TW202347062A - 用於半導體廠房中之等待時間預測之方法 - Google Patents
用於半導體廠房中之等待時間預測之方法 Download PDFInfo
- Publication number
- TW202347062A TW202347062A TW112105254A TW112105254A TW202347062A TW 202347062 A TW202347062 A TW 202347062A TW 112105254 A TW112105254 A TW 112105254A TW 112105254 A TW112105254 A TW 112105254A TW 202347062 A TW202347062 A TW 202347062A
- Authority
- TW
- Taiwan
- Prior art keywords
- computer
- time
- waiting time
- implemented method
- production
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000004065 semiconductor Substances 0.000 title claims description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 81
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 6
- 238000001459 lithography Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 27
- 238000007637 random forest analysis Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 9
- 239000000203 mixture Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000004088 simulation Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010923 batch production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31407—Machining, work, process finish time estimation, calculation
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32265—Waiting, queue time, buffer
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
Abstract
一種用於包含製造中之複數個生產操作之一路線的等待時間預測（30）之電腦實施方法，其包含以下步驟：
接收（S31）生產操作之一排序清單，其中該排序清單界定用於製造一批次之該路線之特徵；
針對該排序清單中之各生產操作進行以下判定：
藉由取決於開始時間點而從用於操作量測特徵值之經收集特徵值的資料庫（51）中進行取樣來取樣（S32）複數個特徵之特徵值；及
取決於經取樣之該特徵值而預測（S33）預期等待時間。
Description
本發明關於一種用於包含製造中之複數個生產操作之路線的等待時間預測之方法、及用於訓練機器學習系統以對製造中之生產操作進行預期等待時間預測之方法，以及電腦程式及機器可讀取儲存媒體、經組態以進行該等方法之系統。
本發明之上下文是在製造中，更具體言之產品批次將完成製造中之處理的時間進行計劃及預測。尤其在一個批次之生產可能花費數週至數月之半導體製造中，對給定批次之生產的完成進行精確預測是極合乎需要的。儘管有必要精確預測完成日期，但工業目前先進技術落後。對於彼等預測通常使用平均週期時間，與當前工廠情形無關。更詳述之標準方法使用經定義時間窗中之所有過程步驟之平均滯留時間以將該等程序步驟總和為週期時間。
另一目前先進技術解決方案將為在離散事件模擬中覆蓋製造過程，其接著能夠預測週期時間。雖然此方法在理論上儘可能精確，但其伴隨一些缺點。首先，建構及維持此模擬是時間及資本密集型的，此是由於極複雜的生產過程必須在每一細節上被理解且以數位方式加以模型化。此外，即使當模擬可用時，模擬之執行花費長時間，此是由於其為複雜的計算問題。因此，僅一些情境可在合理時間量內執行，尤其在其將用於生產操控時。
存在藉由預測模型進行等待時間預測之方法，其中該等預測模型可為神經網路或資料採擷模型以預報週期時間。
