TWI778348B - 用於改善的機器人的關節座標教示精度的設備、系統、及方法 - Google Patents

Abstract

提供一種方法，該方法包括以下步驟：在基板處理系統中相對於基板處理系統中的固定位置定位具有複數個姿勢的機器人，以及產生用於識別相對於具有複數個姿勢的機器人的固定位置的感測器資料。該方法進一步包括以下步驟：依據感測器資料來決定對應於基板處理系統的一或更多個部件的複數個誤差值，以及依據複數個誤差值來造成與基板處理系統的一或更多個部件相關聯的一或更多個校正動作的執行。

Description

用於改善的機器人的關節座標教示精度的設備、系統、及方法

本揭示的實施例係關於用於改善的機器人的關節座標教示精度的設備、系統、及方法。

電子裝置製造系統（例如，基板處理系統）包括多個處理腔室及裝載閘腔室。舉例而言，這樣的腔室包括在群集工具中，其中複數個處理腔室環繞轉移腔室分佈。電子裝置製造系統亦包括工廠介面與儲存區域（例如，前開式晶圓傳送盒（FOUP））。電子裝置製造系統採用鉸接式機械人或多臂機械人，鉸接式機械人或多臂機械人容納在轉移腔室內，以在各種處理腔室與裝載閘腔室之間運輸基板，以及容納在工廠介面內，以在儲存區域與裝載閘腔室之間運輸基板。舉例而言，機器人將基板從腔室運輸至腔室，從裝載閘腔室運輸至處理腔室，從處理腔室運輸至裝載閘腔室，從裝載閘腔室運輸至儲存區域，及/或從儲存區域運輸至裝載閘腔室。在電子裝置製造系統的各個部分之間基板的有效且精確運輸可以改善系統產量，而因此降低整體操作成本。

在許多單一葉片(例如，端效器)與雙葉片的機器人中，能夠獨立旋轉的單一或雙葉片中之每一者所附接的腕部係指稱為偏航旋轉。在一些實例中，每一機器人採用藉由一或更多個馬達所驅動的三個臂部(上臂、前臂、及腕部)。在一些實例中，每一機器人亦採用藉由一或更多個馬達所驅動的四個臂部(上臂、前臂、附加臂、及腕部)。在這些機器人中之每一者中，腕部能夠獨立進行偏航旋轉。葉片係耦接至腕部，並用於將內容物(例如，基板)運送至目的地(例如，處理腔室或裝載閘腔室)或從目的地取出內容物(例如，基板)。

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。

在本揭示的態樣中，一種方法包括以下步驟：將具有複數個姿勢的機器人相對於基板處理系統中的固定位置而定位於基板處理系統中；產生用於識別相對於具有複數個姿勢的機器人的固定位置的感測器資料；依據感測器資料來決定與基板處理系統的一或更多個部件對應的複數個誤差值；依據複數個誤差值來造成與基板處理系統的一或更多個部件相關聯的一或更多個校正動作的執行。

在本揭示的另一態樣中，一種用於儲存指令的非暫態機器可讀取儲存媒體，當執行指令時造成處理裝置執行操作，該等操作包括：將具有複數個姿勢的機器人相對於基板處理系統中的固定位置而定位於基板處理系統中；產生用於識別相對於具有複數個姿勢的機器人的固定位置的感測器資料；依據感測器資料來決定與基板處理系統的一或更多個部件對應的複數個誤差值；依據複數個誤差值來造成與基板處理系統的一或更多個部件相關聯的一或更多個校正動作的執行。

在本揭示的另一態樣中，一種系統包括記憶體以及耦接至記憶體的處理裝置。處理裝置係用於將具有複數個姿勢的機器人相對於基板處理系統中的固定位置而定位於基板處理系統中；產生用於識別相對於具有複數個姿勢的機器人的固定位置的感測器資料；依據感測器資料來決定與基板處理系統的一或更多個部件對應的複數個誤差值；依據複數個誤差值來造成與基板處理系統的一或更多個部件相關聯的一或更多個校正動作的執行。

本文所述的實施例係關於機器人的關節座標教示精度。在基板處理系統中，機器人（例如，大氣機器人、工廠介面機器人等）係位於工廠介面中，並且在基板處理系統的各個部分（例如，封閉系統（例如，FOUP、側儲存盒（SSP））、對準器裝置、裝載閘、及/或類似者）之間轉移內容物（例如，基板，處理套件環等）。機器人（例如，真空機器人、轉移腔室機器人等）係位於轉移腔室中，並在基板處理系統的各個部分（例如，處理腔室、裝載閘、本地中心查找（LCF）裝置、及/或類似者）之間轉移內容物。在基板處理（例如，電子裝置製造）中，目標是實現在各個具體位置之間的內容物的非常精確及快速的運輸。更特定言之，相對於機器人所運輸的內容物以及機器人所服務的基板處理系統的各個部分（例如，處理腔室、裝載閘、FOUP等）來精決定向機器人的葉片或端效器。在一些情況中，由於基板交接的未對準，不合適的定向會導致處理不均勻，並導致基板品質降低。在一些情況中，具有誤差的機器人、對準器裝置、及/或LCF裝置會造成內容物、基板處理系統的各個部分、及/或其自身損傷。由於在機器人的關節座標教示期間引入關節誤差，因此一些機器人會遭遇某些定向問題。

在多鏈接機器人中，關節誤差極大地影響機器人的教示精度。舉例而言，關節運動學誤差、關節滯後、及關節背隙中之每一者係為多鏈接機器人所遭遇的位置誤差具有重大影響的關節誤差的對應類型。

一般來說，機器人、對準器裝置、及/或LCF裝置的位置、校準、診斷故障部件（例如，決定誤差、低於閾值速度的速度下降等）的教示係為手動處理。針對手動處理，技術人員打開基板處理系統（導致工廠介面及/或基板處理系統的傳送腔室內的密封環境暴露於大氣中），手動操控機械臂（可能將汙染物引入機械臂），以及手動執行教示、校準、及診斷。在打開之後，基板處理系統經歷長時間的重新認證處理，在此處理期間不會使用基板處理系統來處理基板。重新認證處理會影響生產線良率、排程、品質、使用者時間、所使用的能源等。

本文所揭示的裝置、系統、及方法提供改善的機器人的關節座標教示精度。本文所揭示的裝置、系統、及方法減少機器人的教示（例如，自動教示）期間的關節誤差的影響。在一些實施例中，處理裝置（例如，基板處理系統的控制器）係相對於基板處理系統中的固定位置在基板處理系統中定位具有複數個姿勢的機器人。在一些實施例中，固定位置係為位於封閉系統（例如，FOUP、SSP）中、對準器裝置上、LCF裝置上、裝載閘處、及或類似者的銷。在一些實施例中，機器人包括多個部件（例如，端效器、腕部構件、前臂、上臂、及/或類似者）。

處理裝置進一步產生用於識別相對於具有不同姿勢的機器人的固定位置的感測器資料。在一些實施例中，藉由隔離機器人的一個部分並且僅移動機器人的該部分來將機器人定位於不同姿勢中。在僅將機器人的腕部構件環繞機器人的第一關節移動時產生感測器資料的第一部分，以及在僅將機器人的前臂環繞機器人的第二關節移動時產生感測器資料的第二部分等。

處理邏輯進一步依據感測器資料來決定對應於基板處理系統的一或更多個部件的複數個誤差值。在一些實例中，依據感測器資料來決定對應於機器人的腕部構件的誤差值。在一些實例中，依據感測器資料決定對應於對準器裝置的誤差值。

處理裝置進一步依據複數個誤差值來造成與基板處理系統的一或更多個部件相關聯的一或更多個校正動作的執行。在一些實例中，回應於決定與腕部構件相關聯的誤差值（例如，引導腕部構件旋轉至第一角度而實際上導致腕部構件旋轉至與第一角度不同的第二角度），處理裝置使用該誤差值而造成腕部構件旋轉至正確角度。在一些實例中，在決定誤差值隨著時間增加之後，進行預防性維護、一或更多個部件的更換、或類似者。在一些實例中，針對機器人執行第一校正動作（例如，校準、自動教示、診斷等），然後針對使用機器人的基板處理系統的不同部件（例如，對準器裝置、LCF裝置等）來決定第二校正動作。

在一些實施例中，藉由訓練機器學習模型來決定誤差值。接收歷史感測器資料（例如，位置資料、圖像等）與歷史誤差值（例如，來自第三方感測器、來自校準器裝置、來自LCF裝置等的平均值），並利用包括歷史感測器資料的資料輸入以及包括歷史誤差值的目標輸出來訓練機器學習模型，以產生經訓練的機器學習模型。提供感測器資料來作為針對經訓練的機器學習模型的輸入，從經訓練的機器學習模型取得用於指示預測資料的輸出，以及依據預測資料來決定誤差值。

本文所描述的裝置、系統、及方法具有優於習知解決方案的優點。在不需要打開基板處理系統以及不需要基板處理系統的後續重新認證處理的情況下（例如，在維持密封環境時能夠執行操作），決定基板處理系統的部件的誤差值。維持密封環境可以防止有害氣體離開基板處理系統，防止汙染物進入基板處理系統，以及在基板處理系統的對應部分內維持惰性環境及/或真空等級。決定特定部件的誤差來改善自動教示、校準、及診斷（例如，針對特定部件、機器人、對準器、LCF裝置、基板處理系統等）。此舉能夠控制機器人以移除內容物並將內容物放置在特定位置，以及讓對準器裝置與LCF裝置能夠更準確地對準內容物。以此方式，此舉減少處理內容物中的誤差，以及減少對於機器人、封閉系統、及/或基板處理系統的損傷。相較於習知解決方案，本文所描述的解決方案對於生產線良率、排程、品質、使用者時間、所使用的能源等的影響較小。

用於改善的機器人的關節座標教示精度的設備、系統、及方法係為說明而非限制之目的。在一些實施例中，本文所描述的解決方案係用於執行除了關節座標教示精度之外的校正動作（例如，用於執行與相對於機器人的葉片的晶圓中心的纖維束偏移、機器人的每個關節的馬達或齒輪傳動誤差、機器人的橢圓關節誤差、機器人的鏈接歸零偏移、及/或類似者相關聯的校正動作）。在一些實施例中，本文所描述的解決方案係用於針對除了機器人之外的部件（例如，對準器裝置、LCF裝置、及/或類似者）執行校正動作。

第1圖圖示處理系統100（例如，電子裝置處理設備、基板處理系統）的示意頂視圖。處理系統100在處理系統100的不同部分之間轉移內容物（例如，基板、處理套件環、載體、驗證晶圓、部件等）。處理系統100適於藉由施加一或更多種處理（例如，經由一或更多個處理腔室104）來處理基板105（例如，300mm或450mm的含矽晶圓、矽板、或類似者）。處理包括脫氣、清潔、預清潔、沉積（例如，化學氣相沉積（CVD）、物理氣相沉積（PVD）、原子層沉積）、塗佈、氧化、硝化、蝕刻、拋光、光刻、及/或類似者。在一些實施例中，處理系統100包括處理腔室104，處理腔室104包括蝕刻腔室、沉積腔室（包括原子層沉積、化學氣相沉積、物理氣相沉積、或其電漿增強版本）、退火腔室、及/或類似者中之一或更多者。

所圖示的處理系統100包括主框架殼體101，主框架殼體101包括形成於其中的轉移腔室102。舉例而言，在一些實施例中，轉移腔室102係由頂蓋（由於說明之目的而移除）、底部、及側壁所形成，並且維持在真空下。主框架殼體101包括任何合適的形狀（例如，正方形、矩形、五邊形、六邊形、七邊形、八邊形（如圖所示）、或其他幾何形狀）。在所圖示的實施例中，機器人106（例如，多臂機器人）至少部分容納於轉移腔室102的內側。機器人106適於可以在其中操作，以服務圍繞轉移腔室102佈置的各種腔室（例如，一或更多個處理腔室104及/或一或更多個裝載閘腔室109）。本文所使用的「服務」包括利用機器人106的端效器108將內容物（例如，基板105，處理套件環等）放入或取出腔室（例如，處理腔室104及/或裝載閘腔室109）。第1圖所示的轉移腔室102係耦接至六個處理腔室104以及二個裝載閘腔室109。然而，在其他實施例中，使用其他數量的處理腔室104以及裝載閘腔室109。

機器人106適於拾取及放置安裝在機器人106的端效器108（有時指稱為「葉片」）上的內容物（例如，基板105（有時指稱為「晶圓」或「半導體晶圓」））而經由一或更多個狹縫閥組件107到達或離開目的地。在第1圖所示的實施例中，機器人106係為任何合適的多臂機器人，並具有足夠的行動性，以在各個處理腔室104及/或裝載閘腔室109之間轉移基板105。

