[go: up one dir, main page]

CN113169044A - 高度共线响应空间中的规范性分析 - Google Patents

高度共线响应空间中的规范性分析 Download PDF

Info

Publication number
CN113169044A
CN113169044A CN201980082795.6A CN201980082795A CN113169044A CN 113169044 A CN113169044 A CN 113169044A CN 201980082795 A CN201980082795 A CN 201980082795A CN 113169044 A CN113169044 A CN 113169044A
Authority
CN
China
Prior art keywords
data
machine learning
learning model
manufacturing parameters
manufacturing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201980082795.6A
Other languages
English (en)
Other versions
CN113169044B (zh
Inventor
S·巴蒂亚
冯捷
D·坎特维尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Priority to CN202510234260.3A priority Critical patent/CN120068652A/zh
Priority to CN202510236342.1A priority patent/CN120068655A/zh
Publication of CN113169044A publication Critical patent/CN113169044A/zh
Application granted granted Critical
Publication of CN113169044B publication Critical patent/CN113169044B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • H10P74/203—
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/048—Interaction techniques based on graphical user interfaces [GUI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • H10P72/0604—
    • H10P72/0612—
    • H10P95/00—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/02—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness
    • G01B7/06—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness
    • G01B7/10—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance
    • G01B7/105—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring length, width or thickness for measuring thickness using magnetic means, e.g. by measuring change of reluctance for measuring thickness of coating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C11/00—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor
    • G11C11/02—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements
    • G11C11/16—Digital stores characterised by the use of particular electric or magnetic storage elements; Storage elements therefor using magnetic elements using elements in which the storage effect is based on magnetic spin effect
    • G11C11/165—Auxiliary circuits
    • G11C11/1675—Writing or programming circuits or methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/32—Gas-filled discharge tubes
    • H01J37/32431—Constructional details of the reactor
    • H01J37/32458—Vessel
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Human Computer Interaction (AREA)
  • Geometry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • General Factory Administration (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

描述了用于在高度共线响应空间中的规范性分析的方法、系统和非瞬态计算机可读介质。方法包括：接收与制造设备的制造参数相关的膜性质数据。方法进一步包括：确定膜性质数据是相关的并且与目标数据不同。方法进一步包括：选择与目标数据正交的膜性质数据的一组数据点。方法进一步包括：对此组数据点执行特征提取。方法进一步包括：基于特征提取确定对一个或多个制造参数的更新以满足目标数据。

