TW202420003A - 有感測器支援的永續性監測平台 - Google Patents
有感測器支援的永續性監測平台 Download PDFInfo
- Publication number
- TW202420003A TW202420003A TW112124705A TW112124705A TW202420003A TW 202420003 A TW202420003 A TW 202420003A TW 112124705 A TW112124705 A TW 112124705A TW 112124705 A TW112124705 A TW 112124705A TW 202420003 A TW202420003 A TW 202420003A
- Authority
- TW
- Taiwan
- Prior art keywords
- sensor data
- data
- manufacturing
- environmental resource
- resource usage
- Prior art date
Links
- 238000012544 monitoring process Methods 0.000 title description 9
- 238000000034 method Methods 0.000 claims abstract description 409
- 230000008569 process Effects 0.000 claims abstract description 318
- 238000004519 manufacturing process Methods 0.000 claims abstract description 316
- 230000007613 environmental effect Effects 0.000 claims abstract description 153
- 238000012545 processing Methods 0.000 claims abstract description 150
- 239000007789 gas Substances 0.000 claims description 117
- 238000010801 machine learning Methods 0.000 claims description 87
- 239000000758 substrate Substances 0.000 claims description 65
- 238000012986 modification Methods 0.000 claims description 49
- 230000004048 modification Effects 0.000 claims description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 26
- 238000012546 transfer Methods 0.000 claims description 26
- 238000005265 energy consumption Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 19
- 238000005259 measurement Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 238000012549 training Methods 0.000 description 54
- 238000005457 optimization Methods 0.000 description 46
- 235000012431 wafers Nutrition 0.000 description 32
- 230000015654 memory Effects 0.000 description 29
- 238000004422 calculation algorithm Methods 0.000 description 27
- 238000012512 characterization method Methods 0.000 description 27
- 239000000126 substance Substances 0.000 description 27
- 230000010354 integration Effects 0.000 description 23
- 238000004140 cleaning Methods 0.000 description 22
- 230000008901 benefit Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000013500 data storage Methods 0.000 description 18
- 239000002826 coolant Substances 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 13
- 230000009471 action Effects 0.000 description 12
- 238000010200 validation analysis Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 11
- 239000004065 semiconductor Substances 0.000 description 11
- 238000013179 statistical model Methods 0.000 description 11
- 238000001816 cooling Methods 0.000 description 10
- 230000003044 adaptive effect Effects 0.000 description 9
- 238000003070 Statistical process control Methods 0.000 description 8
- 239000003570 air Substances 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000000151 deposition Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 7
- 239000007788 liquid Substances 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 7
- 230000007958 sleep Effects 0.000 description 7
- 238000012384 transportation and delivery Methods 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 6
- 230000008021 deposition Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- NJPPVKZQTLUDBO-UHFFFAOYSA-N novaluron Chemical compound C1=C(Cl)C(OC(F)(F)C(OC(F)(F)F)F)=CC=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F NJPPVKZQTLUDBO-UHFFFAOYSA-N 0.000 description 6
- 238000013386 optimize process Methods 0.000 description 6
- 230000003449 preventive effect Effects 0.000 description 6
- 239000000047 product Substances 0.000 description 6
- 238000011084 recovery Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 239000012636 effector Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 5
- 230000001965 increasing effect Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005240 physical vapour deposition Methods 0.000 description 5
- 239000002243 precursor Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005229 chemical vapour deposition Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- -1 electricity Substances 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000000491 multivariate analysis Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 3
- 239000012298 atmosphere Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000006227 byproduct Substances 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000011068 loading method Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 238000000746 purification Methods 0.000 description 3
- 229910052710 silicon Inorganic materials 0.000 description 3
- 239000010703 silicon Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 2
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 2
- 238000000137 annealing Methods 0.000 description 2
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 239000011538 cleaning material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000008367 deionised water Substances 0.000 description 2
- 229910021641 deionized water Inorganic materials 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910001385 heavy metal Inorganic materials 0.000 description 2
- 230000006266 hibernation Effects 0.000 description 2
- 230000001976 improved effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000869 ion-assisted deposition Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 229910021642 ultra pure water Inorganic materials 0.000 description 2
- 239000012498 ultrapure water Substances 0.000 description 2
- 238000007473 univariate analysis Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000012459 cleaning agent Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004320 controlled atmosphere Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000012776 electronic material Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000010814 metallic waste Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 150000002894 organic compounds Chemical class 0.000 description 1
- 239000007800 oxidant agent Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229920002120 photoresistant polymer Polymers 0.000 description 1
- 238000013031 physical testing Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011165 process development Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 238000005201 scrubbing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Abstract
在實施例中,一種方法包括以下步驟:由處理設備,在製造過程的執行期間接收由製造系統的製程腔室的複數個感測器產生的第一感測器資料。該方法包括以下步驟:由該處理設備,在該製造過程的執行期間接收由一個或多個外部感測器產生的第二感測器資料,該一個或多個外部感測器不是該製程腔室的部件。該方法包括以下步驟:由該處理設備,基於該第一感測器資料和該第二感測器資料,決定環境資源使用資料,該環境資源使用資料表明在該製程腔室上運行的該製造過程的環境資源消耗。該方法包括以下步驟:由該處理設備,提供該環境資源使用資料以顯示在圖形使用者介面(GUI)上。
Description
本說明書一般涉及到製造裝備(equipment)(如半導體製造裝備)的環境影響。更具體地說,本說明書涉及使用製造裝備的感測器和不是製造裝備的一部分的外部感測器來監測製造過程和製造裝備的生態效率(eco-efficiency)。
對電子設備(device)的持續需求要求對半導體晶圓的需求越來越大。為生產這些晶圓而增加的製造,以資源利用和產生破壞環境的廢物的形式對環境造成了巨大損失。因此,對更加生態友善和對環境負責的晶圓製造方法和一般製造方法的需求越來越大。鑒於晶圓處理是能源密集型的,將半導體行業的成長與其環境影響脫鉤是有價值的。不斷增長的晶片需求和不斷增加的晶片複雜度正在增加影響環境的資源消耗。
以下是本揭示內容的簡化概要,以提供對本揭示內容的一些態樣的基本理解。這個概要並不是對本揭示內容的廣泛概述。它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面呈現的更詳細描述的前奏。