在第1圖所示的實施例中，機器人106係圖示為位於及容納於轉移腔室102中。然而，應理解，機器人106的此實施例以及本文所述的其他機器人係用於電子裝置製造的其他領域（例如，在機器人在基板載體114（例如，封閉系統、FOUP等）與裝載閘腔室109之間運輸內容物（例如，基板105）的電子前端模組（EFEM）110（例如，工廠介面）中）。本文所述的機器人106亦能夠用於其他運輸用途。

裝載閘腔室109適合與EFEM 110的介面腔室111對接。EFEM 110接收來自基板載體114（例如，對接於裝載埠112處的前開式晶圓傳送盒（FOUP））的內容物（例如，基板105）。機器人118（裝載/卸載機器人、工廠介面機器人、大氣機器人、EFEM機器人等）（如虛線所示）係用於在基板載體114與裝載閘腔室109之間轉移基板105。在一些實施例中，機器人118具有與機器人106相同或類似的部件（例如，端效器108等）及功能。在進入處理腔室104的一些或全部開口處以及在裝載閘腔室109的一些或全部開口處提供狹縫閥組件107。

機器人118包括機器臂（例如，選擇性依從性組裝機器臂（SCARA）機器人）。SCARA機器人的實例包括2鏈接SCARA機器人、3鏈接SCARA機器人、4鏈接SCARA機器人等。機器人118包括機器臂的一端的端效器108。端效器108經配置以拾取及操控特定物體（例如，基板）。替代或可附加地，端效器108經配置以操控物體（例如，校準基板及處理套件環（邊緣環））。端效器108亦經配置以掃描位於固定位置的物體（例如，銷、自動教示銷、校準銷等）。機器人118具有一或更多個鏈接或構件（例如，腕部構件、上臂構件、前臂構件等），經配置以移動來將不同定向的端效器108移動至不同位置。

機器人118經配置以在基板載體114（例如，卡匣、FOUP）（或裝載埠）、裝載閘119A、119B、SSP、對準器裝置、及/或類似者之間轉移物體。儘管習知系統係與操作者打開（例如，拆卸、破壞密封、或汙染等）處理系統（例如，EFEM）來決定誤差值並執行機器人（例如，工廠介面機器人）的校正動作（例如，教示、校準、及/或診斷故障）相關聯，處理系統100經配置以促進決定誤差值及執行校正動作（例如，自動教示、校準、及/或診斷）），而不需要操作者打開（例如，拆卸、破壞密封、汙染等）處理系統100。因此，在實施例中，在決定誤差值及執行校正動作（例如，自動教示，校準、及/或診斷操作）期間，維持包括基板載體114的內部容積與EFEM 110的內部容積的密封環境。

在實施例中，使用物體（例如，銷（例如，自動教示封閉系統的自動教示銷））來向機器人118教示相對於裝載埠、基板載體114、裝載閘119、SSP、對準器裝置、LCF裝置等的固定位置。在一個實施例中，固定位置係對應於放置在特定裝載埠處的基板載體114（例如，自動教示封閉系統）的中心位置，而在實施例中，亦對應於放置在特定加載埠處的不同基板載體114（例如，基板的卡匣）的中心位置。可替代地，固定位置係對應於處理系統100內的其他固定位置（例如，基板載體114的前方或後方、對準器裝置、裝載閘119、LCF裝置等）。在一些實施例中，使用物體（例如，自動教示封閉系統的自動教示銷及/或校準基板）來校準機器人118。在一些實施例中，使用物體（例如，自動教示封閉系統的校準基板）來診斷機器人118。

在一些實施例中，機器人106與機器人118基本上類似。在一些實施例中，機器人106係為SCARA機器人，但是相較於機器人118具有更少的鏈接及/或更少的自由度。

內容物（例如，基板105）係從EFEM 110被接收到轉移腔室102中，並且亦透過耦接至EFEM 110的表面（例如，後壁）的裝載閘腔室109離開轉移腔室102而到達EFEM 110。裝載閘腔室109包括一或更多個裝載閘（例如，裝載閘119A、119B）。舉例而言，在一些實施例中，包括在裝載閘腔室109中的裝載閘119A、119B係為單晶圓裝載閘（SWLL）腔室、多晶圓腔室、或其組合。基板載體114中之每一者係位於裝載埠上。在一些實施例中，裝載埠係直接安裝至EFEM 110（例如，緊靠EFEM 110而密封）。基板載體114（例如，卡匣、FOUP、處理套件封閉系統、自動教示封閉系統、封閉系統、或類似者）經配置而可移除地耦接（例如，對接）至裝載埠。在一些實施例中，一或更多個基板載體114係耦接至裝載埠，以用於將晶圓及/或其他基板移入或移出處理系統100。基板載具114中之每一者係緊靠各別裝載埠而密封。在一些實施例中，第一基板載體114係對接至第一裝載埠（例如，用於教示、校準、及/或診斷EFEM 110的機器人118）。一旦執行這樣的一或更多個操作，則將第一基板載體114從裝載埠移出，然後將第二基板載體114（例如，包含晶圓的FOUP）對接至相同的裝載埠。在一些實施例中，基板載體114係為用於執行自動教示操作、校準操作、或診斷操作中之一或更多者的自動教示封閉系統。在一些實施例中，基板載體114係為用於將內容物（例如，處理套件環）移入或移出處理系統100的處理套件封閉系統。

在一些實施例中，裝載埠包括形成垂直開口（或基本上垂直的開口）的前介面。可附加地，裝載埠包括用於支撐基板載體114（例如，卡匣、封閉系統、自動教示封閉系統）的水平表面。每一基板載體114（例如，晶圓的FOUP、自動教示封裝系統、處理套件封裝系統）具有形成垂直開口的前表面。基板載體114的前介面的尺寸係設置成與裝載埠的前介面相接（例如，密封）（例如，基板載體114的垂直開口的尺寸係與裝載埠的垂直開口的尺寸大致相同）。基板載體114係放置於裝載埠的水平表面上，而基板載體114的垂直開口係與裝載埠的垂直開口對準。基板載體114的前介面係與裝載埠的前介面互相連接（例如，夾持、固定、密封）。基板載體114的底板（例如，底座板）具有與裝載埠的水平表面接合的特徵（例如，與裝載埠運動銷特徵、用於銷間距的裝載埠特徵、及/或封閉系統對接托盤閂鎖夾持特徵接合的裝載特徵（例如，凹陷或插座））。相同的裝載埠係用於不同類型的基板載體114（例如，自動教示封閉系統、處理套件封閉系統、包含晶圓的卡匣等）。

在一些實施例中，基板載體114（例如，自動教示封閉系統）包括用於執行自動教示操作的自動教示銷。在一些實施例中，基板載體114包括用於執行校準操作或診斷操作中之一或更多者的校準基板（例如，包括校準銷）。因此，在一些實施例中，基板載體114包括自動教示銷與校準基板。

在一些實施例中，基板載體114、SSP、對準器裝置、LCF裝置、裝載閘119、及/或裝載埠中之一或更多者具有對應的固定位置（例如，銷、圓柱銷、具有梯形底座的圓柱銷、或類似者），以用於決定處理系統100的一或更多個部件的誤差值。

在一些實施例中，基板載體114（例如，處理套件封閉系統）包括一或更多項的內容物（例如，處理套件環、空的處理套件環載體、設置於處理套件環載體上的處理套件環、放置驗證晶圓等中之一或更多者）。在一些實例中，基板載體114係耦接至EFEM 110（例如，經由裝載埠），以能夠將處理套件環載體上的處理套件環自動轉移至處理系統100，以替換使用過的處理套件環。

在一些實施例中，處理系統100亦包括第一真空埠（例如，裝載閘119與EFEM 110之間的狹縫閥組件107），以用於將EFEM 110耦接至各別裝載閘119（例如，脫氣腔室）。第二真空埠（例如，裝載閘119與轉移腔室102之間的狹縫閥組件107）係耦接至各別裝載閘119（例如，脫氣腔室），並且設置於裝載閘119與轉移腔室102之間，以促進將基板105與內容物（例如，處理套件環）移入轉移腔室102。在一些實施例中，處理系統100包括及/或使用一或更多個裝載閘119以及對應數量的真空埠（例如，狹縫閥組件107）（例如，處理系統100包括單一裝載閘119、單一第一狹縫閥組件107、及單一第二狹縫閥組件107）。轉移腔室102包括圍繞設置並與其耦接的處理腔室104（例如，四個處理腔室104、六個處理腔室104等）。處理腔室104經由各別埠107（例如，狹縫閥或類似者）耦接至轉移腔室102。在一些實施例中，EFEM 110係處於較高的壓力（例如，大氣壓力），而轉移腔室102處於較低的壓力（例如，真空）。每一裝載閘119（例如，脫氣腔室、壓力腔室）具有用於從EFEM 110密封裝載閘119的第一門（例如，第一狹縫閥組件107）以及用於從轉移腔室102密封裝載閘119的第二門（例如，第二狹縫閥組件107）。當打開第一門及關閉第二門時，將內容物從EFEM110轉移至裝載閘119，接著第一門關閉，將裝載閘119的壓力減少以匹配轉移腔室102，接著第二門打開，將內裝物從裝載閘119移出。LCF裝置係用於對準轉移腔室102中的內容物(例如，在進入處理腔室104之前，在離開處理腔室104之後)。

控制器120控制處理系統100的各種態樣。控制器120係為及/或包括計算裝置(例如，個人電腦、伺服器電腦、可程式化邏輯控制器(PLC)、微控制器等)。控制器120包括一或更多個處理裝置，而在一些實施例中係為通用處理裝置(例如，微處理器、中央處理單元、或類似者)。更特定言之，在一些實施例中，處理裝置係為複雜指令集計算(CISC)微處理器、簡化指令集計算(RISC)微處理器、超長指令字元(VLIW)微處理器、或實現其他指令集的處理器或實現指令集的組合的處理器。在一些實施例中，處理裝置係為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)。在一些實施例中，控制器120包括資料儲存裝置(例如，一或更多個磁碟驅動器及/或固態驅動器)、主記憶體、靜態記憶體、網路介面、及/或其他部件。在一些實施例中，控制器120執行指令來執行本文所述的方法或處理中之任一或更多者。指令係儲存在電腦可讀取儲存媒體上，電腦可讀取儲存媒體包括主記憶體、靜態記憶體、輔助儲存、及/或處理裝置中之一或更多者(在執行指令期間)。在一些實施例中，控制器120從機器人118及機器人106接收訊號，並將控制發送至機器人118及機器人106。

第1圖示意性圖示內容物（例如，基板105、耦接至處理套件環載體的處理套件環）進入處理腔室104的轉移。根據本揭示的一個態樣，經由位於EFEM 110的機器人118從基板載體114移除內容物。機器人118將內容物轉移穿過第一狹縫閥組件107中之一者並進入各別裝載閘119A、119B。位於轉移腔室102中的機器人106經由第二狹縫閥組件107從裝載閘119A、119B中之一者移除內容物。機器人106將內容物移動進入轉移腔室102，其中內容物係經由各別狹縫閥組件107轉移至處理腔室104。儘管為了清楚起見在第1圖中並未圖示，但是內容物的轉移包括基板105的轉移、設置於處理套件環載體上的處理套件環的轉移、空的處理套件環載體的轉移、放置驗證晶圓的轉移、晶圓上的成像裝置的轉移等中之一或更多者。

第1圖圖示內容物的轉移的一個實例，但是亦可以想到其他實例。在一些實例中，可以認為基板載體114係耦接至轉移腔室102（例如，經由安裝至轉移腔室102的裝載埠）。藉由機器人106將內容物從轉移腔室102裝載至處理腔室104。此外，在一些實施例中，內容物係裝載至SSP。在一些實施例中，附加的SSP係定位成與所示SSP相對的EFEM 110連通。利用與本文描述的任何方式相反的方式，將經處理的內容物（例如，使用過的處理套件環）從處理系統100中移除。在一些實施例中，當利用多個基板載體114或基板載體114與SSP的組合時，一個SSP或基板載體114係用於未處理的內容物（例如，新的處理套件環)，而另一SSP或基板載體114係用於接收經處理的內容物(例如，使用過的處理套件環)。基板載體114係用於在經由機器轉移送內容物之前，執行機器臂(例如，機器人118、機器人106等)的自動教示操作、校準操作、或診斷操作中之一或更多者。自動教示、校準、或診斷操作中之一或更多者讓機械臂能夠正確地從特定位置移除物體，以及將物體正確地放置在特定位置(例如，在將第二基板載體114對接於與第一基板載體114所對接的相同裝載埠時)。

