TWI818153B - 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 - Google Patents
用於感測器計量資料整合的方法、系統與電腦可讀取媒體 Download PDFInfo
- Publication number
- TWI818153B TWI818153B TW109105293A TW109105293A TWI818153B TW I818153 B TWI818153 B TW I818153B TW 109105293 A TW109105293 A TW 109105293A TW 109105293 A TW109105293 A TW 109105293A TW I818153 B TWI818153 B TW I818153B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- sensor
- identifier
- metering
- metric
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000010354 integration Effects 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 165
- 238000010801 machine learning Methods 0.000 claims abstract description 108
- 230000009471 action Effects 0.000 claims abstract description 76
- 238000012545 processing Methods 0.000 claims description 88
- 238000005259 measurement Methods 0.000 claims description 72
- 230000015654 memory Effects 0.000 claims description 16
- 239000000969 carrier Substances 0.000 claims 3
- 239000000047 product Substances 0.000 description 134
- 238000012549 training Methods 0.000 description 56
- 238000012360 testing method Methods 0.000 description 41
- 235000012431 wafers Nutrition 0.000 description 35
- 238000010200 validation analysis Methods 0.000 description 27
- 238000013500 data storage Methods 0.000 description 17
- 238000013507 mapping Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000012795 verification Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000012015 optical character recognition Methods 0.000 description 10
- 230000004044 response Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004886 process control Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000002826 coolant Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000002019 doping agent Substances 0.000 description 1
- 238000000572 ellipsometry Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005291 magnetic effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- 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]
- G05B19/4183—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 data acquisition, e.g. workpiece identification
-
- 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
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
-
- 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]
- G05B19/4184—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 fault tolerance, reliability of production system
-
- 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]
- G05B19/41875—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 quality surveillance of production
-
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3466—Performance evaluation by tracing or monitoring
- G06F11/3495—Performance evaluation by tracing or monitoring for systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31357—Observer based fault detection, use model
-
- 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
- G05B2219/32194—Quality prediction
-
- 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
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
-
- 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
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Environmental & Geological Engineering (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Inspection Of Paper Currency And Valuable Securities (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Image Analysis (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
描述了用於感測器計量資料整合的方法、系統和非暫態性電腦可讀取媒體。一種方法包含接收感測器資料組和計量資料組。每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應感測器值和對應的感測器資料標識符。每組計量資料包括與由製造設備製造的對應產品相關聯的對應計量值和對應的計量資料標識符。方法進一步包含確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分。方法進一步包含,對於每個感測器-計量匹配,生成對應的聚合的感測器計量資料組,並儲存聚合的感測器計量資料組,以訓練機器學習模型。訓練後的機器學習模型能夠生成用於執行與製造設備相關聯的校正動作的一個或多個輸出。
Description
本揭示內容涉及資料整合,更特定而言,涉及感測器計量資料整合。
可以藉由使用製造設備執行一個或多個製造製程來生產產品。例如,半導體製造設備可以用於經由半導體製造製程來製造晶圓。感測器可用於在製造製程中確定製造設備的製造參數。計量設備可用於確定由製造設備生產的產品的屬性資料。
下文呈現揭示內容的簡化概要,以提供對揭示內容的一些態樣的基本瞭解。此概要不是本揭示內容的廣泛概述。此概要既不旨在標識本揭示內容的關鍵或重要要素,也不旨在描繪本揭示內容的特定實施例的任何範疇或請求項的任何範疇。此概要的唯一目的是以簡化形式呈現本揭示內容的一些概念,作為稍後呈現的更詳細描述的序言。
在本揭示內容的態樣中,一種方法可以包括接收複數組感測器資料。每組感測器資料可包括與藉由製造設備生產對應產品相關聯的對應感測器值和對應的感測器資
料標識符。方法可以進一步包括接收複數組感測器資料。每組計量資料可包括與由製造設備製造的對應產品相關聯的對應計量值和對應的計量資料標識符。方法可進一步包含確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配。方法可進一步包含,對於每個感測器-計量匹配,生成對應的聚合的感測器-計量資料組,對應的聚合的感測器-計量資料組包括與對應的感測器資料標識符相對應的一組對應的感測器資料和與對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組。方法可進一步包括儲存複數個聚合的感測器計量資料組以訓練機器學習模型,以提供經過訓練的機器學習模型。訓練後的機器學習模型能夠生成用於執行與製造設備相關聯的校正動作的一個或多個輸出。
在本揭示內容的態樣中,一種系統可以包括:記憶體;以及處理裝置,處理裝置耦接至記憶體以:接收複數組感測器資料,其中每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應的感測器值和對應的感測器資料標識符;接收複數組計量資料,其中每組計量資料包括與藉由製造設備生產該對應產品相關聯的對應的計量值和對應的計量資料標識符;確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配;對於每個感測器-計量匹配,生成對應的聚合的感測器-計量資料組,對應的聚合的感測器-計
量資料組包括與對應的感測器資料標識符相對應的一組對應的感測器資料和與對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組;以及儲存複數個聚合的感測器-計量資料組,以訓練機器學習模型以提供經過訓練的機器學習模型,其中經過訓練的機器學習模型能夠生成一個或多個輸出以執行與該製造設備相關聯的校正動作。
在本揭示內容的態樣中,一種非暫態性電腦可讀取媒體,其上可以儲存了指令,指令在由處理裝置執行時使處理裝置:接收複數組感測器資料,其中每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應的感測器值和對應的感測器資料標識符;接收複數組計量資料,其中每組計量資料包括與藉由製造設備生產對應產品相關聯的對應的計量值和對應的計量資料標識符;確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配;對於每個感測器-計量匹配,生成對應的聚合的感測器-計量資料組,對應的聚合的感測器-計量資料組包括與對應的感測器資料標識符相對應的一組對應的感測器資料和與對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組;以及儲存複數個聚合的感測器-計量資料組,以訓練機器學習模型以提供經過訓練的機器學習模型,其中該經過訓練的機器學習模型能夠生成一個或多個輸出以執行與該製造設備相關聯的校正動作。
在一種習知方法中,製程工程師可以定期保存日誌表,其中製程工程師將感測器值的子集與對應於相同產品的計量值的對應子集手動關聯。感測器資料和計量資料的手動關聯存在錯誤,花費大量使用者時間,並且效率低下。傳統上,感測器資料和計量資料的手動關聯僅針對全部感測器和所產生的計量值的一小部分執行。對於整個感測器和計量值的一小部分,手動關聯的感測器和計量值可能不足以進行進一步分析。
在另一種習知方法中,每個產品都具有可見的產品標識符(例如,晶圓劃片),並且在製造期間拍攝了每個產品的圖像(圖像中顯示了產品標識符),並且在計量期間拍攝了每個產品的圖像(產品標識符顯示在圖片中)。使用光學字符識別(OCR)系統,以光學識別與製造相關的圖像和與計量相關的圖像中的每個晶圓標識符。然後將具有相同的光學讀取產品標識符的感測器值的子集和計量值的子集彼此關聯。使用OCR系統的感測器資料和計量資料的關聯,由於光學讀取產品標識符的錯誤而產生錯誤,要增加用於儲存圖像的儲存空間,要執行光學字符識別要增加處理器開銷和能耗,並且價格昂貴。
