TW202401608A - 使用光學壁製程感測器（ｏｗｐｓ）的製程表徵和改正 - Google Patents

Abstract

一種方法包括以下步驟：由處理設備，接收表明與第一處理腔室對應的壁的狀態的第一感測器資料。該第一感測器資料包括光學光譜資料。該方法進一步包括以下步驟：由該處理設備，基於該第一感測器資料決定第一值。該第一值與沿著該壁的表面設置的產物在第一時間的第一量對應。該方法進一步包括以下步驟：由該處理設備，基於該第一值決定對與該第一處理腔室相關聯的第一製程操作的第一更新。該方法進一步包括以下步驟：由該處理設備，執行以下一項或多項(i)準備表明該第一更新的通知以在圖形使用者介面（GUI）上呈現，或(ii)導致依據該第一更新執行該第一製程操作。

Description

使用光學壁製程感測器（OWPS）的製程表徵和改正

本揭示內容的實施例涉及利用光學感測器的製程控制和製程學習。

處理腔室表面上條件的變化影響著各種處理參數。例如，蝕刻副產物在腔室壁上的再沉積可能會改變一個給定製程的蝕刻速率。因此，隨著基板在腔室中的處理，蝕刻速率（或其他製程參數或狀態）可能會發生變化，並導致基板之間的不均勻處理等其他條件。

習用系統缺乏可靠的方法來監測處理腔室內的表面條件，包括襯墊（或內壁）、蓋子、靜電卡盤（ESC）、製程環和類似物的表面。例如，已知處理腔室的襯墊的化學、物理和熱條件會藉由影響襯墊附近的脫氣重組而影響電漿製程。一些監測方法（如電容式監測或共振頻率監測）正在開發中，但這些方法會受到熱或射頻雜訊的影響，特別是在處理期間。

進一步地，由於缺乏諸如與處理腔室壁的狀態有關的光學資訊之類的資訊，特別是隨著處理裝備（equipment）的老化，基板處理會出現效率低下和/或不準確的情況。例如，製程轉變有時可能會導致沉積量（如沉積厚度）的變化或沉積組成的變化，這兩種情況都可能導致經常報廢不可接受的多批經處理的基板。在另一個實例中，知道何時在處理腔室內運行清潔製程可能僅僅是基於製程中的時間，這只不過是一種猜測而已。然而，過於頻繁地運行清潔製程可能會影響基板的輸送量，而過於不頻繁地運行清潔製程可能會影響產品的品質。其他處理效率低下或不準確的情況亦存在著，這將得到詳細論述。

以下是本揭示內容的簡化發明內容，以提供對本揭示內容的一些態樣的基本理解。本發明內容並不是對本揭示內容的廣泛概述。它並不旨在識別本揭示內容的關鍵或重要元素，亦不旨在劃定本揭示內容的特定實施方式的任何範圍或請求項的任何範圍。它的唯一目的是以簡化的形式呈現本揭示內容的一些概念以作為後文呈現的更詳細描述的前奏。

本文所述的一些實施例涵蓋了一種方法，該方法包括以下步驟：由處理設備，接收表明與第一處理腔室對應的壁的狀態的第一感測器資料。該第一感測器資料包括光學光譜資料。該方法進一步包括以下步驟：由該處理設備，基於該第一感測器資料決定第一值。該第一值與沿著該壁的表面設置的產物在第一時間的第一量對應。該方法進一步包括以下步驟：由該處理設備，基於該第一值決定對與該第一處理腔室相關聯的第一製程操作的第一更新。該方法進一步包括以下步驟：由該處理設備，執行以下一項或多項(i)準備表明該第一更新的一通知以在一圖形使用者介面（GUI）上呈現，或(ii)導致依據該第一更新執行該第一製程操作。

本文所述的額外或相關的實施例涵蓋了一種系統，該系統包括：處理腔室，包括第一壁，該第一壁具有定位在該處理腔室內的內表面。該系統進一步包括與該處理腔室耦合的光學感測器。該光學感測器被配置為獲取與該內表面相關聯的光譜資料。該系統進一步包括記憶體和與該記憶體耦合的處理設備。該處理設備用於：接收表明與第一處理腔室對應的壁的狀態的第一感測器資料。該第一感測器資料包括光學光譜資料。該處理設備進一步用於：基於該第一感測器資料決定第一值。該第一值與沿著該壁的表面設置的產物在第一時間的第一量對應。該處理設備進一步用於：基於該第一值決定對與該第一處理腔室相關聯的第一製程操作的第一更新。該處理設備進一步用於：執行以下一項或多項(i)準備表明該第一更新的通知以在GUI上呈現，或(ii)導致依據該第一更新執行該第一製程操作。

本文所述的額外或相關的實施例涵蓋了一種儲存指令的非暫時性機器可讀取儲存媒體，該等指令當被執行時，導致處理設備：接收表明與第一處理腔室對應的壁的狀態的第一感測器資料。該第一感測器資料包括光學光譜資料。該處理設備進一步用於：基於該第一感測器資料決定第一值。該第一值與沿著該壁的表面設置的產物在第一時間的第一量對應。該處理設備進一步用於：基於該第一值決定對與該第一處理腔室相關聯的第一製程操作的第一更新。該處理設備進一步用於：執行以下一項或多項(i)準備表明該第一更新的通知以在GUI上呈現，或(ii)導致依據該第一更新執行該第一製程操作。

依據本揭示內容的這些和其他的態樣，提供了許多其他的特徵。根據以下詳細描述、請求項和附圖，本揭示內容的其他特徵和態樣將變得更加充分明顯。

本文所述的實施例涉及用於使用光學壁製程感測器（OWPS）的製程控制和製程學習的系統和方法。例如，來自OWPS的資料可以用於實施例中以更新一個或多個製程的製程參數。這些系統和方法可以使用可以量測腔室壁上的塗層的一個或多個性質的一個或多個感測器（例如OWPS），並且可以可選地使用機器學習技術來分析來自這種感測器的資料。在一個實施例中，這些系統和方法可以參考處理腔室的襯墊（或內壁）使用干涉反射量測來決定處理腔室的條件和/或製程狀態。例如，反射量測可以用於決定沉積在襯墊表面或靠近且實質代表襯墊的反射器表面上的薄膜層（例如製程薄膜層）的一個或多個光學薄膜性質。薄膜的光學性質可以在諸如沉積製程、蝕刻製程和清潔製程之類的製程之前、期間和/或之後決定。薄膜的光學性質（如光學薄膜性質）可以包括但不限於厚度、折射率（n）和消光係數（k）值、薄膜的化學特性等。

在一些系統中，要對沉積在處理腔室內的表面上的薄膜的特性（例如一個或多個性質值）進行監測。在一些實施例中，表面或處理腔室上的薄膜的沉積或蝕刻可以用於推斷材料在基板上的蝕刻或沉積速率。在一些實施例中，可以根據薄膜的性質推斷出處理操作的效能。在一些實施例中，處理操作可以是清潔操作，例如在一些基板的處理之間執行的清潔操作。

在習用的系統中，可以利用試件來監測沉積在處理腔室內的表面上的薄膜。可以將可移除的物體（例如試件或薄片）設置在處理腔室內的表面（例如內部側壁、襯墊等）上。在經過一定量的時間之後，可以從腔室移除試件，並分析試件表面上的薄膜。這種做法可能在很多方面都很麻煩。將試件放入處理腔室並從腔室取出這些試件，可能包括將處理腔室的內部曝露於環境大氣條件。在一些實施例中，返回處理條件（例如，乾淨的內部、真空的內部等）可能在時間消耗、能源消耗、部件的磨損等方面很昂貴。在一些實施例中，返回可操作的狀態可以包括在處理腔室的內部曝露於環境條件之後進行清潔操作、腔室調節操作、腔室塗層操作和/或腔室季化操作。利用基於試件的方法可能會限制對薄膜研製的分析頻率。此外，可以在處理操作之間，但不是在處理腔室的操作期間（例如在沉積製程、蝕刻製程或清潔製程期間），量測試件。

本揭示內容的實施例可以解決習用解決方案的這些不足之處中的至少一些。在一些實施例中，可以由光學感測器進行量測，該光學感測器被配置為偵測來自處理腔室的內表面上的薄膜的訊號。在一些實施例中，決定處理腔室的狀態是在處理腔室內處理基板的過程中執行的。在一些實施例中，決定處理腔室的狀態是在處理基板之前、期間和/或之後執行的。在一些實施例中，決定處理腔室的狀態是在清潔操作或其他在處理腔室中沒有基板的情況下執行的操作之前、期間和/或之後執行的。

在一些實施例中，決定處理腔室的狀態可以涉及調適分析以考慮到處理腔室中電漿的存在，電漿可能是電磁輻射的來源。電漿包括用於蝕刻基板的腐蝕性氣體。在一些實施例中，一個或多個光學薄膜性質是在處理之前或之後決定的，並且不需要在活動的製程期間對現存的電漿進行補償。

在各種實施例中，處理腔室的襯墊的一部分的條件一般表明處理腔室的表面的條件。例如，一個條件可以表明製程轉變（或漂移），應對其進行改正（例如經由校準、清潔和/或替換處理裝備或處理腔室的其他結構）。製程轉變可能會影響經處理基板的效能和產率。藉由使用OWPS資料來跟蹤這種製程轉變，本文所述的系統和方法可以使用這種製程轉變（例如漂移）資訊來補償漂移和/或決定何時和/或如何執行維護（例如清潔操作）。

在另一個實例中，處理腔室的內表面上經沉積的薄膜層的厚度可以與被處理的基板上經沉積的薄膜相關（其例如是在處理期間測得的）。可以延伸對沉積在處理腔室的一個或多個內表面上的薄膜的表徵，以識別和管理沉積速率、沉積量、製程開始和/或結束條件、製程頻率等。例如，可以使用處理腔室內的表面條件確定清潔程序的最佳頻率和持續時間。其他操作（例如腔室調節操作、腔室塗層操作、腔室季化操作等）的頻率和持續時間亦可以被確定。其他的優點包括在執行反射量測時減少對電漿體積的破壞（例如在基板處理期間）。本實施例可以包括上述一個或多個優點，只需對現有的襯墊和處理腔室設計進行最小的修改。

所揭露的系統和方法的一些實施例包括光源（例如寬頻光源）、光譜儀（或用於記錄和量測入射光作為分析方法的其他裝置）和諸如準直器或鏡子之類的光耦合設備。這些實施例以及作為所揭露的系統的一部分的處理腔室可以進一步包括透明材料（例如晶體），其至少一部分嵌入在處理腔室的壁和襯墊內。該透明材料可以由透明的陶瓷材料製成，亦可以由諸如藍寶石、鑽石、石英或碳化矽之類的透明材料製成。可以在曝露於處理腔室內部的透明材料表面上形成透明薄膜（或基板）。該透明材料可以充當製程腔室的視窗。透明薄膜可以經由使用原子層沉積（ALD）、化學氣相沉積（CVD）、電漿氣相沉積（PVD）或另一種在表面上沉積薄膜的方法的沉積來沉積。透明薄膜可以包括氧化釔、氧化鋁、氧化鋯、其組合或另一種透明材料（如透明的結晶材料）。在一個實施例中，透明薄膜與襯墊的表面大致齊平。透明薄膜亦可以具有與襯墊實質匹配的化學性質。

在各種實施例中，在腔室內的處理期間，光耦合設備可以將來自光源的光引過透明材料，引過透明薄膜，並引向沉積在透明薄膜上的製程薄膜層。以這種方式，通過透明晶體和透明薄膜兩者的光會從它們相應的表面反射回來，並與沉積在透明薄膜上的製程薄膜層的表面反射的光相結合。這種反射光可以包括與沉積在襯墊上的製程薄膜層的條件一致的第一光譜。

在一些實施例中，光耦合設備將反射光（例如從各種表面反射的光的組合）引向光偵測設備。在一些實施例中，光耦合設備將這種反射光的組合聚焦到與光譜儀耦合的光纖纜線中。光譜儀可以偵測聚焦光的第一光譜，該第一光譜代表製程薄膜層，並且可以用於決定光學薄膜性質。光譜儀亦可以在腔室內的處理期間，在光源關閉時偵測聚焦光的第二實例（例如光譜）。這個第二量測可以用於背景減除、正規化等。在一些實施例中，第二光量測與量測期間製程腔室中電漿的光學發射光譜（OES）對應，並且可以從第一量測移除，以產生隔離沉積在襯墊表面上的製程薄膜層（以及例如可選地，製程薄膜層下方的透明材料和/或透明薄膜）的影響的反射量測訊號。

系統和方法的實施例亦可以包括與光譜儀耦合的處理設備（或控制器）。處理設備可以被調適為接收第一量測（例如，光譜）和第二量測，並藉由從第一資料減去第二資料來計算反射量測資料。處理設備可以藉由將反射量測資料除以參考光譜，來計算反射量測訊號，這會使反射量測資料正規化。參考光譜可以在已知條件下獲得，例如在系統的初始安裝期間，在維護或季化事件後不久，等等。

隨後，處理設備可以將反射量測訊號與薄膜光學模型進行擬合，以決定包括製程薄膜層的一個或多個性質（例如光學薄膜性質）的資訊。這種性質可以包括但不限於厚度（例如光學厚度），折射率（n）和消光係數（k）的值，反射率和/或透射率（其中任何一個可以與波長有關），和/或組成材料。該一個或多個性質可以轉而告知對與在處理腔室內執行的製程相關聯的某些終點的決定，包括但不限於是否調整沉積速率，何時停止化學或電漿的沉積，何時開始清潔處理腔室，何時停止清潔處理腔室，以及製程漂移量或消耗的腔室壽命。在一些實施例中，該一個或多個薄膜性質可以表明處理裝備的異常，例如異常或損壞的輸入材料、硬體故障、處理裝備老化或漂移等。

在一個實施例中，例如，處理設備（或控制器）將製程薄膜層的厚度與基線量測（其例如是在處理腔室首次投入操作時進行的）進行比較。若這個值的變化超過了閾值變化（例如製程薄膜層的厚度的閾值變化），則處理設備可以在處理腔室內觸發一個製程，以改正製程薄膜層的沉積或蝕刻的速率（例如清潔製程、校準製程等）。處理設備亦可以改變製程以恢復製程狀態，和/或可以提醒處理腔室的使用者一個製程轉變，以及其他將論述的動作。

在一些實施例中，處理設備（或控制器）決定透明薄膜上和/或腔室壁/襯墊上的製程薄膜層的特性與對應的無因次值。薄膜的特性可以包括厚度、光學性質、化學性質等。無因次值可以表明製程薄膜層的特性的趨勢。例如，較高的無因次值可以與較大的厚度對應。無因次值可以與比率和/或百分比對應，例如最大可接受值的比率。無因次值可以與臨界壁厚（例如製程薄膜層的臨界厚度）相關聯。無因次值可以將製程薄膜層厚度與最大和/或最小允許厚度相關聯（例如按比率或百分比）。無因次值可以是與製程薄膜層特性對應的指數。處理設備可以基於無因次值決定對製程操作的更新。處理設備可以基於無因次值校準處理腔室的一個或多個感測器。此外，處理設備可以接收與第二處理腔室（例如另一個處理腔室）對應的感測器資料，並決定與第二處理腔室中製程薄膜層的特性對應的第二無因次值。第一無因次值和第二無因次值可以藉由處理設備相互正規化。處理設備可以藉由資料正規化過程對第一無因次值和第二無因次值進行正規化。處理設備可以進一步基於第一值和第二值校準兩個處理腔室的感測器。處理設備可以進一步基於第一值和第二值更新配方操作（例如清潔操作、沉積操作、蝕刻操作等）。

本揭示內容的實施方式藉由提供用於基於光學腔室壁值更新製程參數的技術，解決了當前技術的缺陷。對製程參數的更新可以使對與製造系統的處理腔室相關聯的製程操作的最佳化（例如基板產率）能夠提高。本揭示內容的實施例提供了以比習用處理系統更好的速度更新製程操作的技術。所提供的技術可以使處理腔室的操作更高效，並使輸送量增加。此外，本揭示內容的實施例提供了對處理腔室的條件的更密切的監測，方法是基於表明處理腔室的內表面上的材料厚度的感測器資料來決定一個無因次的值。對處理腔室條件進行更密切的監測，可以藉由在腔室品質變化或腔室效能惡化時排程維護、清潔、季化、調節等，來減少處理腔室的停機時間。與習用系統相比，停機時間的減少可以使處理腔室的整體輸送量和效率得到提高。