描述了針對用於半導體製造的生態效益監測和探索平台的技術。在一些實施例中,一種方法包括以下步驟:由處理設備,在製造過程的執行期間接收由製造系統的製程腔室的複數個感測器產生的第一感測器資料;由該處理設備,在該製造過程的執行期間接收由一個或多個外部感測器產生的第二感測器資料,該一個或多個外部感測器不是該製程腔室的部件;由該處理設備,基於該第一感測器資料和該第二感測器資料,決定環境資源使用資料,該環境資源使用資料表明在該製程腔室上運行的該製造過程的環境資源消耗;以及由該處理設備,提供該環境資源使用資料以顯示在圖形使用者介面(GUI)上。本文所使用的環境資源使用資料可以包括關於資源和/或化學物的消耗、所使用/消耗的資源和/或化學物的環境影響、能源消耗和/或所消耗能源的環境影響的資料。
在一些實施例中,一種系統包括製造系統,該製造系統包括:一個或多個製程腔室,用於處理基板,該一個或多個製程腔室包括第一複數個感測器;傳輸腔室,與該一個或多個製程腔室耦合,該傳輸腔室包括機器人,該機器人用於將該基板傳輸進和傳輸出該一個或多個製程腔室;以及系統控制器,用於控制該一個或多個製程腔室和該傳輸腔室。該系統進一步包括:第二複數個感測器,其中該第二複數個感測器是外部感測器,該等外部感測器不是該一個或多個製程腔室中的任一者的部件;以及中樞,與該第二複數個感測器通訊。該系統控制器被配置為執行以下步驟:在該一個或多個製程腔室中的第一製程腔室上執行製造過程的期間接收由該第一複數個感測器產生的第一感測器資料;接收由與該第一製程腔室相關聯的該第二複數個感測器產生的第二感測器資料;基於將該第一感測器資料和該第二感測器資料應用於一個或多個模型,決定環境資源使用資料,該環境資源使用資料表明在該第一製程腔室上運行的該製造過程的環境資源消耗;以及提供該環境資源使用資料以顯示在一圖形使用者介面(GUI)上。
在一些實施例中,一種包括指令的非暫時性機器可讀取儲存媒體包括指令,該等指令當由處理設備執行時,使得該處理設備:由該處理設備,在製造過程的執行期間接收由製造系統的製程腔室的複數個感測器產生的第一感測器資料;由該處理設備,在該製造過程的執行期間接收由一個或多個外部感測器產生的第二感測器資料,該一個或多個外部感測器不是該製程腔室的部件;由該處理設備,基於該第一感測器資料和該第二感測器資料,決定環境資源使用資料,該環境資源使用資料表明在該製程腔室上運行的該製造過程的環境資源消耗;以及由該處理設備,提供該環境資源使用資料以顯示在圖形使用者介面(GUI)上。
生態效益(eco-efficiency)表徵是一種複雜的技術,用於決定在使用特定製造工具的期間,與該工具相關聯的不同位準的輸入(如資源、利用等)如何影響該製造工具的生態效率。在開發製造工具期間,生態效益表徵可能是有益於幫助開發出最大化每單位(per-unit)(或每單位時間(per-time))的生態效益和最小化有害環境影響的製造工具。在工具開發後,在工具可操作時,生態效益表徵也可以有益於依據哪個工具在操作來根據特定參數微調工具的每單位生態效益表徵。
本文所述的實施例提供了一種用於在製造工具的整個設計、開發和部署過程中系統地對該工具執行生態效益表徵的系統。在一些實施例中,生態效率平台能夠協助工程設計以開發和/或操作滿足材料工程和生態效率規範兩者的製程和工具。在實施例中,利用了感測器資料、物理學、模型、演算法和/或使用者介面(UI),以能夠靈活地和容易地監測和探索許多製造系統和這些製造系統的個別製程腔室的生態效率。此外,生態效率平台還能夠監測和探索製程配方和製造硬體配置。實施例進一步提供使用與製造過程和/或製造裝備相關聯的數位複製品進行生態效率表徵,以進一步決定環境資源消耗和/或環境影響(例如,每單位設備、裸晶、晶圓等的環境資源消耗和/或環境影響)和/或減少環境資源消耗和/或環境影響。實施例進一步提供了一種用於使用數位複製品來探索製造系統修改和所得的生態效益影響(例如在不需要實體測試和經驗結果的情況下)的平台。
在實施例中,生態效率平台接收兩大類感測器資料,包括來自製程腔室中包括的感測器的第一感測器資料和來自不是製程腔室(例如不包括在其中)的部件的外部感測器的第二感測器資料。在實施例中,第一感測器資料和第二感測器資料是並行(例如,約在同一時間)接收的。在一些實施例中,第一感測器資料和第二感測器資料是在不同時間(例如,連串地或連續地)接收的。外部感測器可以是例如物聯網(IoT)感測器,這些IoT感測器可以是無線的和/或可以不連接到任何電源。外部感測器可以向中樞(例如IoT中樞)報告感測器資料,然後該中樞可以將感測器資料發送至製造系統的系統控制器,該製造系統包括正被收集資料的製程腔室。系統控制器可以包括軟體(例如生態效率平台),該軟體可以將第一感測器資料和第二感測器資料輸入到一個或多個模型中。該一個或多個模型可以包括經訓練的機器學習模型、基於物理學的模型(如數位孿生體)和/或其他模型。該一個或多個模型可以輸出表明環境資源消耗(如化學物、氣體、電源、水等的消耗)的環境資源使用資料。本文所使用的環境資源使用資料可以包括關於資源和/或化學物的消耗、所使用/消耗的資源和/或化學物的環境影響、能源消耗和/或所消耗能源的環境影響的資料。
在一些實施例中,生態效益以為每單位的基礎來計算的。一般而言,在製造工具的開發過程中不會考慮到每單位生態效益。此外,在製造工具使用時(例如,在工具用於晶圓生產時)表徵每單位生態效益以調整該工具上的設定可能是一個繁瑣而複雜的過程。此外,先前的解決方案使用的是對人員進行專門的生態效益訓練,並使用專業的工程師和分析人員進行生態效益表徵分析。本揭示內容的實施例提供了改進的方法、系統和軟體,以每單位為基礎進行生態效益表徵。這些方法、系統和軟體可以由沒有接收過專門的生態效益訓練的個人使用。
在一個實施例中,生態效益表徵可以在製造裝備生命週期的所有階段(包括在製造裝備的設計階段和操作階段期間)由一個軟體工具執行。生態效益可以包括每單位裝備生產(例如每個晶圓,或每個製造的設備)的環境資源(例如電能、水、氣體、化學物等)的量。生態效益也可以被表徵為每單位裝備生產所產生的環境影響(例如CO
2排放量、重金屬廢棄物等)的量。
每單位(per-unit)分析(其中單位是由製造工具進行操作的任何可測量的量(例如基板(晶圓)、裸晶、面積(cm
2)、時間段、設備等))能夠更精確地表徵生態效益。以「每單位」為基礎的生態效益能夠準確地決定每個生產單位的資源使用量和環境影響,並且可以很容易作為一種價值衡量標準來操控。例如,可能決定的是,特定製造工具的每晶圓遍(per-wafer-pass)的電能的生態效益評級為每晶圓遍1.0-2.0 kWh(在其他的實施例中,每晶圓遍的生態效益評級可能小於0.5 kWh、高達20 kWh或甚至大於20 kWh),表明由製造工具進行操作的每個晶圓可能使用例如每個處理的晶圓1.0-2.0 kWh的電能。在其他的實施例中,可以使用各種其他的電能量。以每晶圓遍為基礎決定生態效益能夠很容易與由於年度晶圓處理量的差異而具有不同的年度電能消耗值的其他製造工具進行比較。在一個實施例中,也可以藉由將每個晶圓的生態效益表徵除以每個晶圓的設備數量,以每個設備為基礎決定生態效益。
可以在操作期間對製造裝備執行生態效益表徵或計算。製造裝備可以從製造裝備上的第一感測器和作為不是製造裝備的部件的外部感測器的第二感測器存取實時變數,例如裝備的利用率和有用物用量資料(utility use data),並將這些實時變數用於一個或多個生態效率模型。製造裝備可以根據製造裝備的當前操作條件,微調裝備上的設定,以最大化生態效益。
在一些實施例中,對製造過程(例如製程的子集,或多個製程)的修改可以基於環境資源使用資料或生態效益表徵來決定。例如,環境資源使用資料可以用作對機器學習模型的輸入。可以獲得來自機器學習模型的一個或多個輸出,這些輸出表明對製造過程的修改,在一些實施例中還表明該修改滿足閾值條件的置信度位準。對製造過程的修改可以與改進製造過程的選集的生態效益(例如減少環境資源消耗和/或環境影響)相關聯。
在一些實施例中,合規報告可以包括基於普遍接受的規範和/或標準(如國際半導體裝備和材料協會(SEMI)在半導體設施系統指南(SEMI S23-0813)中公佈的關於半導體製造裝備的能源、電力和生產節約的規範和/或標準)的報告。例如,SEMI S23-0813提供了重要公用設施的能源轉換係數(ECF)(例如,每單位流量的能源消耗)。ECF可以估計公用設施的能源消耗,並用於估計半導體製造設施處的能源節約。
在一些實施例中,生態效率是基於資源消耗,例如能源消耗、化學物消耗(例如氫氣、氮氣等氣體、用於蝕刻或沉積薄膜的化學物和/或可以經由起泡器、噴射器或霧化器汽化、霧化或轉換為氣態的液體)、CDA(乾淨乾燥空氣))和/或水消耗(例如製程冷卻水(PCW)、去離子水(DIW)和超純水(UPW))。然而,在一些實施例中,生態效益是基於與製造裝備相關聯的部件的生命週期資料。例如,與生態效益表徵相關聯的環境資源消耗和/或環境影響可能與製造裝備的耗材零件的替換程序或維護程序相關聯。該修改可以與製造裝備的耗材零件的維護程序相關聯。一些實施例在本文中是參考氣體消耗討論的。然而,應當理解的是,這種實施例也適用於具有其他狀態的化學物(例如呈液態的化學物)的消耗。本文參考氣體消耗討論的任何實施例同樣適用於其他類型化學物(例如液體)的消耗。
如上所述,在實施例中,生態效益平台基於來自第一組感測器的第一感測器資料和來自第二組感測器的第二感測器資料,決定執行製造過程的製程腔室的環境資源使用情況,該第一組感測器是與製程腔室一體的,該第二組感測器不是與製程腔室一體的。第二組感測器可以提供關於一般不為製程腔室測量並且沒有配置製程腔室去測量的資源消耗的資料,例如由製造系統與在製程腔室上執行的製造過程相關聯而用於泵和/或減量系統的乾淨乾燥空氣(CDA)、電和/或水的量。藉由添加可以測量此類參數的外部感測器,可以更準確地決定用於製程腔室上執行的製程的資源量。在實施例中,提高使用這種資料的生態效率平台的準確性可以導致更好的製程開發,並降低整體資源消耗。
圖1是依據一個實施例的示例處理系統100(在本文也稱為製造系統)的俯視示意圖。在一些實施例中,處理系統100可以是配置為在基板102上執行一個或多個製程的電子處理系統。在一些實施例中,處理系統100可以是電子設備製造系統。基板102可以是任何具合適剛性的、固定尺寸的、平面的製品,例如含矽的圓盤或晶圓、圖案化的晶圓、玻璃板或類似物,其適於在其上製造電子設備或電路部件。在一些實施例中,處理系統100是一個半導體處理系統。或者,處理系統100可以被配置為處理其他類型的設備,如顯示設備。
處理系統100包括製程工具104(例如主機)和與製程工具104耦合的工廠介面106。製程工具104包括殼體108,其中具有傳輸腔室110。傳輸腔室110包括一個或多個處理腔室(也稱為製程腔室)114、116、118,它們圍繞該傳輸腔室設置且與之耦合。處理腔室114、116、118可以通過相應的端口(例如縫閥或類似物)與傳輸腔室110耦合。
處理腔室114、116、118可以被調適為在基板102上實現任何數量的製程。可以在每個處理腔室114、116、118中進行相同或不同的基板製程。基板製程的例子包括原子層沉積(ALD)、物理氣相沉積(PVD)、化學氣相沉積(CVD)、蝕刻、退火、固化、預清潔、金屬或金屬氧化物移除,或類似製程。在一個例子中,PVD過程在其中一個或兩個製程腔室114中執行,蝕刻過程在其中一個或兩個製程腔室116中執行,退火過程在其中一個或兩個製程腔室118中執行。可以在其中在基板上實現其他的製程。處理腔室114、116、118可以各自包括一個基板支撐組件。基板支撐組件可以被配置為在執行基板製程時將基板固持在原位。
傳輸腔室110還包括傳輸腔室機器人112。傳輸腔室機器人112可以包括一個或多個手臂,其中每個手臂在該手臂的端部處包括一個或多個末端效應器。可以將末端效應器配置為搬運特定的物體,例如晶圓。在一些實施例中,傳輸腔室機器人112是選擇順應性裝配機器手臂(SCARA)機器人,如2連桿SCARA機器人、3連桿SCARA機器人、4連桿SCARA機器人等。
裝載閘(load lock)120也可以與殼體108和傳輸腔室110耦合。裝載閘120可以被配置為一側與傳輸腔室110介接(interface)和耦合,而另一側與工廠介面106介接和耦合。在一些實施例中,裝載閘120具有環境受控的大氣,它可以從真空環境(基板在該環境被傳輸到傳輸腔室110或從傳輸腔室110傳輸)改變為大氣壓力或接近大氣壓力的惰性氣體環境(基板在該環境被傳輸到工廠介面106和從工廠介面106傳輸)。在一些實施例中,裝載閘120是堆疊式裝載閘,具有位於不同垂直位準(例如一個高於另一個)的一對上部內部腔室和一對下部內部腔室。在一些實施例中,該對上部內部腔室被配置為從傳輸腔室110接收經處理的基板以從製程工具104移除,而該對下部內部腔室被配置為從工廠介面106接收基板以在製程工具104中處理。在一些實施例中,裝載閘120被配置為在其中接收的一個或多個基板102上執行基板製程(例如蝕刻或預清潔)。
工廠介面106可以是任何合適的外殼,例如設備前端模組(EFEM)。工廠介面106可以被配置為從在工廠介面106的各種裝載端口124處對接的基板載體122(例如前開式晶圓傳送盒(FOUP))接收基板102。工廠介面機器人126(以虛線示出)可以被配置為在基板載體122(也稱為容器)與裝載閘120之間傳輸基板102。在其他和/或類似的實施例中,工廠介面106被配置為從替換零件儲存容器123接收替換零件。工廠介面機器人126可以包括一個或多個機器手臂,並且可以是或包括SCARA機器人。在一些實施例中,工廠介面機器人126比傳輸腔室機器人112具有更多連桿和/或更多自由度。工廠介面機器人126可以在每個機器手臂的一端包括一個末端效應器。末端效應器可以被配置為拾取和搬運特定的物體,例如晶圓。替代性地或附加性地,末端效應器可以被配置為搬運諸如製程套件環等物體。
任何傳統的機器人類型都可以用於工廠介面機器人126。傳輸可以按任何順序或方向實現。在一些實施例中,工廠介面106可以保持在例如稍微正壓的非反應性氣體環境中(使用例如氮氣作為非反應性氣體)。
處理系統100還可以包括系統控制器128。系統控制器128可以是和/或可以包括計算設備,如個人電腦、伺服器電腦、可程式邏輯控制器(PLC)、微控制器等。系統控制器128可以包括一個或多個處理設備,它可以是通用處理設備,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。處理設備也可以是一個或多個特殊用途處理設備,如特定應用積體電路(ASIC)、現場可程式邏輯閘陣列(FPGA)、數位訊號處理器(DSP)、網路處理器或類似物。系統控制器128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。系統控制器128可以執行指令以執行本文所述的任何一個或多個方法學和/或實施例。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)。在實施例中,系統控制器128執行指令會導致系統控制器執行
圖 8的方法。系統控制器128也可以被配置為允許人類操作員輸入和顯示資料、操作命令和類似物。
在實施例中,系統控制器128包括生態效率模組129,該模組可以是在處理系統100的系統控制器128上執行的本地伺服器。生態效率模組129可以負責處理由一個或多個處理腔室114、116、118的感測器產生的第一感測器資料,以及來自處理腔室114、116、118外部的額外感測器140、142、144的第二感測器資料。第一感測器資料可以由與處理腔室114、116、118一體的感測器產生。此類感測器可以包括例如溫度感測器、功率感測器、電流感測器、壓力感測器、濃度感測器等。處理腔室114、116、118的一體感測器輸出的第一感測器資料可以包括電流、電壓、功率、流量(例如,一種或多種氣體、CDA、水等的流量)、壓力、濃度(例如,一種或多種氣體的濃度)、速度(例如,一種或多種移動零件、氣體等的速度)、加速度(例如,一種或多種移動零件、氣體等的加速度)或溫度(例如處理中的基板、處理腔室中的不同位置等的溫度)的測量。在一個實施例中,每個腔室包括約20個至約100個感測器。