Chen（陳）, T.及Wang（王）, Y.-C.及Lin（林）, Y.-C.及Yang（楊）, K.-H.，用對工件進行平均劃分及後分類之ANN方法估計半導體製造中之工件週期時間（Estimating job cycle time in semiconductor manufacturing with an ANN approach equally dividing and post-classifying jobs），材料科學論壇刊物（Materials Science Forum），第594卷第469至474頁，揭示用於估計半導體工廠中之週期及等待時間之例示性模型。
本發明之優點
本發明之目標為提供一種比簡單（滾動）平均值預測更精確但比成熟（full-blown）模擬更易於維持且更快執行之解決方案。
本發明基本上具有三個優點。首先，其比平均值或滾動平均值估計器更精確。對操作資料進行之分析顯示，所開發方法在均方根誤差方面比彼等估計器高出三天，同時同樣良好地預測平均週期時間。當批次偏離其平均週期時間時，此影響甚至更強。因此，當批次具有＞48天之週期時間時，使用此方法，估計值與實際週期時間相比之平均絕對偏差要精確七天。第二，其比離散事件模擬更快，此是由於無須模型化互依性。因此，運行可在數分鐘而非小時數內執行，以為在相同時間量內調查更多情境來提供可能性。第三，該方法易於維持，此是由於其在操作層級上建構且僅使用來自當前生產資料之輸入以及每一操作有一個預測模型。因此，其是模組化的，意義在於當操作改變時，僅此操作之模型必須重新訓練，而其餘者可保持原樣。
在第一態樣中，提出一種用於包含製造中之複數個生產操作之路線的等待時間估計之方法。等待時間可定義為在完成前一操作與開始下一操作之間的經過時間。
方法開始於接收生產操作之排序清單，其中清單界定用於製造批次之路線之特徵。此後，其遵循定義批次生產開始時間之時間點。
接著，進行用於判定排序清單中之各生產操作的預期等待時間之循環。循環開始於藉由取決於開始時間點而從操作量測特徵值之先前經收集特徵值的資料庫中進行取樣來取樣複數個特徵之特徵值。該等特徵界定批次之屬性及/或狀態及/或用於製造批次之廠房之屬性及/或狀態之特徵。循環之第二步驟關於取決於經取樣特徵值而預測預期等待時間。
在操作內累積預測預期等待時間。視情況，經累積預期等待時間作為路線之總等待時間而輸出。
有利地，不考慮關於其他批次之處理流程之資訊，此相比於離散事件模擬導致計算時間減少。
提議特徵值之取樣藉由從資料庫隨機地取樣經收集特徵值，或藉由藉由對來自資料庫之經收集特徵值進行平均值來判定特徵值，或藉由對來自資料庫之經收集特徵值進行旋轉平均值來判定特徵值而進行，其中資料庫之經收集特徵值是為過去進行之操作而收集的。
此外，提議藉助於經訓練機器學習系統來預測經預測等待時間，其中機器學習系統接收特徵值作為輸入且輸出預期等待時間。
此外，提議存在複數個經訓練機器學習系統，其中將各機器學習系統指派給生產操作中之一者，且各機器學習系統已經訓練以取決於其輸入特徵而預測其指派之生產操作之預期等待時間。較佳地，機器學習系統將不同特徵集作為輸入。此意謂各別機器學習系統之輸入可主動地減少為必需特徵集。
此外，提議基於該路線之歷史機率而判定路線之操作之排序清單。資料庫包含複數個先前追蹤之路線及其對應地收集之特徵值及等待時間，且較佳地經追蹤路線之操作的處理時間。基於該經追蹤路線之機率分佈，可判定歷史機率以估計針對該路線進行之一組操作。歷史機率可為基於資料庫中先前量測之資料而界定用於選擇該路線之批次的機率之特徵之機率。
此外，提議除了預期等待時間，亦取決於經取樣特徵值而判定各別操作之預期處理時間，其中亦累積預期生產時間，其中較佳地藉由對經累積預期等待與經累積預期處理時間求和來計算週期時間。較佳地，經訓練機器學習系統或複數個經訓練機器學習系統經組態以另外輸出預期處理時間。
在本發明之第二態樣中，提議一種訓練機器學習系統以用於預測製造中之生產操作的預期等待時間之方法。
方法開始於提供訓練資料，其中訓練資料包含批次之複數個製造路線，其中為路線之各生產操作來收集特徵值且量測批次之對應等待時間，其中該等特徵定義批次之屬性及/或狀態及/或用於製造批次之廠房之屬性及/或狀態之特徵。
接著，對訓練資料之至少第一部分進行機器學習系統之訓練。可應用機器學習系統之已知訓練方法。應用訓練使得機器學習模型取決於輸入特徵而輸出經量測等待時間。另外，訓練可經組態以訓練機器學習系統以在訓練資料亦包含批次之經收集處理時間的情況下亦輸出預期處理時間。
接著，藉由以下操作判定各特徵之相關性：丟棄作為機器學習系統之輸入之各別特徵，及用經操縱輸入來量測機器學習系統對於等待時間預測的相對效能降低。其遵循根據其相關性對特徵進行排序且根據輸出之預期等待時間之精確性沒有降低之議題，針對排序特徵之最小集合而逐步測試經排序特徵，其中評估是在訓練資料之第三部分進行的。其優點為特徵集可顯著地減小，而預測效能保持相等。
提議藉由排列特徵重要性演算法來判定相關性。
此外，提議接著藉由基於特徵之經判定相關性的依序反向搜尋來選擇最佳特徵子集。
此外，提議在訓練之後，機器學習系統針對訓練資料之第二部分來評估經訓練機器學習系統，且若模型效能低於預定義臨限值，則再次進行訓練步驟。