處理系統100包括腔室(例如，EFEM 110)以及與EFEM 110相鄰的相鄰腔室(例如，裝載埠、基板載體114、SSP、裝載閘119、及/或類似者)。將腔室中之一或更多者密封(例如，將腔室中之每一者密封)。相鄰腔室係密封至EFEM 110。在一些實施例中，將惰性氣體(例如，氮、氬、氖、氦、氪或氙中之一或更多者)提供至一或更多個腔室(例如，EFEM110及/或相鄰腔室)，以提供一或更多個惰性環境。在一些實例中，EFEM 110係為惰性EFEM，而維持EFEM 110內的惰性環境(例如，惰性EFEM微型環境)，而使得使用者不需要進入EFEM 110(例如，處理系統100經配置而不需要在EFEM 110內手動存取)。

在一些實施例中，將氣體流動(例如，惰性氣體、氮)提供至處理系統100的一或更多個腔室(例如，EFEM 110)。在一些實施例中，氣體流動係大於穿過一或更多 個腔室的洩漏，以在一或更多個腔室內維持正壓。在一些實施例中，再循環EFEM 110內的惰性氣體。在一些實施例中，惰性氣體的一部分被排出。在一些實施例中，進入EFEM 110的非再循環氣體的氣體流動大於所排出的氣體流動與氣體洩漏，以維持EFEM 110內的惰性氣體的正壓。在一些實施例中，將EFEM 110耦接至一或更多個閥門及/或泵，以提供流入及流出EFEM 110的氣體流動。處理裝置(例如，控制器120)控制流入及流出EFEM 110的氣體流動。在一些實施例中，處理裝置從一或更多個感測器(例如，氧氣感測器、濕度感測器、運動感測器、門致動感測器、溫度感測器、壓力感測器等)接收資料，並依據感測器資料來決定惰性氣體的流入及/或流出EFEM 110的流動速率。

處理系統100內的一或更多個物體(例如，銷)允許決定誤差值並執行處理系統100的一或更多個部件(機器人、對準器裝置、LCF裝置等)的校正動作(例如，教示、校準、及/或診斷)，而不需要打開EFEM 110及相鄰腔室內的密封環境。回應於對接至裝載埠，基板載體114密封至裝載埠。基板載體114提供吹掃埠的進入，而使得可以在打開基板載體114之前吹掃基板載體114的內部，以最小化EFEM 110內的惰性環境的干擾。

在一些實施例中，每一裝載埠及/或基板載體114具有對應於固定位置的對應銷(例如，經配置以用於FOUP固定具上的單一銷掃描)。在一些實施例中，每一SSP具 有對應於固定位置的對應銷(例如，經配置以用於SSP銷上的單一銷掃描)。在一些實施例中，對準器裝置(例如，在EFEM 110中)具有對應於固定位置的對應銷(例如，經配置以用於對準器卡盤上的單一銷掃描)。在一些實施例中，每一緩衝腔室具有對應於固定位置的對應銷(例如，經配置以用於緩沖銷上的單一銷掃描)。在一些實施例中，每一裝載閘119具有對應於固定位置的對應銷(例如，經配置以用於所有裝載閘119上的偏移銷掃描)。

參照第2A圖，圖示根據某些實施例的機器人210(例如，第1圖的機器人106及/或機器人118)的平面頂視圖。亦參照第2B圖，圖示根據某些實施例的機器人210(例如，第1圖的機器人106及/或機器人118)的橫截面側視圖。在一些實施例中，機器人210包括底座220，底座220適於附接至處理系統的壁(例如，第1圖的處理系統100、第1圖的轉移腔室102、第1圖的EFEM 110等)。在一些實施例中，機器人210亦包括上臂222，在所示的實施例中，上臂222係為基本上剛性的懸臂梁。上臂222適於環繞第一旋轉軸線224沿著順時針及逆時針旋轉方向來旋轉。環繞第一旋轉軸線224的旋轉係藉由任何合適的馬達(例如，可變磁阻馬達或永磁馬達)來提供。馬達係容納於馬達殼體226中。上臂222的旋轉係藉由從控制器228至馬達的適當指令(例如，第1圖的控制器120)所控制。

前臂230係在第二旋轉軸線232處耦接至上臂222。第二旋轉軸線232係與第一旋轉軸線224間隔開。前 臂230適於在XY平面中相對於上臂222環繞第二旋轉軸線232旋轉。腕部構件236係在第三旋轉軸線238處耦接至前臂230。腕部構件236適於在XY平面中環繞第三旋轉軸線238旋轉。端效器108係耦接至腕部構件236，並且適於承載及運輸基板105。

第2B圖圖示根據某些實施例的機器人210的橫截面側視圖。機器人210包括機器人210的鏈接或臂之間的複數個關節(例如，旋轉關節)。關節讓臂能夠相對於彼此旋轉。關節內的遊隙造成端效器108與位於其上的內容物(例如，第1圖的基板105)的實際位置的決定的不精確。

第2A圖至第2B圖所示的機器人210包括三個關節。第一關節240係位於馬達殼體226與上臂222之間。第一關節240讓上臂222能夠相對於馬達殼體226環繞第一旋轉軸線224旋轉。第二關節242係位於上臂222與前臂230之間。第二關節242讓前臂230能夠相對於上臂222環繞第二旋轉軸線232旋轉。第三關節244係位於前臂230與腕部構件236之間。第三關節讓腕部構件236能夠相對於前臂230環繞第三旋轉軸線238旋轉。

在一些實施例中，第2A圖至第2B圖的機器人210係相對於基板處理系統中的固定位置利用不同姿勢定位於基板處理系統中。產生用於識別與具有不同姿勢的機器人相關的固定位置的感測器資料。依據感測器資料來決定對應於基板處理系統的一或更多個部件的誤差值，以及依據誤差值來造成與一或更多個部件相關聯的一或更多個校正 動作的執行。在一些實施例中，誤差值與校正動作係對應於環繞第一關節240、第二關節242、及/或第三關節244中之一或更多者的關節旋轉。在一些實施例中，控制器228(例如，第1圖的控制器120)單獨決定每一部件的每一誤差值(例如，藉由隔離每一部件的移動)。

第3A圖係為機器人310(例如，第2A圖至第2B圖的機器人210、第1圖的機器人106及/或機器人118等)的腕部構件236與端效器108的實施例的頂視圖。端效器108及/或腕部構件236包括光束感測器350，而在一些實施例中，光束感測器350包括光源352及光接收器354。光發射纖維356A係耦接至光源352。光發射纖維356A經引導而穿過腕部構件236及端效器108，並終止於端效器108的第一端358A。光接收纖維356B係耦接至光接收器354。光接收纖維356B經引導而穿過腕部構件236及端效器108，並終止於端效器108的第二端358B。端效器108的第一端358A及第二端358B係跨越間隙360而間隔開，間隙360形成用於某些類型的處理(包括偵測基板105(參見第1圖)、其他內容物、及/或物體(例如，銷)的外周邊緣)的釋放區域。

光發射纖維356A係終止於接近第一端358A的第一光路徑開口362A。類似地，光接收纖維356B係終止於接近第二端358B的第二光路徑開口362B。第一光路徑開口362A與第二光路徑開口362B彼此面對，並形成用於偵測基板105(參見第1圖)、其他內容物、及/或物體(例 如，銷)的外周邊緣的存在或不存在的光傳輸路徑364(例如，光束)。光傳輸路徑364延伸於第一端358A與第二端358B之間(亦即，二個點之間)，而能夠偵測間隙360中的物體。

光束感測器350進一步包括光發射/接收模組366，光發射/接收模組366偵測在光發射纖維356A與光接收纖維356B之間的光傳輸程度。當基板105或其他物體阻擋光傳輸路徑364時，光發射/接收模組366感測位於第一光路徑開口362A與第二光路徑開口362B之間的基板105(第1圖)或其他物體的外周邊緣。藉由光發射/接收模組366所產生的輸出訊號係經由穿過機器人310的導體(未圖示)而提供至控制器(例如，第2A圖至第2B圖的控制器228、第1圖的控制器120)。

在機器人310的操作期間，控制器(例如，第2A圖至第2B圖的控制器228、第1圖的控制器120)將訊號發射至機器人310，而造成端效器108移動至某些位置。舉例而言，控制器228產生用於造成上臂222、前臂230、及腕部構件236移動至特定位置(例如，處理系統(例如，第1圖的處理腔室104、轉移腔室102、或EFEM 110)內的位置)的訊號。控制器係依據相對於機器人310的固定位置來產生訊號，以移動端效器108。舉例而言，機器人310係用於決定誤差值並執行校正動作(例如，自動教示功能、校準功能、診斷功能等)，其中機器人310係用於決定與固定位置對應的感測器資料(例如，座標資料點，圖像等)。 然後，控制器產生訊號，以移動上臂222、前臂230、及腕部構件236，以將端效器108移動至相對於固定位置的特定位置。

機器人機制中的一些誤差造成端效器108的定位誤差。在一些實例中，關節240、242、244具有誤差或遊隙，而導致位置誤差。該等位置誤差降低藉由機器人310所執行的自動教示、校準、及/或診斷的精度。關節240、242、244中的誤差包括關節運動學誤差、關節滯後、及關節背隙。關節運動學誤差有時指稱為關節誤差，係為關節未按照指示旋轉的結果(例如，從不同姿勢請求相同的點會顯示運動學誤差)。舉例而言，指示關節旋轉至特定角度，但是關節旋轉至不同角度(例如，相對於軸向(Ty)繪製的橫向(Tx)的圖的差異係為關節誤差)。當關節順時針或逆時針旋轉並且位置發生可重複的差異時發生關節背隙(例如，前向驅動與後向驅動的差異係為背隙)。關節滯後係與在關節順時針及逆時針旋轉中所觀察到的滯後有關。傳動誤差係與不同於所公佈的齒輪及滑輪的降速(例如，在關節角度處)有關(例如，實際降速為35：1.0002，而不是所公佈的降速35：1)。所分析的其他誤差(例如，鏈接長度誤差)包括上臂222、前臂230、及腕部構件236的實際長度相對於控制器所儲存的長度(例如，長度的變化多達360.13mm，而不是所儲存長度的360mm)。設零偏移誤差係與將機器人釘紮以設定第零位置有關，而在一些實例中，機械第零位置係偏移多達0.1至0.2度。

藉由使用不同機器人姿勢將端效器108重複定向至固定位置來改善自動教示、校準、診斷等的精度。在一些實施例中，機器人姿勢係指稱上臂222、前臂230、及腕部構件236的位置。機器人106係用於決定由於關節誤差及其他誤差而變化的固定位置的感測器資料(例如，不同的座標資料點，不同的圖像等)。

精確的運動學(例如，由於所決定的誤差值而進行調整)有益於更直的機器人路徑、更好的LCF裝置可重複性、精確的自動教示操作、讓機器人能夠進行測量、及類似者。

第3B圖圖示根據某些實施例的機器人310的頂視圖。機器人310經配置以用於使用物體(例如，銷)來決定一或更多個誤差值(例如，執行自動教示操作、校準操作、或診斷操作中之一或更多者)。機器人310包括端效器108、腕部構件236、耦接至光源352的第一光路徑開口262A(例如，光纖發射器)、及耦接至光接受器354的第二光路徑開口362B(例如，光纖接收器)。光傳輸路徑364(例如，光束、光束觸發路徑)係設置於第一光路徑開口362A與第二光路徑開口362B之間。

機器人310具有對應於實際晶圓中心372的機器人腕部中心370。機器人310的特性誤差374(例如，機器人臂誤差)係為中心線段與誤差線段之間的距離或角度。中心線段係在於機械腕部中心370與實際晶圓中心372之間(例如，腕部至晶圓中心的向量)。誤差線段(例如， 腕部至光束的向量)係垂直於(例如，90度角376)光傳輸路徑364(例如，光束觸發路徑)。在一些實施例中，機器人310經由校準操作來決定特性誤差374。

第3C圖圖示根據某些實施例的機器人310與對準器裝置380的頂視圖。在一些實施例中，決定對準器裝置380的誤差值(例如，校準對準器裝置380)，然後使用對準器裝置380來決定機器人310的誤差值(例如，校準機器人310)。在一些實施例中，決定機器人310的誤差值(例如，校準機器人310)，然後使用對準器機器人310來決定對準器裝置380的誤差值(例如，校準對準器裝置380)。