為了捕捉處理腔室114、116、118的一體感測器通常無法存取的額外資料,可以將一個或多個外部感測器140、142、144、152附接到處理腔室114、116、118,和/或附接到處理腔室114、116、118的進料口和/或出料口,和/或附接到為處理腔室114、116、118的利益操作的子部件(例如泵和/或減量系統)。在一個實施例中,每個製程腔室包括約3-6個附接到製程腔室的外部感測器、與製程腔室相關聯的子系統和/或製程腔室的輸入/輸出。外部感測器140、142、144、152輸出的第二感測器資料可以例如包括電流、流量、溫度、渦電流、濃度、振動、電壓或功率因數等。可以使用的外部感測器140、142、144、152的例子包括測量交流電流或直流電流的夾式感測器(也稱為電流夾)、測量電壓的夾式感測器和測量漏電流的夾式感測器。外部感測器的其他例子是振動感測器、溫度感測器、超音波感測器(如超音波流量感測器)、加速度感測器(即加速度感測器)等。
在所示的例子中,減量系統130、氣體輸送系統134、水系統132和/或CDA系統136可以向處理腔室114、116、118和/或處理系統100的其他部件(例如,向傳輸腔室、工廠介面、裝載閘等)提供環境資源。在實施例中,減量系統130對與處理腔室114、116、118上執行的製程相關聯的殘餘氣體、反應物和/或輸出執行減量。例如,減量系統130可以燃燒殘餘氣體和/或反應物,以確保它們不會對環境造成危險。此外,在實施例中,一個或多個泵150可以附接到處理腔室114、116、118中的一者或多者,並/或代表處理腔室114、116、118中的一者或多者操作。為了明確起見,作為一種簡化就單個處理腔室116顯示了外部感測器140、142、144、152。然而,應該理解的是,類似的外部感測器可以附接在額外的製程腔室上和/或附接在去往和/或來自這種額外製程腔室的管路上和/或附接到與這種額外製程腔室相關聯的子系統。
在一些實施例中,外部感測器140、142、144、152可以是IoT感測器。在一些實施例中,外部感測器包括電源,如電池。在一些實施例中,外部感測器是插入電源(如交流電源插座)的有線感測器。在一些實施例中,外部感測器不包括電源,而是基於環境條件接收足夠的電源來操作。例如,偵測電壓、功率和/或電流的感測器可以藉由這種功率或電流無線供電(例如,藉由從感測器夾住的導線流過的電流採集能量)。
在一個實施例中,外部感測器140、142、144、152是具有嵌入式系統的感測器。嵌入式系統是一種嵌入到另一個設備中作為該設備的一個部件的計算設備。外部感測器140、142、144、152通常還包括可以與嵌入式系統介接的其它硬體、電氣和/或機械部件。嵌入式系統通常被配置為處理特定的一個或一組任務,嵌入式系統可以為此進行最佳化(例如,產生和/或發送測量)。因此,與普通計算設備相比,嵌入式系統的成本和尺寸可能最小。
嵌入式系統可以各自包括一個通訊模組(未示出),該模組使嵌入式系統(從而使外部感測器140、142、144、152)能夠連接到LAN、中樞150和/或無線運營商網路(carrier network)(其例如是使用各種資料處理裝備、通訊塔等實施的)。通訊模組可以被配置為管理安全性、管理通信期(session)、管理存取控制、管理與外部設備的通訊等。
在一個實施例中,外部感測器140、142、144、152的通訊模組被配置為使用Wi-Fi®進行通訊。或者,通訊模組可以被配置為使用Bluetooth®、Zigbee®、低功耗無線區域網路上的網際網路協定版本6(6LowPAN)、電源線通訊(PLC)、乙太網路(例如10百萬位元組(Megabyte;Mb)、100 Mb和/或1十億位元組(Gb)乙太網路)或其他通訊協定進行通訊。如果通訊模組被配置為與無線運營商網路通訊,則通訊模組可以使用全球行動通訊系統(GSM)、分碼多重存取(CDMA)、通用行動電信系統(UMTS)、3GPP長期評估(LTE)、全球互通微波存取(WiMAX)或任何其它第二代無線電話技術(2G)、第三代無線電話技術(3G)、第四代無線電話技術(4G)或其它無線電話技術進行通訊。
在一個實施例中,通訊模組被配置為與中樞150通訊,該中樞可以例如是Wi-Fi路由器或其他類型的路由器、交換機或中樞。中樞150可以被配置為與外部感測器140、142、144、152中的每一者的通訊模組通訊,並將從外部感測器140、142、144、152接收的測量發送至系統控制器128。在一個實施例中,中樞150具有與系統控制器128的有線連接(例如,乙太網路連接、並行連接、串列連接、Modbus連接等),並經由有線連接將測量發送到系統控制器128。在一個實施例中,中樞150經由有線連接與一個或多個外部感測器連接。
在一些實施例中,中樞150與連接到區域網路(LAN)的網路設備連接。系統控制器128和網路設備可以各自經由無線連接連接到LAN,並且可以通過LAN彼此無線連接。外部感測器140、142、144、152可能不支援網路設備支援的任何通訊類型。例如,外部感測器140可能支援Zigbee,外部感測器142可能支援藍牙。為了使這種設備能夠連接到LAN,中樞150可以充當一個閘道設備,該閘道設備經由網路設備支援的其中一個連接類型(例如,經由乙太網路或Wi-Fi)連接到網路設備(未示出)。此外,閘道設備還可以支援其他通訊協定,如Zigbee、PLC和/或藍牙,並且可以在支援的通訊協定之間進行轉換。
系統控制器128可以連接至廣域網路(WAN)。WAN可以是私用WAN(如內部網路)或公用WAN(如網際網路),也可以包括私用網路和公用網路的組合。在實施例中,系統控制器128可以連接到LAN,該LAN可以包括提供與WAN的連接的路由器和/或數據機(例如,纜線數據機、直接串列鏈路(DSL)數據機、全球互通微波存取(WiMAX®)數據機、長期演進(LTE®)數據機等)。
WAN可以包括或連接到一個或多個伺服器計算設備(未示出)。伺服器計算設備可以包括實體機器和/或由實體機器託管的虛擬機器。實體機器可以是機架式伺服器、桌上型電腦或其他計算設備。在一個實施例中,伺服器計算設備包括由雲端供應商系統管理和提供的虛擬機器。雲端服務供應商提供的每個虛擬機器可以託管在作為雲端的一部分配置的實體機器上。這些實體設備通常位於資料中心中。雲端供應商系統和雲端可以作為基礎設施即服務(infrastructure as a service;IaaS)層提供。這種雲端的一個例子是Amazon®的彈性計算雲端(EC2®)。
伺服器計算設備可以託管一個或多個服務,這些服務可以是基於網頁的服務和/或雲端服務(例如,託管在雲端計算平台中的基於網頁的服務)。服務可以與系統控制器128和/或同一位置(例如,製造設施或工廠中的同一地點)和/或不同位置處的其他製造系統的系統控制器保持通信期(例如,經由連續或間歇的連接)。或者,服務可以定期與系統控制器建立通信期。經由與系統控制器128的通信期,服務可以從系統控制器128上運行的生態效率模組129接收狀態更新。服務可以匯總資料,並且可以提供圖形使用者介面(GUI),該介面可以經由連接到WAN的任何設備(如行動電話、平板電腦、膝上型電腦、桌上型電腦等)存取。
在系統控制器128上執行的生態效率模組129可以處理來自一個或多個製程腔室114、116、118的一體感測器的第一感測器資料和來自外部感測器140、142、144、152的第二感測器資料,以決定反映環境資源消耗(例如水消耗、氣體消耗、電力消耗等)的量的環境資源使用資料。可以由生態效率模組129執行的操作將在下文參考其餘圖式進行描述。
在一些實施例中,來自一個或多個外部感測器的感測器資料可以用於評估製程腔室或製程腔室的子部件(例如泵)的健康狀況。來自一個或多個外部感測器的感測器資料可以與一個或多個標準(例如閾值)進行比較,如果感測器資料未能滿足標準,則可以作出工具或子部件未可靠操作的決定。例如,振動感測器可以感測泵的振動。如果振動超過振動閾值,則可以作出泵可能開始出現故障或可能有問題的決定。如果子部件或工具的第一感測器資料未能滿足一個或多個標準,那麼與該子部件或工具相關聯的環境資源消耗計算可以被決定為具有低置信度。例如,如果泵的振動增加,則泵的功耗可能比典型值高,而泵的功耗模型對於泵的當前狀態可能不準確。因此,來自外部感測器和/或製程腔室的內部感測器的感測器資料可以用於對製程腔室和/或製程腔室的一個或多個子部件進行健康評估。
圖2是說明依據一個實施例的示例性生態效益平台200的邏輯圖的方塊圖。在實施例中,生態效率平台200可以在系統控制器201上執行。在一個實施例中,系統控制器201對應於圖1的系統控制器128,生態效率平台200由圖1的生態效率模組129提供。
生態效率平台200可以從工具感測器202接收第一感測器資料270,在實施例中,這些工具感測器可以是圖1的製程腔室114、116、118的一體感測器。生態效率平台200還可以從中樞206接收第二感測器資料272,其中中樞204從一個或多個外部感測器204接收第二感測器資料。在實施例中,外部感測器204可以對應於圖1的外部感測器140、142、144、152。在一些實施例中,中樞206將第二感測器資料提供給伺服器207,該伺服器可以在一個或多個計算設備(其例如是在雲端環境中)上執行。伺服器(例如,IoT平台)207可以將第二感測器資料匯總為經匯總的第二感測器資料274,並且可以將經匯總的第二感測器資料274發送至生態效率平台200。這種經匯總的第二感測器資料274可以替代於或附加於第二感測器資料272提供給生態效率平台200。
在一些實施例中,歷史資料208(例如,歷史感測器資料)可以儲存在諸如資料庫的資料儲存器中。在一些實施例中,這種歷史資料208可以額外提供給生態效率平台200。
在方塊230處,生態效率平台200收集第一感測器資料270、第二感測器資料272、經匯總的第二感測器資料274和/或歷史資料208。在方塊232處,生態效率平台200可以預處理部分或全部的收到的資料。預處理可以包括正規化資料、改變資料的單位、為資料添加時間戳、基於時間戳同步資料、為資料添加標籤等。
在方塊234處,生態效率平台200對收到的資料(例如,第一感測器資料270和第二感測器資料272)執行資料處理。這可以包括將資料輸入到一個或多個資料處理演算法或函數中,將資料輸入到一個或多個基於物理學的模型(例如,數位孿生體)中,將資料輸入到一個或多個經訓練的機器學習模型中,等等。在方塊236處,由該一個或多個模型、資料處理演算法、函數等產生輸出。輸出可以包括與製程腔室上執行的製造過程相關聯的物理條件,和/或環境資源使用資料。輸出可以儲存在本地資料儲存器(如資料庫210)中。
執行包括圖形使用者介面(GUI)222或其他類型的使用者介面的網頁客戶端220或其他客戶端應用程式的客戶端計算設備可以與生態效率平台200介接。網頁客戶端220可以向生態效率平台200發送請求212並接收回應214。例如,請求212可以包括對一個或多個製程腔室、包括多個製程腔室的製造系統、在製程腔室上執行的配方等的環境資源使用資料的請求。請求可以包括以圖表、表格等形式顯示環境資源使用資料的請求。
在一些實施例中,多個系統控制器201的生態效率平台200與遠端計算設備250(例如,經由WAN)介接。遠端計算設備250可以包括遠端伺服器,該伺服器匯總來自多個生態效率平台的資料,並將經匯總的資料儲存在資料儲存器(如資料庫255)中。網頁客戶端220(或其他客戶端應用程式)可以與計算設備250的遠端伺服器介接,以存取工廠中的多個製造系統、多個工廠等的環境資源使用資料。
圖3是說明示例性系統架構300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3所示,系統架構300包括製造系統302、資料儲存器312、伺服器320、客戶端設備350和/或機器學習系統370。機器學習系統370可以是伺服器320的一部分。在一些實施例中,機器學習系統370的一個或多個部件可以完全或部分地整合到客戶端設備350中。製造系統302、資料儲存器312、伺服器320、客戶端設備350和機器學習系統370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、增強實境(AR)顯示器和/或頭戴裝置、虛擬實境(VR)顯示器和/或頭戴裝置、混合實境(MR)顯示器和/或頭戴裝置,或類似的計算設備。本文所用的伺服器可以指伺服器,但也可以包括邊緣計算設備、本地伺服器(on premise server)、雲端和類似物。
製造系統302、資料儲存器312、伺服器320、客戶端設備350和機器學習系統370可以經由網路彼此耦合(例如用於執行本文所述的方法學)。在一些實施例中,網路360是私用網路,它使系統架構300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360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)、雲端網路、雲端服務、路由器、集線器、交換器伺服器電腦和/或其組合。替代性或附加性地,系統架構300的任何元件都可以在不使用網路360的情況下被整合在一起或以其他方式耦合。
客戶端設備350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350可以包括瀏覽器352、應用程式354和/或由系統架構300的其他系統所描述和執行的其他工具。在一些實施例中,客戶端設備350能夠存取製造系統302、資料儲存器312、伺服器320和/或機器學習系統370,並傳遞(例如傳輸和/或接收)對生態效益的指示,包括一個或多個環境資源消耗(例如一個環境資源消耗)和/或環境影響,和/或各種製程工具(例如部件整合工具322、數位複製品工具324、最佳化工具326、配方建立器工具328、資源消耗工具330等)在系統架構300的各種處理階段的輸入和輸出,如本文所述。
如圖3所示,製造系統302包括機器裝備304、系統控制器306、製程配方308和感測器310。機器裝備304:可以是離子植入器、蝕刻反應器(例如處理腔室)、光微影術設備、沉積設備(其例如用於執行化學氣相沉積(CVD)、物理氣相沉積(PVD)、離子輔助沉積(IAD)等)的任何組合,或製造裝備的任何其他組合。
製程配方308,也稱為製造配方或製造過程指令,包括一定排序的機器操作以及製程實施方式,這些機器操作當以指定的順序應用時會產生經製造的樣品(例如具有預定性質或滿足預定規格的基板或晶圓)。在一些實施例中,製程配方被儲存在資料儲存器中,或替代性或附加性地以產生表明製造過程的步驟或操作的資料表的方式儲存。每個步驟可以與已知的環境資源使用資料相關聯。替代性或附加性地,每個製程步驟可以與表明製程步驟的物理條件的參數(例如目標壓力、溫度、排氣量(exhaust)、能源輸送量和類似參數)相關聯。
系統控制器306可以包括能夠實現製程配方308的步驟的軟體和/或硬體部件。系統控制器306可以通過感測器310監測製造過程。感測器310可以測量製程參數以決定製程標準是否被滿足。製程標準可以與製程參數值窗相關聯。感測器310可以包括可以用於測量消耗(例如功率、電流等)(明確地測量消耗或測量為對消耗的衡量)的各種感測器。感測器310可以包括物理感測器、作為製程腔室的部件的一體感測器、外部感測器、物聯網(IoT)和/或虛擬感測器(例如,不是物理感測器,而是根據基於估計參數值的模型進行虛擬測量的感測器)等。
附加性地或替代性地,系統控制器306可以藉由測量各種製程步驟的資源消耗(例如排氣量、能源消耗、製程配料消耗等)來監測生態效益。在一些實施例中,系統控制器306決定相關聯的機器裝備304的生態效益。系統控制器306也可以基於經決定的生態效益模型(其例如包括經決定的對製程配方308的修改),調整與製造裝備304相關聯的設定,以便根據當前的製造條件最佳化裝備304的生態效益。
在一個實施例中,系統控制器306可以包括主記憶體(例如唯讀記憶體(ROM)、快閃記憶體、動態隨機存取記憶體(DRAM)、靜態隨機存取記憶體(SRAM)等)和/或輔助記憶體(例如資料儲存設備,例如磁碟機(例如資料儲存器312或雲端資料))。主記憶體和/或輔助記憶體可以儲存用於執行各種類型的製造過程(例如製程配方308)的指令。