此外，本揭示內容的實施例藉由基於根據OWPS感測器的量測導出的無因次值來校準處理腔室的一個或多個感測器，提供了對感測器準確度的改進。基於無因次值來校準感測器可以考慮到感測器的漂移。在一些實施例中，由於處理腔室的內表面上有材料堆積，可能會發生感測器漂移。改進的感測器準確度反過來可以提高實現製程操作和/或程序的精度。總的來說，本揭示內容允許對製程操作和參數進行更大的控制，這可以提高製程精度、一致性和輸送量。因此，系統控制器可以消耗較少的計算資源（例如處理循環、記憶體空間等）來執行製造系統處的基板製程，這提高了整體效率並減少了與製造系統相關聯的計算系統的整體延遲。

本揭示內容的方法包括以下步驟：由處理設備，從處理腔室的光學感測器接收第一資料。該方法進一步包括以下步驟：處理該第一資料以獲得第二資料。該第二資料包括對該處理腔室的內表面上的塗層的條件的指示。該方法進一步包括以下步驟：根據該第二資料產生對該處理腔室的處理操作的效能的指示。該方法進一步包括以下步驟：根據對該處理腔室的效能的該指示導致改正動作的執行。改正動作可以包括調整處理配方，例如調整處理配方終點、排程維護、提醒使用者等。

本揭示內容的另一個態樣包括一種不可傳輸的機器可讀取儲存媒體。該儲存媒體儲存指令。該等指令當由處理設備執行時，導致該處理設備執行操作。該等操作包括以下步驟：由該處理設備，從處理腔室的光學感測器接收第一資料，其中該第一資料與該處理腔室的第一操作相關聯。該等操作進一步包括以下步驟：從該處理腔室的該光學感測器接收第二資料，其中該第二資料與該處理腔室的第二操作相關聯。儲存在該儲存媒體中的該等操作進一步包括以下步驟：基於該第一資料和該第二資料，產生對該處理腔室的效能的第一指示和第二指示。儲存在該儲存媒體中的該等操作進一步包括以下步驟：決定該第一操作與該第二操作之間的效能的一個或多個差異。儲存在該儲存媒體中的該等操作進一步包括以下步驟：基於該一個或多個差異導致改正動作的執行。改正動作可以包括對處理配方的調整，例如對處理配方終點的調整。改正動作可以包括排程維護，如改正性或預防性維護。改正措施可以包括向使用者提供警報。

本揭示內容的另一個態樣包括一種方法，該方法包括以下步驟：由處理設備，從第一處理腔室的光學感測器接收第一資料。該方法進一步包括以下步驟：從第二處理腔室的光學感測器接收第二資料。該方法進一步包括以下步驟：基於該第一資料產生對該第一處理腔室的效能的第一指示，並基於該第二資料產生對該第二處理腔室的效能的第二指示。該方法進一步包括以下步驟：決定該第一處理腔室與該第二處理腔室之間的效能的一個或多個差異。該方法進一步包括以下步驟：基於該一個或多個差異導致改正動作的執行。改正動作可以包括更新製程配方，例如更新製程配方終點、排程維護、向使用者提供警報等。

圖 1是依據一個態樣，示例處理系統100的俯視示意圖。處理系統100包括傳輸腔室機器人101和工廠介面機器人121，其各自被調適為將基板110（有時候稱為「晶圓」或「半導體晶圓」）從電子設備處理系統（如 圖 1所示的處理系統100）拾取或放置到該電子設備處理系統中的目的地。然而，任何類型的電子設備基板、遮罩或其他含氧化矽的基板（本文一般稱為「基板」）亦可以由所揭露的機器人進行輸送和傳輸。例如，基板110的目的地可以是一個或多個處理腔室103，和/或裝載閘裝置107A、107B中的一者或多者，這些處理腔室和裝載閘裝置可以圍繞傳輸腔室114分佈並與之耦合。如圖所示，例如，基板的傳輸可以通過狹縫閥111。

處理系統100可以進一步包括主機102，該主機包括傳輸腔室114和至少兩個處理腔室103。主機102的殼體包括其中的傳輸腔室114。傳輸腔室114可以包括頂壁（未示出）、底壁（地板）139和側壁，並且在一些實施例中，例如，可以被維持在真空中。在所描述的實施例中，傳輸腔室機器人101被安裝在底壁（地板）139上。然而，傳輸腔室機器人101可以安裝在其他地方，例如安裝在頂壁上。

在各種實施例中，處理腔室103可以被調適為在基板110上實現任何數量的製程。這些製程可以包括沉積、氧化、硝化、蝕刻、拋光、清潔、微影、計量（例如整合計量）或類似製程。亦可以實現其他製程。例如，裝載閘裝置107A、107B可以被調適為與工廠介面117或其他系統部件介接，該工廠介面或其他系統部件可以從基板載體119（例如前開式晶圓傳送盒（FOUP））接收基板110，該等基板載體可以對接在工廠介面117的裝載端口處。工廠介面機器人121（以虛線示出）可以用於在基板載體119與每個裝載閘裝置107A、107B之間傳輸基板110。基板110的傳輸可以以任何順序或方向實現。在一些實施例中，工廠介面機器人121可以與傳輸腔室機器人101相同（或類似），但是可以進一步包括用於允許工廠介面機器人在由箭頭123所指示的任一橫向方向上移動的機構。任何其他合適的機器人都可以作為工廠介面機器人121使用。在一些實施例中，系統100可以與計量系統（例如整合計量系統）耦合（例如介接）。

在實施例中，並藉由對任何機器人的例示解釋，傳輸腔室機器人101包括至少一個手臂113（例如機器手臂）和與手臂113耦合的至少一個端效器115。端效器115可以被傳輸腔室機器人101控制，以從裝載閘裝置107A或107B拾取基板110，通過處理腔室103的狹縫閥111中的一者引導基板110，並準確地將基板110放置到處理腔室103的基板支撐件上。

在各種實施例中，處理腔室103中的一者或多者可以包括透明視窗120（例如諸如透明晶體之類的透明材料），該視窗的至少一部分被嵌入在處理腔室103的壁和襯墊124（例如內壁）中。在所揭露的實施例中，光可以被準直並引導到透明視窗120，以產生反射光。隨後，反射光可以通過透明視窗120傳回，如將更詳細地參考 圖 2-3 的論述。隨後可以收集反射光進行進一步分析。在一些實施例中，反射光可以被聚焦到與光譜儀125耦合的光纖纜線中以進行分析，例如光譜分析。無論是在基板處理期間還是之後，光譜儀125都可以執行反射量測，以決定聚焦光的一個或多個光譜，這些光譜可以用於決定透明視窗120上（例如透明視窗的透明薄膜上）沉積的製程薄膜層的至少一個光學性質。透明視窗120和光譜儀125可以包括與處理腔室103相關聯的光學感測器。透明視窗120和光譜儀125可以包括光學壁製程感測器（OWPS）。光學感測器可以偵測處理腔室103的內表面上（例如透明視窗上）的材料的至少一種性質。在一些實施例中，藉由由處理設備（例如，處理設備130）進行的薄膜光學計算，光學感測器可以提供表明處理腔室103的內表面上的材料厚度的感測器資料。

控制器109（例如，工具和裝備控制器）可以控制處理系統100的各個態樣，例如，處理腔室103中的氣體壓力、單獨的氣體流量、空間流量比、各種腔室部件的溫度以及處理腔室103的射頻（RF）或電氣狀態。控制器109可以從工廠介面機器人121、傳輸腔室機器人101、一個或多個感測器和/或處理系統100的其他處理部件接收訊號並向其發送命令。因此，控制器109可以控制處理的啟動和停止，可以調整沉積組成物的沉積速率、類型或混合，和類似功能。控制器109可以進一步接收和處理來自各種感測器的感測資料。

在各種實施例中，控制器109包括處理設備130（或與之耦合），並與光譜儀125耦合。處理設備130可以被配置為接收和處理感測器資料，包括由光譜儀125執行的反射量測結果。處理設備130可以被配置為接受多種量測並執行訊號處理，例如，被配置為藉由接收使用和不使用外部光源收集的資料來隔離薄膜的影響（例如與電漿產生的光學影響相隔離）。處理設備130可以藉由從第一量測減去第二量測（例如從第一光譜減去第二光譜）來計算反射量測訊號。隨後，處理設備可以將反射量測訊號與薄膜光學模型進行擬合，以決定包括製程薄膜層的一個或多個光學薄膜性質的資訊。根據薄膜光學模型，處理設備130可以決定沉積在處理腔室103的壁上的製程產物的一個或多個特性。特性可以由處理設備130計算，包括厚度（例如光學厚度）、反射率、化學特性等。取決於分析該一個或多個光學膜性質的結果，處理設備130（例如，控制器109）可以執行一個或多個動作。例如，處理設備130可以指導處理腔室103進行製程改變或調整。例如，控制器109可以調整處理參數或設定，例如，沉積速率、沉積組成的類型或混合、在處理腔室內執行清潔製程的時機，以及其他將參考 圖 7更詳細論述的動作。此外，在一些實施例中，控制器109可以基於分析該一個或多個光學薄膜性質的結果導致對處理腔室103的一個或多個感測器的校準，可以基於分析該一個或多個光學薄膜性質的結果執行腔室匹配，基於分析該一個或多個光學薄膜性質的結果識別腔室漂移，等等。

在一些實施例中，處理設備130可以基於分析該一個或多個光學薄膜性質的結果來決定一個無因次的值。在一些實施例中，該無因次的值對應於沉積在透明薄膜上的製程產物的第一量（例如，製程薄膜層的厚度）。該無因次的值可以表明沉積在處理腔室103的內表面上的製程產物的量。處理設備130可以基於該無因次的值對配方（例如，清潔配方、蝕刻配方、沉積配方等）進行更新。此外，該無因次的值可以由處理設備130與對應於一個或多個其他處理腔室103的無因次的值進行正規化，以進一步更新配方或校準一個或多個感測器。基於經正規化的無因次的值，可以更新其他處理腔室103的配方，並校準感測器。

控制器109和/或處理設備130可以是和/或可以包括諸如個人電腦、伺服器電腦、可程式化邏輯控制器（PLC）、微控制器等的計算設備。控制器109和/或處理設備130可以包括（或者是）一個或多個處理設備，它可以是諸如微處理器、中央處理單元或類似物的通用處理設備。更詳細而言，處理設備可以是複雜指令集計算（CISC）微處理器、精簡指令集計算（RISC）微處理器、超長指令字（VLIW）微處理器或實施其他指令集的處理器或實施指令集的組合的處理器。處理設備亦可以是一個或多個特殊用途處理設備，如特殊應用積體電路（ASIC）、現場可程式化邏輯閘陣列（FPGA）、數位訊號處理器（DSP）、網路處理器或類似物。控制器109和/或處理設備130可以包括資料儲存設備（例如一個或多個磁碟機和/或固態硬碟）、主記憶體、靜態記憶體、網路介面和/或其他部件。處理設備130可以執行指令以執行本文所述的方法學及/或實施例中的任一者或多者。指令可以儲存在電腦可讀取儲存媒體上，該電腦可讀取儲存媒體可以包括主記憶體、靜態記憶體、輔助儲存器和/或處理設備（在指令的執行期間）。

圖 2圖示了依據一個態樣，用於監測處理腔室的系統200的簡化側視圖。系統200可以包括光學感測器，該感測器產生表明處理腔室的內表面上的材料的一個或多個特性的光學資料。在一些實施例中，光學感測器可以收集光譜資料。在一些實施例中，光學感測器可以被配置為產生表明沉積在靠近光學感測器的透明視窗（例如，透明材料或透明晶體）上的材料量的資料。在一些實施例中，光學感測器可以被配置為產生表明沉積在處理腔室的內表面上的薄膜厚度的資料，其例如與表明材料量的量測有關。

系統200可以包括例如處理腔室103，它包括襯墊124，如 圖 1所示。處理腔室103可以包括壁222，襯墊124附接在該壁上。襯墊124被專門設計為對腔室103中要執行的製程化學有很高的耐化學性。襯墊124的耐化學性可以使襯墊124的物理或化學變化最小化。襯墊124的耐化學性可以增加襯墊124的壽命（例如，維修前的時間，替換前的時間）。此外，如圖所示，透明視窗120的至少一部分可以嵌入壁222和襯墊124內。視窗120可以由透明的陶瓷材料製成，亦可以由耐用的透明材料製成，如藍寶石、鑽石、石英、碳化矽或其組合。

在實施例中，系統200進一步包括光源201（例如，寬頻光源或其他電磁輻射源）光耦合設備204（例如，準直器或鏡子）、光譜儀225、控制器109和處理設備130。光源201和光譜儀225可以通過一個或多個耦合器232與光耦合設備204進行光學耦合，這些耦合器可以包括光纖纜線。

在一些實施例中，光源201是閃光燈。光源201可以產生可預測的照明，例如在功率、顏色、光譜等方面可預測。在一些實施例中，由光源201產生的波長可以被限制，例如，波長可以被限制在200-800奈米（nm）的波長範圍。在一些實施例中，光源201可以包括脈衝光源，如脈衝閃光燈。在一些實施例中，光源201是脈衝氙氣源。在一些實施例中，光源201的功率可以是可預測的，例如，光源201可以是一個閃光燈，它在開環內的全波長範圍內展現出小於0.5%的西格瑪閃光功率變化。在其他實施例中，波長範圍和功率變化可以與上文論述的不同，並且仍然在本揭示內容的範圍內。在一些實施例中，發射的波長可以包括近紅外波長。對於一些實用的光源，光源201的可變功率控制可以在45%與100%之間，同時在至少一年的壽命內提供低於8%的功率下降，這可以提供超過10億次的閃光。為具有不同能力和波長的光源201設想了附加或不同的實施例。

在各種實施例中，光耦合設備204可以被調適為沿著光路徑在兩個方向上準直或以其他方式傳輸光。第一方向可以包括來自光源201的光，該光要被準直並通過透明視窗120透射到處理腔室103中。第二方向可以是來自透明視窗120的反射光，該反射光傳回光耦合設備204，這將參考 圖 3更詳細地論述。反射光可以被聚焦到耦合器232（例如，光纖纜線）中，從而沿著光路徑在第二方向上引向光譜儀225。進一步地，耦合器232可以在光譜儀225與光源201之間耦合，以便高效地將光從光源201傳輸到透明視窗120並回到光譜儀225。

在一個實施例中，光譜儀225還具有與光源的波長範圍相似的偵測範圍。在一些實施例中，光譜儀225可以有一偵測範圍（例如，光譜儀操作的波長範圍，例如分佈在可見光、紫外線、紅外線等波長中）、一波長解析度（例如，對光譜儀225在分離不同波長的光時的熟練程度的描述）、一取樣速率等。光譜儀225的性質可以被調整，以分析腔室類型、配方類型、塗層類型等。光譜儀225可以依據與光源201相同的排程進行校準，或者可以更頻繁或更不頻繁地進行校準和/或維護。光譜儀225可以被調適為偵測從光耦合設備204接收的反射光（例如，已經從透明視窗120反射回來並被光耦合設備204聚焦到耦合器232中的光）的光譜。

在各種實施例中，控制器109包括處理設備130或與之耦合，並且包括記憶體134或其他電腦儲存器或與之耦合。控制器109可以與光源201、光譜儀225和處理腔室103通訊耦合。控制器109可以指示光源201閃亮，隨後從光譜儀225接收第一量測（例如，光譜）。控制器109還可以保持光源關閉，並當光源201關閉時從光譜儀225接收第二量測。第二量測可以代表處理腔室內的電漿或另一個發光化學製程的OES。處理設備130可以從第一量測減去第二量測，以及時決定某一時刻的反射量測訊號。隨後，處理設備130可以將反射量測訊號與一個或多個薄膜模型進行數學擬合，以決定已經沉積在透明晶體120的透明薄膜上的製程薄膜層的一個或多個光學薄膜性質。

