、方塊414的模型驗證、方塊416的模型選擇或方塊418的模型測試中的一或多者。

類似於第4A圖的系統400的系統可經配置用於訓練、驗證、測試及使用基於物理的數位孿生模型。基於物理的模型經配置為接受作為輸入的製造參數（例如，提供給製造設備的設定點）且提供作為輸出的模擬感測器資料（例如，預測感測器資料）。與此基於物理的模型相關的其他模型在訓練、驗證、測試及使用中可能遵循類似的資料流程。在一些實施例中，模型可接收模擬感測器資料及量測感測器資料，且經配置為輸出預測為促成兩個資料集之間的差異的部件的清單。此模型可提供每個部件對變化的貢獻程度的估計。例如，此模型可提供到部件的功率傳遞的估計。可將描述功率傳遞的感測器資料提供給基於物理的模型，或可將基於物理的模型的輸出及感測器資料提供到另一個模型。預測資料與量測資料之間的差異可能表明部件老化、失效、漂移等。可類似地進行系統400的劃分、訓練、驗證、選擇、測試及使用塊，以利用不同資料類型的資料來訓練附加模型。還可利用當前模擬感測器資料及當前量測感測器資料來進行重新訓練。在一些實施例中，還可提供黃金運行資料用於機器學習或基於物理的模型的劃分、訓練、驗證、選擇、測試及使用。

第4B圖為根據一些實施例的用於使用蹤跡感測器資料進行TTTM分析的方法430的流程圖。在一些實施例中，可在訓練要用作TTTM分析模組的一部分的各種機器學習模型、統計模型、數位孿生模型等之後進行方法430的操作。

在方塊431，執行配置操作。在一些實施例中，配置操作由使用者進行。在一些實施例中，使用者可與圖形使用者介面互動以配置TTTM系統。在一些實施例中，可使用諸如文字輸入、命令行控制等的另一方法來配置TTTM系統。在一些實施例中，配置設定（例如，含有指示配置設定的資料的文檔或檔案）可由在整個分析過程中重複執行TTTM分析的處理裝置引用。

配置設定可包括標籤資訊及慣例，包括日期、配方標籤、產品標籤、設備及/或感測器標籤等。配置設定可包含利用一或多個工具、一或多個感測器結合一或多個處理運行或產品等收集的資料的指示。配置設定可包括對處理裝置進行（或不進行）類型分析的指令。配置設定可指示要使用何種度量、要產生哪些類型的概要資料、要在分析中使用何種模型（例如，機器學習模型）、要在分析中使用TTTM軟體模組的何種特徵（例如，要執行的為正常值漂移偵測還是時間蹤跡分析）等。配置設定可包括用於執行進一步分析的條件臨限值的指示，例如，將資料點分類為異常值的控制極限、觸發下鑽分析的異常值的臨限值數量等。配置設定可包含TTTM模組要執行的度量值聚合及/或指數聚合的指示。在一些實施例中，使用者可能能夠儲存一或多個「喜愛的」配置設定，以用於未來TTTM分析。在一些實施例中，配置設定可包括用於視覺化的選項，包括要產生的繪圖的類型（例如，箱形圖、直方圖、散點圖等）、要產生的繪圖的數量、觸發產生繪圖的臨限值度量或指數值、所產生繪圖的設計元素、是否要在繪圖上計算及/或顯示最佳擬合線或趨勢線等。

一旦決定了配置設定（或選擇了預設設置、最愛項目設定等），就進行自動處理程序432。在一些實施例中，TTTM模組（由配置設定引導）獨立地進行許多操作以產生感測器資料的分析。結合第5B圖至第5I圖更詳細地討論自自動處理程序432的操作，這裡包括這些操作的簡要概述。

在方塊433，由處理裝置進行資料收集操作。根據配置設定，資料由處理裝置擷取以進行分析。擷取的資料可包括蹤跡感測器資料、預處理的感測器資料、製造資料（例如，硬體或處理參數、配方資訊等）、概要資料等。

在方塊434，由處理裝置進行資料處理操作。在一些實施例中，根據配置設定進行資料處理。資料處理可包括產生度量值、指數、聚合度量及指數、蹤跡分析、漂移分析等。資料處理可包括向一或多個模型提供資料（例如，在方塊433處收集的資料）以產生輸出。資料處理模型可包括機器學習模型、數位孿生模型、統計模型等。結合第5D圖更詳細地討論資料處理操作。

在方塊435，處理邏輯進行視覺化操作。視覺化操作可根據配置設定來進行。在一些實施例中，視覺化的產生可由資料處理期間滿足的條件觸發，該些條件例如度量值超過臨限值、資料點的某一部分被分類為異常值等。在一些實施例中，可在分析的多個階段產生視覺化，例如，可繪製TTTM指數值，且還可繪製TTTM指數值的一個或多個集合。可使用任何方便的繪圖方案來進行視覺化，例如，箱形圖、直方圖、散點圖、圓餅圖等。結合第6A圖至第6G圖更詳細地討論視覺化。

在方塊436，處理邏輯執行分析及報告操作。在一些實施例中，向使用者提供方塊436的操作。在一些實施例中，方塊436的操作可被自動觸發（例如，用於評估TTTM模組效能的案例評估程式可週期性地發生）。在一些實施例中，方塊436的操作可由使用者觸發。在一些實施例中，方塊436的操作結果可影響用於未來分析的配置設定（如第4B圖中返回到方塊431的箭頭所示）。

第4C圖為根據一些實施例的描述用於產生概要資料的方法450的流程圖。概要資料的產生可自收集蹤跡資料開始。作為實例，方法450作用於來自單個運行及單個感測器的完整蹤跡。在其他實施例中，來自多個感測器、多個運行等的資料可用於產生概要資料。在一些實施例中，蹤跡資料可被分離成製程操作來儲存，且操作分離的資料可被用於產生概要資料。在一些實施例中，可對資料執行預處理，例如，平滑、插值、正規化等。可在分析的各個階段進行預處理。

在方塊451，來自單個運行的完整蹤跡資料被處理邏輯分割成處理操作。在一些實施例中，可向處理邏輯提供完整蹤跡資料及分割成單獨處理操作（例如，處理配方的步驟）的資料，以執行基本概要操作。可基於資料點的時間戳記、蹤跡資料的行為、參考蹤跡資料的特性等將資料分割成處理操作。可將分割成處理操作的資料提供給處理裝置，以進一步分割成瞬態及穩態部分。在一些實施例中，可以與第4C圖所示的順序不同的順序進行各種操作，且在本揭示案的範疇內。

在方塊452，分割成處理操作的蹤跡資料被進一步分割成瞬態及穩態部分。第6A圖中描繪了瞬態部分分裂的視覺化。在一些實施例中，諸如溫度或電壓的製程參數可具有操作設定點。可能需要一段時間才能達到此類設定點，此時性質值會快速變化。性質值快速變化的週期可被分離為蹤跡資料的瞬變部分，而性質值更穩定的週期可分離作為蹤跡資料的穩態部分。在一些實施例中，處理配方可要求性質（例如，溫度）在一段時間內以受控方式改變（例如，勻變上升）。這種既非穩態亦非瞬態的週期亦可被分離及分析。在一些實施例中，勻變資料可被分析為穩態資料。在一些實施例中，勻變資料可被分析為瞬態資料。在一些實施例中，可以與穩態或瞬態資料不同的方式分析勻變資料。在一些實施例中，可利用來自瞬態資料分析及/或穩態分析的特徵來分析勻變資料。

蹤跡資料的瞬態及穩態部分可由處理裝置分離。在一些實施例中，可根據配置設定來進行瞬態部分及穩態部分的分離。蹤跡資料的瞬態部分的識別可包括決定蹤跡資料的斜率、資料的一或多個統計度量（例如，標準差、範圍等）、基於先驗知識（例如，從黃金運行資料得出的穩態時間估計）等。在一些實施例中，利用滑動視窗來分離蹤跡資料的瞬態及穩態部分。可分析比與操作相關聯的蹤跡資料更小（例如，含有更少的資料點）的視窗。在一些實施例中，可將視窗內的點決定為穩態部分的部分或瞬態部分的部分。在一些實施例中，若視窗內的點的標準差大於臨限值，則可將視窗中的點決定為瞬態部分的部分。隨後可移動視窗以包括處理操作蹤跡資料的資料點的不同子集。視窗的大小、用於決定蹤跡資料的部分是否為瞬態的度量（例如，斜率、標準差、四分位值、範圍等）、決定瞬態的臨限值等均可根據配置設定來進行。在一些實施例中，被指定為穩態的部分與被指定為瞬態的部分之間的介面可經受進一步的處理，例如，改變視窗大小、改變決定度量、改變臨限值度量值等。被劃分為瞬態及穩態（及勻變或另一類型）部分的資料被提供給處理邏輯以產生概要資料。在一些實施例中，穩態部分及瞬態部分被提供給處理邏輯以執行基本資料概要操作（方塊454）。在一些實施例中，瞬態部分被提供給處理邏輯以執行數位孿生概要操作（方塊453）。

在方塊453，處理邏輯進行數位孿生概要操作。在一些實施例中，結合蹤跡資料的瞬態部分進行數位孿生概要操作。在一些實施例中，產生實體資產的數位孿生模型。實體資產可包括製造系統的一或多個部件。實體資產的效能可藉由數位孿生來模型化，且將模型化的行為與與製造系統相關聯的一或多個感測器記錄的行為進行比較。用於產生概要資料的數位孿生資料的視覺化可在第6B圖中找到。

可將瞬態部分的各種特徵與數位孿生輸出進行比較，以產生概要資料。在一些系統中，性質值可能超過（例如，過衝）設定點，隨後才安定到設定值。蹤跡資料的過衝區域的性質（例如，過衝值、過衝時間長度、達到過衝最大值或最小值的時間等）可用於產生概要資料。在一些實施例中，性質值可表現出達到設定點的上升時間。可將感測器資料的上升時間性質與數位孿生資料進行比較，以產生概要資料，例如，性質值達到指示值的50%、指示值的90%所需的時間等。在一些實施例中，性質值可能需要一些時間才能安定到設定點（例如，過衝後）。安定時間可用於產生概要資料（例如，直到值保持在設定點的5%以內、設定點的2%以內的時間等）。在一些實施例中，所達到的最終性質值可能不同於設定點。可基於差異產生概要資料。在一些實施例中，閉環控制系統的性質可由數位孿生模型模型化。閉環控制系統的增益、相位及頻寬等性質亦可進行監測，且用於產生概要資料。在一些實施例中，性質值可振盪（例如，當其接近設定點時，此值可在安定之前高於及低於設定點幾次）。此類振盪的偵測以及振盪的性質（諸如頻率、振幅等）可包括在概要資料中。在一些實施例中，最大值、最小值、斜率、平均值或其他度量可包括在與瞬態部分相關聯的概要資料中。

在方塊454，處理邏輯進行基本概要操作。在一些實施例中，幾個部分被提供給基本概要操作邏輯（例如，瞬態資料及穩態資料均可被提供給基本概要操作邏輯）。在一些實施例中，基本概要資料可包括元資料，例如，與處理運行相關聯的資料。元資料可包括處理運行開始時間、運行ID、工具ID、工具名稱、批次名稱、批次ID、處理配方名稱、產品ID、產品資訊（例如，產品設計）、產品編號、產品計數（例如，自上次維護事件以來的產品數量）等。

在一些實施例中，基本概要資料可包括情境資料，例如，與感測器、處理操作等相關聯的資料。情境資料可包括通道或感測器名稱或ID、製程操作編號（例如，步驟編號）、製程操作的時間戳記、操作名稱或ID，操作類型（例如，蝕刻操作、沉積操作等）、製造子系統名稱或ID等。

在一些實施例中，基本概要資料可包括與蹤跡資料相關聯的統計資訊。統計資訊可包括資料平均值、中數、最小值、最大值、範圍、四分位數及其他百分位數資訊、標準差、偏斜、峰度、指示資料是否在控制範圍內的標誌等。可根據配置設定產生基本概要資料。在方塊455，例如由TTTM模組儲存概要資料以供將來使用。概要資料可儲存在資料記憶體，例如第1圖的資料儲存器140中。