在一個實施例中,系統控制器306可以基於與製造裝備304的相關聯的第一有用物用量資料(utility use data)和與製造裝備304相關聯的第一利用率資料(utilization data),決定與製造裝備304相關聯的實際生態效益表徵。例如,第一有用物用量資料和第一利用率資料可以由系統控制器306決定。在另一個實施例中,第一有用物用量資料和第一利用率資料是從外部來源(例如伺服器320、雲端服務和/或雲端資料儲存器)接收的。系統控制器306可以將實際生態效益表徵與跟製造裝備304相關聯的第一生態效益表徵(例如第一估計生態效益表徵)進行比較。當使用與跟操作中的製造裝備304相關聯的實際值不同的用量和利用率資料值來計算第一生態效益表徵時,生態效益表徵可能是不同的。
在一個實施例中,系統控制器306可以決定,第一生態效益表徵比實際生態效益表徵更具生態效益,表明可以調整製造裝備304上的設定以更好地最佳化製造裝備304的生態效益。在一些實施例中,製造裝備304可以控制並調整子部件設定以更好地最佳化生態效益。
系統控制器306還可以基於實際用量資料、實際利用率資料和生態效益表徵,決定實際用量資料或實際利用率資料與跟第一生態效益表徵相關聯的用量資料和利用率資料不同。當使用標稱或估計的資料值來決定第一生態效益表徵,並在製造裝備304操作時使用不同的、實際記錄的資料值時,可能就是這種情況。在這種情況下,對與製造裝備304相關聯的一個或多個設定的調整可能有利於最佳化製造裝備的生態效益。
資料儲存器312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,例如由雲端伺服器和/或處理器提供的儲存器。資料儲存器312可以儲存一個或多個歷史感測器資料。資料儲存器312可以儲存一個或多個生態效益資料314(其例如包括歷史的和/或當前的生態效益資料)、感測器和製程配方資料316(其例如包括歷史的和/或當前的感測器和製程配方資料316)、修改和最佳化資料(其例如包括歷史的和/或當前的修改和最佳化資料318)和數位複製品資料319。感測器和製程配方資料316可以包括各種製程步驟、製程參數窗、替代製程步驟、製程排隊指令等,用於在重疊的製造裝備上執行多個製程。感測器和製程配方資料316可以與生態效益資料314連結或以其他方式相關聯,以跟蹤各種製程步驟、配方等的生態效益。修改和最佳化資料318可以包括對先前製程配方(包括個別的製程步驟,或多個製程配方的協調)進行的歷史修改和由這些修改導致的相關聯的生態效益變化。
生態效益資料314可以包括用於生態效益表徵的各種消耗資源。在一個實施例中,生態效益資料314納入水用量、排放量、電能用量和其組合中的一者或多者。在其他的實施例中,生態效益資料314可以包括其他類別的資源消耗,例如氣體用量、重金屬用量和優養化潛勢。
數位複製品資料319可以包括與數位複製品相關聯的資料。數位複製品資料319可以包括與數位孿生體(digital twin)相關聯的資料。如本文所用,數位孿生體可以包括實體資產(如製造裝備304)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。
如先前所討論,數位複製品可以包括基板製造系統的一個或多個實體資產的基於物理學的模型。數位複製品資料319可以封裝與基於物理學的模型的一個或多個態樣相關聯的關係、參數、規格等。例如,基於物理學的模型可以表明基板製程腔室的大小和幾何形狀與環境資源消耗之間的關係。更新可以與對基板處理腔室的大小或幾何形狀中的至少一者的修改相關聯。基於物理學的模型可以表明基板製造系統內使用的淨化氣體的類型與環境資源消耗之間的關係。更新可以與如何藉由修改用於淨化系統的氣體的類型和量來改變環境資源消耗相關聯。例如,具體的資源消耗更新可以包括環境資源消耗如何藉由將使用的淨化氣體從諸如氮氣之類的第一淨化氣體改變為乾淨乾燥空氣(CDA)而受到影響。基於物理學的模型可以表明從基板製造系統抽取熱的程序中的至少一者與環境資源消耗之間的關係。更新可以與對排熱設備、氣體減量設備、水冷設備或排氣結構中的至少一者的修改相關聯。
伺服器320可以包括部件整合工具322、數位複製品工具324、最佳化工具326、配方建立器工具328、資源消耗工具330和/或探索工具。部件整合工具322可以決定每個設備(例如每個個別的製造裝備)的累積消耗量。如本文所述,伺服器320的各種工具可以在彼此之間傳遞資料,以實現每個相應的功能。
部件整合工具322可以接收製造資料(例如配方、配方選集、製造裝備、配方間和配方內的過程等),並對該資料的不同劃分執行生態效益分析。在一些實施例中,部件整合工具322可以為來自單獨製程配方的多個製程步驟決定生態效益表徵。例如,部件整合工具322可以為晶片製造過程從開始到結束的所有步驟決定生態效益表徵。例如,每個製造步驟可以包括一個或多個製造步驟(例如數百個製造步驟),每個製造步驟有一個生態效益表徵,並一起有一個集體生態效益表徵。在另一個例子中,可以使用過程的一個選集來決定製造過程步驟的一個子集的生態效益。
在另一個實施例中,部件整合工具322可以執行配方間過程的生態效益表徵。例如,生態效益表徵可以與執行來自多個不同製造過程(例如製程配方308)的多個不同製程步驟的製造裝備(例如製造系統302的製造裝備)相關聯。在另一個例子中,各種製程步驟的排序(例如配方內或配方間)可能會影響整體生態效益。部件整合工具322可以為整個製造裝備系統和/或整個製程序列執行整體生態效益表徵。例如,部件整合工具322可以在執行類似功能的子部件(例如多個處理腔室)之間執行生態效益比較。
在一個說明性的例子中,每個製程步驟可以由一個處理腔室進行,如磊晶沉積或蝕刻。這些製程步驟中的每一者都是使用一個製程配方來進行的。可能有許多不同的製程配方用於執行諸如磊晶沉積之類的製程。例如,一個製程配方可以包括多個步驟,例如:1)淨化腔室;2)泵抽;3)流入氣體;4)加熱腔室,等等。這些步驟可以與一個或多個製程配方相關聯。
在另一個實施例中,部件整合工具322可以執行包括輔助裝備的生態效益的生態效益表徵。輔助裝備可以包括不直接用於製造但協助實現各種製程配方的裝備。例如,輔助裝備可以包括設計為在各種製造裝備之間移動晶圓的基板輸送系統。在另一個例子中,輔助裝備可以包括散熱器、共用排氣口、電源輸送系統等。部件整合工具322可以考慮到輔助設備資源消耗,並將輔助設備資源消耗與製造資源消耗相結合,以為一個製程配方(例如子集或整個配方)或各個配方(例如子集或整個配方)的組合決定資源消耗。
在另一個實施例中,部件整合工具322可以執行考慮到製程或配方的序列的生態效益表徵。例如,執行製程步驟A然後執行製程步驟B可能會導致第一資源消耗,而執行製程步驟B然後執行製程步驟A可能導致與第一資源消耗不同的第二資源消耗。部件整合工具322整合多個機器裝備和/或製程步驟的生態效益,並考慮到一個製程配方(例如子集或整個配方)或各個配方(例如子集或整個配方)的組合的製程步驟序列。
在一些實施例中,每個製程步驟都有不同的製造裝備。例如,晶圓上的薄膜可能有多個層。第一機器可以執行第一操作(例如沉積),第二機器可以執行第二操作(例如蝕刻),第三機器可以執行第三操作(例如沉積),以此類推。部件整合工具322可以指示資源消耗跟蹤器跟蹤多個機器上的多個處理步驟以產生資料貯藏報告(data stash report)。如前所述,可以為處理配方的一個選集描寫消耗報告,包括晶圓從開始到結束的壽命。
在一些實施例中,部件整合工具322可以執行腔室間的環境資源消耗比較。部件整合工具可以利用數位複製品工具324來提供一個或多個物理學資料,表明兩個腔室之間生態效益差異的理由。
數位複製品工具324從製造系統302和/或客戶端設備350接收製造資料,並產生與該製造資料相關聯的數位複製品。製造資料可以包括機器裝備304和製程配方308的製程步驟的選集。數位複製品工具324產生製造系統的實體系統架構的數位孿生體,或虛擬輸入的系統(其例如由使用者在客戶端設備350上產生)。
由數位複製品工具324產生的數位複製品可以包括物理學模型、統計模型和/或混合模型中的一者。物理學模型可以包括基於物理學的約束條件和控制演算法,這些演算法被設計為估計輸入的製造資料的物理條件(例如排氣溫度、電源輸送需求和/或表明與環境資源消耗相關聯的物理環境的其他條件)。例如,使用者可以在客戶端設備350上創建製程配方。製程配方可以包括製程或配方的參數,以及以某種方式使用機器裝備的指令。數位複製品工具324會採取這種製造資料並決定系統的物理約束條件(例如操作溫度、壓力、排氣參數等)。例如,物理學模型可以基於腔室的硬體配置(例如使用A型裝備材料對B型裝備材料)和/或配方參數來識別系統的物理條件。在另一個例子中,可以根據影響損失到水、空氣和/或加熱通風和空調(HVAC)裝備的熱量的相關機器裝備零件決定物理條件。數位複製品工具324可以與其他工具(例如部件整合工具322和/或資源消耗工具330)合作以預測收到的製造資料的生態效益表徵。應該指出的是,數位複製品工具324可以在不接收來自由製造裝備304執行製程配方的經驗資料的情況下,預測製造過程和製造裝備的選集的生態效益。因此,製造裝備的數位複製品可以用於在不實際建立特定的裝備設計或運行特定的製程配方的情況下,預測裝備設計和/或製程配方的生態效益。
在一些實施例中,數位複製品工具324可以與數位孿生體一起操作。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,由數位複製品工具324使用的物理模型可以包括流體流量建模、氣體流量和/或消耗建模、基於化學的建模、熱傳導建模、電能消耗建模、電漿建模等。
在一些實施例中,數位複製品工具324可以採用統計建模來預測製造資料的生態效益。統計模型可以用於基於先前處理的歷史生態效益資料(例如生態效益資料314)使用統計運算來處理製造資料以驗證、預測和/或變換該製造資料。在一些實施例中,統計模型是使用統計製程控制(SPC)分析來產生的,以為資料決定控制限值,並基於那些控制限值將資料識別為更可靠或更不可靠。在一些實施例中,統計模型與單變量和/或多變量資料分析相關聯。例如,可以使用統計模型來分析各種參數,以通過統計過程決定模式和相關性(例如範圍、最小值、最大值、四分位數、變異數、標準差等)。在另一個例子中,可以使用迴歸分析、路徑分析、因素分析、多變量統計製程控制(multivariate statistical process control;MCSPC)和/或多變量變異數分析(multivariate analysis of variance;MANOVA)來確定多個變數之間的關係。
最佳化工具326可以接收製程配方308和機器裝備304的選集,並識別對各選集的修改,以改進生態效益(例如減少資源消耗、資源成本消耗和/或環境影響(例如進入大氣的氣態或顆粒物種))。最佳化工具326可以納入機器學習模型(例如機器學習系統370的模型390)的使用。機器學習模型可以接收製程配方和/或機器裝備的選集作為輸入,並決定對該選集的一個或多個修改,這些修改當由製造系統302執行時會改進該選集的整體生態效益。在一些實施例中,機器學習模型可以使用數位複製品工具來產生用於訓練的合成製造資料。替代性或附加性地,機器學習模型可以使用歷史資料(例如生態效益資料314、感測器和製程配方資料316和/或修改和最佳化資料318)來訓練機器學習模型。
由最佳化工具326識別的修改可以包括改變製程步驟,改變製程的順序,改變由一台機器裝備執行的參數,改變第一製程配方與第二製程配方的交互作用(例如順序、同時操作、延遲時間等),等等。在一些實施例中,最佳化工具326可以向製造系統302發送指令以直接執行最佳化。然而,在其他的實施例中,最佳化工具可以在圖形使用者介面(GUI)上顯示修改,供操作員按其行動。例如,數位複製品工具324可以向客戶端設備350發送一個或多個修改,以便在瀏覽器352和/或應用程式354中顯示。
在一些實施例中,最佳化工具326可以調整由數位複製品工具324產生的數位孿生體模型的超參數(hyper parameter)。正如將在以後的實施例中討論的那樣,最佳化工具326可以藉由在數位複製品上運行模擬修改並評估從數位複製品輸出的生態效益結果,來納入強化學習和/或深度學習。
在一些實施例中,最佳化工具326可以執行將一種或多種類型的環境資源列為優先事項的生態效益表徵和最佳化。例如,如前所述,生態效益表徵可以基於各種資源消耗,例如水用量、氣體用量、能源用量等。最佳化工具326可以執行將第一資源消耗(例如水用量)優先於第二資源消耗(例如氣體用量)的最佳化。在一些實施例中,最佳化工具326可以執行使用加權優先級系統的最佳化。例如,當最佳化生態效益和/或識別對製造過程的生態效益修改時,可以為一個或多個資源消耗分配表明相關聯的每單位資源消耗的最佳化優先級的權重。
配方建立器工具328可以接收製造過程和/或機器裝備的選集,並在每次對虛擬的製造過程和/或裝備選集進行添加、刪除和/或修改之後,動態地逐步決定和預測生態效益。當製造配方被更新時,配方建立器工具328可以使用其他工具(例如部件整合工具322、數位複製品工具324、最佳化工具326和資源消耗工具330)來動態地更新經決定的生態效益。例如,使用者可以創建製造配方。配方建立器工具328可以輸出製程配方的當前迭代的當前生態效益。配方建立器工具328可以接收對當前迭代的修改,該修改更新了製程配方。配方建立器工具328可以輸出經更新的生態效益表徵。
在一些實施例中,配方建立器工具328和最佳化工具326可以用於將一個或多個配方識別為比其他配方更具生態效益。例如,配方建立器工具328可以導致或以其他方式提供,在GUI(例如客戶端設備350)上呈現與製程工具相關聯的一個或多個(例如前三個)最節能的配方。配方建立器工具328可以使用數位複製品工具324提供表明該一個或多個節能配方為何以對應的高生態效益表現的理由的細節。
資源消耗工具330可以跟蹤各種資源消耗。例如,如前所述,生態表徵可以基於更廣泛的資源,例如能源消耗、氣體排放量、水用量等。然而,資源消耗工具330可以更具體地跟蹤資源消耗。在一些實施例中,由資源消耗工具330接收製程配方和/或製造裝備的選集。資源消耗工具330可以決定與製造裝備和/或製程配方的選集相關聯的部件的生命週期資料。例如,製造裝備在使用過程中會磨損,並且在一些情況下需要採取改正動作,例如替換和/或修理某個部件。這種改正動作也與環境消耗(例如用於執行改正動作的資源消耗)相關聯。資源消耗工具330可以單獨跟蹤部件壽命資料,並基於預期未來要執行的改正動作,提供每單位的環境資源消耗和/或環境影響。
在一些實施例中,可以為各種崩潰(breakdown)監測、跟蹤和/或以其他方式決定環境資源消耗。在一些實施例中,資源消耗工具330可以對能源、氣體和水消耗執行即時監測。資源消耗工具330可以決定腔室級消耗,包括計算腔室的總電氣、氣體和水消耗(例如每個晶圓、每天、每週、每年等的消耗)。資源消耗工具330可以決定工具級消耗,包括決定工具的總電氣、氣體和水消耗(例如每天、每週、每年等的消耗)。資源消耗工具330可以決定個別的氣體消耗,包括決定個別氣體消耗的一個分類(break up)(例如每個晶圓、每天、每週、每年等的消耗)。資源消耗工具330可以產生包括腔室和工具級的能源、氣體和水消耗的標準報告。
在一些實施例中,資源消耗工具330可以決定所有子工廠(subfab)部件的總電氣、氣體和水消耗(例如每天、每週、每年等的消耗)。資源消耗工具可以決定配方級消耗,包括在對應的腔室和/或工具上運行的任何配方的總電氣、氣體和水消耗。資源消耗工具可以決定部件級消耗,包括腔室中所有能源消耗部件的能源消耗的一個分類。資源消耗工具330可以執行按需定制的報告,包括決定按需定制的資訊和按需定制的生態效益報告。資源消耗工具330可以在不同配方和時間點的能源消耗(包括量化節能)與使用配方最佳化(例如使用最佳化工具326)的節能機會之間執行比較。
探索工具332可以在決定對製造裝備304的一個或多個更新的效果時與數位複製品工具324通訊。探索工具332可以利用數位複製品工具324來產生包括基板製造系統(例如製造裝備304)的數位重製品的數位複製品。探索工具可以接收對製造裝備的更新,並使使用者能夠探索所使用的裝備、裝備配置、與裝備性能相關聯的製程參數等的各種替代佈置。探索工具332可以採用資源消耗工具330來決定與由納入如本文所述的更新的基板製造系統執行該一個或多個製程程序對應的環境資源使用資料。環境資源使用資料可以被提供,以顯示在圖形使用者介面(GUI)上(例如客戶端設備350上)。