在一些實施例中，校準晶圓384具有切口及/或銷。在一些實施例中，對準器裝置380使用切口來對準校準晶圓384，而機器人310偵測校準晶圓384的銷的位置。

在決定對準器裝置380或機器人310的誤差值(例如，校準)之後，將支撐校準晶圓384(例如，具有偏移銷386的具有切口的晶圓)的機器人310移動至對準器裝置380，以將機器人的XY中心388與對準器裝置380對準(例如，藉由掃描對準器裝置380的一部分)。此舉使機器人的XY中心與對準器裝置的真實中心XY匹配(例如，XY對準器裝置380與機器人310匹配)，但是機器人310與對準器裝置380的相對角度係為未知。機器人310將校準晶圓384放置在對準器裝置380上。對準器裝置380使用校準晶圓384的切口來決定校準晶圓384(例如，藉由旋轉校準晶圓384)的位置(例如，旋轉、偏轉)。對準 器裝置380向左及向右旋轉校準晶圓384，以觸發機器人310上的映射纖維(例如，光傳輸路徑364、可重複的觸發線段)來決定中點角度參考。向左及向右旋轉機器人310的腕部，以觸發機器人310上的映射纖維來決定機器人310的中點。在一些實施例中，針對多個進出角度重複該程序(例如，在迭代之間重新對準XY)。此舉提供命令位置與對準器裝置測量位置的關係圖。在一些實施例中，將資料進行擬合並且執行迴歸以找到線性斜率。

藉由對準器裝置380所決定的中點參考(例如，座標資料點)與藉由機器人310所決定的中點(例如，座標資料點)之間的差異係為相對差(例如，葉片設零，銷的掃描中點之間的差異係為指示軸線的零偏移)。回應於先前決定對準器裝置380的誤差值(例如，校準)，相對差異係為機器人310的誤差值(例如，用於校準機器人310)。回應於先前決定機器人310的誤差值(例如，校準)，相對差異係為對準器裝置380的誤差值(例如，用於校準對準器裝置380)。

儘管第3C圖係指稱機器人310及對準器裝置380，但是可以使用其他部件(例如，機器人310及LCF裝置等)。

參照第4圖，圖示根據某些實施例的用於偵測銷468(例如，固定位置)的端效器108的平面頂視圖。依據銷468的已知直徑來決定銷468的中心470的位置。隨著端效器108接近銷468，銷468的周邊斷開光傳輸路徑364。 此時，藉由控制器228記錄關節240、242、244的角度。如虛線的端效器108所示，使用不同的機器人姿勢來重複複數次該處理。

在一些實施例中，控制器針對銷468是否位於端效器108的第一端358A與第二端358B之間的中心進行檢查。在一些實施例中，隨著端效器108平行於銷468的切線稍微移動，藉由經由單一關節(例如，隔離關節、第三關節244)向後及向前旋轉端效器108來實現位於中心。端效器108亦移動遠離及朝向銷468。與銷468的所測量的最短距離構成端效器108的第一端358A與第二端358B之間的中點。此位置亦為第一端358A與第二端358B之間的間隙360中的中點。

測量關節誤差來考慮到關節誤差的過程始於將端效器108移動至已知及/或固定位置(例如，銷468)。然後，端效器108從使用機器人106的不同姿勢的幾個不同的點來測量銷468的位置。在一些實施例中，使用不同的姿勢來測量銷468上的相同位置。

現在另外參照第5圖，圖示根據某些實施例的具有在幾個位置中偵測銷468的光束感測器的端效器108的平面圖。在一些實施例中，隨著端效器108圍繞銷468沿著偏轉方向574移動，端效器108係用於測量銷468的位置。

在理想條件下，在沒有任何關節或其他誤差的情況下，機器人106應該測量銷468的中心位置470的相同位置，而與機器人的姿勢(例如，第1圖的機器人106、第1 圖的機器人118、第2圖的機器人210、第3圖的機器人310)無關。

另外參照第6圖，這是根據某些實施例的圖示機器人(例如，第1圖的機器人106、第1圖的機器人118、第2圖的機器人210、第3圖的機器人310等)測量固定位置(例如，第4圖至第5圖的銷468)的示例性座標資料點的圖。在第6圖中，銷468的實際位置係在座標資料點(0.0,0.0)處。如第6圖所示，機器人很少位於銷468的實際位置。若自動教示處理依賴於第6圖所示的測量結果或類似的測量結果，則機器人將無法精確定位端效器108。

為了改善自動教示、校準、診斷等，排除關節誤差。藉由處理裝置、控制器、或其他裝置記錄已知參考(例如，銷468)的座標資料點。在一些實施例中，依據從校準步驟(校準操作，設零步驟)期間取得的預校準資料所得到的值，針對座標資料點進行線性擬合。線性擬合的實例藉由第6圖中的線段展示。在一些實施例中，決定用於指示中心470的測量的均值、模數、及標準差中之至少一者。依據均值、模數、及標準差中之至少一者丟棄構成極端值及統計離群值的座標。統計離群值的實例係展示於第6圖中。然後，剩餘的座標資料點經由應用第二線性擬合而重新平均，而不需要丟棄離群值。然後，第二線性擬合的資料係用於執行自動教示程序期間的更精準定位。在一些實施例中，將基板105放置在端效器108上，並且依據圍繞已知及/或固定位置移動的基板的邊緣來執行上述處理。

第7圖係為圖示根據某些實施例的示例性系統700(示例性系統架構)的方塊圖。系統700包括客戶端裝置720、製造裝備724(例如，第1圖的處理系統100)、感測器726、計量裝備728、預測伺服器712、及資料儲存740。預測伺服器712係為預測系統710的一部分。預測系統710進一步包括伺服器機器770及780。

感測器726提供與製造裝備724相關聯(例如，與移動的機器人相關聯)的感測器資料742(例如，識別固定位置的座標資料點、固定位置的圖像等)。感測器資料742係用於決定用於執行校正動作(例如，校準、自動教示、診斷等)的誤差值。製造裝備724係用於按照配方或在一段時間內運行來生產產品。在一些實施例中，在產品的生產之前或之後接收感測器資料742。在一些實施例中，在一段時間內(例如，對應於配方或運行的至少一部分)從不同感測器726接收感測器資料742的至少一部分。

感測器726提供相對於製造裝備724與一或更多個固定位置的感測器資料742。在一些實施例中，感測器726包括用於決定相對於機器人的固定位置的機器人的光源與光接收器(例如，在機器人的端效器內)。在一些實施例中，感測器726包括經配置以決定相對於機器人的固定位置的成像裝置。在一些實例中，成像裝置係附接至機器人(例如，附接至腕部構件)或設置於機器人(例如，成像基板、晶圓上的成像裝置等)上。

在一些實施例中，處理(例如，藉由客戶端裝置720及/或藉由預測伺服器712)感測器資料742(例如，歷史感測器資料744、當前感測器資料752等)。感測器資料742的處理包括移除離群值、擬合感測器資料742、執行迴歸、找到線性斜率、及/或類似者中之一或更多者。

誤差值760包括與製造裝備724的一或更多個部件相關聯的資料。在一些實例中，誤差值760包括關節的旋轉誤差、機器人的鏈接的長度誤差、及/或類似者。在一些實施例中，誤差值760係用於監督機器學習。

誤差值760包括製造裝備的部件(例如，相同類型、相同零件號碼)的變化的指示。在一些實施例中，決定部件的變化係用於針對產品與產品間的均勻性的腔室匹配。在一些實例中，機器人的關節的旋轉誤差造成內容物的錯位，而造成內容物、機器人、及/或處理系統的損傷。在一些實例中，誤差值760造成產品與產品間的變化。依據誤差值760的校正動作的執行改善產品的品質，減少對於製造裝備724的損傷，減少對於處理系統的損傷，及/或類似者。

在一些實施例中，預測系統710使用監督機器學習(例如，監督資料集、包括測量資料的誤差值760等)來產生預測資料768。在一些實施例中，預測系統710使用半監督學習(例如，半監督資料集、誤差值760係為預測百分比等)來產生預測資料768。在一些實施例中，預測 系統710使用無監督機器學習(例如，無監督資料集、群集、基於誤差值760的群集等)來產生預測資料768。

客戶端裝置720、製造裝備724、感測器726、計量裝備728、預測伺服器712、資料儲存740、伺服器機器770、及伺服器機器780係經由網路730彼此耦接，以產生預測資料768來執行校正動作。

在一些實施例中，網路730係為公共網路，以向客戶端裝置720提供針對預測伺服器712、資料儲存740、及其他公共可使用的計算裝置的存取。在一些實施例中，網路730係為私密網路，以向客戶端裝置720提供針對製造裝備724、感測器726、計量裝備728、資料儲存740、及其他私密可使用的計算裝置的存取。網路730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)、蜂巢式網路(例如，長期演進(LTE)網路)、路由器、集線器、交換器、伺服器電腦、雲端計算網路、及/或其組合。

客戶端裝置720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)。客戶端裝置720包括校正動作部件722。校正動作部件722接收與製造裝備724相關聯的指示的使用者輸入(例如，經由圖形使用者介面(GUI)， 圖形使用者介面(GUI)係經由客戶端裝置720顯示)。在一些實施例中，校正動作部件722將指示發射至預測系統710，從預測系統710接收輸出(例如，預測資料768)，依據輸出來決定校正動作，以及讓校正動作實施。在一些實施例中，校正動作部件722取得與製造裝備724(例如，來自資料儲存740等)相關聯的感測器資料742(例如，當前感測器資料752)，以及提供與製造裝備724相關聯的感測器資料742(例如，當前感測器資料752)至預測系統710。在一些實施例中，校正動作部件722將感測器資料742儲存在資料儲存740中，而預測伺服器712從資料儲存740擷取感測器資料742。在一些實施例中，預測伺服器712將經訓練的機器學習模型790的輸出(例如，預測資料768)儲存在資料儲存740中，而客戶端裝置720從資料儲存740擷取輸出。在一些實施例中，校正動作部件722從預測系統710接收校正動作的指示，以及讓校正動作實施。每一客戶端裝置720包括允許使用者產生、查看、或編輯資料(例如，與製造裝備724相關聯的指示、與製造裝備724相關聯的校正動作等)中之一或更多者的作業系統。

在一些實施例中，歷史誤差值762包括歷史感測器資料744的至少一部分的中心值、歷史感測器資料744的至少一部分的標準差的收斂、來自LCF裝置的LCF感測器資料、來自對準器感測器裝置的對準器感測器資料、來自一或更多個第三方感測器的第三方感測器資料等中之一或更多者。在一些實施例中，預測資料768係與預測誤差 值(例如，預測旋轉誤差、預測長度誤差等)對應。在一些實施例中，預測資料768係為異常(例如，異常部件、異常製造裝備724等)的指示。在一些實施例中，預測資料768係為製造裝備724的部件的壽命終止的指示。

就所使用的時間、所使用的計量裝備728、所消耗的能量，用於發送計量資料的頻寬、用於處理計量資料的處理器額外費用等而言，執行計量可能需要付出高昂代價。藉由輸入感測器資料742(例如，座標資料點、圖像、當前感測器資料752等)及接收預測資料768的輸出，系統700的技術優勢係為可以避免使用計量裝備728來產生當前感測器資料752的當前誤差值764的昂貴處理。

執行導致缺陷產品的製造處理可能由於時間、能量、產品、部件、製造裝備724、識別缺陷及丟棄缺陷產品的成本等而付出高昂代價。藉由輸入感測器資料742(例如，座標資料點、圖像、當前感測器資料752等)，接收預測資料768的輸出，以及依據預測資料768執行校正動作，系統700的技術優勢係為可以避免生產、識別、及丟棄缺陷產品的成本。

執行導致製造裝備724的部件破損的製造處理可能由於停機時間、產品損傷、裝備損傷、快速訂購替換部件等而付出高昂代價。藉由輸入感測器資料742(例如，座標資料點、圖像、當前感測器資料752等)，接收預測資料768的輸出，以及依據預測資料968執行校正動作(例如，預測的操作維護(例如，部件的替換、處理、清潔等))， 系統700的技術優勢係為可以避免意外的部件破損、未排程的停機時間、生產力損失、意外的裝備破損、產品報廢、或類似者中之一或更多者的成本。

校正動作係與校準、自動教示、診斷、計算處理控制(CPC)、統計處理控制(SPC)(例如，用於決定針對控制的處理的電子部件上的SPC，用於預測部件的有用的使用壽命的SPC、與三標準差圖進行比較的SPC等)、進階處理控制(APC)、基於模型的處理控制、預測操作維護、設計最佳化、製造參數的更新、反饋控制、機器學習修改、或類似者中之一或更多者相關聯。

在一些實施例中，校正動作包括若預測資料768指示預測異常(例如，機器人的指示位置與機器人的實際位置之間的差異)，則提供警示(例如，用於停止或不執行製造處理的警報)。在一些實施例中，校正動作包括提供反饋控制(例如，回應於指示預測異常的預測資料768而修改機器人、對準裝置、及/或LCF裝置的位置)。在一些實施例中，校正動作包括提供機器學習(例如，依據預測資料768而修改一或更多個位置)。

預測伺服器712、伺服器機器770、及伺服器機器780中之每一者包括一或更多個計算裝置(例如，機架式伺服器、路由器電腦、伺服器電腦、個人電腦、大型電腦、膝上型電腦、平板電腦、桌上型電腦、圖形處理單元(GPU)、加速器特殊應用積體電路(ASIC)(例如，張量處理單元(TPU))等)。

預測伺服器712包括預測部件714。在一些實施例中，預測部件714接收當前感測器資料752(例如，從客戶端裝置720接收，從資料儲存740擷取)及產生輸出(例如，預測資料768)，以用於依據當前感測器資料752來執行與製造裝備724相關聯的校正動作。在一些實施例中，預測部件714使用一或更多個經訓練的機器學習模型790來決定輸出，以用於依據當前感測器資料752來執行校正動作。

在一些實施例中，預測部件714接收當前感測器資料752，將當前感測器資料752作為輸入提供至經訓練的機器學習模型790，以及從經訓練的機器學習模型790取得指示預測資料768的輸出。

使用歷史感測器資料744及歷史誤差值762來訓練經訓練的機器學習模型790。

資料儲存740係為記憶體(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740包括跨越多個計算裝置(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)。資料儲存740儲存感測器資料742、誤差值760、及預測資料768。感測器資料742包括歷史感測器資料744與當前感測器資料752。誤差值760包括歷史誤差值762與當前誤差值764。歷史感測器資料744與歷史誤差值762係為歷史資料(例如，用於訓練機器學習模型790的至少一部分)。當 前感測器資料752係為用於產生預測資料768(例如，用於執行校正動作)的當前資料(例如，在歷史資料之後輸入至經訓練的機器學習模型790的至少一部分)。在一些實施例中，當前誤差值764亦為當前資料(例如，用於重新訓練經訓練的機器學習模型)。

在一些實施例中，預測系統710進一步包括伺服器機器770與伺服器機器780。伺服器機器770包括能夠產生資料集(例如，一組資料輸入以及一組目標輸出)的資料集產生器772，以用於訓練、驗證、及/或測試機器學習模型790。資料集產生器772的一些操作係在下面相對於第8圖及第10A圖詳細描述。在一些實施例中，資料集產生器772將歷史資料(例如，歷史感測器資料744、歷史誤差值762)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)。在一些實施例中，預測系統710(例如，經由預測部件714)產生多組特徵。舉例而言，第一組特徵係對應於感測器資料的第一組類型(例如，來自第一組感測器、來自第一組感測器的值的第一組合、來自第一組感測器的值的第一模式)，感測器資料的第一組類型係對應於資料集(例如，訓練集、驗證集、及測試集)中之每一者，而第二組特徵係對應於感測器資料的第二組類型(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)，感測器資料的第二組類型係對應於資料集中之每一者。

伺服器780包括訓練引擎782、驗證引擎784、選擇引擎785、及/或測試引擎786。引擎(例如，訓練引擎782、驗證引擎784、選擇引擎785、及測試引擎786)係指稱硬體(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782能夠使用與來自資料集產生器772的訓練集相關聯的一或更多組特徵來訓練機器學習模型790。在一些實施例中，訓練引擎782產生多個經訓練的機器學習模型790，其中每一經訓練的機器學習模型790係對應於訓練集的不同組的特徵(例如，來自不同感測器的感測器資料)。舉例而言，使用所有特徵(例如X1-X5)來訓練第一經訓練的機器學習模型，使用第一特徵子集(例如，X1、X2、X4)來訓練第二經訓練的機器學習模型，以及使用與第一特徵子集部分重疊的第二特徵子集(例如，X1、X3、X4、及X5)來訓練第三經訓練的機器學習模型。

驗證引擎784能夠使用來自資料集產生器772的驗證集的對應特徵組來驗證經訓練的機器學習模型790。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790係使用驗證集的第一組特徵來驗證。驗證引擎784係依據驗證集的對應特徵組來決定經訓練的機器學習模型790中之每一者的精度。驗證引擎784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790。在一些實施例中，選擇引擎785能夠選擇具有滿足閾值精度的精度的一或更多個經訓練的機器學習模型790。在一些實施例中，選擇引擎785能夠選擇具有經訓練的機器學習模型790的最高精度的經訓練的機器學習模型790。

測試引擎786能夠使用來自資料集產生器772的測試集的對應特徵組來測試經訓練的機器學習模型790。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790係使用測試集的第一組特徵來測試。測試引擎786係依據測試集來決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790。

機器學習模型790係指稱藉由訓練引擎782使用訓練集所建立的模型件，訓練集包括資料輸入與對應目標輸出(各別訓練輸入的正確答案)。可以找到資料集的模式，以將資料輸入映射至目標輸出(正確答案)，以及對機器學習模型790提供捕捉該等模式的映射。機器學習模型790使用支援向量機(SVM)、徑向基函數(RBF)、群集、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)等中之一或更多者。

預測部件714將當前感測器資料752提供至經訓練的機器學習模型790，以及在輸入上運行經訓練的機器學習模型790，以取得一或更多個輸出。預測部件714能夠 決定(例如，提取)來自經訓練的機器學習模型790的輸出的預測資料768以及決定(例如，提取)來自指示預測資料768對應於與當前感測器資料752相關聯的製造裝備724的當前資料(例如，當前誤差值764)的置信等級的輸出的置信資料。預測部件714或校正動作部件722使用置信資料來決定是否依據預測資料768造成與製造裝備724相關聯的校正動作。

在一個實例中，置信等級係為0與1之間(包括0與1)的實數，其中0表示無法置信預測資料768對應於與當前感測器資料752相關聯的當前誤差值，而1表示絕對置信預測資料768對應於與當前感測器資料752相關聯的當前誤差值764。在一些實施例中，系統700使用預測系統710來決定預測資料768，而不是使用計量裝備728來決定當前誤差值764。在一些實施例中，回應於指示置信等級低於閾值等級的置信資料，系統700讓計量裝備728產生當前誤差值764。回應於針對預定數量的實例(例如，實例的百分比、實例的頻率、實例的總數量等)指示置信等級低於閾值等級的置信資料，預測部件714重新訓練經訓練的機器學習模型790(例如，依據當前感測器資料752與當前誤差值764等)。

為了說明而非限制，本揭示的態樣係描述使用歷史資料(例如，歷史感測器資料744、歷史誤差值762)與將當前資料(例如，當前感測器資料752)輸入至一或更多個經訓練的機器學習模型790來決定預測資料768(例 如，當前誤差值764)。在其他實施方案中，啟發式模型或規則式模型係用於決定預測資料768(例如，不使用經訓練的機器學習模型)。預測部件714監測歷史感測器資料744與歷史誤差值762。在一些實施例中，在啟發式或規則式模型中監測或使用相對於第8圖的資料輸入810所描述的任何資訊。

在一些實施例中，藉由更少數量的機器提供客戶端裝置720、預測伺服器712、伺服器機器770、及伺服器機器780的功能。舉例而言，在一些實施例中，伺服器機器770及780係整合至單一機器中，而在一些其他實施例中，伺服器機器770、伺服器機器780、及預測伺服器712係整合至單一機器中。在一些實施例中，客戶端裝置720與預測伺服器712係整合至單一機器中。

一般而言，在一個實施例中描述為藉由客戶端裝置720、預測伺服器712、伺服器機器770、及伺服器機器780執行的功能，在其他實施例中若合適的話，亦可以在預測伺服器712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。舉例而言，在一些實施例中，預測伺服器712係依據預測資料768來決定校正動作。在另一實例中，客戶端裝置720係依據來自經訓練的機器學習模型的輸出來決定預測資料768。

此外，可以藉由一起操作的不同或多個部件來執行特定部件的功能。透過合適的應用程式介面(API)來 存取預測伺服器712、伺服器機器770、或伺服器機器780中之一或更多者，來作為提供給其他系統或裝置的服務。

在實施例中，「使用者」係表示為單一個人。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係視為「使用者」。

儘管針對產生預測資料768以在製造設施(例如，半導體製造設施)中執行校正動作來討論本揭示的實施例，但是實施例通常亦應用於特徵化及監測部件。實施例通常應用於依據不同類型的資料的特徵化及監測。

第8圖係為根據某些實施例的用於建立用於機器學習模型(例如，第7圖的模型790)的資料集的示例性資料集產生器872(例如，第7圖的資料集產生器772)。每一資料集產生器872係為第7圖的伺服器機器770的一部分。

資料集產生器872使用歷史感測器資料844(例如，第7圖的歷史感測器資料744)與歷史誤差值862(例如，第7圖的歷史誤差值762)來建立資料集。第8圖的系統800展示資料集產生器872、資料輸入810、及目標輸出820。

在一些實施例中，資料集產生器872產生包括一或更多個資料輸入810(例如，訓練輸入、驗證輸入、測試輸入)以及對應於資料輸入810的一或更多個更多目標輸出820的資料集(例如，訓練集、驗證集、測試集)。 資料集亦包括將資料輸入810映射至目標輸出820的映射資料。資料輸入810亦指稱為「特徵」、「屬性」、或「資訊」。在一些實施例中，資料集產生器872將資料集提供至訓練引擎782、驗證引擎784、或測試引擎786，其中資料集係用於訓練、驗證、或測試機器學習模型790。相對於第10A圖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872產生資料輸入810與目標輸出820。在一些實施例中，資料輸入810包括一或更多組歷史感測器資料844。歷史感測器資料844的每一實例包括來自一或更多種類型的感測器的感測器資料、來自一或更多種類型的感測器的感測器資料的組合、來自一或更多種類型的感測器的感測器資料的模式等中之一或更多者。

在一些實施例中，資料集產生器872產生對應於第一組歷史感測器資料844A的第一資料輸入，以訓練、驗證、或測試第一機器學習模型，而資料集產生器872產生對應於第二組歷史感測器資料844B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872將資料輸入810或目標輸出820中之一或更多者離散化(例如，分段)(例如，以用於針對迴歸問題的分類演算法)。資料輸入810或目標輸出820的離散化(例如，經由滑動窗口的分段)將變量的連續值轉換成離散值。在一些實施例中，資料輸 入810的離散值係指示離散歷史感測器資料844，以取得目標輸出820(例如，離散誤差值862)。

用於訓練、驗證、或測試機器學習模型的資料輸入810及目標輸出820包括用於特定設施(例如，用於特定半導體製造設施)的資訊。舉例而言，歷史感測器資料844係用於相同製造設施。在另一實例中，歷史感測器資料844與歷史誤差值862係用於相同製造設施。

在一些實施例中，用於訓練機器學習模型的資訊係來自具有特定特性的製造設施的特定類型的製造裝備724，並且允許經訓練的機器學習模型依據與共享特定群組的特性的一或更多個部件相關聯的當前感測器資料(例如，當前感測器資料752)的輸入來決定用於特定群組的製造裝備724的結果。在一些實施例中，用於訓練機器學習模型的資訊係用於來自二或更多個製造設施的部件，並且允許經訓練的機器學習模型依據來自一個製造設施的輸入來決定用於部件的結果。

在一些實施例中，在產生資料集並使用資料集訓練、驗證、或測試機器學習模型790之後，進一步訓練、驗證、或測試(例如，第7圖的當前誤差值764)或調整(例如，調整與機器學習模型790的輸入資料相關聯的權重(例如，神經網路中的連接權重))機器學習模型790。

第9圖係為圖示根據某些實施例的用於產生預測資料968(例如，第7圖的預測資料768)的系統900的方 塊圖。系統900係用於依據預測資料968來決定與製造裝備724相關聯的校正動作。

在方塊910處，系統900(例如，第7圖的預測系統710)執行歷史資料(例如，歷史感測器資料944、歷史誤差值962)的資料劃分(例如，經由第7圖的伺服器機器770的資料集產生器772)，以產生訓練集902、驗證集904、及測試集906。在一些實例中，訓練集係為歷史資料的60%，驗證集係為歷史資料的20%，而測試集係為歷史資料的20%。系統900產生用於訓練集、驗證集、及測試集中之每一者的複數組特徵。舉例而言，若歷史資料包括從20個感測器(例如，第7圖的感測器726)與100個部件(例如，部件中之每一者係對應於來自20個感測器的感測器資料)的感測器資料所得到的特徵，則第一組特徵係為感測器1-10，第二組特徵係為感測器11-20，訓練集係為部件1-60，驗證集係為部件61-80，測試集係為部件81-100。在此實例中，訓練集的第一組特徵係為用於部件1-60的來自感測器1-10的感測器資料。

在方塊912中，系統900使用訓練集902來執行模型訓練(例如，經由第7圖的訓練引擎782)。系統900使用訓練集902的多組特徵(例如，訓練集902的第一組特徵、訓練集902的第二組特徵等)來訓練多個模型。舉例而言，系統900訓練機器學習模型，以使用訓練集中的第一組特徵(例如，用於部件1-60的來自感測器1-10的感測器資料)來產生第一經訓練的機器學習模型，以及使用訓 練集中的第二組特徵(例如，用於部件1-60的來自感測器11-20的感測器資料)來產生第二經訓練的機器學習模型。在一些實施例中，組合第一經訓練的機器學習模型與第二經訓練的機器學習模型，以產生第三經訓練的機器學習模型(例如，較第一或第二經訓練的機器學習模型更好的預測器)。在一些實施例中，用於比較模型中的特徵組彼此重疊(例如，第一組特徵係為來自感測器1-15的感測器資料，而第二組特徵係為來自感測器5-20的感測器資料)。在一些實施例中，產生數百個模型，並包括具有特徵的各種排列的模型以及模型的組合。

在方塊914處，系統900使用驗證集904來執行模型驗證(例如，經由第7圖的驗證引擎784)。系統900使用驗證集904的對應特徵組來驗證經訓練的模型中之每一者。舉例而言，系統900使用驗證集中的第一組特徵(例如，用於部件61-80的來自感測器1-10的感測器資料)來驗證第一經訓練的機器學習模型，以及使用驗證集中的第二組特徵(例如，用於部件61-80的來自感測器11-20的感測器資料)來驗證第二經訓練的機器學習模型。在一些實施例中，系統900驗證方塊912處所產生的數百個模型(例如，具有特徵的各種排列的模型、模型的組合等)。在方塊914處，系統900決定一或更多個經訓練的模型中之每一者的精度(例如，經由模型驗證)，以及決定經訓練的模型中之一或更多者的精度是否滿足閾值精度。回應於決定沒有經訓練的模型的精度滿足閾值精度，流程返回至 方塊912，此處系統900使用訓練集的不同特徵組來執行模型訓練。回應於決定經訓練的模型中之一或更多者的精度滿足閾值精度，流程繼續至方塊916。系統900丟棄具有低於閾值精度的精度(例如，依據驗證集)的經訓練的機器學習模型。

在方塊916處，系統900執行模型選擇(例如，經由第7圖的選擇引擎785)，以決定滿足閾值精度的一或更多個經訓練的模型中之哪一者具有最高精度(例如，依據方塊914的驗證的所選擇的模型908)。回應於決定滿足閾值精度的經訓練的模型中之二或更多者具有相同精度，流程返回至方塊912，此處系統900使用對應於進一步細化的特徵組的進一步細化的訓練集來執行模型訓練，以用於決定具有最高精度的經訓練的模型。

在方塊918處，系統900使用測試集906執行模型測試(例如，經由第7圖的測試引擎786)，以測試所選擇的模型908。系統900使用測試集中的第一組特徵(例如，用於部件81-100的來自感測器7-10的感測器資料)來測試第一經訓練的機器學習模型，以決定第一經訓練的機器學習模型滿足閾值精度(例如，依據測試集906的第一組特徵)。回應於所選擇的模型908的精度並未滿足閾值精度(例如，所選擇的模型908過度擬合訓練集902及/或驗證集904，而無法適用於其他資料集(例如，測試集906))，流程繼續至方塊912，此處系統900使用對應於不同特徵組(例如，來自不同感測器的感測器資料)的不同訓練集來 執行模型訓練(例如，重新訓練)。回應於依據測試集906而決定所選擇的模型908的精度滿足閾值精度，流程繼續至方塊920。在至少方塊912中，歷史資料中的模型學習模式用於進行預測，而在方塊918中，系統900將該模型應用於其餘資料(例如，測試集906)，以測試預測。

在方塊920處，系統900使用經訓練的模型(例如，所選擇的模型908)來接收當前感測器資料952(例如，第7圖的當前感測器資料752)，以及從經訓練後的模型的輸出來決定(例如，提取)預測資料968(例如，第7圖的預測資料768)，以執行與製造裝備724相關聯的校正動作。在一些實施例中，當前感測器資料952係對應於歷史感測器資料944中的相同類型的特徵。在一些實施例中，當前感測器資料952係對應於與用於訓練所選擇的模型908的歷史感測器資料944中的特徵類型的子集相同類型的特徵。

在一些實施例中，接收當前資料。當前資料包括當前誤差值964(例如，第7圖的當前誤差值764)。從計量裝備(例如，第7圖的計量裝備728)、LCF裝置、對準器裝置、第三方感測器資料、及/或經由使用者輸入來接收當前資料。依據當前資料來重新訓練模型908。在一些實施例中，依據當前資料及當前感測器資料952來訓練新模型。

在一些實施例中，操作910-920中之一或更多者係以各種順序發生及/或與本文未呈現及描述的其他動作 一起發生。在一些實施例中，並未執行操作910-920中之一或更多者。舉例而言，在一些實施例中，並未執行方塊910的資料劃分、方塊914的模型驗證、方塊916的模型選擇、或方塊918的模型測試中之一或更多者。

第10A圖至第10D圖係為根據某些實施例的與決定誤差值來造成校正動作相關聯的方法1000A-D的流程圖。藉由處理邏輯來執行方法1000A-D，處理邏輯包括硬體(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。在一些實施例中，方法1000A-D係部分藉由預測系統710執行。方法1000A係部分藉由預測系統710(例如，第7圖的伺服器機器770與資料集產生器772、第8圖的資料集產生器872)執行。根據本揭示的實施例，預測系統710使用方法1000A來產生資料集，以訓練、驗證、或測試機器學習模型中之至少一者。方法1000B係藉由預測伺服器712(例如，預測部件714)執行。方法1000C-D係藉由伺服器機器780(例如，訓練引擎782等)執行。在一些實施例中，非暫態儲存媒體儲存指令，當藉由處理裝置(例如，預測系統710、伺服器機器780、預測伺服器712等)執行指令時，造成處理裝置執行方法1000A-D中之一或更多者。

為了簡化說明，方法1000A-D係圖示及描述為一系列的操作。然而，根據本揭示的操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操作一起發 生。此外，並非執行所有所示的操作來實現根據所揭示之標的之方法1000A-D。此外，該領域具有通常知識者將理解，方法1000A-D可以可替代地經由狀態圖或事件表示為一系列相互關聯的狀態。

第10A圖係為根據某些實施例的產生用於產生預測資料(例如，第7圖的預測資料768)的機器學習模型的資料集的方法1000A的流程圖。

參照第10A圖，在一些實施例中，在方塊1001處，用於實施方法1000A的處理邏輯將訓練集T初始化成空集。

在方塊1002處，處理邏輯產生包括感測器資料(例如，第7圖的歷史感測器資料744、第8圖的歷史感測器資料844、第9圖的歷史感測器資料944)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，第一資料輸入包括用於感測器資料的類型的第一組特徵，而第二資料輸入包括用於感測器資料的類型的第二組特徵(例如，相對於第8圖所描述)。

在方塊1003處，處理邏輯產生用於資料輸入中之一或更多者(例如，第一資料輸入)的第一目標輸出。在一些實施例中，第一目標輸出係為歷史誤差值762。

在方塊1004處，處理邏輯可選擇地產生指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)係指稱資料輸入(例如，本文所述的資料輸入中之一或更多 者)、用於資料輸入的目標輸出(例如，其中目標輸出識別歷史誤差值762)、及資料輸入與目標輸出之間的關聯。

在方塊1005處，處理邏輯將方塊1004處所產生的映射資料添加至資料集T。

在方塊1006處，依據資料集T是否足以滿足訓練、驗證、及/或測試機器學習模型790中之至少一者來將處理邏輯進行分支。若是，則執行行進至方塊1007，否則執行繼續回到方塊1002。應理解，在一些實施例中，簡單依據資料集中的輸入/輸出映射的數量來決定資料集T的充足度，而在一些其他實施例中，除了輸入/輸出映射的數量之外或不使用輸入/輸出映射的數量，依據一或更多個其他標準(例如，資料實例的多樣性的測量、精度等)來決定來決定資料集T的充足度。

在方塊1007處，處理邏輯提供資料集T(例如，提供至伺服器機器780)，以訓練、驗證、及/或測試機器學習模型790。在一些實施例中，資料集T係為訓練集，並提供至伺服器機器780的訓練引擎782，以用於執行訓練。在一些實施例中，資料集T係為驗證集，並提供至伺服器機器780的驗證引擎784，以用於執行驗證。在一些實施例中，資料集T係為測試集，並提供至伺服器機器780的測試引擎786，以用於執行測試。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(例如，與資料輸入810相關聯的數值)輸入至神經網路，並將輸入/輸出映射的輸出值(例如，與目標輸出820相關聯的數值)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，並針對資料集T中的其他輸入/輸出映射重複該處理。在方塊1007之後，機器學習模型(例如，機器學習模型790)可以是使用伺服器機器780的訓練引擎782進行訓練、使用伺服器機器780的驗證引擎784進行驗證、或使用伺服器機器780的測試引擎786進行測試中之至少一者。預測部件714(預測伺服器712)實施經訓練的機器學習模型，以產生用於執行與製造裝備724相關聯的校正動作的預測資料768。

第10B圖係為用於決定誤差值以執行校正動作的方法1000B。

在方法1000B的方塊1010處，處理邏輯將機器人定位至相對於固定位置的姿勢。在一些實施例中，藉由隔離機器人的一或更多個部分的移動(例如，僅移動腕部構件處的關節等)，處理邏輯將機器人定位至不同姿勢。

在一些實施例中，回應於接收裝載埠的選擇的使用者輸入，處理邏輯造成機器人延伸進入基板載體(例如，FOUP、自動教示封閉系統)，處理邏輯造成機器人掃描基板載體上的銷，以及處理邏輯造成測試取得及測試放置操作來驗證正確教示的站點(例如，姿勢、位置)。

在一些實施例中，回應於接收SSP的選擇的使用者輸入，處理邏輯造成機器人延伸進入SSP，處理邏輯造成機器人掃描SSP中的銷(例如，永久銷)，以及處理邏 輯造成測試取得及測試放置操作來驗證正確教示的站點(例如，姿勢、位置)。

在一些實施例中，回應於接收裝載閘的選擇的使用者輸入，處理邏輯造成機器人延伸至裝載閘本體前方的位置，處理邏輯造成機器人掃描裝載閘本體上的一或更多個永久偏移銷，以及處理邏輯造成測試取得及測試放置操作來驗證正確教示的站點(例如，姿勢、位置)。

在一些實施例中，處理邏輯造成機器人掃描銷的圓柱形部分。在一些實施例中，處理邏輯決定四個位置，包括：1)從銷外側至銷的第一外周邊緣上；以及2)從銷上至銷的第二外周邊緣外側；3)從銷外側至銷的第二外周邊緣上；及4)從銷上至銷的第一外周邊緣外側。

在一些實施例中，處理邏輯造成機器人從不同角度掃描銷的底座。在一些實施例中，為了提供校準，銷的至少一部分具有環繞中心銷(例如，銷的圓柱形部分)的偏斜或不對稱的形狀(例如，梯形)。將銷的第一部分(例如，銷的圓柱形部分)的對稱性與銷的第二部分(例如，銷的梯形部分)的非對稱性進行比較，以用於校準。機械臂沿著z方向執行移動(例如，向上或向下移動)，以掃描銷的第一部分(例如，圓柱形)與第二部分(例如，梯形)，以用於比較。機械臂環繞單一關節執行旋轉移動，以從第一角度及第二角度測量第二部分(例如，梯形)，以用於比較。執行移動的機器臂允許比較相同近似區域的關節角度，而不需要讓機器人完全改變關節姿勢來掃描另一物 體。在一些實施例中，為了角度偵測，使用一組偏移特徵(例如，梯形部分的側邊或邊緣)，該組偏移特徵由於掃描的角度而增加或減少間隔。