Description

高度共线响应空间中的规范性分析
技术领域
本公开内容关于规范性分析，并且更具体地，关于高度共线响应空间中的规范性分析。
背景技术
生产产品的制造过程和制造设备(例如，在半导体和显示产业中)可能很复杂。确定对制造过程和制造设备的参数的更新以满足产品的目标性质可能是耗时的，并且可能取决于制造设施的管理员的领域专业知识。
发明内容
下文是本公开内容的简化概要，以提供对于本公开内容的一些方面的基本理解。此概要不是本公开内容的广泛概述。此概要既不旨在标识本公开内容的关键或重要元素，也不旨在描绘本公开内容的特定实施方式的任何范围或权利要求的任何范围。此概要的唯一目的是以简化形式呈现本公开内容的一些概念，作为稍后呈现的更详细描述的序言。
在本公开内容的一个方面中，方法可包括：接收与制造设备的制造参数相关的膜性质数据。方法进一步包括：确定膜性质数据是相关的并且与目标数据不同。方法进一步包括：由处理装置选择与目标数据正交的膜性质数据的一组数据点。方法进一步包括：由处理装置对此组数据点执行特征提取。方法进一步包括：基于特征提取确定对一个或多个制造参数的更新以满足目标数据。
在本公开内容的另一方面中，系统包括存储器与耦接至存储器的处理装置。处理装置接收与制造设备的制造参数相关联的膜性质数据，并确定膜性质数据是相关的并且与目标数据不同。处理装置进一步选择与目标数据正交的膜性质数据的一组数据点，并对此组数据点进行特征提取。处理装置进一步基于特征提取来确定对一个或多个制造参数的更新以满足目标数据。
在本公开内容的另一方面中，一种非瞬态计算机可读介质，其上存储了指令，指令在由处理装置执行时使处理装置：接收与制造设备的制造参数相关联的膜性质数据，并确定膜性质数据是相关的并且与目标数据不同。处理装置进一步选择与目标数据正交的膜性质数据的一组数据点，并对此组数据点进行特征提取。处理装置进一步基于特征提取确定对一个或多个制造参数的更新以满足目标数据。
附图说明
在附图的图中，通过示例而非限制的方式示出了本公开内容。
图1是根据某些实施例示出示例性系统架构的框图。
图2是根据某些实施例的用于为机器学习模型创建数据组的示例数据组生成器。
图3是示出根据某些实施例的确定对制造参数的更新以满足目标数据的框图。
图4至图6是根据某些实施例示出确定对制造参数的更新以满足目标数据的示例方法的流程图。
图7A至图7B是根据某些实施例示出确定对制造参数的更新以满足目标数据的图表。
图8是根据某些实施例示出计算机系统的框图。
具体实施方式
本文描述的是涉及高度共线响应空间中的规范性分析的技术。制造设备(例如半导体或显示处理工具)执行制造工艺以生产具有最终性质数据(例如膜性质数据)的产品(例如半导体晶片、半导体显示器等)。可以将所得的性质数据与目标数据(例如目标性质数据、规格)进行比较。响应于所得的性质数据不满足目标数据，可以更新制造设备的制造参数(例如硬件参数、工艺参数)以尝试满足目标数据。常规地，更新制造参数以尝试满足目标数据可能取决于管理员的领域专业知识、可能是临时性的(ad hoc)、并且可能受到限制。通过反复试错(trial and error)更新制造参数，管理员可以决定如何更新制造参数以尝试满足目标数据。管理员可能无法更新制造参数以满足目标数据。目标数据可以包括两个或更多个性质。例如，目标数据可以是多参数、多目标优化、约束优化问题、无约束优化问题等等中的一项或多项。常规地，管理员可能限于选择目标数据的一种性质，且然后更新制造参数以尝试满足目标数据的一种性质。当试图使所得性质数据的一个性质满足目标数据时，所得性质数据的其他性质可能不满足目标数据，并且可能会增加与目标数据的偏差。常规地，管理员可受限于可以被更新的制造参数的数量或类型(例如可以同时被考虑用于更新的制造参数)。管理员可能无法更新制造参数来满足目标数据，这些目标数据是多参数、多目标优化、约束优化问题、无约束优化问题等中的一项或多项。
产品的性质数据可以是相关的(例如共线膜性质数据)。例如，在第一轴为第一性质而第二轴为第二性质的图表中，性质数据可形成线。此线可实质平行于目标数据(例如从目标数据偏移)。常规地，管理员无法调整制造参数，以使相关的性质数据(例如共线膜性质数据)满足目标数据。
本文公开的装置、系统和方法，在高度共线响应空间中使用规范性分析，来确定对一个或多个制造参数(例如工艺参数、设备参数、硬件设计变更等等)的更新以满足目标数据。处理装置接收与制造设备的制造参数相关联的膜性质数据，并确定膜性质数据是相关的并且与目标数据不同(例如不满足目标数据、无法满足目标数据、从目标数据偏离等)。处理装置选择与目标数据正交的膜性质数据的一组数据点，并对此组数据点进行特征提取。处理装置基于特征提取确定对一个或多个制造参数的更新以满足目标数据。
在一些实施例中，可以使用数据输入(例如历史或实验制造参数)和与数据输入相对应的目标输出(例如历史或实验膜性质数据)来训练机器学习模型。可以基于目标数据，从经训练的机器学习模型中获取反演解(inverted solution)。反演解可包括对制造参数的更新。在一些实施例中，为了获取反演解，可将经训练的机器学习模型反演、可将目标数据输入到反演的经训练的机器学习模型中、并且可以由反演的机器学习模型输出对制造参数的更新以满足目标数据。
在一些实施例中，可以经由图形用户界面显示对制造参数的更新。在一些实施例中，可以实现对制造参数的更新以满足目标数据。
本公开内容的方面的导致显著减少了能量消耗(例如电池消耗)、所需频宽、处理器管理负担等的技术优势。在一些实施例中，技术优势来自于确定对制造参数的更新以满足目标数据，而无需执行使用管理员的领域专业知识的临时性反复试错。与仰赖用户的领域专业知识的临时性反复试错相比，可以使用更少的能量、更少的频宽、更少的处理器管理负担来确定对制造参数的更新以满足目标数据。经由本公开内容确定的对制造参数的更新，可以产生具有与常规作法相比更接近目标数据的性质数据的产品。常规地，管理员可能无法确定对制造参数的更新以满足目标数据，这可能导致产品不满足规格。由本文描述的实施例确定的对制造参数的更新，可以产生具有满足目标数据的不同性质(例如满足规格，而不仅仅是试图接近目标数据的一个性质)的性质数据的产品。
图1是根据某些实施例示出示例性系统架构100的框图。系统架构100包括客户端装置120、制造设备124、测量设备126、规范性分析服务器130、和数据存储器140。规范性分析服务器130可为规范性分析系统110的部分。规范性分析系统110可进一步包括服务器机器170和180。
测量设备126可包括计量系统127或传感器128中的一个或多个。测量设备126可确定(例如经由计量设备127)由制造设备124生产的产品(例如晶片)的膜性质数据(例如历史或实验膜性质数据144、膜性质数据150、经测试的膜性质数据156)。测量设备126可确定(例如经由传感器128)与制造设备124相关联的制造参数(例如历史或实验制造参数146等)。
客户端装置120、制造设备124、测量设备126、规范性分析服务器130、数据存储器140、服务器机器170和服务器机器180可经由网络160彼此耦接，以确定对制造参数的更新154以满足目标数据152。在一些实施例中，网络160是公共网络，向客户端装置120提供对规范性分析服务器130、数据存储器140和其他市售计算装置的存取。在一些实施例中，网络160是私用网络，向客户端装置120提供对规范性分析服务器130、数据存储器140和其他私用计算装置的存取。网络160可包括一个或多个广域网络(WAN)、区域网络(LAN)、有线网络(例如以太网络)、无线网络(例如802.11网络或Wi-Fi网络)、蜂巢式网络(例如长期演进(LTE)网络)、路由器、集线器、交换器、服务器计算机、云端计算网络和/或其组合。
客户端装置120可包括诸如个人计算机(PC)、膝上型计算机、行动电话、智能电话、平板计算机、上网本计算机、连接网络的电视(“智能电视”)、连接网络的介质播放器(例如，蓝光播放器)、机顶盒、云上(over-the-top(OTT))流介质装置、运算子盒等等的计算装置。客户端装置120可能够经由网络160从测量设备126接收膜性质数据(例如历史或实验数据142、膜性质数据150、经测试的膜性质数据156)，从规范性分析系统110接收对制造参数的更新154等等。客户端装置120可能够经由网络160发送膜性质数据(例如历史或实验数据142、膜性质数据150、目标数据152、经测试的膜性质数据156)到规范性分析系统110，将对制造参数的更新154发送到制造设备124等等。在一些实施例中，客户端装置120可以基于对制造参数的更新154，来修改制造设备124的制造参数(例如工艺参数、硬件参数等)。每个客户端装置120可包括允许用户进行以下各项中的一项或多项的操作系统：生成、查看、或编辑数据(例如目标数据152、对制造参数的更新154、经测试的膜性质数据156等)。
客户端装置120可包括制造参数修改部件122。制造参数修改部件122可以接收目标数据152的用户输入(例如，通过经由客户端装置120显示的图形用户界面)。目标数据152可包括性质数据(例如膜性质数据)。在一些实施例中，客户端装置120将目标数据152发送到规范性分析服务器130，并且客户端装置120从规范性分析服务器130接收对制造参数的更新154以满足目标数据152。客户端装置120可基于对制造参数的更新154来使制造设备124的制造参数被更新(例如，将对制造参数的更新154发送给制造设备124，实施对制造参数的更新154)。客户端装置120可以响应于由制造设备124实施的对制造参数的更新，来接收经测试的膜性质数据156。客户端装置120可以将经测试的膜性质数据156发送到规范性分析系统110(例如规范性分析服务器130)，以更新经训练的机器学习模型190。
规范性分析服务器130可包括一个或多个计算装置，诸如机架式服务器、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上型计算机、平板计算机、桌上型计算机、图形处理单元(GPU)、加速器专用集成电路(ASIC)(例如张量处理单元(TPU))等。规范性分析服务器130可包括规范性分析部件132。在一些实施例中，规范性分析部件132可以使用历史或实验数据142来确定对制造参数的更新154以满足目标数据152。历史或实验数据142可以包括历史数据、实验数据或其组合。实验数据可以包括实验设计(DOE)数据。在一些实施例中，规范性分析部件132可以使用经训练的机器学习模型190来确定对制造参数的更新154以满足目标数据152。经训练的机器学习模型190可学习关键工艺和硬件参数。由经训练的机器学习模型190确定对制造参数的更新154，可包括由经训练的机器学习模型190规定最佳操作条件(例如工艺参数)和/或空间(例如硬件参数)。
规范性分析部件132可接收(例如从数据存储器140中检索)与制造设备124的制造参数相关联的膜性质数据150，确定膜性质数据150是相关的并且与目标数据152不同，并且确定对制造参数的更新154以满足目标数据152。在一些实施例中，规范性分析部件132通过选择与目标数据152正交的膜性质数据150的一组数据点，并对此组数据点执行特征提取，来确定对制造参数的更新154，其中对制造参数的更新154是基于特征提取的。在一些实施例中，可基于目标数据从经训练的机器学习模型获取反演解(例如对制造参数的更新)。反演解可包括对制造参数的更新。在一些实施例中，为了获取反演解，规范性分析部件132通过将目标数据152提供给经训练的机器学习模型来确定对制造参数的更新154。例如，可基于目标数据152从经训练的机器学习模型获取反演解(例如对制造参数的更新154)。在一些实施例中，规范性分析部件132通过将目标数据152提供给反演的经训练的机器学习模型(例如已经训练和反演的模型190)，从反演的经训练的机器学习模型获取输出，并且从输出中提取对制造参数的更新154，来确定对制造参数的更新154。反演的经训练的机器学习模型可选择与目标数据152正交的膜性质数据150的一组数据点，并对此组数据点执行特征提取，其中反演的经训练的机器学习模型的输出(例如对制造参数的更新154)为基于特征提取的。