本文揭示的裝置、系統和方法,使用感測器計量資料整合來關聯感測器資料和計量資料。處理裝置接收感測器資料組和計量資料組。每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應感測器值和對應的感測器資料標識符。每組計量資料包括與由製造設備製造的對
應產品相關聯的對應計量值和對應的計量資料標識符。處理裝置確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配。對於每個感測器-計量匹配,處理裝置生成對應的一組聚合的感測器計量資料(例如,聚合的感測器計量資料結構或資料表),其包括與對應的感測器資料標識符相對應的一組對應的感測器資料,和對應於對應計量資料標識符的對應計量資料組。處理裝置儲存聚合的感測器-計量資料組。在一些實施例中,聚合的感測器-計量資料組被儲存在要基於感測器資料或計量資料進行搜索的資料庫中,以確定最佳製造參數(例如,與所搜索的計量資料相對應的感測器資料)或最佳產品屬性資料(例如,與搜索到的感測器資料相對應的計量資料)。在一些實施例中,所儲存的聚合的感測器-計量資料組可以用於訓練機器學習模型。
在一些實施例中,受過訓練的機器學習模型的輸出,用於執行與製造設備相關聯的校正動作。在一些實施例中,訓練過的機器學習模型的輸出用於確定虛擬計量資料。在一些實施例中,受過訓練的機器學習模型用於確定製造設備和/或製造製程的最佳設計。
本揭示內容的態樣的導致顯著減少了能量消耗(例如電池消耗)、所使用頻寬,處理器開銷等等的技術優勢。在一些實施例中,技術優勢來自於生成聚合的感測器-計量資料組,而無需手動關聯感測器資料和計量資料,並且無需使用OCR系統將感測器資料和計量資料關聯。與
手動關聯感測器資料和計量資料相比,聚合感測器-計量資料組的生成具有較少的錯誤,並且不佔用使用者時間。生成聚合的感測器-計量資料組的錯誤更少,不佔用太多的儲存空間,不佔用太多的處理器開銷和能耗,不佔用太多的頻寬(與傳輸圖像和OCR資料相比),與使用OCR系統關聯感測器資料和計量資料相比,此方法更便宜。如本文所揭示的,聚合感測器-計量資料的使用(生成速度更快並且具有比習知方法更少的錯誤)(訓練機器學習模型以執行與製造設備相關聯的校正動作)導致校正動作被執行地更快且出錯更少(與傳統方法相比)。
100:系統架構
102:資料整合伺服器
104:資料整合部件
106:客戶端裝置
108:校正動作部件
110:預測系統
112:預測伺服器
114:預測部件
120:感測器系統
122:感測器伺服器
124:製造設備
126:感測器
128:感測器標識符讀取器
130:計量系統
132:計量伺服器
134:計量設備
136:計量標識符讀取器
140:資料儲存器
142:感測器資料
144:感測器值
146:感測器資料標識符
148:產品標識符
150:計量資料
152:計量值
154:計量資料標識符
156:產品標識符
158:聚合的感測器-計量資料
160:網路
162:當前感測器資料
164:預測資料
170:伺服器機器
172:資料組生成器
180:伺服器機器
182:訓練引擎
184:驗證引擎
185:選擇引擎
186:測試引擎
190:機器學習模型
200:系統
210:資料輸入
212A:特徵
212Z:特徵
220:目標輸出
242:感測器資料
244A-244Z:感測器值
250:計量資料
258:聚合的感測器-計量資料
272:資料組生成器
300:系統
302:訓練組
304:驗證組
306:測試組
308:模型
310:訓練組
312:模型訓練
314:模型驗證
316:模型選擇
318:模型測試
320:使用經訓練的模型
358:聚合的感測器-計量資料
362:當前感測器資料
364:預測資料
400A:方法
400B:方法
402:動作
404:動作
406:動作
408:動作
410:動作
420:處理系統
422:感測器伺服器
424:製造設備
426:感測器
428:FOUP RFID讀取器
430:計量系統
432:計量伺服器
434:計量設備
436:FOUP RFID讀取器
440:技術資料倉庫(TDW)
450:資料儲存器
452:使用者輸入
458:聚合的感測器-計量資料
500:方法
502-514:動作
600:電腦系統
602:處理裝置
604:揮發性記憶體
606:非揮發性記憶體
608:匯流排
610:視頻顯示單元
612:字母數字輸入裝置
614:游標控制裝置
618:資料儲存裝置
620:信號生成裝置
622:網路介面裝置
624:非暫態性電腦可讀取儲存媒體
626:指令
674:網路
在附圖圖式中,藉由舉例方式而非限制地圖示了本揭示內容。
圖1圖示根據某些實施例的示例性系統架構的方塊圖。
圖2是根據某些實施例的用於為機器學習模型創建資料組的示例資料組生成器。
圖3是圖示根據某些實施例的確定預測的計量資料的方塊圖。
圖4A是根據某些實施例的感測器計量資料整合的方法的流程圖。
圖4B是根據某些實施例的感測器計量資料整合的方塊圖。
圖5是根據某些實施例的用於生成用於機器學習模型的資料組以預測計量資料的方法的流程圖。
圖6是圖示根據某些實施例的電腦系統的方塊圖。
本文描述了針對感測器計量資料整合的技術。製造設備可以用來執行製造產品的製造製程。感測器可以提供感測器值,以在製造製程期間確定製造設備的製造參數。感測器值可以儲存在第一位置。計量設備可以提供用於確定由製造設備生產的產品的屬性資料的計量值。計量值可以儲存在第二位置。為了進一步分析(例如,訓練被監督的機器學習模型等),對應於產品的感測器值的子集應與對應於相同產品的計量值的對應子集相關聯(例如,用於生產晶圓的感測器值應與晶圓的計量值相關聯)。
圖1根據某些實施例圖示示例性系統架構100的方塊圖。系統架構100包括資料整合伺服器102、客戶端裝置106、感測器系統120、計量系統130、預測伺服器112和資料儲存器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和180。感測器系統120可以包括感測器伺服器122(例如,製造工廠處的現場服務伺服器(FSS))、製造設備124、感測器126和感測器標識符讀取器128(例如,用於感測器系統120的前開式晶圓傳送盒(FOUP)射頻識別(RFID)讀取器)。計量系統130可以包括計量伺服器132(例如,計量資料庫、計量資料夾等)、計量設備134和
計量標識符讀取器136(例如,用於計量系統130的FOUP RFID讀取器)。
感測器126可以提供與由製造設備124生產對應的產品(例如晶圓)相關的感測器值144(例如製造參數)。感測器值144可以包括溫度(例如,加熱器溫度)、間隔(SP)、壓力、高頻射頻(HFRF)、靜電吸盤的電壓(ESC)、電流、流量、功率、電壓等等中的一項或多項。感測器值144可以與諸如製造設備124的硬體參數(例如,設置或部件(例如,尺寸、類型等))或製造設備的製程參數之類的製造參數相關聯或指示製造參數。可以在製造設備124執行製造製程的同時提供感測器值144(例如,在處理晶圓時的設備讀數)。對於每種產品(例如,每個晶圓),感測器值144可以不同。
感測器標識符讀取器128(例如,用於感測器系統120的FOUP RFID讀取器)可以提供感測器載體標識符(例如,FOUP標識符、晶圓載體標識符、插槽標識符等)。感測器伺服器122可以生成感測器資料標識符146,其包括感測器載體標識符和時間戳(例如,日期、時間等)。感測器載體標識符可以是由感測器系統120(例如,經由感測器標識符讀取器128)識別的載體標識符(例如,FOUP標識符等)。感測器伺服器122可以生成包括感測器值144和感測器資料標識符146的感測器資料142。在一些實施例中,感測器資料142(例如,感測器資料標識符146)亦包括產品標識符148。例如,多個產品(例如,二十五個晶
圓)可以與相同的感測器載體標識符相關聯,並且每個產品標識符148可以指示產品的順序(例如,晶圓載體中的第一晶圓、第二晶圓等)。
計量設備134可以提供與由製造設備124生產的產品(例如晶圓)相關聯的計量值152(例如,晶圓的屬性資料)。計量值152可以包括以下一項或多項的值:膜屬性資料(例如,晶圓空間膜屬性)、尺寸(例如厚度、高度等)、介電常數、摻雜劑濃度、密度、缺陷等。計量值152可以是成品或半成品。對於每個產品(例如每個晶圓),計量值152可以不同。
計量標識符讀取器136(例如,用於計量系統130的FOUP RFID讀取器)可以提供計量載體標識符(例如,FOUP標識符、晶圓載體標識符、插槽標識符等)。計量載體標識符可以是由計量系統130(例如,經由計量標識符讀取器136)識別的載體標識符(例如,FOUP標識符等)。對應於相同產品(例如相同的晶圓)的計量載體標識符和感測器載體標識符,可以是相同的載體標識符(例如相同的FOUP ID)並且對應於相同的載體(例如相同的FOUP)。計量伺服器132可以生成計量資料標識符154,其包括計量載體標識符和時間戳(例如日期戳等)。計量伺服器132可以生成包括計量值152和計量資料標識符154的計量資料150。在一些實施例中,計量資料150亦包括產品標識符156。例如,多個產品(例如,二十五個晶圓)可以與相同的計量資料標識符154相關聯(例如晶圓
載體識別符),並且每個產品標識符156可以指示產品的順序(例如,晶圓載體中的第一晶圓、第二晶圓等)。
在一些實施例中,產品載體(例如FOUP、晶圓載體)可以將產品從製造設備124轉移到計量設備134。產品可以在感測器系統120和計量系統130中保持相同的順序(例如,在FOUP或晶圓載體中的相同位置)。例如,可以以與將晶圓裝載到計量設備134中(例如用於經由計量系統130提供計量資料150)和從其出來的順序相同的順序,將晶圓裝載到製造設備124中和從製造設備124中取出(例如用於處理晶圓並經由感測器伺服器122提供感測器資料142)。在一些實施例中,對應於相同產品的感測器載體標識符(例如與感測器系統120相關聯的FOUP ID)和計量載體標識符(例如與計量系統130相關聯的FOUP ID),與相同產品載體(例如相同FOUP)和/或載體標識符(例如感測器載體標識符和計量載體標識符相同)相關聯。
資料整合伺服器102、客戶端裝置106、感測器系統120(例如感測器伺服器122、製造設備124、感測器126、感測器標識符讀取器128等)、計量系統130(例如計量伺服器132、計量設備134、計量標識符讀取器136等)、預測伺服器112、資料儲存器140、伺服器機器170和伺服器機器180,可以經由網路160相互耦合,以生成聚合的感測器-計量資料158以執行校正措施。在一些實施例中,網路160是公共網路,向客戶端裝置106提供對預測伺
服器112、資料儲存器140和其他計算裝置的存取。在一些實施例中,網路160是私有網路,其向資料整合伺服器102提供對感測器系統120、計量系統130、資料儲存器140和其他私有可用計算裝置的存取,並且向客戶端裝置106提供對預測伺服器112、資料儲存器140和其他私有可用的計算裝置的存取。網路160可包括一個或多個廣域網路(WAN)、區域網路(LAN)、有線網路(例如乙太網路)、無線網路(例如802.11網路或Wi-Fi網路)、蜂巢式網路(例如長期演進(LTE)網路)、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106可包括諸如個人電腦(PC)、膝上型電腦、行動電話、智慧型手機、平板電腦、上網本電腦、連接網路的電視(「智能電視」)、連接網路的媒體播放器(例如,藍光播放器)、機上盒、OTT流媒體裝置、操作員盒等等的計算裝置。客戶端裝置106可能能夠接收與製造設備124相關聯的指示(例如使用者輸入請求用於製造設備124的預測資料164,關於與製造設備124相關聯的校正動作的使用者輸入)、獲得與製造設備124相關聯的當前感測器資料162(例如來自資料儲存器140、感測器系統120等)、將與製造設備124相關聯的當前感測器資料162提供給預測系統110、接收來自預測系統110的輸出(例如預測資料164)、並導致與製造設備124相關聯的校正措施(例如基於輸出)。每個客戶端裝置106可以包括作業系統,作業系統允許使用者進行生成、查看或編輯資
料(例如與製造設備124相關聯的指示、與製造設備124相關聯的校正動作等等)中的一個或多個的操作。
在一些實施例中,計量資料150對應於產品的歷史屬性資料(例如,使用與感測器資料142相關聯的製造參數來生產),而預測資料164對應於預測屬性資料(例如,將使用當前感測器資料162生產(或已經生產)的產品)。在一些實施例中,預測資料164是將使用當前感測器資料162生產(或已經生產)的產品的預測計量資料(例如虛擬計量資料)。
就所需時間、使用的計量設備134、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成本等等而言,執行計量可能是昂貴的。藉由輸入當前感測器資料162(例如將用於製造產品的製造參數)並接收預測的屬性資料的輸出,系統100可以具有避免使用計量設備134生成對於當前感測器資料162的計量值的昂貴處理的技術優勢。
執行製造製程導致缺陷產品的結果,可能會耗費大量時間、精力和用於製造缺陷產品的製造設備124、識別缺陷和丟棄缺陷產品的成本等。藉由輸入當前感測器資料162(例如將用於製造產品的製造參數)、接收預測屬性資料的輸出並基於預測屬性資料執行校正動作,系統100可以具有避免以下的技術優勢:生產、識別和丟棄有缺陷產品的成本。
執行製造製程會導致製造設備124的部件出現故障,從而導致停機、產品損壞、設備損壞、快速訂購替換部件等等,在這些方面的損失很大。藉由輸入當前感測器資料162(例如將用於製造產品的製造參數)、接收預測屬性資料的輸出並基於預測的屬性資料執行校正動作(例如預測的操作維護,諸如更換、處理、清潔部件等等),系統100可以具有避免意外的部件故障的成本的技術優勢。