在一些實施例中，處理邏輯造成機器人掃描附接至校準基板的銷，將校準基板運輸至第二位置，以及再次掃描附接至校準基板的銷。

在一些實施例中，處理邏輯造成機器人將校準晶圓(例如，具有切口及銷)放置在對準器裝置或LCF裝置上。處理邏輯造成對準器裝置或LCF裝置使用切口來對準校準晶圓，然後處理邏輯造成機器人從一或更多個姿勢來掃描校準晶圓的銷。

在方塊1012處，處理邏輯產生用於識別相對於具有各種姿勢的機器人的固定位置的感測器資料。在一些實施例中，感測器資料包括座標資料點。在一些實施例中，處理邏輯藉由移除離群值、擬合座標資料點、針對座標資料點執行迴歸、及/或類似者中之一或更多者來處理座標資料點。

在一些實施例中，感測器資料包括圖像。在一些實施例中，處理邏輯藉由識別圖像中的邊緣、清除圖像中的雜訊、識別圖像中的一或更多個物體、透過一或更多個濾波器運行圖像、收斂圖像中的物體的隱含位置及實際位置、及/或類似者中之一或更多者來處理圖像。

在方塊1014處，處理邏輯係依據感測器資料來決定與基板處理系統的部件對應的誤差值。

在一些實施例中，決定表示基板處理系統的一或更多個部件的一或更多個等式。在一些實例中，等式表示機器人的鏈接的每一鏈接長度以及機器人的關節的每一關節誤差。將感測器資料輸入等式，以決定誤差值。

在一些實施例中，第10B圖的方塊1014包括方法1000C的方塊1020-1024中之一或更多者，以及將感測器資料輸入至經訓練的機器學習模型，以決定誤差值。

在一些實施例中，誤差值包括相對於機器人的葉片的晶圓中心的纖維束偏移、機器人的每個關節的馬達或齒輪傳動誤差、機器人的橢圓關節誤差、機器人的鏈接歸零偏移、部件(例如，機器人的關節、對準器裝置、LCF裝置)的所引導的角度與實際角度之間的差異、部件(例如，機器人的鏈接等)的長度與實際長度之間的差異、及/或類似者中之一或更多者。

在方塊1016處，處理邏輯係依據誤差值來造成與部件相關聯的校正動作的執行。在一些實施例中，校正動作的執行包括下列一或更多者：依據誤差值來造成部件(例如，機器人、對準器裝置、LCF裝置)的移動；向使用者提供警示；中斷生產裝備的功能；更新製造參數；計劃製造裝備的部件的替換；替換一或更多個部件來減少能量消耗；造成預防性維護；造成部件的修改(例如，擰緊安裝螺釘、替換黏結等)；或類似者。

在一些實施例中，校正動作的執行包括依據誤差值來執行自動教示操作。教示係指稱向機械臂教示處理系 統(例如，基板載體、裝載閘、對準器裝置、LCF裝置等)的位置(例如，參考點)。在一些實例中，參考點係為封閉系統的中心。

在一些實施例中，校正動作的執行包括依據誤差值來執行校準操作。校準係指稱決定處理系統的部件的移動中的誤差(例如，關節運動學誤差、關節滯後、及關節背隙)(例如，機器人的誤差)，以及調整部件的設定，以補償所決定的誤差。

在一些實施例中，機器人使用校準基板來執行校準操作。校準基板係設置於處理系統中(例如，基板載體的內部空間中的支撐結構上)。校準基板係為基本上水平，並且包括固定至校準基板的上表面的校準銷。機械臂掃描校準銷以決定校準基板的第一位置(例如，校準銷)，將校準基板從支撐結構上移除(例如，從基板載體移除校準基板)，將校準基板引導放置在支撐結構上的第一位置處，掃描校準銷以決定校準基板的第二位置，以及依據第一位置與第二位置之間的差異來決定誤差值(例如，機器臂誤差)。

在一些實施例中，機器人使用校準晶圓來執行校準操作。校準晶圓係為基本上水平，並包括切口(例如，在校準晶圓的側壁上)，以及包括固定至校準晶圓的上表面的銷。機器人掃描對準器裝置以決定對準器裝置的位置(例如，XY位置)，以及將校準晶圓放置在對準器裝置上。對準器裝置旋轉校準晶圓，以觸發機器人上的映射纖維來 決定第一位置。然後，機器人旋轉(例如，經由關節角度(例如，腕部關節角度))以觸發機器人上的映射纖維來決定第二位置。比較第一位置與第二位置來決定對準器裝置及/或機器人的誤差值(例如，偏轉誤差值)。

在一些實施例中，執行校正動作包括依據誤差值來執行診斷操作。在一些實施例中，診斷操作包括決定部件是否故障。在一些實施例中，處理邏輯決定誤差值隨著時間的變化，以決定漂移、一或更多個部件的老化、變鬆的帶子、無法進行潤滑或磨損的滑輪、磨損的軸承、是否進行部件的替換、是否進行部件的維護、是否進一步研究部件、及/或類似者的診斷。

在一些實施例中，重複方法1000B，以決定針對處理系統的不同部件的誤差值與校正動作(例如，藉由隔離部件(例如，關節)來決定誤差值與校正動作)。在一些實施例中，回應於在方法1000B的一個迭代之後執行校正動作，執行方法1000B的第二迭代(例如，使用機器人的相同或不同姿勢)，以決定是否需要進一步的校正動作。

第10C圖係為用於使用經訓練的機器學習模型來決定誤差值以執行校正動作的方法1000C。

在方塊1020處，處理邏輯將感測器資料作為輸入提供至經訓練的機器學習模型。在一些實施例中，從與處理系統的部件(例如，機器人、對準器裝置、LCF裝置等)相關聯的感測器接收感測器資料。在一些實施例中，藉由 第10D圖的方塊1040-1042的一或更多個操作來訓練經訓練的機器學習模型。

在方塊1022處，處理邏輯從經訓練的機器學習模型取得用於指示預測資料的輸出。預測資料指示下列一或更多者：製造裝備的部件的移動中的預測異常；製造裝備的部件中的預測異常；預測部件破損；或類似者。預測資料指示造成製造裝備的異常的變化(例如，來自用於產品與產品間的均勻性的腔室匹配)。舉例而言，製造裝備的異常特性(例如，所引導的移動與實際移動之間的差異)係指示需要執行校正動作。

在方塊1024處，處理邏輯係依據預測資料來決定誤差值。在一些實施例中，誤差值包括用於處理系統的部件的移動中的偏移。

在一些實施例中，依據誤差值而執行的預測資料及/或校正動作係指示造成異常的組合(例如，部件的組合、製造參數的組合)(例如，組合中的單獨一個項目本身不會造成異常)。

在一些實施例中，接收與當前感測器資料對應的當前誤差值。依據當前感測器資料與當前誤差值，針對經訓練的機器學習模型進行重新訓練(或訓練新模型)。

第10D圖係為用於訓練機器學習模型(例如，第7圖的模型790B)以決定誤差值(例如，第7圖的誤差值760)來執行校正動作的方法1000D。

參照第10D圖，在方塊1040處，處理邏輯接收與製造裝備的部件的移動相關聯的歷史感測器資料與歷史誤差值。在一些實施例中，歷史軌跡資料包括相對於一或更多個固定位置的與部件相關聯的座標資料點及/或圖像。在一些實施例中，歷史誤差值包括所使用的偏移，而使得所引導的移動等於部件的實際移動。

在方塊1042處，處理邏輯利用包括歷史感測器資料的資料輸入與包括歷史誤差值的目標輸出來訓練機器學習模型，以產生經訓練的機器學習模型。經訓練的機器學習模型能夠產生用於指示預測資料來執行校正動作的輸出(例如，參見第10C圖的方塊1022-1024)。在一些實施例中，針對不具有誤差值的部件(例如，經校準的部件)及/或具有誤差值的部件(例如，未經校準的部件)，使用一組歷史感測器資料來訓練機器學習模型。

第11圖係為圖示根據某些實施例的電腦系統1100的方塊圖。在一些實施例中，電腦系統1100係為第1圖的控制器120、第2A圖至第2B圖的控制器228、第7圖的預測伺服器712、第7圖的客戶端裝置720、及/或類似者中之一或更多者。在一些實施例中，電腦系統1100包括相對於第11圖描述的部件及/或功能中之一或更多者。

在一些實施例中，電腦系統1100係連接(例如，經由網路(例如，區域網路(LAN)、內部網路、外部網路、或網際網路))至其他電腦系統。電腦系統1100在客戶端伺服器環境中的伺服器或客戶端電腦的功能中操作，或者作為同級間或分佈式網路環境中的同級點電腦操作。電腦系統1100係藉由個人電腦（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裝置採取的動作的一組指令（依序或其他）的任何裝置來提供。此外，術語「電腦」應包括單獨或共同執行一組（或多組）指令的電腦的任何集合，該組（或多組）指令係用於執行本文所述的方法中之任一或更多者。

在進一步態樣中，電腦系統1100包括經由匯流排1108彼此通訊的處理裝置1102、揮發性記憶體1104（例如，隨機存取記憶體（RAM））、非揮發性記憶體1106（例如，唯讀記憶體（ROM）或電子可抹除可程式化ROM（EEPROM））、及資料儲存裝置1116。

處理裝置1102係藉由一或更多個處理器（例如，通用處理器（例如，複雜指令集計算（CISC）微處理器、簡化指令集計算（RISC）微處理器、超長指令字元（VLIW）微處理器、實現其他類型的指令集的微處理器、或實現指令集的類型的組合的微處理器）或專用處理器（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）、或網路處理器）來提供。

電腦系統1100進一步包括網路介面裝置1122（例如，耦接至網路1174）。電腦系統1100亦包括視訊顯示單元1110（例如，LCD）、文字數字輸入裝置1112（例如，鍵盤）、游標控制裝置1114（例如，滑鼠）、及訊號產生裝置1120。

在一些實施方案中，資料儲存裝置1116包括其上儲存用於編碼本文所述的方法或功能中之任一或更多者的指令1126的非暫態電腦可讀取儲存媒體1124，指令1126包括用於編碼第7圖的部件（例如，校正動作部件722、預測部件714等）以及用於實現本文所述的方法的指令。

在電腦系統1100執行指令1126期間，指令1126亦完全或部分駐留於揮發性記憶體1104內及/或處理裝置1102內，因此，揮發性記憶體1104與處理裝置1102亦構成機器可讀取儲存媒體。

儘管在說明性實例中將電腦可讀取儲存媒體1124展示成單一媒體，但是術語「電腦可讀取儲存媒體」應包括用於儲存一或更多組可執行指令的單一媒體或多個媒體（例如，集中式或分佈式資料庫，及/或相關聯的快取及伺服器）。術語「電腦可讀取儲存媒體」亦應包括能夠儲存或編碼一組指令來藉由電腦執行而造成電腦執行本文所述的方法中之任一或更多者的有形媒體。術語「電腦可讀取儲存媒體」應包括但不限於固態記憶體、光學媒體、磁媒體。

在一些實施例中，本文所述的方法、部件、及特徵係藉由分離的硬體部件來實現，或者整合在其他硬體部件（例如，ASIC、FPGA、DSP、或類似裝置）的功能中。此外，方法、部件、及特徵係藉由硬體裝置內的韌體模組或功能電路來實現。此外，方法、部件、及特徵係利用硬體裝置與電腦程式部件的任意組合或者利用電腦程式來實現。

除非另外特別說明，否則例如「定位」、「產生」、「決定」、「造成」、「應用」、「丟棄」、「提供」、「取得」、「接收」、「訓練」、或類似者係指稱藉由電腦系統所執行或實施的動作及處理，該等動作及處理將表示為電腦系統暫存器及記憶體中的實體（電子）量值的資料運用及轉換成類似表示為電腦系統暫存器及記憶體或其他此類資訊儲存、傳輸、或顯示裝置中的實體量值的其他資料。此外，本文所使用的術語「第一」、「第二」、「第三」、「第四」等係意指作為用於區分不同元件且並不具有根據其數字標號的序列數字的標籤。

本文所描述的實例亦關於用於執行本文所描述的方法的設備。在一些實施例中，此設備係專門建構成用於執行本文所述的方法，或者包括藉由儲存在電腦系統中的電腦程式來選擇性程式化的通用電腦系統。這樣的電腦程式係儲存在電腦可讀取的有形儲存媒體中。

本文所描述的方法及說明性實例並未固有地與任何特定電腦或其他設備有關。根據本文所描述的教示來使用各種通用系統，或證明便於建構更專用的設備來執行本文所描述的方法及/或其單獨功能、例式、子例式、或操作中之每一者。在上面的描述中闡述各種這些系統的結構的實例。