在一些實施例中，該一個或多個光學薄膜性質包括經沉積的薄膜厚度（例如光學厚度）以及折射率（n）和消光係數（k）值。折射率是真空中的光速與製程薄膜層中的光速之比。消光係數是對在製程薄膜層中吸收多少光的度量。在實施例中，處理設備130可以利用n和k值決定製程薄膜層的組成。處理設備130可以進一步被配置為分析該一個或多個光學薄膜性質的資料，並基於該分析來在處理腔室103內觸發新的製程（例如，清潔或維護過程）或更新當前的製程（例如，沉積製程、清潔製程、蝕刻製程等）。處理設備130可以基於經分析的資料決定一個無因次的值，觸發或更新可以基於此。這種更新可以包括警報，並將參考 圖 7更詳細地論述。

圖 3是依據一個實施例， 圖 2的系統的側視圖的放大部分，圖示嵌入在處理腔室303的壁222和襯墊124內的透明視窗120。透明視窗120可以具有一個近端和一個遠端，該近端有一個近端表面120A，該近端表面接收來自光耦合設備204的光，該遠端120B有一個遠端表面120B，該遠端表面透過近端表面120A將光反射回光耦合設備204。在一些實施例中，近端表面120A亦可以反射光。透明視窗120的遠端表面120B可以靠近處理腔室303，在一個實施例中可以使其與壁222的內表面大致齊平。

在各種實施例中，透明視窗120的形狀可以像一個插頭（例如，是插頭形狀），並包括軸桿301和與軸桿301一體成形或與該軸桿附接的凸緣305。例如，插頭可以是藍寶石插頭、鑽石插頭、石英插頭或碳化矽插頭。軸桿301和/或凸緣305可以是方形、矩形、圓柱形或其他形狀。為了簡化圖示，軸桿301和凸緣305都被圖示為圓柱形。如上所述，透明視窗120可以由透明的結晶材料製成，如藍寶石、鑽石、石英、碳化矽或類似材料，以提供一種抗變化並能反射光的硬質材料。軸桿301可以嵌入壁222和襯墊124內，使得遠端表面曝露於處理腔室303的內部。

凸緣305可以與壁222的外表面鄰接。在一個實施例中，密封件313定位在凸緣與壁222的外表面之間。密封件313可以是例如O型環密封件、矩形密封件或墊片密封件、球形（bulb）密封件和類似密封件。密封件313的材料可以是丙烯二烯單體、含氟彈性體或類似材料。在一些實施例中，密封件可以以不同的方式放置，例如沿軸桿301放置，並在本揭示內容的範圍內。凸緣305可以有一個與密封件313實體接觸的內表面，其中該內表面包括小於20奈米的表面粗糙度（Ra）或至少80/50的刮痕挖掘（scratch dig）值，刮痕挖掘值是一種用於表面粗糙度的光學規格。凸緣305的高度平滑的內表面可以有助於在處理系統100、200外面的環境大氣與處理腔室303的高度清潔、過濾的空氣之間提供緊密的密封，該處理腔室可能處於真空狀態。

在各種實施例中，透明薄膜307可以例如經由原子層沉積（ALD）沉積到透明視窗120的軸桿301的遠端表面120B上。在一些情況下，在透明視窗120嵌入壁222和襯墊124內之前，將透明薄膜307沉積在透明視窗120上。透明薄膜307可以曝露於處理腔室303的內部。在一些實施例中，透明薄膜307與襯墊124大致齊平，並被製作為具有與襯墊實質匹配的化學性質，如前所述。在各種實施例中，透明薄膜307包括氧化釔、氧化鋁、氧化鋯或其組合，以製成類似的透明合金。在一個實施例中，透明薄膜307包括氧化釔，厚度在10奈米與1微米（µm）之間，例如270奈米厚，並沉積到已知厚度，這有助於分析反射光。

在各種實施例中，透明薄膜307的沉積製程（例如，ALD）被仔細控制，以確保它模仿襯墊124的材料，但處於不同的物理狀態，例如更平滑和更平坦，以促進光從其表面反射。以這種方式，透明薄膜307以提供資料的方式反射光，這些資料可以用於產生對腔室條件的準確評估。在一些實施例中，透明薄膜307的薄度和平滑度增加了對通過遠端表面的光的量測的訊噪比（SNR），從而有利於能夠在處理腔室303內測試更薄的製程薄膜層309。在實施例中，透明薄膜307還能鈍化和保護透明視窗120的材料，從而使昂貴的透明視窗120能夠在處理腔室303的腐蝕性處理環境中耐久更長時間。

在一些實施例中，在處理期間，製程薄膜層309（例如，製程薄膜層）被沉積在處理腔室303內。製程薄膜層309可以包括要被光譜儀225量測的單一薄膜或薄膜堆疊。光耦合設備204可以將光源201提供的光進行準直，並將經準直的光304A引過透明視窗120的近端表面120A（例如，凸緣305的外表面）。隨後，這個入射的光線從透明視窗的（例如軸桿301的）遠端表面120B反射，從透明薄膜307的表面反射，並從製程薄膜層309的表面反射。這三個反射光源回到一起（圖示為反射光304B），並回到光耦合設備204中。光耦合設備204可以將反射光聚焦到耦合器232中，以便進入光譜儀進行量測（見 圖 2）。在一些實施例中，可以收集和/或在分析中考慮額外的反射，例如，來自近端表面120A的反射，來自凸緣305和軸桿301的介面的反射，等等。在一些實施例中，一個或多個反射可以被減輕或消除。例如，來自表面120A的反射可以藉由應用抗反射塗層來減輕，透明視窗120的設計和/或構造可以消除凸緣305與軸桿301之間的光學介面，等等。

每個介面（例如，上述可以反射光的表面）處的返回光訊號都可以在光學上結合，從而導致建設性和破壞性的干擾。這種干擾的確切本質取決於每個層（例如，透明視窗120、透明薄膜307和製程薄膜層309（或薄膜堆疊））的相對厚度。由光譜儀225測得（以及在對初始參考值進行正規化處理後）的最終結果可能包括帶有干涉條紋的光譜。這些條紋可以用數學光學薄膜模型進行擬合，隨後該模型可以決定製程薄膜層309的一個或多個薄膜光學參數，如厚度（例如光學厚度）、n和k值。n和k值可以用於決定製程薄膜層309的組成（例如，沉積在製程腔室壁上的材料的組成）。知道透明薄膜307的確切初始厚度和光學性質有助於將光譜與薄膜模型進行擬合。製程薄膜層309的厚度可以被納入到無因次值的計算中，鑒於此，可以對製程操作（例如，清潔操作、沉積操作、蝕刻操作等）進行更新。

圖 4是圖示示例性系統架構的方塊圖，本揭示內容的實施方式可以在該系統架構中操作。如圖4所示，系統架構400包括製造系統402、計量系統410、客戶端設備450、資料儲存器440、伺服器420和建模系統470。建模系統470可以是伺服器420的一部分。在一些實施例中，建模系統470的一個或多個部件可以完全或部分地整合到客戶端設備450中。製造系統402、計量系統410、客戶端設備450、資料儲存器440、伺服器420、和建模系統470可以各自由一個或多個計算設備託管，這些計算設備包括伺服器電腦、桌上型電腦、膝上型電腦、平板電腦、筆記型電腦、個人數位助理（PDA）、行動通訊設備、手機、手持式電腦或類似的計算設備。

製造系統402、計量系統410、客戶端設備450、資料儲存器440、伺服器420和建模系統470可以經由網路460彼此耦合（例如用於執行本文所述的方法學）。在一些實施例中，網路460是私用網路，它使系統架構400的每個元件（element）能夠彼此存取和存取其他私人可用的計算設備。網路460可以包括一個或多個廣域網路（WAN）、區域網路（LAN）、有線網路（例如乙太網路）、無線網路（例如802.11網路或Wi-Fi網路）、蜂巢式網路（例如長期演進（LTE）網路）、路由器、集線器、交換器、伺服器電腦和/或其組合。在一些實施例中，處理和/或資料儲存操作可以由基於雲端的遠端設備、虛擬裝置等執行，而網路460可以實現對這些設備的存取和通訊。替代性或附加性地，系統架構400的任何元件都可以在不使用網路460的情況下被整合在一起或以其他方式耦合。

客戶端設備450可以是或包括任何個人電腦（PC）、膝上型電腦、行動電話、平板電腦、網路電腦、網路連接的電視（「智慧型TV」）、網路連接的媒體播放器（例如藍光播放器）、機上盒、過頂（OOT）串流設備、營運商盒子（operator box）等。客戶端設備450可以包括瀏覽器452、應用程式454和/或由系統架構400的其他系統所描述和執行的其他工具。在一些實施例中，如本文所述，在系統架構400的各種階段處理，客戶端設備450能夠存取製造系統402、計量系統410、資料儲存器440、伺服器420和/或建模系統470，並傳遞（例如傳輸和/或接收）對感測器資料、經處理資料、資料分類、製程結果資料、製程更新資料和/或各種製程工具（例如計量工具414、資料準備工具416、腔室匹配工具422、感測器匹配工具424、配方開發工具426、製程控制工具428和/或腔室值部件494）的輸入和輸出的指示。

如 圖 4所示，製造系統402包括製程工具404、製程程序406和製程控制器408。製程控制器408可以協調製程工具404的操作，以在一個或多個製程程序406上執行。例如，各種製程工具404可以包括專門的腔室，例如蝕刻腔室、沉積腔室（包括用於原子層沉積、化學氣相沉積或其電漿增強版本的腔室）、退火腔室和/或類似腔室。在另一個實例中，機器可以納入樣品運輸系統（例如選擇順應性裝配機器手臂（SCARA）機器人、傳輸腔室、前開晶匣（FOUP）、側儲存盒（SSP）和/或類似物）以在機器和製程步驟之間運輸樣品。

製程程序406或有時稱為製程配方、製程操作或製程步驟，可以包括用於由製程工具404實現操作的各種規範。例如，製程程序406可以包括製程規範，例如製程操作的啟動持續時間，用於操作的製程工具，機器（例如腔室）的溫度、流量、壓力等，沉積順序，和類似製程規範。在另一個實例中，製程程序可以包括傳輸指令，用於將樣品運輸到另一個製程步驟，或由計量系統410進行量測。一個或多個製程程序406包括預防性維護程序、清潔程序、調節程序、季化程序等。

製程控制器408可以包括設計為管理和/或協調製程工具404的動作的設備。在一些實施例中，製程控制器408與一個製程配方或一系列的製程程序指令相關聯，當這些製程配方或指令以所設計的方式應用時，會產生基板製程的期望製程結果。例如，製程配方可以與處理基板以產生目標製程結果（例如臨界尺寸、厚度、均勻性標準等）相關聯。製程控制器408可以協調預防性維護程序（例如腔室清潔）、腔室恢復程序（例如腔室季化）等的執行以使腔室回到生產狀態，和/或對與處理腔室相關聯的製程操作的更新。此外，製程控制器408還可以導致對與製程工具404或計量系統410相關聯的感測器的校準的更新。

如 圖 4所示，計量系統410包括計量工具414和資料準備工具416。計量工具414可以包括各種感測器，以量測製程結果（例如臨界尺寸、厚度、均勻性等）並偵測製造系統402內的參數。在一些實施例中，計量工具414包括一個或多個光學感測器，如 圖 2-3所述。在一些實施例中，計量工具414包括感測器，用於量測處理腔室的內表面上的材料厚度。計量工具414可以包括用於執行聯機計量的工具，並且可以包括OWPS。計量工具414可以包括多個感測器來偵測處理腔室的環境條件。例如，設置在一個或多個處理腔室內的感測器可以用於量測處理腔室內的條件，如溫度、壓力、真空條件、沉積層厚度和類似條件。在另一個實例中，設置在處理腔室內的感測器可以用於量測沿處理腔室壁的表面沉積的製程產物的厚度。計量工具414還可以包括用於量測使用製造系統處理的基板的製程結果的設備。例如，可以評估依據製程配方和/或由製程控制器408執行的動作來處理的基板的諸如臨界尺寸、厚度量測（例如來自蝕刻、沉積等的薄膜層）之類的製程結果。在另一個實例中，各種感測器可以在一個製程操作中量測腔室的條件。

資料準備工具416可以包括用於抽取特徵和/或產生與由計量工具414測得的資料相關聯的合成/工程設計（engineered）資料的製程方法學。在一些實施例中，資料準備工具416可以識別計量或製程效能資料的相關性、模式或異常。例如，資料準備工具416可以執行特徵抽取，其中資料準備工具416使用測得資料的組合來決定一個標準是否被滿足。例如，資料準備工具416可以分析相關聯的參數（例如，溫度、壓力、沉積層厚度、真空條件、電漿條件、製程產物厚度等）的多個資料點，以決定在製程操作的迭代期間是否發生快速變化。在一些實施例中，資料準備工具416在與各種製程腔室條件相關聯的各種感測器資料之間執行正規化。正規化可以包括處理傳入的感測器資料，使其在用於獲取該資料的各種腔室和感測器之間顯得相似。資料準備工具416可以基於計量工具414收集的資料產生一個無因次的值。具體而言，資料準備工具416可以決定與沉積在處理腔室壁的表面上的製程產物薄膜層的特徵（例如，厚度）對應的無因次的值。

在一些實施例中，資料準備工具416可以對計量資料（其例如由計量工具414獲得）執行製程控制分析、單變量極限違反分析或多變量極限違反分析中的一者或多者。例如，資料準備工具416可以藉由採用基於統計的方法學執行統計製程控制（SPC），以監測和控制製程控制器408。例如，SPC可以促進製程操作的效率和準確度（例如藉由識別落在控制限值之內和/或之外的資料點）。

在一些實施例中，可以在整個製程操作中量測處理腔室的狀態。例如，在製程操作期間（例如，在製程配方操作期間、在清潔操作期間等），沉積在處理腔室的內壁上的製程產物的厚度可以被量測。在一些實施例中，在預定的處理操作期間截取增加的計量資料量。例如，在晶圓被處理的期間或緊接在其之後，可以啟動額外的感測器，和/或目前啟動的感測器可以截取額外的資料。在一些實施例中，製程控制器408可以基於要由製程工具404執行的操作由計量工具414觸發量測。例如，製程控制器408可以響應於對與製程相關聯的一個或多個參數的更新而觸發一個或多個感測器（例如，計量工具414的感測器）的啟動。在另一個實例中，製程控制器408可以觸發WOPS的啟動，以量測製程薄膜層的光學性質，這些光學性質可以表明處理腔室壁的內表面上的製程薄膜層的厚度。

在一些實施例中，抽取的特徵、產生的合成/工程設計資料和統計分析可以與建模系統470聯合使用（以例如訓練、驗證和/或測試模型490）。附加性和/或替代性地，資料準備工具416可以向伺服器420輸出資料，以由腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的任一者使用。

資料儲存器440可以是記憶體（例如隨機存取記憶體）、驅動器（例如硬碟機、快閃碟）、資料庫系統，或能夠儲存資料的另一種類型的部件或設備。資料儲存器440可以儲存一個或多個歷史資料442，包括先前腔室條件的歷史感測器資料444、歷史腔室值資料446和/或歷史腔室更新資料447，以及在相關聯的腔室條件下處理的基板的製程結果。在一些實施例中，歷史腔室值資料446包括歷史正規化腔室值資料。在一些實施例中，歷史感測器資料444包括來自OWPS的歷史資料。歷史感測器資料444可以包括光學光譜資料，其表明沿著處理腔室壁的內表面沉積的製程薄膜層的厚度。在一些實施例中，歷史腔室更新資料447可以包括對與處理腔室相關聯的一個或多個製程操作的歷史更新。例如，歷史腔室更新資料447可以包括對與處理腔室相關聯的一個或多個製程操作作出的歷史更新（例如清潔配方更新、蝕刻配方更新、沉積配方更新等），這些歷史更新是基於歷史腔室值資料446作出的。在一些實施例中，歷史腔室更新資料447可以映射到歷史腔室值資料446。在一些實施例中，歷史資料442可以用於訓練、驗證和/或測試建模系統470的模型490（例如見 圖 8的示例性方法學）。

伺服器420可以包括一個或多個計算設備，例如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等。伺服器420可以包括腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428。

腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428中的每一者都可以從資料準備工具416接收資料。腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428中的每一者都可以從資料準備工具416接收腔室值資料。腔室值資料可以與處理腔室的條件相關聯。在一些實施例中，腔室值資料表明沉積在處理腔室的內表面上的製程產物的厚度。腔室值資料可以對應於沿處理腔室壁的內表面沉積的製程產物的量或特性。腔室值資料可以表明在製程操作（例如清潔操作、沉積操作、蝕刻操作等）期間添加到處理腔室的內表面或從該內表面移除的製程產物的薄膜厚度的淨增或淨減。