数据存储器140可以是存储器(例如随机存取存储器)、驱动器(例如硬盘驱动器、闪存驱动器)、数据库系统、或能够存储数据的另一类型的部件或装置。数据存储器140可包括可跨越多个计算装置(例如多个服务器计算机)的多个存储部件(例如多个驱动器或多个数据库)。数据存储器140可存储历史或实验数据142、膜性质数据150、目标数据152、对制造参数的更新154、或经测试的膜性质数据156中的一个或多个。历史或实验数据142可包括一段时间或制造设备124的多次运行中的历史或实验膜性质数据144和历史或实验制造参数146。历史或实验膜性质数据144的每个示例，可对应于历史或实验制造参数146的相应示例(例如制造设备124用来生产具有历史或实验膜性质数据144的产品的历史或实验制造参数146的示例)。经测试的膜性质数据156的每个实例，可对应于对制造参数的更新154的各个实例(例如制造设备124用来生产具有经测试的膜性质数据156的产品的对制造参数的更新154的示例)。
在一些实施例中，制造参数包括制造设备124的设置或部件(例如尺寸、类型等)中的一个或多个。制造参数可包括温度(例如加热器温度)、间距(SP)、压力、高频射频(HFRF)、静电吸盘(ESC)的电压、电流、第一前驱物、第一稀释剂、第二稀释剂、第一反应物、第二反应物、第二前驱物等中的一个或多个。
在一些实施例中，膜性质数据包括基于测量设备数据的晶片空间膜性质(例如从耦合到制造设备124的测量设备126中检索到)。膜性质数据可包括介电常数、掺杂剂浓度、生长速率、密度等等中的一项或多项。
在一些实施例中，客户端装置120可以在数据存储器140中存储目标数据152和经测试的膜性质数据156，且规范性分析服务器130可从数据存储器140中检索目标数据152和经测试的膜性质数据156。在一些实施例中，规范性分析服务器130可将对制造参数的更新154存储在数据存储器140中，并且客户端装置120可从数据存储器140检索对制造参数的更新154。
在一些实施例中，规范性分析系统110还包括服务器机器170和服务器机器180。服务器机器170和180可为一个或多个计算装置(诸如机架式服务器、路由器计算机、服务器计算机、个人计算机、大型计算机、膝上型计算机、平板计算机、桌上型计算机等等)、GPU、ASIC(例如TPU)、数据存储器(例如硬盘、存储器数据库)、网络、软件部件、或硬件部件。
服务器机器170包括数据组生成器172，数据组生成器172能够产生数据组(例如一组数据输入和一组目标输出)以训练、验证或测试机器学习模型190。数据组生成器172的一些操作在下文参考图2和图6详细描述。在一些实施例中，数据组生成器172可将历史或实验数据142划分为训练组(例如历史或实验数据142的百分之六十)、验证组(例如历史或实验数据142的百分之二十)、和测试组(例如历史或实验数据142的百分之二十)。在一些实施例中，规范性分析部件132生成多组特征。例如，第一组特征可以是与每个数据组(例如训练组、验证组和测试组)相对应的第一组制造参数，而第二组特征可以是与每个数据组相对应的第二组制造参数(例如不同于第一组制造参数)。
服务器机器180包括训练引擎182、验证引擎184、选择引擎和测试引擎186。引擎(例如训练引擎182、验证引擎184、选择引擎和测试引擎186)可以指硬件(例如电路系统、专用逻辑、可编程逻辑、微代码、处理装置等等)、软件(诸如在处理装置、通用计算机系统或专用机器上运行的指令)、固件、微代码或者其组合。训练引擎182可能够使用与来自数据组生成器172的训练组相关联的一组或多组特征来训练机器学习模型190。训练引擎182可生成多个经训练的机器学习模型190，其中每个经训练的机器学习模型190对应于训练组的不同特征组。例如，可使用所有特征(例如X1-X5)来训练第一经训练的机器学习模型，可以使用特征的第一子集(例如X1、X2、X4)来训练第二经训练的机器学习模型，并且可以使用可能与特征的第一子集部分重叠的特征的第二子集(例如X1、X3、X4和X5)训练第三经训练的机器学习模型。
验证引擎184可能够使用来自数据组生成器172的验证组的对应特征组，来验证经训练的机器学习模型190。例如，可使用验证组的第一组特征，来验证使用训练组的第一组特征来训练的第一经训练的机器学习模型190。验证引擎184可基于验证组的对应特征组，来确定每个经训练的机器学习模型190的精度。验证引擎184可丢弃具有不满足阈值精度的精度的经训练的机器学习模型190。在一些实施例中，选择引擎185可能够选择具有满足阈值精度的精度的一个或多个经训练的机器学习模型190。在一些实施例中，选择引擎185可能够选择经训练的机器学习模型190中具有最高精度的经训练的机器学习模型190。
测试引擎186可能够使用来自数据组生成器172的测试组的对应特征组，来测试经训练的机器学习模型190。例如，可使用测试组的第一组特征，来测试使用训练组的第一组特征来训练的第一经训练的机器学习模型190。测试引擎186可基于测试组，来确定在所有经训练的机器学习模型中具有最高精度的经训练的机器学习模型190。
机器学习模型190可指由训练引擎182使用训练组创建的模型人工产物(modelartifact)，训练组包括数据输入和对应的目标输出(各个训练输入的正确答案)。可找到数据组中的模式，这些模式将数据输入映射到目标输出(正确答案)，并且为机器学习模型190提供了捕获这些模式的映射。机器学习模型190可以使用线性回归、随机森林、神经网络(例如人工神经网络)等等中的一项或多项。
经训练的机器学习模型190可以被反演(例如通过规范性分析部件132等)。规范性分析部件132可以将目标数据152(例如目标膜性质数据)作为输入提供给反演的经训练的机器学习模型190，并且可以对输入运行反演的经训练的机器学习模型190以获取一个或多个输出。如下文关于图5详细描述的，规范性分析部件132可能够从经训练的机器学习模型190的输出中提取对制造参数的更新154以满足目标数据152，并且可以从输出中提取指示置信度水平的置信度数据，置信度水平指示使用对制造参数的更新154来生产的一个或多个产品是否满足目标数据152(例如将在规格内)。规范性分析部件132可以使用置信度数据来决定是否使制造设备124实施对制造参数的更新154。
置信度数据可包括或指示使用对制造参数的更新154而产生的产品满足目标数据152的置信度水平。在一个示例中，置信度水平是介于0和1之间(包括0和1)的实数，其中0指示满足目标数据152的产品无置信度，而1指示满足目标数据152的产品的绝对置信度。
出于说明而非限制的目的，本公开内容的各方面描述了使用历史或实验数据142训练机器学习模型、反演经训练的机器学习模型、并将目标数据152输入到反演的经训练的机器学习模型中，以确定对制造参数更新的154。在其他实施方式中，使用启发式模型或基于规则的模型，以确定对制造参数的更新154(例如不使用经训练的机器学习模型)。规范性分析部件132可监视历史或实验数据142。关于图2的数据输入210描述的任何信息，可以在启发式或基于规则的模型中监视或以其他方式使用。
在一些实施例中，客户端装置120、规范性分析服务器130、服务器机器170和服务器机器180的功能，可以由更少数量的机器来提供。例如，在一些实施例中，服务器机器170和180可以被整合到单个机器中，而在其他一些实施例中，服务器机器170、服务器机器180和规范性分析服务器130可以被整合到单个机器中。
通常，在适当的情况下，在一个实施例中描述为由客户端装置120、规范性分析服务器130、服务器机器170和服务器机器180执行的功能，也可以在其他实施例中在规范性分析服务器130上执行。另外，归因于特定部件的功能性，可以通过一起操作的不同或多个部件来执行。例如，在一些实施例中，规范性分析服务器130可将对制造参数的更新154发送给制造设备124。在另一个示例中，客户端装置120可基于来自反演的经训练的机器学习模型的输出，来确定对制造参数的更新154。
另外，特定部件的功能可以通过一起操作的不同或多个部件来执行。规范性分析服务器130、服务器机器170或服务器机器180中的一个或多个，可以通过适当的应用程序编程界面(API)作为提供给其他系统或装置的服务来存取。
在实施例中，“用户”可以被表示为单个个体。然而，本公开内容的其他实施例所包括的“用户”是由多个用户和/或自动源控制的实体。例如，联合为一组管理员的一组个人用户可以被视为“用户”。
尽管就对制造设施(例如半导体制造设施)中的制造设备124的制造参数的更新154以满足目标数据152来论述了本公开内容的实施例，但是实施例通常也可以应用于满足目标数据。实施例通常可以应用于优化产品的性质数据(例如共线性质数据)。
图2是根据某些实施例的示例数据组生成器272(例如图1的数据组生成器172)，以使用历史或实验数据242(例如图1的历史或实验数据142)创建用于机器学习模型(例如图1的模型190)的数据组。图2的系统200示出了数据组生成器272、数据输入210和目标输出220。
在一些实施例中，数据组生成器272生成数据组(例如训练组、验证组、测试组)，数据组包括一个或多个数据输入210(例如训练输入、验证输入、测试输入)和对应于数据输入210的一个或多个目标输出220。数据组还可以包括将数据输入210映射到目标输出220的映射数据。数据输入210也可以称为“特征”、“属性”或“信息”。在一些实施例中，数据组生成器272可将数据组提供给训练引擎182、验证引擎184或测试引擎186，其中数据组用于训练、验证或测试机器学习模型190。可以关于图6进一步描述生成训练组的一些实施例。
在一些实施例中，数据输入210可包括用于历史或实验制造参数246(例如图1的历史或实验制造参数146)的一组或多组特征212A。历史或实验制造参数246的每个示例可包括一个或多个工艺参数214或硬件参数216。目标输出220可包括历史或实验膜性质数据244(例如图1的历史或实验膜性质数据144)。
在一些实施例中，数据组生成器272可生成与第一组特征212A相对应的第一数据输入，以训练、验证或测试第一机器学习模型，并且数据组生成器272可以生成与第二特征组212B相对应的第二数据输入，以训练、验证或测试第二机器学习模型。
在一些实施例中，数据组生成器272可以离散化数据输入210或目标输出220中的一个或多个(例如以用于回归问题的分类算法中)。数据输入210或目标输出220的离散化，可以将变量的连续值转换成离散值。在一些实施例中，数据输入210的离散值指示离散制造参数以获取目标输出220。
训练、验证或测试机器学习模型的数据输入210和目标输出220，可以包括针对特定设施(例如针对特定半导体制造设施)的信息。例如，历史或实验制造参数246和历史或实验膜性质数据244，可以用于与膜性质数据150、目标数据152、对制造参数的更新154和经测试的膜性质数据156相同的制造设施。
在一些实施例中，用于训练机器学习模型的信息，可以来自具有特定性质的制造设施的特定类型的制造设备124，并且允许经训练的机器学习模型基于对于与共享特定群组性质的一个或多个部件相关联的某个目标数据152的输入，来确定特定群组的制造设备124的结果。在一些实施例中，用于训练机器学习模型的信息可以用于来自两个或更多个制造设施的部件，并且可以允许经训练的机器学习模型基于来自一个制造设施的输入来确定部件的结果。
在一些实施例中，在生成数据组并使用此数据组训练、验证或测试机器学习模型190之后，可以对机器学习模型190进行进一步的训练、验证或测试(例如使用图1的对制造参数的更新154与经测试的膜性质数据156)或调整(例如调整与机器学习模型190的输入数据相关联的权重，诸如神经网络中的连结权重)。
图3是根据某些实施例示出用于生成对制造参数的更新354(例如图1的对制造参数的更新154)的系统300的框图。系统300可以是反馈系统，用于基于历史或实验数据342(例如图1的历史或实验数据142)来确定对制造参数的更新354以满足目标数据352(例如图1的目标数据152)。
在框310处，系统300(例如图1的规范性分析系统110)执行历史或实验数据342(例如图1的历史或实验数据142)的数据划分(例如经由图1的服务器机器170的数据组生成器172)，以生成训练组302、验证组304、和测试组306。例如，训练组可以是历史或实验数据342的60％，验证组可以是历史或实验数据342的20％，并且验证组可以是历史或实验数据342的20％。系统300可以为训练组、验证组和测试组的每一个生成多个特征组。例如，若历史或实验数据342具有20个制造参数(例如工艺参数、硬件参数)并且针对每个制造参数运行100次，则第一组特征可以是制造参数1-10，第二组特征可以是制造参数11-20，训练组可为运行1-60，验证组可为运行61-80，且测试组可为运行81-100。在此示例中，训练组的第一组特征将是运行1-60的制造参数1-10。