此外，提議對尚未用於訓練機器學習系統之訓練資料的一部分進行機器學習系統之超參數最佳化。
此外，提議存在複數個不同生產操作及複數個不同產品，其中對於生產操作及產品之各組合，訓練機器學習系統。此具有以下優點：在生產操作或產品之修正或替代的情況下提供對該方法之簡單維護。因為此後，僅需要重新訓練對應機器學習系統。
此外，提議將本發明之第一及第二態樣的方法應用於高產品組合/低數量之半導體製造工廠中之操作的等待時間估計。
此外，針對第一及第二態樣提議該批次為電子裝置，特別地，工業或汽車控制器、或感測器、邏輯裝置或功率半導體。
此外，針對第一及第二態樣提議生產操作為半導體製造操作，特別地，擴散及微影操作，或較佳地製造操作之子步驟。
此外，針對第一及第二態樣提議取決於經累積預期等待時間或經判定週期時間而控制用於製造批次之廠房之生產操作的裝備，或取決於其等待時間而調適批次之優先順序。優點為廠房之利用率及控制較佳。
此外，針對第一及第二態樣提議取決於經累積預期等待時間或經判定週期時間而判定不同批次之最佳組合，或取決於經累積預期等待時間或經判定週期時間而預測批次之生產完成之時間點。藉由廠房之此種類之控制，可最佳化材料廢料等。
此外，針對第一及第二態樣提議取決於經累積預期等待時間或經判定週期時間而進一步處理複數個批次中具有最低或最高等待或週期時間之批次，或進行路線之操作序列之最佳化以最小化批次之總等待時間。
半導體製造商面臨關於微晶片之需求、功能性、品質及交付可靠性之增加的客戶要求。此不斷增長的市場壓力要求決策者進行精確且精密的效能估計，以向客戶做出交付承諾。一個顯著效能量測為等待時間，其通常佔週期時間之最高比例且對週期時間之差異貢獻最大。
雖然存在預測週期時間之許多研究，但吾人偏好將等待時間視為感興趣變數且允許開業者決定其想要估計處理時間（亦即，確定性或隨機）之方式。
為了獲得半導體工廠中之經累積總等待時間，吾人可對各操作進行個別預測且對批次之整個生產週期將個別預測求和。
然而，預測等待時間為非平凡任務，此是因為必須考慮許多潛在重要影響特徵。
考慮多種特徵之預測模型在計算上是廣泛的且易於過度擬合，而相比之下，基本模型未能提供有價值的預測。因此，半導體製造商面臨著為等待時間預測識別相關特徵集之任務。
此外，半導體製造商面臨對過多產品之非永久性的需求。因此，在所謂高產品組合/低數量（HMLV）之半導體晶圓廠房中生產半導體。
在HMLV晶圓製造廠中，產品組合、可用技術及生產能力隨著時間推移不斷地演進，且多個操作在異質成套工具上同時處理。因此，對效能量測之簡明及輕型預報模型之需求增加。此複雜生產環境意指與等待時間相關之眾多額外特徵，但到目前為止尚不清楚此等特徵如何影響預報品質。
即使機器經展示為可用於製造執行系統（Manufacturing Execution System；MES）中，但歸因於機器劣化，過程品質仍可能無法得到保證。此為等待時間之預測歸因於迴流（re-entrant flow）、不同層、有限機器能力及複雜處理流程而為高度複雜的過程之另一原因。
為解決此問題，吾人呈現用於半導體晶圓製造廠（較佳地，HMLV工廠）中之操作之等待時間估計的框架，且引入選擇框架以判定顯著預測特徵且產生用於等待時間預測之輕型模型。更精確地，吾人提議一種預測在前一操作完成時每批次及操作之單次等待時間之方法。吾人用來自兩個生產領域（亦即，微影及擴散）之真實操作資料證實該方法。
眾所周知，週期時間為用於半導體製造過程之最相關效能量測中之一者。週期時間可定義為在開始任務與完成任務之間的經過時間，其由運輸時間、等待時間、處理時間及額外步驟之時間構成。
工廠之製造執行系統（MES）追蹤各機器之移入及移出時間（亦即，各處理步驟之開始及結束）。在完成前一任務之後，批次進入下一處理步驟之工具群之聯合等待室且等待被處理。應注意，等待室並未實體上與工具群不在同一位置，且在批次到達時，並不判定哪一機器將處理該批次。因此，等待時間亦可包括在工具群之間的運輸時間。等待室之調度策略依賴於各種因素，而非FIFO。
在先前方法中，假定處理時間對於給定處理步驟是恆定的。然而，在吾人之使用案例中，處理時間被認為經受一些波動。然而，等待時間之波動遠遠超過處理時間之波動。因此，在此方法中，吾人之焦點在於分析及預報等待時間，而處理時間在過去之行為被用作自變數。在另一具體實例中，亦可預測處理時間。
吾人將吾人之模型的因變數定義為在
處到達工具群時，每批次在給定工具群之預期等待時間。
所提議之方法可在兩個部分中進行區分。首先，吾人識別吾人之方法之特徵集。第二，吾人提出一種特徵重要性計算方法，其中基於依序反向搜尋而選擇特徵集及用於各別問題範圍之最佳執行模型，該依序反向搜尋以各別排列特徵重要性（permutation feature importance；PFI）值初始化。
在圖1中，表展示吾人之方法之特徵集。特徵集指示此特徵之流形，抑或對於必須進行一次熱編碼之標稱分類（nominal categorical/nominal cat.），或對於通常作為特徵之集合的序數分類（ordinal categorical/ordinal cat.）及連續（continuous/cont.）。所列出之特徵僅為例示性的。