在一些實施例中，腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428中的每一者從製程工具404接收腔室資料和/或從資料準備工具416接收經處理的資料輸出。在一些實施例中，資料準備工具416從計量工具414接收原始感測器資料。原始感測器資料可以與來自資料準備工具416的經工程設計的合成資料相結合。腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428中的每一者都可以產生對一個或多個製程程序406的更新，和/或可以產生表明腔室匹配、腔室漂移、異常等的報告/通知。更新和/或報告或通知可以基於腔室值資料。

在一個實例中，腔室匹配工具422可以基於腔室值資料決定對第一製程腔室的製程操作的更新，以導致在第一製程腔室上執行的製程操作與在第二製程腔室上執行的對應製程操作更緊密地匹配。腔室匹配工具422的其他細節將參考 圖 6C的流程600C進行論述。

在另一個實例中，感測器匹配工具424可以基於腔室值資料，決定對與處理腔室相關聯的一個或多個感測器的校準。此外，感測器匹配工具424還可以基於腔室值資料，決定考慮到感測器漂移的感測器校準。感測器匹配工具424的其他細節將參考 圖 6B的流程600B進行論述。

在另一個實例中，配方開發工具426可以基於腔室值資料決定對製程配方的更新。具體而言，配方開發工具426可以基於腔室值資料，決定對一個或多個製程參數（例如運行時間、清潔時間、製程旋鈕等）的更新，以最佳化製程配方（例如製程操作）。在一個實施例中，配方開發工具426基於腔室值資料決定對清潔配方的更新，該清潔配方被定期執行以清潔製程腔室。在一個實例中，配方開發工具426的其他細節將參考 圖 6A的流程600A進行論述。

作為另一個實例，製程控制工具428可以基於腔室值資料，決定對製程操作的終點（例如腔室清潔操作的終點）的更新。製程控制工具428的其他細節將參考 圖 6D的流程600D進行論述。

對製程程序的更新可以改變製程工具404實施製程程序406的方式。例如，更新可以包括增加或減少製程程序406的一個或多個製程操作的製程時間。例如，更新可以增加或減少腔室清潔操作的持續時間。在一些實施例中，腔室匹配工具422、感測器匹配工具424、配方開發工具426和製程控制工具428中的每一者都可以使用模型（例如建模系統470的模型），該模型接收輸入資料，例如來自製程工具404的腔室資料，和/或來自資料準備工具416的經處理的資料輸出，並輸出對製程程序406的一個或多個更新。正如後面將論述的那樣，該模型可以是機器學習模型，並且可以包括引導聚集（bootstrap aggregation）模型、隨機森林樹決策樹模型、偏最小平方迴歸（PLS）模型、最小絕對收縮和選擇運算子（LASSO）迴歸模型和/或脊迴歸模型等模型。該模型可以包括系集建模，其包括多個模型（例如堆疊建模），並利用較高置信度的模型對收到的資料進行最終分類。此外，該模型可以包括線性模型、動態模型、數位模型、機械模型、統計模型、基於物理學的模型、數位孿生模型等。

如前所述，在一些實施例中，腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的每一者都可以使用機器學習模型執行其所述的方法學。在一些實施例中，腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的每一者都可以使用傳統模型和/或基於物理的模型（例如，數位孿生體）來執行其所述的方法學。相關聯的模型可以使用建模系統470來產生（例如訓練、驗證和/或測試）。以下對建模系統470的示例性描述將在使用建模系統470來產生與腔室匹配工具422相關聯的模型490的背景下描述。然而，應該指出的是，這種描述純粹是示例性的。類似的處理層次結構和方法學可以用於產生和執行與腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的每一者相關聯的單獨和/或相互結合的模型，正如將聯合其他實施例進一步論述的那樣。

建模系統470可以包括一個或多個計算設備，例如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等。建模系統470可以包括腔室值部件494。在一些實施例中，腔室值部件494可以使用歷史資料442基於腔室值資料來決定更新（例如對製程程序（例如製程程序406）的一個或多個製程參數的更新）。在一些實施例中，腔室值部件494可以使用模型490來決定更新。在某些實施例中，模型490是經訓練的機器學習模型。模型490可以使用歷史資料來決定更新。

在一些實施例中，模型490被儲存在伺服器機器492和/或伺服器420上。伺服器機器480和/或伺服器機器492可以儲存最近訓練的一個或多個機器學習模型（以例如執行模型效能管理）。例如，在一段時間內（例如過去6個月）訓練一個或多個模型可以儲存在伺服器機器492中，用於預測腔室條件的一個或多個最終模型可以儲存在伺服器420（其例如可以與腔室匹配工具422一起操作）上。

在一些實施例中，建模系統470進一步包括伺服器機器472和伺服器機器480。伺服器機器472和480可以是一個或多個計算設備（例如機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦等）、資料儲存器（例如硬碟、記憶資料庫）、網路、軟體部件或硬體部件。

伺服器機器472可以包括資料集產生器474，它能夠產生資料集（例如一組資料輸入和一組目標輸出集合）以訓練、驗證或測試模型。資料集產生器474可以將歷史資料442劃分為訓練集（例如百分之六十的歷史資料，或歷史資料的任何其他部分）、驗證集（例如百分之二十的歷史資料，或歷史資料的某個其他部分），以及測試集（例如，百分之二十的歷史資料）。在一些實施例中，腔室值部件494產生多組訓練資料。例如，一組或多組訓練資料可以包括每個資料集（例如訓練集、驗證集和測試集）。

伺服器機器480包括訓練引擎482、驗證引擎484和測試引擎486。訓練引擎482能夠使用（資料儲存器440的）歷史資料442的一個或多個歷史感測器資料444、歷史腔室值資料446和/或歷史腔室更新資料447來訓練引擎490。在一些實施例中，模型490可以使用資料準備工具416、腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428的一個或多個輸出來訓練。例如，模型490可以是混合式機器學習模型，它使用感測器資料和/或機械學特徵，例如特徵抽取、機械學建模和/或統計建模（例如使用資料準備工具416）。訓練引擎482可以產生多個經訓練的模型490，其中每個經訓練的模型490與每個訓練集的相異的一組特徵對應。

驗證引擎484可以基於每個訓練集的對應的一組特徵來決定經訓練的模型490中的每一者的準確度。驗證引擎484可以丟棄準確度不滿足閾值準確度的經訓練的模型490。測試引擎486可以基於測試集（以及可選的驗證集）來決定具有所有經訓練的模型中最高的準確度的經訓練的模型490。

模型490可以指由訓練引擎482使用訓練集創建的模型，該訓練集包括資料輸入和對應的目標輸出（與目標輸入相關聯的參數下的處理腔室的歷史結果）。可以找出資料集中將資料輸入映射到目標輸出的模式（例如，識別部分的感測器資料和/或腔室值資料與腔室製程更新之間的聯繫），模型490被提供捕捉這些模式的映射。模型490可以使用邏輯迴歸、語法分析、決策樹或支援向量機（SVM）中的一者或多者。在一些實施例中，機器學習可以由單層的線性或非線性操作組成（例如SVM）和/或可以是或包括神經網路。

腔室值部件494可以提供當前資料（例如表明處理腔室的內表面上的材料厚度的當前感測器資料）作為對模型490的輸入，並且可以對輸入運行模型490，以獲得包括表明對一個或多個製程程序406的更新的一組值的一個或多個輸出。

為了說明而不是限制的目的，本揭示內容的各態樣描述了使用與歷史資料442有關的資訊來進行模型的訓練和模型的使用。在其他的實施方式中，可以使用試探法模型或基於規則的模型來決定製程操作更新。

在一些實施例中，客戶端設備450、伺服器420、資料儲存器440和建模系統470的功能可以由比 圖 4所示更少數量的機器提供。例如，在一些實施例中，伺服器機器472和480可以被整合成單個機器，而在一些其他的實施例中，伺服器機器472、480和492可以被整合成單個機器。在一些實施例中，建模系統470可以完全或部分地由伺服器420提供。

一般而言，在一個實施例中描述為由客戶端設備450、資料儲存器440、計量系統410、製造系統402和建模系統470執行的功能，在其他的實施例中亦可以視情況在伺服器420上執行。此外，歸因於特定部件的功能性還可以由一起操作的不同部件或多個部件所執行。

在一些實施例中，「使用者」可以被表示為單個個人。然而，本揭示內容的其他實施例包含是由多個使用者和/或自動來源控制的實體的「使用者」。例如，聯合作為管理員群組的一組個人使用者可以被視為「使用者」。

圖 5A-E是與使用用於處理腔室的光學感測器相關聯的方法500A-E的流程圖。 圖 5A是依據一些實施例，用於基於腔室壁值決定製程操作更新的方法500A的流程圖。方法500A-E可以藉由處理邏輯來執行，該處理邏輯可以包括硬體（例如電路系統、專用邏輯、可程式化邏輯、微代碼、處理設備等）、軟體（例如運行於處理設備、通用電腦系統或專用機器上的指令）、韌體、微代碼或其組合。在一些實施例中，方法500A-E可以部分地由 圖 4的建模系統470（例如 圖 4的伺服器機器472、伺服器機器480和伺服器機器492）執行。依據本揭示內容的實施例，建模系統470可以使用方法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個操作。方法500A-E可以由伺服器機器480（例如訓練引擎482等）執行。方法500A-E可以由伺服器機器492（例如腔室值部件494）執行。在一些實施例中，方法500A-E可以由伺服器420（例如腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的一者或多者）執行。在一些實施例中，非暫時性儲存媒體儲存有指令，該等指令當由處理設備（例如建模系統470的處理設備、伺服器機器480的處理設備、伺服器機器492的處理設備、伺服器420的處理設備等）執行時，導致處理設備執行方法500A-E。

為便於解釋，方法500A-E被描繪和描述成一系列的操作。然而，依據本揭示內容的操作可以以各種順序和/或並行地發生，並且與本文未提出和描述的其他操作一起發生。此外，不執行所有示出的操作亦能實施依據所揭露的主題的方法500A-E。此外，本領域的技術人員將瞭解並理解，方法500A-E可以替代性地經由狀態圖或事件被表示為一系列相互關聯的狀態。

參考 圖 5A，在方法500A的方塊502處，處理設備可以接收表明與第一處理腔室對應的壁的狀態的第一感測器資料。該壁可以是第一處理腔室的內壁。在一些實施例中，該壁是第一處理腔室的襯墊。在一些實施例中，第一感測器資料包括表明第一處理腔室的壁的狀態的光學光譜資料。該光學光譜資料可以來自OWPS。該光學光譜資料可以包括表明沉積在第一處理腔室壁上的薄膜的厚度和/或薄膜的其他特性的薄膜干涉資料。在一些實施例中，感測器資料表明沉積在處理腔室的內壁（例如襯墊）上的製程薄膜層的厚度。製程薄膜層可以是第一製程操作的沉積副產物（例如沉積操作、蝕刻操作等的副產物）。感測器資料可以表明處理腔室的內部的條件（例如清潔度條件）。例如，表明第一處理腔室壁上的製程薄膜層的厚度的感測器資料亦可以表明沉積在第一處理腔室的一個或多個其他內表面上的製程薄膜層的厚度。

在方塊504處，處理設備可以基於第一感測器資料決定第一值。第一值可以是表明製程薄膜層的厚度的無因次值。在一些實施例中，第一值是表明在第一時間沉積在第一處理腔室的內壁上的製程薄膜層的厚度的第一指數。在一些實施例中，第一值表明製程薄膜層的厚度。例如，第一值可以與在第一製程操作之前沉積在第一處理腔室壁上的製程薄膜層的厚度對應。在一些實施例中，第一值可以與沿著壁表面沉積的產物（例如製程薄膜層）的第一量對應。在一些實施例中，第一值表明沉積在第一處理腔室的一個或多個內表面上的製程薄膜層的厚度趨勢。作為一個實例，較大的第一值可以表明較厚的製程薄膜層，而較小的第一值可以表明較薄的製程薄膜層。第一值可以進一步表明第一處理腔室的狀態。

在方塊506處，處理設備可以基於第一值，決定對與第一處理腔室相關聯的第一製程操作的第一更新。在一些實施例中，第一製程操作是製程程序（例如 圖 4的製程程序406）。在一些實施例中，第一更新可以是對清潔配方、沉積配方或蝕刻配方等中的一者或多者的持續時間的更新。在一些實施例中，第一更新可以是對分別與沉積配方或蝕刻配方相關聯的沉積速率或蝕刻速率的更新。在一些實施例中，第一更新可以是對第一製程操作的製程旋鈕的更新。在一些實施例中，進行第一更新是為了與（例如 圖 4的製程程序406的）目標製程程序更緊密地匹配。在一些實施例中，第一更新是維護程序（例如預防性維護程序、反應性維護程序等）。在一些實施例中，第一更新是由使用者實現的（例如替換腔室部件）。

在一些實施例中，可以使用光學感測器資料跟蹤腔室的狀態。在一些實施例中，表明塗層狀態的指數（例如CWI）可以表明腔室的狀態。在一些實施例中，指數可以由包括光學感測器資料的資料產生，例如腔室狀態指數。指數隨時間的演變可以表明部件的漂移或老化、腔室效能的漂移等。

在一些實施例中，接收和儲存處理一隊腔室的光學資料（和/或基於光學資料的資料）可以實現機隊範圍的離群偵測、工具匹配、一致性評估等。在一些實施例中，目標處理條件可以在一隊腔室中是相同的。光學資料可以用於使不同腔室中的處理條件均勻化。在一些實施例中，來自一隊腔室的光學資料可以提供給配置為偵測離群值的經訓練的機器學習模型。這種模型可以與配置為偵測異常的機器學習模型有共同的特徵，如上所述。在一些實施例中，偵測離群的腔室可以包括將從腔室接收的光學資料與歷史光學資料進行比較。在一些實施例中，離群的腔室可能會產生與其他腔室一致的光學資料，但其他資料可能不同（例如可以運行清潔程序更長時間，以實現相同的光學結果）。可以啟動改正動作，例如排程維護、向使用者提供警報等。

在一些實施例中，可以使用多變量方法，例如用於異常偵測、標記離群值等。在一些實施例中，光譜資料可以與其他資料（例如其他感測器資料，例如壓力資料、溫度資料等，和/或晶圓資料，例如聯機或原位計量資料等）相結合。在一些實施例中，光譜資料、基於光譜資料的一個或多個指數、計量資料和/或感測器資料可以供應給機器學習模型。機器學習模型可以被配置為接收表明處理條件、處理品質、腔室效能等的資料作為輸入，並產生對腔室的表現是否與機隊中的其他腔室類似（例如表現沒有異常）的指示作為輸出。在一些實施例中，基於光譜資料的資料可以包括對光譜資料執行的操作，例如基於光譜資料的指數的導數、特定波長下的光譜斜率、平均值或中值等。

在方塊508處，處理設備可以準備表明第一更新的通知以在GUI上呈現。在一些實施例中，通知被準備為由使用者（例如工程師、操作員、技術人員等）經由GUI檢視。在方塊508處，處理設備可以導致依據第一更新執行第一製程操作。例如，處理設備可以導致依據第一更新運行第一製程操作。作為一個具體的實例，處理設備可以導致處理腔室依據經更新的持續時間執行清潔操作。

可選地，在方塊510處，處理設備可以基於第一值，決定對與OWPS對應的感測器增益值或感測器偏移值中的至少一者的更新。處理設備可以基於第一值決定與OWPS對應的校準值。例如，處理設備可以基於第一值決定來自OWPS的感測器資料已隨時間漂移，並且可以基於第一值決定對OWPS增益值和/或偏移值的更新。在一些實施例中，處理設備可以基於第一值，決定對與第一處理腔室的一個或多個感測器對應的感測器增益值或感測器偏移值中的至少一者的更新。處理設備可以基於第一值，決定針對第一處理腔室的一個或多個感測器的一個或多個校準值。