在框312处，系统300使用训练组302执行模型训练(例如经由图1的训练引擎182)。系统300可以使用训练组302的多组特征(例如训练组302的第一组特征、训练组302的第二组特征等)来训练多个模型。例如，系统300可训练机器学习模型，以使用训练组中的第一组特征(例如运行1-60的制造参数1-10)来生成第一经训练的机器学习模型，并使用训练组中的第二组特征(例如运行1-60的制造参数11-20)生成第二经训练的机器学习模型。在一些实施例中，第一经训练的机器学习模型和第二经训练的机器学习模型可以组合，以生成第三经训练的机器学习模型(例如，所述第三经训练的机器学习模型可以为比第一或第二经训练的机器学习模型本身更好的预测器)。在一些实施例中，在比较模型中使用的特征组可以重叠(例如，第一组特征是制造参数1-15，而第二组特征是制造参数5-20)。在一些实施例中，可生成数百个模型，包括具有特征的各种排列的模型和模型的组合。
在框314处，系统300使用验证组304执行模型验证(例如，经由图1的验证引擎184)。系统300可以使用验证组304的对应的一组特征来验证每个经训练的模型。例如，系统300可使用验证组中的第一组特征(例如运行61-80的制造参数1-10)来验证第一经训练的机器学习模型，并使用验证组中的第二组特征(例如运行61-80的制造参数11-20)验证第二经训练的机器学习模型。在一些实施例中，系统300可验证在框312处生成的数百个模型(例如具有特征的各种排列的模型、模型的组合等)。在框314处，系统300可确定一个或多个训练模型中的每一个的精度(例如经由模型验证)，并且可以确定一个或多个训练模型是否具有满足阈值精度的精度。响应于确定没有一个训练模型具有满足阈值精度的精度，流程返回到框312，其中系统300使用训练组的不同特征组执行模型训练。响应于确定一个或多个训练模型具有满足阈值精度的精度，流程继续到框316。系统300可丢弃具有低于阈值精度的精度(例如基于验证组)的经训练的机器学习模型。
在框316处，系统300执行模型选择(例如经由选择引擎315)以确定满足阈值精度的一个或多个训练模型中的哪一个具有最高精度(例如所选模型308，基于框314的验证)。响应于确定满足阈值精度的两个或更多个经训练的模型具有相同的精度，流程可返回到框312，其中系统300使用进一步改进的训练组执行模型训练，进一步改进的训练组对应于进一步改进的特征组，以确定具有最高精度的经训练的模型。
在框318处，系统300使用测试组306执行模型测试(例如经由图1的测试引擎186)以测试所选模型308。系统300可使用测试组中的第一组特征(例如运行81-100的制造参数1-10)测试第一经训练的机器学习模型，以确定第一经训练的机器学习模型是否满足阈值精度(例如基于测试组306的第一组特征)。响应于所选模型308的精度不满足阈值精度(例如所选模型308过度拟合于训练组302和/或验证组304，并且不适用于其他数据组，诸如测试组306)，流程继续到框312，在框312中，系统300使用对应于不同特征组(例如不同制造参数)的不同训练组来执行模型训练(例如再训练)。响应于基于测试组306确定所选模型308具有满足阈值精度的精度，流程继续至框320。在至少框312中，模型可以学习历史或实验数据342中的模式以进行预测，并且在框318中，系统300可以将模型应用于其余数据(例如测试组306)以测试预测。
在框320，系统300反演经训练的模型(例如所选模型308)。对于经训练的模型，响应于制造参数的输入，可从经训练的模型的输出中提取预测的膜性质数据。对于反演的经训练的模型，响应于目标数据352(例如目标膜性质数据)的输入，可以从反演的经训练的模型的输出中提取对制造参数的更新354。
在框322处，系统300使用反演的经训练的模型(例如所选模型308)来接收目标数据352(例如目标膜性质数据、图1的目标数据152)并从反演的经训练的模型的输出中提取对制造参数的更新354(例如，图1的对制造参数的更新154)。
响应于制造设备124使用对制造参数的更新354以产生产品(例如半导体、晶片等)，可以对产品进行测试(例如经由测量设备126)以确定经测试的膜性质数据356(例如图1的经测试的膜性质数据156)。响应于接收经测试的膜性质数据356，流程可以继续到框312(例如经由反馈回路)，在框312中，比较对制造参数的更新354和经测试的膜性质数据356，以经由模型训练更新经训练的模型(例如模型再训练)。
在一些实施例中，动作310-322中的一个或多个可以以各种顺序和/或与在此未呈现和描述的其他动作一起发生。在一些实施例中，可以不执行动作310-322中的一个或多个。例如，在一些实施例中，可以不执行框310的数据划分、框314的模型验证、框316的模型选择或框318的模型测试中的一个或多个。
图4至图6根据某些实施例示出与确定对制造参数的更新(例如图1的对制造参数的更新154)相关联的示例方法400-600的流程图。方法400-600可由处理逻辑执行，处理逻辑可包括硬件(例如电路系统、专用逻辑、可编程逻辑、微代码、处理装置等等)、软件(诸如在处理装置、通用计算机系统或专用机器上运行)、固件、微代码或其组合。在一个实施例中，方法400-600可以部分地由规范性分析系统110执行。在一些实施例中，方法400-600可以由规范性分析服务器130执行。在一些实施例中，非瞬态存储介质存储指令，指令在由处理装置(例如规范性分析系统110的处理装置)执行时使处理装置执行方法400-600。
为了简化说明，将方法400-600描绘和描述为一系列动作。然而，根据本公开内容的动作可以以各种顺序和/或同时发生以及与在此未呈现和描述的其他动作一起发生。此外，根据所公开的主旨，并非需要执行所有示出的动作来实施方法400-600。另外，在本发明技术领域中具有通常知识者将理解并认识到，方法400-600可替代地经由状态图或事件被表示为一系列相互关联的状态。
图4是根据某些实施例的用于确定对制造参数的更新(例如图1的对制造参数的更新154)以满足目标数据(例如图1的目标数据152)的方法400的流程图。
参照图4，在框402处，处理逻辑接收与制造设备124的制造参数相关联的膜性质数据150。在一些实施例中，客户端装置120从测量设备126(例如计量系统127)接收膜性质数据150。在一些实施例中，在制造设备124正在处理或产生产品(例如半导体晶片)的同时，经由测量设备126测量膜性质数据150。在一些实施例中，在制造设备124已经处理了产品(例如完成的半导体晶片、已经经过处理阶段的半导体晶片)之后，经由测量设备126来测量膜性质数据150。膜性质数据150可以对应于经由多种类型的测量设备126的多种类型的测量。规范性分析部件132可以从客户端装置120、测量设备126或数据存储器140中的一个或多个接收膜性质数据150。
在框404处，处理逻辑确定膜性质数据150是相关的并且与目标数据152不同(例如不满足目标数据152)。在一些实施例中，处理逻辑确定膜性质数据150不与目标数据152相交(例如，膜性质数据150基本平行于目标数据152)。
在框406处，处理逻辑选择膜性质数据150的与目标数据152正交的一组数据点(见图7A)。
在框408处，处理逻辑对数据点组执行特征提取。特征提取可以经由以下各项中的一项或多项执行：主成分分析(PCA)、聚类(例如k均值聚类、分层聚类)、因子分析(FA)、判别分析或相关矩阵。
在框410处，处理逻辑基于特征提取来确定对一个或多个制造参数的更新(例如对制造参数的更新154)以满足目标数据152。处理逻辑可以基于对制造参数的更新154以满足目标数据152的可行性或成本来过滤解决方案。例如，对制造参数的第一次更新或第二次更新可使膜性质数据满足目标数据152。第一次更新可以包括改变工艺参数(例如可行性、低成本)，而第二次更新包括更新硬件参数(例如订购新的制造设备、高成本)。由于较高的可行性和较低的成本，因此可以使用第一更新而不是第二更新。
在框412处，处理逻辑经由图形用户界面(GUI)显示对一个或多个制造参数的更新154。可以经由客户端装置120显示GUI。GUI可以显示对制造参数的更新154的两个或更多个不同选项，以使膜性质数据满足目标数据152。GUI可以指示与当前成本(例如成本提升、成本降低等等)相比，与对制造参数的更新154相关联的成本(例如设备升级、处理成本、所需时间等)。GUI可以显示可选择来选择和实现对制造参数的更新154的GUI元素。
在框414处，处理逻辑实施对制造设备124的一个或多个制造参数的更新，以满足目标数据152。在一些实施例中，框414响应于接收到用户输入，选择GUI元素以实施对制造参数的更新154。在一些实施例中，在接收到选择GUI元素的用户输入时，可以更新制造设备124的工艺参数(例如通过客户端装置120、通过规范性分析部件132等)。在一些实施例中，在接收到选择GUI元素的用户输入时，可以更新制造设备124的硬件参数(例如通过改变制造设备124的部件、通过改变制造设备124的设置等)。
图5是根据某些实施例的用于使用反演的机器学习模型来确定对制造参数的更新(例如对制造参数的更新154)以满足目标数据152的方法500的流程图。
参照图5，在框502处，处理逻辑接收与制造设备124的制造参数相关联的膜性质数据150。
在框504处，处理逻辑确定膜性质数据150是相关的并且与目标数据152不同(例如不满足目标数据152)。膜性质数据150可以在两个或多个变量之间相关(例如多维相关)。在一些实施例中，期望的输出目标(例如目标数据152，诸如包括折射率(RI)、应力、均匀性等中的一项或多项的膜性质)是高度共线的(例如实质上平行于膜性质数据150)，并且基于用于学习/训练的现有实验数据组(例如历史或实验数据142)似乎是不可实现的或不合理的。这可能是由于以下一种或多种原因：探索的狭窄工艺空间、硬件设计限制、正确的化学作用(例如反应物/前驱物)等等。
在一些实施例中，在框506处，处理逻辑反演经训练的机器学习模型，以生成反演的机器学习模型。在一些实施例中，在框506处，处理逻辑生成类似于经训练的机器学习模型的成本函数，并且处理逻辑生成对成本函数的反演解。如关于图1至图3所描述的，数据输入210(例如训练数据)可包括历史或实验数据142。历史或实验数据142(例如历史或实验膜性质数据144和历史或实验制造参数146)可包括工艺参数、硬件参数、精选粘贴excel文件、经典设计的实验方案、硬件部件信息、射频(RF)小时、坐标测量机器(CMM)数据、红外(IR)数据、彩色阵列(COA)数据、状态数据、实验设计(DOE)数据等等。数据输入210可以用作统计和/或机器学习模型(例如一组统计和/或机器学习算法)的训练组，以学习对转移函数(F)的近似函数(G)，使制造参数(S)(例如硬件和/或工艺参数)与膜性质(P)相关。
在框506处，可将逆运算子用于函数G以用于基于回归的方法。当G的封闭式解不存在时，可以采用模拟和优化方法(例如神经网络、随机森林等)。在框508，处理逻辑将目标数据152提供给(反演的)经训练的机器学习模型。机器学习模型可能已经被反演，或者可能已经进行了伪反演(例如，以及类似于机器学习模型的成本函数的反演解)。(反演的)经训练的机器学习模型可选择与目标数据正交的膜性质数据的数据点组，并且可以对这组数据点执行特征提取(参见图4的框406-408)。在一些实施例中，(反演的)经训练的机器学习模型可使用基于正交向量的主成分分析(PCA)，来规定用于处理空间探索或硬件修改和设计改进的方向。
如图7A所示，在性质Y2和Y1之间可存在高共线性。如图7B的图表700B所示，正交线可穿过点(Y1 0＝D1，Y2 0＝D2)，这些点构成由距离度量d(例如距目标数据152的距离)定义的集合(Y1 0，Y2 0)。
此后，可识别与包括(例如，由其组成){Y1 0，Y2 0}的模拟输出参数相对应的预测器/输入向量{Xo}。可以对所识别出的期望的预测器/输入向量{Xo}执行特征提取(例如PCA)，以识别考虑到向量空间{Xo}中的变化(例如变化的90％、大部分的变化)的主成分。
在框510处，处理逻辑获取反演解，包括来自(反演的)经训练的机器学习模型的一个或多个输出。在一些实施例中，通过对经训练的机器学习模型反演来获取反演解。在一些实施例中，通过伪反演获取反演解(例如，响应于不能将经训练的机器学习模型反演)。伪反演可包括生成与经训练的机器学习模型相似的成本函数(例如经由非线性优化技术)，以及确定成本函数的反演解以获取一个或多个输出。
