TWI788650B - 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質 - Google Patents
用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質 Download PDFInfo
- Publication number
- TWI788650B TWI788650B TW109110944A TW109110944A TWI788650B TW I788650 B TWI788650 B TW I788650B TW 109110944 A TW109110944 A TW 109110944A TW 109110944 A TW109110944 A TW 109110944A TW I788650 B TWI788650 B TW I788650B
- Authority
- TW
- Taiwan
- Prior art keywords
- load
- scheduling
- objective function
- current
- schedule
- Prior art date
Links
- 238000012545 processing Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 70
- 239000004065 semiconductor Substances 0.000 title claims abstract description 21
- 238000003860 storage Methods 0.000 title claims description 11
- 230000006870 function Effects 0.000 claims abstract description 115
- 230000008569 process Effects 0.000 claims description 41
- 238000005457 optimization Methods 0.000 claims description 22
- 238000013136 deep learning model Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 60
- 235000012431 wafers Nutrition 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000003754 machining Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013499 data model Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000000231 atomic layer deposition Methods 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000004070 electrodeposition Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005240 physical vapour deposition Methods 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000011194 food seasoning agent Nutrition 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000001451 molecular beam epitaxy Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5083—Techniques for rebalancing the load in a distributed system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67155—Apparatus for manufacturing or treating in a plurality of work-stations
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32301—Simulate production, process stages, determine optimum scheduling rules
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32333—Use of genetic algorithm
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34379—Job management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/40—Minimising material used in manufacturing processes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Game Theory and Decision Science (AREA)
Abstract
一種半導體加工調度方法包括:創建負載調度資料模式,所述負載調度資料模式包括將被分派到多個工作站的產品批次的設施資料;使用負載平衡模型並基於負載調度資料模式生成負載調度簡檔,其中負載平衡模型包括一或多個目標函數,並在目標函數中存在至少一個權重因數;基於負載調度簡檔生成當前負載調度;使用當前負載調度將產品批次分派到多個工作站以完成產品批次的加工;獲取產品批次所完成加工的當前關鍵性能指標KPI集合;以及基於使用大數據架構的當前KPI,自動調整負載平衡模型目標函數的權重因數,以生成下一加工週期的下一負載調度。
Description
本發明涉及半導體製造領域,更具體地,涉及半導體加工調度方法和半導體加工調度系統。
隨著半導體製程技術的發展,半導體加工製程的複雜性不斷增加。積體電路(IC)晶片的現狀通常需要經由不同和相同類型的加工機器在單個半導體晶圓上執行數百甚至數千個加工步驟。為了從企業內的生產線提供產品批次的加工以滿足承諾的調度表,各批次必須被調度為迅速地分派到每個工具或每段製造設備。此外,為了避免長時間的等待或排隊時間以及有的製造設備段處於“饑餓”或沒有佇列,調度必須考慮要立即處理的產品數量以及當前製造設備段之後的製造設備段的容量、能力和目前的佇列長度。
因此,調度問題,即產品批次應該如何被釋放到加工過程中並且在製造設備段之間被分派用於處理,是製造商面臨的主要製造控制問題之一。
當前的調度優化通常使用一些演算法,將自動生成的調度計畫表和
基於製造人員的經驗對調度表進行的手動調整相結合,將批次分配給各種機器。因此,這樣的調度優化的處理通常是手動執行的,這是冗長和耗時間的,並且效果通常是不理想的。
所公開的方法和系統旨在解決上述一個或多個問題以及其它問題。