在一些實施例中，可以執行基線化程序，以識別和/或改正光學感測器漂移。基線化程序可以定期執行，例如以固定的時間量、固定的處理基板數等為間隔。在一些實施例中，基線化程序可以以目標頻率執行。在一些實施例中，光學感測器佈置的性質可能會隨時間變化。例如，OWPS感測器的透明視窗可能會被侵蝕、發生組成變化等。可以執行基線化，以考慮到感測器組件的行為變化。基線化可以藉由在乾淨、閒置的腔室中（例如當處理操作沒有發生時）產生光譜資料來執行。基線光譜可以用於將在處理基板的期間由OWPS系統收集的光譜歸零（例如藉由從收集到的光譜減去基線光譜）。執行基線化操作的頻率可以基於腔室的預期用途、腔室的品質或效能、腔室的服務壽命（例如自腔室安裝以來的時間，自腔室安裝以來的運行時數，等等）或類似物來調整。在一些實施例中，基線量測可以用於決定光學感測器的基線響應（例如在沒有處理材料的情況下的響應）。基線資料可以用於改正從光學感測器接收的資料。

可選地，在方塊512處，處理設備可以基於第一感測器資料決定第二值。第二值可以與在第二時間沿著第一處理腔室壁的表面設置的產物的第二量對應。例如，第二值可以與在第一製程操作之後沉積在第一處理腔室壁上的製程薄膜層的厚度對應。在一個更具體的實例中，第二值可以與製程薄膜層在清潔操作之後的厚度對應。第一值和第二值的差異可以與第一製程操作期間製程薄膜層厚度的淨變化對應。

可選地，在方塊514處，處理設備可以決定與第一製程操作相關聯的製程速率。處理設備可以使用第一值和第二值決定製程速率。處理設備可以使用第一值與第二值之間的差異除以第一製程操作的持續時間，來決定製程速率。由處理設備決定的第一更新可以進一步基於製程速率來決定。作為一個實例，清潔操作可以基於清潔速率（例如製程速率）來更新，該清潔速率是基於製程薄膜層的開始厚度與製程薄膜層的結束厚度的差異除以清潔操作的持續時間來決定的。第一更新可以與基於清潔速率延長或縮短清潔操作持續時間對應。

圖 5B是依據一些實施例，用於將光學感測器資料用於啟動改正動作的執行的方法500B的流程圖。在方塊520處，處理邏輯從處理腔室的光學感測器接收第一資料。光學感測器可以是OWPS感測器。第一資料可以包括光譜資料。第一資料可以表明OWPS感測器組件（例如OSPS感測器組件的透明視窗）的表面上的塗層。在一些實施例中，第一資料可以在處理操作期間由光學感測器產生。在一些實施例中，第一資料可以在處理操作之間產生。

在方塊522處，處理邏輯處理第一資料以獲得第二資料。第二資料包括對腔室中的處理的內表面上的塗層的條件的指示。在一些實施例中，塗層的條件包括塗層的厚度。在一些實施例中，第二資料包括與塗層的條件有關的無因次參數，例如CWI指數。在一些實施例中，第一資料可以被處理，以考慮到光學效果，例如基線漂移、腔室內電漿效應等。在一些實施例中，可以獲得光學感測器組件（例如OWPS）的基線響應。在一些實施例中，基線化可以包括在處理腔室處於閒置模式時收集光學資料。在一些實施例中，可以考慮到發射性電漿的效應。在一些實施例中，可以在與光學感測器耦合的光源關閉時，以及在電漿正在處理腔室中產生時，收集光學感測器資料。在一些實施例中，電漿訊號和基線訊號可以用於改正從光學感測器接收的資料，例如藉由基線減除。

在一些實施例中，可以在處理腔室處於參考狀態（例如與一般處理條件不同的條件）時產生資料。可以在腔室處於參考狀態時收集感測器資料，以決定參考感測器響應。參考感測器響應可以用於改正或更新第一資料和/或第二資料。

在方塊524處，處理邏輯根據第二資料產生對處理腔室的處理操作的效能的指示。在一些實施例中，對效能的指示可以基於無因次指數（例如CWI指數）的值。在一些實施例中，處理操作可以是從處理腔室中的表面的塗層沉積或移除材料的操作，例如蝕刻操作、原子沉積操作等。在一些實施例中，處理操作可以是腔室清潔操作。在一些實施例中，產生對處理操作的效能的指示可以包括向經訓練的機器學習模型提供資料（例如光譜資料、CWI資料等）。機器學習模型可以使用歷史光學感測器資料（例如作為訓練輸入）來訓練。機器學習模型可能已經使用監督式學習來訓練（例如被提供有標記的訓練資料，例如表明品質分類、異常分類、歷史異常標籤資料等的訓練資料）。機器學習模型可能已經使用無監督式學習來訓練（例如被配置為執行聚類、異常偵測等）。

在方塊526處，處理邏輯根據對處理腔室的效能的指示導致改正動作的執行。在一些實施例中，改正動作可以包括以下一項或多項：向使用者提供警報（例如在圖形使用者介面上），更新處理操作配方（例如更新蝕刻配方、清潔配方或沉積配方的一個或多個步驟或操作），排程預防性維護，排程改正性維護，等等。在一些實施例中，更新配方可以包括更新處理操作的終點，例如若決定時間不足，則可以延長操作，可以縮短操作以增加腔室吞吐量，等等。

圖 5C是依據一些實施例，用於維持處理腔室的一致性的方法500C的流程圖。在方塊530處，處理邏輯從處理腔室的光學感測器接收第一資料。第一資料與處理腔室的第一操作相關聯。在一些實施例中，第一操作是改變腔室的內表面上的塗層的條件的操作，例如沉積或蝕刻操作。在一些實施例中，該操作是清潔操作，例如原位腔室清潔操作。在一些實施例中，處理邏輯接收複數個歷史資料，例如第一資料是與許多操作相關聯的許多光學資料中的一者。在一些實施例中，第一資料包括光譜資料。在一些實施例中，第一資料包括指數，例如CWI。在一些實施例中，第一資料表明光譜資料在整個處理操作中的演變，例如CWI值的時間蹤跡、時間蹤跡光譜值等。

在方塊532處，處理邏輯從處理腔室的光學感測器接收第二資料。第二資料與處理腔室的第二操作相關聯。在一些實施例中，第二資料與一個處理操作相關聯，該處理操作與第一資料的處理操作對應，例如在不同運行中、在不同的晶圓上等執行的相同配方的相同操作。第二資料可以包括與第一資料類似的特徵，例如可以包括光譜資料、資料經過時間的演變等。

在方塊534處，處理邏輯基於第一資料和第二資料，產生對處理腔室的效能的第一指示和第二指示。對效能的第一指示可以與第一處理操作的效能相關聯。對效能的第二指示可以與第二處理操作的效能相關聯。在一些實施例中，對效能的指示可以由機器學習模型產生，例如第二資料和/或第一資料可以提供給經訓練的機器學習模型，該經訓練的機器學習模型產生對效能的指示。在一些實施例中，機器學習模型可以被配置為基於光學感測器資料偵測離群值、異常值等。

在方塊536處，處理邏輯決定第一操作與第二操作之間的效能的一個或多個差異。在一些實施例中，效能的差異可以表明效能隨時間的漂移。在一些實施例中，考慮了複數個歷史效能資料。在一些實施例中，效能隨時間的演變可以表明效能的趨勢，例如在可能的歷史實例中的效能趨勢。在一些實施例中，可以執行多變量分析。光學感測器資料可以與其他感測器資料、製造參數、硬體資料、計量資料等一起使用，以決定處理操作的效能、腔室的效能、隨時間的效能漂移、隨腔室活動時數的效能漂移等。在方塊538處，處理邏輯導致基於效能資料的該一個或多個差異執行改正動作。改正動作可以包括更新處理配方，例如更新處理配方的終點條件（例如終點時間、目標終點感測器讀數等）。改正動作可以包括排程維護，例如排程替換一個部件，排程預防性維護，排程對一個子系統的進一步調查，等等。改正動作可以包括向使用者提供警報，例如經由使用者介面。

圖 5D是依據一些實施例，用於偵測和改正一隊處理腔室中的異常和/或不一致的方法500D的流程圖。在方塊540處，處理邏輯從第一處理腔室的光學感測器接收第一資料。第一資料可以包括光譜資料。第一資料可以包括經處理的資料，例如指數，例如CWI指數。第一資料可以表明處理腔室的內表面上的塗層的特性，例如塗層的厚度、塗層的組成等。在方塊542處，處理邏輯從第二處理腔室的光學感測器接收第二資料。第二資料可以與第一資料共用特徵。

在方塊544處，處理邏輯基於第一資料產生對第一腔室的效能的第一指示，並基於第二資料產生對第二腔室的效能的第二指示。對效能的指示可以包括表示腔室狀態的指數，例如無因次指數，例如CWI。對效能的指示可以納入額外的資料，例如產生可以包括多變量分析。在一些實施例中，表明腔室的光學條件的資料（例如OWPS感測器資料，表明處理腔室內的沉積薄膜的厚度和/或組成的資料，等等）可以提供給經訓練的機器學習模型，以產生對效能的指示。在一些實施例中，其他的感測器資料、計量資料、處理參數資料等亦可以供應給機器學習模型。經訓練的機器學習模型可以被配置為決定效能的差異，例如可以被配置為偵測離群值、異常值等。在一些實施例中，處理腔室的效能可以與複數個腔室的效能進行比較，例如一隊腔室中的異常效能可以被識別。處理腔室的效能可以與複數個處理腔室的歷史資料進行比較。

在方塊546處，處理邏輯決定第一處理腔室與第二處理腔室之間的效能（例如效能品質）的一個或多個差異。在一些實施例中，方塊546的操作可以藉由向經訓練的機器學習模型提供資料來完成。在一些實施例中，方塊546的操作可以藉由將一個處理腔室的資料與複數個其他腔室（例如包括第一處理腔室的複數個腔室）的平均值、中值、範圍等進行比較來執行。

在方塊548處，處理邏輯導致基於第一處理腔室和第二處理腔室的效能之間的該一個或多個差異執行改正動作。在一些實施例中，可以選擇改正動作以改變第二處理腔室的效能。在一些實施例中，改正動作可以改變第二處理腔室的效能，使得與第二處理腔室的未改變的效能相比，第二處理腔室的經改變的效能與第一處理腔室的效能更相似。在一些實施例中，第二腔室的效能可以與第一腔室匹配。改正動作可以包括更新製程配方。在一些實施例中，可以更新與光學感測器資料相關聯的製程配方。例如，可以調整製程時間、處理溫度或壓力、氣體流量等，以使第二腔室的效能與第一腔室的效能更緊密一致。在一些實施例中，可以更新與光學感測器資料相關聯的製程以外的製程。例如，可以更新清潔程序配方，並且更新清潔程序可以影響第二腔室的處理配方（例如基板處理程序）的效能。

圖 5E是依據一些實施例，用於利用隨時間收集的光學感測器資料的方法500E的流程圖。在方塊550處，處理邏輯接收第一感測器資料。第一感測器資料包括光學資料，例如來自OWPS的資料。第一資料表明第一處理腔室的壁的狀態。在方塊552處，處理邏輯接收第二感測器資料。第二感測器資料可以具有與第一感測器資料類似的特徵。方塊550和552的操作可以與 圖 5A的方塊502的操作共用特徵。

在方塊554處，處理邏輯將第一感測器資料與第二感測器資料進行比較。在一些實施例中，第一感測器資料可以包括歷史感測器資料。在一些實施例中，可以根據歷史資料來決定改正動作。許多處理運行的歷史光學感測器資料（例如由OWPS產生的光譜資料）可以被記錄並儲存（例如作為第一感測器資料）。在一些實施例中，可以利用從同一處理腔室、從執行同一配方的處理運行、從共用目標最終產品的處理運行等收集的歷史資料。第二感測器資料（例如根據OWPS感測器資料導出的當前的無因次值）可以與歷史光學感測器資料進行比較。在一些實施例中，可以利用統計分析進行異常偵測——例如可以決定與OWPS感測器資料相關聯的無因次值是否落在閾值（例如與歷史資料的平均值相差三個標準差）之外。在一些實施例中，機器學習模型可以使用歷史光學資料（例如光譜資料、基於光譜資料產生的參數等）來訓練。機器學習模型可以被配置為接受當前資料（例如表明沉積在腔室壁上的襯裡的條件的光譜資料）作為輸入，並產生對與輸入資料相關聯的處理運行是否可能異常（例如生產不滿足效能閾值的產品，等等）的指示作為輸出。在一些實施例中，機器學習模型可以經由無監督式學習來訓練（例如在沒有明確標記的情況下被產生為決定輸入資料是否與歷史資料相似）。在一些實施例中，機器學習模型可以使用監督式學習來訓練（例如在標有分類標籤的資料上進行訓練，例如將資料標記為與可接受的產品相關聯，將資料標有具體異常原因進行異常原因分類，等等）。

在一些實施例中，可以隨著時間的推移（例如在許多基板的處理過程中，在長的腔室運行時間中，在長的射頻時數中，等等）監測與光學感測器相關聯的資料。在一些實施例中，可以利用光學資料以保持運行與運行之間的一致性，例如可以調整製程參數以補償處理裝備部件的漂移、老化等。運行與運行之間的一致性操作可以與上述（例如與 圖 5A的方塊506結合描述）的異常偵測操作共用特徵。運行與運行之間的一致性操作可以包括統計計算、向機器學習模型提供當前感測器資料等。在一些實施例中，可以隨著時間的推移跟蹤腔室的條件，並且可以更新製程操作（例如製程配方）以保持腔室的一致性。在一些實施例中，跟蹤處理條件、配方（例如為保持一致的處理條件而作出的改變）等的變化可以使人們能夠瞭解隨時間變化的腔室效能、即將執行的維護等。在一些實施例中，隨著時間的推移監測來自腔室的資料可以包括監測光譜資料和/或監測指數資料，例如設計為基於光譜資料代表塗層、腔室等的品質的值。在一些實施例中，評估隨時間變化的效能可以包括評估在製程結束時產生的資料，例如與製程結束時的光譜資料有關的壁指數值（CWI值）。在一些實施例中，評估隨時間變化的效能可以包括評估整個製程中產生的資料，例如壁指數值在整個製程中的演變。在一些實施例中，可以利用OWPS資料以決定對製程配方的更新是否具有預期的效果，例如更新是否改正了處理故障。在一些實施例中，可以隨著時間的推移跟蹤一個或多個其他值，例如光譜資料或指數的導數或斜率、高階導數、隨時間變化的平均值（例如處理操作中的平均值）等。

在一些實施例中，可以分析來自幾個處理操作（例如在一段時間內執行的處理運行）的資料。在一些實施例中，可以隨著時間的推移跟蹤資料（例如可以在多個處理運行中跟蹤諸如CWI之類的指數）。製程的效能可以與被跟蹤的光學資料相關，例如蝕刻速率可以與CWI值相關。可以基於被跟蹤的光學資料偵測腔室、製程、機隊等的漂移。可以根據隨著時間的推移偵測到的漂移採取改正動作。例如，可以在清潔程序期間產生OWPS資料。可以隨著時間的推移（例如在一些清潔程序運行中）跟蹤在清潔程序結束時收集的OWPS資料。可以偵測OWPS資料的漂移（例如藉由計算與隨著時間的推移繪製的OWPS資料相關聯的指數的斜率，藉由計算指數值之間隨時間變化的差異，等等）。一個製程可以由於漂移偵測而被調整，例如清潔程序終點可以被調整。在一些實施例中，可以調整程序，以提供改進的結果，例如可以延長清潔程序以進行更徹底的清潔。在一些實施例中，可以調整程序，以提供改進的效率，例如可以縮短清潔程序，以增加吞吐量、減少費用等。

圖 6A-D是依據一些實施例，與決定基於腔室壁值更新的製程操作相關聯的流程600A-D的流程圖。方法600A-D可以藉由處理邏輯來執行，該處理邏輯可以包括硬體（例如電路系統、專用邏輯、可程式化邏輯、微代碼、處理設備等）、軟體（例如運行於處理設備、通用電腦系統或專用機器上的指令）、韌體、微代碼或其組合。在一些實施例中，流程600A-D可以部分地由 圖 4的建模系統470（例如 圖 4的伺服器機器472、伺服器機器480和伺服器機器492）執行。流程600A-D可以由伺服器機器480（例如訓練引擎482等）執行。流程600A-D可以由伺服器機器492（例如腔室值部件494）執行。在一些實施例中，流程600A-D可以由伺服器420（例如腔室匹配工具422、感測器匹配工具424、配方開發工具426和/或製程控制工具428中的一者或多者）執行。在一些實施例中，非暫時性儲存媒體儲存有指令，該等指令當由處理設備（例如建模系統470的處理設備、伺服器機器480的處理設備、伺服器機器492的處理設備、伺服器420的處理設備等）執行時，導致處理設備執行流程600A-D。

參考圖6A，顯示了用於更新腔室清潔配方的流程600A。流程600A可以由 圖 4的配方開發工具426執行。在一些實施例中，在方塊602處，（例如配方開發工具426的）處理設備可以接收OWPS資料。OWPS資料可以表明沉積在處理腔室壁的內表面上（例如處理腔室襯墊上）的製程薄膜層的一個或多個光學薄膜性質。OWPS資料可以表明沉積在處理腔室的內壁（例如襯墊）上的製程薄膜層的厚度。處理設備可以在方塊604處決定沉積在壁上的薄膜的第一特性。在一些實施例中，處理設備可以決定薄膜的厚度。在一些實施例中，處理設備可以決定薄膜的化學組成。在一些實施例中，處理設備可以決定薄膜的化學佈置或封裝幾何形狀（例如晶體結構、分子或原子堆積結構等）。在一些實施例中，處理設備可以決定薄膜的另一個性質。處理設備可以決定製程薄膜層在製程操作之前的特性。處理設備可以決定表明製程操作之前的製程薄膜層特性的第一無因次值。在一些實施例中，可以在腔室清潔操作之前決定第一無因次值。

在方塊608處，處理設備可以導致處理操作的啟動。在一些實施例中，啟動的處理操作可以包括清潔製程、蝕刻製程、沉積製程等。

在處理操作之後，在方塊610處，處理設備可以決定處理腔室壁上的薄膜的第二特性，例如薄膜在第二時間的特性。處理設備可以決定表明處理操作之後的製程薄膜層特性的第二無因次值。處理設備可以基於處理操作之後從OWPS接收的感測器資料決定第二值。

在方塊612處，處理設備可以決定閾值製程層特性是否已被滿足。在一些實施例中，閾值製程層特性包括臨界壁厚。在一些實施例中，閾值製程層特性包括目標化學組成。處理設備可以基於第一無因次值和第二無因次值的比較作出決定。作為一個實例，處理設備可以決定處理腔室是否已被清潔，使得處理腔室壁上的製程薄膜層的厚度低於預定值（例如臨界壁厚）。若閾值厚度還沒有被滿足，則處理設備可以導致額外的腔室清潔（方塊608）。若閾值厚度已被滿足，則處理設備可以在方塊614處導致清潔配方被更新（例如基於任何額外的清潔時間等）。在清潔製程已被更新之後，處理設備可以導致處理腔室被釋放到生產模式。儘管流程600A的操作是參考腔室清潔操作來描述的，但本領域的普通技術人員可以理解，流程600A亦可以應用於任何腔室製程操作，例如沉積製程、蝕刻製程等。

參考 圖 6B，顯示了用於校準處理腔室的感測器的流程600B。流程600B可以由 圖 4的感測器匹配工具424執行。可以執行流程600B，以考慮到隨時間變化的感測器漂移。在一些實施例中，在方塊602處，（例如 圖 4的感測器匹配工具424的）處理設備可以接收OWPS資料。OWPS資料可以表明沉積在處理腔室壁的內表面上（例如處理腔室襯墊上）的製程薄膜層的一個或多個光學薄膜性質。OWPS資料可以表明製程薄膜層的厚度、製程薄膜層的化學組成等。在方塊624處，處理設備可以決定沉積在處理腔室壁上的薄膜的特性。該特性可以與沉積在表面上的材料量、表面上的薄膜厚度、薄膜的化學組成或薄膜的另一個特性對應。在一些實施例中，薄膜的厚度可以根據表明沉積在感測器附近的材料量的資料來決定。處理設備可以在方塊626處決定表明製程薄膜層特性的無因次值。處理設備可以在方塊628處使用無因次值來校準與處理腔室相關聯的一個或多個感測器。該一個或多個感測器可以包括處理腔室的OWPS，但是亦可以包括處理腔室的其他感測器、與一個或多個其他製程腔室相關聯的感測器等。對感測器的校準可以包括基線減除、百分比響應或另一種功能調整、參數相依調整（例如波長相依調整）等。由處理設備校準感測器可以是對由製程薄膜層在處理腔室的一個或多個內表面上的累積導致的感測器漂移和/或製程漂移的響應。

參考圖6C，顯示了用於更新腔室製程配方的流程600C。流程600C可以由 圖 4的腔室匹配工具422執行。在一些實施例中，在方塊630處，（例如 圖 4的腔室匹配工具422的）處理設備可以接收與第一處理腔室對應的第一OWPS資料。在方塊632處，處理設備可以基於第一OWPS資料決定第一無因次值。第一無因次值可以表明沉積在第一處理腔室的內壁（或其他內表面）上的薄膜的製程薄膜層特性。在方塊634處，處理設備可以接收與第二處理腔室對應的第二OWPS資料。處理設備可以在方塊636處基於第二OWPS資料決定第二無因次值。第二無因次值可以表明沉積在第二處理腔室的內壁上的薄膜的製程薄膜層特性。在一些實施例中，處理設備可以藉由資料正規化操作將第一無因次值和第二無因次值正規化。對第一無因次值和第二無因次值的正規化可以是基於由第一處理腔室和/或第二處理腔室中製程材料的堆積（例如製程薄膜層的厚度增加）導致的製程漂移。

在方塊638處，處理設備可以基於第一無因次值和第二無因次值更新與第一處理腔室相關聯的製程配方（例如 圖 4的製程程序406）。在一些實施例中，處理設備可以基於經正規化的第一無因次值和/或經正規化的第二無因次值更新製程配方。基於第一無因次值和第二無因次值更新與第一處理腔室相關聯的製程配方可以將第一處理腔室匹配到或調整為第二處理腔室。基於第一無因次值和第二無因次值更新與第一處理腔室相關聯的製程配方可以被包括在用於匹配第一腔室和第二腔室的腔室匹配程序中。在一些實施例中，可以調整製程配方設定點，例如溫度、壓力、氣體流量等。在一些實施例中，可以調整製程配方操作持續時間，例如調整終點或過渡點。

參考 圖 6D，顯示了用於更新腔室製程配方終點的流程600D。流程600D可以由 圖 4的製程控制工具428執行。在一些實施例中，在方塊602處，（例如 圖 4的製程控制工具428的）處理設備可以接收表明沉積在處理腔室壁的內表面上（例如處理腔室襯墊上）的製程薄膜層的一個或多個光學薄膜性質的OWPS資料。OWPS資料可以表明製程薄膜層的厚度、製程薄膜層的化學組成、製程薄膜層的結構或堆積佈置等。

在方塊624處，處理設備可以決定沉積在處理腔室壁上的薄膜的特性。該決定可以基於OWPS資料。在一些實施例中，處理設備在方塊626處決定表明製程薄膜層的厚度的無因次值。無因次值可以是薄膜的一個或多個特性的目標值的比率、百分比等。在一些實施例中，無因次值可以表明製程薄膜層的可允許厚度（例如臨界壁厚）的百分比厚度。處理設備可以根據無因次值更新製程操作配方。處理設備可以在方塊648處基於無因次值更新製程配方終點（例如清潔配方終點、沉積配方終點、蝕刻配方終點等）、一個或多個配方處理參數（例如溫度、壓力、氣體流量等）、一個或多個硬體參數（例如內部部件的放置）。對製程配方的製程更新可以與目標製程配方終點條件相關。例如，對製程配方的更新可以與製程配方在製程薄膜層厚度處於（例如，高於或低於）預定值（例如，臨界壁厚）的某一點結束相關。在一些實施例中，對製程配方的更新導致製程配方在製程薄膜層特性達到臨界值之前（例如，在薄膜層達到臨界壁厚之前）結束。在一些實施例中，對製程配方的更新導致製程配方在製程薄膜層特性低於臨界值後結束。

圖 7是依據本揭示內容的各種態樣，使用製程腔室壁上（例如透明薄膜（例如 圖 3的透明薄膜307）上）覆蓋透明視窗（例如圖1的透明視窗120）的製程薄膜層的一個或多個光學薄膜性質來改進處理腔室內的處理的方法700的流程圖。方法700可以由處理邏輯所執行，該處理邏輯可以包括硬體（電路系統、專用邏輯等等）、軟體（其例如運行於通用電腦系統或專用機器上）、韌體或其某種組合。例如，方法700可以由控制器109（例如處理設備130）執行，因為這些部件在本文中被提及。在一些實施例中，各種基線或閾值（例如厚度變化或n和k的變化）可以在控制器109的記憶體134內針對特定的組成進行儲存和索引。這些值可以由現在論述的各種方法700藉由比較的方式使用。儘管以特定的序列或順序顯示，但除非另有指定，否則這些過程的順序是可以修改的。因此，所示的實施例應僅被理解為實例，並且所示的過程可以以不同的順序執行，並且一些過程可以並行執行。此外，在各種實施例中可以省略一個或多個過程。因此，並不是每個實施例中都需要所有的過程。其他的過程流程亦是可能的。

參考 圖 7，方法700可以在方塊710處開始，其中處理邏輯處理反射量測訊號以將該反射量測訊號與薄膜光學模型進行擬合，以決定沉積在透明薄膜307（見 圖 3）上的製程薄膜層309的一個或多個薄膜性質或特性（例如厚度、n和k的值、材料組成等）。當在處理腔室內處理基板的期間進行量測時，方法700可以繼續，其中處理邏輯在方塊715處決定諸如厚度之類的性質或特性是否與製程薄膜層的基線量測匹配，例如鑒於製程薄膜層309的組成。處理邏輯可以決定表明製程薄膜層的特性（例如厚度）的無因次值，以將特性與基線、標準或黃金運行量測（例如與被認為具有足夠高的品質、效能等的處理運行相關聯的量測）匹配。若存在匹配，例如，若製程薄膜層的一個或多個性質或特性值滿足閾值，則方法700可以在方塊705處繼續在處理腔室內處理基板。若沒有匹配，則方法700可以繼續到方塊720。在方塊720處，處理邏輯決定製程薄膜層的一個或多個性質的值的變化率的變化。變化率可能不滿足閾值效能度量（例如一個層可以被沉積得太快或太慢）。

在各種實施例中，閾值變化（例如與基線量測、標準量測、黃金運行量測、幾個量測的平均值或中值、相對於平均值的兩西格馬變化等相比的變化）可能足以值得使處理操作（例如沉積製程、蝕刻製程、清潔製程等）變化。任何這樣的閾值變化都是特定於應用的，並且可以在經驗上基於多少變化足以誘發製程轉變來決定。被監測的製程可以是蝕刻製程、沉積製程、清潔製程或類似製程。

方法700可以繼續到方塊725，其中處理邏輯在處理腔室內觸發改正製程薄膜層的沉積或移除的速率的製程。方法700的這一部分可以以這種方式，使用與基線量測（例如黃金運行量測、幾個量測的平均值等）相比的隨時間變化的差分量測來決定處理腔室的製程是否微經隨著時間的推移而轉變（或漂移）。在一些實施例中，可以利用機器學習模型來識別薄膜變化率的異常變化。在一些實施例中，無監督式機器學習模型可以被配置為偵測表明處理故障、腔室漂移或老化、部件故障等的光學量測（例如光學量測導數、無因次參數等）。

方法700可以類似地繼續，其中處理邏輯在方塊730處決定製程薄膜層309的材料組成是否與預期要沉積在透明薄膜上的基線組成匹配。若測得的組成與基線組成匹配（例如在可接受的誤差閾值內），則方法700可以繼續到方塊705，繼續在處理腔室內處理基板。若沒有匹配，則方法700可以繼續到方塊735，其中處理邏輯向控制器109（例如具有與處理系統操作員的介面的其他計算設備）發送反饋訊號，以報告由處理腔室內偵測到的製程漂移引起的錯誤。在將偵測到的組成與預期組成進行比較時，可能會偵測到製程轉變，例如決定製程薄膜的組成已經漂移。在一些實施例中，方法700的這一部分可以在處理系統不活動時執行。

在一些實施例中，方法700可以繼續到方塊740，其中處理設備在處理腔室內處理基板的期間或之後，決定製程薄膜層是否已經達到累積極限（例如規格內的累積厚度極限）。若不是，則方法700可以在方塊705處繼續在處理腔室內處理基板。若製程薄膜已經達到累積極限，則方法700可以繼續，其中處理邏輯在方塊745處觸發處理腔室以在處理腔室中啟動清潔製程。處理設備可以基於表明製程薄膜層厚度的無因次值來決定製程薄膜層是否達到了累積極限。清潔製程可能旨在清潔處理裝備和堆積薄膜的表面，以改進未來的處理結果，和/或使處理裝備恢復到某種規格。清潔製程亦可以使用電漿過程，因此亦可以有一個OES來減去在光源開啟時決定的光譜，以決定製程薄膜上的反射量測訊號。

在各種實施例中，方法700可以繼續，其中在由操作745觸發的這種清潔製程期間，在方塊750處決定製程薄膜層是否已經被移除到預定閾值厚度。該決定可以基於表明製程薄膜層厚度的無因次值。這種決定可能是為了檢查製程薄膜層是否已經被清潔製程充分地減少。一旦製程薄膜層已經被移除到或超過預定閾值厚度，方法700就可以繼續，其中處理邏輯在方塊755處觸發處理腔室以結束在處理腔室內執行的清潔製程。一旦完成，方法700就可以繼續在方塊705處在處理腔室內處理基板。

設想了附加於或類似於 圖 7的方法700的方法。例如，在處理腔室內處理基板的期間，處理邏輯可以偵測製程薄膜層已經在透明薄膜307上達到厚度閾值位準的時刻。處理邏輯可以進一步觸發在處理腔室內沉積經沉積的薄膜層的沉積製程的結束。處理邏輯可以作出與此類似的其他決策，以更新處理腔室的製程或製程狀態，以改進基板輸送量、品質和/或減少產品轉變。

依據一些實施例，處理腔室可以在每處理一個基板（或一組基板）之後、在經決定的操作時數之後、在電漿在腔室中活動的經決定的時數跨度之後、在消耗了一定體積的處理材料之後或以某種其他的週期性運行清潔製程。處理邏輯可以準確地決定在透明薄膜307的遠端表面120B或420B上達到這種清潔的終點的時刻。隨後，它可以向處理腔室發送觸發訊號，以停止清潔並繼續進行到下一個步驟，從而提高輸送量。若遠端表面120B或420B的清潔速率與腔室的其餘部分不同，則這個差異可以被事先表徵，並經由控制器109中的查找表進行補償。

圖 8圖示了依據本揭示內容的態樣，用於腔室操作更新預測和模擬的模型訓練工作流程和模型應用工作流程。在實施例中，模型訓練工作流程805可以在一個伺服器處執行，該伺服器可以包括或可以不包括腔室操作更新預測器應用，並且經訓練的模型被提供給腔室操作更新預測器應用，該腔室操作更新預測器應用可以執行模型應用工作流程817。模型訓練工作流程805和模型應用工作流程817可以由計算設備（例如 圖 4的建模系統470）的處理器執行的處理邏輯來執行。這些工作流程805、817中的一者或多者可以由一個或多個機器學習模型實施，這些機器學習模組在處理設備和/或處理設備上執行的其他軟體和/或韌體上實施。工作流程可以由一個或多個基於物理學的模型實施，例如光學模型。工作流程可以由一個或多個數位孿生模型實施。如本文所使用的，數位孿生體是實體資產（例如經製造的零件）的數位複製品。數位孿生體包括實體資產在製造過程的每個階段的特性，其中這些特性包括但不限於坐標軸維度、重量特性、材料特性（如密度、表面粗糙度）、電氣特性（如導電率）、光學特性（如反射率）等。在一些實施例中，基於物理學的模型和數位孿生模型可以被訓練，以例如考慮到未知資訊（例如部件的製造公差內的變化），以改正不良的假設（例如非理想的流體流量），等等。

模型訓練工作流程805用於訓練一個或多個機器學習模型（例如深度學習模型）、基於物理學的模型等，以執行決定、預測、修改、更新等任務中的一者或多者，這些任務與腔室操作更新預測器相關聯（例如決定對與處理腔室相關聯的製程操作的更新）和/或與腔室匹配工具、感測器匹配工具、配方開發工具和/或製程控制工具相關聯，如圖4的闡述。模型應用工作流程817用於應用該一個或多個經訓練的模型，以為腔室資料（例如原始感測器資料、合成資料，表明處理腔室的狀態）執行決定和/或更新等任務。一個或多個機器可以接收製程結果資料（例如腔室操作更新）。

本文描述了各種模型輸出。對模型的特定數量和佈置進行了描述和顯示。然而，應該理解的是，所使用的模型的數量和類型以及這種模型的佈置可以被修改，以實現相同或類似的最終結果。因此，所描述和顯示的模型（例如機器學習模型、基於物理學的模型等）的佈置只是實例，不應該被解釋為是限制性的。

在一些實施例中，一個或多個模型被訓練來執行一項或多項先前描述的任務。每項任務都可以由一個單獨的模型來執行。或者，單一的模型可以執行每個任務或任務的一個子集。附加性地或替代性地，不同的模型可以被訓練來執行不同的任務組合。在一個實例中，可以訓練一個或一些機器學習模型，其中經訓練的機器學習（ML）模型是單一的共用神經網路，它有多個共用層和多個更高層次的相異輸出層，其中每個輸出層輸出不同的預測、分類、識別等。該一個或多個經訓練的模型可以被訓練來執行的任務可以包括操作腔室操作更新預測器864、腔室品質指數產生器870、效能匹配模型874、改正動作預測器878等。如前所述，諸如感測器資料、經預處理的資料、表明處理腔室在腔室操作（例如清潔操作、沉積操作、蝕刻操作等）之前和/或之後的狀態的合成資料之類的各種輸入資料可以由與模型應用工作流程817相關聯的各種機器學習模型、基於規則的模型、基於物理學的模型等接收和處理。

腔室操作更新預測器864可以基於處理腔室壁的內表面上（例如處理腔室襯墊上）的製程薄膜層的各種性質值，輸出與各種腔室操作更新對應的各種值（例如腔室更新值、製程配方值調整等）。各種值可以與表明處理腔室的狀態的指數對應。在一些實施例中，各種值與可允許的製程薄膜層厚度（例如臨界壁厚）的比率和/或百分比對應。各種值可以由（例如 圖 4的伺服器420的）處理設備使用，以決定對腔室操作（例如操作參數、控制旋鈕、持續時間等）的更新。腔室操作更新預測器864產生腔室更新資料866，該腔室更新資料可以用於改變腔室、腔室操作等，以例如改進腔室的效能。

腔室品質指數產生器870可以產生品質指數資料872。在一些實施例中，品質指數資料872可以包括表明腔室品質的無因次指數。在一些實施例中，品質指數資料872可以包括一個或多個CWI指數。在一些實施例中，腔室品質指數值（例如CWI值）可以用作額外分析的輸入（例如對腔室操作更新預測器864、效能匹配模型874、改正動作預測器878等的輸入資料862可以包括一個或多個CWI值）。

效能匹配模型874可以接受輸入資料862，並產生效能匹配資料876作為輸出。效能匹配模型874可以包括一個或多個演算法、基於物理學的模型、機器學習模型等，其被配置為接受輸入資料（例如光譜資料、OWPS資料、CWI資料）並產生效能匹配資料876作為輸出。效能匹配資料876可以包括與要執行的關聯於一種或多種匹配形式（例如腔室與腔室的匹配、當前腔室效能與歷史腔室效能的匹配等）的改正動作相關聯的資料。

改正動作預測器878可以接受輸入資料862並產生改正動作資料880作為輸出。輸入資料可以包括感測器資料、處理參數資料、配方資料、產品資料、光學資料、腔室品質指數資料等。輸出可以包括推薦的部件替換、推薦的子系統調查（例如壓力子系統、電漿產生子系統等）、推薦的維護等。在一些實施例中， 圖 8中描述的一個或多個方塊可以不被執行，例如分析資料流程可以不包括與方塊874和876相關聯的效能匹配操作。

可以用於執行上述的一些任務或所有任務的一種機器學習模型是人工神經網路，如深度神經網路。人工神經網路通常包括具有將特徵映射到期望的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（CNN）包含多層卷積過濾器。在較低層處，池化被執行，並且非線性問題可以被解決，在這些較低層上通常附加有多層感知器，將由卷積層所抽取的頂層特徵映射到決策（例如分類輸出）。深度學習是一類機器學習演算法，它使用多層非線性處理單元的級聯進行特徵抽取和變換。每個連續的層使用來自前一層的輸出作為輸入。深度神經網路可以以監督式（如分類）和/或無監督式（如模式分析）的方式進行學習。深度神經網路包括層的層次結構，不同的層學習與不同的抽象層次對應的不同的表示層次。在深度學習中，每個層次都會學習將其輸入資料變換成略微更加抽象和綜合的表示。例如，在電漿製程調整中，原始輸入可以是腔室資料（例如，原始感測器腔室量測參數，如腔室內的溫度、壓力、材料厚度、真空條件等）；第二層可以組成與關聯於基板處理程序或製程配方的參數相關聯的特徵資料；第三層可以包括類似條件下的歷史閾值和腔室狀態。值得注意的是，深度學習過程可以自行學習哪些特徵要最佳地放置在哪個層次。「深度學習」中的「深度」指的是變換資料所通過的層數。更確切地說，深度學習系統有相當大的信用分配路徑（CAP）深度。CAP是從輸入到輸出的變換鏈。CAP描述了輸入與輸出之間潛在的因果關係。對於前饋神經網路，CAP的深度可以是網路的深度，並且可以是隱藏層的數量加1。對於訊號可以通過一個層傳播超過一次的遞歸神經網路來說，CAP深度可能是無限的。

在一個實施例中，一個或多個機器學習模型是遞歸神經網路（RNN）。RNN是一種神經網路，它包括記憶體，使神經網路能夠捕捉到時間上的相依性。RNN能夠學習取決於當前輸入和過去輸入兩者的輸入-輸出映射。RNN將處理過去和未來的感測器和/或製程結果量測，並基於這種連續的計量資訊作出預測。RNN可以使用訓練資料集進行訓練，以產生固定數量的輸出（例如，決定一組基板處理率，決定腔室條件，以及生產模式要求和條件閾值）。可以使用的一種RNN是長短期記憶（LSTM）神經網路。

神經網路的訓練可以以監督式學習的方式實現，這涉及通過網路饋送由有標籤的輸入組成的訓練資料集，觀察其輸出，定義誤差（藉由量測輸出與標籤值之間的差異來定義），並使用諸如深度梯度下降和反向傳播之類的技術來調整網路所有層和節點的權重，使誤差最小化。在許多應用中，對訓練資料集中的許多有標籤的輸入重複這一過程會產生一個網路，當出現與存在於訓練資料集中的輸入不同的輸入時，該網路可以產生正確的輸出。

對於模型訓練工作流程805，應使用包含數百、數千、數萬、數十萬或更多個腔室資料810（例如感測器資料、OWPS資料、表明相關聯的處理腔室的狀態的合成資料）來形成訓練資料集。在一些實施例中，訓練資料集還可以包括相關聯的製程結果資料812（例如測得的腔室變數（例如臨界尺寸、均勻性要求、薄膜厚度結果等）），用於形成訓練資料集，其中每個資料點可以包括一種或多種類型的有用資訊的各種標籤或分類。每個案例可以包括，例如，表明經歷製程操作的一個或多個處理腔室的狀態和/或在該製程操作期間和/或之後評估的基板的相關聯的製程結果的資料。這個資料可以被處理，以產生一個或多個訓練資料集836，用於訓練一個或多個機器學習模型。機器學習模型可以被訓練，例如預測腔室製程操作參數更新。

為了實現訓練，處理邏輯將訓練資料集836輸入一個或多個未訓練的機器學習模型。在將第一輸入輸入機器學習模型之前，機器學習模型可以被初始化。處理邏輯基於訓練資料集來訓練未訓練的機器學習模型，以產生執行上文闡述的各種操作的一個或多個經訓練的機器學習模型。

訓練可以藉由一次一個地將腔室資料810和製程結果資料812中的一者或多者輸入到機器學習模型中來執行。

機器學習模型處理輸入以產生輸出。人工神經網路包括輸入層，該輸入層由資料點中的值組成。下一層稱為隱藏層，隱藏層處的節點各自接收一個或多個輸入值。每個節點都包含應用於輸入值的參數（例如權重）。因此，每個節點基本上都將輸入值輸入多變量函數（例如，非線性數學變換），以產生輸出值。下一層可能是另一個隱藏層，或輸出層。在這兩種情況下，下一層處的節點從上一層處的節點接收輸出值，每個節點對那些值應用權重，隨後產生自己的輸出值。這可以在每一層處執行。最後一層是輸出層，在那裡，機器學習模型所能產生的每個類別、預測和/或輸出都有一個節點。

因此，輸出可以包括一個或多個預測或推斷。例如，輸出預測或推斷可以包括對電漿製程資料的一個或多個修改（例如對一個或多個電漿曝露持續時間的修改）、對清潔配方的更新（例如對清潔配方的持續時間的更新）。處理邏輯可以導致處理腔室執行經更新的製程操作。處理邏輯可以將更新後的製程操作的結果與更新前的製程操作的結果進行比較。處理邏輯基於經識別的製程操作結果之間的差異決定誤差（即腔室更新誤差）。處理邏輯基於誤差來調整機器學習模型中一個或多個節點的權重。可以為人工神經網路中的每個節點決定誤差項或差量（delta）。基於這個誤差，人工神經網路調整其一個或多個節點的一個或多個參數（節點的一個或多個輸入的權重）。參數可以以反向傳播的方式進行更新，使得最高層處的節點先被更新，隨後是下一層處的節點，以此類推。人工神經網路包含多層「神經元」，其中每一層都從上一層處的神經元接收作為輸入值。每個神經元的參數包括與從上一層處的每個神經元收到的值相關聯的權重。因此，調整參數可以包括調整分配給人工神經網路中一個或多個層的一個或多個神經元的每個輸入的權重。

一旦模型參數被最佳化，就可以執行模型驗證，以決定模型是否得到了改善，並決定深度學習模型的當前準確度。在一輪或多輪訓練之後，處理邏輯可以決定停止標準是否已被滿足。停止標準可以是準確度的目標位準、來自訓練資料集的經處理的資料塊的目標數量、參數相對於一個或多個先前資料點的變化的目標量、其組合和/或其他標準。在一個實施例中，當至少處理了最低數量的資料點，並且至少達到了閾值準確度，就滿足了停止標準。閾值準確度可以是例如70%、80%或90%的準確度。在一個實施例中，若機器學習模型的準確度已經停止提高，則停止標準被滿足。若沒有滿足停止標準，則就執行進一步的訓練。若滿足了停止標準，則訓練就可能完成了。一旦機器學習模型被訓練，訓練資料集的保留部分就可以用來測試模型。

一旦產生了一個或多個經訓練的機器學習模型838，就可以將它們儲存在模型儲存器845中，並且可以添加到製造系統（例如 圖 4的製造系統402）、建模系統（例如 圖 4的建模系統470）等。隨後，建模系統、製造系統等可以使用該一個或多個經訓練的ML模型838以及額外的處理邏輯來實施自動模式，在該模式下，使用者手動輸入的資訊被最小化，甚至在一些情況下被消除。

對於模型應用工作流程817，依據一個實施例，輸入資料862可以被輸入到腔室操作更新預測器864中，該腔室操作更新預測器可以包括經訓練的機器學習模型。基於輸入資料862，腔室操作更新預測器864輸出表明與對應於處理腔室條件的腔室製程操作相關聯的更新的資訊。

在一些實施例中，輸入資料862可以提供給腔室品質指數產生器870，對腔室品質的指示可以輸出作為品質指數資料872。腔室品質指數產生器870可以包括一個或多個經訓練的機器學習模型。在一些實施例中，腔室品質指數值可以用作對進一步的分析模型（例如機器學習模型）的輸入。

在一些實施例中，輸入資料862可以提供給效能匹配模型874。效能匹配模型874可以包括一個或多個機器學習模型。效能匹配模型874可以被配置為產生與效能匹配相關聯的資料，例如效能匹配資料876。效能匹配可以包括將腔室效能與另一個腔室的效能相匹配（例如改變一個腔室的效能以與第二腔室更相似），將一個腔室的效能與歷史效能相匹配（例如改變一個腔室的效能以與生產出滿足效能閾值的產品的經執行的處理運行更相似），等等。

在一些實施例中，輸入資料862可以提供給改正動作預測器878。改正動作預測器878可以包括一個或多個經訓練的機器學習模型。改正動作預測器878可以包括監督式機器學習模型，例如使用標有相關聯的改正動作的資料來訓練的模型。改正動作預測器878可以產生改正動作資料880作為輸出，該改正動作資料可以包括與輸入資料862相關聯的建議改正動作。

圖 9描述了依據本揭示內容的一個或多個態樣操作的示例計算設備的方塊圖。在各種說明性實例中，計算設備900的各種部件可以代表 圖 4所示的客戶端設備450、計量系統410、伺服器420、資料儲存器140和建模系統470的各種部件。

示例計算設備900可以與LAN、內部網路、外部網路和/或網際網路中的其他電腦設備連接。計算設備900可以在客戶端-伺服器網路環境中以伺服器的身份操作。計算設備900可以是個人電腦（PC）、機上盒（STB）、伺服器、網路路由器、交換機或橋接器，或者能夠執行一組指令（依序地或以其他方式執行）的任何設備，這些指令指定要由該設備所採取的動作。進一步地，儘管只圖示了單一的示例計算設備，但亦應將術語「電腦」視為包括單獨地或共同地執行一組（或多組）指令以執行本文論述的任何一個或多個方法的任何電腦的集合。

示例計算設備900可以包括可以經由匯流排930彼此通訊的處理設備902（亦稱為處理器或CPU）、主記憶體904（例如唯讀記憶體（ROM）、快閃記憶體、諸如同步動態隨機存取記憶體（SDRAM）之類的動態隨機存取記憶體（DRAM）等）、靜態記憶體906（例如快閃記憶體、靜態隨機存取記憶體（SRAM）等）和輔助記憶體（例如資料儲存設備918）。

處理設備902代表一個或多個通用處理設備，如微處理器、中央處理單元或類似物。更詳細而言，處理設備902可以是複雜指令集計算（CISC）微處理器、精簡指令集計算（RISC）微處理器、超長指令字（VLIW）微處理器、實施其他指令集的處理器或實施指令集的組合的處理器。處理設備902亦可以是一個或多個特殊用途處理設備，如特殊應用積體電路（ASIC）、現場可程式化邏輯閘陣列（FPGA）、數位訊號處理器（DSP）、網路處理器或類似物。依據本揭示內容的一個或多個態樣，處理設備902可以被配置為執行指令，這些指令實施圖5A-D所示的方法500A-D和/或圖6A-D所示的流程600A-D。

示例計算設備900可以進一步包括網路介面設備908，它可以與網路920通訊耦合。示例計算設備900可以進一步包括視訊顯示器910（例如液晶顯示器（LCD）、觸控螢幕或陰極射線管（CRT））、文數字輸入設備912（例如鍵盤）、游標控制設備914（例如滑鼠）和聲學訊號產生設備916（例如揚聲器）。

資料儲存設備918可以包括電腦可讀取儲存媒體（或更具體而言是非暫時性機器可讀取儲存媒體）928，一組或多組可執行指令922被儲存在其上。依據本揭示內容的一個或多個態樣，可執行指令922可以包括與執行 圖 5A-D所示的方法500A-D和/或 圖 6A-D所示的流程600A-D相關聯的可執行指令。

可執行指令922亦可以在由示例計算設備900執行該等指令的期間完全地或至少部分地駐留在主記憶體904內及/或處理設備902內，主記憶體904和處理設備902亦構成電腦可讀取儲存媒體。可執行指令922可以進一步經由網路介面設備908在網路上傳輸或接收。