第5A圖至第5I圖為根據某些實施例的與產生資料以引起校正動作相關聯的方法500A-I的流程圖。方法500A-I可由處理邏輯執行，處理邏輯可包括硬體（例如，電路系統、專用邏輯、可程式邏輯、微碼、處理裝置等）、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、微碼或其組合。在一些實施例中，方法500A-I可部分地由預測系統110進行。方法500A可部分地由預測系統110（例如，第1圖的伺服器機器170及資料集產生器172、第3圖的資料集產生器372）進行。根據本揭示案的實施例，預測系統110可使用方法500A來產生資料集，以進行訓練、驗證或測試機器學習模型中的至少一者。方法500B到500I可由預測伺服器112（例如，預測部件114）進行。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（例如，預測系統110、伺服器機器180、預測伺服器112等的）處理裝置執行時使處理裝置進行方法500A-I中的一或多者。

為了簡化說明，將方法500A-I描述為一系列操作。然而，根據本揭示案的操作可以各種順序發生及/或與本文未呈現及描述的其他操作同時發生。此外，並非所有圖示的操作都可被進行以實現根據所揭示主題的方法500A-I。此外，熟習此項技術者將理解並理解，方法500A-I可替代地經由狀態圖或事件表示為一系列相互關聯的狀態。

第5A圖為根據某些實施例的用於產生用於產生預測資料（例如，第1圖的預測資料168）的模型的資料集的方法500A的流程圖。

參考第5A圖，在一些實施例中，在方塊501，實現方法500A的處理邏輯將訓練集T初始化為空集。

在方塊502，處理邏輯產生第一資料輸入（例如，第一訓練輸入、第一驗證輸入），其可包括感測器資料（例如，第1圖的歷史感測器資料144；第3圖的歷史感測器資料344）、製造參數（例如，第1圖的歷史製造參數152）等中的一或多者。在一些實施例中，第一資料輸入可包括用於資料類型的第一組特徵，且第二資料輸入可包括用於資料類型的第二組特徵（例如，如關於第4A圖所描述的）。

在一些實施例中，在方塊503，處理邏輯為一或多個資料輸入（例如，第一資料輸入）產生第一目標輸出。在一些實施例中，第一目標輸出為效能資料（例如，處理產品、故障部件等的計量資料）。在一些實施例中，輸入資料可為感測器資料的形式，且目標輸出可為可能有故障的部件的清單，如在經配置為結合基於物理的數位孿生模型進行的機器學習模型的情況下。在一些實施例中，不產生目標輸出（例如，能夠對輸入資料進行分組或查找相關性而非要求提供目標輸出的無監督機器學習模型）。

在方塊504，處理邏輯視情況產生指示輸入/輸出映射的映射資料。輸入/輸出映射（或映射資料）可指資料輸入（例如，本文描述的一或多個資料輸入）、資料輸入的目標輸出以及資料輸入與目標輸出之間的關聯。在一些實施例中，例如與沒有提供目標輸出的機器學習模型相關聯，可不執行方塊504。

在一些實施例中，在方塊505，處理邏輯將在方塊504產生的映射資料添加到資料集T。

在方塊506，處理邏輯基於資料集T是否足以用於訓練、驗證及/或測試模型190中的至少一者來分支。若是，則執行繼續進行到方塊507，否則，執行返回到方塊502。應當注意，在一些實施例中，資料集T的充分性可簡單地基於資料集中的輸入的數量來決定，輸入在某些實施例中被映射到輸出，而在一些其他實施例中可基於除輸入的數量之外或代替輸入的數量的一或多個其他標準（例如，資料實例的多樣性的度量、準確性等）來決定。

在方塊507，處理邏輯提供資料集T（例如，到伺服器機器180）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為訓練集，且被提供給伺服器機器180的訓練引擎182以進行訓練。在一些實施例中，資料集T為驗證集，且被提供給伺服器機器180的驗證引擎184以進行驗證。在一些實施例中，資料集T為測試集，且被提供給伺服器機器180的測試引擎186以進行測試。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310相關聯的數值）被輸入到神經網路，且輸入/輸出映射的輸出值（例如，與目標輸出320相關聯的數值）被儲存在神經網路輸出節點中。隨後根據學習演算法（例如，反向傳播等）調整神經網路中的連接權重，且針對資料集T中的其他輸入/輸出映射重複此程序。在方塊507之後，模型（例如，模型190）可為使用伺服器機器180的訓練引擎182訓練的、使用伺服器機器180的驗證引擎184驗證的或使用伺服器機器180的測試引擎186測試的至少一者。訓練的模型可由（預測伺服器112的）預測部件114實現，以產生用於進行信號處理或用於進行與製造設備124相關聯的校正動作的預測資料168。

第5B圖為根據一些實施例的用於利用一或多個模型來決定要進行的校正動作的方法500B的流程圖。第5B圖的操作可包括在結合第4B圖描述的自動處理操作中。

參考第5B圖，在方塊510，處理邏輯進行與產生指示校正動作的工具與工具匹配(TTTM)資訊相關聯的準備操作。製備操作可由手動輸入（例如，在識別出非最佳效能時，回應於一或多個成品的非最佳計量資料等）、以排程的時序間隔等來觸發。TTTM分析準備可包括資料收集邏輯。可自資料儲存器中擷取資料（例如，感測器蹤跡資料）。可根據配置設定進行資料收集。收集的資料可包括進行製程的日期、製造設備的工具ID、配方名稱、指示關鍵操作的資料、感測器或參數等。配置設定可包括要收集的這些類型的資料以及預處理程序（例如，資料清理、重採樣、平均化、平滑化等）的指示。處理邏輯可進行資料預處理作為準備操作的部分。

準備操作可進一步包括產生概要資料的處理邏輯，例如，與製造製程相關。結合第4C圖詳細討論資料概要操作。可根據配置設定進行資料概要。在一些實施例中，根據蹤跡感測器資料產生概要資料。蹤跡感測器資料可被分成多個部分，且自每個部分單獨提取概要資料。例如，蹤跡感測器資料可被分成一或多個瞬態部分及一或多個穩態部分。在一些實施例中，滑動視窗用於提供蹤跡的部分的資料值的統計。若視窗內的點的特定統計標記（例如，標準差、方差等）大於（或小於）臨限值，則可決定此視窗中的點包括在蹤跡資料的穩態部分、蹤跡資料的瞬態部分等中。其他度量（例如，資料的斜率、時間臨限值等）可用於指定蹤跡資料的穩態及瞬態部分。在一些實施例中，概要邏輯不同地處理穩態資料及瞬態資料。配置設定可包括對如何識別穩態及瞬態部分的調整，諸如視窗大小、決定視窗屬於哪個部分的度量的值或標識等。在一些實施例中，不同的資料被包括在蹤跡資料的不同部分的概要資料中。在一些實施例中，部件的基於物理的（例如，數位孿生）模型用於產生行為預測。在一些實施例中，利用數位孿生預測與量測的感測器資料之間的差異來產生概要資料。例如，數位孿生模型可預測提供給部件（例如，靜電卡盤）的電壓可具有特定的上升時間（例如，達到目標值的90%的時間）、特性過衝（例如，峰值電壓的目標值的百分比）及安定時間（例如達到穩定值之前的振盪時間）。概要邏輯可包括記錄感測器資料的量測瞬態部分與由數位孿生模型對這些度量的預測之間的差異。

概要資料可包括元資料、情境資料、統計資料及數位孿生輔助概要資料。元資料可包括描述製造製程的資料（例如，處理半導體晶圓的條件）。元資料可包括運行開始時間、配方ID、與製造設備相關聯的工具ID、工具名稱、批次名稱及/或ID、產品ID、產品資訊、產品編號、由工具生產的產品計數等。情境資料可包括描述蹤跡資料的資料，例如感測器ID、配方操作編號、時間戳記資料、子系統、操作類型等。統計資料可包括平均值、最小值及最大值、百分位（例如，四分位）值、方差、偏斜、峰度、範圍、四分位距、控制下限及上限（例如，根據其他統計資料計算，諸如與平均值的三個標準差或百分位值之外的四分位範圍的某個倍數等）等。數位孿生輔助概要資料可包括過衝（例如，性質的目標值與性質的峰值之間的百分比差）、上升時間（例如，性質調整至目標值90%的時間）、安定時間（例如，量測值在目標值的某個閾值內的時間）、穩態誤差（例如，量測的最終值與目標值之間的百分比差）、閉環控制系統參數，如增益裕度（例如，在輸入與輸出之間的相位偏移為180°的頻率下，無增益與系統增益之間的增益差）、相位裕度（如，在無增益的頻率下，系統相位與180°之間的相位差）及頻寬；振盪偵測、振盪頻率、振盪幅度等。

在方塊511，處理邏輯檢查與待分析資料相容的一或多個現有模型。現有模型可為使用歷史資料訓練的模型。現有模型的相容性可基於在同一組製造設備、同一類型的製造設備、相同或類似製程等上進行訓練來決定。若現有相容模型不存在，則流程繼續到方塊512。若現有相容模型確實存在，則流程繼續到方塊513。

在方塊512，處理邏輯進行與進行TTTM分析相關聯的訓練操作。結合第5C圖更詳細地討論訓練操作。訓練操作可包括例如自第1圖的資料儲存器140擷取與一或多個製造製程相關聯的資料。訓練操作可包括擷取及/或產生黃金運行感測器資料、擷取概要資料、擷取蹤跡資料等。訓練操作可根據配置設定來進行。

在方塊513，處理邏輯進行與TTTM分析相關聯的推斷操作。將結合第5D圖更詳細地討論推斷操作。推斷可包括使用一或多個模型的分析。模型可包括基於物理的模型、數位孿生模型、機器學習模型等。可根據配置設定進行推斷。可回應於先前的推斷操作來進行推斷操作，例如，可回應於滿足一或多個標準的先前操作的輸出來進行進一步的下鑽分析。推斷結果可包括校正動作、系統或部件的指示，以進一步跟進、排程維護等。推斷操作可包括結果的視覺化。

在方塊514，處理邏輯進行與TTTM分析相關聯的案例評估操作。案例評估程式可用於產生指示TTTM分析程式效能的資訊。可評估各種模型及演算法的效能。案例評估操作可包括將預測的效能度量與量測的效能度量進行比較。在一些實施例中，案例評估可由使用者觸發。在一些實施例中，案例評估可由結果觸發，例如TTTM分析的結果在臨限值範圍之外，計量的結果在TTTM分析預測的相似性臨限值範圍之外等。在一些實施例中，可根據案例評估時程（例如，每第n個製程，以選定的頻率等）進行案例評估。與製造製程相關的資料（例如，感測器資料、概要資料等）可利用TTTM分析的輸出提供給處理邏輯（例如，一或多個預測的故障部件、預測的漂移或老化子系統、成品的預測計量資料、部件或子系統健康的視覺化等）。與TTTM分析輸出相關的量測效能資料（例如，預測故障部件的維護結果、產品的量測計量等）亦可提供給進行案例評估的處理邏輯。

案例評估操作可包括及/或旨在決定TTTM模組（例如，TTTM分析中包括的一或多個模型）是否要重新訓練。處理邏輯可基於多個度量中的一或多者來評估是否進行重新訓練。在一些實施例中，可基於不滿足精度臨限值的預測的特定部分（例如，一段時間內的預測的部分）來進行重新訓練。在一些實施例中，可基於列中不滿足精度臨限值的產品的數量來進行重新訓練。在一些實施例中，可基於對處理條件的已知改變來進行重新訓練，例如配方更新、輸入材料更新、執行的腔室維護等。處理邏輯可使用來自具有足夠準確的TTTM預測的案例及具有不滿意的TTTM預測的案例的資料來進行評估。處理邏輯可使用陽性案例（TTTM分析預測故障、老化、漂移等的案例，例如真陽性及假陽性）及陰性案例（TTTM分析未預測故障的案例，例如真陰性及假陰性）兩者來進行評估。

處理邏輯可進一步評估假案例（例如，假陽性、假陰性）。可評估假案例的根本原因，例如對TTTM模型的潛在修改，以減少假案例。在一些實施例中，可評估調整操作、感測器等的權重的效果。在一些實施例中，可評估調整控制極限的效果。在一些實施例中，可評估自未來TTTM模型化中移除感測器、操作等的效果。處理邏輯可儲存案例評估的結果。處理邏輯可產生例如更新或重新訓練TTTM分析模組的全部或部分的推薦。