以上描述意欲為說明性而非限制性。儘管已經參照特定的說明性實例及實施方案來描述本揭示，但是將理解，本揭示並不限於所描述的實例及實施方案。本揭示的範圍應參照專利申請範圍以及專利申請範圍所賦予的等效物的全部範圍來決定。

應理解，本揭示易於廣泛使用及應用。在不悖離本揭示的實質或範圍的情況下，可以根據本揭示及先前描述而理解或合理提出本揭示的許多實施例及改編以及除了本文所述的許多實施例及改編之外的許多變型、修改、及等效佈置。因此，儘管本文已經利用具體實施例來詳細描述本揭示，但是應理解，此揭示僅為說明性，並呈現本揭示的實例，以及僅為提供完整及可實現的揭示之目的而做出。本揭示並非意欲受限於所揭示的特定設備、組件、系統、及/或方法，相反地，意欲涵蓋落入專利申請範圍內的所有修改、等效、及替代。

100:處理系統 101:主框架殼體 102:轉移腔室 104:處理腔室 105:基板 106:機器人 107:狹縫閥組件 108:端效器 109:裝載閘腔室 110:電子前端模組（EFEM） 111:介面腔室 112:裝載埠 114:基板載體 118:機器人 119A:裝載閘 119B:裝載閘 210:機器人 220:底座 222:上臂 224:第一旋轉軸線 226:馬達殼體 228:控制器 230:前臂 232:第二旋轉軸線 236:腕部構件 238:第三旋轉軸線 240:第一關節 242:第二關節 244:第三關節 310:機器人 350:光束感測器 352:光源 354:光接收器 356A:光發射纖維 356B:光接收纖維 358A:第一端 358B:第二端 360:間隙 362A:第一光路徑開口 362B:第二光路徑開口 364:光傳輸路徑 366:光發射/接收模組 370:機器人腕部中心 372:實際晶圓中心 374:特性誤差 376:90度角 380:對準器裝置 384:校準晶圓 386:偏移銷 388:XY中心 468:銷 470:中心 574:偏轉方向 700:系統 710:預測系統 712:預測伺服器 714:預測部件 720:客戶端裝置 722:校正動作部件 724:製造裝備 726:感測器 728:計量裝備 730:網路 740:資料儲存 742:感測器資料 744:歷史感測器資料 752:當前感測器資料 760:誤差值 762:歷史誤差值 764:當前誤差值 768:預測資料 770:伺服器機器 772:資料集產生器 780:伺服器機器 782:訓練引擎 784:驗證引擎 785:選擇引擎 786:測試引擎 790:機器學習模型 800:系統 810:資料輸入 820:目標輸出 844:歷史感測器資料 862:歷史誤差值 872:資料集產生器 900:系統 902:訓練集 904:驗證集 906:測試集 908:模型 910:方塊 912:方塊 914:方塊 916:方塊 918:方塊 920:方塊 944:歷史感測器資料 952:當前感測器資料 962:歷史誤差值 964:當前誤差值 968:預測資料 1000A:方法 1000B:方法 1000C:方法 1000D:方法 1001:方塊 1002:方塊 1003:方塊 1004:方塊 1005:方塊 1006:方塊 1007:方塊 1010:方塊 1012:方塊 1014:方塊 1016:方塊 1020:方塊 1022:方塊 1024:方塊 1040:方塊 1042:方塊 1100:電腦系統 1102:處理裝置 1104:揮發性記憶體 1106:非揮發性記憶體 1108:匯流排 1110:視訊顯示單元 1112:文字數字輸入裝置 1114:游標控制裝置 1116:資料儲存裝置 1120:訊號產生裝置 1122:網路介面裝置 1124:非暫態電腦可讀取儲存媒體 1126:指令 1174:網路

下面描述的圖式僅用於說明之目的，並不一定按比例繪製。圖式並不意欲以任何方式限制本揭示之範圍。儘可能地，在所有圖式中將使用相同或相似的元件符號以指稱相同或相似部件。

第1圖圖示根據某些實施例的基板處理系統的示意性頂視圖。

第2A圖圖示根據某些實施例的機器人的平面頂視圖。

第2B圖圖示根據某些實施例的機器人的橫截面側視圖。

第3A圖至第3C圖圖示根據某些實施例的具有光束感測器的機器人的單一端效器的頂視圖。

第4圖圖示根據某些實施例的偵測銷的位置的端效器的平面頂視圖。

第5圖圖示根據某些實施例的具有在幾個位置中偵測銷的光束感測器的端效器的頂視圖。

第6圖圖示根據某些實施例的機器人測量固定位置的座標資料點的圖。

第7圖係為圖示根據某些實施例的示例性系統架構的方塊圖。

第8圖係為根據某些實施例的用於針對機器學習模型建立資料集的示例性資料集產生器。

第9圖係為圖示根據某些實施例的決定預測資料的方塊圖。

第10A圖至第10D圖係為根據某些實施例的與決定誤差值來造成校正動作相關聯的方法的流程圖。

第11圖係為圖示根據某些實施例的電腦系統的方塊圖。

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

1000B:方法

1010:方塊

1012:方塊

1014:方塊

1016:方塊

Claims (20)

1. 一種用於改善的機器人的關節座標教示精度的方法，該方法包含以下步驟：在一基板處理系統中相對於該基板處理系統中的一固定位置定位具有複數個姿勢的一機器人；產生用於識別相對於具有該等複數個姿勢的該機器人的該固定位置的感測器資料；依據該感測器資料，決定對應於該基板處理系統的一或更多個部件的複數個誤差值；以及依據該等複數個誤差值，造成與該基板處理系統的該一或更多個部件相關聯的一或更多個校正動作的執行。
2. 如請求項1所述的方法，其中該感測器資料包含複數個座標資料點，且其中該方法進一步包含以下步驟：將一線性擬合應用至該等複數個座標資料點；決定該線性擬合的均值、模數、或標準差中之至少一者；依據該線性擬合的該均值、該模數、或該標準差中之至少一者，丟棄離群座標資料點；以及決定沒有經丟棄的該等離群座標資料點的該等座標資料點的一第二均值，其中該等複數個誤差值包含該第二均值。
3. 如請求項1所述的方法，其中該感測器資料包含複數個座標資料點，且其中產生該等複數個座標資 料點之步驟包含以下步驟：使用延伸於耦接至該機器人的一端效器的二個點之間的一光路而藉由利用該光路來偵測該固定位置的一外周邊緣上的一點來識別該固定位置。
4. 如請求項1所述的方法，其中該固定位置係為下列一或更多者：設置於一基板封閉系統中；設置於一校準晶圓上；設置於一對準裝置上；設置於一位置中心查找(LCF)裝置上；一銷的一圓柱部分；或者該銷的一梯形底座。
5. 如請求項1所述的方法，其中該感測器資料包含下列一或更多者：使用具有該等複數個姿勢的該機器人而相對於該固定位置捕捉的複數個圖像；使用具有該等複數個姿勢的該機器人來識別該固定位置的第一複數個座標資料點；使用設置於該基板處理系統的一轉移腔室中的一對準器裝置來識別該固定位置的第二複數個座標資料點；或者使用設置於該基板處理系統的一工廠介面中的一位置中心(LCF)裝置來識別該固定位置的第三複數個座標資料點。
6. 如請求項1所述的方法，其中該一或更多個部件包含下列一或更多者：該機器人的一上臂；該機器人的一前臂；該機器人的一腕部構件，其中一端效器係耦接至該腕部構件；設置於該基板處理系統的一轉移腔室的一對準器裝置；或者設置於該基板處理系統的一工廠介面中的一位置中心查找(LCF)裝置。
7. 如請求項1所述的方法，其中該等複數個誤差值包含下列一或更多者：相對於該機器人的一葉片的一晶圓中心的一纖維束偏移；該機器人的每個關節的馬達或齒輪傳動誤差；該機器人的橢圓關節誤差；或者該機器人的鏈接歸零偏移。
8. 如請求項1所述的方法，其中該一或更多個校正動作的該執行包含下列一或更多者：執行一自動教示操作；執行該一或更多個部件的校準；或者執行該一或更多個部件的診斷。
9. 如請求項1所述的方法，其中決定該等複數個誤差值之步驟包含以下步驟： 提供該感測器資料來作為一經訓練的機器學習模型的輸入；從該經訓練的機器學習模型中取得用於指示預測資料的一或更多個輸出；以及依據該預測資料來決定該等複數個誤差值。
10. 如請求項9所述的方法，進一步包含以下步驟：接收歷史感測器資料以及複數個歷史誤差值；以及利用包含該歷史感測器資料的資料輸入與包括該等複數個歷史誤差值的目標輸出來訓練一機器學習模型，以產生該經訓練的機器學習模型。
11. 如請求項10所述的方法，其中該等複數個歷史誤差值係基於下列一或更多者：該歷史感測器資料的至少一部分的中心值；該歷史感測器資料的至少一部分的標準差的收斂；來自該基板處理系統的一位置中心查找(LCF)裝置的LCF感測器資料；來自該基板處理系統的一對準器裝置的對準器感測器資料；或者來自一或更多個第三方感測器的第三方感測器資料。
12. 一種用於儲存指令的非暫態機器可讀取儲存媒體，當執行該等指令時造成一處理裝置執行操作，該等操作包含以下步驟：在一基板處理系統中相對於該基板處理系統中的一固 定位置定位具有複數個姿勢的一機器人；產生用於識別相對於具有該等複數個姿勢的該機器人的該固定位置的感測器資料；依據該感測器資料，決定對應於該基板處理系統的一或更多個部件的複數個誤差值；以及依據該等複數個誤差值，造成與該基板處理系統的該一或更多個部件相關聯的一或更多個校正動作的執行。
13. 如請求項12所述的非暫態機器可讀取儲存媒體，其中該一或更多個部件包含下列一或更多者：該機器人的一上臂；該機器人的一前臂；該機器人的一腕部構件，其中一端效器係耦接至該腕部構件；設置於該基板處理系統的一轉移腔室的一對準器裝置；或者位於該基板處理系統的一工廠介面中的一位置中心查找(LCF)裝置。
14. 如請求項12所述的非暫態機器可讀取儲存媒體，其中該等複數個誤差值包含下列一或更多者：相對於該機器人的一葉片的一晶圓中心的一纖維束偏移；該機器人的每個關節的馬達或齒輪傳動誤差；該機器人的橢圓關節誤差；或者該機器人的鏈接歸零偏移。
15. 如請求項12所述的非暫態機器可讀取儲存媒體，其中決定該等複數個誤差值之步驟包含以下步驟：提供該感測器資料來作為一經訓練的機器學習模型的輸入；從該經訓練的機器學習模型中取得用於指示預測資料的一或更多個輸出；以及依據該預測資料來決定該等複數個誤差值。
16. 如請求項15所述的非暫態機器可讀取儲存媒體，進一步包含以下步驟：接收歷史感測器資料以及複數個歷史誤差值；以及利用包含該歷史感測器資料的資料輸入與包括該等複數個歷史誤差值的目標輸出來訓練一機器學習模型，以產生該經訓練的機器學習模型。
17. 一種用於改善的機器人的關節座標教示精度的系統，該系統包含：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：在一基板處理系統中相對於該基板處理系統中的一固定位置定位具有複數個姿勢的一機器人；產生用於識別相對於具有該等複數個姿勢的該機器人的該固定位置的感測器資料；依據該感測器資料，決定對應於該基板處理系統的 一或更多個部件的複數個誤差值；以及依據該等複數個誤差值，造成與該基板處理系統的該一或更多個部件相關聯的一或更多個校正動作的執行。
18. 如請求項17所述的系統，其中該感測器資料包含複數個座標資料點，且其中該處理裝置進一步進行以下步驟：將一線性擬合應用至該等複數個座標資料點；決定該線性擬合的均值、模數、或標準差中之至少一者；依據該線性擬合的該均值、該模數、或該標準差中之至少一者，丟棄離群座標資料點；以及決定沒有經丟棄的該等離群座標資料點的該等座標資料點的一第二均值，其中該等複數個誤差值包含該第二均值。
19. 如請求項17所述的系統，其中為了決定該等複數個誤差值，該處理裝置進行以下步驟：提供該感測器資料來作為一經訓練的機器學習模型的輸入；從該經訓練的機器學習模型中取得用於指示預測資料的一或更多個輸出；以及依據該預測資料來決定該等複數個誤差值。
20. 如請求項19所述的系統，其中該處理裝置進一步進行以下步驟： 接收歷史感測器資料以及複數個歷史誤差值；以及利用包含該歷史感測器資料的資料輸入與包括該等複數個歷史誤差值的目標輸出來訓練一機器學習模型，以產生該經訓練的機器學習模型。

Images