儘管在 圖 9中將電腦可讀取儲存媒體928示為單個媒體，但亦應將術語「電腦可讀取儲存媒體」視為包括儲存該一個或多個操作指令集的單個媒體或多個媒體（例如集中式或分散式資料庫和/或相關聯的快取記憶體和伺服器）。亦應將用語「電腦可讀取儲存媒體」視為包括能夠對一組指令進行儲存或編碼的任何媒體，該組指令用於由機器執行，導致機器執行本文所述的任何一個或多個方法。因此，應將術語「電腦可讀取儲存媒體」視為包括（但不限於）固態記憶體以及光學和磁性媒體。

上述詳細描述的某些部分是以演算法和對電腦記憶體內的資料位元進行的操作的符號表示的方式呈現的。這些演算法描述和表示是資料處理領域的技術人員用來向該領域的其他技術人員最有效地傳達其工作內容的手段。在這裡，一般來說，演算法被認為是導致期望的結果的自洽（self-consistent）的步驟序列。這些步驟是需要對物理量進行物理操控的步驟。通常，儘管不一定，這些量採取的是能夠被儲存、傳輸、組合、比較和以其他方式操控的電訊號或磁訊號的形式。事實證明，有時主要是出於常用的原因，將這些訊號稱為位元、值、元素、符號、字元、項、數字或類似物，是很方便的。

然而，應該記住，所有這些和類似的術語都要與適當的物理量相關聯，並且只是應用於這些量的方便標籤。除非另有具體說明，否則從下文的論述可以看出，應理解，在整個描述中，利用諸如「識別」、「決定」、「儲存」、「調整」、「導致」、「返回」、「比較」、「創建」、「停止」、「加載」、「複製」、「投擲（throwing）」、「替換」、「執行」、「接收」或類似術語的論述，指的是電腦系統或類似電子計算設備的動作和流程，它將電腦系統的暫存器和記憶體內表示為物理（電子）量的資料操控和變換成電腦系統的記憶體或暫存器或其他此類資訊儲存、傳輸或顯示設備內類似地表示為物理量的其他資料。

本揭示內容的實例亦與一種用於執行本文所述的方法的裝置相關。這個裝置可以被專門建構為用於所需的用途，或它可以是選擇性地由儲存在電腦系統中的電腦程式來程式化的通用電腦系統。這種電腦程式可以儲存在電腦可讀取儲存媒體中，例如但不限於任何類型的碟片（包括光碟（optical disk）、光碟唯讀記憶體（CD-ROM）和磁光碟）、唯讀記憶體（ROM）、隨機存取記憶體（RAM）、可抹除可程式化唯讀記憶體（EPROM）、電可抹除可程式化唯讀記憶體（EEPROM）、磁碟儲存媒體、光學儲存媒體、快閃記憶體設備、其他類型的機器可存取儲存媒體，或適合儲存電子指令的任何類型的媒體，這些媒體各自與電腦系統匯流排耦合。

前述說明闡述了諸如特定的系統、部件、方法等的實例的許多具體細節，以便讓人們很好地了解本揭示內容的幾個實施例。然而，本領域的技術人員將理解，可以在沒有這些具體細節的情況下實行本揭示內容的至少一些實施例。在其他的情況下，不詳細描述眾所周知的部件或方法，或將該等部件或方法以簡單的方塊圖格式呈現，以避免不必要地掩蓋本揭示內容。因此，所闡述的具體細節僅是示例性的。特定的實施方式可以不同於這些示例性的細節，並且仍然被認為是在本揭示內容的範圍之內。

本說明書通篇提到的「一個（one/a）實施例」意味著，與該實施例結合描述的特定特徵、結構或特性被包括在至少一個實施例中。因此，本說明書通篇的各種地方出現的語句「在一個（one/a）實施例中」不一定都指相同的實施例。此外，術語「或」旨在意指包括性的「或」而不是排他性的「或」。在本文中使用術語「約（about）」或「大致（approximately）」時，此術語旨在意味著，所呈現的標稱值的精度在±10%內。

儘管本文中的方法的操作是以特定的順序示出和描述的，但亦可以變更每個方法的操作順序，使得可以以相反的順序執行某些操作使得某些操作可以至少部分地與其他操作並行地執行。在另一個實施例中，相異操作的指令或子操作可以以間歇和/或交替的方式進行。

應理解，以上描述旨在是說明性的，而非限制性的。在閱讀和理解了以上描述之後，本領域的技術人員將發現許多其他的實施方式。因此，將參照隨附的請求項以及這樣的請求項所賦予的等效物的整個範圍來決定本揭示內容的範圍。

100:處理系統 101:傳輸腔室機器人 102:主機 103:處理腔室 109:控制器 110:基板 111:狹縫閥 113:手臂 114:傳輸腔室 115:端效器 117:工廠介面 119:基板載體 120:透明視窗 121:工廠介面機器人 123:箭頭 124:襯墊 125:光譜儀 130:處理設備 134:記憶體 139:底壁 200:系統 201:光源 204:光耦合設備 222:壁 225:光譜儀 232:光纖纜線 301:軸桿 303:處理腔室 305:凸緣 307:透明薄膜 309:製程薄膜層 313:密封件 400:系統架構 402:製造系統 404:製程工具 406:製程程序 408:製程控制器 410:計量系統 414:計量工具 416:資料準備工具 420:伺服器 422:腔室匹配工具 424:感測器匹配工具 426:配方開發工具 428:製程控制工具 440:資料儲存器 442:歷史資料 444:歷史感測器資料 446:歷史腔室值資料 447:歷史腔室更新資料 450:客戶端設備 452:瀏覽器 454:應用程式 460:網路 470:建模系統 472:伺服器機器 474:資料集產生器 480:伺服器機器 482:訓練引擎 484:驗證引擎 486:測試引擎 490:模型 492:伺服器機器 494:腔室值部件 502:方塊 504:方塊 506:方塊 508:方塊 510:方塊 512:方塊 514:方塊 520:方塊 522:方塊 524:方塊 526:方塊 530:方塊 532:方塊 534:方塊 536:方塊 538:方塊 540:方塊 542:方塊 544:方塊 546:方塊 548:方塊 550:方塊 552:方塊 554:方塊 556:方塊 602:方塊 604:方塊 608:方塊 610:方塊 612:方塊 614:方塊 624:方塊 626:方塊 628:方塊 630:方塊 632:方塊 634:方塊 636:方塊 638:方塊 648:方塊 700:方法 705:方塊 710:方塊 715:方塊 720:方塊 725:方塊 730:方塊 735:方塊 740:方塊 745:方塊 750:方塊 755:方塊 805:模型訓練工作流程 810:腔室資料 812:製程結果資料 817:模型應用工作流程 836:訓練資料集 838:機器學習模型 845:模型儲存器 862:輸入資料 864:腔室操作更新預測器 866:腔室更新資料 870:腔室品質指數產生器 872:品質指數資料 874:效能匹配模型 876:效能匹配資料 878:改正動作預測器 880:改正動作資料 900:計算設備 902:處理設備 904:主記憶體 906:靜態記憶體 908:網路介面設備 910:視訊顯示器 912:文數字輸入設備 914:游標控制設備 916:訊號產生設備 918:資料儲存設備 920:網路 922:可執行指令 926:處理邏輯 928:電腦可讀取儲存媒體 930:匯流排 107A:裝載閘裝置 107B:裝載閘裝置 120A:近端表面 120B:遠端表面 304A:經準直的光 304B:反射光 500A:方法 500B:方法 500C:方法 500D:方法 500E:方法 600A:流程 600B:流程 600C:流程 600D:流程

藉由示例的方式而非限制的方式在附圖的圖式中示出本揭示內容，在該等附圖中，類似的附圖標記表示類似的元素。應注意，在本揭示內容中對於「一個（a/one）」實施例的不同指稱不一定指相同的實施例，並且這種指稱是指至少一個。

圖 1是依據一些實施例，示例處理系統的俯視示意圖。

圖 2是依據一些實施例，用於監測處理腔室的系統的簡化側視圖。

圖 3是依據一些實施例， 圖 2的系統的側視圖的放大部分，圖示嵌入在處理腔室的壁和襯墊內的透明晶體和經沉積的透明薄膜。

圖 4是圖示示例性系統架構的方塊圖，本揭示內容的實施方式可以在該系統架構中操作。

圖 5A是依據一些實施例，用於決定基於腔室壁值更新的製程操作的方法的流程圖。

圖 5B是依據一些實施例，用於將光學感測器資料用於啟動改正動作的執行的方法的流程圖。

圖 5C是依據一些實施例，用於維持處理腔室的一致性的方法的流程圖。

圖 5D是依據一些實施例，用於偵測和改正一隊處理腔室中的異常和/或不一致的方法的流程圖。

圖 5E是依據一些實施例，用於利用隨時間產生的光學感測器資料的方法的流程圖。

圖 6A-D是依據一些實施例，與決定基於腔室壁值更新的製程操作相關聯的過程的流程圖。

圖 7是依據一些實施例，使用透明薄膜上的經沉積薄膜的一個或多個光學薄膜性質以改進處理腔室內的處理的方法的流程圖。

圖 8圖示了依據一些實施例，用於腔室操作更新預測和模擬的模型訓練工作流程和模型應用工作流程。

圖 9描述了依據一些實施例，示例計算設備的方塊圖。

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

602:方塊

604:方塊

608:方塊

610:方塊

612:方塊

614:方塊

600A:流程

Claims (20)

1. 一種方法，包括以下步驟： 由一處理設備，接收表明與一第一處理腔室對應的一壁的一狀態的第一感測器資料，該第一感測器資料包括光學光譜資料； 由該處理設備，基於該第一感測器資料決定一第一值，該第一值與沿著該壁的一表面設置的一產物在一第一時間的一第一量對應； 由該處理設備，基於該第一值決定對與該第一處理腔室相關聯的一第一製程操作的一第一更新；以及 由該處理設備，執行以下一項或多項(i)準備表明該第一更新的一通知以在一圖形使用者介面（GUI）上呈現，或(ii)導致依據該第一更新執行該第一製程操作。
2. 如請求項1所述的方法，其中該第一感測器資料是從一光學壁製程感測器（OWPS）接收的，該方法進一步包括以下步驟： 由該處理設備，基於該第一值決定對與該OWPS對應的一感測器增益值或一感測器偏移值中的至少一者的一更新。
3. 如請求項1所述的方法，其中該第一值與沿著該表面設置的該產物在一第一時間的該第一量對應，該方法進一步包括以下步驟： 由該處理設備，基於該第一感測器資料決定一第二值，其中該第二值與沿著該壁的該表面設置的該產物在一第二時間的一第二量對應；以及 由該處理設備，使用該第一值和該第二值決定與該第一製程操作相關聯的一製程速率，其中該第一更新是進一步使用該製程速率來決定的。
4. 如請求項3所述的方法，其中該第一更新與該第一製程操作的一持續時間或該第一製程操作的一終點條件中的至少一者對應。
5. 如請求項3所述的方法，其中該製程速率或該終點條件中的至少一者與對應於該第一處理腔室的一清潔速率、一蝕刻速率或一沉積速率中的至少一者相關聯。
6. 如請求項1所述的方法，其中該第一值表明沿著該壁的該表面設置的該產物的一厚度。
7. 如請求項1所述的方法，進一步包括以下步驟： 由該處理設備，接收表明與一第二處理腔室對應的一第二壁的一第二狀態的第二感測器資料，其中該第二感測器資料包括第二光學光譜資料；以及 由該處理設備，基於該第二感測器資料決定一第二值，其中該第二值與沿著第二該壁的一第二表面設置的該產物在一第二時間的一第二量對應， 其中該第一更新是進一步使用該第二值來決定的。
8. 如請求項7所述的方法，進一步包括以下步驟： 由該處理設備，導致基於該第一值與該第二值之間的一比較執行對與該第一處理腔室相關聯的一個或多個感測器的一校準。
9. 如請求項1所述的方法，進一步包括以下步驟： 由該處理設備，使用該第一感測器資料執行一資料正規化以決定該第一值，其中該第一值包括一經正規化的無因次值。
10. 如請求項1所述的方法，進一步包括以下步驟： 由該處理設備，使用該第一感測器資料作為對一機器學習（ML）模型的輸入；以及 由該處理設備，接收該ML模型的一個或多個輸出，該一個或多個輸出表明該第一更新。
11. 一種系統，包括： 一處理腔室，包括一第一壁，該第一壁具有定位在該處理腔室內的一內表面； 一光學感測器，與該處理腔室耦合，該光學感測器被配置為獲取與該內表面相關聯的光譜資料； 一記憶體；以及 一處理設備，與該記憶體耦合，該處理設備用於： 接收表明與一第一處理腔室對應的一壁的一狀態的第一感測器資料，該第一感測器資料包括光學光譜資料； 基於該第一感測器資料決定一第一值，該第一值與沿著該壁的一表面設置的一產物在一第一時間的一第一量對應； 基於該第一值決定對與該第一處理腔室相關聯的一第一製程操作的一第一更新；以及 執行以下一項或多項(i)準備表明該第一更新的一通知以在一圖形使用者介面（GUI）上呈現，或(ii)導致依據該第一更新執行該第一製程操作。
12. 如請求項11所述的系統，其中該第一感測器資料是從一光學壁製程感測器（OWPS）接收的，並且其中該處理設備進一步用於： 基於該第一值決定對與該OWPS對應的一感測器增益值或一感測器偏移值中的至少一者的一更新。
13. 如請求項11所述的系統，其中該第一值與沿著該表面設置的該產物在一第一時間的該第一量對應，並且其中該處理設備進一步用於： 基於該第一感測器資料決定一第二值，其中該第二值與沿著該壁的該表面設置的該產物在一第二時間的一第二量對應；以及 使用該第一值和該第二值決定與該第一製程操作相關聯的一製程速率，其中該第一更新是進一步使用該製程速率來決定的。
14. 如請求項11所述的系統，其中該第一值表明沿著該壁的該表面設置的該產物的一厚度。
15. 如請求項11所述的系統，其中該處理設備進一步用於： 接收表明與一第二處理腔室對應的一第二壁的一第二狀態的第二感測器資料，其中該第二感測器資料包括第二光學光譜資料；以及 基於該第二感測器資料決定一第二值，其中該第二值與沿著第二該壁的一第二表面設置的該產物的一第二量對應， 其中該第一更新是進一步使用該第二值來決定的。
16. 一種儲存有指令的非暫時性機器可讀取儲存媒體，該等指令當被執行時，導致一處理設備： 接收表明與一第一處理腔室對應的一壁的一狀態的第一感測器資料，該第一感測器資料包括光學光譜資料； 基於該第一感測器資料決定一第一值，該第一值與沿著該壁的一表面設置的一產物在一第一時間的一第一量對應； 基於該第一值決定對與該第一處理腔室相關聯的一第一製程操作的一第一更新；以及 執行以下一項或多項(i)準備表明該第一更新的一通知以在一圖形使用者介面（GUI）上呈現，或(ii)導致依據該第一更新執行該第一製程操作。
17. 如請求項16所述的非暫時性機器可讀取儲存媒體，其中該第一感測器資料是從一光學壁製程感測器（OWPS）接收的，並且其中該處理設備進一步用於： 基於該第一值決定對與該OWPS對應的一感測器增益值或一感測器偏移值中的至少一者的一更新。
18. 如請求項17所述的非暫時性機器可讀取儲存媒體，其中該第一值與沿著該表面設置的該產物在一第一時間的該第一量對應，並且其中該處理設備進一步用於： 基於該第一感測器資料決定一第二值，其中該第二值與沿著該壁的該表面設置的該產物在一第二時間的一第二量對應；以及 使用該第一值和該第二值決定與該第一製程操作相關聯的一製程速率，其中該第一更新是進一步使用該製程速率來決定的。
19. 如請求項16所述的非暫時性機器可讀取儲存媒體，其中該處理設備進一步用於： 接收表明與一第二處理腔室對應的一第二壁的一第二狀態的第二感測器資料，其中該第二感測器資料包括第二光學光譜資料；以及 基於該第二感測器資料決定一第二值，其中該第二值與沿著第二該壁的一第二表面設置的該產物的一第二量對應， 其中該第一更新是進一步使用該第二值來決定的。
20. 如請求項16所述的非暫時性機器可讀取儲存媒體，其中該處理設備進一步用於： 使用該第一感測器資料作為對一ML模型的輸入；以及 接收該ML模型的一個或多個輸出，該一個或多個輸出表明該第一更新。