在方塊515，處理邏輯進行TTTM模組的重新訓練。可根據在方塊514的案例評估期間產生的推薦來進行重新訓練。例如，在案例評估操作期間，處理邏輯可產生重新訓練感測器權重的推薦。在重新訓練操作期間，處理邏輯可藉由提供附加資料來訓練用於TTTM分析的一或多個模型來進行推薦。在一些實施例中，重新訓練可包括模型驗證及/或測試。在一些實施例中，重新訓練操作可包括使用不同的感測器資料（例如，如結合第4A圖所述的不同的感測器集合）來訓練新模型。在一些實施例中（例如，根據在案例評估操作期間產生的推薦），可不進行重新訓練操作。在重新訓練之後，流程可返回到推斷階段（方塊513），以對附加產品、製程、製造設備等進行TTTM分析。

第5C圖為根據一些實施例的描述進行TTTM分析方法的訓練操作的方法500C的流程圖。這些操作可針對準備TTTM分析以進行推斷，且不同於訓練特定的機器學習模型、基於物理的模型等。在方塊521，擷取用於TTTM分析的資料。擷取的資料可包括蹤跡資料、預處理的蹤跡資料、概要資料等。擷取的資料可包括在TTTM分析的準備操作中識別、產生、儲存等的資料。可根據配置設定來擷取資料，例如指示TTTM分析中將使用哪些分析技術、哪些訓練模型等的設定。

在方塊522，處理邏輯決定TTTM分析中是否要使用一或多個黃金資料集。黃金資料可包括與成功製造的產品、與正常運行的設備等相關的蹤跡資料、清理或預處理的蹤跡資料及概要資料等。一或多個黃金資料集的使用可基於配置設定，基於哪個模型或多個模型將被用作TTTM分析的部分等。若沒有黃金資料集將被使用，則流程繼續到方塊526。若要使用一或多個黃金資料集，則流程繼續到方塊523。在方塊523，處理邏輯決定一或多個黃金資料集是否可用（例如，指定為黃金資料的資料儲存在資料儲存器140中）。若黃金資料可用（例如，黃金資料將被用於的每個感測器、過程、系統等的黃金資料），則流程繼續到方塊525，且擷取一或多個黃金資料集。若黃金資料集不可用（例如，若要在TTTM分析中使用的一或多個黃金資料集是不可用的），則流程繼續到方塊524。

在方塊524，處理邏輯產生一或多個黃金資料集。資料可由處理邏輯選擇（例如來自資料儲存器140）以充當一或多個黃金資料集。可基於資料對應於可接受的處理參數（例如，有助於在製造容差內生產產品的處理參數）的一或多個指示將資料選擇為黃金資料。在一些實施例中，最近合格（例如，最近維護、最近安裝等）的工具、腔室及/或製造設備組可被指定為黃金工具。來自黃金工具進行的製程的資料可被指定為黃金資料。在一些實施例中，指示可接受產品的生產的資料可與感測器資料（例如，計量資料、分類或品質資料等）相關聯。與可接受產品的生產相關的感測器資料（包括預處理的感測器資料、概要感測器資料等）可被指定為黃金運行資料。在一些實施例中，一或多個感測器可具有相關聯的黃金運行資料。在一些實施例中，一或多個處理操作可具有相關聯的黃金運行資料。

在方塊526，處理邏輯定義控制極限。可根據配置設定來設定控制極限。在一些實施例中，可由使用者輸入來建立控制極限（例如，可由使用者選擇可接受的處理範圍）。在一些實施例中，可由處理邏輯來計算控制極限（例如，與平均值相差的三個標準差）。在一些實施例中，可使用混合系統（例如，與平均值相差的三個標準差，但不超過使用者定義的極限）。

第5D圖為根據一些實施例的描述進行TTTM分析方法的推斷操作的方法500D的流程圖。在方塊530，導入要在TTTM分析中使用的一或多個模型。這些可能包括訓練的機器學習模型、基於物理的模型、數位孿生模型、統計模型等。可根據配置設定導入模型。

在方塊531，處理邏輯執行異常值偵測操作。可將概要資料與控制極限進行比較，以決定資料點（例如，與一組蹤跡資料相關聯的概要資料）是否為異常值。可單獨考慮每個處理操作（例如，配方步驟）中的每個感測器。若任何一個概要資料在控制極限之外，若多個概要資料超出控制極限，若概要資料的某些總權重（例如，具有更多預測能力的概要被賦予更多權重）超出控制極限等，則可將資料點視為異常值。在一些實施例中，可聚集單獨的異常值信號以產生指示腔室、工具、製程、設施、產品、製造設備組等的效能及/或品質的指數（例如，TTTM指數）。

在一些實施例中，TTTM指數的產生可能取決於感測器及製程操作權重以及控制極限。可發現，一些感測器操作組合比其他感測器操作組合具有更高的預測能力。例如，對於利用電漿的半導體基板的處理操作，指示電漿參數的感測器可具有腔室效能的高預測能力。對於不使用電漿處理的處理操作，相同的感測器可能無法提供與工具效能容易相關的資訊。加權因數可指示相關資料對效能的貢獻的重要性。

在一些實施例中，分類為高異常值（例如，高於控制上限）、低異常值（例如，低於控制下限）及正常值（例如，控制上限與控制下限之間）的資料點可被不同地對待。在一些實施例中，一或多個加權因數可應用於感測器資料、概要資料等。加權因數（例如，權重）可指示在處理腔室中量測的性質值對效能的影響。在一些實施例中，權重可應用於感測器（例如，更接近基板的感測器可產生與效能更密切相關的資料）。在一些實施例中，權重可應用於處理操作（例如，蝕刻操作期間的感測器資料可比不發生蝕刻的操作（例如預熱或冷卻操作）與蝕刻配方的效能更密切相關）。在一些實施例中，權重可應用於處理運行（例如，具有已知問題的處理運行可被賦予較低的權重）。在一些實施例中，加權因數可應用於資料類型（例如，諸如溫度感測器的感測器類型、諸如平均值的概要資料類型可被賦予比標準差更多的權重，來自瞬態部分的概要資料可被賦予與來自蹤跡資料的穩態部分不同的權重等）。在一些實施例中，加權因數可應用於條件的組合，例如在特定操作期間的特定感測器（例如，量測施加以產生電漿的電壓的感測器可產生的結果與涉及電漿的製程操作的效能高度相關，但可不與無電漿操作中的效能良好相關）。

在一些實施例中，權重可用於產生TTTM指數。在一些實施例中，可選擇權重，使得可對每個處理操作（例如，處理步驟）的來自所有感測器的權重之和進行正規化（例如，等於1）。操作的異常值感測器可能對TTTM指數值貢獻為零，而正常值貢獻其權重。若所有感測器均有正常值，則TTTM指數可為1（或可縮放為不同的值）。TTTM指數值低於1（或縮放值）可能表明推薦對此製造製程、操作、工具、設施等進行進一步分析。

在一些實施例中，可藉由權重查找器模型來分配權重（或可輔助權重的分配）。在一些實施例中，權重查找器模型可包括機器學習模型。可使用與感測器相關聯的資料（例如，概要資料）作為訓練輸入及效能資料（例如，計量資料）作為目標輸出來訓練機器學習模型。訓練機器學習模型調整將輸入資料聯繫到目標輸出資料的權重。機器學習模型可輸出將操作/步驟組合與效能聯繫起來的權重。可在TTTM分析中使用權重，作為機器學習模型的輸出，由使用者調整等。在一些實施例中，可使用偏最小二乘模型來產生權重函數。在一些實施例中，可使用堆疊的部分最小二乘模型（例如，佈置為集合模型的多個部分最小二乘模型）。

在方塊532，處理邏輯進行感測器貢獻計算的操作。在一些實施例中，方塊532到535的操作的進行可取決於TTTM指數的值。例如，處理邏輯可經配置為若TTTM指數滿足臨限值（例如，低於在配置設定中建立的臨限值），則進行進一步的分析（例如，下鑽分析以探索根本原因）。在方塊532，可產生指示一或多個資料點是「何種程度」的異常值的感測器貢獻資訊。先前的操作包括標記資料點是否在控制極限內。感測器貢獻值表示異常值超出控制極限的程度。示例性感測器貢獻度量為嚴重性距離。嚴重性距離為衡量資料點（例如，概要資料點）超出控制極限的程度。嚴重性距離指示資料點（或資料點的集合）與相關聯的控制極限之間的關係。在一些實施例中，可為製造運行（例如，單個產品）的一或多個感測器/操作資料點產生嚴重性距離。嚴重性距離可基於一或多個概要資料（例如，一或多種類型的概要資料）。在一些實施例中，嚴重性距離計算可包括一或多個資料點超出控制極限的程度的計算。在一些實施例中，嚴重性距離計算可包括相對於控制範圍的大小資料點超出控制極限的程度的計算（例如，溫度感測器可被分配在20度與40度之間的控制範圍，50度的資料點可被計算為控制範圍大小的50%高於控制上限）。例如，低於控制下限（例如，低於控制範圍）的資料點可具有計算為以下的嚴重性距離 其中SD為嚴重性距離，LCL及UCL為控制下限及上限，x為相關資料點（或資料點的聚合）的值，分數的分母計算控制範圍，w為權重因數，且100用於將嚴重性距離轉換為百分比形式。相應的公式可用於高於控制上限的資料點。不同的計算可用於感測器貢獻計算——例如，感測器貢獻計算可取決於控制極限與資料點值之間的差的平方，以向更遠離控制極限的資料點賦予進一步的權重（例如感測器貢獻與資料點與控制極限之間的差之間的關係比線性更陡）。正常點的嚴重性距離可為零。在一些實施例中，嚴重性距離可與遠離控制範圍的中心的距離（例如，平均值或不一定在數學中心的理想值）相關。

可基於一或多個嚴重性距離產生聚合度量值或指數。示例性聚合度量為嚴重性分數。嚴重性分數可包括若干製程運行（例如，生產的若干產品）的嚴重性距離的集合。嚴重性分數可指示特定感測器/操作對（例如，在電漿蝕刻製程操作中施加以產生電漿的感測器量測電壓）在若干次運行中產生指示腔室故障、腔室漂移等的資料的可能性。聚合嚴重性距離（諸如嚴重性分數）的計算可包括指示異常值資料點的頻率的因數。例如，嚴重性分數可計算為 其中SS為嚴重性分數，FF為頻率因數，藉由將一組資料中的異常值的數量（例如，針對特定感測器/操作對的運行次數）除以此組中的資料點總數來計算，r為處理運行的指數，q為要包括在聚合中的處理運行的數量，且SD為與運行r的嚴重性距離（例如與單個處理運行的感測器/操作對相關聯的嚴重性距離）。嚴重性分數可表示感測器/操作對在幾個製程或運行過程中（例如，生產的產品）進行的超出預期的程度。可產生類似的度量值以產生補充資料，例如，可使用對感測器求和而非對運行求和的嚴重性分數的類似度量來指示特定操作是否可能針對特定產品正確進行。

在一些實施例中，可進一步聚合度量值以幫助分析。例如，處理邏輯可聚合配方操作的嚴重性分數（在一些實施例中，對應於單個感測器及單個操作），以找到每個感測器的嚴重性指數（例如，藉由對製程操作的操作權重及嚴重性分數的積求和）。此類分析可藉由嚴重性分數達到臨限值（例如，滿足標準的品質指數、品質分數、嚴重性分數等）、滿足一或多個臨限值的嚴重性分數的數量或部分等來觸發。聚合資料以產生新指數的觸發條件可儲存為配置設定。以這種方式聚集嚴重性分數可向有問題或故障的感測器提供額外的資訊。可進行類似的製程，對感測器求和，以決定製造製程的一或多個操作是否非最佳地進行。在一些實施例中，TTTM指數（在一些實施例中，與一個運行或產品及一個製程操作相關聯）可被聚合，例如，藉由將TTTM指數的乘積（例如，每個運行/操作）與多個操作（例如，預熱、蝕刻、沉積及冷卻操作）上的操作權重相加來產生每個運行的TTTM指數。這可有助於決定製造製程的特定操作是否非最佳地進行。可進行類似的程式來隔離例如追溯到單個運行（例如，單個半導體晶圓）的故障。處理邏輯可使用各種指數集合來推薦要維護或替換的部件或子系統，可將其作為輸入提供給機器學習模型以產生校正動作建議等。校正動作可包括排程預防性維護、更新處理配方、向使用者發送警報等。在一些實施例中，可對指數及/或度量值執行聚類分析。結合第5H圖更詳細地討論聚類分析。結合方塊535更詳細地討論聚類視覺化。