對於生產產品而言,製造參數可能不是最理想的,其結果可能是昂貴的結果,例如增加了資源(例如能源、冷卻劑、氣體等)的消耗、增加了產品的生產時間、增加了部件故障、增加了缺陷產品的數量等。藉由輸入目標屬性資料(例如產品的目標計量資料)(例如輸入到受過訓練的機器學習模型190中)並接收目標屬性資料的最佳製造參數的輸出,系統100可以具有以下技術優勢:使用最佳製造參數(例如硬體參數、製程參數、最佳設計)以避免昂貴的次優製造參數結果。
校正動作可能與以下各項中的一項或多項相關:計算處理控制(CPC)、統計處理控制(SPC)、自動處理控制(APC)、預防性維護、設計優化、製造參數更新、反饋控制、機器學習修改等等。
感測器資料142可以與製造設備124的製造製程相關聯,而計量資料150可以與由製造製程產生的產品的屬性相關聯。例如,製造設備可以是鑽孔機,而製造製程
可以是在產品中鑽孔。感測器資料142可以指示鑽頭旋轉、鑽頭使用年限、鑽頭插入速率和鑽頭移除速率。計量資料150可以指示孔直徑、孔深度和孔圓度。可以基於與產品中的鑽孔相關聯的感測器資料142的資料輸入以及與鑽孔相關聯的計量資料150的目標輸出來訓練機器學習模型190。受過訓練的機器學習模型190可以接收將用於鑽孔的當前感測器資料162的輸入(例如鑽頭旋轉、鑽頭年齡、鑽頭插入/移除的速率等)。基於當前感測器資料162的輸入,受過訓練的機器學習模型190可以生成預測資料164的輸出(例如使用當前感測器資料162製造的產品(鑽孔的產品)的預測屬性)。基於輸出(例如預測資料164),客戶端裝置106(例如經由校正動作部件106)可以使校正動作得以執行。
在一些實施例中,校正動作是提供警報(例如,若預測資料164指示孔被預測為不是圓形的,則停止或不執行製造製程的警報)。在一些實施例中,校正動作是提供反饋控制(例如,響應於指示孔被預測為不圓的預測資料164,修改製造參數以減慢鑽頭的移除)。在一些實施例中,校正措施是提供機器學習(例如,基於預測資料164來修改一個或多個製造參數,例如鑽頭旋轉、插入速率、移除速率等)。在一些實施例中,校正動作導致對一個或多個製造參數的更新。
製造參數可包括硬體參數(例如,更換部件、使用某些部件等等)和/或處理參數(例如,溫度、壓力、流
量、速率等等)。在一些實施例中,校正動作引起預防性操作維護(例如,製造設備124的部件的更換、處理、清潔等)。在一些實施例中,校正動作導致設計優化(例如,針對優化的產品更新製造參數、製造製程、製造設備124等等)。
客戶端裝置106可以包括校正動作部件108。校正動作部件108可以(例如經由經由客戶端裝置106顯示的GUI)接收與製造設備124相關聯的指示的使用者輸入。在一些實施例中,校正動作部件108將指示發送到預測系統110,從預測系統110接收輸出(例如預測資料164),基於輸出確定校正動作,並使校正動作得以實施。在一些實施例中,校正動作部件108將與製造設備124相關聯的指示發送到預測系統110,從預測系統110接收校正動作的指示,並使校正動作得以實施。
資料整合伺服器102、預測伺服器112、感測器伺服器122、計量伺服器132、伺服器機器170和伺服器機器180,可各自包括一個或多個計算裝置,諸如機架式伺服器、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)、加速器專用積體電路(ASIC)(例如張量處理單元(TPU))等。
資料整合伺服器102可以包括資料整合部件104。資料整合部件104可以接收感測器資料142組(例如,來自感測器伺服器122、來自資料儲存器140)和計量
資料組150(例如,來自計量伺服器132、來自資料儲存器140),確定感測器資料142組和計量資料組150之間的感測器-計量匹配,基於感測器-計量匹配生成聚合的感測器-計量資料組158,並將聚合的感測器-計量資料組158儲存在資料儲存器140中。
預測伺服器112可以包括預測部件114。在一些實施例中,預測部件114可以從資料儲存器中檢索聚合的感測器-計量資料158和當前感測器資料162,並基於聚合的感測器-計量資料158和當前感測器資料162生成用於執行與製造設備124相關聯的校正動作的輸出(例如,預測資料164)。在一些實施例中,預測部件114可以使用受過訓練的機器學習模型190來基於當前感測器資料162來確定用於執行校正動作的輸出。經訓練的機器學習模型190可以使用聚合的感測器-計量資料158來進行訓練,以學習關鍵處理和硬體參數。由經訓練的機器學習模型190產生對執行校正動作的輸出,可包括由經訓練的機器學習模型190規定最佳操作條件(例如製程參數)及/或空間(例如硬體參數)。在一些實施例中,預測部件114藉由將當前感測器資料162提供給經過訓練的機器學習模型190,從經過訓練的機器學習模型190獲得輸出,並基於此輸出確定預測資料164,來確定用於執行校正動作的預測資料164。
資料儲存器140可以是記憶體(例如隨機存取記憶體)、磁碟機(例如硬碟機、快閃碟)、資料庫系統、或能夠儲存資料的另一類型的部件或裝置。資料儲存器
140可包括可跨越多個計算裝置(例如多個伺服器電腦)的多個儲存部件(例如多個磁碟機或多個資料庫)。資料儲存器140可以儲存感測器資料142、計量資料150、聚合的感測器-計量資料158、當前感測器資料162和預測資料164(例如,預測的計量資料)。感測器資料142、計量資料150和聚合的感測器計量資料158,可以是歷史資料(例如,用於訓練機器學習模型190)。當前感測器資料162可以是感測器資料(例如,在感測器資料142之後),針對感測器資料將生成預測資料164(例如,用於基於歷史資料執行校正動作)。
感測器資料142可以包括感測器值、感測器資料標識符146和產品標識符148。計量資料150可以包括計量值152、計量資料標識符154和產品標識符156。感測器資料142的每個實例(例如資料組)可以對應於對應的產品載體(例如,與感測器資料標識符146關聯)、對應的時間戳(例如,與感測器資料標識符146關聯)和/或對應的產品(例如,與產品標識符148關聯)。計量資料150的每個實例(例如資料組)可以對應於對應的產品載體(例如,與計量資料標識符154關聯)、對應的時間戳(例如,與計量資料標識符154關聯)和/或對應的產品(例如,與產品標識符156關聯)。
在一些實施例中,客戶端裝置106可以在資料儲存器140中儲存當前的感測器資料(例如,在生成聚合的感測器-計量資料158之後接收的感測器資料、沒有計量資
料的感測器資料),且預測伺服器112可以從資料儲存器140中檢索當前感測器資料。在一些實施例中,預測伺服器112可以將受過訓練的機器學習模型190的輸出(例如,預測資料164)儲存在資料儲存器140中,並且客戶端裝置106可以從資料儲存器140中檢索輸出。
在一些實施例中,預測系統110亦包括伺服器機器170和伺服器機器180。伺服器機器170包括資料組生成器172,資料組生成器172能夠產生資料組(例如一組資料輸入和一組目標輸出)以訓練、驗證或測試機器學習模型190。資料組生成器172的一些操作在下面參考圖2與圖5詳細描述。在一些實施例中,資料組生成器172可以將聚合的感測器-計量資料158劃分為訓練組(例如聚合的感測器-計量資料158的百分之六十)、驗證組(例如聚合的感測器-計量資料158的百分之二十)和測試組(例如聚合的感測器-計量資料158的百分之二十)。在一些實施例中,預測系統110(例如,經由預測部件114)生成多組特徵。例如,第一組特徵可以是與每個資料組(例如訓練組、驗證組和測試組)相對應的第一組感測器資料(例如來自第一組感測器),而第二組特徵可以是對應於每個資料組的第二組類型感測器資料(例如來自不同於第一組感測器的第二組感測器)。
伺服器機器180包括訓練引擎182、驗證引擎184、選擇引擎185及/或測試引擎186。引擎(例如訓練引擎182、驗證引擎184、選擇引擎185和測試引擎186)
可以代表硬體(例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等)、軟體(諸如在處理裝置、通用電腦系統或專用機器上運行)、韌體、微代碼或其組合。訓練引擎182可能夠使用與來自資料組生成器172的訓練組相關聯的一組或多組特徵來訓練機器學習模型190。訓練引擎182可生成多個經訓練的機器學習模型190,其中每個經訓練的機器學習模型190對應於訓練組的不同特徵組(例如來自不同感測器組的感測器資料)。例如,可使用所有特徵(例如X1-X5)來訓練第一經訓練機器學習模型,可以使用特徵的第一子集(例如X1、X2、X4)來訓練第二經訓練機器學習模型,並且可已經使用可能與特徵的第一子集部分重疊的特徵的第二子集(例如X1、X3、X4和X5)訓練了第三經訓練機器學習模型。
驗證引擎184可能能夠使用來自資料組生成器172的驗證組的對應特徵組,來驗證經訓練的機器學習模型190。例如,可使用驗證組的第一組特徵,來驗證使用訓練組的第一組特徵來訓練的第一經訓練機器學習模型190。驗證引擎184可基於驗證組的對應特徵組,來確定每個經訓練的機器學習模型190的準確性。驗證引擎184可丟棄具有不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可能能夠選擇具有滿足閾值精度的精度的一個或多個經訓練的機器學習模型190。在一些實施例中,選擇引擎185可能能夠選擇經訓練
的機器學習模型190中具有最高精度的經訓練的機器學習模型190。
測試引擎186可能能夠使用來自資料組生成器172的驗證組的對應特徵組,來驗證經訓練的機器學習模型190。例如,可使用測試組的第一組特徵,來測試使用訓練組的第一組特徵來訓練的第一經訓練機器學習模型190。測試引擎186可基於測試組,來確定在所有經訓練的機器學習模型中具有最高精度的經訓練的機器學習模型190。
機器學習模型190可代表由訓練引擎182使用訓練組創建的模型人工產物,訓練組包括資料輸入和對應的目標輸出(各個訓練輸入的正確答案)。可找到資料組中的模式,這些模式將資料輸入映射到目標輸出(正確答案),並且為機器學習模型190提供了捕獲這些模式的映射。機器學習模型190可以使用線性回歸、隨機森林、神經網路(例如人工神經網路)等等中的一項或多項。
預測部件114可以將當前感測器資料162提供給經過訓練的機器學習模型190,並且可以對輸入運行經過訓練的機器學習模型190以獲得一個或多個輸出。預測部件114能夠從受過訓練的機器學習模型190的輸出確定(例如提取)預測資料164,並且可以從輸出確定(例如提取)置信度資料,置信度資料指示預測資料164對應於在當前感測器值下使用製造設備124生產或將要生產的產品的程度。預測部件114或校正動作部件108可以使用置信度資料
基於預測資料164來決定是否引發與製造設備124相關聯的校正動作。
置信度資料可以包括或指示預測資料164對應於與當前感測器資料162相關聯的產品的屬性資料的置信度位準。在一個示例中,置信度是介於0和1之間(包括0和1)的實數,其中0表示對於預測資料164對應於與當前感測器資料162相關的產品的屬性資料沒有信心,而1表示對於預測資料164對應於與當前感測器資料162相關聯的產品的屬性資料絕對信心。在一些實施例中,系統100可以使用預測系統110來確定預測資料164,而不是使用計量設備134來確定計量資料。在一些實施例中,響應於置信度資料指示低於閾值位準的置信度位準,系統100可以使計量設備134生成計量資料。響應於置信度資料指示對於預定數目的實例(例如實例的百分比、實例的頻率、實例的總數等)置信度低於閾值位準,預測部件114可以導致受過訓練的機器學習模型190被重新訓練(例如,基於當前感測器資料162和對應於當前感測器資料162的計量資料等)。
為了說明而非限制的目的,本揭示內容的各態樣描述了使用聚合的感測器-計量資料158對機器學習模型的訓練,並將當前感測器資料162輸入到經過訓練的機器學習模型中以確定預測資料164。在其他實施方式中,使用啟發式模型或基於規則的模型,以確定預測資料164(例如不使用經訓練的機器學習模型)。預測部件114可以監
視聚合的感測器-計量資料158。針對於圖2的資料輸入210描述的任何資訊,可以在啟發式或基於規則的模型中監視或以其他方式使用。
在一些實施例中,資料整合伺服器102、客戶端裝置106、預測伺服器112、感測器伺服器122、計量伺服器132、伺服器機器170和伺服器機器180的功能,可以由更少數量的機器來提供。例如,在一些實施例中,伺服器機器170和180可以被整合到單個機器中,而在其他一些實施例中,伺服器機器170、伺服器機器180和預測伺服器112可以被整合到單個機器中。在一些實施例中,感測器伺服器122、計量伺服器132和資料整合伺服器102可以被整合到單個機器中。
通常,在一個實施例中描述的由資料整合伺服器102、客戶端裝置106、預測伺服器112、感測器伺服器122、計量伺服器132、伺服器機器170和伺服器機器180執行的功能,在其他實施例中也可以在預測伺服器112上執行,若合適。另外,歸因於特定部件的功能,可以藉由一起操作的不同或多個部件來執行。例如,在一些實施例中,預測伺服器112可以基於預測資料來確定校正動作。在另一個實例中,客戶端裝置106可以基於來自經過訓練的機器學習模型的輸出來確定預測資料164。
另外,特定部件的功能可以藉由一起操作的不同或多個部件來執行。預測伺服器112、伺服器機器170或伺服器機器180中的一個或多個,可以藉由適當的應用程序
編程介面(API)作為提供給其他系統或裝置的服務來存取。
