TW202420226A - 經由影像分析作邊緣缺陷偵測 - Google Patents
經由影像分析作邊緣缺陷偵測 Download PDFInfo
- Publication number
- TW202420226A TW202420226A TW112135890A TW112135890A TW202420226A TW 202420226 A TW202420226 A TW 202420226A TW 112135890 A TW112135890 A TW 112135890A TW 112135890 A TW112135890 A TW 112135890A TW 202420226 A TW202420226 A TW 202420226A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- edge
- data
- machine learning
- substrate processing
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 197
- 239000000758 substrate Substances 0.000 claims abstract description 168
- 238000000034 method Methods 0.000 claims abstract description 93
- 230000009471 action Effects 0.000 claims abstract description 50
- 238000010801 machine learning Methods 0.000 claims description 98
- 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 claims description 42
- 230000008569 process Effects 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 54
- 238000012360 testing method Methods 0.000 description 44
- 238000010200 validation analysis Methods 0.000 description 34
- 238000004519 manufacturing process Methods 0.000 description 32
- 238000007689 inspection Methods 0.000 description 18
- 238000013500 data storage Methods 0.000 description 16
- 235000012431 wafers Nutrition 0.000 description 13
- 238000013507 mapping Methods 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 11
- 230000002950 deficient Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 8
- 238000012546 transfer Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 5
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003749 cleanliness Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004886 process control Methods 0.000 description 3
- 230000001012 protector Effects 0.000 description 3
- 238000000682 scanning probe acoustic microscopy Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000491 multivariate analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- -1 process kit rings Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000002604 ultrasonography Methods 0.000 description 2
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本申請案包括經由影像分析進行邊緣缺陷偵測。方法包括以下步驟:識別由基板處理系統的基座所形成的基座凹穴的邊緣的影像。方法進一步包括以下步驟:基於影像,來預測基座的邊緣的屬性值是否滿足閾值。方法進一步包括以下步驟:回應於邊緣的屬性值滿足閾值,引起與基座相關聯的校正動作的執行。
Description
本申請案涉及影像分析;更具體來說,本申請案涉及經由影像分析作邊緣缺陷偵測。
製造設備包括用於生產產品的不同部件。例如,基板處理設備包括用於生產基板(例如,處理基板)的部件。部件的品質和清潔度會影響產品的效能資料。
以下是本申請案的簡化概述,以提供對本申請案的一些態樣的基本理解。本[發明內容]並非本申請案的廣泛概述。本[發明內容]既不旨在識別本申請案的關鍵或必要要素,也不旨在界定本申請案的特定實施方式的任何範圍或請求項的任何範圍。本[發明內容] 的唯一目的是以簡化形式呈現本申請案的一些概念,作為稍後呈現的[實施方式]的前奏。
在本申請案的態樣中,方法包括以下步驟:識別由基板處理系統的基座所形成的基座凹穴的邊緣的影像。方法進一步包括以下步驟:基於影像,預測基座的邊緣的屬性值是否滿足閾值。方法進一步包括以下步驟:回應於邊緣的屬性值滿足閾值,引起與基座相關聯的校正動作的執行。
在本申請案的另一態樣中,有一種儲存指令的非暫時性電腦可讀取存儲媒體;當執行指令時,指令使得處理裝置執行操作。操作包括以下操作:識別由基板處理系統的基座所形成的基座凹穴的邊緣的影像。操作進一步包括以下操作:基於影像,預測基座的邊緣的屬性值是否滿足閾值。操作進一步包括以下操作:回應於邊緣的屬性值滿足閾值,引起與基座相關聯的校正動作的執行。
在本申請案的另一態樣中,系統包括記憶體和耦合到記憶體的處理裝置。處理裝置用於識別由基板處理系統的基座所形成的基座凹穴的邊緣的影像。處理裝置進一步基於影像,來預測基座的邊緣的屬性值是否滿足閾值。處理裝置進一步回應於邊緣的屬性值滿足閾值,引起與基座相關聯的校正動作的執行。
本文描述的是針對經由影像分析進行邊緣缺陷偵測的技術(例如,針對基座邊緣的自動品質控制檢查,和使用影像分析來偵測基座中的晶圓凹穴邊緣缺陷)。
製造設備包括用於生產產品的不同部件。例如,基板處理設備包括用於生產基板(例如,處理基板)的部件。 有些如基座的部件形成邊緣(例如,在基座的上表面上形成的凹穴邊緣)。部件的品質和清潔度會影響產品的效能資料。例如,具有損壞或堆積的凹穴邊緣的基座可能會導致生產出的基板的效能資料不滿足閾值(例如,生產出不良晶圓)。
在一些常規系統中,手動檢查部件以嘗試決定部件是否滿足品質和清潔度,以生產具有將滿足閾值的效能資料的基板。取決於執行檢查的使用者,手動檢查需要花費大量時間且手動檢查可能不準確。手動檢查的不準確可能導致使用有缺陷的部件或過早更換部件。
在一些常規系統中,為部件的維護操作(例如,清潔操作、修理操作和更換操作)的執行安排間隔。設定間隔是為了嘗試使部件保持在生產具有將滿足閾值的效能資料的基板的條件下(例如,在部件生產不良晶圓之前清潔、修復和更換部件)。隨著時間的推移,部件會損壞、部件磨損、部件會積聚異物等等,這些狀況可能不會在設定的間隔內發生(例如,會在設定的間隔之前或之後發生)。過早修理或更換部件會造成浪費、耗時、產量降低和生產中斷等等。逾期修理或更換部件會導致生產的基板效能資料不符合閾值和設備損壞等等。
本文所揭露的設備、系統和方法經由影像分析提供邊緣缺陷偵測。
處理裝置識別基板處理設備部件(例如,基座)的邊緣的影像。可捕捉基座的實質上水平的上表面的影像。 基座可形成一個或多個凹部(例如,基座凹穴)。基座可包括形成一個或多個凹部(例如,基座凹穴)的上表面。凹部可進一步由一個或多個側壁(例如,實質上垂直的側壁)和下表面形成。凹部的上表面和側壁相交處是邊緣(例如,上邊緣)。基座凹穴可經配置成接收基板,以用於執行基板處理操作。隨著時間推移,邊緣可能會出現缺陷(例如,由於在基座凹穴中放置和移除基板)。
處理裝置基於影像,來預測基座的邊緣的屬性值是否滿足閾值。
在一些實施例中,處理裝置基於影像,來決定與邊緣相關聯的影像的一部分的高度或與邊緣裂縫相關聯的像素的數量中的至少一者。具有堆積或損壞(例如,破裂)的邊緣可具有滿足影像中的閾值的高度(例如,大於生產良好晶圓的基座的影像中的高度)。損壞(例如,破裂)的邊緣可具有滿足閾值的與邊緣裂縫相關聯的一定數量的例如為白色像素的像素 (例如,大於生產良好晶圓的基座的影像中的白色像素的數量)。
在一些實施例中,將影像提供給經過訓練的機器學習模型,且從機器學習模型接收與預測資料相關聯的輸出。
回應於滿足閾值的邊緣的屬性值(例如,滿足閾值高度的邊緣高度、滿足閾值量的像素數量和指示屬性值滿足閾值的預測資料等等),處理裝置引起與基板處理設備部件相關聯的校正動作的執行。校正動作可包括提供警報、引起清潔過程、引起修復過程、引起基板處理設備部件更換和引起進一步檢查等等。
本申請案的各個態樣皆帶來技術優勢。本申請案避免傳統人工檢查的時間花費、不準確性和主觀性。本申請案引起與基板處理設備部件相關的校正動作,以生產出滿足閾值的基板、避免設備損壞、增加產量,和避免生產中斷等。