在下文中，簡要解釋各特徵，包括其可能之重要性及必要時之調適機制。
a. 批次優先順序（
）：各批次在工廠入口處被指派有優先順序。此優先順序指批次之重要性及緊急性，其對於在製造期間之排程尤其重要且因此被視為影響特徵。
b. 在製品（
）：
定義為當前在機器群中在操作之批次的數目及當前在機器群前面等待之批次的數目。由於存在生產性及非生產性批次（亦即，用於測試及維護目的之批次），因此可針對生產性批次類型（
）及針對非生產性批次類型（
）單獨地計算所有工件之WIP。機器群中之所得總WIP等於兩個特徵之總和，但並不作為用以避免冗餘資訊之特徵。另外，可考慮總工廠（WIP）之WIP。
c. 當天到達時間（
）：其與批量建構（待一起處理之批次群組）操作相關，在該等操作中評定其他批次到達或離開。
d. 到達間（
）及離開間時間（
）：使
為批次
之到達時間，且
為離開時間。
及
定義為在同一操作類型之當前批次與前一批次之到達/離開之間的時間：
。
該等批次之次序由對應到達時間戳來定義。
對於批量操作，其他批次到達之頻率是重要的。對於兩個特徵，最後到達間（
）及離開間時間（
）以及最後10個值之滾動平均數（
）用作特徵。
e. 機器群之利用率（
）：對於機器群
中之各機器
（例如，所有微影裝備），在經定義時間窗
（例如，一小時）中存在可用處理時間（
）及佔用時間（
）。其可表述為如下，其中M作為能夠處理
之機器群：
。
f. 利用率（
）為佔用時間與可用處理時間之份額：
。
裝備之利用率指示程序執行之可用能力。吾人獲得過去一小時中之利用率（
）以及過去一天中之利用率（
）兩者，以指示裝備之利用率的最近發展。
g. 機器之可用性（
）：可用性由能夠執行操作之可用機器之數目定義。較佳地，吾人獲得處於各裝備狀態（「可用」、「維修」、「維護」、「設置」及「關機」）之機器之數目作為特徵，以便能夠學習機器群中之機器狀態之組成及其對於等待時間之影響。
h. 處理時間（
）及等待時間（
）：吾人將週期時間拆分以確認兩個值不共用同一分佈之事實。另外，吾人指示同一產品-操作-組合之最後完成操作、前3個及前10個最近完成操作之兩個值，此是因為其可幫助指示兩個值中之最近趨勢。由於此等特徵不同（極先前等待及處理時間除外），因此添加
及
之最小值（
）及最大值（
）、平均值（
）及方差（
）作為特徵。
i. 工廠中之產品組合（
）：日益複雜的產品組合更具挑戰性，且因此進一步增加計劃的複雜性。由於增加之複雜性影響調度演算法之效能，因此其可與整體工廠WIP組合用作生產計劃之應力程度的指示符。產品之複雜性可藉由完成其所必要之層之數量來量測。因此，吾人藉由在到達時間完成工廠中之所有產品以及能夠執行操作之裝備之隊列中的所有批次所需之層的十分位數來指示產品組合。
j. 工具循環之數目（
）：此特徵指示操作是第一次執行抑或作為重工步驟重複。基礎假定為重工步驟可變得緊急或可能會得到計劃者之額外關注，因為其為未預見到的事件。
k. 隊列中之產品組合（
）：儘管前述
，吾人使用相同的計算模式來執行此特徵。類似於
，
為機器群之計劃複雜性之指示符且在高順序相依的生產領域可能是感興趣的，因為其指示隊列之異質性。因此其可與等待時間估計相關。
l. 隊列中之不同產品之數目（
）：其在具有順序相依的設置時間之領域中可能是重要的，因為大量不同的產品可能導致設置時間增加，且因此導致等待時間更長。
m. WIP概況（
）：此特徵為對工廠中所有批次在
時之完成程度的量測。其可被計算為批次之完成層及所有必要層之分率。吾人可藉由要應用之層的數目來評估各批次，而不是平等地處理當前WIP之所有批次。該特徵可作為完成之層相對於待由所有批次之配方應用之層之總數目的百分比來獲得。吾人將WIP概況作為用於整個工廠以及用於機器群之隊列中之批次的十分位數而引入。接近完成之產品（亦即，具有高WIP概況值之產品）可能藉由調度演算法是較佳的，因為其完成直接影響工廠之輸出，此是關鍵效能量測。
n. 完成程度（
）：此特徵指示已完成之層與吾當前預測之批次之層之總量的分率。啟用此特徵不僅可確認完成程度對所有同時發生之批次的重要性，而且對待預測批次之重要性。
o. 隊列中之類似操作之量（
）：類似操作具有相同操作類型（與其產品無關），且若裝備可分批處理，則可因此分批生產。因此，若大量類似操作正等待執行以創建完整分批，則該批次可為較佳的。
p. 所有批次在
處在隊列中之等待時間（
）：為了保持輸入特徵之固定形狀，吾人將隊列中之等待批次分組為等待時間之十分位數。此特徵用於提取關於隊列參與者之另外資訊。
q.
輪班：早：6:00-14:00，晚：14:00-22:00，夜：22:00-6:00。另外，在
處之週末（
）：若批次在週末進入隊列，則為1，否則為0。假日（
）：若批次在工廠所在地之國定假日期間進入隊列，則為1，否則為0。吾人假定個人資源在輪班、週末及假日之間不同。
r. 前一操作ID（
）：引入此分類特徵，因為在吾人之使用案例中，運輸時間包括於等待時間中。吾人假定其可充當用於待在工廠內運輸之距離的估計器。