在實施例中,「使用者」可以被表示為單個個體。然而,本揭示內容的其他實施例所包括的「使用者」是由複數個使用者及/或自動源控制的實體。例如,聯合為一組管理員的一組個人使用者可以被視為「使用者」。
儘管就在製造設施(例如半導體製造設施)中生成聚合的感測器計量-資料158以執行校正動作來討論了本揭示內容的實施例,但是實施例通常亦可以應用於聚合資料的類型以執行動作。實施例通常可以應用於整合不同類型的資料。例如,感測器資料可以與對應的部件故障資料進行聚合,以預測部件的使用壽命。在另一個實例中,可以將圖像與對應的圖像分類進行聚合,以預測圖像的圖像分類。
圖2是根據某些實施例的示例資料組生成器272(例如圖1的資料組生成器172),以使用聚合的感測器-計量資料258(例如圖1的聚合的感測器計量資料158)為機器學習模型(例如圖1的模型190)創建資料組。圖2的系統200圖示了資料組生成器272、資料輸入210和目標輸出220。
在一些實施例中,資料組生成器272生成資料組(例如訓練組、驗證組、測試組),資料組包括一個或多個資料輸入210(例如訓練輸入、驗證輸入、測試輸入)和對應於資料輸入210的一個或多個目標輸出220。資料組
亦可以包括將資料輸入210映射到目標輸出220的映射資料。資料輸入210也可以稱為「特徵」、「屬性」或「資訊」。在一些實施例中,資料組生成器272可將資料組提供給訓練引擎182、驗證引擎184或測試引擎186,其中資料組用於訓練、驗證或測試機器學習模型190。可以針對圖5進一步描述生成訓練組的一些實施例。
在一些實施例中,資料組生成器272接收聚合的感測器-計量資料258,並基於聚合的感測器-計量資料258生成資料輸入210(例如,感測器資料242)和目標輸出220(例如,計量資料250)。資料組生成器272可以基於聚合的感測器-計量資料258來確定每組感測器資料242對每組計量資料250的映射。例如,對於聚合的感測器-計量資料組258中的每個組,資料組生成器272可以以資料結構(例如表格格式)接收聚合的感測器-計量資料組258的對應組、從資料結構中提取對應的感測器組以在資料輸入210中使用,從資料結構中提取對應的一組計量資料250以在目標輸出220中使用,並保持對應的感測器資料242對對應的計量資料250的映射(例如來自相同的資料結構)。
在一些實施例中,資料輸入210可包括用於感測器資料242(例如圖1的感測器資料142)的一組或多組特徵212A。感測器資料242的每個實例,可以包括來自一種或多種類型的感測器的感測器資料。目標輸出220可以包括計量資料250(例如圖1的計量資料150)。
在一些實施例中,資料組生成器272可生成與第一組特徵212A相對應的第一資料輸入,以訓練、驗證或測試第一機器學習模型,並且資料組生成器272可以生成與第二特徵組212B相對應的第二資料輸入,以訓練、驗證或測試第二機器學習模型。
在一些實施例中,資料組生成器272可以離散化資料輸入210或目標輸出220中的一個或多個(例如以用於回歸問題的分類算法中)。資料輸入210或目標輸出220的離散化,可以將變量的連續值轉換成離散值。在一些實施例中,資料輸入210的離散值指示離散製造參數以獲得目標輸出220(例如離散屬性資料)。
訓練、驗證或測試機器學習模型的資料輸入210和目標輸出220,可以包括針對特定設施(例如針對特定半導體製造設施)的資訊。例如,感測器資料242和計量資料250可以用於相同的製造設施。
在一些實施例中,用於訓練機器學習模型的資訊,可以來自具有特定性質的製造設施的特定類型的製造設備124,並且允許經訓練的機器學習模型基於對於與共享特定群組性質的一個或多個部件相關聯的當前感測器資料162的輸入,來確定特定群組的製造設備124的結果。在一些實施例中,用於訓練機器學習模型的資訊可以用於來自兩個或更多個製造設施的部件,並且可以允許經訓練的機器學習模型基於來自一個製造設施的輸入來確定部件的結果。
在一些實施例中,在生成資料組並使用此資料組訓練、驗證或測試機器學習模型190之後,可以對機器學習模型190進行進一步的訓練、驗證或測試(例如圖1的當前感測器資料162與當前計量資料)或調整(例如調整與機器學習模型190的輸入資料相關聯的權重,諸如神經網路中的連結權重)。
圖3是圖示根據某些實施例的用於生成預測資料364(例如圖1的預測資料164)的系統300的方塊圖。系統300可用於基於聚合的感測器-計量資料358(例如圖1的聚合的感測器-計量資料158)來確定與製造設備124相關聯的校正動作。
在框310處,系統300(例如圖1的預測系統110)執行聚合的感測器-計量資料358(例如圖1的聚合的感測器-計量資料158)的資料劃分(例如經由圖1的伺服器機器170的資料組生成器172),以生成訓練組302、驗證組304、和測試組306。例如,訓練組可以是聚合的感測器-計量資料358的60%,驗證組可以是聚合的感測器-計量資料358的20%,並且驗證組可以是聚合的感測器-計量資料358的20%。系統300可以為訓練組、驗證組和測試組的每一個生成複數個特徵組。例如,若聚合的感測器-計量資料358具有來自20個感測器(例如圖1的感測器126)和100個產品(例如分別對應於來自20個感測器的感測器資料的晶圓)的感測器資料,則第一組特徵集可以是感測器1-10,第二組特徵可以是感測器11-20,訓練組可以是產
品1-60,驗證組可以是產品61-80,測試組可以是產品81-100。在此實例中,訓練組的第一組特徵將是來自感測器1-10的對於產品1-60的感測器資料。
在方塊312處,系統300使用訓練集302執行模型訓練(例如經由圖1的訓練引擎182)。系統300可以使用訓練組302的多組特徵(例如訓練組302的第一組特徵、訓練組302的第二組特徵等)來訓練多個模型。例如,系統300可訓練機器學習模型,以使用訓練組中的第一組特徵(例如來自感測器1-10的對於產品1-60的感測器資料)來生成第一經訓練機器學習模型,並使用訓練組中的第二組特徵(例如來自感測器11-20的對於產品1-60的感測器資料)生成第二經訓練機器學習模型。在一些實施例中,第一經訓練機器學習模型和第二經訓練機器學習模型可以組合,以生成第三經訓練機器學習模型(例如,其可以比第一或第二經訓練機器學習模型本身更好的預測器)。在一些實施例中,在比較模型中使用的特徵組可以重疊(例如,第一組特徵是來自感測器1-15的感測器資料,而第二組特徵是感測器5-20)。在一些實施例中,可以生成數百個模型,包括具有特徵的各種排列的模型和模型的組合。
在方塊314,系統300使用驗證組304執行模型驗證(例如,經由圖1的驗證引擎184)。系統300可以使用驗證組304的對應的一組特徵來驗證每個經訓練模型。例如,系統300可使用驗證組中的第一組特徵(例如來自感測器1-10的對於產品61-80的感測器資料)來驗證第一經
訓練機器學習模型,並使用驗證組中的第二組特徵(例如來自感測器11-20的對於產品61-80的感測器資料)驗證第二經訓練機器學習模型。在一些實施例中,系統300可驗證在方塊312處生成的數百個模型(例如具有特徵的各種排列的模型、模型的組合等)。在方塊314處,系統300可確定一個或多個訓練模型中的每一個的精度(例如經由模型驗證),並且可以確定一個或多個訓練模型是否具有滿足閾值精度的精度。響應於確定沒有一個訓練模型具有滿足閾值精度的精度,流程返回到方塊312,其中系統300使用訓練組的不同特徵組執行模型訓練。響應於確定一個或多個訓練模型具有滿足閾值精度的精度,流程繼續到方塊316。系統300可丟棄具有低於閾值精度的精度(例如基於驗證組)的經訓練的機器學習模型。
在方塊316處,系統300執行模型選擇(例如經由圖1的選擇引擎185)以確定滿足閾值精度的一個或多個訓練模型中的哪一個具有最高精度(例如所選模型308,基於方塊314的驗證)。響應於確定滿足閾值精度的兩個或更多個經訓練的模型具有相同的精度,流程可返回到方塊312,其中系統300使用進一步改進的訓練組執行模型訓練,進一步改進的訓練組對應於進一步改進的特徵組,以確定具有最高精度的經訓練模型。
在方塊318處,系統300使用測試組306執行模型測試(例如經由圖1的測試引擎186)以測試所選模型308。系統300可使用測試組中的第一組特徵(例如來自感
測器1-10的對於產品81-100的感測器資料)測試第一經訓練機器學習模型,以確定第一經訓練機器學習模型是否滿足閾值精度(例如基於測試組306的第一組特徵)。響應於所選模型308的精度不滿足閾值精度(例如所選模型308過度擬合於訓練組302及/或驗證組304,並且不適用於其他資料組,諸如測試組306),流程繼續到方塊312,在方塊312中,系統300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)的不同訓練組來執行模型訓練(例如再訓練)。響應於基於測試組306確定所選模型308具有滿足閾值精度的精度,流程繼續至方塊320。在至少方塊312中,模型可以學習聚合的感測器-計量資料358中的模式以進行預測,並且在方塊318中,系統300可以將模型應用於其餘資料(例如測試組306)以測試預測。
在方塊320,系統300使用訓練後的模型(例如,選擇的模型308)來接收當前感測器資料362(例如圖1的當前感測器資料162),並從訓練後的模型的輸出中確定(例如提取)預測資料364(例如圖1的預測資料164),以執行與製造設備124相關聯的校正動作。
在一些實施例中,從計量伺服器(例如計量設備)接收當前計量資料(例如對應於當前感測器資料362),並且基於當前感測器資料362和當前計量資料來重新訓練模型308。
在一些實施例中,動作310-320中的一個或多個可以以各種順序及/或與在此未呈現和描述的其他動作一
起發生。在一些實施例中,可以不執行動作310-320中的一個或多個。例如,在一些實施例中,可以不執行方塊310的資料劃分、方塊314的模型驗證、方塊316的模型選擇或方塊318的模型測試中的一個或多個。
圖4A是根據某些實施例的感測器計量資料整合的方法400A的流程圖。方法400A可由處理邏輯執行,處理邏輯可包含硬體(例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等)、軟體(諸如在處理裝置、通用電腦系統或專用機器上運行)、韌體、微代碼或其組合。在一個實施例中,方法400A可以部分地由資料整合伺服器102(例如,資料整合部件104)執行。在一些實施例中,非暫態性儲存媒體儲存指令,指令在由處理裝置(例如整合伺服器102的處理裝置)執行時使處理裝置執行方法400A。
為了簡化說明,將方法400A描繪和描述為一系列動作。然而,根據本揭示內容的動作可以以各種順序及/或同時發生以及與在此未呈現和描述的其他動作一起發生。此外,根據所揭示的技術標的,並非需要執行所有圖示的動作來實施方法400A。另外,在本發明技術領域中具有通常知識者將理解並認識到,方法400A可替代地經由狀態圖或事件被表示為一系列相互關聯的狀態。
參照圖4A,在方塊402,處理邏輯接收感測器資料142(例如從感測器伺服器122、從資料儲存器140)。感測器資料142可以包括多組感測器資料,其中每組感測
器資料包括感測器值144和感測器資料標識符146(例如,LOT_ID)。每個感測器資料標識符146可以包括感測器載體標識符(例如,FOUP ID)和時間戳(例如,與由製造設備124處理產品的時間相對應的運行日期、運行時間等)。每組感測器資料(例如,感測器資料標識符146)可以包括對應的產品標識符148。
在一些實施例中,對於每組感測器資料142,感測器伺服器122可以從感測器126接收感測器值144(例如與製造產品的製造設備124的製造製程相關聯),並且可以接收感測器載體標識符(例如FOUP)來自與產品的產品載體(例如FOUP)相關聯的感測器標識符讀取器128(例如FOUP RFID閱讀器)。對於每組感測器資料,感測器伺服器122可以基於感測器載體標識符和時間戳生成感測器資料標識符146(例如LOT_ID)(例如,藉由將感測器載體標識符的至少一部分與時間戳的至少一部分進行級聯)。例如,對於FOUP ID 3044的感測器載體標識符和2018年11月14日的時間戳,感測器伺服器122可以生成F3044_111418的感測器資料標識符146。連接字符可以是為軟體架構選擇或方便使用的任何字符,例如「-」,「+」等。
感測器資料標識符146可以作為欄位或屬性被添加到感測器資料142的文件。在一些實施例中,感測器伺服器122在感測器資料142的文件上儲存載體標識符(例如FOUP ID)資訊。在一些實施例中,感測器伺服器122基
於FOUP ID加上日期戳加上時間戳來自動創建唯一的感測器資料標識符146(例如,LotID)。
在方塊404,處理邏輯接收計量資料150(例如從計量伺服器132、從資料儲存器140)。計量資料150可以包括多組計量資料,其中每組計量資料包括計量值152和計量資料標識符154。每個計量資料標識符154可以包括計量載體標識符(例如,FOUP ID)和時間戳(例如,日期、小時等,與測量計量的時間相對應)。每組計量資料(例如,計量資料標識符154)可包括對應的產品標識符156。
在一些實施例中,對於每組計量資料150,感測器伺服器122可以從計量設備134接收感測器值152(例如與製造設備124的製造製程所產出的產品相關聯),並且可以接收感測器載體標識符(例如FOUP)來自與產品的產品載體(例如FOUP)相關聯的計量標識符讀取器136(例如FOUP RFID閱讀器)。對於每組計量資料,計量伺服器132可以基於計量載體標識符和時間戳來生成計量資料標識符154。例如,對於F3044的計量載體標識符(例如,與對應感測器資料142的感測器載體標識符匹配)和2018年11月14日的時間戳,感測器伺服器122可以生成F3044_111418的計量資料標識符154。計量資料150可以保存在具有計量資料標識符154(例如LOT_ID)和附加上下文資訊(例如產品標識符156等)的計量文件中。