在一些實施例中,對製造系統的更新可以包括用第二硬體子系統設備替換第一硬體子系統設備,該第二硬體子系統設備的一個或多個操作規格與該第一硬體子系統設備不同。在一個示例性的實施例中,對製造系統的更新可以包括將第一製造裝備配置改變為第二製造裝備配置。在一個示例性的實施例中,對製造系統的更新可以包括改變基板製造系統的實體資產的經排定的操作模式,其中該經排定的操作模式包括降低功率模式。在一個示例性的實施例中,該更新包括將基板製造系統的支援資產的經排定的操作模式改變為共用操作模式,其中以該共用操作模式操作的該支援資產交替為實現該一個或多個製程程序的基板製造系統的多個實體資產實現支援功能。
在一些實施例中,數位孿生體可以用於估計與製造過程步驟相關聯的一些耗材的壽命。壽命資料可以用於估計壽命長短,並預測即將採取的補救步驟,以應對預測的壽命。例如,壽命資料可以用於藉由主動通知供應鏈訂購替換零件來保持最佳化的生態效益性能。
在一些實施例中,由伺服器的其他工具決定的環境資源使用資料可以包括與第一製造裝備的耗材零件的替換程序或維護程序中的一者相關聯的環境資源消耗和/或環境影響。在一些實施例中,最佳化工具326可以決定對製造過程的修改,這些修改可以包括執行與機器裝備(例如機器裝備304)的部件相關聯的改正動作。
探索工具332可以執行與製造系統相關聯的擁有成本分析。擁有成本分析可以包括對製造系統的交互工作的全面分析,以計算擁有和/或操作系統的總成本。探索工具332可以計算客戶執行特定製造程序的成本。探索工具332可以決定晶圓成本、與由系統使用的氣體對應的成本、與正在使用的工具相關聯的成本(例如壽命退化資料)和用於由製造系統執行一個或多個製程程序的電力。可以計算每單位(例如以每個晶圓為基礎)的擁有成本。
在一些實施例中,機器學習系統370進一步包括伺服器機器372、伺服器機器380和/或伺服器機器392。伺服器機器372包括資料集產生器374,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、驗證和/或測試機器學習模型390。
伺服器機器380包括訓練引擎382、驗證引擎384和/或測試引擎386。引擎(例如訓練引擎382、驗證引擎384和/或測試引擎386)可以指硬體(例如電路系統、專用邏輯、可程式邏輯、微碼、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、微碼或其組合。訓練引擎382可以能夠使用與來自資料集產生器374的訓練集相關聯的一組或多組特徵來訓練機器學習模型390。訓練引擎382可以產生一個或多個經訓練的機器學習模型390,其中每個經訓練的機器學習模型390可以是基於訓練集中相異的一組特徵和/或訓練集中相異的一組標籤來訓練的。例如,第一經訓練的機器學習模型可能是使用由數位複製品工具324輸出的資源消耗資料來訓練的,第二經訓練的機器學習模型可能是使用歷史生態效益資料(例如生態效益資料314)來訓練的,以此類推。
驗證引擎384能夠使用來自資料集產生器374的驗證集來驗證經訓練的機器學習模型390。測試引擎386能夠使用來自資料集產生器374的測試集來測試經訓練的機器學習模型390。
機器學習模型390可以指由訓練引擎382使用訓練集所創建的該一個或多個經訓練的機器學習模型,該訓練集包括資料輸入,並且在一些實施例中還包括對應的目標輸出(例如針對相應訓練輸入的正確答案)。可以找出資料集中使資料輸入集群和/或將資料輸入映射到目標輸出(正確答案)的模式,並且機器學習模型390被提供捕捉這些模式的映射和/或學習這些映射。機器學習模型390可以包括人工神經網路、深度神經網路、卷積神經網路、遞歸神經網路(例如長短期記憶(LSTM)網路、convLSTM網路等)和/或其他類型的神經網路。機器學習模型390可以附加性地或替代性地包括其他類型的機器學習模型,例如使用線性迴歸、高斯迴歸、隨機森林、支援向量機等中的一者或多者的機器學習模型。
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。在影像辨識應用中,例如,原始輸入可能是一個像素矩陣;第一代表層(representational layer)可以將像素抽象化並對邊緣進行編碼;第二層可以對邊緣的佈置進行編製(compose)和編碼;第三層可以對更高層次的形狀(如牙齒、嘴唇、牙齦等)進行編碼;第四層可以辨識掃描作用。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。
機器學習模型的訓練可以大致分為監督式學習和無監督式學習。這兩種訓練機器學習模型的技術在實施例中均可以使用。在一個實施例中,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(藉由測量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。在大影像等高維環境中,在有足夠大且多樣化的訓練資料集可用時,就可以實現這種泛化。
對於模型訓練,應使用包含數百、數千、數萬、數十萬或更多個資料輸入的訓練資料集來形成訓練資料集。在實施例中,多達數千、數萬、數十萬或數百萬個歷史資料案例(例如,在處理腔室中執行的製程和相關聯的資源消耗標籤的歷史資料案例)可以可用於形成訓練資料集,其中每個案例可以包括一種或多種類型的有用資訊的各種標籤。例如,每個案例可以包括顯示製程腔室、配方、各種資源利用率等的資料。這個資料可以被處理,以產生一個或多個訓練資料集,用於訓練一個或多個機器學習模型。例如,機器學習模型可以根據輸入的製程腔室和/或配方資訊進行訓練,以估計資源消耗和/或生態效率,提出對配方和/或製程腔室的修改,等等。這種經訓練的機器學習模型可以添加到生態效率儀表板中,並且可以被應用以提供有關資源消耗和生態效率的詳細資訊,以及在製程腔室上執行製程之前、期間和/或之後降低資源消耗和/或提高生態效率的方法。
處理邏輯可以收集一個訓練資料集,該訓練資料集包括具有一個或多個相關標籤(例如,資源消耗、生態效率值、改進製程配方參數的建議等的相關標籤)的歷史製程運行資訊。訓練資料集可以附加性地或替代性地被擴增。大規模神經網路的訓練通常會使用數以萬計的輸入,這在許多真實世界的應用中並不容易獲得。資料擴增可以用於人工地增加有效樣本的大小。
為了實現訓練,處理邏輯將訓練資料集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,以產生執行上面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一個或多個資料輸入輸入到機器學習模型中來執行。每個輸入可以包括來自訓練資料項目中的歷史製程運行的資料,該訓練資料項目來自訓練資料集。機器學習模型處理輸入以產生輸出。人工神經網路包括一個輸入層,該輸入層由資料點中的值組成(例如,強度值和/或高度圖中像素的高度值)。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,然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,輸出可以包括對一種或多種類型資源的經預測或估計的資源消耗,可以包括生態效率值,等等。
然後,處理邏輯可以將所產生的輸出與包括在訓練資料項目中的已知標籤進行比較。處理邏輯基於輸出與所提供的標籤之間的差異決定誤差(即分類誤差)。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,然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影像的目標數量、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,如果機器學習模型的準確度已經停止提高,那麼停止標準被滿足。如果沒有滿足停止標準,那麼就執行進一步的訓練。如果滿足了停止標準,那麼訓練就可能完成了。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。
修改識別部件394可以向經訓練的機器學習模型390提供當前的資料,並且可以對輸入運行經訓練的機器:學習模型390以獲得一個或多個輸出。修改識別部件394能夠根據經訓練的機器學習模型390的輸出作出決定和/或執行操作。ML模型輸出可以包括置信度資料,該置信度資料表明ML模型輸出(例如修改和最佳化參數)與當被應用時可以改進製造過程和/或製造裝備的選集的整體生態效益的修改對應的置信度位準。在一些實施例中,修改識別部件394可以基於ML模型輸出執行製程配方修改。修改識別部件394可以向伺服器320的一個或多個工具提供ML模型輸出。
置信度資料可以包括或表明ML模型輸出正確(例如ML模型輸出與跟訓練資料項目相關聯的已知標籤對應)的置信度位準。在一個例子中,置信度位準是0與1之間的實數,可以包括0和1,其中0表明對於ML模型輸出正確沒有信心,1表明對於ML模型輸出正確有絕對的信心。回應於置信度資料表明對於預定數量的實例(例如實例百分比、實例頻率、實例總數等),置信度位準低於閾值位準,伺服器320可以導致經訓練的機器學習模型390被再訓練。
出於說明而非限制的目的,本揭示內容的態樣描述了使用製程配方資料來訓練機器學習模型,以及將製造過程和/或製造裝備的當前選集輸入經訓練的機器學習模型,以決定ML模型輸出(製程修改和最佳化參數,例如特定資源消耗的目標生態效益)。在其他的實施方式中,使用試探(heuristic)模型或基於規則的模型來決定輸出(例如在不使用經訓練的機器學習模型的情況下)。
在一些實施例中,製造系統302、客戶端設備350、機器學習系統370、資料儲存器312和/或伺服器320的功能可以由較少數量的機器提供。例如,在一些實施例中,伺服器機器372和380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372、伺服器機器380和伺服器機器392可以被整合成單個機器。在一些實施例中,伺服器320、製造系統302和客戶端設備350可以被整合成單個機器。
一般而言,一個實施例中被描述為由製造系統302、客戶端設備350和/或機器學習系統370執行的功能,在其他實施例中也可以酌情在伺服器320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。例如,在一些實施例中,伺服器320可以接收製造資料並執行機器學習操作。在另一個例子中,客戶端設備350可以基於來自經訓練的機器學習模型的輸出執行製造資料處理。
此外,特定部件的功能還可以由一起操作的不同部件或多個部件所執行。伺服器320、製造系統302或機器學習系統370中的一者或多者可以作為通過適當的應用程式設計介面(API)提供給其他系統或設備的服務被存取。
在實施例中,「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複數個使用者和/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4是說明生態效益永續性系統架構400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。系統架構400包括具有一個或多個子部件404(例如處理腔室)的處理工具402的選集。系統架構可以進一步包括支援一個或多個子部件的支援裝備,例如電源供應器、泵、氣流、冷卻劑流和類似物。如前所述,處理工具402包括用於處理基板的各種製造工具。在線路406處,感測器(包括製程腔室的感測器,以及外部感測器)測量並傳輸製造資料(例如,能源消耗感測器資料、氣體和水消耗資料等)到共地架構(common ground architecture)408。共地架構408可以包括一個或多個控制演算法,這些演算法被配置為實現製造過程步驟和管理製程參數(例如,關鍵製程參數、機器裝備診斷參數,或以其他方式表明製造過程的參數)。
共地架構408可以將感測器資料(其例如來自有線感測器和/或無線感測器,如物聯網(IOT)感測器)傳輸到資料管理演算法(例如整合演算法410)。整合演算法410可以解析從處理工具402接收的製造資料,以選擇資料的一部分來執行生態效益表徵。整合演算法410拉取(pull)資料以對製造程序步驟和/或製造裝備的選集執行累積生態效益表徵。所選的資料可以與基於物理學的模型414聯合使用,以決定處理工具402(例如每個子部件404的處理工具)的物理條件。該資料可以與來自機載定序器和/或規劃器或來自操作員的排程資訊相結合(例如在線路418處)。排程資訊可以包括表明即將到來的配方、工具閒置狀態、維護等的資料。在一些實施例中,本文所述的一個或多個資料和/或模型可以被整合在製造中心排程器網路或軟體系統或製造執行系統中的一者或多者中。
與排程資料相結合的製造資料的選集可以輸入到基於物理學的模型414中。在一些實施例中,基於物理學的模型是機械學模型。機械學模型檢查了製造資料和排程資訊的各個資料點的工作情況以及各個資料點的耦合方式,以決定資料耦合的物理/機械學表示。在一些實施例中,機械學模型可以包括處理資料以決定對資源消耗的預測。例如,機械學模型可以處理製造資料,以決定資源消耗(例如水、能源、氣體等)預測和/或環境影響(例如進入大氣的氣態或顆粒物種)。機械學模型可以使用歷史製造資料來產生,之後用在當前資料上以決定預測。
在一些實施例中,基於物理學的模型414可以納入各種物理學關係,例如熱力學、流體力學、能量守恆、氣體定律、機械系統、能量守恆、運輸和輸送等。例如,處理工具可以將冷卻水流包括到製造裝備的一部分以執行冷卻過程。物理學模型可以將流體力學與熱傳導合併起來,以決定用於將原始製造資料變換成生態效益可以被表徵的系統製程資料的模型。在一些實施例中,物理學模型可以用於決定閾值資源消耗條件是否被滿足。沿著同樣的例子,物理學模型可以用於決定流體的流速,並轉而決定子部件內的導熱率。如果這個導熱率低於閾值率,那麼額外的能量可能會損失到排氣中。因此,物理學模型可以決定,流體流速的操作低於保持期望生態效益位準的期望流速位準。
在一些實施例中,基於物理學的模型414納入了輔助或周邊裝備操作資源消耗。例如,為處理設備供電以向處理工具402提供控制演算法(例如使用共地架構408提供)的能源消耗。輔助裝備可能不設置在製造裝備附近,也不直接與單一製造過程相關聯,但可以使用基於物理學的模型414將其分攤為對各種製造過程步驟(或各個製造過程)的貢獻。
在一些實施例中,附加於或替代於使用物理學模型,對製造資料使用統計模型。統計模型可以用於基於統計運算處理資料,以驗證、預測和/或變換製造資料。在一些實施例中,統計模型是使用統計製程控制(SPC)分析來產生的,以為資料決定控制限值,並基於那些控制限值將資料識別為更可靠或更不可靠。在一些實施例中,統計模型與單變量和/或多變量資料分析相關聯。例如,可以使用統計模型來分析各種參數,以通過統計過程決定模式和相關性(例如範圍、最小值、最大值、四分位數、變異數、標準差等)。在另一個例子中,可以使用迴歸分析、路徑分析、因素分析、多變量統計製程控制(multivariate statistical process control;MCSPC)和/或多變量變異數分析(multivariate analysis of variance;MANOVA)來確定多個變數之間的關係。
在一些實施例中,系統架構400包括和自適應最佳化演算法416。自適應最佳化演算法416與基於物理學的模型414一起工作,以決定對製造過程和/或執行相關聯的製程的製造裝備的選集的修改。在一些實施例中,自適應最佳化演算法向控制軟體輸出自動最佳化命令(例如在線路424處)。在其他的實施例中,自適應最佳化演算法可以向操作員輸出建議以最佳化性能(例如在線路420處)。在一些實施例中,自適應最佳化演算法輸出涉及硬體部件的自動最佳化命令(例如在線路422處)。
在一些實施例中,自適應最佳化演算法416使用機器學習模型來決定對製造過程和/或製造裝備的修改。機器學習模型可以是經訓練的機器學習模型(其例如使用方法700A-C來訓練和執行)。正如將在進一步的實施例中討論的那樣,機器學習模型可以與基於物理學的模型一起操作,以識別對作為輸入接收的製造過程和/或裝備的修改。