本發明內容的一個方面包括一種半導體加工調度方法。該方法包括:創建負載調度資料模式,該負載調度資料模式包括將被分派到多個工作站的產品批次的設施資料;以及使用負載平衡模型並且基於負載調度資料模式來生成負載調度簡檔。負載平衡模型包括一個或多個目標函數,並且在目標函數中至少有一個權重因數。該方法還包括基於負載調度簡檔生成當前負載調度;使用當前負載調度將產品批次分派到多個工作站,以完成產品批次的加工;獲取產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於使用大數據架構的當前KPI,自動地調整負載平衡模型的目標函數的權重因數,以生成用於下一製造週期的下一負載調度。
本發明內容的另一方面包括半導體加工調度系統。所述系統包括多個工作站;伺服器;以及由伺服器控制的分派器,其將待加工的產品批次分派到多個工作站。所述伺服器被配置為執行:創建負載調度資料模式,負載調度資料模式包括產品批次的設施資料;使用負載平衡模型並且基於負載調度資料模式來生成負載調度簡檔,其中,負載平衡模型包括一個或多個目標函數,並且在目標函數中存在至少一個權重因數;基於負載調度簡檔生成當前負載調度;控制分派器以使用當前負載調度將產品批次分派到多個工作站,以完成產品批次的加工;獲取產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於使用大數據架構的當前KPI,自動地調整負載平衡模型的目標函數的權
重因數,以生成用於下一製造週期的下一負載調度。
本發明內容的另一方面包括非暫時性電腦可讀儲存介質。所述非暫時性電腦可讀儲存介質包含電腦可執行指令,用於當由一個或多個處理器執行時,執行半導體加工調度方法。該方法包括創建負載調度資料模式,該負載調度資料模式包括將被分派到多個工作站的產品批次的設施資料;以及使用負載平衡模型並且基於負載調度資料模式來生成負載調度簡檔。負載平衡模型包括一個或多個目標函數,並且在目標函數中至少有一個權重因數。該方法還包括基於負載調度簡檔生成當前負載調度;使用當前負載調度將產品批次分派到多個工作站,以完成產品批次的加工;獲取產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於使用大數據架構的當前KPI,自動地調整負載平衡模型的目標函數的權重因數,以生成用於下一製造週期的下一負載調度。
根據本發明內容的描述、請求項和附圖,本領域技術人員可以理解本發明內容的其它方面。
100:半導體製造系統
112:分派系統
110-1:工作站
110-2:工作站
110-3:工作站
110-J:工作站
114:傳送匯流排
116:資料庫
118:晶圓
120:調度伺服器
130:大數據計算平臺
200:計算系統
202:處理器
204:儲存介質
206:監視器
208:通信模組
210:資料庫
212:週邊設備
300:負載調度系統
302:設施資料
304:資料生成模組
306:調度模組
308:批次排序模組
310:負載調度
312:資料倉庫
314:分派模組
318:權重因數檔生成模組
400:負載調度過程
600:深度學習模型
602:輸入
604:輸入層
606:中間層
608:中間層/隱藏層
610:輸出層
612:輸出
S402:創建負載調度資料模式
S404:基於輸入資料表和負載平衡模型來生成負載調度簡檔
S406:基於負載調度簡檔生成負載調度
S408:基於負載調度將產品批次分派到多個工作站,並且開始加工生產
S410:使用大數據架構為下一個加工週期自動地優化負載平衡模型
S412:調整後的負載平衡模型用於生成改進的負載調度,並且下一個加工週期可以基於改進的負載調度開始
S414:重複上述優化週期,直到加工週期的生產KPI滿足預設標準
S502:獲取用於優化負載平衡模型的各種資料
S504:計算所獲取的用於優化的資料中的負載調度的分數
S506:優化負載平衡模型
圖1示出了與本發明的公開的實施例一致的示例性半導體加工系統;圖2示出了與所公開的實施例一致的示例性計算系統;圖3示出了與所公開的實施例一致的示例性負載調度系統的功能/結構框圖;圖4示出了與所公開的實施例一致的示例性負載調度過程;圖5示出了與所公開的實施例一致的基於大數據來調整負載平衡模型的權重因數的示例性優化過程;以及圖6示出了與所公開的實施例一致的示例性機器學習演算法。
下面參照附圖描述本發明的實施例中的技術方案。在可能的情況下,在整個附圖中將使用相同的元件符號來表示相同或相似的部分。顯然,所描述的實施例僅僅是本發明的一些實施例,而不是全部實施例。各種描述的實施例的特徵可以被組合、交換、添加或移除。本領域中具有通常知識者所能輕易完成而獲得的其它實施例將落入本發明內容的保護範圍內。
圖1示出了與本發明的公開的實施例一致的示例性半導體加工系統100;如圖1中所示,半導體製造系統100可以包括分派系統112、多個工作站110-1、工作站110-2、...工作站110-J、傳送匯流排114、資料庫116、調度伺服器120和大數據計算平臺130,其中J是表示工作站總數的自然數。可以省略某些元件,並且可以添加其它元件。
分派系統112可以包括任何適當的半導體晶圓分派系統,其將原始或處理過的晶圓118(例如晶圓、晶圓批次或產品批次)分派到製造設備段(例如工作站)。在一個實施例中,分派系統112可以是批次分派器。在另一個實施例中,分派系統112可以在控制分派機制的計算系統上實現。
多個工作站110-1、工作站110-2、...工作站110-J可以代表總共數量J個製造設備段,並且每個設備可以具有一個或多個製造階段。每個製造設備或工作站及/或製造階段可以在產品中的晶圓加工中執行一種或多種製程。一個或多個工作站可以被視為用於特定積體電路(IC)加工的生產線,包括前端工序(FEOL)處理及/或後端工序(BEOL)處理。
工作站110-1、工作站110-2、...工作站110-J可以包括任何合適的製造設備,具有相同類型或不同類型。例如,工作站可以包括沉積設備,例如物理氣相沉積(PVD)工作站、化學氣相沉積(CVD)工作站、電化學沉積(ECD)工作站、分子束磊晶(MBE)工作站和原子層沉積(ALD)工作站。工作站還
可以包括濕式蝕刻製程工作站或乾式蝕刻製程工作站及/或化學機械研磨(CMP)工作站。工作站還可以包括光學微影或紫外光(UV)微影工作站。此外,工作站可以包括摻雜工作站及/或退火工作站。其它類型的加工設備也可以被包括。
傳送匯流排114可以用於在多個工作站、多個製造階段及/或不同生產線之間傳送產品批次。特定產品批次的加工或製造處理可以從分派系統112開始,並且遵循相應的調度,以通過工作站或製造階段來生產部分產品或完整的產品(例如,加工的晶圓)。每個工作站可以收集和報告產品批次的進度狀態或在製品(WIP)狀態,描述產品批次通過工作站的進展。產品批次通過所有工作站後,還可以獲得並且報告加工資料,如品質和性能資料。
此外,這些工作站的負載及/或工作站的階段可能需要被最大化或最優地調度。也就是說,工作站及/或工作站的階段可以使用為優化加工過程而生成的負載調度來進行調度。調度方案可以考慮用於調度加工製程的各種目標,包括負載平衡方案。在狹義上,負載平衡方案可以表示有效地利用工作站及/或工作站的階段,即,平衡工作站的負載。然而,從廣義上講,負載平衡方案也可以表示針對平衡工作站調度的其它目標。因此,在某些實施例中,術語“調度”可以與術語“負載平衡”互換使用。負載平衡可以包括各種因素和限制,並且可以取決於具體的加工或應用。例如,那些具有高交貨優先順序的產品批次必須迅速處理,以滿足承諾的調度。同時,工作站的利用率以及加工的品質和性能可能仍然是理想的。