在一些實施例中,相同的產品載體(例如,FOUP)可以與感測器系統120(例如處理晶圓)和計量系統130(例如測量晶圓)中的相同的產品相關聯。對於同一產品,感測器載體標識符和計量載體標識符可以是相同的載體標識符。
在一些實施例中,計量伺服器132可以確定計量值152是對應於預先測量(例如,在獲得感測器值144的產品的處理之前提供的計量值152)亦是後測量(例如,在獲得感測器值144的產品的處理之後提供的計量值152)。計量伺服器132可以在計量資料標識符154中包括指示對應的計量值152是前測量還是後測量的指示。例如,與前測量相對應的計量資料150的文件名可以包含「PRE」,而沒有「PRE」的文件名可以被認為是後測量。
在一些實施例中,在第一時間點將與一組產品相對應的感測器值144(例如與相同的感測器資料標識符146和產品標識符148相對應)從感測器126提供給感測器伺服器122,並在第二時間點提供對應於同一組產品的計量值152(例如,對應於相同的計量資料標識符154和產品標識符156)。在一些實施例中,第一時間點和第二時間點對應於相同的日期(例如,相同的日期戳)。在一些實施例中,第一時間點和第二時間點是匹配的對應載體標識符(例如,對於相同的FOUP ID)的最接近的時間點。在一些實施例中,對於作為前測量的計量資料150,第二時間點是匹配的對應載體標識符(例如,對於相同的FOUP ID)在
第一時間點之前的最快時間點。在一些實施例中,對於作為後測量的計量資料150,第二時間點是匹配的對應載體標識符(例如,對於相同的FOUP ID)在第一時間點之後的最快時間點。
計量資料標識符154(例如,FOUP ID加時間戳)可以由計量伺服器132自動生成。在一些實施例中,計量資料標識符154可以藉由使用者輸入來生成。例如,計量伺服器132可以從使用者(例如,製程工程師)接收存取(例如查看、儲存等)一組計量資料150的請求(例如,工作指令)。計量伺服器132可以將計量資料組150發送到集中式資料庫以供使用者使用。使用者可以輸入計量資料標識符154(例如FOUP ID加時間戳、序列ID)作為所請求的計量資料150的創建文件名的一部分。亦可以藉由將FOUP###_DateStamp連接起來來創建文件名的手動輸入計量資料標識符154(例如,運行於2018年11月14日的FOUP ID 3044,在文件名FOUP3044_111418中具有以下字符串以及其他上下文資訊)。在一些實施例中,處理邏輯(例如,經由資料整合部件104)或計量伺服器132可以使用手動輸入的計量資料標識符154代替自動生成的計量資料標識符154(例如,響應於計量標識符讀取器136不讀取計量載體標識符)或驗證(例如抽查)自動生成的計量衡資料標識符154。
在方塊406處,處理邏輯確定每個對應的感測器資料標識符146和每個對應的計量資料標識符154之間的
共同部分(例如,子字串FOUP3044_111418)以標識感測器-計量匹配。在一些實施例中,處理邏輯搜索感測器伺服器122和計量伺服器132,並且匹配感測器伺服器122和計量伺服器132上的共同部分(例如,子字串FOUP3044_111418)。
每個共同部分(例如子字串)可以包括匹配(例如是相同的FOUP ID)的對應的感測器載體標識符和對應的計量載體標識符。每個共同部分可以包括最接近載體匹配(例如同一天、最近的時間點等)的對應的感測器時間戳(例如運行日期)和對應的計量時間戳。
在一些實施例中,處理邏輯識別與一組感測器資料142相對應的計量資料的前測量組150和/或計量資料的後測量組。為了確定與一組感測器資料142相對應的運行日期(例如感測器時間戳)的前測量計量資料,處理邏輯確定所有計量資料組150(例如來自所有計量設備134的計量文件),這些計量資料組具有在運行日期之前一段預定時間的對應時間戳(例如從運行日期回溯五天、運行日期和前五天的共同部分等等)、與載體標識符(例如,相同的FOUP ID)匹配、與產品標識符156(例如相同的插槽編號)匹配、並且是前測量(例如文件名中包含「PRE」)。處理邏輯可以選擇具有最接近運行日期之前的對應時間戳的計量資料150,作為要鏈接至感測器資料142的前測量計量資料。
為了確定運行日期的後測量計量資料,處理邏輯確定所有計量資料組150(例如來自所有計量設備134的計量文件),這些計量資料組具有在運行日期之後一段預定時間的對應時間戳(例如從運行日期往前五天、運行日期和隨後五天的共同部分等等)、與載體標識符匹配、與產品標識符156匹配、並且是後測量(例如文件名中不包含「PRE」)。處理邏輯可以選擇具有最接近運行日期之後的對應時間戳的計量資料150,作為要鏈接至感測器資料142的後測量計量資料。
處理邏輯可以選擇一組或多組計量資料150(例如最接近的前測量計量資料和最接近的後測量計量資料)以鏈接到一組感測器資料142。
在一些實施例中,感測器資料142藉由運行(例如製造製程)而儲存。每組感測器資料142可以對應於相同的運行。感測器資料142可以包括對應的製造設備124的標識符(例如工具ID)、對應的製造製程的標識符(例如運行ID)、時間戳(例如製造製程的開始時間、運行開始時間,諸如2018-11-14 5:00:00.000)、感測器資料標識符(例如批料ID,帶有時間戳的載體標識符,諸如F3044_111418)和製造製程標識符(例如配方)。表1中顯示了感測器資料142的示例資料結構(例如表格)。
在一些實施例中,計量資料150儲存在文件中,此文件包括文件標識符(例如文件ID)、文件名和計量處理(例如介電質測量、橢圓偏振法等)。文件名可以包括載體標識符(例如F3044)、時間戳(例如111418)或時間範圍(例如111418-11.15.18)、以及產品標識符(例如表示插槽號,諸如「_s1」)。表2中顯示了計量資料的示例資料結構(例如表格)。
處理邏輯可以從感測器伺服器122接收感測器資料142,並從計量伺服器132(例如,共享文件夾)接收計量資料150(例如,計量文件資料)。處理邏輯可以識別感測器資料142和計量資料150之間的共同屬性(例如載體標識符、時間戳、部分、子字串等等)。由於插槽的完整
性(例如產品在製造製程和計量過程中的順序相同),處理邏輯可能夠藉由感測器資料142的順序來識別與計量資料150的產品標識符156相對應的感測器資料142(例如,感測器資料142的第一時間戳對應於第一產品標識符156)。處理邏輯可以藉由關聯文件標識符、製造設備標識符和製造製程標識符,來提供計量資料150(例如計量文件)和感測器資料142(例如運行資料)之間的鏈接。處理邏輯可以提供GUI以顯示鏈接資訊。表3顯示了感測器資料142和計量資料150之間的鏈接的示例資料結構(例如,表格)。
表3顯示插槽2中的產品是在5:00時由工具A處理的,插槽4中的產品是在5:10時由工具A處理的,插槽1中的產品是在5:00時由工具B處理的,插槽3中的產品由工具B在5:10時處理的,插槽5中的產品由工具B在5:20進行處理的。處理邏輯可以生成聚合的感測器-計量資料
158,其中包括感測器資料142、計量資料150以及共同屬性的指示(例如,與表3中的鏈接屬性相似或不同)。
在方塊408,對於每個感測器-計量匹配,處理邏輯生成對應的一組聚合的感測器計量資料158(例如,聚合的感測器計量資料結構或資料表)。每組聚合的感測器計量資料158可以包括與對應的感測器資料標識符146相對應的對應感測器資料組,和與對應的計量資料標識符154相對應的對應計量資料組(例如為整合的、聚合的、鏈接的等等)。例如,聚合的感測器-計量資料結構可以包括感測器值144(例如,感測器_1至感測器_N)、產品標識符148(例如,晶圓ID)、感測器載體標識符(例如,FOUP_ID)、感測器時間戳(例如,日期戳,計量值152(例如厚度、折射率(RI)、介電常數(k)等),產品標識符156(例如晶圓ID)、計量載體標識符(例如FOUP_ID)和計量時間戳(例如日期戳),其中產品標識符148和產品標識符156匹配,感測器載體標識符和計量載體標識符匹配,並且感測器時間戳和計量時間戳匹配。
處理邏輯可以將具有產品標識符156(例如,Wafer_ID)的文件加入或鏈接為共同欄位或屬性。
在方塊410處,處理邏輯儲存聚合感測器-計量資料組158(例如在資料儲存器140中、在資料庫倉庫中、在技術資料倉庫中等)。聚合的感測器-計量資料組158中的每一個可以被儲存在對應的資料結構中(例如,在對應的表格中、在對應的文件中等)。
在一些實施例中,聚合的感測器-計量資料158被儲存在要基於感測器資料或計量資料進行搜索的資料庫中,以確定最佳製造參數(例如,與所搜索的計量資料相對應的感測器資料)或最佳產品屬性資料(例如,與搜索到的感測器資料相對應的計量資料)。
在一些實施例中,聚合的感測器-計量資料158(例如,標記的資料)被儲存以訓練機器學習模型190(例如,被監督的機器學習)以生成訓練的機器學習模型。經過訓練的機器學習模型可能能夠生成一個或多個輸出(例如人工智慧(AI)應用,諸如基於當前感測器資料162的輸入來生成預測資料164),以執行與製造設備124相關聯的校正動作。預測資料164可以在不使用計量系統130的情況下預測異常值(例如產品缺陷、產品超出規格等)。校正動作可以包括以下一種或多種:使GUI顯示警報、中斷製造設備的操作(例如,停止製造設備124、停止製造設備124的一部分、不在製造設備124上執行製造製程等)、或導致製造設備124的製造參數更新。
在一些實施例中,聚合的感測器-計量資料158作為分類資料儲存在集中位置(例如資料儲存器140)中,以備將來使用。習知上,感測器值和計量值儲存在不同的位置(例如,在使用者的膝上型電腦等等上)。可能有數百個感測器(例如超過500個),所以隨著時間的推移,感測器值會佔用大量儲存容量(例如,在使用者的膝上型電腦上),並且最終可能會被丟棄。方法400A可以用於在
長時間段(例如,數月、數年)中生成和儲存聚合的感測器-計量資料158,以用於以後的分析(例如,生成預測性資料、預測製造參數的更新以滿足目標屬性資料、預測部件故障、改進流程和設備、執行歷史分析等)。
處理邏輯可以在使用者不手動地將感測器值144和計量值152相關聯的情況下輸入而生成聚合的感測器-計量資料組158。處理邏輯可以在不使用OCR系統的情況下生成聚合感測器-計量資料組158。感測器伺服器122可以在沒有手動使用者輸入並且不使用OCR系統的情況下生成感測器資料142。計量系統130可以在沒有手動使用者輸入並且不使用OCR系統的情況下生成計量資料130。
在一些實施例中,每個產品載體具有承載產品(例如晶圓)的多個插槽,並且當產品由製造設備124處理(例如在腔室上)並被計量設備134發送用於計量測量(例如,要由製造設備124處理的第一產品是要由計量設備134測量的第一產品)時,可以保持插槽的完整性(例如插槽中的產品的順序)。
圖4B是根據某些實施例的感測器計量資料整合的方塊圖400B。方塊圖400B的部分可以與圖4A的方法400A的方塊相似或相同。
方塊圖400B可以包括感測器伺服器422(例如圖1的感測器伺服器420、FSS)、工具/處理系統420(例如圖1的感測器系統120)、計量系統430(例如圖1的計量系統130)、技術資料倉庫(TDW)440(例如圖1的
資料儲存器140)和資料儲存器450。工具/處理系統420可以包括製造設備424(例如圖1的製造設備124)、感測器426(例如圖1的感測器126)和FOUP RFID讀取器428(例如,圖1的感測器標識符讀取器128)。計量系統430可以包括計量設備434(例如,圖1的計量設備134)和FOUP RFID讀取器436(例如,圖1的計量標識符讀取器136)。
感測器伺服器422可以從工具/處理系統420接收感測器值142和感測器資料標識符146,以生成感測器資料442(例如,圖1的感測器資料142)。計量伺服器432(例如諸如Appslab的計量文件夾)可以從計量系統130接收計量值152和計量資料標識符154,以生成計量資料450(例如,圖1的計量資料150)。
資料整合伺服器102(例如,經由資料整合部件104)可以接收感測器資料442(例如,參見方塊402)和計量資料450(例如,參見方塊404)。在一些實施例中,資料整合伺服器102可以從使用者資料儲存器450接收FOUP ID和DateStamp的使用者輸入452(例如,手動輸入的)。使用者輸入452可以包括手工輸入計量資料標識符154。資料整合伺服器102可以將從計量伺服器432接收的計量資料450與使用者輸入452進行比較,以驗證計量資料450的準確性(例如抽查)。
資料整合伺服器102可以匹配共同部分(例如,子字串FOUP####_DateStamp)(例如,參見方塊
406)。資料整合伺服器102可以基於共同部分鏈接/加入文件於資料結構(例如,資料表)中(例如,方塊408),並且資料整合伺服器102可以將鏈接的資料儲存為聚合的感測器-計量資料458(例如圖1的聚合的感測器-計量資料158)於TDW 440中。
圖5是根據某些實施例的用於生成用於機器學習模型的資料組(例如圖1的預測資料164)以預測計量資料的方法500的流程圖。方法500可由處理邏輯執行,處理邏輯可包含硬體(例如電路系統、專用邏輯、可編程邏輯、微代碼、處理裝置等等)、軟體(諸如在處理裝置、通用電腦系統或專用機器上運行)、韌體、微代碼或其組合。在一些實施例中,方法500可以部分地由預測系統110(例如伺服器機器170、資料組生成器172等)執行。根據本揭示內容的實施例,預測系統110可使用方法500來進行訓練、驗證或測試機器學習模型中的至少一個。在一些實施例中,方法500的一個或多個操作可由伺服器機器170的資料組生成器172執行,如針對圖1和圖2所描述的。可以注意的是,參照圖1與圖2描述的部件可用於圖示圖6的態樣。在一些實施例中,非暫態性儲存媒體儲存指令,指令在由處理裝置(例如預測系統110的處理裝置)執行時使處理裝置執行方法500。