本申請案的一些實施例描述執行基座的邊緣缺陷偵測。在一些實施例中,本發明可用於執行其他部件(例如,基板處理設備部件)的邊緣缺陷偵測,其他部件如靜電卡盤和邊緣環等等。
本申請案的一些實施例描述對由基座所形成的基座凹穴(例如,由部件形成的凹槽)執行邊緣缺陷偵測。在一些實施例中,本申請案可用於執行部件(例如,基板處理設備部件)的其他部分的邊緣缺陷偵測;其他部分如外周邊緣和檯面等等。
本申請案的一些實施例描述對實質上垂直並形成圓形形狀(例如,基座中的圓形凹部)的邊緣,執行邊緣缺陷偵測。在一些實施例中,本申請案可用於執行其他類型的邊緣的邊緣缺陷偵測;其他類型的邊緣如實質上不垂直的邊緣,和不形成圓形形狀的邊緣(例如,形成矩形形狀、三角形形狀和卵形形狀的邊緣等等)。
如本文所使用的,術語「生產」可指生產產品的最終版本(例如,完全處理的基板),或產品的中間版本(例如,部分處理的基板)。如本文所使用的,生產基板可指經由執行一個或多個基板處理操作來處理基板。
圖1是示出根據某些實施例的示例性的系統100(示例性系統架構)的方框圖。系統100包括客戶端裝置120、製造設備124、感測器126、計量設備128、預測伺服器112和資料存儲140。在一些實施例中,預測伺服器112是預測系統110的一部分。在一些實施例中,預測系統110進一步包括伺服器機器170和180。
在一些實施例中,客戶端裝置120、製造設備124、感測器126、計量設備128、預測伺服器112、資料存儲140、伺服器機器170及/或伺服器機器180中的一者或多者為生產預測資料160經由網路130而彼此耦合,從而執行邊緣缺陷偵測。在一些實施例中,網路130是公共網路,其向客戶端裝置120提供對預測伺服器112、資料存儲140和其他公共可用計算裝置的存取。在一些實施例中,網路130是專用網路,其向客戶端裝置120提供對製造設備124、感測器126、計量設備128、資料存儲140和其他私人可用計算裝置的存取。在一些實施例中,網路130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、雲端運算網路及/或上述的組合。
在一些實施例中,客戶端裝置120包括如個人電腦(PC)、膝上型電腦、行動電話、智慧型電話、平板電腦、小筆電等等的計算裝置。在一些實施例中,客戶端裝置120包括校正動作組件122。在一些實施例中,校正動作組件122亦可被包括在預測系統110(例如,機器學習處理系統)中。在一些實施例中,校正動作組件122替代地被包括在預測系統110中(例如,而不是被包括在客戶端裝置120中)。 客戶端裝置120包括作業系統,其允許使用者合併、生產、檢視或編輯資料、向預測系統110(例如,機器學習處理系統)提供指令等等中的一者或多者。
在一些實施例中,校正動作組件122(例如,經由客戶端裝置120顯示的圖形使用者介面(GUI))接收使用者輸入、從感測器接收感測器資料142,及從計量設備128接收效能資料152等等。在一些實施例中,校正動作組件122將資料(例如,使用者輸入、感測器資料142、效能資料152等等)傳送到預測系統110、從預測系統110接收預測資料160、基於預測資料160決定校正動作,且使得校正措施被實施。在一些實施例中,校正動作組件122將資料(例如,使用者輸入、感測器資料142和效能資料152等等)儲存在資料存儲140中,且預測伺服器112從資料存儲140擷取資料。在一些實施例中,預測伺服器112將經過訓練的機器學習模型190的輸出(例如,預測資料160)儲存在資料存儲140中,且客戶端裝置120從資料存儲140檢索輸出。在一些實施例中,校正動作組件122接收來自預測系統110的校正動作的指示(例如,基於預測資料160),並引起校正動作的執行。
在一些實施例中,預測資料160與校正動作相關聯。 在一些實施例中,校正動作與清潔基板處理設備部件、修理基板處理設備部件、更換基板處理設備部件、計算製程控制(CPC)、統計製程管制(SPC)(例如,SPC 與3-sigma 圖表進行比較等等)、高階製程控制(APC)、基於模型的製程控制、預防性操作維護、設計最佳化、製造參數更新、回饋控制、機器學習修改或諸如此類中的一者或多者相關聯。在一些實施例中,修正動作包括提供警報(例如,若預測資料160指示預測異常,如基板處理設備部件或產品的異常,則不使用基板處理設備部件或製造設備124的警報)。在一些實施例中,校正動作包括提供回饋控制(例如,回應於指示預測異常的預測資料160,來清潔、修理及/或更換基板處理設備部件)。在一些實施例中,校正動作包括提供機器學習(例如,導致基於預測資料160來修改基板處理設備部件)。
在一些實施例中,預測伺服器112、伺服器機器170和伺服器機器180各自包括一個或多個計算裝置,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、筆記型電腦、平板電腦、桌上型電腦、圖形處理單元(GPU)、加速器專用積體電路(ASIC)(例如張量處理單元(TPU))等等。
預測伺服器112包括預測組件114。在一些實施例中,預測組件114接收感測器資料142(例如,從客戶端裝置120接收、從資料存儲140檢索),並產生與邊緣缺陷偵測相關聯的預測資料160。在一些實施例中,預測組件114使用一個或多個經過訓練的機器學習模型190來決定用於邊緣缺陷偵測的預測資料160。在一些實施例中,使用歷史感測器資料144和歷史效能資料154,來訓練經過訓練的機器學習模型190。
在一些實施例中,預測系統110(例如,預測伺服器112、預測組件114)使用監督式機器學習(例如,監督式資料集、用歷史效能資料154標記的歷史感測器資料144等等),來產生預測資料160。在一些實施例中,預測系統110使用半監督式學習(例如,半監督式資料集、表現資料152是預測百分比等),來產生預測資料160。在一些實施例中,預測系統110使用無監督式機器學習(例如,無監督式資料集、集群、基於歷史感測器資料144的集群等等),來產生預測資料160。
在一些實施例中,製造設備124(例如,集群工具)是基板處理系統(例如,整合處理系統)的一部分。製造設備124包括控制器、外殼系統(例如,基板載體、前開式晶圓傳送盒(FOUP)、自動示教FOUP、製程套件外殼系統、基板外殼系統和盒子等等)、側儲存盒(SSP)、對準器裝置(例如,對準器腔室)、工廠介面(例如,設備前端模組(EFEM))、裝載閘、傳送腔室、一個或多個處理腔室、(例如,設置在傳送腔室中及設置在前介面中等等的)機械手臂及/或類似物中的一者或多者。外殼系統、SSP和裝載閘安裝到工廠介面,且經設置在工廠介面中的機械手臂用於在外殼系統、SSP、裝載閘和工廠介面之間,傳送內容物(例如,基板、處理套件環、載體和驗證晶片等等)。對準裝置設置於工廠介面中以對準內容物。裝載閘和處理腔室安裝到傳送腔室,且設置在傳送腔室中的機械手臂用於在裝載閘、處理腔室和傳輸腔室之間傳送內容物(例如,基板、處理套件環、載體和驗證晶圓等等)。在一些實施例中,製造設備124包括基板處理系統的組件。在一些實施例中,感測器資料142包括由製造設備124的組件所執行的製程(例如,蝕刻、加熱、冷卻、轉移、處理和流動等等)的參數。在一些實施例中,基板處理設備部件是處理腔室的組件(例如,噴頭、基座、靜電卡盤和邊緣環等等)。
在一些實施例中,感測器126提供與製造設備124相關聯的感測器資料142(例如,感測器值,如歷史感測器值和目前感測器值)。在一些實施例中,感測器126包括成像感測器(例如,相機、影像捕捉裝置等等) 、壓力感測器、溫度感測器、流量感測器、光譜感測器及/或諸如此類中的一個或多個感測器。在一些實施例中,感測器資料142用於設備健康及/或產品健康(例如,產品品質)。在一些實施例中,在一段時間內接收感測器資料142。
在一些實施例中,感測器126提供感測器資料142,如影像資料、洩漏率、溫度、壓力、流速(例如,氣體流量)、泵送效率、間距(SP)、高頻射頻(HFRF)、電流、功率、電壓及/或諸如此類中的一者或多者的值。
在一些實施例中,感測器資料142(例如,歷史感測器資料144、目前感測器資料146等等)由客戶端裝置120及/或由預測伺服器112處理。在一些實施例中,感測器資料142的處理包括生成特徵。在一些實施例中,特徵是感測器資料的一部分(例如,裁切影像)、處理後的影像資料(例如,處理後的影像)、感測器資料142中的圖案(例如,斜率、寬度、高度和峰值等等),或來自感測器資料142的值的組合(例如,從電壓和電流導出的功率等等)。在一些實施例中,感測器資料142包括由預測組件114使用以獲得預測資料160的特徵。
在一些實施例中,計量設備128 (例如,成像設備、光譜設備、橢圓光度設備等等)用於決定對應於由製造設備124(例如,基板處理設備)所生產的基板的計量資料(例如,檢查資料、影像資料、光譜資料、橢圓光度資料、材料成分、光學或結構資料等等)。在一些示例中,在製造設備124處理基板之後,計量設備128用於檢查基板的部分(例如,層)。 在一些實施例中,計量設備128執行掃描聲學顯微鏡(SAM)、超音波檢查、X射線檢查及/或電腦斷層掃描(CT)檢查。 在一些示例中,在製造設備124在基板上沉積一層或多層之後,計量設備128用於決定所處理的基板的品質 (例如,層的厚度、層的均勻性、層的層間間距、及/或諸如此類)。在一些實施例中,計量設備128包括影像捕捉裝置(例如,SAM設備、超音波設備、X射線設備、CT設備及/或諸如此類)。 在一些實施例中,效能資料152包括來自計量設備128的計量資料。
在一些實施例中,資料存儲140是記憶體(例如,隨機存取記憶體)、磁碟機(例如,硬碟、隨身碟)、資料庫系統,或能夠儲存資料的另一類型的組件或裝置。在一些實施例中,資料存儲140包括跨越多個計算裝置(例如,多個伺服器電腦)的多個儲存組件(例如,多個磁碟機或多個資料庫)。 在一些實施例中,資料存儲140儲存感測器資料142、效能資料152及/或預測資料160中的一者或多者。
感測器資料142包括歷史感測器資料144和目前感測器資料146。在一些實施例中,感測器資料142可包括影像資料、壓力資料、壓力範圍、溫度資料、溫度範圍、流速資料、功率資料、用於將檢查資料與閾值資料進行比較的比較參數、閾值資料、冷卻速率資料、冷卻速率範圍及/或諸如此類中的一者或多者。在一些實施例中,感測器資料142的至少一部分來自感測器126。