在框512处，处理逻辑从一个或多个输出中提取对一个或多个制造参数的更新154(例如对策、反演预测)，以满足目标数据152。在一些实施例中，处理逻辑从一个或多个输出提取置信度水平，置信度水平表示使用对制造参数的一个或多个更新154而产生的产品是否满足目标数据152。处理装置可以确定置信度水平是否满足阈值置信度水平。响应于满足阈值置信度水平的置信度水平，流程可以继续到框514或516中的一个或多个。
在框514处，处理逻辑经由图形用户界面显示对一个或多个制造参数的更新(参见图4的框412)。
在框516处，处理逻辑实施对制造设备124的一个或多个制造参数的更新，以满足目标数据152(参见图4的框414)。
在框518处，处理逻辑接收与对一个或多个制造参数的更新154相关联的经测试膜性质数据(例如图1的经测试的膜性质数据156)。经测试的膜性质数据156可指示使用对制造参数的更新154来生产的产品的实际膜性质数据。
在框520处，处理逻辑基于经测试的膜性质数据156以及对一个或多个制造参数的更新154，来更新经训练的机器学习模型。在一些实施例中，响应于经测试的膜性质数据156与目标数据152不同(例如使用对制造参数的更新154而产生的产品不满足目标数据152)，处理逻辑可以利用经测试的膜性质数据156和对一个或多个制造参数的更新154来更新经训练的机器学习数据(例如，通过在历史或实验膜性质数据144中存储经测试的膜性质数据156，并存储对历史或实验制造参数146中的制造参数的更新154，来更新历史或实验数据142)。处理逻辑可基于更新的历史或实验数据，来更新经训练的机器学习模型(例如重新训练、重新验证和/或重新测试)。
图6是根据某些实施例的用于生成用于机器学习模型的数据组的方法600的流程图，此数据组用于确定对制造参数的更新以满足目标数据。根据本公开内容的实施例，规范性分析系统110可使用方法600来进行训练、验证或测试机器学习模型中的至少一个。在一些实施例中，方法600的一个或多个操作可由服务器机器170的数据组生成器172执行，如关于图1和图2所描述的。可以注意的是，关于图1和图2描述的部件可用于示出图6的方面。
参照图6，在一些实施例中，在框602处，处理逻辑实施方法600将训练组T初始化为空组。
在框604处，处理逻辑生成包括历史或实验制造参数(例如图1的历史或实验制造参数146、图2的历史或实验制造参数246)的第一数据输入(例如第一训练输入、第一验证输入)。在一些实施例中，第一数据输入可包括用于历史或实验制造参数的第一组特征，并且第二数据输入可包括用于历史或实验制造参数的第二组特征(例如如关于图2所描述的)。在一些实施例中，第三数据输入可包括对制造参数的更新(例如图1的对制造参数的更新154、图3的对制造参数的更新354)。
在框606处，处理逻辑为一个或多个数据输入(例如第一数据输入)生成第一目标输出。第一目标输出提供膜性质数据的指示(例如图1的历史或实验膜性质数据144、图2的历史或实验膜性质数据244、图1的经测试的膜性质数据156、图3的经测试的膜性质数据356)。
在框608处，处理逻辑可选地生成指示输入/输出映射的映射数据。输入/输出映射(或映射数据)可指数据输入(例如本文所述的数据输入中的一个或多个)、数据输入的目标输出(例如其中目标输出标识膜性质数据)、以及(多个)数据输入和目标输出之间的关联。
在框610处，处理逻辑将在框610处生成的映射数据添加到数据组T。
在框612处，基于数据组T是否足以进行训练、验证或测试机器学习模型190中的至少一个，处理逻辑进行分支。若是，则执行前进到框614，否则执行回到框604。应当注意，在一些实施例中，可以简单地基于数据组中的输入/输出映射的数量来确定数据组T是否充分，而在其他一些实施方式中，除了输入/输出映射的数量之外或代替输入/输出映射的数量，可以基于一个或多个其他标准(例如数据示例的多样性、精度等的度量)确定数据组T的充分性。
在框614处，处理逻辑提供数据组T以训练、验证或测试机器学习模型190。在一些实施例中，数据组T是训练组，并且被提供给服务器机器180的训练引擎182以执行训练。在一些实施例中，数据组T是验证组，并且被提供给服务器机器180的验证引擎184以执行验证。在一些实施例中，数据组T是测试组，并且被提供给服务器机器180的测试引擎184以执行测试。在神经网络的情况下，例如，给定输入/输出映射的输入值(例如与数据输入210关联的数值)被输入到神经网络，并且输入/输出映射的输出值(例如与目标输出220关联的数值)存储在神经网络的输出节点中。然后，根据学习算法(例如反向传播等)调整神经网络中的连结权重，并对数据组T中的其他输入/输出映射重复程序。在框614之后，机器学习模型(例如机器学习模型190)可以是以下至少一种：使用服务器机器180的训练引擎182进行训练、使用服务器机器180的验证引擎184进行验证、或使用服务器机器180的测试引擎186进行测试。经训练的机器学习模型可以被(规范性分析服务器130的)规范性分析部件132反演并实现，以确定对制造参数的更新以满足目标数据。
图7A至图7B是根据某些实施例示出确定对制造参数的更新以满足目标数据的图表700A-B。
图7A的图表700A示出了性质Y2和Y1之间的高共线性。客户端装置120可从耦合到制造设备124的测量设备126(例如计量系统127)接收膜性质数据。客户端装置120可从测量设备126A的第一部分接收与第一性质相对应的第一膜性质数据，并且从测量设备126B的第二部分接收与第二性质相对应的第二膜性质数据。在一些实施例中，第一膜性质数据和第二膜性质数据可以是不同类型的性质。在一些实施例中，第一膜性质数据和第二膜性质数据是在半导体晶片的不同位置处测量(例如一个在第一表面上测量而另一个在第二表面上测量)的相同类型的性质。
客户端装置120可以在图表700A中绘制第一性质数据和第二性质数据。图表700A上的每个点可对应于在相同产品(例如半导体晶片)上同时测量的第一性质(Y1)的值和第二性质(Y2)的值。如图表700A所示，针对第一性质和第二性质绘制的膜性质数据可以是相关的(例如线性、共线、Y1和Y2可以至少部分地相互解释(explain))。相关的膜性质数据可以在图表700A上实质上形成膜性质数据线。相关的膜性质数据可满足确定值的阈值系数(R2或Rsq)(例如，Rsq>0.8)。相关的膜性质数据可以满足阈值斯皮尔曼等级(Spearman'srank)相关系数值。斯皮尔曼等级相关系数可是等级相关性的非参数性度量(例如，第一性质(Y1)和第二性质(Y2)的等级之间的统计依赖性)。相关的膜性质数据可以满足阈值P值。P值可为给定统计模型(Y1和Y2之间的线拟合)的概率，当零假设为真时，统计摘要(例如Y1和Y2之间没有线性依赖性)将大于或等于实际观察到的结果。在一些实施例中，针对第一性质(Y1)和第二性质(Y2)绘制的目标数据152可以实质上平行于针对Y1和Y2绘制的膜性质数据150。
图7的图表700B示出了正交线，正交线穿过构成由距离度量定义的集合的点。如图7的图表700B所示，与通过绘制目标数据152形成的线正交(例如垂直、正交)的线可以与膜性质数据的一组点相交。此组点中的一个或多个第一点，可以比此组点中的一个或多个第二点更接近目标数据152的绘图。一个或多个第一点可对应于第一制造参数，并且一个或多个第二点可对应于与第一制造参数不同的第二制造参数。可以对一组数据点执行特征提取以确定一个或多个制造参数，这些参数使一组点的第一点比第二点更接近目标数据152。可以基于特征提取来确定对一个或多个制造参数的更新154以使一组点满足目标数据152。
在一些实施例中，选择与目标数据152正交的一组数据点并对此组数据点执行特征提取，是由反演的经训练的机器学习模型来执行的。在一些实施例中，选择正交于目标数据152的一组数据点并对此组数据点执行特征提取，是经由不使用机器学习模型的规范性分析(例如统计模型、聚类等)执行的。
图8是根据某些实施例示出计算机系统800的框图。在一些实施例中，计算机系统800可以(例如经由诸如区域网络(LAN)、内联网、外联网或网际网络的网络)连接到其他计算机系统。计算机系统800可在客户端-服务器环境中以服务器或客户端计算机的能力来操作，或者在同级间或分布式网络环境中作为同级计算机来操作。计算机系统800可由个人计算机(PC)、平板计算机、机顶盒(STB)、个人数字助理(PDA)、蜂巢式电话、网页应用、服务器、网络路由器、交换器或桥接器、或能够(循序地或以其他方式)执行指定此装置要采取的动作的一组指令的任何装置提供。此外，术语“计算机”应包括单独地或共同地执行一组(或多组)指令以执行本文所述的任何一个或多个方法的计算机的任何集合。
在另一方面中，计算机系统800可包括处理装置802、易失性存储器804(例如随机存取存储器(RAM))，非易失性存储器806(例如只读存储器(ROM)或电子可擦除可编程ROM(EEPROM)和数据存储装置816，其可以经由汇流排808彼此通信。
处理装置802可以由一个或多个处理器(诸如通用处理器(诸如，例如复杂指令集计算(CISC)微处理器、精简指令集计算(RISC)微处理器，超长指令字(VLIW)微处理器、实现其他类型指令集的微处理器或实现多种类型指令集的组合的微处理器)或专用处理器(诸如，例如专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或网络处理器))来提供。
计算机系统800可以进一步包括网络接口装置822。计算机系统800还可以包括视频显示单元810(例如LCD)、字母数字输入装置812(例如键盘)、游标控制装置814(例如鼠标)以及信号生成装置820。
在一些实施方式中，数据存储装置816可包括非瞬态计算机可读存储介质824，在其上可以存储对本文所述的方法或功能中的任何一个或多个进行编码的指令826，包括对图1的制造参数修改部件122或规范性分析部件132进行编码并用于实现本文所述方法的指令。
在计算机系统800执行指令期间，指令826还可以全部或部分地驻留在易失性存储器804内和/或处理装置802内，因此，易失性存储器804和处理装置802也可以构成机器可读存储介质。
尽管计算机可读介质824被在说明性示例中示为单一介质，但术语“计算机可读存储介质”应包括存储一个或多个可执行指令集的单个介质或多个介质(例如集中式或分散式的数据库，和/或相关联的高速缓存及服务器)。术语“计算机可读存储介质”还应包括能够存储或编码指令集的任何有形介质，此指令集要由计算机执行并使计算机执行本文描述的方法中的任意一者或多者。术语“计算机可读存储介质”应包括但不限于固态存储器、光学介质和磁介质。
本文描述的方法、部件和特征可以由分离的硬件部件实现，或者可以整合在其他硬件部件(诸如ASIC、FPGA、DSP或类似装置)的功能性中。另外，方法、部件和特征可以由硬件装置内的固件模组或功能电路系统来实现。此外，方法、部件和特征可以以硬件装置和计算机程序部件的任何组合或以计算机程序来实施。
除非另有明确说明，否则诸如“接收”、“确定”、“选择”、“执行”、“训练”、“生成”、“提供”、“反演”、“获取”、“实现”、“显示”、“优化”、“非线性优化”等术语，指由计算机系统执行或实现的动作和工艺，所述计算机系统将在计算机系统寄存器和存储器内的表示为物理(电子)量的数据操纵和变换成类似地表示为计算机系统存储器或暂存器或其他此类信息存储、传输或显示装置内的物理量的其他数据。另外，如本文所用的术语“第一”、“第二”、“第三”、“第四”等是意指用于区分不同元素的标签，并且根据其数字名称可不具有序数含义。
本文描述的示例还涉及用于执行本文描述的方法的设备。此设备可以被特别构造为用于执行本文描述的方法，或者其可以包括由存储在计算机系统中的计算机程序选择性地编程的通用计算机系统。这种计算机程序可以被存储在计算机可读的有形存储介质中。
本文所述的方法和说明性示例并非固有地与任何特定计算机或其他设备相关。可以根据本文描述的教示来使用各种通用系统，或者可以证明构造更专用的设备来执行本文描述的方法和/或其各自的功能、例程、子例程或操作中的每一个是便利的。在上文的描述中阐述了各种这些系统的结构的示例。
上文的描述旨在是说明性的，而不是限制性的。尽管已经参考特定的说明性示例和实施方式描述了本公开内容，但是将认识到，本公开内容不限于所描述的示例和实施方式。本公开内容的范围应参照所附权利要求，以及涵盖这些权利要求的完整均等范围来确定。