為了簡化說明,將方法500描繪和描述為一系列動作。然而,根據本揭示內容的動作可以以各種順序及/或同時發生以及與在此未呈現和描述的其他動作一起發生。
此外,根據所揭示的技術標的,並非需要執行所有圖示的動作來實施方法500。另外,在本發明技術領域中具有通常知識者將理解並認識到,方法500可替代地經由狀態圖或事件被表示為一系列相互關聯的狀態。
參照圖5,在一些實施例中,在方塊502處,處理邏輯實施方法500將訓練組T初始化為空組。
在方塊504處,處理邏輯生成包括感測器資料(例如,圖1的感測器資料142、圖2的感測器資料242)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,第一資料輸入可以包括用於感測器資料的類型的第一組特徵,並且第二資料輸入可以包括用於感測器資料的類型的第二組特徵(例如,如針對圖2所描述的)。處理邏輯可以基於聚合的感測器-計量資料158來生成資料輸入(例如,從聚合的感測器-計量資料158的資料結構或表中提取感測器資料142)。
在方塊506,處理邏輯為一個或多個資料輸入(例如,第一資料輸入)生成第一目標輸出。第一目標輸出可以是對應的計量資料(例如圖1的計量資料150、圖2的計量資料250、圖3的計量資料250)。處理邏輯可以基於聚合的感測器-計量資料158來生成目標輸出(例如,從聚合的感測器-計量資料158的相同資料結構或表格中提取計量資料150,資料輸入的感測器資料是從該資料結構或表格中提取的)。
在方塊508,處理邏輯可選地生成指示輸入/輸出映射的映射資料。輸入/輸出映射(或映射資料)可代表資料輸入(例如本文所述的資料輸入中的一個或多個)、資料輸入的目標輸出(例如其中目標輸出標識計量資料150)、以及資料輸入和目標輸出之間的關聯。映射資料可以基於共同資料結構或聚合的感測器-計量資料158的表格,從中提取資料輸入和目標輸出。
在方塊510處,處理邏輯將在方塊510處生成的映射資料添加到資料組T。
在方塊512處,根據資料組T是否足以進行訓練、驗證或測試機器學習模型190中的至少一個,處理邏輯隨後分支進行不同的處理。若是,則執行前進到方塊514,否則執行回到方塊504。應當注意,在一些實施例中,可以簡單地基於資料組中的輸入/輸出映射的數量來確定資料組T是否充分,而在其他一些實施方式中,除了輸入/輸出映射的數量之外或代替輸入/輸出映射的數量,可以基於一個或多個其他標準(例如資料實例的多樣性、精度等的計量)來確定資料組T是否充分。
在方塊514,處理邏輯提供資料組T(例如,提供給伺服器機器180)以訓練、驗證和/或測試機器學習模型190。在一些實施例中,資料組T是訓練組,並且被提供給伺服器機器180的訓練引擎182以執行訓練。在一些實施例中,資料組T是驗證組,並且被提供給伺服器機器180的驗證引擎184以執行驗證。在一些實施例中,資料組T是測試
組,並且被提供給伺服器機器180的驗證引擎184以執行測試。在神經網路的情況下,例如,給定輸入/輸出映射的輸入值(例如與資料輸入210關聯的數值)被輸入到神經網路,並且輸入/輸出映射的輸出值(例如與目標輸出220關聯的數值)儲存在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結權重,並對資料組T中的其他輸入/輸出映射重複程序。在方塊514之後,機器學習模型(例如機器學習模型190)可以是以下至少一種:使用伺服器機器180的訓練引擎182進行訓練、使用伺服器機器180的驗證引擎184進行驗證、或使用伺服器機器180的測試引擎186進行測試。訓練後的機器學習模型可以由(預測伺服器112的)預測部件114實施,以生成用於執行與製造設備124相關聯的校正動作的預測資料164。
圖6是圖示根據某些實施例的電腦系統600的方塊圖。在一些實施例中,電腦系統600可以(例如經由諸如區域網路(LAN)、內聯網、外聯網或網際網路的網路)連接到其他電腦系統。電腦系統600可在客戶端-伺服器環境中以伺服器或客戶端電腦的能力來操作,或者在對等或分佈式網路環境中作為對等電腦來操作。電腦系統600可為個人電腦(PC)、平板電腦、機上盒(STB)、個人數位助理(PDA)、蜂巢式電話、網頁器件、伺服器、網路路由器、交換器或橋接器、或能夠執行指定此裝置要(循序地或以其他方式)採取的動作的一組指令的任何裝置。
此外,用詞「電腦」應包括單獨地或共同地執行一組(或多組)指令以執行本文所述的任何一個或多個方法的電腦的任何集合。
在另一態樣中,電腦系統600可包括處理裝置602、揮發性記憶體604(例如隨機存取記憶體(RAM)),非揮發性記憶體606(例如唯讀記憶體(ROM)或電子可抹除可編程ROM(EEPROM)和資料儲存裝置618,它們可以經由匯流排608相互通信。
處理裝置602可以由一個或多個處理器(諸如通用處理器(例如複雜指令集計算(CISC)微處理器、精簡指令集計算(RISC)微處理器,非常長的指令字(VLIW)微處理器、實施其他類型指令集的微處理器或實施多種類型指令集的組合的微處理器)或專用處理器(例如特定應用積體電路(ASIC)、現場可編程閘陣列(FPGA)、數位信號處理器(DSP)或網路處理器)。
電腦系統600可以進一步包括網路介面裝置622。電腦系統600亦可以包括視頻顯示單元610(例如LCD)、字母數字輸入裝置612(例如鍵盤)、游標控制裝置614(例如滑鼠)、以及信號生成裝置620。
在一些實施方式中,資料儲存裝置618可包括非暫態性電腦可讀取儲存媒體624,在其上可以儲存對本文所述的方法或功能中的任何一個或多個進行編碼的指令626,包括編碼圖1的部件(例如資料整合部件104、校正
動作部件108、預測部件114等)並用於實施本文所述方法的指令。
在電腦系統600執行指令期間,指令626亦可以全部或部分地駐留在揮發性記憶體604內及/或處理裝置602內,因此,揮發性記憶體604和處理裝置602也可以構成機器可讀取儲存媒體。
雖然電腦可讀取媒體624被在示例性實例中示為單一媒體,但用詞「電腦可讀取儲存媒體」應被視為包含儲存一或更多可執行指令組的單一媒體或多個媒體(例如集中式或分散式資料庫,及/或相關聯的快取與伺服器)。用詞「電腦可讀取儲存媒體」亦應被視為包含能夠儲存或編碼指令組的任何有形媒體,此指令組要由電腦執行並使電腦執行本揭示內容的方法之任一者或更多者。用詞「電腦可讀取儲存媒體」應包括但不限於固態記憶體、以及光學和磁性媒體。
本文描述的方法、部件和特徵可以由分立的硬體部件實施,或者可以整合在其他硬體部件(諸如ASIC、FPGA、DSP或類似裝置)的功能中,。另外,方法、部件和特徵可以由硬體裝置內的韌體模塊或功能電路系統來實施。此外,方法、部件和特徵可以以硬體裝置和電腦程式部件的任何組合或以電腦程式來實施。
除非另有明確說明,否則諸如「接收」、「確定」、「生成」、「儲存」、「導致」、「訓練」、「中斷」、「選擇」、「提供」、「顯示」等用詞,係指電腦系統或
類似的電子計算裝置的動作和過程,其將在電腦系統的暫存器和記憶體內的表示為物理(電子)量的資料,操縱和變換成類似地表示為電腦系統記憶體內的物理量的其他資料或暫存器或其他此類資訊儲存器、傳輸或顯示裝置。另外,本文所用的用詞「第一」、「第二」、「第三」、「第四」等是指用於區分不同要素的標籤,並且根據其數字名稱可能不具有序數含義。
本文描述的實例亦涉及用於執行本文描述的方法的設備。此設備可以被特別構造為用於執行本文描述的方法,或者它可以包括由儲存在電腦系統中的電腦程式選擇性地編程的通用電腦系統。這種電腦程式可以被儲存在電腦可讀取的有形儲存媒體中。
本文所述的方法和說明性實例並非固有地與任何特定電腦或其他裝置相關。可以根據本文描述的教示來使用各種通用系統,或者可以證明構造更專用的裝置來執行本文描述的方法及/或它們各自的功能、例程、子例程或操作中的每一個的便利。在上面的描述中闡述了各種這些系統的結構的實例。
上面的描述旨在是說明性的,而不是限制性的。儘管已經參考特定的說明性實例和實施方式描述了本揭示內容,但是將認識到,本揭示內容不限於所描述的實例和實施方式。因此,揭示內容的範疇應參照下列請求項來判定,並涵蓋這些請求項的完整均等範疇。
400B:方法
402:動作
404:動作
406:動作
408:動作
410:動作
420:處理系統
422:感測器伺服器
424:製造設備
426:感測器
428:FOUP RFID讀取器
430:計量系統
432:計量伺服器
434:計量設備
436:FOUP RFID讀取器
440:技術資料倉庫(TDW)
450:資料儲存器
452:使用者輸入
458:聚合的感測器-計量資料
Claims (17)
- 一種由處理邏輯執行的資料整合方法,該資料整合方法包含以下步驟:由該處理邏輯接收複數組感測器資料,其中每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應的感測器值和一對應的感測器資料標識符;由該處理邏輯接收複數組計量資料,其中每組計量資料包括與藉由該製造設備生產該對應產品相關聯的對應的計量值和一對應的計量資料標識符;由該處理邏輯確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配;由該處理邏輯對於每個感測器-計量匹配,生成一對應的聚合的感測器-計量資料組,該對應的聚合的感測器-計量資料組包括與該對應的感測器資料標識符相對應的一組對應的感測器資料和與該對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組;以及由該處理邏輯儲存該複數個聚合的感測器-計量資料組,以訓練一機器學習模型以提供一經過訓練的機器學習模型,其中該經過訓練的機器學習模型能夠生成一個或多個輸出以執行與該製造設備相關聯的一校正動作,其中該複數個計量資料組對應於產品的歷史屬性資料,並且其中該經過訓練的機器學習模型的該一個或多個輸 出包括預測的屬性資料。
- 如請求項1所述之資料整合方法,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符包括一對應的感測器載體標識符和一對應的感測器時間戳,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符包括一對應的計量載體標識符和一對應的計量時間戳。
- 如請求項2所述之資料整合方法,其中該等共同部分中的每個共同部分包含:匹配的該對應的感測器載體標識符和該對應的計量載體標識符;以及最接近複數個載體匹配的該對應的感測器時間戳和該對應的計量時間戳。
- 如請求項3所述之資料整合方法,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符進一步包括一對應的產品標識符,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符進一步包括該對應的產品標識符,其中該等感測器-計量匹配中的每個匹配包含匹配的產品標識符。
- 如請求項1所述之資料整合方法,其中該複數個聚合的感測器-計量資料組中的每一組被儲存為一表格。
- 如請求項1所述之資料整合方法,其中該校正動作包含以下的一個或多個: 由該處理邏輯使一圖形使用者介面顯示一警報;由該處理邏輯中斷該製造設備的運行;或由該處理邏輯實施對該製造設備的製造參數的更新。
- 一種資料整合系統,包含:一記憶體;以及一處理裝置,該處理裝置耦接至該記憶體以:接收複數組感測器資料,其中每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應的感測器值和一對應的感測器資料標識符;接收複數組計量資料,其中每組計量資料包括與藉由該製造設備生產該對應產品相關聯的對應的計量值和一對應的計量資料標識符;確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配;對於每個感測器-計量匹配,生成一對應的聚合的感測器-計量資料組,該對應的聚合的感測器-計量資料組包括與該對應的感測器資料標識符相對應的一組對應的感測器資料和與該對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組;以及儲存該複數個聚合的感測器-計量資料組,以訓練一機器學習模型以提供一經過訓練的機器學習模型,其中該經過訓練的機器學習模型能夠生成一個或多個輸 出以執行與該製造設備相關聯的一校正動作,其中該複數個計量資料組對應於產品的歷史屬性資料,並且其中該經過訓練的機器學習模型的該一個或多個輸出包括預測的屬性資料。
- 如請求項7所述之資料整合系統,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符包括一對應的感測器載體標識符和一對應的感測器時間戳,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符包括一對應的計量載體標識符和一對應的計量時間戳。
- 如請求項8所述之資料整合系統,其中該等共同部分中的每個共同部分包含:匹配的該對應的感測器載體標識符和該對應的計量載體標識符;以及最接近複數個載體匹配的該對應的感測器時間戳和該對應的計量時間戳。
- 如請求項9所述之資料整合系統,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符進一步包括一對應的產品標識符,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符進一步包括該對應的產品標識符,其中該等感測器-計量匹配中的每個匹配包含匹配的產品標識符。
- 如請求項9所述之資料整合系統,其中該複數個聚合的感測器-計量資料組中的每一組被儲存為一 表格。
- 如請求項9所述之資料整合系統,其中該校正動作包含以下的一個或多個:使一圖形使用者介面顯示一警報;中斷該製造設備的運行;或實施對該製造設備的製造參數的更新。
- 一種非暫態性電腦可讀取媒體,其上儲存了指令,該等指令在由一處理裝置執行時使該處理裝置:接收複數組感測器資料,其中每組感測器資料包括與藉由製造設備生產對應產品相關聯的對應的感測器值和一對應的感測器資料標識符;接收複數組計量資料,其中每組計量資料包括與藉由該製造設備生產該對應產品相關聯的對應的計量值和一對應的計量資料標識符;確定每個對應的感測器資料標識符和每個對應的計量資料標識符之間的共同部分,以識別感測器-計量匹配;對於每個感測器-計量匹配,生成一對應的聚合的感測器-計量資料組,該對應的聚合的感測器-計量資料組包括與該對應的感測器資料標識符相對應的一組對應的感測器資料和與該對應的計量資料標識符相對應的一組對應的計量資料,以生成複數個聚合的感測器-計量資料組;以及儲存該複數個聚合的感測器-計量資料組,以訓練一機器學習模型以提供一經過訓練的機器學習模型,其中該 經過訓練的機器學習模型能夠生成一個或多個輸出以執行與該製造設備相關聯的一校正動作,其中該複數個計量資料組對應於產品的歷史屬性資料,並且其中該經過訓練的機器學習模型的該一個或多個輸出包括預測的屬性資料。
- 如請求項13所述之非暫態性電腦可讀取媒體,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符包括一對應的感測器載體標識符和一對應的感測器時間戳,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符包括一對應的計量載體標識符和一對應的計量時間戳。
- 如請求項14所述之非暫態性電腦可讀取媒體,其中該等共同部分中的每個共同部分包含:匹配的該對應的感測器載體標識符和該對應的計量載體標識符;以及最接近複數個載體匹配的該對應的感測器時間戳和該對應的計量時間戳。
- 如請求項15所述之非暫態性電腦可讀取媒體,其中對於該複數個感測器資料組中的每一組,該對應的感測器資料標識符進一步包括一對應的產品標識符,並且其中,對於該複數個計量資料組中的每一組,該對應的計量資料標識符進一步包括該對應的產品標識符,其中該等感測器-計量匹配中的每個匹配包含匹配的產品標識符。
- 如請求項13所述之非暫態性電腦可讀取媒體,其中該複數個聚合的感測器-計量資料組中的每一組被儲存為一表格。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201962807619P | 2019-02-19 | 2019-02-19 | |
US62/807,619 | 2019-02-19 | ||
US16/791,081 US11592812B2 (en) | 2019-02-19 | 2020-02-14 | Sensor metrology data integration |
US16/791,081 | 2020-02-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202040500A TW202040500A (zh) | 2020-11-01 |
TWI818153B true TWI818153B (zh) | 2023-10-11 |
Family
ID=72043419
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112135587A TW202403658A (zh) | 2019-02-19 | 2020-02-19 | 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 |
TW109105293A TWI818153B (zh) | 2019-02-19 | 2020-02-19 | 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112135587A TW202403658A (zh) | 2019-02-19 | 2020-02-19 | 用於感測器計量資料整合的方法、系統與電腦可讀取媒體 |
Country Status (7)
Country | Link |
---|---|
US (2) | US11592812B2 (zh) |
JP (2) | JP7471312B2 (zh) |
KR (2) | KR102611824B1 (zh) |
CN (1) | CN113454552B (zh) |
SG (1) | SG11202108577UA (zh) |
TW (2) | TW202403658A (zh) |
WO (1) | WO2020172186A1 (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9606519B2 (en) * | 2013-10-14 | 2017-03-28 | Applied Materials, Inc. | Matching process controllers for improved matching of process |
US11940488B2 (en) | 2017-01-05 | 2024-03-26 | Xcalipr Corporation | Systems and methods for high precision optical characterization of carrier transport properties in semiconductor manufacturing |
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
US11375582B2 (en) * | 2020-10-16 | 2022-06-28 | Verizon Patent And Licensing Inc. | Systems and methods for scalable edge-based microcontrollers |
CN112364561B (zh) * | 2020-10-26 | 2022-07-26 | 上海感探号信息科技有限公司 | 控车动作修正方法、装置、电子设备和存储介质 |
TWI777317B (zh) | 2020-11-30 | 2022-09-11 | 智慧貼紙股份有限公司 | 多點量測系統及其方法 |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
US11961030B2 (en) * | 2022-01-27 | 2024-04-16 | Applied Materials, Inc. | Diagnostic tool to tool matching methods for manufacturing equipment |
US20240012399A1 (en) * | 2022-07-08 | 2024-01-11 | The Boeing Company | Property Prediction For Unconsolidated Composite Materials |
US11731317B1 (en) * | 2022-07-08 | 2023-08-22 | The Boeing Company | System and method for material manufacturing based on predicted properties of unconsolidated composite material |
CN115314995B (zh) * | 2022-08-08 | 2023-08-04 | 深圳市海曼科技股份有限公司 | 一种无线级联消防定位方法、装置、电子设备及存储介质 |
JP7274655B1 (ja) | 2022-09-09 | 2023-05-16 | Dmg森精機株式会社 | 携帯端末および計測管理プログラム |
CN117234170B (zh) * | 2023-11-16 | 2024-01-12 | 中钢集团武汉安全环保研究院有限公司 | 一种钢铁关键工艺参数监测管理方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130110263A1 (en) * | 2011-10-31 | 2013-05-02 | Applied Materials, Inc. | Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data |
TW201435969A (zh) * | 2012-11-29 | 2014-09-16 | Applied Materials Inc | 利用直接零件標識的增進的預防性維護 |
TWI488039B (zh) * | 2007-05-04 | 2015-06-11 | Applied Materials Inc | 用於呈現多變數錯誤貢獻之方法、設備、機器可存取媒體、電腦可讀取媒體、系統及使用者介面 |
TW201712440A (zh) * | 2015-07-24 | 2017-04-01 | Asml荷蘭公司 | 檢測設備、檢測方法、微影設備及製造方法 |
Family Cites Families (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06301690A (ja) * | 1993-04-13 | 1994-10-28 | Hitachi Ltd | 製造ライン及び該製造ラインにおける条件設定方法 |
IT1272036B (it) * | 1993-11-05 | 1997-06-11 | Marelli Autronica | Sistema di registraziome per una linea di produzione. |
US7401066B2 (en) | 2002-03-21 | 2008-07-15 | Applied Materials, Inc. | Correlation of end-of-line data mining with process tool data mining |
US6751518B1 (en) | 2002-04-29 | 2004-06-15 | Advanced Micro Devices, Inc. | Dynamic process state adjustment of a processing tool to reduce non-uniformity |
US6773931B2 (en) | 2002-07-29 | 2004-08-10 | Advanced Micro Devices, Inc. | Dynamic targeting for a process control system |
US7359759B2 (en) | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
CN101621016B (zh) | 2008-07-02 | 2011-10-05 | 中芯国际集成电路制造(上海)有限公司 | 在制造集成电路中用于缺陷检测的方法和系统 |
SG11201405844XA (en) * | 2012-03-18 | 2014-10-30 | Mfg System Insights India Pvt Ltd | A system and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending |
US9600571B2 (en) * | 2013-07-11 | 2017-03-21 | Neura, Inc. | Interoperability mechanisms for internet of things integration platform |
US10284651B2 (en) * | 2014-02-27 | 2019-05-07 | Harman International Industries, Incorporated | Data aggregation and delivery |
US9881072B2 (en) * | 2014-08-14 | 2018-01-30 | McAFEE, LLC. | Dynamic feature set management |
US20160342147A1 (en) | 2015-05-19 | 2016-11-24 | Applied Materials, Inc. | Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time |
CN106663169B (zh) | 2015-07-24 | 2021-03-09 | 策安保安有限公司 | 使用无监督式机器学习和优先权算法的高速威胁情报管理的系统及方法 |
EP3347827A4 (en) * | 2015-09-09 | 2019-03-27 | INTEL Corporation | SEPARATE APPLICATION SECURITY MANAGEMENT |