在方塊533，處理邏輯進行正常值漂移偵測。結合第5I圖詳細描述了正常值漂移偵測的方法。TTTM指數分析、嚴重性距離、嚴重程度評分等可能與異常值資料相關。正常值資料（例如，控制極限內的資料）亦可為分析提供有價值的資訊。可使用概要資料執行正常值分析。在一些實施例中，來自運行的概要資料（例如，一個產品，諸如一個半導體晶圓）可與黃金概要資料（例如，在生產滿足效能臨限值的產品期間的概要資料記錄）進行比較。在一些實施例中，來自一系列製造運行（例如，處理的一天、一周、一個月等）的概要資料可與來自一系列生產運行的黃金概要資料進行比較。

黃金資料與待分析資料之間的比較可使用任何比較資料集的技術進行。在一些實施例中，可使用用於量化時間序列相似性的技術。可使用的一個度量為預處理及/或清理資料，使得要分析的資料集的每個資料點具有黃金運行資料的對應資料點（例如，具有相同時間戳記的資料、與相同製程操作相關聯的資料等）。隨後可聚合相應資料點的值之間的差異（例如，求其平方和、求其絕對值等）。可進一步處理度量，例如，求和的平方的平方根除以要正規化的資料點的數量等。度量的較高值可指示兩個資料集更不相似。在一些實施例中，可對兩個資料集執行離散傅裡葉變換(Fourier transform)，且可以與上述比較對應資料點的分析類似的方式來比較對應的傅裡葉係數。在一些實施例中，可利用自迴歸模型來比較資料集。自迴歸模型為隨機過程的表示，其中過程的資料點的值取決於先前資料點的值。可使用自迴歸模型來決定要分析的資料集及黃金資料集與相同製程相關聯的可能性（例如，處理條件、腔室品質等在兩個集合之間係相同的）。

在一些實施例中，可使用彈性相異性度量來決定兩個資料集之間的相似性值。在一些實施例中，動態時間扭曲可用於正常值漂移分析。動態時間扭曲藉由在時域中對齊或扭曲資料集來工作，從而最小化對齊的累積成本。可根據配置設定來決定成本函數。可考慮彈性相異性度量來調整一個資料集中的資料點之間的間隔，以使其與第二資料集更好地對齊。彈性差異度量不調整資料點的順序，只調整資料點之間的間距。彈性相異性度量可返回度量值或指數值，此度量值或指數值指示進行了多少間隔調整以使兩個資料集達到最佳對齊（例如藉由最小化成本函數來決定）。在一些實施例中，第一資料集的每個點可在彈性扭曲之後與第二資料集的點相關聯。例如，要分析的資料可能會被扭曲，以使其與黃金資料最佳對齊。要分析的資料的每個點可在扭曲之後被分配給黃金運行資料集中的「最近鄰」點（例如，被分析集中的幾個點可被分配給黃金資料集中的相同最近鄰點）。在一些實施例中，兩個資料集的每個資料點可連結到另一資料集的一或多個最近相鄰點。例如，可為正在分析的扭曲資料集的每個點分配黃金資料集的最近鄰點。此分配可包括黃金資料集的一些點與要分析的資料集的多個點相關聯。此分配亦可包括黃金資料集的一些點沒有被分配給作為最近鄰居的分析資料集中的任何點。隨後可將黃金集中的每個資料點分配給要分析的時間扭曲資料集中的最近鄰點。在兩個資料集對齊的情況下（例如，當要分析的資料集中的每個資料點1…n與黃金資料集的對應點1…n最接近時，扭曲成本函數被最小化），最近鄰關聯的數量可等於集合中的資料點的數量。在兩個資料集顯著不對齊的情況下，每個資料集中的一或多個點可具有被指定為另一資料集中的最近鄰居的幾個點。在這種情況下，最近鄰關聯的數量可能高於集合中的資料點的數量。增加的關聯數可用作指示有多少扭曲產生兩個資料集的最佳對齊的度量（在一些實施例中，具有預處理，諸如正規化、減去資料點的數量等）。結合第5I圖及第6D圖至第6E圖進一步討論了正常值漂移偵測及彈性相異性量測。

在一些實施例中，每個工具、腔室、製造設備組等的操作可能有所不同。每個工具、腔室、設備組等可能有其自身關聯的一或多個黃金資料集。每種類型的製程（例如，每種目標產品設計、每種配方等）可具有其自身關聯的一或多個黃金資料集。

正常值漂移偵測操作可用於進行校正動作。在一些實施例中，高於某一臨限值的正常值漂移偵測度量（在一些實施例中，根據配置設定）可觸發校正動作。校正動作可包括向使用者提供警報、排程維護、更新配方等。

在方塊534，TTTM模組的附加特徵可由處理邏輯用於進一步分析。可根據配置設定使用附加特徵。在一些實施例中，可使用各種度量的值來決定是否要利用附加特徵。附加特徵可能有助於下鑽分析，以隔離腔室故障、漂移、意外結果、產品品質不足等的原因。附加特徵可用於決定要進行的校正動作。附加特徵可包括向一或多個模型（例如，機器學習、基於物理的等）提供與製造製程相關聯的資料以提供附加分析。

在一些實施例中，TTTM模組的附加特徵可包括蹤跡資料分析，例如蹤跡資料探索分析模組。蹤跡資料分析可包括使用訓練模型（例如，機器學習模型）。在一些實施例中，可藉由向訓練的機器學習模型提供蹤跡資料，且自機器學習模型接收指示校正動作、指示要維護或更換的設備部件、指示製造設備的子系統中的故障等的輸出，來進行蹤跡資料分析。在一些實施例中，可使用自動編碼器模型來進行蹤跡資料分析。將結合第7圖更詳細地討論自動編碼器操作。將結合第6F圖至第6G圖更詳細地討論與蹤跡資料分析的結果相關聯的視覺化的實例。

蹤跡資料分析可包括資料準備操作，例如資料清理、重新格式化、標準化、插值等。隨後可將蹤跡資料提供給訓練模型。訓練的模型可產生感測器、子系統、產品等的輸出指示，這些指示沒有以預期的方式進行。在一些實施例中，可將與由製造設備處理的一個產品相關聯的許多（例如，所有）感測器相關聯的蹤跡資料提供給訓練模型。與產品序列相關聯的資料序列可被提供給訓練模型。此模型可基於蹤跡感測器資料的蹤跡資料分析，產生指示非最佳預測產品效能、計量、性質等的資料。

在方塊535，處理邏輯進行結果視覺化操作。由TTTM分析過程進行或產生的任何度量、分析等可被合併到一或多個視覺化過程中，在一些實施例中，處理邏輯可根據配置設定進行視覺化操作。指數、度量等可以任何方便或適當的方式視覺化。例如，散點圖、直方圖、箱形圖、線繪圖等。

在一些實施例中，可對資料進行聚類以進行視覺化。在一些實施例中，嚴重性距離可用於異常值的聚類及視覺化。多個運行及多個感測器的資料可用於聚類及視覺化。在某些情況下，大多數感測器資料將為正常值資料（例如，在控制極限內）。可對資料進行預處理以移除多餘的資料（例如，可移除所有正常值資料）。在一些實施例中，可應用降維來簡化剩餘的異常值資料。降維可幫助資料視覺化，例如，將資料縮減為二維或三維，以便更方便地分析。在一些實施例中，可使用非線性降維模型。非線性降維模型可捕獲線性降維模型（例如，主部件分析）不會捕獲的相關性。降維模型可將資料點之間的相關性或相似性轉換為資料點在降維空間中靠近在一起（例如，藉由歐幾裡得距離(Euclidian distance)、閔可夫斯基距離(Minkowski distance)、相關距離或另一距離函數）的概率。在一些實施例中，降維模型可包括t隨機最近鄰嵌入演算法。在一些實施例中，控制降維模型的操作的參數可儲存為配置設定，諸如混淆度（決定集群中預期的最近鄰的數量的度量）、高維空間中的距離度量等。

在一些實施例中，可使用聚類模型對降維的資料進行聚類。在一些實施例中，可選擇自選擇資料集中集群的數量的聚類模型。在一些實施例中，可利用具有雜訊聚類演算法的應用的基於密度的空間聚類。決定聚類模型的操作細節的參數可儲存為配置設定（例如，影響聚類距離的度量、聚類大小、距離度量等）。

在一些實施例中，資料點（例如，聚類的、降維的異常值點）可能對嚴重性分數（例如，感測器的嚴重性距離對與異常值點相關聯的嚴重性分數作出貢獻）有貢獻。對集群有貢獻的頂部感測器（例如，在集群中的多個資料點中表示的感測器、對一個集群而非另一個集群有貢獻的感測器等）可用於標記集群。在一些實施例中，感測器及其相關資料可被分配給製造設備的子系統（例如，加熱器功率子系統、腔室溫度子系統、腔室壓力子系統等）。集群可由對與集群相關聯的點的異常值狀態貢獻最大的子系統來標記。這樣，可根據根本原因（例如，子系統故障）對集群進行分組。異常值聚類可用於進行校正動作，例如，向使用者提供警報、排程維護、調整製程配方等。

處理邏輯可產生與正常值漂移偵測相關的視覺化。彈性相異性量測模型的結果可視覺化。位移可用散點圖、條形圖、線繪圖等表示，資料點關聯可繪製在資料集1與資料集2的圖上，或可使用視覺化正常值漂移偵測資料的其他方法。

處理邏輯可產生與異常蹤跡偵測相關的視覺化。在一些實施例中，感測器可被分組成子系統，且描述與預期感測器結果的偏差的度量可被聚合成子系統度量。子系統分析度量可顯示為每個子系統每次運行（生產的產品），例如作為熱圖。

在一些實施例中，視覺化可作為圖形使用者介面的部分提供給使用者。在一些實施例中，藉由使用者與圖形使用者介面的互動，可獲得附加資料。在一些實施例中，可基於使用者與圖形使用者介面的互動來進行附加分析。例如，顯示異常蹤跡偵測分析結果的熱圖可僅基於單個度量（例如，每個子系統每次運行），但在選擇視覺化的資料點時，可顯示更多的資料（例如所分析的蹤跡資料與預期的蹤跡資料之間的差異的細節、機器學習模型的輸出的細節、推薦的校正動作的細節等）。在另一實例中，視覺化工具可顯示多種工具、產品等的TTTM指數的表示。使用者可選擇特定表示（例如，自一組其他點中替換的一者），且可對與此資料點相關聯的資料進行附加分析（例如，正常值漂移偵測、異常蹤跡偵測等）。

第5E圖為根據一些實施例的用於基於指示處理腔室效能的度量來引起校正動作的進行的方法500E的流程圖。在方塊540，處理邏輯接收與製造腔室的第一製造製程相關聯的蹤跡感測器資料。蹤跡感測器資料可在製造腔室處理諸如半導體晶圓的產品期間收集。

在方塊542，處理邏輯處理蹤跡感測器資料以產生與蹤跡感測器資料相關聯的概要資料。在一些實施例中，產生概要資料包括識別蹤跡感測器資料的至少一個穩態部分及至少一個瞬態部分。瞬態部分包括與腔室中的性質值正在變化（例如，高於臨限值的方差）的時間段相關聯的一組蹤跡資料。穩態部分包括與感測器量測的性質值不改變（例如，低於臨限值的方差）的時間段相關聯的一組蹤跡資料。在一些實施例中，利用滑動視窗來區分穩態部分及瞬態部分。在一些實施例中，蹤跡感測器資料的一組資料點（例如，視窗內的點）是否屬於瞬態或穩態部分的決定可包括決定此組資料點的統計度量（例如，標準差）是否滿足臨限值。瞬態部分可包括標準差高於臨限值的一組點，而穩態部分可包括標準差低於臨限值的一組點。決定一組點係屬於瞬態部分還是穩態部分可包括考慮資料點的附近（例如，與此組點重疊）視窗的統計量測。在一些實施例中，處理配方包括多個處理操作。在一些實施例中，來自製程操作（例如，製程配方的一或多個製程操作）的感測器的蹤跡資料可包括瞬態頭部（例如，當製造腔室中的條件調整到設定點時）、穩態部分（例如，當條件保持在設定點時）及瞬態尾部。

在一些實施例中，分別為每個部分（例如，每個穩態部分、每個瞬態部分等）產生概要資料。穩態部分的概要資料可包括資料的統計描述，例如平均值、最大值、最小值、範圍、標準差、峰度等。瞬態部分的概要資料可包括統計描述。瞬態部分的概要資料還可包括考慮到數位孿生模型的輸出而產生的度量。可產生與一或多個感測器相關聯的製造腔室的一或多個部件的數位孿生模型（例如，感測器可量測供應給部件的功率，且可構建部件的數位孿生模型及部件的電源）。數位孿生模型可接收指示處理配方的輸入資訊（例如，設定點、鄰近環境性質值等），且產生預測感測器讀數的輸出時間蹤跡資料。在一些實施例中，數位孿生模型的輸出（例如，模擬感測器資料）可與量測的感測器資料進行比較。在一些實施例中，模擬及量測的感測器資料中的特徵之間的差異（例如，大於臨限值的差異）可包括在瞬態部分的概要資料中。瞬態資料的特徵可包括諸如超過目標或最終值的過衝、上升時間、安定時間、偵測到的振盪的參數、設定點與最終值之間的差等度量。

在方塊544，基於概要資料產生品質指數分數。品質指數分數可與特定運行（例如，由製造設備生產的產品）、製程操作、感測器或這些特徵的某組合相關聯（例如，品質指數分數可與一個感測器及多個運行中的一個操作相關聯，品質指數分數可與一組感測器（諸如所有溫度感測器等）相關聯）。在一些實施例中，產生指示運行及處理操作的品質的品質指數。在一些實施例中，所產生的品質指數可用於進行動作以增加運行之間、腔室之間等的處理參數的一致性，例如工具與工具匹配(TTTM)。

在一些實施例中，鑒於一或多個分類條件產生品質指數。在一些實施例中，資料（例如，概要資料）可被分類為正常值資料或異常值資料。在一些實施例中，資料可被分類為正常值資料、低異常值資料（例如，低於控制下限）或高異常值資料（如，高於控制上限）。可藉由將資料值與控制上限及控制下限進行比較來進行分類，例如，以決定資料值是否在控制範圍內，決定資料是否滿足臨限值等。控制極限可由使用者分配，本質上可為統計的（例如，與歷史資料的平均值相差三個標準差）等。在一些實施例中，正常值可能對品質指數分數沒有貢獻，且品質指數可能僅基於異常值。

在一些實施例中，鑒於複數個加權因數產生品質指數。權重因數可表示資料對效能的貢獻，例如對成品性質的貢獻。例如，在某些製程中，來自一個感測器的資料與效能的相關性可能比來自另一感測器的資料強。對於此類製程，來自與產品效能相關性較弱的第一感測器的資料在品質指數分數計算中的權重可能比來自與產品效能相關性較強的第二感測器的資料小。加權因數可與感測器、製程操作、感測器/操作對（例如，在電漿操作期間，量測提供給電漿產生設備的電壓的感測器可被賦予高權重，而在沒有電漿的操作期間，可被賦予低權重或零權重）、資料的特徵（例如，概要資料的一個態樣可能比另一態樣與產品效能更相關，蹤跡資料的一個部分可能比其他部分與產品效能更相關等）等相關聯。在一些實施例中，可自訓練的機器學習模型中提取加權因數。可訓練機器學習模型以將製程資料（例如，感測器資料、概要感測器資料等）與效能資料（例如，計量資料）相關聯。機器學習模型可經配置為映射感測器資料與計量資料之間的一或多個關係。權重因數可自機器學習模型（例如，堆疊的部分最小二乘模型）中提取，可鑒於自機器學習模式中提取的因數來決定，可基於包括自機器學習模組中提取的資料（例如，除了製程知識之外）來計算等。

在一些實施例中，品質指數分數可作為計算度量的聚合而產生。例如，TTTM指數分數可藉由聚合與許多感測器相關聯的資料（例如，經由加權和）來產生，以計算指示一個處理運行（例如，一個產品）的一個操作的品質的品質指數分數。其他指數聚合亦可適用於TTTM過程，例如，聚合多個運行以指示過程隨時間的品質，聚合操作及感測器以提供處理運行的一般品質值等。處理邏輯可產生許多指數，且提供與可能指示製造設備的問題的指數值（例如，滿足臨限值的所有指數值、最可能與問題或故障相關聯的指數值的特定百分比或數量等）相關聯的資訊（例如，提供給使用者、進一步處理邏輯等）。指示問題或故障的指數值可用於啟動進一步分析，例如，下鑽分析以決定根本原因、要進行的校正動作等。

在一些實施例中，品質指數分數可包括與資料點超出控制範圍的程度相關的資訊，例如異常值的嚴重程度。在一些實施例中，可向資料點分配嚴重性距離。計算嚴重性距離（例如，嚴重性距離分數）可包括計算資料點超出控制範圍的程度，例如作為控制範圍大小的分數（例如，低於較低控制範圍的異常值可具有嚴重性距離，此嚴重性距離使用資料點低於控制下限值的程度與控制上限值與控制下限值之間的差之間的比率來計算）。控制極限及控制範圍可與感測器、製程操作、腔室、產品設計等相關聯。嚴重性距離的計算可包括加權因數。嚴重性距離可與感測器、製程操作及處理運行（例如產品）相關聯。

在一些實施例中，嚴重性距離可被聚合（例如，被聚合為嚴重性分數）。匯總的嚴重性距離分數可用於下鑽分析。作為實例，產生嚴重性分數（例如，聚合嚴重性距離）可包括對多個運行的嚴重性距離求和（例如，產生與感測器及製程操作相關聯的嚴重性分數）。在一些實施例中，嚴重性分數可包括與有多少點為異常值相關的因素，例如，每個感測器及製程操作的異常值點的頻率（例如，百分比）。

在一些實施例中，可向處理邏輯提供指示品質的一或多個度量（例如，TTTM指數、嚴重性評分等）以用於視覺化。在一些實施例中，資料點（例如，嚴重性距離）可被提供給降維模型。在一些實施例中，降維模型可為非線性模型，例如t隨機最近鄰嵌入模型。在一些實施例中，可向聚類模型提供資料點（例如，降維嚴重性距離）。在一些實施例中，聚類模型可為非線性聚類模型，例如具有雜訊模型的應用的基於密度的空間聚類。在一些實施例中，集群的資料點可被分配給子系統（例如，基於對資料點的嚴重性分數的最重要貢獻）。在一些實施例中，可為每個集群分配製造設備的子系統根本原因。

在方塊546，處理邏輯基於品質指數分數向使用者提供警報，其中警報包括製造腔室效能不滿足第一臨限值的指示。在一些實施例中，可向使用者提供度量（例如TTTM指數分數）。在一些實施例中，可向使用者提供度量的視覺化（例如，條形圖、直方圖、箱形圖等）。在一些實施例中，使用者可使用視覺化來發起、影響或繼續下鑽分析，例如以識別故障的根本原因或要進行的校正動作。

第5F圖為根據一些實施例的用於進行正常值分析的方法500F的流程圖。在一個實施例中，在對其中未識別異常值的資料進行方法500E之後，進行方法500F。在方塊550，處理邏輯接收與感測器在製造腔室的第一製造程序期間進行的量測相關聯的第一資料。在一些實施例中，資料可包括概要資料。資料可包括正常值資料點，其中正常值資料點為滿足標準（例如，臨限值）的點。在方塊552，處理邏輯接收第二資料。第二資料包括與第一資料相關聯的參考資料。參考資料可為與產生可接受產品的製程、實現可接受條件的製程等相關聯的資料。參考資料可被稱為黃金資料。參考資料可與第一資料相同的製程、感測器、腔室、設備等相關聯。

在方塊554，將第一資料及參考資料（例如，黃金運行資料）提供給比較模型。在一些實施例中，比較模型為彈性相異性模型，例如，在不改變兩個資料集的資料點的順序的情況下操縱兩個資料點之間的空間以實現可能的最接近匹配的模型。在一些實施例中，比較模型可為動態時間扭曲模型。在一些實施例中，可將多個處理運行（例如，產品製造的幾天、幾周或更多）上的資料（例如，概要資料）提供給比較模型。可提供（例如，由彈性相異性模型）指示量測資料及黃金資料有多不同的度量。例如，模型可注意到兩個資料集的每個資料點與相反集的資料點之間的最佳匹配。兩個相同的資料集可能具有與一個資料集中的點相同數量的匹配對。兩個不匹配的集合可能有更多的對。度量可與兩個集合之間匹配的對的數量相關，例如，與資料點與匹配對的比率相關。

在方塊556，處理邏輯自比較模型接收與第一資料及參考資料相關聯的相似性分數。在一些實施例中，相似性分數與兩個資料集之間的匹配對的數量相關。在方塊558，處理邏輯鑒於相似性分數引起校正動作的執行。校正動作可包括向使用者發送警報。警報可包括視覺化，例如，多個相似性分數的視覺化，兩組資料之間最接近點匹配的視覺化等。校正動作可包括預防性或校正性的排程維護。校正動作可包括更新製程配方。

第5G圖為根據一些實施例的用於進行蹤跡感測器資料分析的方法500G的流程圖。在方塊560，處理邏輯接收與處理腔室的第一製造製程相關聯的蹤跡感測器資料。在一些實施例中，可回應於滿足臨限值的一或多個度量的值向處理邏輯提供蹤跡資料。例如，TTTM指數可能滿足臨限值。回應於指數滿足臨限值（例如，滿足標準），可進一步分析與TTTM指數相關聯的蹤跡資料（例如，來自具有高嚴重性分數的感測器的蹤跡資料）。在一些實施例中，處理邏輯對蹤跡資料執行預處理。預處理可包括平滑、清理（例如，調整大小、移除空資料等）、插值等。

在方塊562，處理邏輯使用一或多個訓練的機器學習模型來處理蹤跡感測器資料。訓練的機器學習模型被訓練以產生蹤跡感測器資料的表示（例如，降維表示）。一或多個訓練的機器學習模型被訓練以基於蹤跡感測器資料的表示來重建感測器資料。一或多個訓練的機器學習模型輸出重建的資料。在一些實施例中，可向自動編碼器模型提供蹤跡感測器資料。在一些實施例中，可將蹤跡感測器資料提供給訓練的編碼器模型以產生蹤跡感測器資料的表示。隨後，可將此表示提供給訓練的解碼器模型以產生重建的感測器資料。自動編碼器模型可是為編碼器-解碼器模型。在一些實施例中，可藉由向模型提供資料（例如，預處理的感測器蹤跡資料）來訓練機器學習模型。此模型可經配置為產生輸入資料的表示（例如，降維的表示）。此模型可經配置為根據輸入資料的表示產生重建資料。隨後可藉由最小化輸入資料與重建資料之間的差異（例如，根據配置設定，以避免不改變蹤跡感測器資料以產生表示）來訓練模型。

在方塊564，處理邏輯將蹤跡感測器資料與重建的感測器資料進行比較。在一些實施例中，使用滿足臨限值的資料來訓練機器學習模型，例如，控制極限內的資料、其中特定部分在控制極限之內的資料、與生產滿足效能臨限值的產品的製程相關聯的資料、黃金運行資料等。提供給訓練的機器學習模型的蹤跡感測器資料可與不規則的處理運行相關聯，或可不與不規則處理運行相關聯，例如，資料超出控制極限的處理運行。

在方塊566處，處理邏輯決定重建的感測器資料與蹤跡感測器資料之間的一或多個差異。可基於與方塊564相關聯地進行的比較來決定差異。在一些實施例中，蹤跡感測器資料可以某種方式不同於訓練資料，例如，蹤跡感測器資料可與沒有產生可接受產品的處理運行相關聯，蹤跡感測器資料可在一或多個控制極限之外等。訓練集與蹤跡感測器資料之間的差異可能導致蹤跡感測器資料及重建資料顯著不同。重建誤差可用於決定輸入資料是否顯著超出訓練資料的範圍。由於機器學習模型係使用來自健康工具的資料（例如，具有相對新的零件且生產符合品質標準的產品的工具）訓練的，因此當蹤跡資料來自健康工具時，機器學習模型產生蹤跡資料的精確再現。然而，當重建資料與蹤跡資料不同時，這表明蹤跡資料以某種方式與健康工具的蹤跡資料不同。在一些實施例中，重建誤差（例如，蹤跡資料的每個資料點中的誤差）可被聚合，例如，以產生與感測器及處理運行（例如，一個產品）相關聯的誤差度量。

在方塊568，處理邏輯決定是否推薦與處理腔室相關聯的校正動作。此決定可基於蹤跡感測器資料與重建的感測器資料之間的一或多個差異。此決定可基於聚合的誤差度量。在一些實施例中，感測器可與子系統相關聯。誤差度量可進一步聚合（例如，作為均方根誤差）到子系統中。在一些實施例中，可產生視覺化。視覺化可藉由運行、藉由子系統、藉由感測器等來組織。

第5H圖為根據一些實施例的用於執行異常值聚類分析的方法500H的流程圖。異常值聚類的觸發及處理的細節可根據配置設定。在一些實施例中，異常值聚類可由早期分析中滿足臨限值的多個異常值點觸發。在方塊570，由處理邏輯提取感測器貢獻值。結合第5D圖的方塊532更詳細地討論感測器貢獻計算。在一些實施例中，用於聚類的每個感測器貢獻指數（例如，嚴重性指數、嚴重性距離、嚴重性分數等）可與單個運行及感測器相關聯。在一些實施例中，可使用聚類方法來分析多個資料點（例如，在多個處理運行中來自多個感測器）。由於與工具相關聯的大量感測器，此資料可能佔據高維空間。在一些實施例中，大多數資料將為正常值資料，例如控制極限內的資料。在一些實施例中，正常值的感測器貢獻值可定義為零。在一些實施例中，只有具有滿足臨限值的感測器貢獻值的資料點可用於聚類分析。

在方塊572，進行聚類分析的資料預處理。資料預處理可包括清理資料集，例如，以僅包括具有表現出異常值行為的感測器的運行。可執行其他預處理，包括正規化等。在方塊574處，由處理裝置進行降維操作。在一些實施例中，高維資料集可被簡化為更容易視覺化的空間，以提高分析能力，以適應聚類模型等。在一些實施例中，資料集可簡化為二維資料集。在一些實施例中，一種演算法可能將在高維空間中靠近在一起的資料點在低維空間中放置成靠近在一起。靠近度可由歐幾裡得距離、余弦距離或其他距離度量來決定。在一些實施例中，可使用非線性降維模型。在一些實施例中，t隨機最近鄰嵌入方法可用於降維。可根據配置設定（例如，距離度量、最近鄰的預期數量等）來進行降維。

在方塊576，由處理裝置進行聚類操作。聚類操作可對在低維空間中重新構建的資料執行。在一些實施例中，可利用自選擇資料中集群的數量的聚類模型。在一些實施例中，具有雜訊方法的應用的基於密度的空間聚類可用於聚類操作。聚類可識別在低維空間中緊密地表示在一起的多組資料點，這表明資料點在高維空間中被緊密地表示的概率很高。這些資料點可能與相同的根本原因有關。可根據配置設定來進行聚類操作。配置設定可包括距離度量、集群中樣本的最小數量、被視為相鄰的兩個樣本之間的最大距離等。

根據一些實施例，在方塊578，處理邏輯對感測器系統對一或多個集群的貢獻進行排序。可藉由檢查對資料點有貢獻的感測器貢獻值來分析集群的資料點。在一些實施例中，與資料點相關聯的感測器可按感測器貢獻值（例如，嚴重性距離）排序。在一些實施例中，具有最高貢獻的感測器（例如具有最高貢獻值的三個感測器）可用於將製造系統的主要子系統分配給資料點、集群等。在一些實施例中，聚類結果可由處理邏輯視覺化。結合第5D圖及第6C圖的方塊535更詳細地討論了異常值聚類視覺化。

第5I圖為根據一些實施例的用於進行正常值漂移偵測的方法500I的流程圖。可根據配置設定觸發及/或進行正常值漂移偵測。TTTM分析模組的一些操作利用異常值資料點（例如，TTTM指數、感測器貢獻/嚴重性度量等）。在一些實施例中，可使用正常值資料點（例如，控制極限內的資料點）的分析來決定系統故障、漂移、要進行的校正動作等。

在方塊580，為正常值漂移偵測設定參考資料。在一些實施例中，正常值漂移偵測包括將資料（例如，在一段時間內收集的資料）與參考資料進行比較。在一些實施例中，提供或選擇黃金資料集。黃金資料集可包括來自與在規範內製造的產品相關聯的處理運行的資料。黃金資料集可包括成功安裝工具或預防性維護後不久進行的處理運行的資料。

在方塊582，進行扭曲路徑搜索。在一些實施例中，正常值漂移偵測包括使用彈性相異性模型。這種模型改變資料集的資料點之間的空間（而不改變資料點的順序），以產生兩個集之間的最佳匹配，例如，藉由對兩個集的資料值（或資料值的插值）之間的差求和來量測。在一些實施例中，將動態時間扭曲演算法應用於參考資料集及要分析的資料集。在一些實施例中，資料集包括概要資料。在一些實施例中，資料集包括在時間跨度（例如，許多處理運行）上收集的概要資料。扭曲路徑決定如何拉伸一個資料集（例如，要分析的資料）以匹配另一資料集中的型樣（例如，黃金資料）。

在方塊584，決定扭曲點計數。扭曲點計數為一種度量，用於指示資料集必須扭曲多遠才能提供與另一資料集的最佳匹配。其他度量亦可用於指示扭曲程度，例如一個集合的資料點必須偏移多遠的聚合度量。扭曲點計數為兩個資料集之間存在多少對匹配的比較點的度量。在一些實施例中，目標資料集的每個點（例如，被分析的資料集）與參考資料集（例如，黃金資料集）的一個「最近鄰」點匹配。在一些實施例中，參考資料集的每個點與目標資料集的一個最近鄰點匹配。若兩個資料集很好地對齊，則一個集合的每個資料點可與相反集合中的另一個資料點匹配，且匹配的數量與資料點的數量相同。若兩個資料集沒有很好地對齊，則一或兩個集中的一些資料點可能與相反集合的多個點匹配，且匹配的數量可能大於資料點的數量。匹配點計數可擴展到參考資料及目標資料具有不同數量的資料點的情況。在一些實施例中，由於每個資料點將具有至少一個匹配點，因此匹配點的計數可移除資料點的數量（例如，保證匹配的數量），僅留下由於一個資料集的扭曲而導致的額外匹配的數量，例如，扭曲點計數。在方塊586，由處理邏輯進行扭曲率計算。扭曲率是指示資料集整體扭曲程度的比較（例如，針對資料集的大小進行校正）。在一些實施例中，扭曲率可計算為 其中WR為扭曲率，且100用於將扭曲率計算轉換為百分比。在一些實施例中，可計算相應的相似率，例如，100%減去扭曲率。在一些實施例中，可基於相似率或扭曲率來觸發校正動作。在一些實施例中，可基於相似率、扭曲率等是否滿足臨限值來觸發校正動作。校正動作可包括向使用者發送警報、進行額外的下鑽分析、更新配方、排程維護等。

第6A圖至第6G圖描繪了根據一些實施例的與TTTM分析的態樣相關聯的實例視覺化。第6A圖描繪了根據一些實施例的用於將蹤跡分割成瞬態及穩態部分的操作的視覺化600A。視覺化600A包括時間蹤跡602。時間蹤跡602可與一個感測器及一個製程操作相關聯（例如，完整的運行時間蹤跡已被分割，諸如由第4C圖的操作分割器451分割，以產生時間蹤跡602）。視窗604用於決定一組資料點（例如，視窗內的資料點）是否屬於資料的瞬態或穩態部分。視窗內的點的度量值可用於將視窗中的點分類為瞬態或穩態。在一些實施例中，若視窗中的點的標準差高於臨限值，則視窗的點被決定為係瞬態部分。

在一些實施例中，視窗604在時間蹤跡中移動，以將蹤跡的資料點分類為瞬態或穩態，如蹤跡602右側的箭頭及虛線視窗所示。在一些實施例中，時間蹤跡602可被分成兩個或更多個部分。在一些實施例中，時間蹤跡602可被分離成瞬態頭部606、穩態部分607及瞬態尾部608。

第6B圖描繪了根據一些實施例的用於概要資料產生操作的數位孿生輸出的視覺化600B。製造設備的一或多個部件可藉由數位孿生來模型化。數位孿生包括一或多個實體資產的數位再現。使用數位孿生，可對系統回應（例如，控制調整以滿足設定點）進行模型化。數位孿生回應的各種特徵可與感測器資料進行比較以產生概要資料。

視覺化600B包括時間蹤跡610。在一些實施例中，時間蹤跡610可與製程操作的瞬態部分相關聯。數位孿生模型可包括與實體製造系統中的感測器量測的性質值相關聯的目標設定點611。數位雙時間蹤跡的特徵包括過衝612。時間蹤跡610可在安定到設定點值之前超過設定點（或在一些實施例中，下降到設定點以下）。過衝612（或其正規化或以其他方式處理的版本）或峰值時間613的值中的一或多者可用於產生概要資料。在一些實施例中，上升時間614可用於產生概要資料。在一些實施例中，可在時間蹤跡610與設定點611相遇的第一時間量測上升時間614。在一些實施例中，上升時間614可在時間蹤跡610達到臨限值（例如，設定點與起始值之間的差值的80%，如視覺化600B所示）的第一時間量測。

在一些實施例中，振盪週期（如振盪615）可用於產生概要資料。振盪頻率、振幅等性質可用於產生概要資料。可使用安定時間617（例如，時間蹤跡610保持在設定點611的誤差視窗616內的時間）來產生概要資料。在一些實施例中，設定點誤差（例如，時間蹤跡610的最終值與設定點611之間的差）可用於產生概要資料。

第6C描繪了根據一些實施例的聚類操作結果的視覺化，例如結合圖5H討論的那些。異常值資料點（例如，指示異常或非最佳效能的資料點）可用於聚類操作。聚類操作可用於識別導致異常值資料（例如，導致製造設備的非最佳效能）的根本原因（例如，子系統）。在一些實施例中，例如由降維模型將高維感測器資料轉換到低維空間。在一些實施例中，高維空間被縮減為二維空間。在一些實施例中，降維演算法將高維空間中靠近在一起的點（例如，由歐幾裡德距離、余弦距離等）在低維空間中放置成靠近在一起。在一些實施例中，具有相同（或相關）根本原因的資料點（例如，導致資料點為異常值的子系統）可在低維空間中緊密地表示在一起。在一些實施例中，感測器對資料點的貢獻可用於將子系統分配給集群。

視覺化600C描繪了低維空間中的異常值點。聚類演算法（例如，基於密度的空間聚類應用）可用於將資料點分離成可能與相同根本原因相關的群組。示例性視覺化600C被分成四個集群640、641、642及643。每個集群的最高貢獻感測器（例如，具有最高嚴重性度量的感測器）可用於用製造子系統標記每個集群。例如，可發現集群640與加熱器功率子系統相關聯，可發現集群642與靜電卡盤溫度相關聯，可發現集群643與製造系統的某些部分中的氣流相關聯等。

第6D圖至第6E圖描繪了根據一些實施例的正常值漂移偵測彈性相異性模型結果的視覺化。第6D圖描繪了應用於目標時間蹤跡650及參考時間蹤跡651的彈性相異性模型的結果600D。第6D圖（及第6E圖）中所示的為原始順序資料，例如，在多個處理運行中收集的概要資料，扭曲（例如，彈性相異性模型的應用）的結果由指示匹配點對的虛線所示。結果600D由兩個非常相似的蹤跡產生。如圓圈所突出顯示的，任一蹤跡中只有幾個點與相反蹤跡中的多個點匹配，且在每種情況下，匹配點的數量均很少。目標蹤跡650及參考蹤跡651在時間上相似，由相當有序（例如，主要平行）的虛線表示。

第6E圖描繪了應用於目標時間蹤跡660及參考時間蹤跡661的彈性相異性模型的結果600E，此目標時間蹤跡及參考時間蹤跡與第6D圖中所描繪的那些更不相似。許多度量可用於量化目標蹤跡660的扭曲程度，例如，以觸發校正動作。結果600E包括與相反蹤跡中的大量點匹配的幾個資料點。一種指示與一對時間蹤跡相關聯的扭曲程度的方法包括將匹配良好的一對蹤跡中存在的匹配數量與分析中存在的匹配數量進行比較。其他方法包括表徵匹配在時間上的聚合位移（例如，第6E圖的虛線自左到右的拉伸程度）、匹配線的斜率的指示等。

第6F圖至第6G圖描繪了根據一些實施例的蹤跡資料分析結果的實例視覺化600F及600G。第6F圖包括熱圖670及圖例671。自動編碼器模型的重建誤差可被用於產生熱圖670。在一些實施例中，重建誤差（例如，與在時間蹤跡的每個時間戳記處輸入資料與重建資料之間的差異相關）可被聚合為每個蹤跡的單個誤差數。在一些實施例中，重建誤差可由感測器子系統進一步聚集。在一些實施例中，可為一個處理運行及一個製造子系統產生單個值。熱圖670可自多個子系統（例如，子系統A、B、C及D，諸如真空子系統、溫度子系統、卡緊子系統等）及多個處理運行（例如，生產的基板）產生。圖例671可在視覺上指示具有高重建誤差的子系統/運行對，例如，可能已非最佳地進行的子系統/運行對。實例視覺化600F描繪了與運行編號5、子系統B相關聯的特別高的重建誤差。在一些實施例中，視覺化600F可被產生為校正動作，例如，可被視為向使用者提供的警報。在一些實施例中，諸如視覺化600F的視覺化可用於進行校正動作，例如，視覺化600F可指示子系統B上的維護係適當的。

第6G圖描繪了根據一些實施例的與蹤跡資料分析相關聯的自動編碼器模型的輸出的實例視覺化600G。視覺化600G包括輸入資料型樣680及重建資料型樣681。在一些實施例中，可回應於偵測到高重建誤差來產生（或向使用者顯示）視覺化600G，例如，可回應在諸如第6F圖的熱圖視覺化中偵測到的高重建誤差來產生（或顯示）視覺化。在一些實施例中，使用者可選擇查看與時間蹤跡分析相關聯的視覺化部分的更多細節（例如，藉由點擊與子系統B及處理運行5相關聯的熱圖670的部分），且可顯示更詳細的視圖（例如，視覺化600G）。在一些實施例中，非最佳效能可與高重建誤差（例如，輸入蹤跡資料型樣680與重建資料型樣681之間的大差異）相關聯，如視覺化600G所示。

第7圖為根據一些實施例的能夠降低輸入資料（例如，自動編碼器模型）的維度的模型700（例如，機器學習模型）的操作的圖。

模型700的輸入資料710為與基板生產相關聯的資料。在一些實施例中，輸入資料710包括計量資料、製造參數、感測器資料或其組合中的一或多者。輸入資料710可為預處理的資料。在一些實施例中，輸入資料710為與基板相關聯的計量資料。計量資料可為任何（或許多）類型，包括厚度、面內位移、化學特性、電子特性、光學特性等。在一些實施例中，輸入資料710包括與產品製造相關的蹤跡感測器資料及/或蹤跡感測器資料的預處理版本。

模型700包括第一部分720（例如，編碼器）及第二部分740（例如，解碼器）。在一些實施例中，此模型為自動編碼器、神經網路模型、卷積神經網路模型，深度信念網路、前饋神經網路、多層神經網路等中的一或多者。第一部分720將輸入資料710（例如，計量資料）降維為壓縮形式（例如，壓縮資料730）。機器學習模型的輸入層可由多個隱藏層與壓縮資料分離（第7圖中描繪了兩個，但可使用任意數量的隱藏層）。在機器學習模型700的訓練期間，第一部分720可產生一或多個函數，以使輸入資料710適合於較低維度的表示，而無需使用者的指導。縮減（例如，壓縮、編碼）可在幾個階段中進行（即，首先將輸入資料710轉換為部分壓縮資料，隨後進一步轉換為壓縮資料730），或縮減（例如壓縮、編碼）可在單個階段中完成。

第二部分740將壓縮資料730作為輸入且產生輸出資料750。在訓練期間，模型700被訓練以最小化輸入資料710與輸出資料750之間的差異，其中輸出750為根據壓縮資料730重建輸入資料710。用於訓練模型700的最小化函數還可對壓縮資料730的維度實施懲罰，以避免返回壓縮不足的函數（例如，身份函數，其完美地重建輸入資料710，但不將資料壓縮到降低的維度）。可訓練模型700，使得模型700的輸出資料750近似匹配輸入資料710。

第一部分720及第二部分740使用的函數本質上可為非線性的。模型700的所有過程（即，降維及重建兩者、編碼及解碼兩者等）可用於一些應用中。在其他應用中，只能使用一些功能。例如，在訓練期間，模型700可將輸入資料710傳遞過第一部分720以形成壓縮資料730，隨後傳遞過第二部分740以決定輸出資料750，隨後將輸出資料750與輸入資料710進行比較以決定輸出資料750實質上類似於輸入資料710。

在一些實施例中，模型700可用於異常蹤跡分析。模型700可基於歷史資料進行訓練。歷史訓練資料可能僅限於成功的運行，例如，生產的產品的性質在臨限值範圍內的運行，達到的腔室條件在臨限值範圍之內的運行等。隨後，模型700可經配置以產生用於未來成功製造運行的壓縮資料。在一些實施例中，模型700可被訓練且用於與一組（或有限數量）設備、配方、產品設計等相關聯的資料。

模型700可產生具有一些重建誤差（例如，與輸入資料710的差異）的輸出資料750。在一些實施例中，以某種方式類似於用於訓練模型700的訓練輸入的輸入資料710可產生具有相對低的重建誤差的輸出資料750。可產生重建誤差指數（例如，自資料點到資料點的誤差之和、平方誤差、正規化和、均方根誤差等），以表示輸入到模型700中的資料集的總重建誤差的度量。在一些實施例中，誤差指數的量值可指示輸入資料710與用於訓練模型700的資料之間的相似性。在一些實施例中，高重建誤差（例如，輸出資料750與自壓縮資料730產生的重建資料之間存在實質差異）可指示輸入資料710與用於訓練模型700的資料實質上不同。在一些實施例中，模型700嚴格地基於「良好」資料（例如，與滿足效能臨限值的製造運行相關聯的資料）進行訓練，且大的重建誤差指數可指示輸入資料710係非最佳的。重建誤差可按每次運行（例如，每個生產的產品）、每個感測器、每個工具、每個子系統等計算，且可以方便的格式視覺化，以便於進行校正動作。

第8圖為根據某些實施例的示出電腦系統800的方塊圖。在一些實施例中，電腦系統800可（例如，經由諸如區域網路(Local Area Network, LAN)、內部網路、商際網路或網際網路的網路）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運行，或作為同級間或分散式網路環境中的對等電腦運行。電腦系統800可由個人電腦(personal computer; PC)、平板PC、機上盒(Set-Top Box, STB)、個人數位助理(Personal Digital Assistant, PDA)、蜂巢式電話、網路設備、伺服器、網路路由器、交換機或橋接器，或能夠執行一組指令（順序或以其他方式）的任何裝置提供，此些一組指令指定此裝置要採取的動作。此外，術語「電腦」應包括單獨或聯合執行一組（或多組）指令以執行本文描述的任何一或多種方法的任何電腦集合。

在另一態樣，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(Random Access Memory, RAM)）、非揮發性記憶體806（例如，唯讀記憶體(Read-Only Memory, ROM)或電性可抹程式化ROM (Electrically-Erasable Programmable ROM, EEPROM)）及資料儲存裝置818，其可經由匯流排808彼此通訊。

處理裝置802可由一或多個處理器提供，諸如通用處理器（諸如，複雜指令集計算(Complex Instruction Set Computing, CISC)微處理器、精簡指令集計算(Reduced Instruction Set Computing, RISC)微處理器、超長指令字(Very Long Instruction Word, VLIW)微處理器、實現其他類型指令集的微處理器，或實現各類型指令集組合的微處理器）或專用處理器（諸如，特定應用積體電路(Application Specific Integrated Circuit, ASIC)、現場可程式閘陣列(Field Programmable Gate Array, FPGA)、數位信號處理器(Digital Signal Processor, DSP)或網路處理器）。

電腦系統800還可包括網路介面裝置822（例如，耦合到網路874）。電腦系統800還可包括視訊顯示單元810（例如，LCD）、文數字輸入裝置812（例如，鍵盤）、游標控制裝置814（例如，滑鼠）及信號產生裝置820。

在一些實施例中，資料儲存裝置818可包括非暫時性電腦可讀儲存媒體824（例如，非暫時性機器可讀媒體），此媒體上可儲存對本文所述的方法或功能中的任何一或多者進行編碼的指令826，包括對第1圖的部件（例如，預測部件114、校正動作部件122、模型190等）進行編碼且用於實現本文所述方法的指令。

在電腦系統800執行指令826期間，指令826亦可完全或部分地駐留在揮發性記憶體804及/或處理裝置802內，因此，揮發性記憶體804及處理裝置802亦可構成機器可讀儲存媒體。

雖然電腦可讀儲存媒體824在說明性實例中示出為單個媒體，但術語「電腦可讀儲存媒體」應包括儲存一組或多組可執行指令的單個媒體或多個媒體（例如，集中式或分散式資料庫，及/或相關的快取及伺服器）。術語「電腦可讀儲存媒體」還應包括能夠儲存或編碼一組指令以供電腦執行的任何有形媒體，此些指令使電腦執行本文所述的任何一或多種方法。術語「電腦可讀儲存媒體」應包括但不限於固態記憶體、光學媒體及磁性媒體。

本文所述的方法、部件及特徵可由離散的硬體部件實現，或可整合在其他硬體部件（諸如ASICS、FPGA、DSP或類似裝置）的功能中。此外，此些方法、部件及特徵可由硬體裝置內的韌體模組或功能電路來實現。此外，此些方法、部件及特徵可在硬體裝置及電腦程式部件的任何組合中或在電腦程式中實現。

除非另有明確規定，否則諸如「接收」、「進行」、「提供」、「獲得」、「使得」、「存取」、「決定」、「添加」、「使用」、「訓練」、「減少」、「產生」、「校正」等的術語係指由電腦系統進行或實現的操作及過程，此些操作及過程操縱且將電腦系統暫存器及記憶體內表示為物理（電子）量的資料轉換為電腦系統記憶體或暫存器或其他此類資訊儲存、傳輸或顯示裝置內類似地表示為物理量的其他資料。此外，本文中使用的術語「第一」、「第二」、「第三」、「第四」等意為在不同元素之間進行區分的標籤，且根據其數位名稱可能不具有序數含義。

本文所述的實例亦係關於用於進行本文所述方法的設備。此設備可專門構造用於進行本文所述的方法，或其可包括由儲存在電腦系統中的電腦程式選擇性地程式化的通用電腦系統。這種電腦程式可儲存在電腦可讀有形儲存媒體中。

本文所述的方法及說明性實例與任何特定電腦或其他設備無固有關聯。可根據本文所述的教示使用各種通用系統，或可證明構造更專門的設備來進行本文所述方法及/或其個別的功能、常式、副常式或操作係方便的。各種這些系統的結構實例在上面的描述中闡述。

上述描述旨在說明，而非限制。儘管已參考具體的說明性實例及實施例描述了本揭示案，但應當認識到，本揭示案不限於所描述的實例及實施例。本揭示案的範疇應當參考以下發明申請專利範圍以及發明申請專利範圍所享有的等效物的全部範圍來決定。

100:系統 110:預測系統 112:預測伺服器 114:預測部件 120:客戶端裝置 122:校正動作部件 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:當前感測器資料 150:製造參數 152:歷史製造參數 154:當前製造參數 160:計量資料 162:概要資料 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:訓練模型 200:製造腔室 204:基板支撐組件 206:噴頭 208:腔室主體 210:內部容積 212:側壁 214:底部 216:排氣口 218:泵系統 220:氣體面板 222:基座 224:軸 226:加熱器 228:反射器 300:系統 310:資料輸入 320:目標輸出 322:效能資料 344A:歷史感測器資料 344B:歷史感測器資料 344Z:歷史感測器資料 352:歷史製造參數 352A:歷史製造參數 352B:歷史製造參數 352Z:歷史製造參數 372:資料集產生器 400:系統 402:訓練集 404:驗證集 406:測試集 408:所選模型 410:方塊 412:方塊 414:方塊 416:方塊 418:方塊 420:方塊 430:方法 431:方塊 432:自動處理程序 433:方塊 434:方塊 435:方塊 436:方塊 446:當前感測器資料 450:方法 451:方塊/操作分割器 452:方塊 453:方塊 454:方塊 455:方塊 460:當前效能資料 464:歷史資料 468:預測效能資料 500A:方法 500B:方法 500C:方法 500D:方法 500E:方法 500F:方法 500G:方法 500H:方法 500I:方法 501:方塊 502:方塊 503:方塊 504:方塊 505:方塊 506:方塊 507:方塊 510:方塊 511:方塊 512:方塊 513:方塊 514:方塊 515:方塊 521:方塊 522:方塊 523:方塊 524:方塊 525:方塊 526:方塊 530:方塊 531:方塊 532:方塊 533:方塊 534:方塊 535:方塊 540:方塊 542:方塊 544:方塊 546:方塊 550:方塊 552:方塊 554:方塊 556:方塊 558:方塊 560:方塊 562:方塊 564:方塊 566:方塊 568:方塊 570:方塊 572:方塊 574:方塊 576:方塊 578:方塊 580:方塊 582:方塊 584:方塊 586:方塊 600A:視覺化 600B:視覺化 600C:視覺化 600D:結果 600E:結果 600F:視覺化 600G:視覺化 602:時間蹤跡 604:視窗 606:瞬態頭部 607:穩態部分 608:瞬態尾部 610:時間蹤跡 611:目標設定點 612:過衝 613:峰值時間 614:上升時間 615:振盪 616:誤差視窗 617:安定時間 640:集群 641:集群 642:集群 643:集群 650:目標時間蹤跡 651:參考時間蹤跡 660:目標時間蹤跡 661:參考時間蹤跡 670:熱圖 671:圖例 680:輸入資料型樣 681:重建資料型樣 700:模型 710:輸入資料 720:第一部分 730:壓縮資料 740:第二部分 750:輸出資料 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:文數字輸入裝置 814:游標控制裝置 818:資料儲存裝置 820:信號產生裝置 822:網路介面裝置 824:非暫時性電腦可讀儲存媒體 826:指令 874:網路 A:子系統 B:子系統 C:子系統 D:子系統 T:訓練集

本揭示案在隨附圖式的諸圖中以實例的方式而非限制的方式示出。

第1圖為根據一些實施例的示出示例性系統架構的方塊圖。

第2圖描繪根據一些實施例的製造腔室的截面圖。

第3圖為根據一些實施例的創建用於訓練、測試及驗證模型的資料集的資料集產生器的描述。

第4A圖為根據一些實施例的示出用於產生輸出資料的系統的方塊圖。

第4B圖為根據一些實施例的用於使用蹤跡感測器資料進行工具與工具匹配分析的方法的流程圖。

第4C圖為根據一些實施例的用於產生概要資料的方法的流程圖。

第5A圖為根據一些實施例的用於產生用於產生預測資料的模型的資料集的方法的流程圖。

第5B圖為根據一些實施例的用於利用一或多個模型來進行校正動作的方法的流程圖。

第5C圖為根據一些實施例的描述進行工具與工具匹配分析的訓練操作的方法的流程圖。

第5D圖為根據一些實施例的描述進行工具與工具匹配分析的推斷操作的方法的流程圖。

第5E圖為根據一些實施例的用於基於指示處理腔室效能的度量來引起校正動作的執行的方法500E的流程圖。

第5F圖為根據一些實施例的用於執行正常值(inlier)分析的方法的流程圖。

第5G圖為根據一些實施例的用於執行蹤跡感測器資料分析的方法的流程圖。

第5H圖為根據一些實施例的用於執行異常值聚類分析的方法的流程圖。

第5I圖為根據一些實施例的用於執行正常值漂移偵測的方法的流程圖。

第6A圖描繪根據一些實施例的用於將蹤跡分割成瞬態及穩態部分的操作的視覺化。

第6B圖描繪根據一些實施例的用於概要資料產生操作的數位孿生輸出的視覺化。

第6C圖描繪根據一些實施例的聚類操作結果的視覺化。

第6D圖描述應用於參考時間蹤跡及類似目標時間蹤跡的彈性相異性模型的結果。

第6E圖描述應用於參考時間蹤跡及不相似目標時間蹤跡的彈性相異性模型的結果。

第6F圖至第6G圖描繪根據一些實施例的蹤跡資料分析結果的實例視覺化。

第7圖為根據一些實施例的能夠減小輸入資料的維度的模型的操作的圖。

第8圖為根據一些實施例的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

500G:方法

560:方塊

562:方塊

564:方塊

566:方塊

568:方塊

Claims (20)

1. 一種方法，其包含以下步驟： 接收與一處理腔室的一第一製造製程相關聯的蹤跡感測器資料； 使用一或多個訓練的機器學習模型來處理該蹤跡感測器資料，該些機器學習模型產生該蹤跡感測器資料的一表示，且隨後基於該蹤跡感測器資料的該表示來產生重建的感測器資料，其中該一或多個訓練的機器學習模型輸出該重建的感測器資料； 將該蹤跡感測器資料與該重建的感測器資料進行比較； 基於該比較決定該重建的感測器資料與該蹤跡感測器資料之間的一或多個差異；及 基於該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異來決定是否推薦與該處理腔室相關聯的一校正動作。
2. 如請求項1所述之方法，其進一步包含以下步驟： 接收與該處理腔室相關聯的一品質指數分數； 決定該品質指數分數是否滿足一或多個標準；及 回應於該品質指數分數的值未能滿足該一或多個標準，將該蹤跡感測器資料提供給該一或多個訓練的機器學習模型。
3. 如請求項1所述之方法，其中該一或多個訓練的機器學習模型包含一編碼器-解碼器模型，其中該編碼器-解碼器模型的一編碼器產生該蹤跡感測器資料的該表示，且其中該編碼器-解碼器模型的一解碼器產生該重建的感測器資料。
4. 如請求項1所述之方法，其進一步包含以下步驟： 將歷史蹤跡感測器資料作為訓練輸入提供給該一或多個訓練的機器學習模型，其中該一或多個訓練的機器學習模型包含一第一部分及一第二部分，該第一部分經配置為藉由降低輸入資料的一維度來產生該輸入資料的一表示，且該第二部分經配置為基於該輸入資料的該表示來重建該輸入資料，其中在訓練之後，由該一或多個訓練的機器學習模型的該第二部分輸出的重建資料近似匹配該輸入資料。
5. 如請求項1所述之方法，其進一步包含以下步驟： 聚合蹤跡感測器資料與一感測器的重建資料之間的該一或多個差異，以產生該感測器的總誤差的一度量。
6. 如請求項5所述之方法，其進一步包含以下步驟： 產生一第一組感測器，其中該第一組的感測器各自有助於該處理腔室的一子系統；及 聚合該感測器的總誤差的一度量及該第一組感測器的該些感測器的總誤差的一度量，以產生該子系統的總誤差的一指示。
7. 如請求項1所述之方法，其中該校正動作包含以下中的一或多者： 排程預防性維護； 排程校正性維護； 更新一製程配方；或 向一使用者提供一警報。
8. 如請求項7所述之方法，其中向一使用者提供一警報之步驟包含以下步驟：產生描繪該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異的一視覺化。
9. 一種系統，其包含記憶體及耦合到該記憶體的一處理裝置，其中該處理裝置經配置為： 接收與一處理腔室的一第一製造製程相關聯的蹤跡感測器資料； 使用一或多個訓練的機器學習模型來處理該蹤跡感測器資料，該些機器學習模型產生該蹤跡感測器資料的一表示，且隨後基於該蹤跡感測器資料的該表示產生重建的感測器資料，其中該一或多個訓練的機器學習模型輸出該重建的感測器資料； 將該蹤跡感測器資料與該重建的感測器資料進行比較； 基於該比較決定該重建的感測器資料與該蹤跡感測器資料之間的一或多個差異；及 基於該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異來決定是否推薦與該處理腔室相關聯的一校正動作。
10. 如請求項9所述之系統，其中該處理裝置進一步經配置為： 接收與該處理腔室相關聯的一品質指數分數； 決定該品質指數分數是否滿足一或多個標準；及 回應於該品質指數分數的一值未能滿足該一或多個標準，將該蹤跡感測器資料提供給該一或多個訓練的機器學習模型。
11. 如請求項9所述之系統，其中該一或多個訓練的機器學習模型包含一編碼器-解碼器模型，其中該編碼器-解碼器模型的一編碼器產生該蹤跡感測器資料的該表示，且其中該編碼器-解碼器模型的一解碼器產生該重建的感測器資料。
12. 如請求項9所述之系統，其中該處理裝置進一步經配置為： 將歷史蹤跡感測器資料作為訓練輸入提供給該一或多個訓練的機器學習模型，其中該一或多個訓練的機器學習模型包含一第一部分及一第二部分，該第一部分經配置為藉由降低輸入資料的一維度來產生該輸入資料的一表示，且該第二部分經配置為基於該輸入資料的該表示來重建該輸入資料，其中在訓練之後，由該一或多個訓練的機器學習模型的該第二部分輸出的重建資料近似匹配該輸入資料。
13. 如請求項9所述之系統，其中該處理裝置進一步經配置為： 聚合蹤跡感測器資料與一感測器的重建資料之間的一或多個差異，以產生該感測器的總誤差的一度量。
14. 如請求項13所述之系統，其中該處理裝置進一步經配置為： 產生一第一組感測器，其中該第一組的感測器各自有助於該處理腔室的一子系統；及 聚合該感測器的總誤差的一度量及該第一組感測器的該些感測器的總誤差的度量，以產生該子系統的總誤差的一指示。
15. 如請求項9所述之系統，其中該校正動作包含向一使用者提供一警報，且其中向一使用者提供一警告包含產生描繪該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異的一視覺化。
16. 一種儲存指令的非暫時性機器可讀儲存媒體，該些指令在被執行時使一處理裝置執行操作，該些操作包含以下步驟： 接收與一處理腔室的一第一製造製程相關聯的蹤跡感測器資料； 使用一或多個訓練的機器學習模型來處理該蹤跡感測器資料，該些機器學習模型產生該蹤跡感測器資料的一表示，且隨後基於該蹤跡感測器資料的該表示來產生重建的感測器資料，其中該一或多個訓練的機器學習模型輸出該重建的感測器資料； 將該蹤跡感測器資料與該重建的感測器資料進行比較； 基於該比較決定該重建的感測器資料與該蹤跡感測器資料之間的一或多個差異；及 基於該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異來決定是否推薦與該處理腔室相關聯的一校正動作。
17. 如請求項16所述之非暫時性機器可讀儲存媒體，其中該些操作進一步包含以下步驟： 接收與該處理腔室相關聯的一品質指數分數； 決定該品質指數分數是否滿足一或多個標準；及 回應於該品質指數分數的一值未能滿足該一或多個標準，將該蹤跡感測器資料提供給該一或多個訓練的機器學習模型。
18. 如請求項16所述之非暫時性機器可讀儲存媒體，其中該一或多個訓練的機器學習模型包含一編碼器-解碼器模型，其中該編碼器-解碼器模型的一編碼器產生該蹤跡感測器資料的該表示，且其中該編碼-解碼器模型的一解碼器產生該重建的感測器資料。
19. 如請求項16所述之非暫時性機器可讀儲存媒體，其中該些操作進一步包含以下步驟： 將歷史蹤跡感測器資料作為訓練輸入提供給該一或多個訓練的機器學習模型，其中該一或多個訓練的機器學習模型包含一第一部分及一第二部分，該第一部分經配置為藉由降低輸入資料的一維度來產生該輸入資料的一表示，且該第二部分經配置為基於該輸入資料的該表示來重建該輸入資料，其中在訓練之後，由該一或多個訓練的機器學習模型的該第二部分輸出的重建資料近似匹配該輸入資料。
20. 如請求項16所述之非暫時性機器可讀儲存媒體，其中該校正動作包含以下步驟：向一使用者提供一警報，且其中向一使用者提供一警告之步驟包含以下步驟：產生描繪該蹤跡感測器資料與該重建的感測器資料之間的該一或多個差異的一視覺化。