效能資料152包括歷史效能資料154和目前效能資料156。效能資料152可包括基板處理設備部件(例如,基座)的屬性值和基板處理設備部件(例如,基座)的屬性值是否滿足閾值的指示等等。在一些示例中,效能資料152指示基板是否被適當地設計、適當地生產及/或適當地起作用。在一些實施例中,效能資料152的至少一部分與製造設備124所生產的基板的品質相關聯。在一些實施例中,效能資料152的至少一部分是基於來自計量設備128的計量資料(例如,歷史效能資料154包括指示正確處理的基板的計量資料、基板的特性資料和產量等等)。 在一些實施例中,效能資料152的至少一部分是基於基板的檢查(例如,基於實際檢查的目前效能資料156)。在一些實施例中,效能資料152包括絕對值指示(例如,結合界面的檢查資料指示以計算值錯過閾值資料、變形值以計算值錯過閾值變形值),或相對值指示(例如,結合界面的檢查資料指示以5%錯過閾值資料、變形值以5%錯過閾值變形值)。在一些實施例中,效能資料152指示滿足閾值誤差量(例如,生產中至少5%的誤差、流動中至少5%的誤差、變形中至少5%的誤差,和規格極限)。
在一些實施例中,客戶端裝置120提供效能資料152(例如,產品資料)。在一些示例中,客戶端裝置120(例如,基於使用者輸入)提供指示產品異常(例如,有缺陷的產品)的效能資料152。在一些實施例中,效能資料152包括已生產的正常或異常的產品的量(例如,98%的正常產品)。 在一些實施例中,效能資料152指示被預測為正常或異常的正在生產的產品的數量。在一些實施例中,效能資料152包括前一批產品的產量、平均產量、預測產量、有缺陷或無缺陷產品的預測數量或諸如此類中的一者或多者。在一些示例中,回應於第一批產品的產量為 98%(例如,98%的產品正常,2%異常),客戶端裝置120提供效能資料152,其指示即將到來的批次產品將具有98%的產量。
在一些實施例中,歷史資料包括歷史感測器資料144及/或歷史效能資料154中的一者或多者(例如,用於訓練機器學習模型190的至少一部分)。目前資料包括目前感測器資料146及/或目前效能資料156中的一者或多者(例如,在使用歷史資料訓練模型190之後將被輸入到經過訓練的機器學習模型190中的至少一部分)。在一些實施例中,目前資料用於重新訓練經過訓練的機器學習模型190。
在一些實施例中,預測資料160用於引起對基板處理設備部件執行校正動作。
對產品進行計量以決定不滿足閾值品質的基板處理設備部件錯誤生產的組件(例如,結合的金屬板結構)在用來發送計量資料和處理計量資料的處理器開銷等等所用的時間、所用的計量設備128、所消耗的能量和所使用的頻寬方面是昂貴的。藉由向模型190提供感測器資料142並從模型190接收預測資料160,系統100具有避免使用計量設備128和丟棄基板的昂貴處理的優勢。
使用導致有缺陷產品的基板處理設備部件執行製造過程在時間、能源、產品、基板處理設備部件、製造設備124、識別導致有缺陷產品的基板處理設備部件、清潔該基板處理設備部件、修復基板處理設備部件、更換基板處理設備部件和丟棄舊組件等等的成本方面是昂貴的。藉由向模型190提供感測器資料142、從模型190接收預測資料160、並基於預測資料160引起校正動作,系統100具有避免生產、識別和丟棄有缺陷基板的成本的技術優勢。
在一些實施例中,預測系統110進一步包括伺服器機器170和伺服器機器180。伺服器機器170包括能夠生產資料集(例如,一組資料輸入和一組目標輸出)的資料集產生器172,以訓練、驗證及/或測試(多個)機器學習模型190。資料集產生器172具有資料收集、編譯、縮減及/或劃分的功能,以將資料置於用於機器學習的形式。在一些實施例中(例如,對於小資料集),不使用用於訓練後驗證的分區(例如,明確分區)。在訓練期間可使用重複交叉驗證(例如,5折交叉驗證、留一交叉驗證),其中給定資料集在訓練期間實際上重複劃分為不同的訓練集和驗證集。從自動分離的組合子集上的模型向量中選擇模型(例如,最佳模型和最高準確度的模型等等)。在一些實施例中,資料集產生器172可明確地將歷史資料(例如,歷史感測器資料144和對應的歷史效能資料154)劃分成訓練集(例如,歷史資料的百分之六十)、驗證集(例如,歷史資料的百分之二十),及測試集(例如,歷史資料的百分之二十)。在本實施例中,將在下文參考圖2和圖7A來詳細描述資料集產生器172的一些操作。在一些實施例中,預測系統110(例如,經由預測組件114)生產多組特徵(例如,訓練特徵)。在一些示例中,第一組特徵與對應於每個資料集(例如,訓練集、驗證集和測試集)的第一組類型的感測器資料(例如,其來自於第一組感測器、來自於第一組感測器的值的第一組合,及來自於第一組感測器的值中的第一模式)相對應,而第二組特徵與是對應於每個資料集的第二組類型的感測器資料(例如,來自與第一組感測器不同的第二組感測器、與第一組合不同的值的第二組合、與第一模式不同的第二模式) 相對應。
伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。在一些實施例中,引擎(例如,訓練引擎182、驗證引擎184、選擇引擎185及測試引擎186)指的是硬體(例如,電路、專用邏輯、可程式化邏輯、微代碼和處理裝置等等)、軟體(如在處理裝置、通用電腦系統或專用電腦上運行的指令)、韌體、微代碼或上述的組合。訓練引擎182能夠使用與來自資料集產生器172的訓練集相關聯的一組或多組特徵,來訓練機器學習模型190。在一些實施例中,訓練引擎182生產多個經過訓練的機器學習模型190,其中每個經過訓練的機器學習模型190對應於訓練集的一組不同的參數(例如,感測器資料142)和對應的回應(例如,效能資料152)。在一些實施例中,出於對多重效應進行建模的目的,在具有不同目標的相同參數上訓練多個模型。在一些示例中,使用來自所有感測器126(例如,感測器1-5)的感測器資料142來訓練第一經過訓練的機器學習模型、使用感測器資料的第一子集(例如,來自感測器1、2及4)來訓練第二經過訓練的機器學習模型,並使用與第一特徵子集部分重疊的感測器資料的第二子集(例如,來自感測器1、3、4和5)來訓練第三經過訓練的機器學習模型。
驗證引擎184能夠使用來自資料集產生器172的驗證集的相應特徵集來驗證經過訓練的機器學習模型190。例如,使用驗證集的第一組特徵來驗證使用訓練集的第一組特徵來訓練的第一經過訓練的機器學習模型190。驗證引擎184基於驗證集的相應特徵集,來決定每個經過訓練的機器學習模型190的準確性。驗證引擎184評估並標記(例如,丟棄)具有不滿足閾值準確度的準確度的經過訓練的機器學習模型190。在一些實施例中,選擇引擎185能夠選擇具有滿足閾值準確度的準確度的一個或多個經過訓練的機器學習模型190。在一些實施例中,選擇引擎185能夠選擇經過訓練的機器學習模型190中具有最高準確度的經過訓練的機器學習模型190。
測試引擎186能夠使用來自資料集產生器172的測試集的對應特徵集,來測試經過訓練的機器學習模型190。例如,使用測試集的第一組特徵來測試使用訓練集的第一組特徵所訓練的第一經過訓練的機器學習模型190。測試引擎186基於測試集來決定所有經過訓練的機器學習模型中具有最高準確度的經過訓練的機器學習模型190。
在一些實施例中,機器學習模型190(例如,用於分類)指的是由訓練引擎182使用包含資料輸入和對應的目標輸出的訓練集所建立的模型工件(例如,正確地對條件進行分類或對應訓練輸入的順序等級)。可找到資料集中的模式,將資料輸入映射到目標輸出(正確的分類或層級),並向機器學習模型190提供捕捉這些模式的映射。在一些實施例中,機器學習模型190使用高斯過程回歸(GPR)、高斯過程分類(GPC)、貝氏神經網路、神經網路高斯過程、深度置信網路、高斯混合模型或其他機率學習方法中的一者或多者。也可使用非機率方法,其包括支援向量機(SVM)、徑向基底函數(RBF)、分群、最近鄰演算法(k-NN)、線性迴歸、隨機森林、神經網路(例如,人工神經網路)中的一者或多者。在一些實施例中,機器學習模型190是多變量分析(MVA)迴歸模型。
預測組件114將目前感測器資料146(例如,作為輸入)提供給經過訓練的機器學習模型190,並且運行經過訓練的機器學習模型190(例如,根據輸入來獲得一個或多個輸出)。預測組件114能夠從經過訓練的機器學習模型190決定(例如,提取)預測資料160,並決定(例如,提取)指示預測資料160對應於目前效能資料156的可信度水平的不確定性資料。在一些實施例中,預測組件114或校正動作組件122使用不確定性資料(例如,不確定性函數或從不確定性函數導出的擷取函數)來決定是否使用預測資料160來執行校正動作或是否進一步訓練模型190。
出於說明而非限制的目的,本申請案的各態樣描述了使用歷史資料(即,先前資料、歷史感測器資料144和歷史效能資料154)來訓練一個或多個機器學習模型190,並提供目前感測器資料146到一個或多個經過訓練的機率機器學習模型190中,以決定預測資料160。在其他實施方式中,(例如,在不使用經過訓練的機器學習模型的情況下),使用啟發式模型或基於規則的模型來決定預測資料160。在其他實施方式中,可使用非機率機器學習模型。預測組件114監視歷史感測器資料144和歷史效能資料154。在一些實施例中,關於圖2的資料輸入210所描述的任何資訊在啟發式或基於規則的模型中被監視或以其他方式使用。
在一些實施例中,客戶端裝置120、預測伺服器112、伺服器機器170和伺服器機器180的功能由較少數量的機器提供。例如,在一些實施例中,伺服器機器170和180被整合到單一機器中,而在一些其他實施例中,伺服器機器170、伺服器機器180和預測伺服器112被整合到單一機器中。在一些實施例中,客戶端裝置120和預測伺服器112被整合到單一機器中。