US20170090866A1 (en) * | 2015-09-25 | 2017-03-30 | Robert L. Vaughn | Universal sensor and/or sensor cluster to provide a detection pattern |
US10289949B2 (en) * | 2015-09-29 | 2019-05-14 | International Business Machines Corporation | Incident prediction and response using deep learning techniques and multimodal data |
JP6059375B1 (ja) * | 2016-02-09 | 2017-01-11 | ファナック株式会社 | 生産制御システムおよび統合生産制御システム |
US10747768B2 (en) * | 2016-06-14 | 2020-08-18 | Fuji Xerox Co., Ltd. | Data processing system and data processing method |
US10571899B2 (en) | 2016-08-18 | 2020-02-25 | i Smart Technologies Corporation | Operating state acquisition apparatus, production management system, and production management method for manufacturing line |
JP6382911B2 (ja) | 2016-11-01 | 2018-08-29 | ファナック株式会社 | ワイヤ放電加工機 |
JP6779314B2 (ja) * | 2016-12-26 | 2020-11-04 | 三菱電機株式会社 | 加工工程生成装置、加工工程生成方法およびプログラム |
WO2018204410A1 (en) * | 2017-05-04 | 2018-11-08 | Minds Mechanical, Llc | Metrology system for machine learning-based manufacturing error predictions |
TWI644190B (zh) | 2017-06-29 | 2018-12-11 | 台灣積體電路製造股份有限公司 | 製程系統與製程方法 |
JP7194184B2 (ja) * | 2017-07-27 | 2022-12-21 | アップストリーム セキュリティー リミテッド | コネクテッド車両サイバー・セキュリティのためのシステム及び方法 |
TWI647564B (zh) | 2017-11-07 | 2019-01-11 | 先智雲端數據股份有限公司 | 用於診斷資料中心儲存設備之剩餘壽命的方法與系統 |
US10969773B2 (en) | 2018-03-13 | 2021-04-06 | Applied Materials, Inc. | Machine learning systems for monitoring of semiconductor processing |
US11037573B2 (en) * | 2018-09-05 | 2021-06-15 | Hitachi, Ltd. | Management and execution of equipment maintenance |
US20200104639A1 (en) * | 2018-09-28 | 2020-04-02 | Applied Materials, Inc. | Long short-term memory anomaly detection for multi-sensor equipment monitoring |
US11263737B2 (en) | 2019-01-10 | 2022-03-01 | Lam Research Corporation | Defect classification and source analysis for semiconductor equipment |
US11592812B2 (en) | 2019-02-19 | 2023-02-28 | Applied Materials, Inc. | Sensor metrology data integration |
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 |
US11279032B2 (en) * | 2019-04-11 | 2022-03-22 | Applied Materials, Inc. | Apparatus, systems, and methods for improved joint coordinate teaching accuracy of robots |
US11610076B2 (en) * | 2019-08-07 | 2023-03-21 | Applied Materials, Inc. | Automatic and adaptive fault detection and classification limits |
US20210088867A1 (en) * | 2019-09-20 | 2021-03-25 | Kinestral Technologies, Inc. | Quality control of an electrochromic device |
US11513504B2 (en) * | 2019-10-18 | 2022-11-29 | Applied Materials, Inc. | Characterizing and monitoring electrical components of manufacturing equipment |
US11749543B2 (en) * | 2020-07-06 | 2023-09-05 | Applied Materials, Inc. | Chamber matching and calibration |
US11371148B2 (en) * | 2020-08-24 | 2022-06-28 | Applied Materials, Inc. | Fabricating a recursive flow gas distribution stack using multiple layers |
US11853042B2 (en) | 2021-02-17 | 2023-12-26 | Applied Materials, Inc. | Part, sensor, and metrology data integration |
-
2020
- 2020-02-14 US US16/791,081 patent/US11592812B2/en active Active
- 2020-02-18 JP JP2021547158A patent/JP7471312B2/ja active Active
- 2020-02-18 KR KR1020217030045A patent/KR102611824B1/ko active IP Right Grant
- 2020-02-18 KR KR1020237041852A patent/KR20230169475A/ko active Application Filing
- 2020-02-18 WO PCT/US2020/018673 patent/WO2020172186A1/en active Application Filing
- 2020-02-18 CN CN202080015312.3A patent/CN113454552B/zh active Active
- 2020-02-18 SG SG11202108577UA patent/SG11202108577UA/en unknown
- 2020-02-19 TW TW112135587A patent/TW202403658A/zh unknown
- 2020-02-19 TW TW109105293A patent/TWI818153B/zh active
-
2023
- 2023-02-27 US US18/114,915 patent/US20230205196A1/en active Pending
-
2024
- 2024-02-05 JP JP2024015763A patent/JP2024059663A/ja active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI488039B (zh) * | 2007-05-04 | 2015-06-11 | Applied Materials Inc | 用於呈現多變數錯誤貢獻之方法、設備、機器可存取媒體、電腦可讀取媒體、系統及使用者介面 |
US20130110263A1 (en) * | 2011-10-31 | 2013-05-02 | Applied Materials, Inc. | Bi-directional association and graphical acquisition of time-based equipment sensor data and material-based metrology statistical process control data |
TW201435969A (zh) * | 2012-11-29 | 2014-09-16 | Applied Materials Inc | 利用直接零件標識的增進的預防性維護 |
TW201712440A (zh) * | 2015-07-24 | 2017-04-01 | Asml荷蘭公司 | 檢測設備、檢測方法、微影設備及製造方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20210118243A (ko) | 2021-09-29 |
US20200264335A1 (en) | 2020-08-20 |
WO2020172186A1 (en) | 2020-08-27 |
US11592812B2 (en) | 2023-02-28 |
KR102611824B1 (ko) | 2023-12-07 |
CN113454552A (zh) | 2021-09-28 |
JP2022520247A (ja) | 2022-03-29 |
JP7471312B2 (ja) | 2024-04-19 |
JP2024059663A (ja) | 2024-05-01 |
CN113454552B (zh) | 2024-03-12 |
US20230205196A1 (en) | 2023-06-29 |
KR20230169475A (ko) | 2023-12-15 |
SG11202108577UA (en) | 2021-09-29 |
TW202403658A (zh) | 2024-01-16 |
TW202040500A (zh) | 2020-11-01 |
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 | |
US20200104639A1 (en) | Long short-term memory anomaly detection for multi-sensor equipment monitoring | |
US11853042B2 (en) | Part, sensor, and metrology data integration | |
TWI831893B (zh) | 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 | |
TW202343177A (zh) | 用於製造設備的診斷工具與工具之匹配和全跡比較下鑽分析方法 | |
TW202346959A (zh) | 用於製造設備的診斷工具與工具之匹配和比較下鑽分析方法 | |
TW202309791A (zh) | 晶圓上的降維 | |
CN118131709A (zh) | 传感器计量数据整合 | |
US20240062097A1 (en) | Equipment parameter management at a manufacturing system using machine learning | |
US11487848B2 (en) | Process abnormality identification using measurement violation analysis | |
US20240144464A1 (en) | Classification of defect patterns of substrates | |
TW202307599A (zh) | 半導體製造的生態效率(可持續性)儀表板 | |
TW202409764A (zh) | 用於基板處理設備的多維感測器資料的整體分析 | |
TW202343176A (zh) | 用於製造設備的診斷工具與工具之匹配方法 | |
TW202349153A (zh) | 用於判定處理設備效能的綜合分析模組 | |
TW202334771A (zh) | 與值無關的情況的識別和匹配 | |
CN118020083A (zh) | 使用缺陷模型估计缺陷风险并优化处理配方 |