因此,調度伺服器120可以使用基於預先確定的演算法和當前加工週期的特定資料的負載平衡方案來控制和調度分派系統112的負載。調度伺服器120可以包括資料庫116或與資料庫116通信,以獲得在分派系統112的控制和調度中使用的各種資料,例如設施資料、產品資料、製程資料等。資料庫116可以是獨立的資料庫系統或分散式資料庫系統,並且可以包括用於使用者來查詢資料
庫、輸入資料及/或顯示資料等的某些使用者介面。
大數據計算平臺130可以包括一個或多個電腦伺服器,其具有被配置為執行資料採擷、資料分析和人工智慧功能的硬體和軟體。具體地,大數據計算平臺130可以收集大量加工資料,包括在各種負載情況下分派系統112和各種工作站的加工資料。大數據計算平臺130也可以從資料庫116獲得資料。
此外,調度伺服器120可以與大數據計算平臺130通信,以獲得歷史資料、類比資料及/或即時資料,從而調整分派系統112的負載調度。儘管大數據計算平臺130和調度伺服器120被示出為兩個分離的系統,但是大數據計算平臺130和調度伺服器120可以整合到一個系統中或可以分佈在多個系統中。
調度伺服器120及/或大數據計算平臺130可以由任何適當的計算系統實現。圖2示出了與所公開的實施例一致的示例性計算系統200。
如圖2中所示,計算系統200可以包括處理器202、儲存介質204、監視器206、通信模組208、資料庫210和週邊設備212。可以省略某些設備,並且可以包括其它設備。
處理器202可以包括任何合適的硬體處理器。此外,處理器202可以包括用於多執行序或並行處理的多個核心。儲存介質204可以包括記憶體模組,例如唯讀記憶體(ROM)、隨機存取記憶體(RAM)、快閃記憶體模組,以及大量存放區,例如唯讀記憶光碟(CD-ROM)和硬碟等。當電腦程式由處理器202執行時,儲存介質204可以儲存用於實現各種程序的電腦程式。
此外,週邊設備212可以包括各種感測器和其它輸入/輸出(I/O)設備,例如鍵盤和滑鼠,並且通信模組208可以包括用於透過通信網路建立連接的某些網路周邊設備。資料庫210可以包括一個或多個資料庫,用於儲存某些資料和對儲存的資料執行某些操作,例如資料庫搜索。
回到圖1,在操作中,調度伺服器120可以從資料庫116和大數據計算
平臺130獲得資料,以執行針對分派系統112的負載調度確定,並且可以向分派系統提供指令以開始加工。這些指令可以包括正在加工的產品批次的清單、生產產品批次所必需的製程的執行順序及/或用於執行這些製程的製造設備(工作站)。
可選地,還可以獲得每個批次的狀態、在每個產品批次的製程中使用的每個製造設備段的關鍵因素、以及處理每個產品批次的當前製造設備段之後的每個製造設備段的佇列級別。因此,可以創建平衡負載所必需的優先順序的度量,以使得產品批次被迅速地處理,以便準時交貨。
更具體地,調度伺服器120可以實現負載調度系統,用於為分派系統112提供增強的負載平衡/調度。圖3示出了與所公開的實施例一致的示例性負載調度系統300的功能/結構框圖;如圖3中所示,負載調度系統300包括設施資料302、資料生成模組304、調度模組306、批次排序模組308、負載調度310、資料倉庫312、分派模組314、大數據計算平臺130和權重因數檔生成模組318。其它元件也可以被包括。
設施資料302可以包括當前加工的任何可用的資料,例如每個可用的資源的資料(例如工作站容量、工作站的階段和製程的持續時間和順序)、產品的資料(例如產品所需的工作,產品製程步驟的優先順序、持續時間和順序)以及製程的資料(例如規範、標準和性能)。其它類型的資料也可以被包括。
資料生成模組304可以包括某些資料處理功能(例如,查詢執行器或分派器),以將設施資料和其它類型的資料轉換成一個或多個特定的資料模式或資料表,以供調度模組306使用。調度模組306可以包括負載平衡模型,以基於由資料生成模組304輸入的資料表來生成負載調度。負載平衡模型可以包括一個或多個預先確定的負載平衡演算法,以生成負載調度簡檔。負載調度簡檔可以是為分派器創建最終負載調度310所需的資訊,例如初始負載調度、待驗證的負
載調度或最終負載調度的任何中間形式。
此外,批次排序模組308可以包括類比模型,用於基於負載調度簡檔來類比實際加工製程,以使得負載調度簡檔可以被驗證。在所述驗證之後,排序模組308可以為製造設備(例如,工作站)生成實際負載調度310。負載調度可以是文字檔,或可以是預先確定的格式的檔,例如試算表檔。
負載調度310可以被輸入到資料倉庫312中。資料倉庫312可以表示用於託管大量資料以及分析工具以實現資料倉庫功能的任何資料庫或電腦伺服器。資料倉庫可以累積所有可接受的負載調度檔以及所有相應的資料,例如單個負載調度的加工場景和其它生產資料。加工場景可以包括關於產品批次、工作站、加工要求和生產標準等的資訊。
負載調度310可被提供給分派模組314(例如,分派系統120),用於將晶圓批次分派到工作站以完成加工製程。
分派模組314及/或工作站還可以向大數據計算平臺130提供加工資料,例如生產關鍵性能指標(KPI)。負載調度310也可以被提供給大數據計算平臺130。大數據計算平臺130可以獲取執行大數據操作或機器學習操作等所需的所有資料,並且可以向權重因數檔生成模組318提供結果。
權重因數檔生成模組318可以包括任何適當的分析演算法,以基於來自大數據計算平臺130的結果來確定調度模組306的各種權重因數。
在所述操作中,圖3中所示的調度系統300可以執行負載調度過程,以創建用於完成加工製程的優化的負載調度。圖4中示出了與所公開的實施例一致的示例性負載調度過程400。
如圖4中所示,在負載調度過程的開始處,創建負載調度資料模式(S402)。負載調度資料模式可以包括基於設施資料和其它類型的資料(例如批次預測)生成的一個或多個資料表。這些資料表也可以被稱為輸入資料表。設
施資料可以是針對地點特定的資料,即特定於包括多個工作站的特定製造地點的資料。批次預測可以是資料範本和資料模型特定的資料,例如解決方案模式資料。
在生成資料表之後,基於輸入資料表和負載平衡模型來生成負載調度簡檔(S404)。更具體地,輸入資料表可以被提供給調度模組306,調度模組306可以首先生成負載平衡模型要使用的多個資料表。例如,調度模組306可以生成以下中的一個或多個:目標函數權重表、參數表、資源表、任務表、任務能力表、任務設置表及/或時間桶(bucket)表等。
負載平衡模型可以使用生成的資料表中的資料,並且生成負載調度簡檔。負載調度簡檔可以在一個或多個輸出表中,例如負載平衡表和批次分配表等。
負載平衡模型可以包括被配置為解決分配問題的任何適當的數學模型,即,基於相關的目標函數,例如跨資源的工作的平衡,相對于所定義的約束(例如,資源的有限容量),來找到任務到資源的最優分配。在某些實施例中,負載平衡模型可以是混合整數規劃(MIP)模型。儘管負載平衡模型可以被配置為對分配給工作站的批次步驟進行建模,但是需要分配任務的其它應用也可以適用。
也就是說,負載平衡模型(或調度模型)可以是MIP模型,其被配置為跨所調度的工具(即,資源或工作站)來找到期望的批次處理。負載平衡模型執行批次到工具的分配,以滿足指定的調度目標(如最小化工具設置更改,同時滿足特定的移動型目標)。也就是說,負載平衡模型可以具有一個或多個目標函數,用於描述在產生負載調度設置時優化的度量的相對成本。
例如,負載平衡模型可以包括負載平衡目標函數。目標函數是最小化針對每個資源(工作站)的絕對偏差:
minΣj|wj-AveWork|其中AveWork表示所有資源的平均工作,其可以經由將所有工作的和除以資源數量來計算s.t.Σj xij=1 i 所有的任務i都分配給了某個資源j
cij 是需要的工作量,在將任務i分配給資源j的情況下
Cj 是資源j的容量
在某些實施例中,除了上述負載平衡目標函數之外,負載平衡模型可以包括另外的目標函數,這些目標函數可以由使用者選擇,並且可以包括以下中任何一項或多項:滿桶目標函數、約束移動目標目標函數、處理早期目標函數、設置計數目標函數、設置時間目標函數、每站早期處理目標函數、調度穩定性目標函數、標線計數目標函數、非優選資源目標函數、小批次目標函數、分配任務目標函數、調和(Seasoning)目標函數、設置更改目標函數以及設置限制目標函數。
如本文所使用的,負載平衡目標函數可以表示給不平衡負載帶來成本的目標函數,即一些資源缺乏任務,而其它資源淹沒在任務中。滿桶目標函數可以表示這樣的目標函數:該目標函數給出了對沒有接近滿的時間桶(主要時間間隔被分成一些時間桶)的成本。目標是確保時間桶都接近滿了,這有助於減少浪費資源時間。約束移動目標目標函數可以表示這樣的目標函數:該目標函數給出了針對不接近其移動目標的任務的成本。早期處理目標函數可以表示這樣的目標函數:該目標函數給出了針對稍後被調度的任務的成本,這樣可
以確保所有任務都盡可能早地被調度。設置時間目標函數可以表示給出了針對使用的設置次數(設置時間)的成本的目標函數。每站早期處理目標函數可以表示這樣的目標函數:當任務被調度在稍後時,該目標函數給出了針對被使用者標記為“早期處理”的任務的成本。調度穩定性目標函數可以表示給出了在一個優化場景中被調度但在另一個優化場景中沒有被調度的任務的成本的目標函數。這減少了場景之間的差異,並且使調度更加穩定。標線計數目標函數可以表示給出了針對標線使用的成本的目標函數。它確保了標線上的負載是平衡的,防止過度使用一些標線和使其它標線怠工。非優選資源目標函數可以表示給出了未在優選資源上處理的任務的成本的目標函數。小批次目標函數表示給出了當定義為小批次的兩個或多個任務在同一時間桶內在同一資源上進行處理時的成本的目標函數。分配任務目標函數可以表示給出了分配給某個時間桶的兩個或多個任務在同一資源上處理的成本的目標函數。調和目標函數可以表示給出了當兩個或多個需要不同PPID(處理常式ID)的任務被分配給同一資源時的成本的目標函數。設置更改目標函數可以表示給出了當兩個需要不同設置的任務被分配給同一資源時的成本的目標函數。設置限制目標函數可以表示這樣的目標函數:該目標函數給出了當從第一個時間桶開始,在指定數量的時間桶內為資源配置了太多特定類型的設置時的成本。
其它目標函數也可以被包括。使用者可以為當前加工週期(即,從負載調度到加工製程的完成)選擇一組特定的目標函數。
此外,可以基於負載調度簡檔(例如,輸出資料表)生成負載調度(S406)。例如,批次排序模組308可以基於來自負載平衡模型的輸出資料表使用AutoSched AP/融合引擎來為多個工作站生成負載調度。在一個實施例中,負載調度可以包括批次分配表,該批次分配表將特定批次分配給所調度的工作站進行處理。
此外,分派器(分派系統112)可以基於負載調表將產品批次分派到多個工作站,並且開始加工生產(S408)。也就是說,分派器可以使用批次分配表將生產批次裝載到調度的工作站並且完成加工製程。負載調度也可以儲存在資料倉庫中,以便稍後檢索。
在生產批次的加工完成之後,可以使用大數據架構為下一個加工週期自動地優化負載平衡模型(或調度模型)(S410)。具體地,在當前加工週期完成之後,可以獲得生產關鍵性能指標(KPI),並且可以確定KPI是否是當前加工所期望的,即,滿足生產KPI的預設標準。如果確定KPI符合當前加工的標準,則無需進行優化。
另一方面,如果確定KPI不滿足當前加工的標準,則負載平衡模型可以針對下一個加工週期自動地優化。在某些實施例中,所述標準可以包括針對當前加工的一組目標KPI(例如,目標週期時間或晶圓移動)。所述確定可以基於在當前KPI和儲存在伺服器上的目標KPI之間的比較來執行。可選地或另外地,所述確定也可以基於在當前KPI和歷史KPI之間的比較來執行。伺服器可以儲存各種目標KPI,並且每組KPI可以對應於特定的加工場景,從而可以在相同或相似的加工場景下將當前KPI與目標KPI進行比較。
在確定需要優化之後,可以調整負載平衡模型來執行優化。也就是說,優化可以包括調整負載平衡模型的參數以改進負載調度和加工性能。如上所述,負載平衡模型可以包括一個或多個目標函數。對於每個目標函數,可以有一個或多個可以調整的輔助變數(或權重因數)。也就是說,在當前加工週期之後和下一個加工週期之前,可以基於大數據機制自動地調整負載平衡模型的某些或所有目標函數的權重因數。
圖5示出了與所公開的實施例一致的基於大數據來調整負載平衡模型的權重因數的示例性優化過程。如圖5中所示,大數據計算平臺130可以獲取
用於優化負載平衡模型的各種資料(S502)。使用大數據架構的意義在於,所獲取的資料是廣泛的和大量的,因為所獲取的資料可以是歷史的和當前的二者,落來自當前的加工場所和其它加工場所,並且在各種加工場景下。因此,這樣的大數據架構可以為調整負載平衡模型產生更準確的結果。
例如,大數據計算平臺130可以獲取關於負載調度和生產KPI等的資料。生產KPI可以指示實際加工環境和生產性能的當前狀態。例如,KPI可以包括以下一項或多項:負載平衡性能、子彈批次週期時間、熱批次週期時間、實際週期時間、優選工具、實現移動目標、批次步驟到期日期、調度穩定性以及減少設置更改等。
如本文所使用的,負載平衡性能可以表示測量針對每個資源的總工作時間或百分比的KPI。熱批次週期時間可以表示這樣的KPI:該KPI用於測量針對子彈批次的週期時間,該批次是在加工(fab)獲得優先處理的並且在加工工具中在佇列前處理的批次。子彈批次週期時間可以表示測量針對子彈批次的週期時間的KPI,該批次是在加工獲得更優先處理的並且在處理工具中在佇列最前端進行處理的批次。實際週期時間可以表示測量週期時間的KPI,即完成一個批次的天數。優選工具可以表示測量優選工具上的調度的KPI,這是一種指示優先分配在加工中是可以增加還是應該減少的方法。實現移動目標可以表示測量在加工生產線上實現的每日移動目標(生產能力)的KPI。批次步驟到期日期可以表示用於測量批次處理是否在加工的每個步驟都符合到期日期的KPI。調度穩定性可以表示測量生產線中由優化器生產的調度穩定性的KPI。理論調度和實際調度之間的差異是被監測的。設置更改可以表示測量在製程工具上執行的設置更改以應用調度的KPI。
其它性能指標也可以被包括。此外,大數據計算平臺130可以獲取歷史資料以及即時資料(即,當前加工週期的資料)。例如,大數據計算平臺130
可以在相同的加工場景下獲取過去使用的負載調度及其相應的KPI。
在獲取用於優化的資料之後,大數據計算平臺130可以計算所獲取的用於優化的資料中的負載調度的分數(S504)。具體地,負載平衡模型可以被優化以最大化由負載平衡模型生成的負載調度的分數。
也就是說,對於相應加工場景下的每個負載調度,可以為每個負載調度計算分數。分數可以反映基於負載調度的加工性能。例如,高的分數可以反映當前加工的期望的性能,即期望的KPI。分數可以通過任何適當的方法得出。在某些實施例中,可以基於負載調度的適用目標函數來計算負載調度的分數。
分數可以基於目標函數的值和相應的輔助變數或目標函數的權重因數來計算。具體地,可以確定負載平衡模型的每個目標函數的值,並且由於每個目標函數可以具有權重因數,所以由負載平衡模型確定的負載調度的分數S可以計算為:S=總和(目標函數權重因數*目標函數值)
因此,由於負載平衡模型的目標函數的權重因數可以被調整,調度優化的目的是找到權重因數的最佳組合以實現最高分數。所述權重因數集合可以基於變數清單預先確定,或可以由用戶進行選擇。
此外,大數據計算平臺130可以使用預先確定的演算法來優化負載平衡模型(S506)。大數據計算平臺130可以應用遺傳演算法、蒙特卡洛(Monte Carlo)演算法、機器學習演算法或其它類似的優化演算法來執行優化。也就是說,大數據計算平臺130可以使用遺傳演算法或蒙特卡洛演算法來確定負載平衡模型的最佳權重因數集合,以基於負載平衡模型上的當前約束來實現由負載平衡模型生成的負載調度的最高分數。
在某些實施例中,大數據計算平臺130可以使用機器學習演算法來執
行優化。圖6示出了與所公開的實施例一致的示例性機器學習演算法(例如,深度學習神經網路模型)600。
如圖6中所示,深度學習模型600可以包括輸入層604、中間層606和中間層608(隱藏層)以及輸出層610等。輸入602被提供給輸入層604,輸出612由輸出層610提供。每一層可以包括一個或多個神經網路節點。神經網路層的數量用於說明的目的,可以使用任何數量的神經網路層。
神經網路深度學習模型600可以用作示例用於說明,其它架構也可以類似地進行使用。在某些實施例中,大數據計算平臺130可以首先使用生產KPI和負載調度分數之間的關係來訓練深度學習模型600。
使用所獲取的歷史資料作為訓練資料,可以獲得先前的負載調度和一組生產KPI(例如,週期時間、晶圓移動)相應值。先前的負載調度可能來自不同的加工場景和工作站,或可能來自相同的加工場景和相同的工作站,但是具有不同的產品批次。此外,如上所述,可以獲得或確定目標函數和目標函數權重因數,並且可以計算負載調度中的每個負載調度的分數及/或權重因數。
此外,深度學習模型600可以基於歷史生產KPI和相應的分數及/或權重因數的值來進行訓練。也就是說,生產KPI被提供作為深度學習模型600的輸入602,並且權重因數的分數及/或值被提供作為深度學習模型600的輸出612。也就是說,在某些實施例中,深度學習模型600的輸出是分數,並且該分數可以用於匯出權重因數的相應值。在某些其他實施例中,權重因數的值可以直接是深度學習模型600的輸出,並且分數可以基於權重因數的值來計算。在某些其它實施例中,權重因數的分數和值都可以是深度學習模型600的輸出。
在深度學習模型600被訓練之後,基於當前生產KPI的值,當前生產KPI集合的目標值可以作為輸入被提供給深度學習模型600,然後負載調度的分數和負載平衡模型的權重因數的值可以基於深度學習模型600的輸出來獲得。可
選地,為了驗證由深度學習模型600所執行的優化的結果,可以計算當前負載調度的分數,並且可以將其與從深度學習模型600獲得的分數進行比較。如果確定所獲得的分數大於當前負載調度的分數,則從深度學習模型600獲得的權重因數的值可以用作權重因數的優化值。
回到圖4,在為下一個加工週期自動地調整負載平衡模型之後(S410),調整後的負載平衡模型用於生成改進的負載調度,並且下一個加工週期可以基於改進的負載調度開始(S412)。此外,獲得下一加工週期的生產KPI,並且確定生產KPI是否滿足預設標準。然後可以自動地重複上述優化週期,直到加工週期的生產KPI滿足預設標準(S414)。
因此,通過使用所公開的方法和系統,權重調整不是基於人類試驗和對目標函數的理解,並且可以避免手動調整負載平衡模型的權重因數。此外,還可以避免操作人員之間的任何誤會或誤解,以及可能是操作製造設備的操作人員的任何錯誤。此外,由於通過人類試驗進行權重調整的典型週期大約需要幾天到一周,這是耗時的,並且在該調整期間會影響生產線KPI(例如,週期時間和晶圓移動),因此可以極大地提高IC加工的製造成本、效率和有效性。
儘管透過使用說明書中的特定實施例描述了本發明內容的原理和實現,但是實施例的前述描述僅旨在說明理解本發明內容的方法和方法的核心理念。同時,本領域普通技術人員可以根據本發明內容的理念對特定實現和應用範圍進行修改。總之,說明書的內容不應被解釋為對本發明內容的限制。
以上所述僅為本發明之較佳實施例,凡依本發明申請專利範圍所做之均等變化與修飾,皆應屬本發明之涵蓋範圍。
100:半導體製造系統
112:分派系統
110-1:工作站
110-2:工作站
110-3:工作站
110-J:工作站
114:傳送匯流排
116:資料庫
118:晶圓
120:調度伺服器
130:大數據計算平臺
Claims (20)
- 一種半導體加工調度方法,所述方法包括:創建負載調度資料模式,所述負載調度資料模式包括將被分派到多個工作站的產品批次的設施資料;使用負載平衡模型並且基於所述負載調度資料模式來生成負載調度簡檔,其中,所述負載平衡模型包括一個或多個目標函數,並且在目標函數中存在至少一個權重因數;基於所述負載調度簡檔來生成當前負載調度;使用所述當前負載調度將所述產品批次分派到所述多個工作站,以完成所述產品批次的加工;獲取所述產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於所述當前關鍵性能指標(KPI),使用大數據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一個加工週期的下一負載調度。
- 根據請求項1所述的方法,還包括:使用所述下一負載調度將所述下一加工週期的產品批次分派到所述多個工作站,以完成所述下一加工週期。
- 根據請求項1所述的方法,其中,所述基於所述負載調度簡檔生成當前負載調度包括:類比和驗證所述負載調度簡檔以生成所述當前負載調度。
- 根據請求項1所述的方法,其中,所述基於所述當前KPI使用大數 據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一加工週期的下一負載調度還包括:獲得所述下一加工週期的目標KPI;確定所述當前KPI是否高於所述目標KPI;以及當確定所述當前KPI高於所述目標KPI時,在不調整所述負載平衡模型的所述目標函數的所述權重因數的情況下,使用所述當前負載調度用於所述下一加工週期。
- 根據請求項4所述的方法,還包括:獲取用於優化的資料,包括歷史負載調度和相應的KPI;計算所述歷史負載調度中的每個歷史負載調度的分數;使用預先確定的大數據演算法來找到所述負載平衡模型的所述目標函數的所述權重因數的新的值的集合,以使得可以找到與所述新的值的集合相對應的負載調度的期望的分數;以及自動地將所述負載平衡模型的所述目標函數的所述權重因數調整到所述新的值的集合。
- 根據請求項5所述的方法,其中:所述負載平衡模型是混合整數規劃(MIP)模型;以及所述預先確定的大數據演算法是遺傳演算法或蒙特卡洛演算法。
- 根據請求項5所述的方法,其中,所述使用預先確定的大數據演算法還包括:使用在所述歷史負載調度的分數與所述歷史負載調度的所述權重因數的值 以及對應於所述歷史負載調度的所述KPI之間的關係來訓練神經網路深度學習模型;以及在所述神經網路深度學習模型被訓練之後,以所述目標KPI作為輸入,使用所述神經網路深度學習模型來確定所述負載平衡模型的所述目標函數的所述權重因數的所述新的值的集合。
- 根據請求項5所述的方法,其中,所述計算所述歷史負載調度中的每個歷史負載調度的分數還包括:對於每個歷史負載調度中的具有相應權重因數的每個目標函數,計算每個目標函數的值,並且將所述值乘以所述相應的權重因數,以產生針對每個目標函數的結果;以及對每個目標函數的所述結果求和以生成所述分數。
- 根據請求項1所述的方法,其中,所述目標函數至少包括負載平衡目標函數和分配任務目標函數。
- 一種半導體加工調度系統,所述系統包括:多個工作站;伺服器;以及分派器,其由所述伺服器控制,並且將待加工的產品批次分派到所述多個工作站,其中,所述伺服器被配置為執行:創建負載調度資料模式,所述負載調度資料模式包括所述產品批次的設施資料;使用負載平衡模型並且基於所述負載調度資料模式來生成負載調度簡檔, 其中,所述負載平衡模型包括一個或多個目標函數,並且在目標函數中存在至少一個權重因數;基於所述負載調度簡檔來生成當前負載調度;控制所述分派器使用所述當前負載調度將所述產品批次分派到所述多個工作站,以完成所述產品批次的加工;獲取所述產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於所述當前關鍵性能指標(KPI),使用大數據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一個加工週期的下一負載調度。
- 根據請求項10所述的系統,其中,所述伺服器還被配置為執行:控制所述分派器以使用所述下一負載調度將所述下一加工週期的產品批次分派到所述多個工作站,以完成所述下一加工週期。
- 根據請求項10所述的系統,其中,所述基於所述負載調度簡檔生成當前負載調度包括:類比和驗證所述負載調度簡檔以生成所述當前負載調度。
- 根據請求項10所述的系統,其中,所述基於所述當前KPI使用大數據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一加工週期的下一負載調度還包括:獲得所述下一加工週期的目標KPI;確定所述當前KPI是否高於所述目標KPI;以及當確定所述當前KPI高於所述目標KPI時,在不調整所述負載平衡模型的所 述目標函數的所述權重因數的情況下,使用所述當前負載調度用於所述下一加工週期。
- 根據請求項13所述的系統,其中,所述自動地調整所述目標函數的所述權重因數還包括:獲取用於優化的資料,包括歷史負載調度和相應的KPI;計算所述歷史負載調度中的每個歷史負載調度的分數;使用預先確定的大數據演算法來找到所述負載平衡模型的所述目標函數的所述權重因數的新的值的集合,以使得可以找到與所述新的值的集合相對應的負載調度的期望的分數;以及自動地將所述負載平衡模型的所述目標函數的所述權重因數調整到所述新的值的集合。
- 根據請求項14所述的系統,其中:所述負載平衡模型是混合整數規劃(MIP)模型;以及所述預先確定的大數據演算法是遺傳演算法或蒙特卡洛演算法。
- 根據請求項14所述的系統,其中,所述使用預先確定的大數據演算法還包括:使用在所述歷史負載調度的分數與所述歷史負載調度的所述權重因數的值以及對應於所述歷史負載調度的所述KPI之間的關係來訓練神經網路深度學習模型;以及在所述神經網路深度學習模型被訓練之後,以所述目標KPI作為輸入,使用所述神經網路深度學習模型來確定所述負載平衡模型的所述目標函數的所述權 重因數的所述新的值的集合。
- 根據請求項14所述的系統,其中,所述計算所述歷史負載調度中的每個歷史負載調度的分數還包括:對於每個歷史負載調度中的具有相應權重因數的每個目標函數,計算每個目標函數的值,並且將所述值乘以所述相應的權重因數,以產生針對每個目標函數的結果;以及對每個目標函數的所述結果求和以生成所述分數。
- 一種非暫時性電腦可讀儲存介質,其包含電腦可執行指令用於當由一個或多個處理器執行時,執行半導體加工調度方法,包括:創建負載調度資料模式,所述負載調度資料模式包括將被分派到多個工作站的產品批次的設施資料;使用負載平衡模型並且基於所述負載調度資料模式來生成負載調度簡檔,其中,所述負載平衡模型包括一個或多個目標函數,並且在目標函數中存在至少一個權重因數;基於所述負載調度簡檔來生成當前負載調度;控制分派器使用所述當前負載調度將所述產品批次分派到所述多個工作站,以完成所述產品批次的加工;獲取所述產品批次的所完成的加工的當前關鍵性能指標(KPI)集合;以及基於所述當前關鍵性能指標(KPI),使用大數據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一個加工週期的下一負載調度。
- 根據請求項18所述的非暫時性電腦可讀儲存介質,其中,所述基於所述當前KPI使用大數據架構來自動地調整所述負載平衡模型的所述目標函數的所述權重因數,以生成用於下一加工週期的下一負載調度還包括:獲得所述下一加工週期的目標KPI;確定所述當前KPI是否高於所述目標KPI;以及當確定所述當前KPI高於所述目標KPI時,在不調整所述負載平衡模型的所述目標函數的所述權重因數的情況下,使用所述當前負載調度用於所述下一加工週期。
- 根據請求項19所述的非暫時性電腦可讀儲存介質,所述方法還包括:獲取用於優化的資料,包括歷史負載調度和相應的KPI;計算所述歷史負載調度中的每個歷史負載調度的分數;使用預先確定的大數據演算法來找到所述負載平衡模型的所述目標函數的所述權重因數的新的值的集合,以使得可以找到與所述新的值的集合相對應的負載調度的期望的分數;以及自動地將所述負載平衡模型的所述目標函數的所述權重因數調整到所述新的值的集合。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/CN2020/076111 | 2020-02-21 | ||
PCT/CN2020/076111 WO2021163986A1 (en) | 2020-02-21 | 2020-02-21 | Method and system for scheduling semiconductor fabrication |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202133097A TW202133097A (zh) | 2021-09-01 |
TWI788650B true TWI788650B (zh) | 2023-01-01 |
Family
ID=71197887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109110944A TWI788650B (zh) | 2020-02-21 | 2020-03-31 | 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11385627B2 (zh) |
CN (1) | CN111356988B (zh) |
TW (1) | TWI788650B (zh) |
WO (1) | WO2021163986A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022523870A (ja) * | 2019-03-29 | 2022-04-26 | ラム リサーチ コーポレーション | 基板処理システムのためのモデルベースのスケジュール設定 |
CN113361833B (zh) * | 2020-03-02 | 2022-05-24 | 联芯集成电路制造(厦门)有限公司 | 化学机械抛光系统以及相关的派工管理方法 |
US11901204B2 (en) * | 2020-05-22 | 2024-02-13 | Applied Materials, Inc. | Predictive wafer scheduling for multi-chamber semiconductor equipment |
CN112101717B (zh) * | 2020-08-07 | 2024-04-19 | 青岛奥利普奇智智能工业技术有限公司 | 调整产线的生产任务的方法、装置、设备和存储介质 |
EP3992878B1 (en) * | 2020-09-11 | 2023-08-09 | Changxin Memory Technologies, Inc. | Method and apparatus for processing wafer inspection task, system, and storage medium |
WO2023079562A1 (en) * | 2021-11-08 | 2023-05-11 | Augury Systems Ltd. | Implementing operating parameters in industrial processes |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
TW201532118A (zh) * | 2013-12-09 | 2015-08-16 | Globalfoundries Us Inc | 用於控制多批工件處理的方法、儲存媒體及系統 |
CN108171372A (zh) * | 2017-12-25 | 2018-06-15 | 上海大学 | 一种存在准备时间的多品种生产分批调度方法 |
US20180330300A1 (en) * | 2017-05-15 | 2018-11-15 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
US20190347593A1 (en) * | 2018-05-10 | 2019-11-14 | Applied Materials, Inc. | Method for improving semiconductor back-end factories |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6714001B2 (en) * | 2001-11-28 | 2004-03-30 | Winbond Electronics Corporation | Dispatching method of manufacturing integrated circuit |
US7426420B2 (en) * | 2003-09-15 | 2008-09-16 | International Business Machines Corporation | System for dispatching semiconductors lots |
US8620468B2 (en) * | 2010-01-29 | 2013-12-31 | Applied Materials, Inc. | Method and apparatus for developing, improving and verifying virtual metrology models in a manufacturing system |
CN102446786B (zh) * | 2011-11-28 | 2013-12-04 | 上海华力微电子有限公司 | 一种半导体制程中的设备监控方法 |
CN103217960B (zh) * | 2013-04-08 | 2015-04-29 | 同济大学 | 一种半导体生产线动态调度策略自动选择方法 |
CN104217978B (zh) * | 2013-06-05 | 2017-05-17 | 中芯国际集成电路制造(上海)有限公司 | 半导体批次产品的处理系统和方法 |
CN103310285A (zh) * | 2013-06-17 | 2013-09-18 | 同济大学 | 可用于半导体生产线动态调度的性能预测方法 |
CN104423331B (zh) * | 2013-08-20 | 2017-06-16 | 中芯国际集成电路制造(上海)有限公司 | 半导体集成电路生产中晶圆制造调度方法及调度系统 |
CN104576441B (zh) * | 2013-10-29 | 2017-07-07 | 中国科学院沈阳自动化研究所 | 基于作业区域的半导体封装线lot多规则调度方法 |
CN105182916B (zh) * | 2014-06-18 | 2019-06-18 | 上海华力微电子有限公司 | 半导体生产约束管控方法 |
US10268186B2 (en) * | 2014-09-25 | 2019-04-23 | Taiwan Semiconductor Manufacturing Co., Ltd. | System and method for dispatching lot |
CN105843180A (zh) * | 2015-01-15 | 2016-08-10 | 中芯国际集成电路制造(上海)有限公司 | 基于半导体加工设备生产配方的派货系统及方法 |
CN105045243B (zh) * | 2015-08-05 | 2017-08-25 | 同济大学 | 一种半导体生产线动态调度装置 |
CN106444649B (zh) * | 2016-07-05 | 2019-01-11 | 同济大学 | 一种半导体生产线闭环调度控制方法 |
CN109146212B (zh) * | 2017-06-16 | 2022-03-25 | 佛山科学技术学院 | 众包系统中的大规模同构任务分配方法 |
KR102491068B1 (ko) * | 2017-11-17 | 2023-01-19 | 에스케이하이닉스 주식회사 | 메모리 장치에 대한 태스크들을 스케줄링하는 반도체 장치 및 이를 포함하는 시스템 |
US11042148B2 (en) * | 2017-11-23 | 2021-06-22 | Taiwan Semiconductor Manufacturing Company, Ltd. | System and method for scheduling semiconductor lot to fabrication tool |
US11402828B2 (en) * | 2018-05-18 | 2022-08-02 | Taiwan Semiconductor Manufacturing Company, Ltd. | Method, system and non-transitory computer-readable medium for reducing work-in-progress |
CN108829052A (zh) * | 2018-05-31 | 2018-11-16 | 同济大学 | 一种半导体生产线cps环境下的调度优化方法及装置 |
CN108873835A (zh) * | 2018-06-12 | 2018-11-23 | 昆明理工大学 | 一种半导体集成电路制造中光刻工艺的优化调度方法 |
CN109085803B (zh) * | 2018-07-06 | 2021-07-16 | 昆明理工大学 | 一种dram内存封装过程的优化调度方法 |
-
2020
- 2020-02-21 CN CN202080000366.2A patent/CN111356988B/zh active Active
- 2020-02-21 WO PCT/CN2020/076111 patent/WO2021163986A1/en active Application Filing
- 2020-03-31 TW TW109110944A patent/TWI788650B/zh active
- 2020-06-18 US US16/905,194 patent/US11385627B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103439886A (zh) * | 2013-07-26 | 2013-12-11 | 同济大学 | 一种半导体生产线自适应动态调度装置 |
TW201532118A (zh) * | 2013-12-09 | 2015-08-16 | Globalfoundries Us Inc | 用於控制多批工件處理的方法、儲存媒體及系統 |
US20180330300A1 (en) * | 2017-05-15 | 2018-11-15 | Tata Consultancy Services Limited | Method and system for data-based optimization of performance indicators in process and manufacturing industries |
CN108171372A (zh) * | 2017-12-25 | 2018-06-15 | 上海大学 | 一种存在准备时间的多品种生产分批调度方法 |
US20190347593A1 (en) * | 2018-05-10 | 2019-11-14 | Applied Materials, Inc. | Method for improving semiconductor back-end factories |
Also Published As
Publication number | Publication date |
---|---|
US20210263505A1 (en) | 2021-08-26 |
CN111356988B (zh) | 2021-03-12 |
CN111356988A (zh) | 2020-06-30 |
WO2021163986A1 (en) | 2021-08-26 |
TW202133097A (zh) | 2021-09-01 |
US11385627B2 (en) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI788650B (zh) | 用於半導體加工調度的方法、半導體加工調度系統和非暫時性電腦可讀儲存介質 | |
Tang et al. | An improved differential evolution algorithm for practical dynamic scheduling in steelmaking-continuous casting production | |
Guo et al. | Modeling and Pareto optimization of multi-objective order scheduling problems in production planning | |
Li et al. | An agent-based approach for integrated process planning and scheduling | |
CN108053047A (zh) | 云生产资源调度方法、装置和系统 | |
CN109165808B (zh) | 一种电力通信网现场运维工单派发方法 | |
WO2004006033A1 (ja) | 生産計画作成システム及び方法、並びにプログラム | |
WO2022087962A1 (zh) | 基于仿真的闭环aps调度优化方法、系统及存储介质 | |
Uddin et al. | An integrated approach to mixed‐model assembly line balancing and sequencing | |
JP2000077289A (ja) | 製造予測管理システム | |
Dequeant et al. | A literature review on variability in semiconductor manufacturing: The next forward leap to Industry 4.0 | |
Liu et al. | A complete multiagent framework for robust and adaptable dynamic job shop scheduling | |
CN109202895A (zh) | 设计支持装置、设计支持方法及存储设计支持程序的介质 | |
CN111108454A (zh) | 生产计划制定辅助系统 | |
Guo et al. | Harmony search-based multi-objective optimization model for multi-site order planning with multiple uncertainties and learning effects | |
CN112070326A (zh) | 多目标生产订单分配装置及多目标生产订单分配方法 | |
CN106327053B (zh) | 一种基于多模式集合的纺织工艺推荐模型的构建方法 | |
Thenarasu et al. | Development and selection of hybrid dispatching rule for dynamic job shop scheduling using multi-criteria decision making analysis (MCDMA) | |
JP2005339587A (ja) | 生産システム及び方法、並びにプログラム | |
Hwang et al. | Design of a Lagrangian relaxation-based hierarchical production scheduling environment for semiconductor wafer fabrication | |
Majazi Dalfard et al. | Hybrid genetic algorithm for assembly flow-shop scheduling problem with sequence-dependent setup and transportation times | |
Kopp et al. | Hierarchical decision-making for qualification management in wafer fabs: a simulation study | |
Rabbani et al. | Using metaheuristic algorithms for solving a mixed model assembly line balancing problem considering express parallel line and learning effect | |
CN101794417A (zh) | 基于序号的工作流调度和业务流程建模方法 | |
US20220283573A1 (en) | Method for Allocating Resources to Machines of a Production Facility |