Claims (20)

1.一种方法，包括：
接收与制造设备的制造参数相关的膜性质数据；
确定所述膜性质数据是相关的并且与目标数据不同；
由处理装置选择与所述目标数据正交的所述膜性质数据的一组数据点；
由所述处理装置对所述一组数据点执行特征提取；以及
基于所述特征提取，确定对所述制造参数中的一个或多个制造参数的更新以满足所述目标数据。
2.如权利要求1所述的方法，其中所述制造参数包括硬件参数或工艺参数中的一个或多个。
3.如权利要求1所述的方法，其中确定所述膜性质数据是相关的并且与所述目标数据不同包括：确定所述膜性质数据与所述目标数据实质上平行。
4.如权利要求1所述的方法，其中所述特征提取的所述执行是经由以下项中的一项或多项进行的：主成分分析(PCA)、聚类、因子分析(FA)、判别分析或相关矩阵。
5.如权利要求1所述的方法，所述方法进一步包括：训练机器学习模型，以生成经训练的机器学习模型，用于对所述制造参数中的所述一个或多个制造参数的所述更新的所述确定，其中所述训练包括：
为所述机器学习模型生成训练数据，其中所述训练数据的所述生成包括：
生成第一训练输入，所述第一训练输入包括所述制造设备的历史制造参数；以及
生成用于所述第一训练输入的第一目标输出，其中所述第一目标输出包括历史膜性质数据；以及
提供所述训练数据以在(i)包括所述第一训练输入的一组训练输入和(ii)包括所述第一目标输出的一组目标输出上训练所述机器学习模型。
6.如权利要求1所述的方法，所述方法进一步包括：
将所述目标数据提供给所述经训练的机器学习模型，其中所述一组数据点的所述选择以及所述特征提取的所述执行是经由所述经训练的机器学习模型进行的；以及
从所述经训练的机器学习模型获取包括一个或多个输出的反演解，其中所述更新的所述确定包括：从所述一个或多个输出提取对所述制造参数中的所述一个或多个制造参数的所述更新。
7.如权利要求1所述的方法，所述方法进一步包括：实施对所述制造设备的所述制造参数中的所述一个或多个制造参数的所述更新，以满足所述目标数据。
8.如权利要求1所述的方法，所述方法进一步包括：经由图形用户界面显示对所述制造参数中的所述一个或多个制造参数的所述更新。
9.一种系统，包括：
存储器；以及
处理装置，所述处理装置耦接至所述存储器以：
接收与制造设备的制造参数相关的膜性质数据；
确定所述膜性质数据是相关的并且与目标数据不同；
选择与所述目标数据正交的所述膜性质数据的一组数据点；
对所述一组数据点执行特征提取；以及
基于所述特征提取，确定对所述制造参数中的一个或多个制造参数的更新以满足所述目标数据。
10.如权利要求9所述的系统，其中为了确定所述膜性质数据是相关的并且与所述目标数据不同，所述处理装置确定所述膜性质数据与所述目标数据实质上平行。
11.如权利要求9所述的系统，其中：
所述制造参数包括硬件参数或工艺参数中的一个或多个；以及
所述处理装置经由以下项中的一项或多项执行所述特征提取：主成分分析(PCA)、聚类、因子分析(FA)、判别分析或相关矩阵。
12.如权利要求9所述的系统，其中所述处理装置进一步训练机器学习模型，以生成经训练的机器学习模型，用于确定对所述制造参数中的所述一个或多个制造参数的所述更新，其中为了训练所述机器学习模型，所述处理装置：
为所述机器学习模型生成训练数据，其中所述训练数据的所述生成包括：
生成第一训练输入，所述第一训练输入包括所述制造设备的历史制造参数；以及
生成用于所述第一训练输入的第一目标输出，其中所述第一目标输出包括历史膜性质数据；以及
提供所述训练数据以在(i)包括所述第一训练输入的一组训练输入和(ii)包括所述第一目标输出的一组目标输出上训练所述机器学习模型。
13.如权利要求9所述的系统，其中所述处理装置还用于：
将所述目标数据提供给所述经训练的机器学习模型，其中所述处理装置经由所述经训练的机器学习模型选择所述一组数据点以及执行所述特征提取；以及
从所述经训练的机器学习模型获取包括一个或多个输出的反演解，其中为确定所述更新，所述处理装置从所述一个或多个输出提取对所述制造参数中的所述一个或多个制造参数的所述更新。
14.如权利要求9所述的系统，其中所述处理装置还用于以下项中的一者或多者：
实施对所述制造设备的所述制造参数中的所述一个或多个制造参数的所述更新，以满足所述目标数据；或
经由图形用户界面显示对所述制造参数中的所述一个或多个制造参数的所述更新。
15.一种非瞬态计算机可读介质，所述非瞬态计算机可读介质具有存储于所述非瞬态计算机可读介质上的指令，所述指令在由处理装置执行时使所述处理装置：
接收与制造设备的制造参数相关的膜性质数据；
确定所述膜性质数据是相关的并且与目标数据不同；
选择与所述目标数据正交的所述膜性质数据的一组数据点；
对所述一组数据点执行特征提取；以及
基于所述特征提取，确定对所述制造参数中的一个或多个制造参数的更新以满足所述目标数据。
16.如权利要求15所述的非瞬态计算机可读介质，其中为了确定所述膜性质数据是相关的并且与所述目标数据不同，所述处理装置确定所述膜性质数据与所述目标数据实质上平行。
17.如权利要求15所述的非瞬态计算机可读介质，其中：
所述制造参数包括硬件参数或工艺参数中的一个或多个；以及
所述处理装置经由以下项中的一项或多项执行所述特征提取：主成分分析(PCA)、聚类、因子分析(FA)、判别分析或相关矩阵。
18.如权利要求15所述的非瞬态计算机可读介质，其中所述处理装置进一步训练机器学习模型，以生成经训练的机器学习模型，用于确定对所述制造参数中的所述一个或多个制造参数的所述更新，其中为了训练所述机器学习模型，所述处理装置：
为所述机器学习模型生成训练数据，其中所述训练数据的所述生成包括：
生成第一训练输入，所述第一训练输入包括所述制造设备的历史制造参数；以及
生成用于所述第一训练输入的第一目标输出，其中所述第一目标输出包括历史膜性质数据；以及
提供所述训练数据以在(i)包括所述第一训练输入的一组训练输入和(ii)包括所述第一目标输出的一组目标输出上训练所述机器学习模型。
19.如权利要求15所述的非瞬态计算机可读介质，其中所述处理装置进一步：
将所述目标数据提供给所述经训练的机器学习模型，其中所述处理装置经由所述经训练的机器学习模型选择所述一组数据点以及执行所述特征提取；以及
从所述经训练的机器学习模型中获取包括一个或多个输出的反演解，其中为确定所述更新，所述处理装置从所述一个或多个输出提取对所述制造参数中的所述一个或多个制造参数的所述更新。
20.如权利要求15所述的非瞬态计算机可读介质，其中所述处理装置进一步进行以下项中的一者或多者：
实施对所述制造设备的所述制造参数的所述一个或多个制造参数的所述更新，以满足所述目标数据；或
经由图形用户界面显示对所述制造参数中的所述一个或多个制造参数的所述更新。
CN201980082795.6A 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析 Active CN113169044B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202510234260.3A CN120068652A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析
CN202510236342.1A CN120068655A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201862779097P 2018-12-13 2018-12-13
US62/779,097 2018-12-13
US16/599,962 US11328964B2 (en) 2018-12-13 2019-10-11 Prescriptive analytics in highly collinear response space
US16/599,962 2019-10-11
PCT/US2019/065781 WO2020123695A1 (en) 2018-12-13 2019-12-11 Prescriptive analytics in highly collinear response space