系統架構400可以包括合併儀表板GUI(consolidated dashboard GUI)412。合併儀表板GUI可以被設計成顯示相關的製造資料(例如,感測器資料、機器裝備診斷、機器裝備狀態、製造過程狀態等)。在一些實施例中,合併儀表板GUI包括從使用者接收輸入的方法。例如,使用者可以輸入製造資料(例如使用配方建立器工具328來輸入),以產生配方。這個額外的製造資料可以用作對基於物理學的模型和自適應最佳化演算法416中的一者或多者的輸入。在實施例中,儀表板包括說明各種資料的機隊(fleet)視圖、工具視圖、裝備視圖和系統示意圖,以及表明對應的環境資源消耗的圖形繪圖。圖9A-E討論了涉及合併儀表板GUI的進一步特徵、態樣和/或細節。
圖5描述了用於監測、維持和/或最佳化製造過程的示例性方法學500的流程圖。示例性方法學可以分成兩個部分:第一,訓練機器學習模型524,第二,實施製造過程504。在一個實施例中,示例性方法學500包括機器學習模型502、工具軟體506、工具硬體508和物理學模型512。
在一些實施例中,機器學習模型用於接收製造過程和/或製造裝備的選集,並輸出對製造過程和/或製造裝備的一個或多個修改,以改進生態效益(例如減少資源消耗)。在一些實施例中,物理學模型512用於產生模擬的訓練/驗證資料520。回應於收到的模擬訓練/驗證資料520,機器學習模型502產生模擬修改518,這些模擬修改可以回傳到物理學模型512並進行驗證。機器學習模型502經由各種模擬和/或真實的訓練/驗證資料520進行訓練。一旦經過訓練,機器學習模型502就可以接收經驗(empirical)製造系統和/或要由該系統執行的製程配方的選集。機器學習模型502向實施工具軟體的系統控制器(例如系統控制器128)輸出製造過程指令和/或修改504。這些修改可以改進生態效益。工具軟體506向工具硬體508提供製造過程指令514。工具硬體508實施製造過程。工具硬體包括感測器,這些感測器將感測器資料報告回實施工具軟體506的系統控制器。
在一些實施例中,系統控制器將工具硬體的一個或多個物理條件識別為違反閾值條件。(例如到達高溫、超壓、氣體洩漏、電源短缺等)。系統控制器可以修改製造過程指令,以彌補違反閾值條件的情況(例如基於來自機器學習模型502的輸出來修改)。
包括工具硬體508的製造系統將經驗訓練/驗證510報告回物理學模型512。然後,物理學模型可以被更新,並且可以產生和更新模擬的訓練/驗證資料520,該模擬的訓練/驗證資料可以用於進一步訓練機器學習模型。
在一些實施例中,物理學模型512產生模擬的訓練/驗證資料,然而,在其他的實施例中,物理學模型輸出對製造過程的修改。在這種實施例中,機器學習模型可以被用作最佳化模型,其調整超參數(例如製造資料參數)以識別用於進一步最佳化製造過程的修改。例如,製造過程可以用作對物理學模型512的輸入。然後,機器學習模型可以處理物理學模型512的輸出,以識別對製造過程的潛在變化(即超參數)。經識別的變化可以在物理學模型上運行,以決定對應的更新生態效益。這可以在迭代過程中重複進行,以微調裝備設計和/或配方設計。在一個例子中,最佳化模型可以使用Broyden-Fletcher-Goldfarb-Shanno(BFGS)演算法的實例、共軛梯度(CG)演算法、Nelder-Mead演算法的實例和/或模型預測控制(MPC)演算法來產生和/或實施。
圖6描述了依據本揭示內容的一些實施方式的示例性數位複製品。數位複製品600可以包括製造系統的選集的數位孿生體,並且可以包括例如該製造系統的數位重製品,該數位重製品包括相同的腔室、閥門、氣體輸送管線、材料、腔室部件等。數位複製品600可以接收製造裝備處理資料作為輸入,該製造裝備處理資料可以包括由製程腔室的一體感測器輸出的第一感測器資料602-604和由不是製程腔室的部件的外部感測器輸出的第二感測器資料606-608。輸入可以進一步包括製程配方和/或包括製程腔室的製造系統的輸出物理條件。在一些實施例中,數位複製品600包括基於物理學的模型,該基於物理學的模型可以納入各種物理學關係,例如熱力學、流體力學、能量守恆、氣體定律、機械系統、能量守恆、運輸和輸送等。數位複製品600處理輸入資料,並產生輸出610。輸出可以包括製程腔室和/或其他系統或設備的一個或多個物理條件。輸出可以附加性地或替代性地包括環境資源使用資料。
在一個例子中,數位複製品600可以接收第一氣體的第一氣體流量、第二氣體的第二氣體流量和第三氣體的第三氣體流量以及第一製程配方作為輸入。數位複製品可以使用基於物理學的模型來估計藉由氣流離開腔室的能量量。例如,該模型決定排氣的溫度和流過排氣的總能量。在另一個例子中,同樣的數位複製品600可以輸出生態效益最佳化修改,例如腔室的不同硬體配置(例如使用第一線型A對使用第二線型B)。數位複製品可以識別系統中影響損失到水、空氣和HVAC的熱量的相關零件,並識別建議的最佳化以改進能源節約。
在一些實施例中,數位複製品600可以為一個或多個氣體面板或氣體箱決定排氣量,這些氣體面板或氣體箱包含在整個製造系統的一個或多個地方使用的氣體。例如,每個氣體箱可以使用具有負壓的專用排氣裝置,以有效地抽空氣體,如在氣體管道洩漏或更普遍的故障情況下(例如,為了防止毒素進入製造設施或製造系統的不理想位置。數位複製品可以是數位孿生體的一部分,其利用關於氣體箱可能的氣體類型和體積的資訊,並決定調整到適當處置氣體(例如抽空洩漏)所需的排氣流量。抽空流速可以根據排氣壓力和流量來決定。抽空流程可以包括決定相關聯的參數以最佳化生態效益,同時保持最低安全性閾值和/或標準。
在一些實施例中,數位複製品600可以基於製程腔室內的加熱情況,表明排氣溫度和流過排氣的總能量。例如,製程腔室可以包括一個或多個製程裝備,例如基板製程程序期間的基板基座。來自腔室內的多餘熱量可以通過排氣來消減。可以改變基座的操作,以減少通過排氣損失的熱量。據報導,有幾種方法可以控制導熱組件中的熱傳導,如用於支撐基板的基座,該基座包括加熱元件和冷卻元件兩者,該冷卻元件藉由在基座內或在基板與基座之間循環冷卻介質(如氣態或液態冷卻劑)來移除多餘的熱量。當基板溫度在製程期間上升超過設定範圍時,加熱元件被關閉,冷卻元件被啟動以移除多餘熱量,從而控制溫度。與此過程相關聯的一個或多個參數可以用作對數位複製品600的輸入,以決定有多少多餘的熱量通過排氣損失。
在一些實施例中,數位複製品600可以表明離開減量或洗滌系統的能量流和/或化學物質(包括損失的前驅物或反應副產物)。例如,來自電子材料、設備、產品、太陽能電池和記憶體製品(下稱「電子設備」)的製造的氣態流出物流可以涉及各式各樣的化學化合物、有機化合物、氧化劑、光阻劑和其他試劑的分解產物,以及其他氣體和懸浮顆粒,在流出物從製程設施排放到大氣中之前,最好能將這些其他氣體和懸浮顆粒從流出物流中移除。
要減量的流出物流可以包括由電子設備製造過程產生的物種,和/或被輸送到電子設備製造過程中並且在沒有化學變化的情況下通過製程腔室的物種。如本文所用,術語「電子製造過程」旨在被廣義地解釋為包括電子設備製造中的任何和所有處理和單元操作,以及涉及電子設備和/或LCD製造設施中所使用或由其產生的材料的處理(treatment/processing)的所有操作,以及與電子設備和/或LCD製造設施結合實現的不涉及主動製造的所有操作(例子包括對製程裝備的調理,為準備操作而對化學輸送管道的淨化,對製程工具腔室的蝕刻清潔,來自由電子設備和/或液晶顯示器製造設施產生的流出物的有毒或有害氣體的減量,等等)。
在一些實施例中,數位複製品600考慮到洩漏氣體的排氣流量,或作為清潔程序的一部分。例如,可以定期從製造資產中沖洗氣體,以例如增加資產的使用壽命,提高產品的性能,或準備產品進行準備任務要執行的不同功能。數位複製品600可以決定與執行這個淨化程序相關聯的環境消耗(例如能源消耗、氣體消耗)。例如,數位複製品600可以表明用於沖洗系統的能源和/或氣體消耗(例如不斷向系統提供氣流以保持該系統內的動態氣體移動)。數位複製品600可以表明如何藉由調整處理系統內的一種或多種氣體流速(例如淨化氣體)來改變能源和/或氣體消耗。
在一些實施例中,數位複製品600可以利用製程配方,並決定什麼氣體正在進入處理腔室,什麼反應正在設置在處理腔室內的基板上發生,什麼氣體的利用與基板反應一起發生,等等。數位複製品600可以進一步決定在基板的表面上發生反應之後,哪些氣體以及以何種量繼續存在。數位複製品600可以進一步決定通過減量損失的氣體的量和類型。數位複製品600可以進一步決定被減量的最終副產物是什麼,以及最終副產物對環境的整體影響。
在一些實施例中,一個或多個基板處理程序可能要求進入和/或離開處理腔室的氣體流量一致,以處理滿足目標製程結果條件的基板。基板處理系統可以藉由執行一個或多個流向通風口(flow-to-vent)到流向腔室(flow-to-chamber)的過渡,以減少來自開/關去往腔室的氣流的暫態氣流,來實現穩定的氣流程序。例如,可以初始化並排放第一氣流,一旦氣流穩定下來,就可以藉由將排放的空氣導入製程腔室,向該腔室提供穩定的氣流。數位複製品600A可以決定作為這一過程的結果的氣體消耗(例如通過排氣損失的氣體)。例如,數位複製品可以識別在初始化或終止氣體流動的暫態時期期間的過渡時間和通過排放氣體損失的氣體量。數位複製品可以決定對排放氣體與將氣體導入腔室之間的過渡的最佳化。最佳化過渡時間可以減少通過排放損失的氣體,同時識別氣體達到穩定狀態的時間。在一些實施例中,氣流的過渡節奏可以基於製程結果要求來決定。例如,可以決定(例如最佳化)氣流過渡時間,以包括不會對對應的製程腔室內的製程結果產生負面影響的流速。
數位複製品600可以用於決定與製造系統的實體資產的一個或多個操作狀態相關聯的生態效益資料。在一個例子中,數位複製品600可以接收與製造系統的實體資產的一個或多個操作狀態相關聯的資料。例如,數位複製品600可以接收降低功率資料、睡眠模式資料、共用操作模式資料和/或製程配方資料,這些資料表明由數位複製品600代表的製造系統執行的一個或多個處理程序。
當一個或多個實體資產在操作時間和閒置時間期間以各種操作狀態操作時,可能會發生能源節約。例如,在製造過程的不同步驟中,子工廠裝備的各種元件可能不是必需的,因此可以取決於可能需要這些元件的時間,將其置於睡眠、閒置、休眠或關閉狀態。省電的低功率狀態的例子包括閒置狀態、睡眠狀態和休眠狀態。三種省電狀態的主要差異是持續時間和能源消耗。更深層次的閒置模式能源節約(如睡眠或休眠)需要更長的時間從節能模式中恢復才能實現全面生產而不影響製造過程的品質或產率。將製程腔室和相關聯的子工廠裝備恢復到最佳已知方法(BKM)的溫度和壓力可能需要幾秒鐘、幾分鐘或幾小時,這取決於與跟子工廠裝備和製程腔室的省電狀態相關聯的BKM腔室條件偏離的程度。閒置狀態通常持續幾秒鐘,睡眠狀態通常持續幾分鐘,而休眠狀態通常持續幾個小時。
數位複製品600可以識別製造系統的實體資產的一個或多個操作/電源狀態,並決定在給定情境(例如,系統硬體架構、子系統硬體架構、處理一個或多個製程配方、執行某些排定的製程和類似情境)中使用該電源狀態的效果。例如,數位複製品600可以是數位孿生體的一部分,它可以在製造系統上實際實施功率調整之前,決定閒置或全功率或調變的這種電源狀態和情境的效果。
基於操作需要,製程工具和相關聯的製造系統可以有各種不同的電源配置。例如,可能存在這樣的電源配置,即製程工具處於「關閉」狀態,而各種氣流和減量系統則滿載操作,以便在完成製造操作之後執行停機操作。出於本申請案的目的,術語「低功率配置」指的是製程工具和/或製造系統子工廠的一個或多個元件被一個或多個控制器指示以省電模式操作的任何狀態,例如在特定製程配方步驟或非生產閒置操作模式(例如上述的閒置、睡眠和休眠狀態)或關閉狀態期間不同的能源消耗位準。
在一些實施例中,一個或多個支援資產可以向超過一個其他的實體資產提供支援功能性。例如,對兩個製程腔室的泵送可以由單一泵來執行。利用支援資產來在兩個實體資產之間交替操作可以減少能源和整體環境成本。
數位複製品600可以識別與以一個或多個對應的操作模式操作的一個或多個實體資產相關聯的環境資源消耗資料。數位複製品600可以藉由推薦一個或多個實體資產在對應的工具經歷閒置狀態或實體資產的需求較低的狀態的時期期間利用降低功率狀態、睡眠模式狀態、休眠狀態和/或共用操作模式資料,來提供降低環境消耗成本的建議。
在另一個例子中,數位複製品600可以被配置為決定與執行預防性維護(PM)和/或清潔製造系統的實體資產相關聯的生態效率資料。數位複製品600可以接收淨化氣體資料、清潔過程資料、預防性維護資料、腔室恢復資料和/或製程配方,以決定環境資源消耗。
基板處理可以包括一系列的製程,這些製程依據電路設計在半導體(例如矽晶圓)中產生電路。這些製程可以在一系列的腔室中實現。現代半導體製造設施的成功操作可能旨在促進在晶圓中形成電路的過程中將穩定的晶圓流從一個腔室移動到另一個腔室。在執行許多基板程序的過程中,製程腔室的條件可能會折舊(depreciate),並導致經處理的基板未能滿足期望的條件或製程結果(例如臨界尺寸、製程均勻性、厚度尺寸等)。
清潔過程資料可以表明與清潔過程相關聯的一個或多個參數,例如清潔持續時間、頻率和/或蝕刻劑流量。清潔過程可能會利用某些環境資源,例如清潔材料、前驅物、蝕刻劑和/或用於實現清潔程序的其他物質。例如,清潔程序可以以一定的節奏或頻率(例如在有一定數量的晶圓經過處理之後)執行,以使未來基板的製程結果滿足閾值條件(例如製程均勻性、臨界尺寸等)。製程腔室清潔的頻率可以被調整(例如最佳化),以識別仍然會導致由在這個清潔頻率安排下操作的腔室處理的基板滿足閾值條件(例如最低製程結果要求)的清潔頻率。例如,可以實施多晶圓清潔程序,以節省環境資源,例如清潔材料、前驅物、蝕刻劑和/或用於實現清潔程序的其他物質。數位複製品600D可以接收清潔資料,並決定清潔最佳化,例如對清潔持續時間、頻率、清潔劑的用量等的更新。
預防性維護資料表明與製造系統的一個或多個實體資產相關聯的一個或多個預防性維護程序的類型、頻率、持續時間等中的一者或多者。預防性維護程序(例如腔室清潔)通常被用作腔室恢復過程的一部分,以使處理腔室的狀態返回到適合進入基板處理生產模式(例如大量基板處理)的狀態。恢復程序通常在預防性維護程序之後使用,以便為生產模式準備腔室(例如「預熱」腔室)。
腔室恢復資料表明與製造系統的一個或多個實體資產相關聯的一個或多個腔室恢復程序的類型、頻率、持續時間等中的一者或多者。傳統上採用的一個常見的恢復程序是對製程腔室進行調理。腔室季化是一種程序,包括處理一系列的基板(例如,空白矽晶圓),以恢復適合生產基板製程的腔室條件(例如,腔室壁的塗層)(例如,在腔室中處理的基板具有滿足期望閾值標準的製程結果)。在腔室調理後,腔室可以在生產模式下操作一段時間,直到需要或以其他方式推薦另一輪預防性維護和進一步的腔室調理,以恢復處理腔室的狀態。
淨化氣體資料可以表明淨化氣體的類型、量、頻率流速、清潔持續時間。數位複製品可以決定改變與所採用的淨化氣體有關的一個或多個操作參數的效果。例如,數位複製品600可以基於切換到使用替代淨化氣體類型(例如H
2、N
2、乾淨乾燥空氣(CDA)和類似物)的淨化程序的操作,決定對環境資源消耗的更新。
在另一個例子中,數位複製品600可以被配置為決定與製造系統的實體資產的一個或多個操作狀態相關聯的生態效益資料。數位複製品600可以接收冷卻劑迴路配置資料、製程冷卻水(PCW)資料、環境空氣資料和/或製程配方,並根據它們決定環境資源消耗資料。
基板處理中利用的製程腔室通常包括一些內部部件,這些內部部件在執行製程的期間和之後被重複加熱和冷卻。在一些情況下,例如,在製程腔室中執行了製程之後,當需要例行維修或維護時,這些部件被冷卻到約室溫。在用於從典型操作溫度(例如約90攝氏度)冷卻部件的溫控部件(例如具有冷卻劑通道的製程腔室蓮蓬頭)中,加熱部件的熱源可以被關閉,冷卻劑流過冷卻劑通道,以從部件抽取熱量。
冷卻劑迴路配置資料表明配置為從製造系統的一個或多個實體資產抽取熱量的一個或多個冷卻劑迴路的一個或多個幾何形狀。該一個或多個冷卻劑迴路可以並行操作,有多個迴路冷卻實體資產的共同區域。該一個或多個冷卻劑迴路可以對多個實體資產進行串聯冷卻。製程冷卻水(PCW)資料表明冷卻劑物質的一個或多個參數,例如冷卻劑(例如製程冷卻水(PCW))的類型、流速、溫度。數位複製品可以包括熱流模型,該模型表明能量在利用一個或多個冷卻劑迴路的製造系統的環境內傳導的位置。數位複製品600可以識別將熱量引導到冷卻迴路的對實體資產(例如腔室、腔室壁、腔室系統)的修改,以及藉由將熱量引導到冷卻迴路而節省的相關聯的生態效益。數位複製品600可以在PCW調變發生時進一步決定製程結果的效果。PCW調變可以涉及改變冷卻迴路內的流速,以改變製造系統的實體資產內的熱交換。
圖7是依據本揭示內容的某個實施方式,製造過程步驟的操作參數限制700的示例性說明。各種製造過程步驟都可以包括操作參數限制700,這些操作參數限制表明一組對應參數的製程參數窗710或一組值(例如值組合),並且當被滿足時會獲得滿足閾值條件(例如最低品質條件)的結果。例如,製程參數窗710可以包括第一參數702(例如第一氣體的第一流速)和第二參數704(例如氣體的溫度)。為了執行製造過程並滿足閾值條件(例如最低品質標準、統計製程控制(SPC)限制、規格限制等),決定了識別導致產品可能滿足閾值條件的參數值組合的製程參數值窗710。如圖7所示,製程參數窗710包括第一參數702的下限706A和上限706A,以及第二參數的下限708B和上限708A。
由製造過程系統識別(例如使用自適應最佳化演算法416和/或基於物理學的模型414來識別)的最佳化可以包括決定製程參數窗710內的生態最佳化的製程參數窗712,與生態最佳化的製程參數窗712之外的製程參數值相比,該生態最佳化的製程參數窗導致製造操作消耗的資源量減少。
應該指出的是,圖7描述的是僅取決於兩個參數702、704的簡化的製程參數窗710和生態最佳化的製程參數窗712。製程參數窗710和生態最佳化的製程參數窗712都形成簡單的矩形。製程參數窗可以包括超過兩個參數,並且可以包括更多樣的參數相依性。例如,參數之間非線性的、基於物理學的、統計的和/或經驗的關係可能導致非線性的製程參數窗和生態最佳化的製程參數窗。
圖8是用於依據本揭示內容的一些實施方式,基於製程腔室的內部感測器資料以及外部感測器資料來監測製程腔室的環境使用資料的方法800的流程圖。為了便於解釋,方法800被描繪和描述成一系列的動作。然而,依據本揭示內容的動作可以以各種順序發生和/或並行地發生,並且與本文未提出和描述的其他動作一起發生。此外,不執行所有示出的動作也能實施依據所揭露的主題的方法800。此外,本領域中的技術人員將瞭解並理解,方法800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。方法800可以由一個處理邏輯執行,該處理邏輯可以包括硬體(例如,電路系統、專用邏輯、可程式邏輯、微碼等)、軟體(例如,在處理設備上運行以執行硬體模擬的指令)或其組合。在實施例中,方法800可以由圖1的系統控制器128和/或圖10的計算設備1000執行。或者,方法800可以由另一設備(例如圖2的計算設備250)執行。
在方法800的方塊805處,處理邏輯接收由製程腔室的感測器產生的第一感測器資料。在方塊810處,處理邏輯接收由外部感測器(例如IoT感測器(例如,包括嵌入式系統的感測器))產生的第二感測器資料。在方塊812處,處理邏輯可以預處理部分或全部的第一感測器資料和/或第二感測器資料。這種預處理可以包括任何上述的預處理操作。
在方塊815處,處理邏輯基於第一感測器資料和第二感測器資料決定環境資源使用資料。這可以包括在方塊820處將第一感測器資料和第二感測器資料輸入到一個或多個模型(例如數位複製品、數位孿生體、基於物理學的模型、統計模型和/或機器學習模型)中。在方塊825處,該一個或多個模型可以輸出與在腔室模型上執行的製造過程相關聯的物理條件。在方塊830處,處理邏輯可以基於物理條件和/或第一感測器資料和第二感測器資料決定環境資源使用資料。這可以包括將物理條件、第一感測器資料和/或第二感測器資料輸入到第二模型(例如機器學習模型)中,該模型可以輸出環境資源使用資料。在一些實施例中,在方塊825處,替代於或附加於與製造過程的執行相關聯的物理條件,模型輸出環境資源使用資料。
在方塊835處,處理邏輯可以決定製程腔室是閒置的還是正在執行製造過程(例如,在方塊815處被決定環境資源使用資料的製造過程)。在方塊840處,處理邏輯可以在GUI上輸出製程腔室是閒置的還是正在執行製造過程的狀態。在一個實施例中,在GUI中顯示了包括製程腔室的製造系統的圖像表示。圖像表示可以包括製造系統的每個製程腔室的圖標。第一視覺化(例如,第一顏色(如紅色)和/或第一紋理和/或填充圖案)可以用於與閒置製程腔室相關聯的圖標,第二視覺化(例如,第二顏色(如綠色)和/或第二紋理和/或填充圖案)可以用於與當前正在執行製程的製程腔室相關聯的圖標。
在方塊845處,處理邏輯可以提供環境資源使用資料以顯示在GUI上。本文所使用的環境資源使用資料可以包括關於資源和/或化學物的消耗、所使用/消耗的資源和/或化學物的環境影響、能源消耗和/或所消耗能源的環境影響的資料。當製程正在製程腔室中執行時,環境資源使用資料可以實時或接近實時地被輸出,並且可以包括當前環境資源使用情況(例如,環境資源消耗、所使用的資源/化學物的環境影響、能源消耗等)以及執行中的製程迄今為止累積的環境資源消耗。附加性地或替代性地,環境資源使用資料可以在製程完成後輸出,並且可以顯示製程的總環境資源消耗。
在一個實施例中,在方塊850處,處理邏輯基於環境資源使用資料產生一組或多組圖表、表格和/或選單。在方塊855處,處理邏輯可以在GUI上輸出該組圖表、表格和/或選單。
圖9A-E說明了依據一些實施例的合併環境資源使用(例如,環境資源消耗、所使用的資源/化學物的環境影響、能源消耗等)儀表板圖形使用者介面(GUI)1000A-E的各種視圖。
圖9A說明了環境資源使用(所使用的資源/化學物的環境影響、能源消耗等)儀表板圖形使用者介面的視圖900A。視圖900A可以是生態效益平台的登陸頁面或主頁面。
如圖9A所示,視圖900A包括系統圖902。系統圖902可以包括一個或多個製程腔室和/或其他製程工具的示意圖或映射圖。系統圖902可以是即時或動態影像,並且可以針對每個製程腔室表明該製程腔室是閒置的還是活動的。此外,在實施例中,可以在每個工具圖標上方或附近顯示基本環境資源使用資料,如總電氣消耗或平均電氣消耗或當前電氣消耗和/或氣體消耗。系統圖902上方是對製造系統的描述,如工具類型、序號、製造系統名稱和/或版本號。
系統圖902的右側是製造系統的部件或工具(其例如包括製程腔室)的選單。可以選擇選單中的任何部件或工具,以彈出顯示所選的一個或多個工具的環境資源使用資料的進一步視圖。如圖所示,A12和C11、C12和C13均為製程腔室。X1是傳輸腔室。D11、D12、LD111和LD121為裝載閘,FI為工廠介面。
在GUI的右上角還顯示了一個報告按鈕。使用者可以點選或選擇報告按鈕,以產生關於製造系統的環境資源使用情況的報告。例如,報告可以包括一段時間內的電氣消耗、一段時間內的氣體消耗的明細表等。
圖9B說明了環境資源使用儀表板GUI的第二視圖900B。第二視圖900B可以在使用者選擇其中一個工具(例如製程腔室C11)後顯示。第二視圖900B顯示了所示環境資源使用資料的明細的日期範圍。在一個實施例中,第二視圖900B包括電氣消耗明細904和氣體消耗明細906。電氣消耗明細904表明所識別的系統的子部件的一種或多種電氣消耗貢獻。子部件可以包括諸如泵、電源供應器、HVAC、氣流、加熱器、冷卻器等項目。
化學消耗明細906(例如所使用的氣體、液體、固體等的明細)與電氣消耗明細904類似,並提供了歸因於所識別的系統的一個或多個子部件的化學消耗或損失。消耗的化學物可以包括一種或多種氣體、液體和/或固體。例如,用於製程的一些前驅物是氣態的,而其他前驅物可能是液體,這些液體在噴射到製程腔室中之前通過起泡器或噴射或霧化過程轉換為蒸汽和/或氣態。視圖900B可以包括對系統的電氣消耗和/或系統的氣體消耗的時間分佈表示。例如,可以描繪7天的電氣消耗歷史。在一個實施例中,電氣消耗和氣體消耗顯示在一個或多個圓形圖中。
視圖900B在GUI的右上方區域中顯示了「所有配方」按鈕和「配方比較」按鈕。選擇配方比較按鈕可以彈出圖9E所示的視圖。選擇「所有配方」按鈕可以彈出圖9D所示的視圖。
視圖900B顯示日期視窗和腔室視窗。使用者可以選擇腔室視窗,以彈出一個下拉式選單,可以從其中選擇任何工具(如製程腔室)。然後,回應於選擇一個新的工具,會藉由用與所選工具相關聯的新環境資源資料替換與先前選擇的工具相關聯的環境資源資料來更新第二視圖900B。選擇日期視窗會彈出圖9C所示的視圖。
在一些實施例中,環境資源使用儀表板GUI包括用於調用、應用和/或使用一個或多個模型(例如本文所述的經訓練的機器學習模型和/或基於物理學的模型)的介面(例如按鈕、下拉式選單、文字輸入框等)。例如,環境資源使用儀表板GUI可以使使用者能夠輸入、選擇要由模型(例如基於物理學的模型和/或經訓練的機器學習模型)處理的輸入資訊、與之互動等(例如經由下拉式選單、文字輸入視窗、日期選擇視窗等)。環境資源使用儀表板GUI可以進一步使使用者能夠選擇一個特定的模型或一組模型(例如,經由下拉式選單)。然後,環境資源使用儀表板GUI可以將該一個或多個模型的輸出結果呈現給顯示器。例如,輸出可以包括上文討論的任何輸出。基於這些輸出,使用者可以與環境資源使用儀表板GUI介接,以執行動作,如排定維護、修改配方等。
圖9C說明了第二視圖900B,第二視圖900B的頂部上覆加了一個彈出式視窗908。彈出式視窗908包括一個日曆,使用者可以從其中選擇環境資源使用資料的開始和結束日期。
圖9D說明了GUI的第三視圖900C。在第三視圖900C中,可以顯示每個配方的電氣消耗、氣體消耗等。每個配方的電氣消耗可以表明歸因於運行一個或多個經識別的製程配方的電力成本。每個配方的電氣消耗可以進一步表明一個或多個數量,表明對應配方被執行的次數。每個配方的氣體消耗可以表明歸因於運行一個或多個經識別的製程配方的氣體用量或氣體損失。每個配方的氣體消耗可以進一步表明一個或多個數量,表明對應配方被執行的次數。如圖9D所示,GUI可以包括導覽窗格(例如可互動的按鈕),它使使用者能夠存取GUI的不同視圖(其例如具有不同的對生態效益資料的表示)。
圖9E說明了合併環境資源消耗儀表板GUI的配方比較視圖900D。如圖9E所示,視圖900D顯示了兩個所選配方在一個日期範圍內的電氣消耗、化學消耗和碳足跡的比較。使用者可以經由配方視窗選擇要比較的第一配方和第二配方,可以經由配方類型視窗選擇配方類型,可以在腔室視窗下選擇腔室或工具,可以在日期視窗下選擇比較的日期範圍。配方的類型包括清潔配方、服務配方、沉積配方、蝕刻配方等。
圖10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。在各種說明性例子中,計算設備1000的各種部件可以代表系統控制器128、計算設備250、執行網頁客戶端220的設備等的各種部件。
示例計算設備1000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(例如使用雲端環境、雲端技術和/或邊緣計算連接)。計算設備1000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1000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,雖然只說明了單一的示例計算設備,但也應將術語「電腦」視為包括單獨地或共同地執行一組(或多組)指令以執行本文討論的任何一個或多個方法的任何電腦的集合。
示例計算設備1000可以包括可以經由匯流排1030彼此通訊的處理設備1002(也稱為處理器或CPU)、主記憶體1004(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1006(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1018)。
處理設備1002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1002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1002也可以是一個或多個特殊用途處理設備,如特定應用積體電路(ASIC)、現場可程式邏輯閘陣列(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1002可以被配置為執行實施圖6-8所示的方法600-800的指令。
示例計算設備1000可以進一步包括網路介面設備1008,它可以與網路1020通訊耦合。示例計算設備1000可以進一步包括視訊顯示器1010(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1012(例如鍵盤)、游標控制設備1014(例如滑鼠)和聲學訊號產生設備1016(例如揚聲器)。
資料儲存設備1018可以包括機器可讀取儲存媒體(或更具體而言是非暫時性機器可讀取儲存媒體)1028,一組或多組可執行指令1022被儲存在其上。例如,資料儲存可以是本地(on-premise)的實體儲存,或者是遠端的,例如雲端儲存環境。依據本揭示內容的一個或多個態樣,可執行指令1022可以包括與執行圖8所示的方法800相關聯的可執行指令。在一個實施例中,指令1022包括用於圖1的生態效率模組129的指令。
可執行指令1022也可以在由示例計算設備1000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1004內及/或處理設備1002內,主記憶體1004和處理設備1002也構成電腦可讀取儲存媒體。可執行指令1022可以進一步經由網路介面設備1008在網路上傳輸或接收。
雖然在
圖 10中將電腦可讀取儲存媒體1028顯示為單一媒體,但也應將術語「電腦可讀取儲存媒體」視為包括儲存該一組或多組操作指令的單一媒體或多個媒體(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)。也應將用語「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,否則從下面的討論可以看出,應理解,在整個描述中,利用諸如「提供」、「決定」、「儲存」、「調整」、「導致」、「接收」、「比較」、「創建」、「停止」、「加載」、「複製」、「投擲(throwing)」、「替換」、「執行」或類似術語的討論,指的是電腦系統或類似電子計算設備的動作和過程,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。
本揭示內容的例子也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)、可抹除可程式唯讀記憶體(EPROM)、電可抹除可程式唯讀記憶體(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。
本文所提出的方法和顯示器與任何特定的電腦或其他的裝置沒有固有的關聯性。各種通用系統可以與依據本文教示的程式一起使用,或者可以證明構建一個更專門的裝置來執行所需的方法步驟是方便的。各種這些系統所需的結構將出現在下面描述中的闡述中。此外,本揭示內容的範圍不限於任何特定的程式設計語言。將理解,可以使用各種程式設計語言來實施本揭示內容的教示。
要理解,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實施方式的例子。儘管本揭示內容描述了具體的例子,但人們將認識到,本揭示內容的系統和方法並不限於本文所描述的例子,而是可以在所附請求項的範圍內經過修改後實行。因此,應就說明的角度而非限制的角度看待說明書和附圖。因此,應參考所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
102:基板
104:製程工具
106:工廠介面
108:殼體
110:傳輸腔室
112:傳輸腔室機器人
114:處理腔室
116:處理腔室
118:處理腔室
120:裝載閘
122:基板載體
124:裝載端口
126:工廠介面機器人
128:系統控制器
129:生態效率模組
130:減量系統
132:水系統
134:氣體輸送系統
136:CDA系統
140:外部感測器
142:外部感測器
144:外部感測器
150:中樞
152:外部感測器
200:生態效益平台
201:系統控制器
202:工具感測器
204:外部感測器
206:中樞
207:伺服器
208:歷史資料
210:資料庫
212:請求
214:回應
220:網頁客戶端
222:圖形使用者介面(GUI)
230:方塊
232:方塊
234:方塊
236:方塊
250:計算設備
255:資料庫
270:感測器資料
272:感測器資料
274:感測器資料
300:系統架構
302:製造系統
304:機器裝備
306:系統控制器
308:製程配方
310:感測器
312:資料儲存器
314:生態效益資料
316:製程配方資料
318:修改和最佳化資料
319:數位複製品資料
320:伺服器
322:部件整合工具
324:數位複製品工具
326:最佳化工具
328:配方建立器工具
330:資源消耗工具
332:探索工具
340:網路
350:客戶端設備
352:瀏覽器
354:應用程式
370:機器學習系統
372:伺服器機器
374:資料集產生器
380:伺服器機器
382:訓練引擎
384:驗證引擎
386:測試引擎
390:機器學習模型
392:伺服器機器
394:修改識別部件
400:系統架構
402:處理工具
404:子部件
406:線路
408:共地架構
410:整合演算法
412:合併儀表板GUI
414:基於物理學的模型
416:自適應最佳化演算法
418:線路
420:線路
422:線路
424:線路
452:支援裝備
500:方法學
502:機器學習模型
504:製造過程指令和/或修改
506:工具軟體
508:工具硬體
510:經驗訓練/驗證資料
512:物理學模型
514:製造過程指令
516:感測器資料
518:模擬修改
520:訓練/驗證資料
524:訓練機器學習模型
600:數位複製品
602:感測器資料
604:感測器資料
606:感測器資料
608:感測器資料
610:輸出
702:參數
704:參數
710:製程參數窗
712:生態最佳化的製程參數窗
800:方法
805:方塊
810:方塊
812:方塊
815:方塊
820:方塊
825:方塊
830:方塊
835:方塊
840:方塊
845:方塊
850:方塊
855:方塊
902:系統圖
904:電氣消耗明細
906:氣體消耗明細
1000:計算設備
1002:處理設備
1004:主記憶體
1006:靜態記憶體
1008:網路介面設備
1010:視訊顯示器
1012:文數字輸入設備
1014:游標控制設備
1016:聲學訊號產生設備
1018:資料儲存設備
1020:網路
1022:指令
1026:處理邏輯
1028:電腦可讀取儲存媒體
1030:匯流排
706A:上限
706B:下限
708A:上限
708B:下限
900A:視圖
900B:視圖
900C:視圖
900D:視圖
本揭示內容的態樣和實施方式將從下面給出的詳細描述和從附圖得到更充分的理解,這些附圖旨在藉由示例而非限制的方式說明態樣和實施方式。
圖1是依據一個實施例,示例製造系統的俯視示意圖。
圖2是說明依據一個實施例的示例性生態效益平台的邏輯圖的方塊圖。
圖3是說明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4是說明生態效益永續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5描述了用於監測、維持和/或最佳化製造過程的示例性方法學的流程圖。
圖6描述了依據本揭示內容的一些實施方式的示例性數位複製品。
圖7是依據本揭示內容的某個實施方式,對製程參數值窗的示例性說明。
圖8是用於依據本揭示內容的一些實施方式,基於製程腔室的內部感測器資料以及外部感測器資料來監測製程腔室的環境使用資料的方法的流程圖。
圖9A-E說明了依據一些實施例的合併環境資源消耗儀表板圖形使用者介面(GUI)的各種視圖。
圖10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。
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
200:生態效益平台
201:系統控制器
202:工具感測器
204:外部感測器
206:中樞
207:伺服器
208:歷史資料
210:資料庫
212:請求
214:回應
220:網頁客戶端
222:圖形使用者介面(GUI)
230:方塊
232:方塊
234:方塊
236:方塊
250:計算設備
255:資料庫
270:感測器資料
272:感測器資料
274:感測器資料
Claims (21)
- 一種方法,包括以下步驟: 由一處理設備,在一製造過程的執行期間接收由一製造系統的一製程腔室的複數個感測器產生的第一感測器資料; 由該處理設備,在該製造過程的執行期間接收由一個或多個外部感測器產生的第二感測器資料,該一個或多個外部感測器不是該製程腔室的部件; 由該處理設備,基於該第一感測器資料和該第二感測器資料,決定環境資源使用資料,該環境資源使用資料表明在該製程腔室上運行的該製造過程的一環境資源消耗;以及 由該處理設備,提供該環境資源使用資料以顯示在圖形使用者介面(GUI)上。
- 如請求項1所述的方法,其中決定該環境資源使用資料的步驟包括以下步驟: 將該第一感測器資料和該第二感測器資料輸入到一經訓練的模型中,該經訓練的模型輸出該環境資源使用資料。
- 如請求項2所述的方法,其中決定該環境資源使用資料的步驟包括以下步驟: 將該第一感測器資料和該第二感測器資料輸入到該製程腔室的一數位複製品(digital replica)中,其中該數位複製品輸出與該製造過程相關聯的物理條件;以及 至少部分地基於與該製造過程相關聯的該等物理條件,決定該環境資源使用資料。
- 如請求項2所述的方法,其中該數位複製品包括該製造系統的一個或多個實體資產(physical asset)的一基於物理學的模型,其中該基於物理學的模型表明: 進入該製程腔室的一種或多種氣體; 發生在設置在該製程腔室內的一基板上的一個或多個反應;以及 該一種或多種氣體與發生在該基板上的該一個或多個反應之間的一個或多個關係。
- 如請求項1所述的方法,其中該環境資源使用資料包括以下至少一項:與執行該製造過程的該製程腔室相關聯的一能源消耗、一氣體消耗、一碳足跡或一水消耗。
- 如請求項1所述的方法,其中: 該第一感測器資料包括對以下至少一項的測量:電流、電壓、功率、流量、壓力、濃度、速度、加速度或溫度;以及 該第二感測器資料包括對以下至少一項的測量:電流、流量、溫度、渦電流、濃度、振動、電壓或功率因數。
- 如請求項1所述的方法,其中該一個或多個外部感測器包括物聯網(IoT)感測器,該等IoT感測器向一IoT中樞提供該第二感測器資料,並且其中該第二感測器資料是由該處理設備從該IoT中樞接收的。
- 如請求項1所述的方法,其中該處理設備是該製造系統的一處理設備,其中該一個或多個外部感測器包括物聯網(IoT)感測器,該等IoT感測器向一IoT中樞提供該第二感測器資料,其中該IoT中樞向一遠端計算設備傳輸該第二感測器資料,該遠端計算設備經由一網路與該IoT中樞連接,並且其中該處理設備從該遠端計算設備接收該第二感測器資料。
- 如請求項1所述的方法,其中該處理設備是該製造系統的一處理設備。
- 如請求項1所述的方法,進一步包括以下步驟: 基於該環境資源使用資料,產生一組圖表、表格和選單; 經由該GUI顯示該組圖表、表格和選單。
- 如請求項1所述的方法,進一步包括以下步驟: 決定該製程腔室是閒置的,還是正在執行該製造過程或一替代製造過程;以及 經由該GUI顯示對該製造系統的一表示,對該製造系統的該表示包括對該製程腔室的一表示,其中對該製程腔室的該表示在該製程腔室閒置時包括一第一視覺化,在該製程腔室正在執行該製造過程或該替代製造過程時包括一第二視覺化。
- 如請求項1所述的方法,進一步包括以下步驟: 在基於該第一感測器資料和該第二感測器資料決定該環境資源使用資料之前,預處理該第一感測器資料和該第二感測器資料,其中預處理該第一感測器資料和該第二感測器資料的步驟包括以下至少一個步驟:a)標記該第一感測器資料或該第二感測器資料中的至少一者;b)基於時間戳同步該第一感測器資料或該第二感測器資料中的至少一者;c)正規化該第一感測器資料或該第二感測器資料中的至少一者;或d)改變該第一感測器資料或該第二感測器資料中的至少一者的一個或多個測量的測量單位。
- 如請求項1所述的方法,進一步包括以下步驟: 使用該環境資源使用資料或用於該製造過程的一配方中的至少一者,作為對一經訓練的機器學習模型的輸入;以及 獲得該經訓練的機器學習模型的一個或多個輸出,該一個或多個輸出表明對該製造過程的一修改,該修改減少在該製程腔室上運行的該製造過程的該環境資源消耗。
- 如請求項1所述的方法,其中該第一感測器資料和該第二感測器資料是並行接收的。
- 一種系統,包括: 一製造系統,包括: 一個或多個製程腔室,用於處理基板,該一個或多個製程腔室包括第一複數個感測器; 一傳輸腔室,與該一個或多個製程腔室耦合,該傳輸腔室包括一機器人,該機器人用於將該基板傳輸進和傳輸出該一個或多個製程腔室;以及 一系統控制器,用於控制該一個或多個製程腔室和該傳輸腔室;以及 第二複數個感測器,其中該第二複數個感測器是外部感測器,該等外部感測器不是該一個或多個製程腔室中的任一者的部件;以及 一中樞,與該第二複數個感測器通訊; 其中該系統控制器用於: 在該一個或多個製程腔室中的一第一製程腔室上執行一製造過程的期間接收由該第一複數個感測器產生的第一感測器資料; 接收由與該第一製程腔室相關聯的該第二複數個感測器產生的第二感測器資料; 基於將該第一感測器資料和該第二感測器資料應用於一個或多個模型,決定環境資源使用資料,該環境資源使用資料表明在該第一製程腔室上運行的該製造過程的一環境資源消耗;以及 提供該環境資源使用資料以顯示在一圖形使用者介面(GUI)上。
- 如請求項15所述的系統,其中該一個或多個模型包括該一個或多個製程腔室中的一製程腔室的一數位複製品,並且其中決定該環境資源使用資料的步驟包括以下步驟: 將該第一感測器資料和該第二感測器資料輸入到該製程腔室的該數位複製品中,其中該數位複製品輸出與該製造過程相關聯的物理條件;以及 至少部分地基於與該製造過程相關聯的該等物理條件,決定該環境資源使用資料。
- 如請求項15所述的系統,其中: 該環境資源使用資料包括以下至少一項:與執行該製造過程的該第一製程腔室相關聯的一能源消耗、一氣體消耗、一碳足跡或一水消耗; 該第一感測器資料包括對以下至少一項的測量:電流、電壓、功率、流量、壓力、濃度、速度、加速度或溫度;以及 該第二感測器資料包括對以下至少一項的測量:電流、流量、溫度、渦電流、濃度、振動、電壓或功率因數。
- 如請求項15所述的系統,其中該中樞包括無線地從該第二複數個感測器接收該第二感測器資料的一物聯網(IoT)中樞,並且其中該第二複數個感測器包括IoT感測器。
- 如請求項15所述的系統,進一步包括: 一遠端計算設備,用於: 從該系統控制器接收該環境資源使用資料; 將該環境資源使用資料儲存到一資料庫;以及 向該GUI輸出該環境資源使用資料。
- 一種包括指令的非暫時性機器可讀取儲存媒體,該等指令當由一處理設備執行時,導致該處理設備: 由該處理設備,在一製造過程的執行期間接收由一製造系統的一製程腔室的複數個感測器產生的第一感測器資料; 由該處理設備,在該製造過程的執行期間接收由一個或多個外部感測器產生的第二感測器資料,該一個或多個外部感測器不是該製程腔室的部件; 由該處理設備,基於該第一感測器資料和該第二感測器資料,決定環境資源使用資料,該環境資源使用資料表明在該製程腔室上運行的該製造過程的一環境資源消耗;以及 由該處理設備,提供該環境資源使用資料以顯示在圖形使用者介面(GUI)上。
- 如請求項20所述的非暫時性機器可讀取儲存媒體,其中決定該環境資源使用資料的步驟包括以下步驟: 將該第一感測器資料和該第二感測器資料輸入到一經訓練的模型中,該經訓練的模型輸出該環境資源使用資料。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US63/359,646 | 2022-07-08 | ||
US17/981,305 | 2022-11-04 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202420003A true TW202420003A (zh) | 2024-05-16 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11101173B2 (en) | Self-aware and correcting heterogenous platform incorporating integrated semiconductor processing modules and method for using same | |
KR102648517B1 (ko) | 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법 | |
TWI509550B (zh) | 在虛擬量測中使用適應性預測演算法及決定何時使用適應性預測演算法之方法及設備 | |
US20180247798A1 (en) | System Implementing Machine Learning in Complex Multivariate Wafer Processing Equipment | |
US9395408B2 (en) | System for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness | |
KR101755746B1 (ko) | 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템 | |
TW202213006A (zh) | 用於多腔室半導體設備的預測晶圓排程 | |
WO2024010736A1 (en) | Sustainability monitoring platform with sensor support | |
TW202420003A (zh) | 有感測器支援的永續性監測平台 | |
US20240210916A1 (en) | Machine and deep learning techniques for predicting ecological efficiency in substrate processing | |
WO2024137690A1 (en) | Machine and deep learning techniques for predicting ecological efficiency in substrate processing | |
Liao et al. | Recurrent reinforcement learning for predictive overall equipment effectiveness | |
US20230185268A1 (en) | Eco-efficiency monitoring and exploration platform for semiconductor manufacturing | |
US20220334569A1 (en) | Eco-efficiency (sustainability) dashboard for semiconductor manufacturing | |
US20230135102A1 (en) | Methods and mechanisms for process recipe optimization | |
TW202340885A (zh) | 用於在評估系統與製造系統之間進行介接的通訊節點 | |
KR20240100395A (ko) | 프로세스 레시피 최적화를 위한 방법들 및 메커니즘들 | |
CN117522381A (zh) | 基于数字孪生驱动的跨层级智能系统预测性维护决策方法 |