一般來說,若適當的話,在一個實施例中描述為由客戶端裝置120、預測伺服器112、伺服器機器170和伺服器機器180執行的功能也可在其他實施例中在預測伺服器112上執行。此外,特定組件的功能可由一起操作的不同或多個組件來執行。例如,在一些實施例中,預測伺服器112基於預測資料160來決定校正動作。在另一個示例中,客戶端裝置120基於從經過訓練的機器學習模型接收到的資料,來決定預測資料160。
此外,特定組件的功能可由一起操作的不同或多個組件來執行。在一些實施例中,預測伺服器112、伺服器機器170或伺服器機器180中的一者或多者作為透過適當的應用程式介面(API)提供給其他系統或裝置的服務來存取。
在一些實施例中,「使用者」被表示為單一個體。 然而,本申請案的其他實施例涵蓋作為由複數個使用者及/或自動化來源所控制的實體的「使用者」。 在一些示例中,聯合為一組管理員的一組單獨使用者被視為「使用者」。
儘管本申請案的實施例是根據決定用於製造設施(例如,基板處理設施)中的基板處理設備部件的邊緣缺陷偵測的預測資料160來討論的,但在一些實施例中,本申請案也可一般地應用於品質偵測。實施例通常可應用於基於不同類型的資料來決定部件的品質。
圖2示出根據某些實施例的用於建立機器學習模型(例如圖1的模型190)的資料集的資料集產生器272(例如圖1的資料集產生器172)。在一些實施例中,資料集產生器272是圖1的伺服器機器170的一部分。由圖2的資料集產生器272所產生的資料集,可用來訓練機器學習模型(例如,參見圖7D),以引起校正動作的執行(例如,參見圖7E)。
資料集產生器272(例如,圖1的資料集產生器172)建立用於機器學習模型(例如,圖1的模型190)的資料集。資料集產生器272使用歷史感測器資料244(例如,圖1的歷史感測器資料144)和歷史效能資料254(例如,圖1的歷史效能資料154)來建立資料集。圖2的系統200示出資料集產生器272、資料輸入210和目標輸出220(例如,目標資料)。
在一些實施例中,資料集產生器272產生資料集(例如,訓練集、驗證集和測試集);資料集包含一個或多個資料輸入210(例如,訓練輸入、驗證輸入和測試輸入)和一個或多個對應於資料輸入210的目標輸出220。資料集亦包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210也稱為「特徵」、「屬性」或「資訊」。在一些實施例中,資料集產生器272將資料集提供給訓練引擎182、驗證引擎184或測試引擎186,其中資料集用於訓練、驗證或測試機器學習模型190。參考圖7A進一步描述產生訓練集的一些實施例。
在一些實施例中,資料集產生器272生產資料輸入210和目標輸出220。在一些實施例中,資料輸入210包括一組或多組歷史感測器資料244。在一些實施例中,歷史感測器資料244包括一組或多組來自一種或多種類型的感測器的感測器資料、來自一種或多種類型的感測器的感測器資料的組合、來自一種或多種類型的感測器的感測器資料的模式及/或諸如此類。
在一些實施例中,資料集產生器272產生對應於第一組歷史感測器資料244A的第一資料輸入,以訓練、驗證或測試第一機器學習模型,且資料集產生器272產生對應於第二組歷史感測器資料244B的第二資料輸入,以訓練、驗證或測試第二機器學習模型。
在一些實施例中,資料集產生器272離散化(例如,分段)資料輸入210或目標輸出220中的一者或多者(例如,以在用於迴歸問題的分類演算法中使用)。資料輸入210或目標輸出220的離散化(例如,經由滑動訊窗的分段)將變數的連續值轉換成離散值。在一些實施例中,資料輸入210的離散值指示離散的歷史感測器資料244,以獲得目標輸出220(例如,離散的歷史效能資料254)。
用於訓練、驗證或測試機器學習模型的資料輸入210和目標輸出220包括用於特定設施(例如,用於特定基板製造設施)的資訊。在一些示例中,歷史感測器資料244和歷史效能資料254是針對同一製造設施。
在一些實施例中,用於訓練機器學習模型的資訊來自於製造設施的具有特定特性的特定類型的製造設備124,並允許經過訓練的機器學習模型基於與共享特定群組的特性的一個或多個組件相關聯的目前參數(例如,目前感測器資料146)的輸入,來決定製造設備124的特定群組的結果。在一些實施例中,用於訓練機器學習模型的資訊是針對來自兩個或更多個製造設施的組件,並允許經過訓練的機器學習模型基於來自一個製造設施的輸入來決定組件的結果。
在一些實施例中,在生產資料集並使用資料集訓練、驗證或測試機器學習模型190之後,機器學習模型190被進一步訓練、驗證或測試(例如,圖1的目前效能資料156)或調整(例如,調整與機器學習模型190的輸入資料相關聯的權重,如神經網路中的連接權重)。
圖3是示出根據某些實施例的用於生產預測資料360(例如,圖1的預測資料160)的系統300的方框圖。系統300用於經由經過訓練的機器學習模型(例如,圖1的模型190)決定預測資料360,以進行邊緣缺陷偵測(例如,用於執行校正動作)。
在方框310處,系統300(例如,圖1的預測系統110) (例如,經由圖1的伺服器機器170的資料集產生器172)執行歷史資料(例如,圖1的模型190的歷史感測器資料344和歷史效能資料354)的資料分區,以產生訓練集302、驗證集304和測試集306。在一些示例中,訓練集是歷史資料的60%、驗證集是歷史資料的20%,且測試集是歷史資料的20%。系統300為訓練集、驗證集和測試集中的每一者產生複數組特徵。在一些示例中,如果歷史資料包括從20個感測器(例如,圖1的感測器126)和100個產品(例如,每個產品對應於來自20個感測器的感測器資料)導出的特徵,則第一組特徵是感測器1-10、第二組特徵是感測器11-20、訓練集是產品1-60、驗證集是產品61-80,而測試集是產品81-100。在此示例中,訓練集的第一組特徵將是來自針對產品1-60的感測器1-10的參數。
在方框312處,系統300使用訓練集302 (例如,經由圖1的訓練引擎182) 來執行模型訓練。在一些實施例中,系統300使用訓練集302的多組特徵(例如,訓練集302的第一組特徵和訓練集302的第二組特徵等等)來訓練多個模型。例如,系統300訓練機器學習模型,以使用訓練集中的第一組特徵(例如,來自針對產品1-60的感測器1-10的感測器資料)產生第一經過訓練的機器學習模型,並使用訓練集中的第二組特徵(例如,來自針對產品 1-60的感測器11-20 的感測器資料)產生第二經過訓練的機器學習模型。在一些實施例中,第一經過訓練的機器學習模型和第二經過訓練的機器學習模型被組合以產生第三經過訓練的機器學習模型(例如,在一些實施例中,第三經過訓練的機器學習模型是比第一經過訓練的機器學習模型或第二經過訓練的機器學習模型本身較好的預測器)。在一些實施例中,用於比較模型的特徵組重疊(例如,第一組特徵是來自感測器1-15的感測器資料,而第二組特徵是來自感測器5-20的感測器資料)。 在一些實施例中,生產數百個模型,其包括具有各種特徵排列和模型組合的模型。
在方框314處,系統300(例如,經由圖1的驗證引擎184)使用驗證集304執行模型驗證。系統300使用驗證集304的相應特徵集來驗證每個訓練模型。例如,系統300使用驗證集中的第一組特徵(例如,來自針對產品61-80的感測器1-10的參數)來驗證第一經過訓練的機器學習模型,並使用驗證集中的第二組特徵(例如,來自針對產品61-80 的感測器11-20的參數)來驗證第二經過訓練的機器學習模型。在一些實施例中,系統300驗證在方框312處生產的數百個模型(例如,具有各種特徵排列的模型和模型的組合等等)。在方框314處,系統300(例如,經過模型驗證)決定一個或多個模型中的每一者的準確度,並決定一個或多個經過訓練的模型是否具有滿足閾值準確度的準確度。回應於決定沒有一個訓練模型具有滿足閾值準確度的準確度,流程返回到方框312;在方框312中系統300使用訓練集的不同特徵集來執行模型訓練。回應於決定一個或多個訓練模型具有滿足閾值準確度的準確度,流程繼續到方框316。系統300丟棄具有低於閾值準確度(例如,基於驗證集)的準確度的經過訓練的機器學習模型。
在方框316處,系統300 (例如,經由圖1的選擇引擎185)執行模型選擇,以決定滿足閾值準確度的一個或多個訓練模型中的哪一者具有最高準確度(例如,所選的模型308,基於方框314的驗證)。 回應於決定滿足閾值準確度的兩個或更多個經過訓練的模型具有相同的準確度,流程返回到方框312;在方框312中系統300使用與進一步細化的特徵集相對應的進一步細化的訓練集來執行模型訓練,以決定具有最高準確度的經過訓練的模型。
在方框318處,系統300使用測試集306來(例如,經由圖1的測試引擎186)執行模型測試,以測試所選的模型308。系統300使用測試集中的第一組特徵(例如,來自針對產品81-100的感測器1-10的感測器資料),來測試第一經過訓練的機器學習模型,以決定第一經過訓練的機器學習模型滿足閾值準確度(例如,基於測試集306的第一組特徵)。 回應於所選的模型308的準確度不滿足閾值準確度(例如,所選的模型308過度擬合訓練集302及/或驗證集304,且不適用於如測試集306的其他資料集),流程繼續到方框312;在方框312中系統300使用與不同特徵集(例如,來自不同感測器的感測器資料)相對應的不同訓練集來執行模型訓練(例如,再訓練)。 回應於基於測試集306決定所選的模型308具有滿足閾值準確度的準確度,流程繼續到方框320。至少在方框312中,模型學習歷史資料中的模式以做出預測,且在方框318中,系統300將模型應用於剩餘資料(例如,測試集306)以測試預測。
在方框320處,系統300使用經過訓練的模型(例如,所選的模型308)來接收目前感測器資料346(例如,圖1的目前感測器資料146),並從訓練模型決定(例如,提取)預測資料360(例如,圖1的預測資料160),以用於邊緣缺陷偵測以執行校正動作。在一些實施例中,目前感測器資料346對應於歷史感測器資料344中相同類型的特徵。在一些實施例中,目前感測器資料346對應於與用於訓練所選的模型308的歷史感測器資料344中的特徵類型的子集相同類型的特徵。
在一些實施例中,接收目前資料。在一些實施例中,目前資料包括目前效能資料356(例如圖1的目前效能資料156)及/或目前感測器資料346。在一些實施例中,目前資料的至少一部分是從計量設備(例如圖1的計量設備128)接收的或經由使用者輸入。在一些實施例中,基於目前資料重新訓練模型308。在一些實施例中,基於目前效能資料356和目前感測器資料346來訓練新模型。
在一些實施例中,方框310-320中的一者或多者以各種順序發生及/或與本文未呈現和描述的其他操作一起發生。在一些實施例中,不執行方框310-320中的一者或多者。例如,在一些實施例中,不執行方框310的資料劃分、方框314的模型驗證、方框316的模型選擇及/或方框318的模型測試中的一者或多者。
圖4A至圖4C示出根據某些實施例的基板處理設備部件410。圖4A是基板處理設備部件410的俯視圖、圖4B是基板處理設備部件410的透視圖,而圖4C是基板處理設備部件410和影像捕捉裝置400的透視圖。
基板處理設備部件410可以是噴頭、基座、邊緣環和靜電卡盤等等。在一些實施例中,基板處理設備部件410是圓柱形的(例如,圓形的周邊)。在一些實施例中,基板處理設備部件410的上表面414形成一個或多個凹部412(例如,基座凹穴、晶圓凹穴和基座凹穴)。在一些實施例中,基板處理設備部件410的上表面414形成兩個或更多個凹部412(例如,兩個或更多個基座凹穴)。在一些實施例中,基板處理設備部件410的上表面形成三個或更多個凹部412(例如,三個或更多個基座凹穴)。在一些實施例中,基板處理設備部件410的上表面形成四個或更多個凹部412(例如,四個或更多個基座凹穴)。在一些實施例中,基板處理設備部件410的上表面形成五個或更多個凹部412(例如,五個或更多個基座凹穴)。在一些實施例中,基板處理設備部件410的上表面形成六個或更多個凹部412(例如,六個或更多個基座凹穴)。
每個凹部412(例如,凹穴)可進一步由一個或多個側壁418和下壁形成。每個凹部412可由具有實質上圓形的周邊和實質上垂直的高度的側壁418形成。側壁418可實質上垂直(例如,90-95度、90-100度和95-100度等等)於下壁及/或上表面414。每個凹部412可由下壁形成;下壁實質上是平面的、實質上平行於基板處理設備部件410的上表面414、及/或實質上垂直於(例如,90-95度、90-100度和95-100度等等)側壁418。側壁418和上表面414可在邊緣416(例如,上邊緣、圓形邊緣)處相交。側壁418和下表面可在下邊緣處相交。邊緣416(例如,側壁418和上表面414所相交的上邊緣)中的缺陷可導致透過基板處理設備部件410生產的基板中的缺陷。
基板處理設備部件410可經配置成將基板(例如,具有圓形周邊的基板)接收在凹部412中,以用於執行基板處理操作。可將基板處理設備部件410設置在處理腔室中;處理腔室經配置為執行一個或多個基板處理操作。基板處理設備部件410及/或處理腔室的一個或多個部分可相對於彼此旋轉,使得可對經設置在凹部412中的基板執行不同的基板處理操作。凹部412(例如,和設置在凹部412中的基板)可透過屏障(例如,空氣幕和隔板等等)彼此分開。
如圖4C所示,角度識別組件420(例如,保護器)可設置在由基板處理設備部件410形成的凹部412中(例如,保護器可放置在基座凹穴的頂部上以限定跨越圓周邊緣的角度)。影像捕捉裝置400可用於捕捉形成凹部412(例如,基座凹穴)的基板處理設備部件410(例如,基座)的角度識別組件420和邊緣416(側壁418和上表面414所相交處)的影像(例如,感測器資料142)。
角度識別組件420可具有標記(例如,每度和每五度等)。 角度識別組件420可以是放置在基座凹穴頂部上的保護器,以正確地限定跨越圓周邊緣的角度。影像捕捉裝置400可包括燈(例如,發光二極體(LED))、漫射器(例如,白色漫射器)和經配置為以恆定角度間隔捕捉輸入影像的相機。在一些實施例中,影像捕捉裝置400捕捉視訊,並從視訊得出影像。
在一些實施例中,將影像捕捉裝置400移動(例如,手動移動)到不同位置以捕捉影像。在一些實施例中,影像捕捉裝置400包括致動裝置(例如,馬達);致動裝置將相機移動(例如,自動移動)到不同位置以捕捉影像。
圖5A至圖5E示出根據某些實施例的基板處理設備部件510(例如,圖4A至圖4C的基板處理設備部件410)的影像500A-500E。
如圖5A所示,可擷取影像500A(例如,原始影像、原始輸入影像)。可透過將角度識別組件520(例如,圖4C的角度識別組件420)放置在凹部512(例如,基座凹穴)上或凹部512中來捕獲影像,以正確地限定跨越圓周邊緣的角度。具有漫射器(例如,白色漫射器)和相機的燈(例如,LED)可用於以恆定的角度間隔捕獲輸入影像(例如,靜止影像及/或視訊)。
影像500A可包括角度識別組件520的至少預定量的標記(例如,至少5度)。影像500A可包括形成凹部512 (例如,圖4A至圖4C的凹部412、基座凹穴)的側壁418的邊緣516(例如,側壁和上表面相交處)。
參考圖5B,影像500B可以是已經被處理的影像500A。可將影像500A轉換為灰階以產生影像500B。垂直和水平裁切訊窗可用灰階突出顯示邊緣。
參考圖5C,影像500C(例如,灰階裁切影像)可以是已經處理的影像500A及/或影像500B。動態雙向裁切可應用於影像500B,以獲得影像中給定角度間隔(例如,5度)內的特定區域(例如,基座的邊緣)。
參考圖5D,影像500D可以是已處理的影像500A、影像500B及/或影像500C。影像500D可以是初步裁切之後的閾值影像。影像500D中的線可標記影像500D相對於中心線的不對稱性。對於邊緣分割,可基於預定網格尺寸(例如,最佳化的網格尺寸)來應用自適應閾值,以轉換為二值化影像(例如,僅具有黑色像素和白色像素)。為了消除背景失真,可應用輪廓偵測。可消除面積較小的輪廓。為了更精細的評估,可對背景進行額外的平滑化,以突出顯示基座的邊緣。平滑化可包括減小一形狀的尺寸,使其小於閾值尺寸(例如,小點),以使該形狀與邊緣分離,從而可移除該形狀。
參考圖5E,影像500E可以是已經處理的影像500A、影像500B、影像500C及/或影像500D。影像500E可以是在去除背景失真並平滑化背景之後的最終裁切影像。在影像500E中,突出顯示邊緣裂縫的像素的分佈可用於執行動態旋轉(例如,以使影像對稱),且可執行最終裁切。
圖6A至圖6D示出根據某些實施例的基板處理設備部件610(例如,圖4A至圖4C的基板處理設備部件410,和圖5A至圖5E的基板處理設備部件510)的影像600。
圖6A至圖6C可以是二值化影像。在二值化影像中,白色像素可突出邊緣缺陷的輪廓。在一些實施例中,應用線性縮放來將像素轉換成公制單位(例如,毫米(mm))。可計算白色影像的總數量來分析邊緣(例如,受損區域)。影像的總垂直高度可指示由於裂縫而導致邊緣的延伸高度。可藉由白色像素的計數(例如,數量)並將邊緣的延伸高度與標準高度進行比較,來執行「好」或「壞」分類。可針對基座的每個凹穴,對於所有可能的角度間隔重複整個過程。
參考圖6A,影像600A可以是具有滿足閾值的屬性值的邊緣的基板處理設備部件610 (例如,基板處理設備部件具有「良好」分類)。影像600A可顯示標準參考高度和頂部上的較少數量的白色像素。影像600A的高度可能不滿足閾值高度(例如,高度小於指示邊緣缺陷的高度)。影像600A的白色像素的數量可能不滿足閾值量(例如,白色像素的數量小於指示邊緣缺陷的白色像素的數量)。
參考圖6B,影像600B可以是具有不滿足閾值的屬性值的邊緣的基板處理設備部件610 (例如,基板處理設備部件具有「良好」分類)。 影像600B可具有延伸高度且在頂部具有更多數量的白色像素。影像600B的高度可滿足閾值高度(例如,該高度等於或大於指示邊緣缺陷的高度)。影像600B的白色像素的數量可滿足閾值量(例如,白色像素的數量等於或大於指示邊緣缺陷的白色像素的數量)。
參考圖6C,影像600C可以是具有不滿足閾值的屬性值的邊緣的基板處理設備部件610。影像600C的高度604滿足閾值高度(例如,大於生產具有滿足閾值的效能資料的基板的基座邊緣的高度)。一種類型的像素602(例如,白色像素)的數量滿足閾值量(例如,表示邊緣裂縫的區域的白色像素的數量大於生產具有滿足閾值的效能資料的基板的基座邊緣的白色像素的數量) 。
參考圖6D,影像600D可以是基板處理設備部件610的。基板處理設備部件610可包括形成一個或多個凹部612(例如,基座凹穴)的上表面614。凹部612可由側壁618和下表面形成。側壁618和上表面614的相交處可以是邊緣616(例如,上邊緣)。
可針對基板處理設備部件610測量x距離620、y距離630及/或z距離640。邊界y底部632可以是下表面和側壁618相交處的下邊緣。邊界x頂部622和邊界x底部624可形成基板處理設備部件610的側壁618和上表面614之間的邊界。邊緣616的頂部處的邊緣缺陷(例如,破裂的邊緣)導致x距離620(例如,邊緣裂縫的高度)增加、導致z距離640(例如,邊緣裂縫的寬度)增加,並導致y距離630(例如,邊界y底部632和邊界x底部624之間的距離)減少。高度604可以是x距離620和y距離630的總和。
在一些實施例中,經由自動化(例如,經由處理邏輯)來決定高度604。 在一些實施例中,將邊緣616的自動高度與邊緣616的手動計算的寬度(例如,x距離620、(X+Y)-Y)進行比較。
圖7A至圖7E是根據某些實施例的與邊緣缺陷偵測相關聯的方法700A-700E的流程圖。在一些實施例中,700A-700E由處理邏輯執行;處理邏輯包括硬體(例如,電路系統、專用邏輯、可程式化邏輯、微代碼和處理裝置等等)、軟體(如在處理裝置上運行的指令、通用目的電腦系統或專用機器)、韌體、微代碼或上述的組合。在一些實施例中,至少部分地由預測系統110及/或客戶端裝置120執行方法700A-700E。在一些實施例中,方法700A至少部分地由預測系統110(例如,圖1的伺服器機器170和資料集產生器172,和圖2的資料集產生器272) 執行。在一些實施例中,預測系統110使用方法700A來產生資料集以執行訓練、驗證或測試機器學習模型中的至少一者。 在一些實施例中,方法700B-700C由客戶端裝置120執行。在一些實施例中,方法700D由伺服器機器180(例如,訓練引擎182等等)執行。在一些實施例中,方法700E由預測伺服器112(例如,預測組件114)執行。在一些實施例中,方法700C由客戶端裝置120(例如,校正動作組件122)執行。在一些實施例中,非暫時性存儲媒體儲存指令,當由(例如,預測系統110的、伺服器機器180的、預測伺服器112的……等)處理裝置執行指令時,指令使處理裝置執行方法700A-700E中的一者或多者。
為了易於解釋,將方法700A-700E描繪和描述為一系列操作。然而,根據本申請案的操作可用各種順序發生及/或與本文未呈現和描述的其他操作同時發生。此外,在一些實施例中,並非所有示出的操作都要被執行以實施根據所揭露的標的之方法700A-700E。另外,所屬技術領域中具有通常知識者將理解和認識到,可替代地經由狀態圖或事件將方法700A-700E表示為一系列相互關聯的狀態。
在一些實施例中,方法700A-700E中的一者或多者用於區分好部件和壞部件、消除關於部件壽命終止的人工檢查和人工判斷、決定基座的壽命終止、識別裂縫位置的模式並用於改進塗層(例如碳化矽(SiC))處理、將裂縫的發生與沉積條件相關聯、用於將處理窗口移動到減少裂縫的狀態、偵測在閾值準確度內的裂縫及/或諸如此類中的一者或多者。
圖7A是用於生產用於生產預測資料(例如,圖7的預測資料160)的機器學習模型的資料集的方法700A的流程圖。
參考圖7A,在一些實施例中,在方框702處,處理邏輯實施方法700A將訓練集T初始化為空集合。
在方框704處,處理邏輯生產包含感測器資料(例如,圖1的歷史感測器資料144、圖2的歷史感測器資料244等)的第一資料輸入(例如,第一訓練輸入、第一驗證輸入)。在一些實施例中,第一資料輸入包括針對感測器資料類型的第一組特徵,且第二資料輸入包括針對感測器資料類型的第二組特徵(例如,如關於圖2所描述的)。
在方框706處,處理邏輯產生用於一個或多個資料輸入(例如,第一資料輸入)的第一目標輸出。在一些實施例中,第一目標輸出是歷史效能資料(例如,圖1的歷史效能資料154、圖2的歷史效能資料254)。
在方框708處,處理邏輯可選擇性地生產指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)指的是資料輸入(例如,本文所描述的一個或多個資料輸入)、資料輸入的目標輸出(例如,其中目標輸出識別歷史效能資料154),及(多個)資料輸入和目標輸出之間的關聯。
在方框710處,處理邏輯將在方框708處生產的映射資料加入資料集T。
在方框712處,基於資料集T是否足以執行訓練、驗證及/或測試機器學習模型190中的至少一者,處理邏輯分支(例如,經過訓練的機器學習模型的不確定性滿足閾值不確定性) 。如果是,則執行進行到方框714;否則,執行繼續回到方框704。應注意,在一些實施例中,簡單地基於資料集中的輸入/輸出映射的數量來決定資料集T的充分性;而在一些其他的實施方式中,除了輸入/輸出映射的數量之外或取代輸入/輸出映射的數量,資料集T的充分性是基於一個或多個其他標準(例如,資料示例的多樣性的度量和準確性等等)來決定的。
在方框714處,處理邏輯提供(例如,向伺服器機器180)資料集T,以訓練、驗證及/或測試機器學習模型190。在一些實施例中,資料集T是訓練集,並經提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中,資料集T是驗證集,且經提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中,資料集T是測試集,並經提供給伺服器機器180的測試引擎186,以執行測試。例如,在神經網路的情況下,將給定輸入/輸出映射的輸入值(例如,與資料輸入210相關聯的數值)輸入到神經網路,且將輸入/輸出映射的輸出值(例如,與目標輸出220相關聯的數值)儲存在神經網路的輸出節點中。接著根據學習演算法(例如反向傳播等)調整神經網路中的連接權重,並對資料集T中的其他輸入/輸出映射重複此過程。
在方框714之後,機器學習模型(例如,機器學習模型190)可以是使用伺服器機器180的訓練引擎182來訓練、使用伺服器機器180的驗證引擎184來驗證、或使用伺服器機器180的測試引擎186來測試中的至少一者。機器學習模型由(預測伺服器112的)預測組件114實施,以生產用於邊緣缺陷偵測的預測資料(例如,預測資料160),從而導致執行校正動作。
圖7B是根據某些實施例的與經由影像分析進行邊緣缺陷偵測相關聯的方法700B。在一些實施例中,在基板處理設備部件的清潔之前和之後執行方法700B。經由方法700B,處理邏輯可從數位影像動態地偵測基座凹穴的邊緣,且處理邏輯可評估高度和邊緣特性以進一步將基座凹穴的邊緣分類為滿足閾值條件(例如,是良好的或狀況不佳)。
在方法700B的方框720處,處理邏輯識別基板處理設備部件(例如,圖4A至圖4C的基板處理設備部件410)的邊緣的影像。基板處理設備部件可以是底座、邊緣環和靜電卡盤等等。
在一些實施例中,處理邏輯從影像捕捉裝置(例如,圖4C的影像捕捉裝置400)接收影像。可將角度識別組件(例如,圖4C的角度識別組件420)放置在由基板處理設備部件形成的凹部(例如,由基座形成的基座凹穴)中或凹部上。影像捕捉裝置可使光投射(例如,經由具有白色漫射器的LED燈發射)到基板處理設備部件和角度識別組件的邊緣。影像捕捉裝置的相機可用邊緣和角度識別組件的恆定角度間隔捕捉影像。在一些實施例中,影像捕捉裝置可捕捉包含影像的視訊。
在方框722處,處理邏輯基於影像來預測邊緣的屬性值是否滿足閾值。處理邏輯可執行圖7C的方法700C、圖7D的方法700D及/或圖7E的方法700E的一個或多個方框,以預測邊緣的屬性值是否滿足閾值。
在一些實施例中,屬性值包括邊緣的高度、與邊緣的變形相關聯的像素的數量等等中的一者或多者。閾值可指示被預測為生產不具有滿足閾值的效能資料(例如,有缺陷)的基板的基板處理設備部件。閾值可指示要經歷校正動作(例如,清潔、修復和更換等等)以生產具有滿足閾值的效能資料的基板(例如,好的晶圓)的基板處理設備部件。
處理邏輯可決定邊緣(例如,晶圓凹穴)上的缺陷的位置(例如,在凹穴的圓周處存在的缺陷的角位置)、尺寸(例如,在凹穴的圓周處存在的缺陷的高度)及/或數量。
在方框724處,回應於屬性值滿足閾值,流程繼續至方框726。在方框724處,回應於屬性值不滿足閾值,流程繼續至方框720,其中識別基板處理設備部件的邊緣的後續影像並重複方法700B。
在方框726處,處理邏輯引起與基板處理設備部件相關聯的校正動作的執行。校正動作可包括提供警報、引起清潔動作、引起修理動作、引起更換及決定基板處理設備部件的預測壽命終止等等中的一者或多者。
可重複方框720-726,直到每個邊的屬性值滿足閾值。在一些實施例中,基於直到基板處理設備部件的邊緣的屬性值滿足閾值之前的校正動作(例如,清潔循環)的數量,處理邏輯可預測基板處理設備部件的壽命終止。
圖7C是根據某些實施例的與經由影像分析進行邊緣缺陷偵測相關聯的方法。在一些實施例中,在基板處理設備部件的清潔之前和之後執行方法700B。
在方框730處,處理邏輯識別基板處理設備部件的邊緣的影像(例如,參見圖5A)。圖7C的方框730可類似圖7B的方框720。
在方框732處,處理邏輯將影像轉換為灰階(例如,參見圖5B)。 在一些實施例中,以灰階擷取影像。
在方框734處,處理邏輯透過雙向裁切來裁切影像(例如,參見圖5B至圖5C)。可應用動態雙向裁切來獲得影像在預定角度間隔(例如,五度)內的區域(例如,基座的邊緣)。
在方框736處,處理邏輯經由基於預定網格尺寸(例如,最佳化的網格尺寸)的自適應閾值處理將影像轉換為二值化影像(例如,用於邊緣分割)。二值化影像可僅包括黑色像素和白色像素。
在一些實施例中,處理邏輯將閾值像素值應用於影像。在一些實施例中,影像的像素格式是位元組影像,其中像素值是儲存為8位元整數的數字,其給出從0到255的可能值範圍,其中0是黑色且255是白色。處理邏輯可將高於閾值像素值(例如,200)的所有像素值轉換為白色(例如,像素值為255),且可將低於閾值像素值(例如,200)的所有像素值轉換為黑色(例如,像素值為0)。這可能會從影像中去除灰色像素值。
在方框738處,處理邏輯透過應用輪廓偵測來去除影像中的背景失真。可消除具有較小面積(例如,小於閾值的面積)的輪廓。對於取景器評估,可對背景進行額外的平滑化處理以突出顯示基板處理設備部件的邊緣。平滑化可包括減小小於閾值尺寸(例如,小點)的一形狀的尺寸,以將該形狀與邊緣分離,從而可去除該形狀(例如,經由在方框738中去除背景失真)。
在一些實施例中,決定y方向上的邊緣的質心。 如果輪廓距離質心一閾值距離,則處理邏輯可移除該輪廓。
在方框740處,處理邏輯動態地旋轉影像,以使影像的至少一部分實質上對稱(例如,圖5D)。可旋轉影像,使得影像的左下黑色像素和影像的右下黑色像素圍繞中心線對稱。
在方框742處,處理邏輯執行影像的最終裁切。 可在去除背景失真並平滑化背景之後執行最終的裁切。
在方框744處,處理邏輯對影像應用線性縮放以轉換像素的單位(例如,將像素轉換成公制單位,如毫米)。白色像素可突出顯示邊緣缺陷所佔據的輪廓。
在方框746處,處理邏輯基於影像來決定與邊緣相關聯的影像的一部分的高度(例如,圖6C的高度604)或與邊緣裂縫相關聯的像素(例如,圖6C的像素602)數量中的至少一者。可計算白色像素的總數量來分析受損區域(例如,邊緣缺陷)。影像的總垂直高度可指示由於裂縫而導致的邊緣的延伸高度。可經由白色像素的計數並將邊緣的延伸高度與標準高度進行比較,來執行「好」或「壞」分類。
在方框748處,處理邏輯決定邊緣的高度是否滿足閾值高度。回應於邊緣的高度滿足閾值高度,流程繼續到方框752。回應於邊緣的高度不滿足閾值高度,流程繼續到方框750。
在方框750處,處理邏輯決定像素的數量是否滿足閾值量。回應於滿足閾值高度的像素數量,流程繼續到方框752。回應於邊緣的高度不滿足閾值高度,流程繼續到方框730。可針對基板處理設備部件(例如,基座)的每個凹穴對於所有角度間隔(例如,邊緣周圍的每個5度間隔)重複方法700C。
在方框752處,處理邏輯促使執行與基板處理設備部件相關聯的校正動作。圖7C的方框752可類似圖7B的方框726。
圖7D是用於訓練機器學習模型(例如,圖1的模型190)的方法,該機器學習模型用於經由影像分析來決定用於邊緣缺陷偵測的預測資料(例如,圖1的預測資料160) 。
參考圖7D,在方法700D的方框760處,處理邏輯識別歷史感測器資料(例如,圖1的歷史感測器資料144、歷史輸入感測器資料)。歷史感測器資料可包括基板處理設備的邊緣的歷史影像。可已透過圖7C的方法700C的一個或多個操作對歷史影像進行處理(例如,透過方框732-744中的一者或多者對歷史影像進行處理)。
在一些實施例中,基板處理設備部件的可用影像的網路是可用的。在一些實施例中,影像的第二部分是具有滿足閾值的屬性值的基板處理設備部件的(例如,具有破損邊緣的不良基座影像,參見圖6B至圖6C)。在一些實施例中,影像的第一部分是具有不滿足閾值的屬性值的基板處理設備部件的(例如,良好的基座影像,參見圖6A)。
在方框762處,處理邏輯識別歷史效能資料(例如,圖1的歷史效能資料154、歷史輸出效能資料)。歷史感測器資料和歷史效能資料的至少一部分可與新的基板處理設備部件相關聯(例如,用於基準測試)。歷史效能資料可以是基板處理設備部件的屬性值是否滿足閾值的指示。歷史效能資料可指示基板處理設備部件是否是新的。歷史效能資料可指示基板處理設備部件是否有缺陷。歷史效能資料可以是由基板處理設備部件生產的基板的效能資料(例如,屬性值、缺陷量等等)是否滿足閾值(例如,好晶圓或壞晶圓)的指示。
在方框764處,處理邏輯使用包含歷史感測器資料的資料輸入和包含歷史效能資料的目標輸出來訓練機器學習模型,以生產經過訓練的機器學習模型。
在一些實施例中,處理邏輯(例如,透過經過訓練的機器學習模型)將腔室晶圓效能(例如,缺陷、均勻性等等)與基座上的量化缺陷相關聯。可在清潔作業之間、基座之間比較和追蹤(例如,透過數位記錄)缺陷尺寸和位置,及/或識別與腔室設計及/或製程條件相關的基板處理設備部件上的潛在問題區域。在一些示例中,若基板具有與基板處理設備部件的邊緣缺陷接近相同位置的基板缺陷,則將執行校正動作。
在一些實施例中,方框760的歷史感測器資料包括歷史基板處理設備部件的歷史影像,且方框762的歷史效能資料對應於歷史基板處理設備部件。歷史效能資料可與基板品質相關聯;基板品質如基板的計量資料、基板吞吐量和基板缺陷等等。歷史效能資料可與基板處理設備部件的品質相關聯;基板處理設備部件的品質如手動檢查、基板處理設備部件的計量資料,和基板處理設備部件的故障時間等等。在方框764處,可使用包含歷史影像的資料輸入和包含歷史效能資料的目標輸出來訓練機器學習模型,以產生經配置為預測基板處理設備部件的屬性值是否滿足閾值的經過訓練的機器學習模型。在圖7B的方框722處,處理邏輯可使用透過圖D的方法700D所訓練的經過訓練的機器學習模型,來決定屬性值是否滿足閾值。
圖7E是用於使用經過訓練的機器學習模型(例如,圖1的模型190)進行邊緣缺陷偵測以引起校正動作的執行的方法700E。
參考圖7E,在方法700E的方框780處,處理邏輯識別感測器資料。在一些實施例中,方框780的感測器資料包括基板處理設備部件的影像。圖7E的方框780可類似圖7B的方框720。
在方框782處,處理邏輯將感測器資料作為資料輸入提供給(例如,經由圖7D的方框764所訓練的)經過訓練的機器學習模型。
在方框784處,處理邏輯從經過訓練的機器學習模型接收與預測資料相關聯的輸出。
在方框786處,處理邏輯基於預測資料促使校正動作的執行。圖7E的方框786可類似圖7B的方框726。
圖8是示出根據某些實施例的電腦系統800的方框圖。 在一些實施例中,電腦系統800是客戶端裝置120、預測系統110、伺服器機器170、伺服器機器180或預測伺服器112中的一者或多者。
在一些實施例中,電腦系統800連接(例如,經由網路,如區域網路(LAN)、內部網路、外部網路或網際網路)到其他電腦系統。在一些實施例中,電腦系統800以客戶端-伺服器環境中的伺服器或客戶端電腦的能力進行操作,或作為同儕-同儕或分散式網路環境中的同儕電腦進行操作。在一些實施例中,電腦系統800由個人電腦(PC)、平板PC、機上盒(STB)、個人數位助理(PDA)、蜂窩電話、網路設備、伺服器、網路路由器、交換器或橋接器,或任何能夠(順序地或以其他方式)執行一組指令的裝置,這些指令指定該裝置要採取的動作。此外,術語「電腦」應包括單獨或聯合執行一組(或多組)指令以執行本文所述的任何一個或多個方法的電腦的任何集合。
在進一步的態樣中,電腦系統800包括處理裝置802、揮發性記憶體804(例如,隨機存取記憶體(RAM))、非揮發性記憶體806(例如,唯讀記憶體(ROM)或電子可擦除可程式化ROM(EEPROM))和資料存儲裝置816,上述裝置/記憶體經由匯流排808彼此通訊。
在一些實施例中,處理裝置802由一個或多個處理器提供;處理器如通用處理器(例如,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、實作其他類型指令集的微處理器、或實現多種類型指令集的組合的微處理器),或專用處理器(例如,專用積體電路(ASIC)、現場可程式化閘陣列(FPGA)、數位訊號處理器(DSP) 或網路處理器)。
在一些實施例中,電腦系統800進一步包括網路介面裝置822 (例如,其經耦合到網路874)。在一些實施例中,電腦系統800亦包括視訊顯示器810(例如,LCD)、字母數字輸入裝置812(例如,鍵盤)、遊標控制裝置814(例如,滑鼠)和訊號產生裝置820。
在一些實施例中,資料存儲設備816包括非暫時性電腦可讀取存儲媒體824,其上儲存對本文所描述的方法或功能中的任何一者或多者進行編碼的指令826,其包括對圖1的組件(例如,校正動作組件122、預測組件114等等)進行編碼並可用於實施本文所描述的方法(例如,方法700A-700E中的一者或多者) 的指令。
在一些實施例中,指令826在由電腦系統800執行期間也完全或部分地駐留在揮發性記憶體804內及/或處理裝置802內;因此,在一些實施例中,揮發性記憶體804和處理裝置802也構成機器可讀取存儲媒體。
雖然電腦可讀取存儲媒體824在說明性示例中被示為單一媒體,但術語「電腦可讀取存儲媒體」應包括單一媒體或多個媒體(例如,集中式或分散式資料庫,及/或相關聯的快取和伺服器),其儲存一組或多組可執行指令。術語「電腦可讀取存儲媒體」亦應包括能夠儲存或編碼一組指令以供電腦執行的任何有形媒體,該組指令使電腦執行本文所述的方法中的任何一者或多者。術語「電腦可讀取存儲媒體」應包括但不限於固態記憶體、光學媒體和磁性媒體。
在一些實施例中,本文所述的方法、組件和特徵由分離硬體組件實現或整合在如ASIC、FPGA、DSP或類似裝置的其他硬體組件的功能中。在一些實施例中,方法、組件和特徵由硬體裝置內的韌體模組或功能電路系統來實施。在一些實施例中,方法、組件和特徵以硬體裝置和電腦程式組件的任意組合或以電腦程式來實施。
除非另外具體說明,否則如「識別」、「預測」、「導致」、「捕捉」、「處理」、「轉換」、「裁切」、「閾值」、「去除」、「旋轉」 、 「提供」、「獲得」、「訓練」、「進一步訓練」、「再訓練」、「接收」、「決定」、「更新」或諸如此類的術語是指由電腦系統執行或實施的動作和過程;電腦系統將在電腦系統暫存器和記憶體內表示為物理(電子)量的資料操縱和轉換成類似地表示為在電腦系統記憶體或暫存器或其他此類資訊存儲、傳輸或顯示裝置內的物理量的其他資料。在一些實施例中,本文所使用的術語「第一」、「第二」、「第三」和「第四」等等意在作為區分不同元件的標籤,並不具有根據其數字名稱的順序含義。
本文所述的示例也涉及用於執行本文所述的方法的設備。在一些實施例中,設備被專門構造成用於執行本文所述的方法,或包括由存儲在電腦系統中的電腦程式選擇性地程式化的通用電腦系統。此類電腦程式經儲存在電腦可讀取有形存儲媒體中。
本文所述的方法和說明性示例並未固有地與任何特定電腦或其他設備相關。在一些實施例中,根據本文所述的教示來使用各種通用系統。在一些實施例中,建立更專門的裝置來執行本文所述的方法及/或它們各自的功能、常式、子常式或操作中的每一者。在上文描述中闡述各種這些系統的結構示例。
以上描述旨在說明性的而非限制性的。儘管已經參考具體說明性示例和實施方式描述了本申請案,但應當認識到,本申請案不限於所描述的示例和實施方式。應參考所附請求項及請求項所賦予的等同物的完整範疇來決定本申請案的範疇。
100:系統
110:預測系統
112:預測伺服器
114:預測組件
120:客戶端裝置
122:校正動作組件
124:製造設備
126:感測器
128:計量設備
130:網路
140:資料存儲
142:感測器資料
144:歷史感測器資料
146:目前感測器資料
152:效能資料
154:歷史效能資料
156:目前效能資料
160:預測資料
170:伺服器機器
172:資料集產生器
180:伺服器機器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:模型
200:系統
210:資料輸入
220:目標輸出
244:歷史感測器資料
254:歷史效能資料
272:資料集產生器
300:系統
302:訓練集
304:驗證集
306:測試集
308:所選的模型
310~320:方框
344:歷史感測器資料
346:目前感測器資料
354:歷史效能資料
356:目前效能資料
360:預測資料
400:影像捕捉裝置
410:基板處理設備部件
412:凹部
414:上表面
416:邊緣
418:側壁
420:角度識別組件
500A~500E:影像
510:基板處理設備部件
512:凹部
516:邊緣
520:角度識別組件
600A~600D:影像
602:像素
604:高度
610:基板處理設備部件
612:凹部
614:上表面
616:邊緣
618:側壁
620:x距離
622:邊界x頂部
624:邊界x底部
630:y距離
640:z距離
700A~700E:方法
702~714:方框
720~726:方框
730~752:方框
760~764:方框
780~786:方框
800:電腦系統
802:處理裝置
804:揮發性記憶體
806:非揮發性記憶體
808:匯流排
810:視訊顯示器
812:字母數字輸入裝置
814:游標控制裝置
816:資料存儲裝置
820:訊號產生裝置
822:網路介面裝置
824:非暫時性電腦可讀取存儲媒體
826:指令
874:網路
是以示例而非限制的方式,在附圖中示出本申請案。
圖1是示出根據某些實施例的示例性系統架構的方框圖。
圖2示出根據某些實施例的用於建立機器學習模型的資料集的資料集產生器。
圖3是示出根據某些實施例的決定預測資料的方框圖。
圖4A至圖4C示出根據某些實施例的基板處理設備部件。
圖5A至圖5E示出根據某些實施例的基板處理設備部件的影像。
圖6A至圖6D示出根據某些實施例的基板處理設備部件的影像。
圖7A至圖7E是根據某些實施例的與邊緣缺陷偵測相關聯的方法的流程圖。
圖8是示出根據某些實施例的電腦系統的方框圖。
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
700B:方法
720~726:方框
Claims (20)
- 一種方法,包括以下步驟: 識別由一基板處理系統的一基座所形成的一基座凹穴的一邊緣的一影像; 基於該影像,預測該基座的該邊緣的屬性值是否滿足閾值;及 回應於該邊緣的該等屬性值滿足閾值,引起與該基座相關聯的一校正動作的執行。
- 如請求項1所述的方法,其中該等屬性值包括該邊緣的一高度或與該邊緣的一變形相關聯的像素中的至少一者。
- 如請求項1所述的方法,其中: 回應於經設置在該基座凹穴中的一角度識別組件及投射到該邊緣和該角度識別組件上的光,來捕捉該影像;及 該角度識別組件的至少一部分在該影像中。
- 如請求項1所述的方法,進一步包括以下步驟: 藉由沿該邊緣移動一影像捕捉裝置來捕捉該邊緣的一視訊;及 處理該視訊,以識別以預定角度間隔的複數個影像,該複數個影像包括該影像。
- 如請求項1所述的方法,其中該影像: 被轉換為灰階; 透過動態雙向裁切被裁切;及 透過基於一預定網格尺寸的自適應閾值被轉換為一二值化影像,該二值化影像包括一第一類型像素和一第二類型像素,其中該第一類型像素示出該邊緣的邊緣缺陷。
- 如請求項1所述的方法,其中透過對該影像應用輪廓偵測,來去除該影像中的背景失真的至少一部分。
- 如請求項1所述的方法,其中將該影像動態旋轉,以使該影像的至少一部分實質上對稱。
- 如請求項1所述的方法,其中該預測該等屬性值是否滿足該等閾值之步驟包括以下步驟: 提供該影像作為對一經過訓練的機器學習模型的輸入; 從該經過訓練的機器學習模型中取得與預測資料相關聯的輸出;及 基於該預測資料,決定該邊緣的該等屬性值是否滿足該等閾值。
- 如請求項8所述的方法,利用包括歷史基座的歷史影像的輸入和包括該等歷史基座的歷史效能資料的目標輸出,來訓練該經過訓練的機器學習模型。
- 一種儲存指令的非暫時性電腦可讀取存儲媒體,當執行該等指令時,該等指令使一處理裝置執行操作,該等操作包括下列操作: 識別由一基板處理系統的一基座所形成的一基座凹穴的一邊緣的一影像; 基於該影像,預測該基座的該邊緣的屬性值是否滿足閾值;及 回應於該邊緣的該等屬性值滿足該等閾值,引起與該基座相關聯的一校正動作的執行。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中該等屬性值包括該邊緣的一高度或與該邊緣的一變形相關聯的像素中的至少一者。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中: 回應於經設置在該基座凹穴中的一角度識別組件及投射到該邊緣和該角度識別組件上的光,來捕捉該影像;及 該角度識別組件的至少一部分在該影像中。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中該等操作進一步包括以下操作: 藉由沿該邊緣移動一影像捕捉裝置來捕捉該邊緣的一視訊;及 處理該視訊,以識別以預定角度間隔的複數個影像,該複數個影像包括該影像。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中該影像: 被轉換為灰階; 透過動態雙向裁切被裁切;及 透過基於一預定網格尺寸的自適應閾值被轉換為一二值化影像,該二值化影像包括一第一類型像素和一第二類型像素,其中該第一類型像素示出該邊緣的邊緣缺陷。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中: 透過對該影像應用輪廓偵測,來去除該影像中的背景失真的至少一部分; 及 將該影像動態旋轉,以使該影像的至少一部分實質上對稱。
- 如請求項10所述的非暫時性電腦可讀取存儲媒體,其中該預測該等屬性值是否滿足該等閾值之操作包括以下操作: 提供該影像作為對一經過訓練的機器學習模型的輸入; 從該經過訓練的機器學習模型中取得與預測資料相關聯的輸出;及 基於該預測資料,決定該邊緣的該等屬性值是否滿足該等閾值。
- 一種系統,包括: 一記憶體;及 一處理裝置,其耦合至該記憶體,該處理裝置用於: 識別由一基板處理系統的一基座所形成的一基座凹穴的一邊緣的一影像; 基於該影像,預測該基座的該邊緣的屬性值是否滿足閾值;及 回應於該邊緣的該等屬性值滿足該等閾值,引起與該基座相關聯的一校正動作的執行。
- 如請求項17所述的系統,其中該等屬性值包括該邊緣的一高度或與該邊緣的一變形相關聯的像素中的至少一者。
- 如請求項17所述的系統,其中: 回應於經設置在該基座凹穴中的一角度識別組件及投射到該邊緣和該角度識別組件上的光,來捕捉該影像;及 該角度識別組件的至少一部分在該影像中。
- 如請求項17所述的系統,其中該處理裝置進一步以: 藉由沿該邊緣移動一影像捕捉裝置來捕捉該邊緣的一視訊;及 處理該視訊,以識別以預定角度間隔的複數個影像,該複數個影像包括該影像。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/949,937 | 2022-09-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202420226A true TW202420226A (zh) | 2024-05-16 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI783298B (zh) | 探索裝置及探索方法 | |
JP2022507543A (ja) | 画素レベル画像定量のための深層学習式欠陥検出及び分類方式の使用 | |
JP2010159979A (ja) | 外観検査方法及び外観検査システム | |
US11625811B2 (en) | Adaptive non-rigid targeted deformation of images for synthetic image generation | |
US11227193B2 (en) | Automated image measurement for process development and optimization | |
KR20220022091A (ko) | 검사 레시피의 자동 최적화 | |
US20230195061A1 (en) | Manufacturing equipment parts quality management system | |
TW202346959A (zh) | 用於製造設備的診斷工具與工具之匹配和比較下鑽分析方法 | |
TW202420226A (zh) | 經由影像分析作邊緣缺陷偵測 | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
US20240095899A1 (en) | Edge defect detection via image analytics | |
TW202349275A (zh) | 與處理裝備相關聯的合成時間序列資料 | |
KR102651541B1 (ko) | 다수의 층들을 사용하는 재귀적 흐름 가스 분배 스택의 제조 | |
US11749543B2 (en) | Chamber matching and calibration | |
US20240087135A1 (en) | Clog detection via image analytics | |
US20240175824A1 (en) | Substrate defect analysis | |
US20240086597A1 (en) | Generation and utilization of virtual features for process modeling | |
US20240229234A1 (en) | Cleaning operations based on deposition thickness | |
WO2023192524A1 (en) | Generating synthetic microspy images of manufactured devices | |
TW202343176A (zh) | 用於製造設備的診斷工具與工具之匹配方法 | |
TW202422746A (zh) | 用於製程學習的基板輪廓的分段函數擬合 | |
US20230306281A1 (en) | Machine learning model generation and updating for manufacturing equipment | |
US20240144464A1 (en) | Classification of defect patterns of substrates | |
WO2024147810A1 (en) | Cleaning operations based on deposition thickness | |
TW202324152A (zh) | 用於改善製造設備的維護品質之校驗 |