Related Child Applications (2)

Application Number Title Priority Date Filing Date
CN202510234260.3A Division CN120068652A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析
CN202510236342.1A Division CN120068655A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析

Publications (2)

Publication Number Publication Date
CN113169044A true CN113169044A (zh) 2021-07-23
CN113169044B CN113169044B (zh) 2025-03-14

Family

ID=71073681

Family Applications (3)

Application Number Title Priority Date Filing Date
CN202510236342.1A Pending CN120068655A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析
CN202510234260.3A Pending CN120068652A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析
CN201980082795.6A Active CN113169044B (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN202510236342.1A Pending CN120068655A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析
CN202510234260.3A Pending CN120068652A (zh) 2018-12-13 2019-12-11 高度共线响应空间中的规范性分析

Country Status (7)

Country Link
US (3) US11328964B2 (zh)
JP (3) JP7460627B2 (zh)
KR (2) KR20240157786A (zh)
CN (3) CN120068655A (zh)
SG (1) SG11202106131XA (zh)
TW (2) TWI860230B (zh)
WO (1) WO2020123695A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6816824B2 (ja) * 2017-06-06 2021-01-20 日本電気株式会社 分散システム、データ管理装置、データ管理方法、及びプログラム
US11620909B2 (en) 2019-10-02 2023-04-04 Samsara Networks Inc. Facial recognition technology for improving driver safety
US11562266B2 (en) 2020-04-23 2023-01-24 Sequoia Benefits and Insurance Services, LLC Using machine learning to determine job families using job titles
US12443840B2 (en) * 2020-10-09 2025-10-14 Kla Corporation Dynamic control of machine learning based measurement recipe optimization
US11157723B1 (en) * 2021-02-12 2021-10-26 Samsara Networks lac. Facial recognition for drivers
DE102022201902A1 (de) * 2022-02-23 2023-08-24 Robert Bosch Gesellschaft mit beschränkter Haftung Positionsrekonstruktion von Halbleiterbauteilen auf einem Wafer

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060068513A1 (en) * 2004-09-27 2006-03-30 Horiba, Ltd. Film forming condition determination method, film forming method, and film structure manufacturing method
CN104332435A (zh) * 2014-11-17 2015-02-04 北京七星华创电子股份有限公司 一种半导体工艺设备的参数调整方法
CN104657526A (zh) * 2013-11-21 2015-05-27 郑芳田 工具机的加工品质的预测方法
US20160109230A1 (en) * 2014-10-16 2016-04-21 Kla-Tencor Corporation Metrology Of Multiple Patterning Processes
US20170003677A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process
US20170109646A1 (en) * 2014-11-25 2017-04-20 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
CN107574427A (zh) * 2017-09-14 2018-01-12 德淮半导体有限公司 用于化学气相沉积过程的装置和方法
US20180328868A1 (en) * 2017-05-11 2018-11-15 Kla-Tencor Corporation Methods And Systems For Characterization Of An X-Ray Beam With High Spatial Resolution