s. 從具有相同操作之產品上次離開以來之時間跨距（
）：此特徵指示操作是定期執行、很少執行抑或為新操作。基礎假定為對於高效能產品，生產效率較高。
t. 當前操作之層（
）及階段（
）：此特徵指示批次在工廠中之位置。此等特徵可能為感興趣的，因為在產品接近完成或面臨資本密集型階段或層時，產品會得到不同的處理。
u. 完成所需之總階段的數目（
）：此特徵應指示各別批次之複雜程度，假定更複雜的產品在某些調度情境中應具有更高優先順序。
所提議之特徵選擇過程由三個步驟構成，該等步驟針對在本文中稱作特徵選擇框架之各產品-操作-組合加以執行。
以下方法是從排列特徵重要性計算與基於排列特徵重要性值之依序反向搜尋之組合中導出的。各部分-操作-組合之資料集藉由隨機拆分劃分為訓練集（例如，50%）、測試集（25%）及驗證集（25%）。在此方法之設置階段中，吾人比較使用隨機拆分及時間相依拆分之結果。結果是可比較的，但由於資料集隨著時間推移含有不同值範圍，因此吾人決定用隨機拆分來工作。
圖3示意性展示訓練程序之流程圖20。
對於各產品-操作-組合，吾人首先用訓練資料集來訓練（S21）隨機森林分類器，且較佳使用測試集執行超參數調整。在此方法之設置階段，亦可替代地利用其他模型化技術（例如，多層感知器、遞迴神經網路），且結果展示為可比較的。
模型之輸入為特徵值。在一個具體實例中，隨機森林接收上文所論述之特徵的所有特徵值。在另一具體實例中，隨機森林接收上文所論述之複數個特徵。隨機森林經組態以預測用以界定預期等待時間之特徵之值。另外，隨機森林亦可預測其對應操作之生產時間。
吾人使用所有先前引入之特徵針對各產品-操作-組合來訓練該模型作為所謂的基線模型。第二，吾人評估關於驗證集之基線模型之效能以便確保關於未見之資料評估模型。應注意，較佳地，具有足夠效能分數（例如，判定係數，其指示預測在從0至1之標度上覆蓋目標值之變化的良好程度）之基線模型用於特徵選擇，且具有低預測能力之其他模型從進一步分析中予以抹除。
在第三步驟中，對各模型執行（S22）基於排列特徵重要性（PFI）之特徵減少。對於關於排列特徵重要性之更多資訊：奧爾特曼（Altmann），安德烈（André）等人「排列重要性：經校正特徵重要性量測（Permutation importance: a corrected feature importance measure）」。生物資訊刊物（Bioinformatics）26.10 (2010): 1340-1347。
具有最佳化超參數之模型較佳地僅運用經識別相關特徵來訓練。最後，吾人可評估給定部分-操作-組合之最佳化模型相對於關於驗證集之對應基線模型的效能。
在下文中，描述基線模型之訓練。可藉由格點搜尋來選擇超參數之最佳集合。格點搜尋之可能邊界可在圖2之表中看到。在下文中描述經最佳化之超參數，方法之所有其他參數應保持在預設值。
隨機森林與各種超參數並排建構。首先，估計器之數目判定隨機森林內之決策樹的數目。第二，max_depth判定各決策樹之最大允許深度。第三，max_features判定在尋找最佳拆分時考慮之特徵的數目。若其為「自動」，則最大特徵為特徵之總數目。若其為「sqrt」，則選擇特徵之總數目之平方根。
超參數min_samples_split判定拆分內部節點所需之樣本的最小數目。超參數min_samples_leaf判定建構葉所需之樣本的最小數目。因此，若拆分點為其他分支留下定義量之訓練樣本，則拆分點僅被視為實施於樹中。超參數抽樣（bootstrap）定義抽樣樣本是否用於建構樹。
最後，超參數warm_start定義在建構森林時是否再使用前一調用之解，抑或是否安裝全新森林。
在下文中，描述基線模型評估。由於吾人面臨回歸問題，故吾人基於判定係數（
）來評估模型效能。使
表示
個觀測
之平均值，且
表示隨機森林基線模型之對應預測。
定義為一減去所解釋之平方和（
）在總平方和（
）中之份額：
。
因此，對於給定模型，若所有估計
等於觀測
，則
為1，而若所有估計等於平均值
，則為0。
在下文中，吾人執行排列特徵重要性演算法，其接著在依序反向搜尋中用作排序程式。對於關於依序反向搜尋之更多資訊：黃南天（Huang, Nantian），陸國寶（Guobo Lu）及徐殿國（Dianguo Xu）「使用隨機森林進行短期電負載預報之基於排列重要性的特徵選擇方法（A permutation importance-based feature selection method for short-term electricity load forecasting using random forest）」。能量刊物（Energies）9.10 (2016)：767。
開始於所描述基線模型及其效能
，對於各特徵
，將資料集中之值隨機地排列
次，且計算所得模型效能
。吾人將前述判定係數
部署為效能量測
。特徵
之重要性
定義為由此混洗（shuffle）引起之模型效能的減小：
。
為了降低PFI中隨機波動之影響，此過程可對每一模型中之各特徵進行
次。
隨後，為識別（S23）給定問題之最佳特徵集，吾人使用如由以下提議之依序反向搜尋：黃等人『使用隨機森林進行短期電負載預報之基於排列重要性的特徵選擇方法』，在2016年之能量刊物中第9卷編號10第767頁，其中PFI用作排序程式。
圖4示意性展示根據圖3之經訓練模型之應用程式的流程圖（30）。
方法開始於接收（S31）生產操作之排序清單且定義批次生產開始時間之時間點（t）。
接著，進行用於判定排序清單中各生產操作的等待時間之循環。
循環之第一步驟為藉由取決於開始時間點而從操作量測特徵值之經收集特徵值的資料庫（51）中進行取樣來取樣（S32）複數個特徵之特徵值。循環之第二步驟包含取決於經取樣特徵值而預測（S33）預期等待時間。
最後，累積（S34）各操作之預期等待時間。
圖5中展示訓練系統500之具體實例。訓練系統500包含提供者系統51，其提供來自訓練資料庫之輸入特徵。將輸入特徵饋入至機器學習系統52以進行訓練，該機器學習系統自其判定預期等待時間。將預期等待時間及經量測等待時間供應至評估器53，該評估器自其判定機器學習系統52之急性超/參數，將該等超/參數傳輸至參數記憶體P，在該參數記憶體中，其替換當前參數。評估器53經配置以執行根據圖3之方法的步驟S21。
由訓練系統500執行之程序可實施為儲存於機器可讀取儲存媒體54上且由處理器55執行之電腦程式。在另一具體實例中，電腦程式可包含用經訓練之機器學習系統52進行圖4之方法的指令。
術語「電腦」涵蓋用於處理預定義計算指令之任何裝置。此等計算指令可呈軟體形式，或呈硬體形式，或亦呈軟體及硬體之混合形式。
應進一步理解，程序無法僅在如所描述之軟體中完全實施。其亦可實施於硬體中，或實施於軟體及硬體之混合形式中。
20:流程圖
30:流程圖
51:提供者系統
52:機器學習系統
53:評估器
54:機器可讀取儲存媒體
55:處理器
500:訓練系統
P:參數記憶體
S21:步驟
S22:步驟
S23:步驟
S31:步驟
S32:步驟
S33:步驟
S34:步驟
將參考以下圖式更詳細地論述本發明之具體實例。圖式展示：
[圖1] 特徵之表；
[圖2] 超參數之表；
[圖3] 訓練機器學習系統之流程圖；
[圖4] 應用機器學習系統之流程圖；
[圖5] 用於機器學習系統之訓練系統。
20:流程圖
S21:步驟
S22:步驟
S23:步驟
Claims (14)
- 一種用於包含製造中之複數個生產操作之路線的等待時間預測（30）之電腦實施方法，其包含以下步驟： 接收（S31）具有多個生產操作之排序清單，其中該排序清單界定用於製造批次之該路線之特徵； 定義該批次之生產時間之開始時間點（t）； 針對該排序清單中之各生產操作進行以下判定： （1）藉由取決於該開始時間點而從用於操作量測特徵值之經收集特徵值的資料庫（51）中進行取樣來取樣（S32）複數個特徵之特徵值，其中該複數個特徵界定該批次之屬性及/或狀態及/或用於製造該批次之廠房的屬性及/或狀態之特徵；且 （2）取決於經取樣之該特徵值而預測（S33）預期等待時間；及 累積（S34）該各生產操作之該預期等待時間。
- 如請求項1之電腦實施方法，其中該特徵值之該取樣藉由從該資料庫（51）隨機地取樣該經收集特徵值，或藉由對來自該資料庫（51）之該經收集特徵值求平均值來判定該特徵值，或藉由對來自該資料庫（51）之該經收集特徵值求旋轉平均值來判定該特徵值而進行，其中該資料庫（51）之該經收集特徵值是為過去進行之該生產操作所收集的。
- 如請求項1或2之電腦實施方法，其中藉助於經訓練機器學習系統（52）預測經預測之該預期等待時間，其中該機器學習系統（51）接收該特徵值作為輸入且輸出該預期等待時間。
- 如請求項3之電腦實施方法，其中存在複數個經訓練機器學習系統，其中將該複數個經訓練機器學習系統中之各經訓練機器學習系統指派給該多個生產操作中之一生產操作，且該各經訓練機器學習系統已經訓練以取決於其輸入之該特徵值而預測所指派之該生產操作之該預期等待時間。
- 如請求項1或2之電腦實施方法，其中該多個生產操作為半導體製造操作，尤其擴散及微影操作。
- 如請求項1或2之電腦實施方法，其中該批次為電子裝置，特別地為工業或汽車控制器、或感測器、邏輯裝置或功率半導體。
- 如請求項1或2之電腦實施方法，其中基於該路線之歷史機率而判定該路線之具有多個生產操作之該排序清單。
- 如請求項1或2之電腦實施方法，其中除了所預測之該預期等待時間，亦取決於經取樣之該特徵值而判定該各生產操作之預期處理時間，其中亦累積該預期生產時間，其中藉由對經累積之該預期等待時間與經累積之該預期處理時間求和來計算週期時間。
- 如請求項1或2之電腦實施方法，其中取決於經累積之該預期等待時間而控制用於製造該批次之該廠房之該生產操作的裝備，或取決於該預期等待時間而調適該批次之優先順序。
- 如請求項1或2之電腦實施方法，其中取決於不同產品組合情境之經累積之該預期等待時間而預測不同批次之最優組合。
- 如請求項1或2之電腦實施方法，其中該電腦實施方法應用於高產品組合/低數量（HMLV）之半導體製造工廠中之操作的等待時間估計。
- 一種電腦程式，其經組態以使電腦在由處理器（55）實行該電腦程式時進行如請求項1至11中任一項之電腦實施方法及其所有步驟。
- 一種機器可讀取儲存媒體（55），其上儲存有如請求項12之電腦程式。
- 一種設備，其經組態以進行如請求項1至11中任一項之電腦實施方法。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP22157196.1 | 2022-02-17 | ||
| EP22157196.1A EP4231105A1 (en) | 2022-02-17 | 2022-02-17 | Method for waiting time prediction in semiconductor factory |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202347062A true TW202347062A (zh) | 2023-12-01 |
Family
ID=87560445
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112105254A TW202347062A (zh) | 2022-02-17 | 2023-02-15 | 用於半導體廠房中之等待時間預測之方法 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20230260056A1 (zh) |
| EP (1) | EP4231105A1 (zh) |
| JP (1) | JP2023120168A (zh) |
| KR (1) | KR20230123894A (zh) |
| CN (1) | CN116613086A (zh) |
| TW (1) | TW202347062A (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021186294A (ja) * | 2020-05-29 | 2021-12-13 | 株式会社三洋物産 | 遊技機 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7440811B2 (en) * | 2004-09-28 | 2008-10-21 | Siemens Aktiengesellschaft | Dynamic-state waiting time analysis method for complex discrete manufacturing |
| US20220171373A1 (en) * | 2019-03-29 | 2022-06-02 | Lam Research Corporation | Model-based scheduling for substrate processing systems |
-
2022
- 2022-02-17 EP EP22157196.1A patent/EP4231105A1/en active Pending
-
2023
- 2023-02-15 KR KR1020230020231A patent/KR20230123894A/ko unknown
- 2023-02-15 TW TW112105254A patent/TW202347062A/zh unknown
- 2023-02-16 US US18/169,994 patent/US20230260056A1/en active Pending
- 2023-02-16 JP JP2023022461A patent/JP2023120168A/ja active Pending
- 2023-02-16 CN CN202310126385.5A patent/CN116613086A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| EP4231105A1 (en) | 2023-08-23 |
| US20230260056A1 (en) | 2023-08-17 |
| CN116613086A (zh) | 2023-08-18 |
| JP2023120168A (ja) | 2023-08-29 |
| KR20230123894A (ko) | 2023-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chien et al. | Manufacturing intelligence to forecast and reduce semiconductor cycle time | |
| CN101408769B (zh) | 一种基于乘积arima模型的在线能源预测系统及方法 | |
| TWI459169B (zh) | 用於控制設備工程系統之良率預測反饋之方法、系統、及記錄相關指令的非暫態電腦可讀取媒體 | |
| Li et al. | A metamodel-based Monte Carlo simulation approach for responsive production planning of manufacturing systems | |
| CN109409780B (zh) | 变更处理方法、装置、计算机设备和存储介质 | |
| Chien et al. | Tool allocation to smooth work-in-process for cycle time reduction and an empirical study | |
| Mishra et al. | Joint optimization of production scheduling and group preventive maintenance planning in multi-machine systems | |
| TW202347062A (zh) | 用於半導體廠房中之等待時間預測之方法 | |
| Schelthoff et al. | Feature selection for waiting time predictions in semiconductor wafer fabs | |
| US7257502B1 (en) | Determining metrology sampling decisions based on fabrication simulation | |
| Chua et al. | A surrogate model to predict production performance in digital twin-based smart manufacturing | |
| Chia Yee et al. | Weighted grey relational analysis to evaluate multilevel dispatching rules in wafer fabrication | |
| Schuh et al. | Approach for reducing data inconsistencies in production control | |
| CN117114381A (zh) | 智能制造服务链动态优化配置方法及系统 | |
| US20040193291A1 (en) | Production management method using delivery date prediction | |
| Sobaszek et al. | The algorithms for robust scheduling of production jobs under machine failure and variable technological operation times | |
| Tsai et al. | Near-optimal scheduling for IC packaging operations considering processing-time variations and factory practices | |
| Jiang et al. | Improved heuristic algorithm for modern industrial production scheduling | |
| CN114047729A (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
| Irdem et al. | An experimental study of an iterative simulation-optimization algorithm for production planning | |
| Alves et al. | Learning algorithms to deal with failures in production planning | |
| Lee et al. | Design of decision support system for yield management in semiconductor industry: application to artificial intelligence | |
| JPH11126102A (ja) | ガス需要量の予測方法 | |
| Adan et al. | Autonomous Scheduling in Semiconductor Back-End Manufacturing | |
| Hadad et al. | A revised method for allocating the optimum number of similar machines to operators |