TW202424831A - 在使用機器學習的製造系統處的裝備參數管理 - Google Patents
在使用機器學習的製造系統處的裝備參數管理 Download PDFInfo
- Publication number
- TW202424831A TW202424831A TW112131456A TW112131456A TW202424831A TW 202424831 A TW202424831 A TW 202424831A TW 112131456 A TW112131456 A TW 112131456A TW 112131456 A TW112131456 A TW 112131456A TW 202424831 A TW202424831 A TW 202424831A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- equipment
- value
- equipment parameter
- machine learning
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 130
- 238000010801 machine learning Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 claims abstract description 127
- 230000009471 action Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims description 188
- 238000012549 training Methods 0.000 claims description 77
- 230000015654 memory Effects 0.000 claims description 22
- 230000008569 process Effects 0.000 abstract description 34
- 239000000758 substrate Substances 0.000 description 73
- 238000007726 management method Methods 0.000 description 45
- 238000013500 data storage Methods 0.000 description 27
- 238000003860 storage Methods 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 21
- 238000001514 detection method Methods 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 9
- 230000003449 preventive effect Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Abstract
一種方法包括以下步驟:接收與裝備參數相關聯的第一資料。第一資料指示第一製造系統處的複數個處理工具中的處理工具的裝備設定。該方法進一步包括以下步驟:將第一資料作為輸入提供至經訓練的機器學習模型。使用與第一製造系統處的複數個處理工具的裝備參數有關的歷史資料來訓練經訓練的機器學習模型。該方法進一步包括以下步驟:取得與裝備參數對應的度量的預測值,以作為經訓練的機器學習模型的輸出。該方法進一步包括以下步驟:將度量的預測值與第一資料進行比較,以及依據比較步驟來執行校正動作。
Description
本揭示的實施例整體上係關於製造系統,並且更特定為使用機器學習來管理製造系統處的裝置參數。
隨著電子裝置的大小持續縮小,基板處理複雜性也持續增加。用於製造基板的一些技術可能涉及多種不同的處理。此外,可以使用多台裝備來製造基板,其中許多台的裝備構成基板製造系統及/或基板製造設施。可以依據多個裝備參數來操作每台裝備。裝備參數可以確定裝備如何進行操作。多個裝備參數的集合可以作為用於操作裝備來製造基板的基準。確定裝備參數的集合及/或修改單獨裝備參數的程度來最佳化一台基板製造裝備所執行的處理可能是困難且耗時的。
以下是本揭示的簡化概述,以提供針對本揭示的一些態樣的基本理解。此概述並非本揭示的廣泛概論。既非意欲識別本揭示的關鍵或重要元素,亦非意欲描述本揭示的特定實施方案的任何範圍或請求項的任何範圍。唯一目的在於利用簡化形式來呈現本揭示的一些概念,以作為稍後呈現的更詳細描述的序言。
在一些實施例中,一種方法包括以下步驟:接收與裝備參數相關聯的第一資料。第一資料指示第一製造系統處的複數個處理工具中的處理工具的裝備設定。該方法進一步包括以下步驟:將第一資料作為輸入提供至經訓練的機器學習模型。使用與第一製造系統處的複數個處理工具的裝備參數有關的歷史資料來訓練經訓練的機器學習模型。該方法進一步包括以下步驟:取得與裝備參數對應的度量的預測值,以作為經訓練的機器學習模型的輸出。該方法進一步包括以下步驟:將度量的預測值與第一資料進行比較,以及依據比較步驟來執行校正動作。
在一些實施例中,系統包括記憶體以及耦接至記憶體的處理裝置。處理裝置用於接收與裝備參數相關聯的第一資料。第一資料指示第一製造系統處的複數個處理工具中的處理工具的裝備設定。處理裝置進一步用於將第一資料作為輸入提供至經訓練的機器學習模型。使用與第一製造系統處的複數個處理工具的裝備參數有關的歷史資料來訓練經訓練的機器學習模型。處理裝置進一步用於取得與裝備參數對應的度量的預測值,以作為經訓練的機器學習模型的輸出。處理裝置進一步用於將度量的預測值與第一資料進行比較,以及依據比較步驟來執行校正動作。
在一些實施例中,非暫態電腦可讀取媒體包括指令,當藉由處理裝置執行時,造成處理裝置接收與裝備參數相關聯的第一資料。第一資料指示第一製造系統處的複數個處理工具中的處理工具的裝備設定。處理裝置進一步用於將第一資料作為輸入提供至經訓練的機器學習模型。使用與第一製造系統處的複數個處理工具的裝備參數有關的歷史資料來訓練經訓練的機器學習模型。處理裝置進一步用於取得與裝備參數對應的度量的預測值,以作為經訓練的機器學習模型的輸出。處理裝置進一步用於將度量的預測值與第一資料進行比較,以及依據比較步驟來執行校正動作。
本文所述的實施方案提供用於使用機器學習在製造系統處進行裝備參數管理的系統及方法。在一些情況下,可以使用多個處理工具來處理基板。每一工具可以執行一或更多個操作來處理基板,或者每一工具可以執行多個操作來處理多個基板。隨著電子裝置的大小持續縮小,處理工具的複雜性也持續增加。舉例而言,每一處理工具可以包括多個感測器、閥、加熱元件、或其他部件等,以在基板製造處理期間執行基板處理。處理工具的每一部件可以依據一或更多個參數(例如,與一或更多個設定相關聯)來操作。
包括許多處理工具的基板製造系統可以具有多個(例如,數百個或者有時數千個)裝備參數。如本文所述,每一裝備參數可以對應於處理工具的單獨設定。舉例而言,裝備參數可以對應於設置在處理腔室內的加熱元件的設定。在另一實例中,裝備參數可以與監測處理工具(例如,處理腔室、轉移腔室等)的內部的狀況的感測器(例如,溫度感測器、流量感測器等)的校正設定相關。在另一實例中,裝備參數可以反映相對於預定資料(例如,「零」點)進行操作的基板轉移機器人的偏移。
隨著基板進行處理,至少一些裝備參數可以改變,而使得在製造系統處進行處理的基板繼續滿足處理目標。類似地,一些裝備參數可能隨著裝備磨損而改變。舉例而言,感測器可能逐漸失去校正並開始向控制器(例如,處理裝置、處理器等)報告錯誤的感測器資料。與感測器的校正相關的一或更多個裝備參數可以在基板處理期間改變,而使得感測器資料精準地反映處理的狀況(例如,基板處理、處理腔室的狀況等)。一些裝備參數因工具而不同。舉例而言,類似的處理工具(例如,處理腔室、基板處理機器人等)可能具有與基板處理不同的磨損(例如,由於不同的運行時間、維護排程、部件零件的變化等),而需要裝備參數與不同處理工具的相同設定進行關聯,以具有不同的值。
某些裝備參數可能比其他裝備參數具有更高的重要性(例如,更關鍵)。舉例而言,針對第一給定裝備參數的改變可以比針對第二給定裝備參數的類似改變更多地變更基板處理。由於改變裝備參數可能導致改變,因此監測裝備參數以確保裝備參數不會漂移到值的預定範圍之外可能是有益的。在一些實例中,漂移的裝備參數可以向使用者(例如,工程師、技術人員等)指示基板製造系統的部件是有缺陷的。漂移的裝備參數亦可以指示所處理的基板可能與目標處理結果不匹配。可能需要採取校準動作才能將裝備參數恢復到其預定範圍內。
與製造系統的處理工具相關的裝備參數的集合(例如,裝備參數的列表)可以作為用於操作製造系統的基準。舉例而言,裝備參數的列表可以指示製造系統處的處理工具的多個部件的起始設定。當新的製造系統進行調試(例如,第一次運行以製造基板等)時,可以使用裝備參數的初始列表來運行製造系統。每一單獨的裝備參數都可以隨著時間而改變,以最佳化製造系統及/或考慮處理工具的差異(例如,部件公差及可變性)。
傳統上,製造系統的一或更多個使用者(例如,人類使用者)編譯裝備參數的列表。使用者(或多個使用者)可以在廣泛研究及/或實驗之後確定每一裝備參數的預設值或預設值範圍。使用者亦可以確定每一裝備參數的關鍵度,並且可以將關鍵度值分配給每一裝備參數。使用者可以研究在製造系統的操作期間收集的資料來做出這些確認。由於裝備參數的數量較多(有時數量極其龐大),使用者可能會消耗大量的時間及資源來編譯裝備參數的列表及預設值。
本揭示的態樣藉由提供用於使用機器學習在製造系統處進行裝備參數管理的系統及方法來解決監測及將預設值分配給裝備參數的習知方法的缺陷。在一些實施例中,處理裝置(例如,處理器、控制器等)可以接收與一或更多個裝備參數相關聯的資料(例如,從製造系統)。機器學習技術可以用於確定裝備參數是否在值的適當範圍內。此外,使用在製造系統的操作期間在一段時間間隔(例如,一天、預防性維護循環等)收集的歷史裝備參數資料,機器學習技術可以用於將預設值及/或預設範圍分配給多個裝備參數。此外,機器學習技術可以用於向裝備參數中之每一者分配關鍵度值,其中每一關鍵度值係對應於裝備參數中之每一者的關鍵度。機器學習技術亦可以用於依據裝備參數的當前值與歷史資料來預測裝備參數中之每一者的更新。透過機器學習,可以修改裝備參數,以最佳化製造設施處的基板的製造。
本揭示的實施例提供使用機器學習來最佳化基板製造處理的技術。本揭示的實施例利用機器學習技術來在基板製造期間及/或在基板處理期間監測及/或更新裝備參數。此外,本揭示的實施例利用機器學習技術來編譯裝備參數的列表,並向每一裝備參數分配預設值、預設範圍、及/或預設關鍵度值。傳統上,依靠人類使用者來執行本揭示所討論的功能。因此,本文所揭示的方法及系統可以減少用於編譯裝備參數的列表的時間,並且可以基本上消除習知方法的人為偏差及不準確性。此外,可以使用本文所描述的系統及方法來快速解決裝備參數的變化,而增加了製造系統的精確性及總生產量。
第 1 圖圖示根據本揭示的態樣的說明性系統架構100。在一些實施例中,系統架構100可以被包括以作為用於處理基板的製造系統的一部分。系統架構100可以包括一或更多個客戶端裝置120、製造裝備124、計量裝備128、預測伺服器112(例如,用於產生預測資料、提供模型適配、使用知識庫等)、及資料儲存140。預測伺服器112可以是預測系統110的一部分。預測系統110可以進一步包括伺服器機器170及180。製造裝備124可以包括經配置以捕捉在製造系統處進行處理的基板的資料的感測器。在一些實施例中,製造裝備124及感測器可以是感測器系統的一部分,感測器系統包括感測器伺服器(例如,製造設施處的現場服務伺服器(FSS))以及感測器識別符讀取器(例如,用於感測器系統的前開式晶圓傳送盒(FOUP))射頻識別(RFID)讀取器)。在一些實施例中,計量裝備128可以是計量系統的一部分,計量系統包括計量伺服器(例如,計量資料庫、計量文件夾等)以及計量識別符讀取器(例如,用於計量系統的FOUP RFID讀取器)。應注意,儘管計量裝備128及製造裝備124在
第 1 圖中係描繪為單獨的部件,但是計量裝備128可以被包括以作為製造裝備124的一部分。舉例而言,製造裝備124可以包括處理工具。計量裝備128的一或更多個部件可以整合在處理工具的一或更多個部件或站內。舉例而言,計量裝備128的一或更多個部件可以整合在製造裝備124的處理工具的工廠介面、裝載閘、轉移腔室、處理腔室、及/或一或更多個附加站內。
製造裝備124按照配方及/或在一時間週期內執行運行來生產產品。製造裝備124可以包括經配置以在基板處理期間產生用於基板的資料(指稱為感測器資料)的一或更多個感測器。感測器資料可以包括溫度(例如,加熱器溫度)、間距(SP)、壓力、高頻射頻(HFRF)、靜電卡盤(ESC)的電壓、電流、流量、功率、電壓等中之一或更多者的值。感測器資料可以與製造參數(例如,硬體參數(例如,製造裝備124的設定或部件(例如,大小、類型等)、製造裝備124的裝備參數、或製造裝備124的處理參數))相關聯或指示製造參數。可以在製造裝備124執行製造處理時提供感測器資料(例如,處理產品時的裝備讀數)。每一基板的感測器資料可能不同。
在一些實施例中,製造裝備124係依據裝備參數(例如,參數、硬體參數、裝備常數等)進行操作。參數可以確定製造裝備的行為。在一些實例中,裝備參數包括用於製造裝備124的操作的校準值、偏移值、及/或縮放因子值。在特定實例中,製造裝備124的處理裝置(例如,處理器)可以利用縮放因子值,以縮放經由感測器所接收的資料。在另一實例中,處理裝置可以利用校準值來校準一或更多個感測器。在一些實施例中,在多個製造工具中,參數可以是恆定的(例如,基本上恆定的)。然而,類似的製造工具可以依據工具之間的差異而具有不同的參數(例如,增加的運行時間、增加的磨損等)。在一些實施例中,給定製造工具的一些參數可以隨時間而保持恆定。一些參數可以在多個值的範圍內改變。一些參數可以隨時間而增加(例如,計數器參數)。在一些實施例中,一些參數在製造工具的維護(例如,預防性維護、反應性維護、定期維護、清潔等)期間被重置及/或改變。一些參數係為定性的,而意指其與製造工具的操作的模式相關。如本文所述,與裝備參數相關的資料可以儲存在資料儲存140中。
計量裝備128提供與由製造裝備124進行處理的基板(例如,晶圓等)相關聯的計量資料。計量資料可以包括膜性質資料(例如,晶圓空間膜性質)、尺寸(例如,厚度、高度等)、介電常數、摻雜劑濃度、密度、缺陷等中之一或更多者的值。在一些實施例中,計量資料可以進一步包括一或更多個表面輪廓性質資料(例如,蝕刻速率、蝕刻速率均勻性、包括在基板的表面上的一或更多個特徵的臨界尺寸、跨基板的表面的臨界尺寸均勻性、邊緣放置誤差等)。計量資料可以是最終產品或半最終產品。每一基板的計量資料可能不同。在一些實施例中,計量裝備128可以收集在製造裝備124處進行處理的每一基板的計量資料。在其他或類似的實施例中,計量裝備128可以收集在製造裝備124處進行處理的一部分基板的計量資料。舉例而言,可以在製造裝備124處處理一批次的基板。計量裝備128可以收集該批次中的基板的一部分(例如,該批次中的15%的基板、該批次中的20%的基板等)的計量資料。在一些實施例中,系統架構100的系統(例如,預測系統110)可以將針對該批次中的基板的一部分所收集的計量資料關聯為代表針對該批次中的每一基板的計量資料。
客戶端裝置120包括計算裝置(例如,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、網路連接電視(「智慧型電視」)、網路連接媒體播放器(例如,藍光播放器)、機上盒、線上串流媒體(OTT)裝置、操作盒等)。在一些實施例中,可以從客戶端裝置120接收計量資料。在一些實施例中,可以從客戶端裝置120接收裝備參數資料。在一些實施例中,客戶端裝置120顯示圖形使用者介面(GUI),其中GUI讓使用者能夠提供在製造系統處進行處理的基板的計量測量值來作為輸入。在一些實施例中,GUI可以讓使用者能夠提供與製造裝備124相關聯的裝備參數值來作為輸入。在其他或類似的實施例中,客戶端裝置120可以顯示讓使用者能夠提供要在製造系統處進行處理的基板的類型、要針對基板執行的處理的類型、及/或製造系統處的裝備的類型的指示來作為輸入的另一GUI。
資料儲存140可以是記憶體(例如,隨機存取記憶體)、驅動器(例如,硬碟驅動器、快閃驅動器)、資料庫系統、或能夠儲存資料的另一類型的部件或裝置。資料儲存140可以包括可以跨越多個計算裝置(例如,多個伺服器電腦)的多個儲存部件(例如,多個驅動器或多個資料庫)。在一些實施例中,資料儲存140可以儲存與製造工具的參數相關聯的資料(在本文中指稱為參數資料)。參數資料可以包括一或更多個製造裝備設定的指示。製造裝備設定可以關於感測器校準及/或其他裝備參數。在一些實施例中,參數資料可以指稱歷史參數資料(例如,與製造裝備124的先前設定相關聯的參數資料)及/或當前參數資料(例如,與當前裝備設定相關聯的參數資料)。
在附加或替代實施例中,資料儲存140可以儲存藉由位於或耦接至製造裝備124的感測器在基板處理的執行之前、期間、及/或之後針對基板所收集的資料(在本文中指稱為感測器資料)。舉例而言,處理腔室可以包括經配置以在基板處理之前、期間、或之後針對處理腔室內的基板及/或環境收集資料的一或更多個感測器(例如,溫度感測器、光譜感測器等)。與系統架構100相關聯的計算系統(例如,預測系統110、用於製造裝備124的系統控制器等)可以接收在基板處理之前、期間、或之後所收集的感測器資料,並且可以將感測器資料儲存在資料儲存140處。在一些實施例中,感測器資料可以指稱歷史感測器資料(例如,針對根據先前基板處理進行處理的先前基板所收集的感測器資料)及/或當前感測器資料(例如,針對根據當前基板處理正在處理或待處理的當前基板所收集的感測器資料)。
在一些實施例中,資料儲存140可以儲存附加類型的資料。舉例而言,資料儲存可以儲存與使用製造裝備124進行處理的基板相關聯的計量資料。計量資料可以包括歷史計量資料(例如,針對使用製造裝備124進行處理的先前基板所產生的計量測量值)及/或當前計量資料(例如,針對使用製造裝備124進行處理的當前基板所產生的計量測量值)。資料儲存140亦可以儲存與製造系統處的一或更多個基板(例如,先前基板、當前基板等)相關聯的背景資料。背景資料可以包括處理配方的識別符、基板(及/或基板的批次)的識別符、預防性維護指示器、操作者的識別符等。
在一些實施例中,資料儲存140可以經配置以儲存製造系統的使用者(例如,操作者、工程師等)無法存取的資料。舉例而言,製造系統的使用者可能無法存取針對基板所取得的處理資料、感測器資料、計量資料、及/或背景資料。在一些實施例中,製造系統的使用者(例如,操作者)無法存取資料儲存140處所儲存的所有資料。在其他或類似實施例中,資料儲存140處所儲存的資料的一部分無法被使用者所存取,而資料儲存140處所儲存的資料的另一部分可以由使用者存取。在一些實施例中,使用對於使用者為未知的加密機制針對資料儲存140處所儲存的資料的一或更多個部分進行加密(例如,使用私密加密金鑰針對資料進行加密)。在其他或類似實施例中,資料儲存140包括多個資料儲存,其中使用者無法存取的資料係儲存在一或更多個第一資料儲存中,而使用者可存取的資料係儲存在一或更多個第二資料儲存中。
預測伺服器112可以包括裝備參數(EP)管理引擎152及/或預測部件114。在一些實施例中,預測部件114及/或EP管理引擎152係為預測伺服器112的一部分或者經由網路130連接到預測伺服器112(例如,預測部件114及/或EP管理引擎152係為連接到網路130的計算系統的一部分)。EP管理引擎152可以經配置以調諧及/或修改製造裝備124的裝備參數,以最佳化製造系統處的基板處理。在一些實施例中,EP管理引擎152可以確定(例如,經由預測系統110)與裝備參數對應的預測值。在一些實施例中,EP管理引擎152可以輸出與製造裝備124的處理工具對應的裝備參數的列表。裝備參數的列表可以包括與裝備參數中之每一者對應的預測預設值及/或預設值範圍。預測值可以經由如本文所述的預測系統110來確定。
在一些實施例中,EP管理引擎152可以依據裝備參數及/或依據歷史裝備參數資料來更新(例如,製造裝備124的)裝備設定。在一些實施例中,EP管理引擎152可以依據從經訓練的機器學習模型輸出的度量(例如,預測值、預測特性值、預測分類值、預測關鍵性值等)來更新裝備設定及/或裝備參數。在一些實例中,EP管理引擎152依據接收指示處理工具(例如,處理腔室、轉移腔室等)的設定已經漂移的度量(例如,來自經訓練的機器學習模型的輸出、來自預測系統110的輸出等)來更新裝備參數。在一些實施例中,EP管理引擎152可以依據各種工具狀態來更新裝備參數(例如,對應於製造裝備124)。舉例而言,EP管理引擎152可以依據工具故障狀態、工具維護狀態(例如,預防性維護狀態)、及/或正常操作狀態等來更新裝備參數。在一些實施例中,一或更多個裝備參數反映各種工具狀態。在一些實施例中,EP管理引擎152可以提供用於在(例如,客戶端裝置120的)GUI上顯示的指示處理工具設定已經漂移且裝備參數將被更新的通知。在一些實施例中,可以輸出裝備參數的列表(例如,由EP管理引擎152所產生及/或編譯)以及預測預設值,以在另一製造系統處使用。在一些實施例中,EP管理引擎152可以監測裝備參數,以確定(例如,製造裝備124的)類似處理工具以類似方式(例如,基本上類似的方式)處理基板,以實現目標處理結果。
如本文下面參照
第 2 圖所描述,在一些實施例中,EP管理引擎152可以特徵化裝備參數。在一些實施例中,EP管理引擎152可以確定裝備參數的特性。在一些實施例中,如下文更詳細描述的,EP管理引擎152可以依據(例如,上文描述的裝備參數的)特性來針對裝備參數進行分類。在一些實施例中,如本文所述,EP管理引擎152可以分配及/或預測裝備參數的預設值及/或值的預設範圍。在一些實施例中,如本文所述,EP管理引擎152可以偵測裝備參數值是否已經漂移及/或將被更新。在許多實施例中,EP管理引擎152的上述功能可以使用如下文描述的機器學習技術來實現。
在一些實施例中,預測系統110包括伺服器機器170與伺服器機器180。伺服器機器170包括能夠產生訓練資料集(例如,一組資料輸入以及一組目標輸出)的訓練集產生器172,以用於訓練、驗證、及/或測試機器學習模型190。如本文所述,機器學習模型190可以被訓練以依據與一或更多個處理工具相關聯的給定裝備參數資料及/或感測器資料來預測與裝備參數對應的一或更多個度量。在一些實例中,機器學習模型190可以預測經更新的裝備參數及/或經更新的裝備設定。在一些實例中,機器學習模型190(及/或另一機器學習模型)可以預測給定裝備參數的特性及/或分類。在一些實例中,機器學習模型190(及/或另一機器學習模型)可以預測與裝備參數對應的關鍵度值。所預測的關鍵度值可以指示裝備參數的重要性。舉例而言,所預測的關鍵度值可以指示相關聯的裝備參數影響到多少改變。下面參照
第 4 圖詳細描述訓練集產生器172的一些操作。在一些實施例中,訓練集產生器172可以將訓練資料劃分成訓練集、驗證集、及測試集。在一些實施例中,預測系統110產生多組訓練資料。
伺服器180包括訓練引擎182、驗證引擎184、選擇引擎186、及/或測試引擎188。引擎可以指稱硬體(例如,電路、專用邏輯、可程式化邏輯、微代碼、處理裝置等)、軟體(例如,處理裝置、通用電腦系統、或專用機器上運行的指令)、韌體、微代碼、或其組合。訓練引擎182能夠訓練機器學習模型190。機器學習模型190可以指稱藉由訓練引擎182使用訓練資料所建立的模型件,訓練資料包括訓練輸入與對應目標輸出(各別訓練輸入的正確答案)。訓練引擎182可以在訓練資料中找到將訓練輸入映射到目標輸出(要預測的答案)的模式,並且提供捕捉這些模式的機器學習模型190。在一些實施例中,機器學習模型190使用支持向量機(SVM)、徑向基函數(RBF)、聚類、監督機器學習、半監督機器學習、無監督機器學習、k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)、聚類技術(例如,階層聚類技術)、關聯技術(例如,先驗技術)、分類技術(例如,決策樹、隨機森林技術等)、變分循環自動編碼器等中之一或更多者。
驗證引擎184能夠使用來自訓練集產生器172的驗證集的對應特徵組來驗證經訓練的機器學習模型190。驗證引擎184可以依據驗證集的對應特徵組來確定經訓練的機器學習模型190中之每一者的精度。驗證引擎184可以丟棄具有無法滿足閾值精度的精度的經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精度的精度的經訓練的機器學習模型190。在一些實施例中,選擇引擎185能夠選擇具有經訓練的機器學習模型190的最高精度的經訓練的機器學習模型190。
測試引擎188能夠使用來自訓練集產生器172的測試集的對應特徵組來測試經訓練的機器學習模型190。舉例而言,使用訓練集的第一組特徵來訓練的第一經訓練的機器學習模型190可以使用測試集的第一組特徵來測試。測試引擎188可以依據測試集來確定具有經訓練的機器學習模型中之所有者的最高精度的經訓練的機器學習模型190。
預測伺服器112包括預測部件114,預測部件114能夠將與製造裝備124相關聯的裝備參數資料及/或感測器資料提供至經訓練的機器學習模型190來作為輸入,並且針對輸入運行經訓練的機器學習模型190,以取得一或更多個輸出。如本文所述,在一些實施例中,來自機器學習模型190的輸出可以包括所預測的裝備參數更新、所預測的裝備參數分類/特性、所預測的裝備參數預設值/範圍、及/或與製造裝備124的裝備參數相關聯的其他的所預測的度量。
客戶端裝置120、製造裝備124、計量裝備128、預測伺服器112、資料儲存140、伺服器機器170、及伺服器機器180可以經由網路130彼此耦接。在一些實施例中,網路130係為公共網路,以向客戶端裝置120提供針對預測伺服器112、資料儲存140、及/或其他公共可使用的計算裝置的存取。在一些實施例中,網路130係為私密網路,以向客戶端裝置120提供針對製造裝備124、計量裝備128、資料儲存140、及其他私密可使用的計算裝置的存取。網路130可以包括一或更多個廣域網路(WAN)、區域網路(LAN)、有線網路(例如,以太網)、無線網路(例如,802.11網路或Wi-Fi網路)、蜂窩式網路(例如,長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦、雲計算網路、及/或其組合。
應注意,在一些其他實施方案中,伺服器機器170及180以及預測伺服器112的功能可以藉由較少數量的機器來提供。舉例而言,在一些實施例中,伺服器機器170及180可以整合至單一機器中,而在一些其他或類似實施例中,伺服器機器170及180以及預測伺服器112可以整合至單一機器中。在其他或類似實施例中,伺服器機器170及180及/或預測伺服器112可以整合至單一機器或一或更多個機器中。
一般而言,在一個實施方案中描述為由伺服器機器170、伺服器機器180、及/或預測伺服器112執行的功能亦可以在客戶端裝置120上執行。此外,可以藉由一起操作的不同或多個部件來執行歸因於特定部件的功能。
在實施例中,「使用者」可以表示為單一個人。然而,本揭示的其他實施例涵蓋藉由複數個使用者及/或自動源所控制的實體的「使用者」。舉例而言,以管理員群組聯合的一組單獨使用者可以視為「使用者」。
第 2 圖係為根據本揭示的態樣的示例性EP管理引擎152的方塊圖。如
第 2 圖所示,EP管理引擎152可以包括特性部件210、分類部件212、預設值部件214、及/或偵測部件216。在一些實施例中,EP管理引擎152可以連接到記憶體250(例如,經由
第 1 圖所描述的網路130、經由匯流排等)。在一些實施例中,記憶體250可以對應於資料儲存140的一或更多個部分。
特性部件210可以經配置以確定裝備參數的特性。舉例而言,特性部件210可以確定給定裝備參數在一群組(例如,一群組的類似處理工具)內具有恆定值、工具內的恆定值、準恆定值(例如,基本上恆定的值、僅低於閾值變化等)、隨機分佈值、遞增值(例如,在計數器中)、及/或文本值。如上文所述,可以從製造裝備124收集裝備參數資料(例如,EP值資料256、EP閾值資料258、EP設定點資料260、當前EP資料262等)。特性部件210可以使用裝備參數資料來確定如上所述的裝備參數的一或更多個特性(例如,裝備參數是否具有恆定值或半恆定值、裝備參數是否具有處理工具之間的匹配等)。
分類部件212可以經配置以依據裝備參數的一或更多個特性來針對裝備參數進行分類。分類部件212可以在分類操作期間產生及/或存取EP分類資料252。在一些實例中,分類部件212可以依據裝備參數的特性向裝備參數分配分類值(例如,度量)。分類值可以指示裝備參數屬於離散分類組。分類值可以是數值。舉例而言,分類部件212可以將裝備參數分配為具有1的分類值,以指示裝備參數匹配製造系統中的所有類似工具。在一些實施例中,如前一實例中所述,保持恆定的裝備參數可以是數值或文本值。在另一實例中,分類部件212可以將裝備參數分配為具有2的分類值,以指示裝備參數在指定處理工具(例如,處理腔室)內是恆定的,但是可以允許跨處理工具的變化。在第三實例中,分類部件212可以將裝備參數分配為具有3的分類值,以指示裝備參數係在處理工具中的範圍內。在另一實例中,分類部件212可以將裝備參數分配為具有4的分類值,以指示裝備參數係在跨越一群組的類似處理工具的範圍內。在另一實例中,分類部件212可以將裝備參數分配為具有5的分類值,以指示除了裝備參數的值可以在預防性維護操作期間改變之外,裝備參數保持恆定。在另一實例中,分類部件212可以將裝備參數分配為具有6的分類值,以指示裝備參數可以不斷地改變值。在另一實例中,分類部件212可以將裝備參數分配為具有6的分類值,以指示裝備參數以規則間隔增加(例如,裝備參數係為計數器等)。在一些實施例中,分類部件212可以將裝備參數分配為本文未描述的其他分類值。在一些實施例中,分類部件212依據EP特性資料254及/或EP值資料256(例如,當前EP值資料及/或歷史EP值資料)來針對裝備參數進行分類。
預設值部件214可以經配置以將裝備參數分配為預設值及/或預設值範圍。預設值部件214可以在操作期間產生及/或存取EP值資料256、EP閾值資料258、及/或EP設定點資料260。在一些實例中,經由機器學習技術,預設值部件214可以確定與每一裝備參數對應的預設值及/或預設範圍。具體而言,預設值部件214可以確定給定裝備參數的預設值係為特定的確定值。類似地,預設值部件214可以確定另一給定裝備參數的值係在特定的確定的值範圍內(例如,在確定的下限值與確定的上限值之間)。在一些實施例中,預設值部件214產生指示裝備參數具有在特定的確定預設閾值內的值的EP閾值資料258。類似地,在一些實施例中,預設值部件214產生指示裝備參數具有特定的確定預設設定點處的值的EP設定點資料260。在一些實例中,預設值部件214可以確定給定裝備參數具有特定文本值來作為預設值。舉例而言,預設值部件214可以確定給定裝備參數的文本值係指示處理工具在某個預設模式下操作。在一些實施例中,除了如上所述使用及/或產生的資料之外,預設值部件214可以使用EP分類資料252及/或EP特性資料254來確定預設裝備參數值及/或範圍。
偵測部件216可以經配置以偵測裝備參數值是否已經漂移及/或將被更新。在一些實施例中,偵測部件216可以在操作期間使用EP閾值資料258、EP設定點資料260、EP值資料256、及/或校正動作資料262。在一些實施例中,偵測部件216可以偵測到裝備參數的值已經漂移到預期範圍之外。在一些實例中,偵測部件216監測用於指示裝備參數的值在閾值之外(例如,由EP閾值資料258所指示)及/或已經從設定點(例如,由EP設定點資料260所指示)改變的當前EP值資料256。偵測部件216可以將裝備參數值與預設值及/或預設範圍(例如,藉由如本文描述的機器學習來確定)進行比較。偵測部件216可以使用機器學習技術來進行這種偵測。舉例而言,偵測部件216可以利用一或更多個經過訓練的機器學習模型(例如,
第 1 圖的模型190)來偵測裝備參數資料中的異常。在一些實例中,偵測部件216可以利用歷史EP值資料256來確定裝備參數值在預期範圍之外及/或不同於預期值。在一些實施例中,偵測部件216可以確定校正動作(例如,由校正動作資料262所指示)。在一些實例中,偵測部件216可以依據機器學習模型的輸出來確定與裝備參數相關聯的裝備設定要被更新。在一些實施例中,偵測部件216可以依據將與裝備參數對應的度量的預測值(例如,裝備參數的預測值)與當前EP值資料256進行比較來確定校正動作。在一些實施例中,提供校正動作的通知,以顯示在圖形使用者介面(GUI)上。通知可以指示當前EP值資料與度量的預測值的不匹配。
第 3 圖係為根據本揭示的態樣的用於製造系統處的裝備參數管理的方法300的流程圖。可以藉由處理邏輯來執行方法300,處理邏輯可以包括硬體(電路、專用邏輯等)、軟體(例如,在通用電腦系統或專用機器上運行)、韌體、或一些其組合。在一個實施方案中,方法300可以藉由系統架構(例如,
第 1 圖的系統架構100)的一或更多個部件來執行。在其他或類似實施方案中,方法300的一或更多個操作可以由圖式中未描繪的一或更多個其他機器來執行。在一些態樣中,方法300的一或更多個操作可以藉由EP管理引擎152來執行。在其他或類似態樣中,方法300的一或更多個操作可以藉由預測部件114來執行。
為了簡化說明,方法係圖示及描述為一系列的動作。然而,根據本揭示的動作可以按照各種順序及/或同時發生,以及與並未呈現及描述的其他動作一起發生。此外,可以不執行所有所示的動作來實現根據所揭示之標的之方法。此外,該領域具有通常知識者將理解,方法可以可替代地出經由狀態圖或事件表示為一系列相互關聯的狀態。另外,應理解,本說明書所揭示的方法能夠被儲存在製造製品上,以便於將這種方法傳輸及轉移到計算裝置。本文所使用的術語「製造製品」意欲涵蓋可以從任何電腦可讀取裝置或儲存媒體存取的電腦程式。
在方塊308處,處理邏輯接收與裝備參數相關聯的資料。舉例而言,(例如,EP管理引擎152的)處理邏輯接收用於指示裝備參數的資料(例如,歷史及/或當前EP值資料256)。在一些實施例中,處理邏輯接收與製造系統處的複數個處理工具的裝備參數有關的資料。舉例而言,處理邏輯可以接收與製造系統處的一或更多個處理工具的一或更多個裝備參數相關聯的當前及/或歷史值、度量、及/或其他特性。所接收的資料可以是在製造系統的設定時間量及/或設定循環數量內所收集的資料。在一些實例中,在設定時間量期間(例如,一天、兩天、一星期等)收集資料。在一些實例中,在預防性維護循環期間收集資料。在一些實施例中,資料係與
第 2 圖的EP值資料256有關。
在方塊310處,(例如,EP管理引擎152的)處理邏輯係依據在方塊308處所接收的資料來特徵化裝備參數。裝備參數的特性可以藉由
第 2 圖的特性部件210來執行。在一些實施例中,如上所述,(例如,特性部件210的)處理邏輯可以確定給定裝備參數在一群組(例如,一群組的類似處理工具)內具有恆定值、工具內的恆定值、準恆定值(例如,基本上恆定的值、僅低於閾值變化等)、隨機分佈值、遞增值(例如,在計數器中)、及/或文本值。處理邏輯可以依據在方塊308處所接收的資料來確定裝備參數的一或更多個特性。在一些實施例中,裝備參數的特性係反映在與裝備參數對應的度量中。舉例而言,度量可以指示裝備參數具有如本文所述的特性。
在方塊312處,(例如,EP管理引擎152的)處理邏輯係依據在方塊310處所確定的特性來針對裝備參數進行分類。裝備參數的分類可以由
第 2 圖的分類部件212執行。在一些實施例中,如上所述,(例如,分類部件212的)處理邏輯可以依據裝備參數的特性將分類值分配至裝備參數。如上所述,分類值可以指示裝備參數屬於離散分類組。在一些實施例中,裝備參數的分類係反映在與裝備參數對應的度量中。舉例而言,如本文所述,度量可以指示裝備參數屬於離散分類組。度量可以指示裝備參數被分配了某個分類值。類似的裝備參數可以被分配類似的分類值。
在方塊314處,(例如,EP管理引擎152的)處理邏輯產生預設裝備參數值。在一些實施例中,依據在方塊308處所接收的資料(例如,歷史EP值資料256)及/或依據在方塊312處的分類來確定預設值。在一些實施例中,處理邏輯產生與裝備參數對應的預設值範圍。舉例而言,回應於裝備參數具有用於指示裝備參數可以具有值範圍的特性(例如,在方塊310處),處理邏輯可以確定該值範圍的上限及/或下限。上限及/或下限可以是由處理邏輯所確定的預設界限。在另一實例中,回應於裝備參數具有用於指示裝備參數具有離散值的特性(例如,在方塊310處),處理邏輯可以確定與裝備參數相對應的設定點。設定點可以是分配給裝備參數的預設值。在一些實施例中,預設值及/或預設值範圍係反映在與裝備參數對應的度量中。舉例而言,度量可以指示如本文所述的裝備參數的預設值及/或預設值範圍。在一些實施例中,藉由分析製造系統處的多個處理工具的每一裝備參數(例如,在方塊310、312、及314處的針對單獨裝備參數所進行的方式),可以產生裝備參數的列表。列表可以作為與製造系統相關的裝備參數的基準。在一些實施例中,可以輸出列表,以在另一製造系統處實施。舉例而言,在調整第二製造系統處的裝備參數之前,在第一製造系統處所確定的裝備參數的基準列表(例如,反映所預測的裝備參數特性值、所預測的裝備參數分類值、所預測的裝備參數數值等)可以作為第二製造系統處的起始點。此外,處理邏輯可以依據裝備參數的特性、分類、及/或歷史值來確定裝備參數的關鍵度(例如,關鍵度值)。
在方塊316處,(例如,EP管理引擎152的)處理邏輯產生與裝備參數對應的閾值條件。在一些實例中,閾值條件係依據在方塊308處所接收的資料、在方塊310處所確定的特性、在方塊312處所確定的分類、及/或在方塊314處所確定的預設值或預設值範圍。閾值條件可以是觸發本文所述的校正動作的觸發條件。舉例而言,閾值條件可以指示當裝備參數的值相對於在方塊314處所確定的預設值及/或預設範圍漂移及/或改變閾值量時要執行校正動作。在採取校正動作之前,閾值條件可以允許裝備參數的值存在公差。作為另一實例,在執行預防動作之前,閾值條件可以允許裝備參數的值離開預設範圍(例如,在方塊314處所確定的)閾值量(例如,範圍的特定百分比)。若裝備參數的值返回到預設範圍且沒有超過閾值條件,則可以不採取預防動作。在一些實施例中,閾值條件可以與持續時間相關聯。舉例而言,閾值條件可以指示允許在一定量的時間內,裝備參數的值在預設範圍之外或者與設定點(例如,預設值)不同。
在方塊318處,(例如,EP管理引擎152的)處理邏輯監測裝備參數值。在一些實施例中,處理邏輯接收用於指示當基板進行處理時(例如,藉由製造設施處的一或更多個處理工具)的裝備參數的值的資料。處理邏輯可以監測用於裝備參數的值的改變的裝備參數。
在方塊320處,(例如,EP管理引擎152的)處理邏輯確定裝備參數的值是否滿足在方塊316處所確定的閾值條件。若裝備參數值滿足閾值條件,則方法可以結束。然而,若裝備參數值並未滿足閾值條件,則方法可以進行到方塊322。在一些實施例中,處理邏輯將度量的預測值(例如,在方塊310、312、及/或314處所確定))與所接收的資料(例如,在方塊308處及/或在基板處理期間)進行比較。處理邏輯可以確定度量的預測值與資料之間的不匹配。在一些實施例中,方塊318及/或方塊320的操作係藉由
第 2 圖的偵測部件216執行。
在方塊322處,(例如,EP管理引擎152的)處理邏輯可以造成校正動作被執行。在一些實施例中,校正動作可以包括更新與裝備參數相關聯的裝備設定。更新設定可以造成裝備參數的值返回到預設值及/或預設值範圍。在一些實施例中,校正動作包括提供用於在GUI上顯示的通知。通知可以指示資料與度量的預測值(例如,在方塊310、方塊312、及/或方塊314處所確定)的不匹配。在一些實施例中,通知可以指示(例如,向使用者等)裝備參數的值將被更新。在一些實施例中,通知可以指示處理工具部件的故障及/或處理工具的故障。在一些實施例中,使用者可以藉由提供不更新裝備參數的輸入(例如,經由GUI)來操控處理邏輯。在一些實施例中,使用者可以提供裝備參數將被更新由使用者所確定的量的輸入。如下文參照
第 4 圖所討論,使用者輸入可以包括在機器學習訓練資料中。在方塊322的操作之後,方法可以環接至方塊318。
在一些實施例中,方塊310、方塊312、方塊314、方塊316、及/或方塊320中之任一者可以使用如本文所述的機器學習技術來執行。
第 4 圖係為根據本揭示的態樣的用於訓練機器學習模型(例如,機器學習模型190等)的方法400的流程圖。可以藉由處理邏輯來執行方法400,處理邏輯可以包括硬體(電路、專用邏輯等)、軟體(例如,在通用電腦系統或專用機器上運行)、韌體、或一些其組合。在一個實施方案中,方法400可以藉由系統架構(例如,
第 1 圖的系統架構100)的一或更多個部件來執行。在其他或類似實施方案中,方法400的一或更多個操作可以由圖式中未描繪的一或更多個其他機器來執行。在一些態樣中,方法400的一或更多個操作可以藉由預測系統110的預測伺服器112來執行。在其他或類似態樣中,方法400的一或更多個操作可以藉由EP管理引擎152來執行。
為了簡化說明,方法係圖示及描述為一系列的動作。然而,根據本揭示的動作可以按照各種順序及/或同時發生,以及與並未呈現及描述的其他動作一起發生。此外,可以不執行所有所示的動作來實現根據所揭示之標的之方法。此外,該領域具有通常知識者將理解,方法可以可替代地出經由狀態圖或事件表示為一系列相互關聯的狀態。另外,應理解,本說明書所揭示的方法能夠被儲存在製造製品上,以便於將這種方法傳輸及轉移到計算裝置。本文所使用的術語「製造製品」意欲涵蓋可以從任何電腦可讀取裝置或儲存媒體存取的電腦程式。
在方塊410處,處理邏輯將訓練集T初始化為空集合(例如,{})。在方塊412處,處理邏輯識別與製造系統處的複數個處理工具的歷史裝備參數相關聯的歷史資料。在一些實施例中,歷史資料反映歷史裝備參數值。歷史資料可以包括在藉由複數個處理工具處理基板期間所收集的資料。可以在設定的時間量(例如,本文所述的時間週期(例如,一天、一星期、一個預防性維護循環等))期間收集歷史資料。在一些實施例中,歷史資料可以進一步包括與歷史裝備參數相關聯的背景資料。舉例而言,歷史資料可以包括已知不良處理工具及/或已知不良資料等的指示。在一些實施例中,如上所述,處理邏輯可以識別來自資料儲存140及/或記憶體250的歷史資料。
在方塊414處,處理邏輯識別與製造系統處的複數個處理工具的歷史裝備參數對應的一組歷史度量。在一些實施例中,歷史度量可以對應於歷史裝備參數特性、分類、及/或預設值或預設值範圍。歷史度量可以在基板處理期間(例如,藉由一或更多個處理工具)收集歷史資料之後產生,並且儲存在資料儲存140及/或記憶體250處。根據先前描述的實施例,處理邏輯可以從資料儲存140及/或記憶體250識別該組歷史度量。
在方塊416處,處理邏輯依據所識別的與歷史裝備參數相關聯的歷史資料來產生訓練輸入資料。在一些實施例中,訓練輸入可以包括一組標準化的裝備參數資料(例如,包括如本文所述的裝備參數值)。
在方塊418處,處理邏輯可以依據所識別的該組歷史度量來產生目標輸出資料。在一些實施例中,所產生的目標輸出資料可以對應於裝備參數度量(例如,分類度量、特性度量、值度量等)。
在方塊420處,處理邏輯產生訓練輸入資料與目標輸出資料之間的映射。在方塊422處,處理邏輯將映射添加到訓練集T。
在方塊424處,處理邏輯確定訓練集T是否包括足夠量的訓練資料來訓練機器學習模型。應理解,在一些實施方案中,可以簡單依據訓練集中的映射的數量來確定訓練集T的充足度,而在一些其他實施方案中,除了輸入/輸出映射的數量之外或替代於輸入/輸出映射的數量,可以依據一或更多個其他標準(例如,訓練實例的多樣性的測量等)來確定訓練集T的充足度。回應於確定訓練集不包括足夠量的訓練資料來訓練機器學習模型,方法400返回方塊412。回應於確定訓練集T包括足夠量的訓練資料來訓練機器學習模型,方法500繼續到方塊428。
在方塊428處,處理邏輯提供訓練集T來訓練機器學習模型。在一個實施方案中,資料集T係提供至伺服器機器180的訓練引擎182,以用於執行訓練。在神經網路的情況下,舉例而言,將給定輸入/輸出映射的輸入值輸入至神經網路,並將輸入/輸出映射的輸出值儲存於神經網路的輸出節點中。然後,根據學習演算法(例如,反向傳播等)調整神經網路中的連接權重,並且針對訓練集T中的其他輸入/輸出映射重複該程序。根據上述實施例,在方塊428之後,在給定處理資料及/或感測器資料的情況下,機器學習模型190可以用於預測與基板相關聯的計量測量值以及計量測量值相對於目標計量測量值的漂移量。
第 5 圖圖示根據一個實施例的用於裝備參數管理的模型訓練工作流程505及模型應用工作流程517。模型訓練工作流程505與模型應用工作流程517可以藉由計算裝置的處理器所執行的處理邏輯來執行。舉例而言,這些工作流程505、517中之一或更多者可以藉由在處理裝置上實現的一或更多個機器學習模型及/或在處理裝置上執行的其他軟體及/或韌體來實現。
模型訓練工作流程505係用於訓練一或更多個機器學習模型(例如,深度學習模型),以確定與製造系統處的處理工具的裝備參數相關聯的所預測的度量。模型應用工作流程517係用於應用一或更多個經訓練的機器學習模型來執行裝備參數管理。裝備參數512中之每一者可以指示處理工具的裝備設定。
本文描述各種機器學習輸出。描述及展示機器學習模型的特定數量及佈置。然而,應理解,可以修改所使用的機器學習模型的數量及類型以及這種機器學習模型的佈置,以實現相同或類似的最終結果。因此,所描述及展示的機器學習模型的佈置僅為實例,並且不應被解釋為限制。
在一些實施例中,訓練一或更多個機器學習模型來執行一或更多個度量預測任務。每一任務可以藉由單獨的機器學習模型來執行。可替代地,單一機器學習模型可以執行任務或任務的子集中之每一者。舉例而言,可以訓練第一機器學習模型,以確定所預測的第一度量(例如,特性值或分類值),並且可以訓練第二機器學習模型,以確定所預測的第二度量(例如,所預測的裝備參數值或所預測的裝備參數值範圍)。附加或可替代地,可以訓練不同的機器學習模型來執行任務的不同組合。在實例中,可以訓練一個或幾個機器學習模型,其中經訓練的機器學習(ML)模型係為具有多個共享層及多個更高等級的不同輸出層的單一共享神經網路,其中輸出層中之每一者輸出不同的預測、分類、識別等。舉例而言,第一較高等級輸出層可以確定特性值或分類值,而第二較高等級輸出層可以確定裝備參數的預測值。
可以用於執行一些或全部上述任務的一種類型的機器學習模型係為人工神經網路(例如,深度神經網路)。人工神經網路通常包括具有將特徵映射到目標輸出空間的分類器或迴歸層的特徵表示部件。舉例而言,卷積神經網路(CNN)擁有多層卷積濾波器。在較低層執行池化,並且可以解決非線性問題,在其頂部通常附加多層感知器,將卷積層所提取的頂層特徵映射到決策(例如,分類輸出)。深度學習係為使用多層非線性處理單元的級聯進行特徵提取及轉換的機器學習演算法的類別。每一連續層都使用前一層的輸出作為輸入。深度神經網路可以利用監督(例如,分類)及/或無監督(例如,模式分析)方式進行學習。深度神經網路包括層次階層,其中不同的層係學習與不同抽象等級對應的不同等級的表示。在深度學習中,每一等級都學習將其輸入資料轉換成稍微更抽象且複合的表示。應注意,深度學習處理可以自行學習將哪些特徵最佳地放置在哪個等級。「深度學習」中的「深度」係指稱資料轉換的層的數量。更準確地說,深度學習系統具有相當大的信用分配路徑(CAP)深度。CAP係為從輸入到輸出的轉換鏈。CAP描述輸入與輸出之間的潛在因果關係。針對前饋神經網路,CAP的深度可以是網路的深度並且可以是隱藏層的數量加一。針對訊號可能多次通過一層進行傳播的循環神經網路,CAP深度可能是無限的。
神經網路的訓練可以利用監督學習的方式來實現,其中包括透過網路來饋送由經標記的輸入所組成的訓練資料集,觀察其輸出,定義誤差(藉由測量輸出與標記值之間的差異),以及使用技術(例如,深度梯度下降及反向傳播)來調整網路的所有層及節點的權重,以使誤差最小化。在許多應用中,在訓練資料集中的許多經標記的輸入上重複此處理會產生可以在輸入與訓練資料集中所存在的輸入不同時產生正確輸出的網路。
針對模型訓練工作流程505,應使用包含數百、數千、數萬、數十萬、或更多的裝備參數512的訓練資料集來形成訓練資料集。資料可以包括例如歷史裝備參數值、特性、及/或分類。可以處理此資料,以產生用於一或更多個機器學習模型的訓練的一或更多個訓練資料集536。訓練資料集536中的訓練資料項可以包括裝備參數512、裝備參數分類、裝備參數特性、及/或裝備參數值。
為了實現訓練,處理邏輯將訓練資料集536輸入到一或更多個未經訓練的機器學習模型中。在將第一輸入輸入到機器學習模型之前,可以初始化機器學習模型。處理邏輯依據訓練資料集來訓練未經訓練的機器學習模型,以產生執行如上所述的各種操作的一或更多個經訓練的機器學習模型。可以藉由一次將一個輸入資料(例如,一或更多個裝備參數512(例如,裝備參數特性、裝備參數分類、裝備參數值等)及/或處理工具(例如,處理工具部件)的壽命資訊)輸入機器學習來執行訓練。
機器學習模型處理輸入以產生輸出。人工神經網路包括由資料點中的值所組成的輸入層。下一層係稱為隱藏層,而隱藏層處的節點中之每一者接收輸入值中之一或更多者。每一節點包含應用於輸入值的參數(例如,權重)。因此,每一節點本質上將輸入值輸入至多元函數(例如,非線性數學變換)中,以生產輸出值。下一層可以是另一隱藏層或輸出層。無論哪種情況,下一層處的節點都會接收前一層節點處的輸出值,而每一節點針對這些值應用權重,然後產生自己的輸出值。此舉可以在每一層處執行。最後一層係為輸出層,其中機器學習模型可以產生的每一類別、預測、及/或輸出都有一個節點。
因此,輸出可以包括一或更多個預測或推斷(例如,對應於裝備參數的度量的預測值)。處理邏輯可以將輸出估計度量與歷史度量進行比較。處理邏輯依據估計度量與目標度量之間的差異來確定誤差(亦即,分類誤差)。處理邏輯依據誤差來調整機器學習模型中的一或更多個節點的權重。可以針對人工神經網路中的每一節點來確定誤差項或差異。依據此誤差,人工神經網路調整用於其節點中之一或更多者的其參數中之一或更多者(用於節點的一或更多個輸入的權重)。可以採用反向傳播的方式來更新參數,而首先更新最高層的節點,然後更新下一層的節點,並以此類推。人工神經網路包含多層「神經元」,其中每一層接收來自前一層處的神經元的輸入值。每一神經元的參數包括與從前一層處的神經元中之每一者接收的值相關聯的權重。因此,調整參數可以包括調整分配給人工神經網路中的一或更多層處的用於一或更多個神經元的輸入中之每一者的權重。
一旦模型參數被最佳化,則可以執行模型驗證,以確定模型是否已改善並確定深度學習模型的當前精度。在一或更多輪的訓練之後,處理邏輯可以確定是否已經滿足停止標準。停止標準可以是目標精度等級、來自訓練資料集的已處理圖像的目標數量、一或更多個先前資料點的參數改變的目標量、其組合、及/或其他標準。在一個實施例中,當至少最小數量的資料點已經被處理且至少達到閾值精度時,滿足停止標準。閾值精度可以是例如70%、40%、或90%的精度。在一個實施例中,若機器學習模型的精度已經停止改善,則滿足停止標準。若尚未滿足停止標準,則執行進一步的訓練。若滿足停止標準,則訓練可以完成。一旦機器學習模型被訓練,則訓練資料集的保留部分可以用於測試模型。一旦產生一或更多個經訓練的機器學習模型538,則可以被儲存在模型儲存545中,並且可以被添加到EP管理引擎152。
針對模型應用工作流程517,根據一個實施例,輸入資料562可以被輸入到一或更多個EP度量確定器567中,EP度量確定器567中之每一者可以包括經訓練的神經網路或其他模型。附加或可替代地,一或更多個EP度量確定器567可以應用圖像處理演算法來確定腔室部件條件。輸入資料可以包括裝備參數的值(例如,特性值、分類值、數值等)。依據輸入資料562,EP度量確定器567可以輸出一或更多個所預測的EP度量569。所預測的EP度量569可以包括與裝備參數對應的度量(例如,反映特性、分類、或值等中之一或更多者的度量)。
動作確定器572可以依據所預測的EP度量569來確定要執行的一或更多個動作570。在一個實施例中,動作確定器572將所預測的EP度量與用於指示裝備設定的資料進行比較。若所預測的EP度量中之一或更多者與資料的差異超過閾值量,則動作確定器572可以確定推薦要更新裝備參數及/或裝備設定,以用於未來的基板處理,並且可以輸出針對更新裝備參數及/或裝備設定的推薦或通知。在一些實施例中,動作確定器572依據滿足一或更多個標準的所預測的EP度量569來自動更新裝備參數度量。然而,在一些實施例中,使用者可以提供輸入(例如,經由GUI)以更新裝備參數(例如,依據輸出推薦或通知)。使用者可以向處理邏輯提供用於不要更新裝備參數或者利用指定量(例如,由使用者所指定)來更新裝備參數的輸入。在一些實例中,使用者可以提供用於利用與動作確定器572所推薦的量不同的量來更新裝備參數的輸入。
第 6 圖係為根據本揭示的態樣的用於使用機器學習來估計裝備參數的方法600的流程圖。可以藉由處理邏輯來執行方法600,處理邏輯可以包括硬體(電路、專用邏輯等)、軟體(例如,在通用電腦系統或專用機器上運行)、韌體、或一些其組合。在一個實施方案中,方法600可以藉由系統架構(例如,
第 1 圖的系統架構100)的一或更多個部件來執行。在其他或類似實施方案中,方法600的一或更多個操作可以由圖式中未描繪的一或更多個其他機器來執行。在一些態樣中,方法600的一或更多個操作可以藉由預測系統110的預測伺服器112來執行。在其他或類似態樣中,方法600的一或更多個操作可以藉由EP管理引擎152來執行。
為了簡化說明,方法係圖示及描述為一系列的動作。然而,根據本揭示的動作可以按照各種順序及/或同時發生,以及與並未呈現及描述的其他動作一起發生。此外,可以不執行所有所示的動作來實現根據所揭示之標的之方法。此外,該領域具有通常知識者將理解,方法可以可替代地出經由狀態圖或事件表示為一系列相互關聯的狀態。另外,應理解,本說明書所揭示的方法能夠被儲存在製造製品上,以便於將這種方法傳輸及轉移到計算裝置。本文所使用的術語「製造製品」意欲涵蓋可以從任何電腦可讀取裝置或儲存媒體存取的電腦程式。
在方塊610處,(例如,處理裝置的、EP管理引擎152的等)處理邏輯接收與裝備參數相關聯的第一資料。在一些實施例中,裝備參數包括與處理工具(例如,處理工具的部件等)相關聯的校準值、偏移值、及/或縮放因子值中之一或更多者。第一資料可以指示第一製造系統處的複數個處理工具中的處理工具的裝備設定。在一些實例中,第一資料反映裝備參數的一或更多個值及/或特性。每一值可以對應於處理工具的設定。
在方塊612處,處理邏輯將第一資料提供給經訓練的機器學習模型(例如,
第 1 圖的模型190),以作為輸入。在一些實施例中,使用與複數個處理工具的裝備參數有關的歷史資料來訓練經訓練的機器學習模型。舉例而言,可以利用用於識別製造系統處的每一處理工具的每一裝備參數的輸入資料來訓練經訓練的機器學習模型。可以利用用於識別與每一裝備參數對應的度量值的目標輸出資料來訓練經訓練的機器學習模型。在一些實施例中,處理邏輯接收與裝備參數相關聯的第二資料,並將第二資料作為進一步訓練輸入資料來提供給經訓練的機器學習模型,以進一步訓練經訓練的機器學習模型。在一些實施例中,第二資料是在針對一或更多個裝備參數進行更新(例如,針對一或更多個裝備參數值進行一或更多次更新等)之後所收集的資料。
在方塊614處,處理邏輯取得與裝備參數對應的度量的預測值,以作為經訓練的機器學習模型的輸出。在一些實施例中,度量的預測值可以包括指示裝備參數的特性的預測特性值。在一些實施例中,度量的預測值包括與裝備參數的設定點相關聯的預測預設值。在一些實施例中,度量的預測值包括與裝備參數相關聯的預設值的預測範圍。
在方塊616處,處理邏輯將度量的預測值與第一資料進行比較。舉例而言,處理邏輯可以將用於反映所預測的裝備參數值的度量的預測值與反映在第一資料中的裝備參數值進行比較。在另一實例中,處理邏輯可以將用於反映所預測的特性值的度量的預測值與反映在第一資料中的裝備參數特性值進行比較。
在方塊618處,處理邏輯依據方塊616處的比較來執行校正動作(例如,造成校正動作的執行)。在一些實施例中,可以回應於確定存在關於度量的預測值與第一資料的不匹配來執行校正動作。舉例而言,可以回應於確定所預測的特性值(例如,由所預測的度量所反映)與反映在第一資料中的特性值不匹配來執行校正動作。在另一實例中,可以回應於確定所預測的裝備參數值(例如,由所預測的度量所反映)與反映在第一資料中的裝備參數值不匹配來執行校正動作。在一些實施例中,校正動作包括更新與裝備參數相關聯的裝備設定。舉例而言,可以更新裝備設定,而使得裝備參數的值及/或特性被更新以匹配(例如,更緊密地匹配)反映在所預測的度量中的預測值/特性等。在一些實施例中,可以將校正動作的通知提供給GUI。
第 7 圖圖示根據本揭示的一或更多個態樣操作的說明性電腦系統700的方塊圖。在替代實施例中,機器可以連接(例如,聯網)至本地區域網路(LAN)、內部網路、外部網路、或網際網路中的其他機器。機器可以在客戶端對伺服器網路環境中的伺服器或客戶端機器的功能中操作,或者作為點對點(或分佈式)網路環境中的點端機器操作。機器可以是個人電腦(PC)、平板電腦、機上盒(STB)、個人數位助理(PDA)、行動電話、網路設備、伺服器、網路路由器、交換機或橋接器、或能夠執行指定要由該機器採取的動作的一組指令(依序或其他)的任何機器。此外,儘管僅圖示單一機器,但是術語「機器」亦應視為包括單獨或共同執行一組(或多組)指令的機器(例如,電腦)的集合,該一組(或多組)指令係用於實行本文所述的任何一或更多種方法。在實施例中,計算裝置700可以對應於
第 1 圖的預測伺服器112及/或製造系統100的另一處理裝置。
示例性計算裝置700包括處理裝置702、主記憶體704(例如,唯讀記憶體(ROM)、快閃記憶體、動態隨機存取記憶體(DRAM)(例如,同步DRAM(SDRAM)等)、靜態記憶體706(例如,快閃記憶體、靜態隨機存取記憶體(SRAM)等)、及次要記憶體(例如,資料儲存裝置728),其經由匯流排708彼此通訊。
處理裝置702表示一或更多個通用處理器(例如,微處理器、中央處理單元、或類似者)。更特定言之,處理裝置702可以是複雜指令集計算(CISC)微處理器、簡化指令集計算(RISC)微處理器、非常長的指令字元(VLIW)微處理器、實現其他指令集的處理器、或實現指令集的組合的處理器。處理裝置702亦可以是一或更多個專用處理裝置,例如特定應用積體電路(ASIC)、可程式化邏輯陣列閘(FPGA)、數位訊號處理器(DSP)、網路處理器、或類似者。處理裝置702亦可以是或者包括單晶片系統(SoC)、可程式化邏輯控制器(PLC)、或其他類型的處理裝置。處理裝置702經配置以執行用於執行本文所述的操作的處理邏輯。
計算裝置700可以進一步包括用於與網路764進行通訊的網路介面裝置722。計算裝置700亦可以包括視訊顯示單元710(例如,液晶顯示器(LCD)或陰極射線管(CRT))、文字數字輸入裝置712(例如,鍵盤)、游標控制裝置714(例如,滑鼠)、及訊號產生裝置720(例如,喇叭)。
資料儲存裝置728可以包括機器可讀取儲存媒體(或更具體地,非暫態電腦可讀取儲存媒體)724,其上儲存體現本文所述的方法或功能中之任一或更多者的一或更多組指令726。其中,非暫態儲存媒體係指稱除了載波之外的儲存媒體。指令726亦可在藉由電腦裝置700、主記憶體704、及處理裝置702(亦構成電腦可讀取儲存媒體)執行期間完全地或至少部分地駐留在主記憶體704及/或處理裝置702內。
電腦可讀取儲存媒體724亦可以用於儲存模型190以及用於訓練模型190的資料。電腦可讀取儲存媒體724亦可以儲存包含調用模型190的方法的軟體庫。儘管電腦可讀取儲存媒體724在示例性實施例中圖示為單一媒體,但術語「電腦可讀取儲存媒體」應視為包括儲存一或更多組指令的單一媒體或多個媒體(例如,集中式或分散式資料庫,及/或相關的快取及伺服器)。術語「電腦可讀取儲存媒體」亦應視為包括能夠儲存或編碼一組指令以供機器執行並使機器實行本揭示的任何一或更多種方法的任何媒體。因此,術語「電腦可讀取儲存媒體」應視為包括但不限於固態記憶體以及光和磁媒體。
先前描述闡述許多特定細節(例如,特定系統、部件、方法等的實例),以提供對於本揭示的一些實施例的良好理解。然而,應理解,該領域具有通常知識者可以在沒有這些具體細節的情況下也可以實踐本揭示的至少一些實施例。在其他情況下,已知的部件或方法沒有被詳細描述,或者以簡單方塊圖的形式呈現,以避免不必要地模糊本揭示。因此,所闡述的具體細節僅為示例性。特定實施方案可以與這些示例性細節不同,並且仍然認為在本揭示的範圍內。
在整個說明書中對「一個實施例」或「一實施例」的引用意味著結合該實施例描述的特定特徵、結構、或特性被包括在至少一個實施例中。因此,整個本說明書的各處中出現的短語「在一個實施例中」或「在實施例中」不一定都指稱相同實施例。此外,術語「或」意欲表示包含的「或」而不是排他的「或」。當本文使用術語「約」或「大約」時,意欲表示所呈現的標稱值精確在±10%內。
儘管本文的方法的操作係以特定順序展示及描述,但是每一方法的操作順序可以改變,而使得某些操作可以利用相反的順序執行,而可以至少部分地與其他操作同時進行來執行某些操作。在另一實施例中,不同操作的指令或子操作可以是間歇及/或交替的方式。
應理解,以上描述意欲是說明性的,而不是限制性的。在閱讀和理解以上描述後,該領域具有通常知識者將可以理解許多其他實施例。因此,本揭示的範圍應參考所附請求項以及這些請求項被賦予的等效物的全部範圍來確定。
100:系統架構
110:預測系統
112:預測伺服器
114:預測部件
120:客戶端裝置
124:製造裝備
128:計量裝備
130:網路
140:資料儲存
152:EP管理引擎
170:伺服器機器
172:訓練集產生器
180:伺服器機器
182:訓練引擎
184:驗證引擎
186:選擇引擎
188:測試引擎
190:模型
210:特性部件
212:分類部件
214:預設值部件
216:偵測部件
250:記憶體
252:EP分類資料
254:EP特性資料
256:EP值資料
258:EP閾值資料
260:EP設定點資料
262:當前EP資料
300:方法
308:方塊
310:方塊
312:方塊
314:方塊
316:方塊
318:方塊
320:方塊
322:方塊
400:方法
410:方塊
412:方塊
414:方塊
416:方塊
418:方塊
420:方塊
422:方塊
424:方塊
426:方塊
505:工作流程
512:裝備參數
517:工作流程
536:訓練資料集
538:經訓練的機器學習模型
545:模型儲存
562:輸入資料
567:EP度量確定器
569:EP度量
570:動作
572:動作確定器
600:方法
610:方塊
612:方塊
614:方塊
616:方塊
618:方塊
700:電腦系統
702:處理裝置
704:主記憶體
706:靜態記憶體
708:匯流排
710:視訊顯示單元
712:文字數字輸入裝置
714:游標控制裝置
720:訊號產生裝置
722:網路介面裝置
724:機器可讀取儲存媒體
726:指令
728:資料儲存裝置
764:網路
本揭示係藉由實例而非限制的方式圖示於隨附圖式中的圖式,其中相似的元件符號表示類似的元件。應注意,在本揭示中,針對「一」或「一個」實施例的不同引用並不一定指稱相同實施例,而這種引用意指至少一個。
第 1 圖圖示根據本揭示的態樣的說明性系統架構。
第 2 圖係為根據本揭示的態樣的示例性裝備參數管理引擎的方塊圖。
第 3 圖係為根據本揭示的態樣的用於製造系統處的裝備參數管理的方法的流程圖。
第 4 圖係為根據本揭示的態樣的用於訓練機器學習模型的方法的流程圖。
第 5 圖圖示根據一個實施例的用於裝備參數管理的模型訓練工作流程及模型應用工作流程。
第 6 圖係為根據本揭示的態樣的用於使用機器學習來估計裝備參數的方法的流程圖。
第 7 圖圖示根據本揭示的一或更多個態樣操作的說明性電腦系統的方塊圖。
國內寄存資訊(請依寄存機構、日期、號碼順序註記)
無
國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記)
無
300:方法
308:方塊
310:方塊
312:方塊
314:方塊
316:方塊
318:方塊
320:方塊
322:方塊
Claims (20)
- 一種方法,包含以下步驟: 接收指示與一第一製造系統的複數個處理工具中的一處理工具的一裝備參數相關聯的一設定的第一資料; 向一經訓練的機器學習模型提供至少該第一資料,以作為輸入,其中使用與該第一製造系統的該等複數個處理工具的裝備參數有關的歷史資料來訓練該經訓練的機器學習模型; 取得與該裝備參數對應的一度量的一預測值,以作為該經訓練的機器學習模型的輸出; 比較該度量的該預測值與該第一資料;以及 依據該比較來執行一校正動作。
- 如請求項1所述的方法,進一步包含以下步驟: 依據該度量的該預測值來更新與該裝備參數相關聯的該裝備設定。
- 如請求項1所述的方法,其中該校正動作包含: 提供用於在一圖形使用者介面(GUI)上顯示的用於指示該第一資料與該度量的該預測值的一不匹配的一通知。
- 如請求項1所述的方法,其中與該等複數個處理工具的該等裝備參數有關的該歷史資料包含用於識別每一裝備參數的訓練輸入資料以及用於識別與每一裝備參數對應的一度量的值的目標輸出資料。
- 如請求項4所述的方法,進一步包含以下步驟: 接收與該裝備參數相關聯的第二資料;以及 向該經訓練的機器學習模型提供該第二資料,以作為訓練輸入資料,以進一步訓練該經訓練的機器學習模型。
- 如請求項1所述的方法,其中該度量的該預測值包含下列一或更多者: 用於指示該裝備參數的一特性的一預測特性值;或者 與該裝備參數的一設定點相關聯的一預測預設值。
- 如請求項6所述的方法,進一步包含以下步驟: 輸出用於在一第二製造系統處實現的該預測特性值或該預測預設值中之至少一者。
- 如請求項1所述的方法,其中該裝備參數包含與該處理工具相關聯的一校準值、一偏移值、或一縮放因子值中之一或更多者。
- 一種系統,包含: 一記憶體;以及 一處理裝置,耦接至該記憶體,該處理裝置進行以下步驟: 接收指示與一第一製造系統的複數個處理工具中的一處理工具的一裝備參數相關聯的一設定的第一資料; 向一經訓練的機器學習模型提供至少該第一資料,以作為輸入,其中使用與該第一製造系統的該等複數個處理工具的裝備參數有關的歷史資料來訓練該經訓練的機器學習模型; 取得與該裝備參數對應的一度量的一預測值,以作為該經訓練的機器學習模型的輸出; 比較該度量的該預測值與該第一資料;以及 依據該比較來執行一校正動作。
- 如請求項9所述的系統,其中該處理裝置進一步進行以下步驟: 依據該度量的該預測值來更新與該裝備參數相關聯的該裝備設定。
- 如請求項9所述的系統,其中該校正動作包含: 提供用於在一圖形使用者介面(GUI)上顯示的用於指示該第一資料與該度量的該預測值的一不匹配的一通知。
- 如請求項9所述的系統,其中與該等複數個處理工具的該等裝備參數有關的該歷史資料包含用於識別每一裝備參數的訓練輸入資料以及用於識別與每一裝備參數對應的一度量的值的目標輸出資料。
- 如請求項9所述的系統,其中該度量的該預測值包含下列一或更多者: 用於指示該裝備參數的一特性的一預測特性值;或者 與該裝備參數的一設定點相關聯的一預測預設值。
- 如請求項9所述的系統,其中該裝備參數包含與該處理工具相關聯的一校準值、一偏移值、或一縮放因子值中之一或更多者。
- 一種包含指令的非暫態電腦可讀取媒體,當藉由處理裝置執行該等指令時,使得該處理裝置進行以下操作: 接收指示與一第一製造系統的複數個處理工具中的一處理工具的一裝備參數相關聯的一設定的第一資料; 向一經訓練的機器學習模型提供至少該第一資料,以作為輸入,其中使用與該第一製造系統的該等複數個處理工具的裝備參數有關的歷史資料來訓練該經訓練的機器學習模型; 取得與該裝備參數對應的一度量的一預測值,以作為該經訓練的機器學習模型的輸出; 比較該度量的該預測值與該第一資料;以及 依據該比較來執行一校正動作。
- 如請求項15所述的非暫態電腦可讀取媒體,其中該處理裝置進一步進行以下操作: 依據該度量的該預測值來更新與該裝備參數相關聯的該裝備設定。
- 如請求項15所述的非暫態電腦可讀取媒體,其中與該等複數個處理工具的該等裝備參數有關的該歷史資料包含用於識別每一裝備參數的訓練輸入資料以及用於識別與每一裝備參數對應的一度量的值的目標輸出資料。
- 如請求項17所述的非暫態電腦可讀取媒體,其中該處理裝置進一步進行以下操作: 接收與該裝備參數相關聯的第二資料;以及 向該經訓練的機器學習模型提供該第二資料,以作為訓練輸入資料,以進一步訓練該經訓練的機器學習模型。
- 如請求項15所述的非暫態電腦可讀取媒體,其中該度量的該預測值包含下列一或更多者: 用於指示該裝備參數的一特性的一預測特性值;或者 與該裝備參數的一設定點相關聯的一預測預設值。
- 如請求項15所述的非暫態電腦可讀取媒體,其中該裝備參數包含與該處理工具相關聯的一校準值、一偏移值、或一縮放因子值中之一或更多者。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/821,349 | 2022-08-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202424831A true TW202424831A (zh) | 2024-06-16 |
Family
ID=
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI818153B (zh) | 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 | |
TWI525407B (zh) | 用於自主學習和自主改進半導體製造工具之方法和系統 | |
KR101609017B1 (ko) | 툴 성능 저하 및 미스매치의 검출을 위한 방법 및 시스템 | |
US11853042B2 (en) | Part, sensor, and metrology data integration | |
TW202424831A (zh) | 在使用機器學習的製造系統處的裝備參數管理 | |
US20240062097A1 (en) | Equipment parameter management at a manufacturing system using machine learning | |
US20230222264A1 (en) | Processing chamber calibration | |
US20230367302A1 (en) | Holistic analysis of multidimensional sensor data for substrate processing equipment | |
US20230384777A1 (en) | Methods and mechanisms for preventing fluctuation in machine-learning model performance | |
US20230342016A1 (en) | Methods and mechanisms for generating virtual knobs for model performance tuning | |
US20230260767A1 (en) | Process control knob estimation | |
US20230195074A1 (en) | Diagnostic methods for substrate manufacturing chambers using physics-based models | |
US20230350394A1 (en) | Run-to-run control at a manufacturing system using machine learning | |
US20230051330A1 (en) | Using defect models to estimate defect risk and optimize process recipes | |
US20230306300A1 (en) | Methods and mechanisms for measuring patterned substrate properties during substrate manufacturing | |
US20240176312A1 (en) | Determining equipment constant updates by machine learning | |
US20240144464A1 (en) | Classification of defect patterns of substrates | |
US20240176338A1 (en) | Determining equipment constant updates by machine learning | |
US20240037442A1 (en) | Generating indications of learning of models for semiconductor processing | |
US20230222394A1 (en) | Predictive modeling for chamber condition monitoring | |
US20240176334A1 (en) | Adjusting chamber performance by equipment constant updates | |
US20240176336A1 (en) | Chamber matching by equipment constant updates | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 |