Family Cites Families (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5073026A (en) * 1988-02-05 1991-12-17 Ricoh Company, Ltd. Method for measuring refractive index of thin film layer
US6849470B1 (en) * 1996-11-08 2005-02-01 Matsushita Electric Industrial Co., Ltd. Apparatus and method for optical evaluation, apparatus and method for manufacturing semiconductor device, method of controlling apparatus for manufacturing semiconductor device, and semiconductor device
US6582618B1 (en) 1999-09-08 2003-06-24 Advanced Micro Devices, Inc. Method of determining etch endpoint using principal components analysis of optical emission spectra
US7201936B2 (en) * 2001-06-19 2007-04-10 Applied Materials, Inc. Method of feedback control of sub-atmospheric chemical vapor deposition processes
US6913938B2 (en) * 2001-06-19 2005-07-05 Applied Materials, Inc. Feedback control of plasma-enhanced chemical vapor deposition processes
JP3732768B2 (ja) 2001-08-28 2006-01-11 株式会社日立製作所 半導体処理装置
JP2003077782A (ja) * 2001-08-31 2003-03-14 Toshiba Corp 半導体装置の製造方法
US7072808B2 (en) 2002-02-04 2006-07-04 Tuszynski Steve W Manufacturing design and process analysis system
US7205166B2 (en) * 2002-06-28 2007-04-17 Lam Research Corporation Method and apparatus of arrayed, clustered or coupled eddy current sensor configuration for measuring conductive film properties
TWI270662B (en) * 2002-06-28 2007-01-11 Lam Res Corp Method and apparatus of arrayed, clustered or coupled eddy current sensor configuration for measuring conductive film properties
US20060004786A1 (en) * 2004-06-07 2006-01-05 Taiwan Semiconductor Manufacturing Company Ltd. Design mechanism for semiconductor fab-wide data warehouse application
US7478019B2 (en) * 2005-01-26 2009-01-13 Kla-Tencor Corporation Multiple tool and structure analysis
US7467064B2 (en) 2006-02-07 2008-12-16 Timbre Technologies, Inc. Transforming metrology data from a semiconductor treatment system using multivariate analysis
US7571074B2 (en) * 2007-01-30 2009-08-04 Tokyo Electron Limited Method of using a wafer-thickness-dependant profile library
CN101540270B (zh) * 2008-03-20 2010-11-10 华亚科技股份有限公司 监控制程的系统和方法
JP2011071296A (ja) 2009-09-25 2011-04-07 Sharp Corp 特性予測装置、特性予測方法、特性予測プログラムおよびプログラム記録媒体
US8501499B2 (en) 2011-03-28 2013-08-06 Tokyo Electron Limited Adaptive recipe selector
JP5648157B2 (ja) 2011-12-28 2015-01-07 株式会社日立ハイテクノロジーズ 半導体製造装置
TWI475597B (zh) * 2012-02-08 2015-03-01 日立全球先端科技股份有限公司 Pattern evaluation method and pattern evaluation device
JP5739841B2 (ja) 2012-06-13 2015-06-24 株式会社東芝 電子デバイスの生産管理装置、生産管理システム及び生産管理プログラム
US10013518B2 (en) * 2012-07-10 2018-07-03 Kla-Tencor Corporation Model building and analysis engine for combined X-ray and optical metrology
US9746849B2 (en) * 2012-11-09 2017-08-29 Tokyo Electron Limited Method and apparatus for autonomous tool parameter impact identification system for semiconductor manufacturing
US10101670B2 (en) * 2013-03-27 2018-10-16 Kla-Tencor Corporation Statistical model-based metrology
US9946165B2 (en) 2013-10-02 2018-04-17 Asml Netherlands B.V. Methods and apparatus for obtaining diagnostic information relating to an industrial process
TWI603074B (zh) * 2015-07-03 2017-10-21 元智大學 光學薄膜缺陷辨識方法及其系統
US10145674B2 (en) * 2016-05-02 2018-12-04 Kla-Tencor Corporation Measurement of semiconductor structures with capillary condensation
WO2018195030A1 (en) * 2017-04-20 2018-10-25 Kateeva, Inc. Analysis of material layers on surfaces, and related systems and methods
US10727142B2 (en) 2017-05-30 2020-07-28 Kla-Tencor Corporation Process monitoring of deep structures with X-ray scatterometry
CN107330200B (zh) * 2017-07-03 2020-12-08 京东方科技集团股份有限公司 薄膜晶体管的耐受静电电压的确定方法及设备
US10978278B2 (en) * 2018-07-31 2021-04-13 Tokyo Electron Limited Normal-incident in-situ process monitor sensor
US10872403B2 (en) * 2018-08-10 2020-12-22 Micron Technology, Inc. System for predicting properties of structures, imager system, and related methods
US11056405B2 (en) * 2018-09-14 2021-07-06 Lam Research Corporation Methods and systems for controlling wafer fabrication process
US10580827B1 (en) * 2018-11-16 2020-03-03 Spin Memory, Inc. Adjustable stabilizer/polarizer method for MRAM with enhanced stability and efficient switching

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060068513A1 (en) * 2004-09-27 2006-03-30 Horiba, Ltd. Film forming condition determination method, film forming method, and film structure manufacturing method
CN104657526A (zh) * 2013-11-21 2015-05-27 郑芳田 工具机的加工品质的预测方法
US20160109230A1 (en) * 2014-10-16 2016-04-21 Kla-Tencor Corporation Metrology Of Multiple Patterning Processes
CN104332435A (zh) * 2014-11-17 2015-02-04 北京七星华创电子股份有限公司 一种半导体工艺设备的参数调整方法
US20170109646A1 (en) * 2014-11-25 2017-04-20 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
US20170003677A1 (en) * 2015-07-03 2017-01-05 Yuan Ze University Real Time Monitoring System and Method Thereof of Optical Film Manufacturing Process
US20180328868A1 (en) * 2017-05-11 2018-11-15 Kla-Tencor Corporation Methods And Systems For Characterization Of An X-Ray Beam With High Spatial Resolution
CN107574427A (zh) * 2017-09-14 2018-01-12 德淮半导体有限公司 用于化学气相沉积过程的装置和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孔祥玉，冯晓伟，胡昌华: "广义主成分分析算法及应用", 31 July 2018, 国防工业出版社, pages: 190 - 192 *
谭琨: "高光谱遥感影像半监督分类研究", 31 January 2014, 中国矿业大学出版社, pages: 79 - 82 *

Also Published As

Publication number Publication date
JP2024096713A (ja) 2024-07-17
KR102723956B1 (ko) 2024-10-29
TWI831893B (zh) 2024-02-11
SG11202106131XA (en) 2021-07-29
TW202503589A (zh) 2025-01-16
JP7735459B2 (ja) 2025-09-08
US12074073B2 (en) 2024-08-27
JP7460627B2 (ja) 2024-04-02
JP2022512351A (ja) 2022-02-03
TW202422410A (zh) 2024-06-01
JP2026000923A (ja) 2026-01-06
TW202032436A (zh) 2020-09-01
US20240355687A1 (en) 2024-10-24
TWI860230B (zh) 2024-10-21
WO2020123695A1 (en) 2020-06-18
US20200193531A1 (en) 2020-06-18
US20220328366A1 (en) 2022-10-13
CN120068655A (zh) 2025-05-30
US11328964B2 (en) 2022-05-10
CN120068652A (zh) 2025-05-30
CN113169044B (zh) 2025-03-14
KR20210092310A (ko) 2021-07-23
KR20240157786A (ko) 2024-11-01

Similar Documents

Publication Publication Date Title
CN113169044B (zh) 高度共线响应空间中的规范性分析
CN113454552A (zh) 传感器计量数据整合
CN117063190A (zh) 用于预测和规定应用的多级机器学习
JP2023526177A (ja) 反転モデルのセットを使用した製造プロセスの予測モデリング
US20240095535A1 (en) Executing a genetic algorithm on a low-power controller
JP7752249B2 (ja) 処理チャンバの較正
CN114463540A (zh) 使用神经网络对图像进行分割
JP2024083203A (ja) マイクロエレクトロメカニカルシステム検査におけるパラメータ推定のための装置及び方法
JP2005519394A (ja) 実験の自動計画方法およびそのシステム
US12518069B2 (en) Comprehensive modeling platform for manufacturing equipment
US20250224707A1 (en) Predicting and presenting hazardous conditions of manufacturing equipment
TWI913902B (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
CN119678114A (zh) 产生和利用用于工艺建模的虚拟特征
CN117678061A (zh) 使用基于物理信息的压缩感知来虚拟测量邻近基板的状态
US20260030090A1 (en) Substrate defect analysis based on multiple data types
US20250155883A1 (en) Process modeling platform for substrate manufacturing systems
CN119631093A (zh) 用于工艺学习的基板轮廓的分段函数拟合
Yoshizaki et al. Optimization of nonlinear multi-stage process with characteristic changes through locally-weighted partial least squares
Mustafee et al. ROBUST DATA-DRIVEN OPTIMIZATION USING MACHINE LEARNING AND MONTE-CARLO SIMULATION

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant