TWI734390B - 自資料集中提取特徵 - Google Patents

Abstract

一種自一資料集中提取一特徵之方法包括基於包含於該資料集內之一殘餘圖案之一可視化顯像(visualization)自一資料集中反覆地提取一特徵，其中該特徵不同於在一先前反覆中提取之一特徵，且該殘餘圖案之該可視化顯像使用在該先前反覆中提取之該特徵。使用在該先前反覆中提取之該特徵使該資料集可視化(visualizing)可包含展示屬性資料中之與目標資料相關的殘餘圖案。使用在該先前反覆中提取之該特徵使資料集可視化可涉及基於在該先前反覆中提取之該特徵將叢集約束新增至該資料集。另外地或可替代地，使用在該先前反覆中提取之該特徵使該資料集可視化可涉及定義以在該先前反覆中提取之該特徵為條件之條件機率。

Description

自資料集中提取特徵

本發明係關於一種自資料集中提取特徵之方法，該資料集可用於例如利用微影技術製造器件。本發明亦係關於相關聯之電腦程式及電腦程式產品以及包括微影裝置及微影製造單元之裝置。

微影裝置為將所要圖案施加至基板上(通常施加至基板之目標部分上)之機器。微影裝置可用於例如積體電路(IC)製造中。在彼情況下，圖案化器件(其可替代地稱作遮罩或倍縮光罩)可用於產生待形成於IC之個別層上之電路圖案。可將此圖案轉印至基板(例如矽晶圓)上之目標部分(例如包括晶粒之部分、一個晶粒或若干晶粒)上。通常經由成像至設置於基板上之輻射敏感材料(抗蝕劑)層上來進行圖案之轉印。一般而言，單一基板將含有經順次地圖案化之鄰近目標部分之網路。此等目標部分通常稱作「場」。

當前在微影處理期間，產生許多內容脈絡資料。此內容脈絡資料為與量測及機器/程序設定及感測器讀取相關聯之變數之較大值集合。利用由效能參數之值集合組成之所謂的效能資料來表達微影程序之品質。效能參數可與臨界尺寸(CD)控制、疊對控制(器件中之兩個層之對準準確度)或基礎參數(例如焦點及劑量)有關。效能資料受到極大關注，此 係因為此資料允許控制微影程序。舉例而言，疊對效能之知識將用於採取校正動作(例如藉由改變機器設定)。同時，效能資料之知識有助於觸發超出範圍之情形(例如有助於程序控制及尋找超出範圍之情形的原因)。

微影裝置(諸如掃描器)及處理工具之內容脈絡參數以非線性方式影響產品基板上之圖案化效能。歸因於微影步驟之複雜性，故準確地模型化以預測此等參數對掃描器效能之影響需要對基礎物理程序具有良好的理解。內容脈絡參數可包括硬體設定及感測器量測。內容脈絡參數可易於存取且可用於大量曝光。因此，提供對高維資料集之存取，從而導致具有挑戰性之預測問題(諸如經由影像之層間疊對預測或缺陷分類)。人們(其為領域專家(domain expert))花費大量時間處理此資料。舉例而言，此處理包括為診斷、手動特徵工程設計、尋找穩定信號等選擇相關特徵。

在本發明中，吾等將內容脈絡資料集中之原始輸入參數及信號稱作屬性(例如所應用自動程序控制環路校正或晶圓載物台空氣溫度)。此等可為直接自掃描器中之感測器中獲得之參數。屬性可經選擇為特徵。變換屬性的經建構及/或工程設計之參數及信號亦稱作特徵(例如機器指紋特徵)。熟習機器學習領域之技術者可使用術語屬性及特徵來指代對應實體。由此，可利用特徵選擇程序自屬性中選擇特徵。此外，可利用特徵提取程序自屬性之變換或組合中建構特徵。

在定義預測模型(在本文中亦稱作學習機)之前，存在用以處理高維資料集之各種方式。此類途徑包括：

1.一種途徑包括作為模型化程序之部分的資料處理。在一些學習機中，特徵提取及特徵選擇為模型化程序之部分。舉例而言，對於人工神經網路(ANN)，特徵提取/建構為ANN模型化程序中之步驟。ANN 中之「隱藏層」學習與輸出值(例如情緒)之預測相關之輸入資料(例如人臉的影像之像素)之各種表示(亦即，特徵)。

2.一種途徑包括在模型化之前的資料處理。對於大部分學習機(例如決策樹、線性回歸等)，特徵選擇及特徵提取為預處理步驟。此預處理可使用以下技術中之一或多種來完成：

2(a)標準化及正規化：大部分屬性處於不同規模，標準化及正規化有助於使屬性彼此可比較。

2(b)信號增強去雜訊或平滑，及應用濾波器有助於改良輸入屬性。

2(c)線性或非線性空間嵌入方法。此等方法允許吾人在較低(更易解釋之)維度上分析高維資料。其亦使資料可視化顯像(visualization)。合適的方法為主成份分析(PCA)、t-分佈隨機鄰域嵌入(t-SNE)、均勻流形近似及投影(UMAP)等。

2(d)非線性擴展藉由創建與屬性相乘之特徵來增加資料之維度，此有助於學習機。

上文所提及之方法對應於用於特徵選擇及提取之大量可用文獻。

國際專利申請公開案WO2018133999揭示關於增量學習之一般描述，其以引用之方式併入本文中。

先前途徑之問題包括以下：資料探索可為艱巨且耗時的：人眼不能夠直接自高維資料集中擷取資訊。領域專家花費大量時間來分析資料，以掌握其中存在哪些與預測任務相關之圖案/指紋特徵。

冗餘特徵及偽關聯：冗餘特徵及展示偽關聯之特徵保留在預測模型中，且降低其預測之準確度。

「黑盒」式學習機：許多學習機皆為黑盒，且領域專家很難理解模型為何工作或模型為何不工作。人工神經網路為非常強大之學習機；然而，其不易於解釋，且其提取之特徵不容易被領域專家理解。

資料可視化顯像：通常，降維方法及資料可視化顯像方法無法為專家提供未知資訊。可視化顯像傾向於展示已為領域專家所熟知之圖案。

維度災難(Curse ef dimensionality)及遺漏相關特徵：在半導體製造中，資料集通常為具有效能參數之幾個經標記資料點(例如昂貴量測)之高維資料集。由於大部分學習機無法分離真實相關之特徵，因此大部分學習機無法進行良好預測。通常，相關特徵中之一些將被簡單地捨棄，此係因為不存在足以恰當地評估其相關性之資料。

不存在用以將來自領域專家之知識包括至用於預測模型中之特徵提取及選擇中的結構化方式。此知識為域特定的且取決於問題設定。

本發明人已設計一種用以具有用於資料探索之人工輔助互動方案(亦即，特徵選擇及提取)的方式。需要使所提取特徵對於領域專家而言係易於解釋且可理解的。本發明提出經特定定製以用於特徵選擇及提取、資料叢集及映射以及圖形結構學習之擴展。需要具有一種用於特徵選擇及提取之人工輔助框架，該人工輔助框架將允許使用者獲得易於解釋之預測模型，同時避免或至少減輕上文所提及之相關聯的問題中之一或多 者。

在一第一態樣中，本發明提供一種自與一工業程序相關聯之一資料集中提取一特徵之方法，該方法包含：基於包含於該資料集內之一殘餘圖案之一可視化顯像自該資料集中反覆地提取一特徵，其中該特徵不同於在一先前反覆中提取之一先前特徵，且該殘餘圖案之該可視化顯像使用該先前特徵。

該方法可進一步包含使用在該先前反覆中提取之該先前特徵執行特徵選擇，以在提供該可視化顯像時排除對一特徵之使用。

在一第二態樣中，本發明提供一種工業處理方法，其包含該第一態樣之自一資料集中提取一特徵之方法，且其進一步包含使用所提取特徵來控制該工業程序。

在一第三態樣中，本發明提供一種包含電腦可讀指令之電腦程式，該等電腦可讀指令在合適電腦裝置上運行時致使該電腦裝置執行該第一態樣之該方法。

在一第四態樣中，本發明提供一種電腦程式產品，其包含該第三態樣之該電腦程式。

在一第五態樣中，本發明提供一種裝置，其經特定調適以進行該第一態樣之該方法之該等步驟。該裝置可經特定組態為可操作以執行一微影生產程序之一微影裝置。該裝置可經特定組態為可操作以執行一微影生產程序之一微影製造單元。

202:步驟

204:步驟

206:原始資料

208:步驟

210:可視化顯像

212:步驟/領域專家輸入

214:步驟

216:屬性相關性及偽關聯

218:清理相關資料集

220:資料

222:步驟/細化

224:可視化

226:步驟

228:步驟

230:特徵選擇

232:特徵相關性

234:步驟/可視化/降維方法/編碼

236:步驟

238:可視化顯像

240:步驟

242:步驟

244:特徵

246:步驟

248:經預處理之資料

250:步驟

827:處理器

829:記憶體

861:硬碟

862:唯讀記憶體

863:電可抹除可程式化唯讀記憶體

864:隨機存取記憶體

865:鍵盤

866:滑鼠

867:讀取單元

868:固態驅動器

869:CDROM

870:打印機

871:顯示器

872:通信網路

873:傳輸器/接收器

BK:烘烤板

CH:冷卻板

DE:顯影器

I/O1:輸入/輸出埠

I/O2:輸入/輸出埠

LA:微影裝置

LACU:微影控制單元

LB:裝載匣

LC:微影製造單元

MET:度量衡系統

RO:機器人

SC:旋塗器

SCS:監督控制系統

TCU:塗佈顯影系統控制單元

W:基板

現將參看隨附圖式而藉由實例來描述本發明之實施例，在該等圖式中： 圖1描繪其中可使用根據本發明之方法的微影製造單元或叢集。

圖2為根據本發明之實施例的用於自資料集中選擇及提取特徵之方法之流程圖。

圖3說明適用於實施本文中所揭示之方法之電腦系統硬體。

在詳細地描述本發明之實施例之前，呈現其中可實施本發明的實施例之實例環境具有指導意義。

圖1描繪其中可使用根據本發明之檢測裝置的微影製造單元或叢集。

如圖1中所展示，微影裝置LA形成微影製造單元LC(有時亦稱作微影單元或叢集)之部分，該微影製造單元LC亦包括用以對基板執行曝光前程序及曝光後程序之裝置。習知地，此等裝置包括用以沈積抗蝕劑層之旋塗器SC、用以顯影經曝光抗蝕劑之顯影器DE、冷卻板CH及烘烤板BK。基板處置器或機器人RO自輸入/輸出埠I/O1、I/O2拾取基板，在不同程序裝置之間移動該等基板，且將該等基板遞送至微影裝置之裝載匣LB。常常統稱作塗佈顯影系統(track)之此等器件處於塗佈顯影系統控制單元TCU之控制下，該塗佈顯影系統控制單元TCU自身受到監督控制系統SCS控制，該監督控制系統SCS亦經由微影控制單元LACU來控制微影裝置。由此，不同裝置可經操作以使產出率及處理效率最大化。

為了正確且一致地曝光由微影裝置曝光之基板，需要檢測經曝光基板以量測諸如後續層之間的疊對誤差、線厚度、臨界尺寸(CD) 等之特性。因此，其中經定位有微影單元LC之製造設施亦包括度量衡系統MET，該度量衡系統MET收納已在微影單元中處理之基板W中之一些或全部。將度量衡結果直接地或間接地提供至監督控制系統SCS。若偵測到誤差，則可對後續基板之曝光進行調整，尤其係在檢測可足夠迅速地且快速地進行從而使得同一批量之其他基板仍待經曝光的情況下。此外，已曝光之基板可經剝離及重工以改良良率，或經捨棄，藉此避免對已知有故障之基板執行進一步處理。在基板之僅一些目標部分有故障的情況下，可僅對良好的彼等目標部分執行進一步曝光。

在度量衡系統MET內，檢測裝置用於判定基板之特性，且詳言之，判定不同基板或同一基板之不同層之特性如何在不同層之間變化。檢測裝置可整合至微影裝置LA或微影單元LC中，或可為獨立器件。為了實現最快速之量測，需要使檢測裝置在曝光之後立即量測經曝光抗蝕劑層中之特性。然而，抗蝕劑中之潛影具有極低對比度--在已曝光至輻射的抗蝕劑之部分與尚未曝光至輻射的抗蝕劑之部分之間僅存在極小折射率差--且並非所有檢測裝置皆具有足夠敏感度來進行潛影之有用量測。因此，可在曝光後烘烤步驟(PEB)之後採取量測，該曝光後烘烤步驟通常為對經曝光基板進行之第一步驟，且增加抗蝕劑之經曝光部分與未經曝光部分之間的對比度。在此階段，抗蝕劑中之影像可稱作半潛像(semi-latent)。亦有可能對經顯影抗蝕劑影像進行量測--此時已移除抗蝕劑之經曝光部分或未經曝光部分--或在諸如蝕刻之圖案轉印步驟之後對經顯影抗蝕劑影像進行量測。後者之可能性限制重工有故障的基板之可能性，但仍可提供有用資訊。

微影裝置(例如掃描器)曝光之內容脈絡參數(諸如曝光能量 及影像大小)可以線性及非線性方式影響掃描器效能(且因此亦影響產品上效能，亦即，產品晶圓上之圖案化效能，比如疊對或臨界尺寸)。

存在用於特徵選擇及特徵提取之各種方法。如上文所提及，該等方法中之一些為模型化其自身之部分(參見以上對ANN之論述)，另一些為預處理步驟之部分。大部分此等方法不需要來自領域專家之輸入；分析以純資料驅動方式進行。在一些其他情況下，使用手動特徵工程設計(來自領域專家)，但此為一項耗時且具有挑戰性的任務。在本文中所描述之實施例中之互動方案組合資料驅動方法與來自人類領域專家之輸入。歸因於此互動，方法之輸出為經預處理之資料集，該經預處理之資料集為人類可理解的且易於解釋的，以便稍後與其他學習機一起用於預測任務(諸如疊對預測或根本原因分析)，以改良工業控制。

圖2為根據本發明之實施例的自資料集中選擇及提取特徵之方法之流程圖。

方法以自原始資料206獲得204屬性及目標資料開始202。所獲得資料集由此包含屬性資料及目標資料。在此實例中之屬性資料包含與工業微影程序有關之內容脈絡資料，且目標資料包含與工業微影程序有關的目標效能資料。執行用於清理之可視化(visualizing)208。可視化顯像(visualization)210呈現於顯示器上。領域專家觀察顯示器且輸入212回饋。回饋包括屬性相關性及偽關聯216。此等用於移除214不相關特徵。此產生清理相關資料集218。藉由循環回到可視化步驟208來執行資料集之進一步清理。一旦清理完成，則可視化顯像經細化222，以用於進一步特徵選擇及特徵提取。細化222可包括資料220之結構之領域專家輸入212。

步驟208至214由此描繪藉由使資料集可視化208以提供清理可視化顯像210且基於清理可視化顯像210自資料集移除214特徵來修改資料集206。移除214特徵包括基於查看清理可視化顯像210來接收212使用者輸入，在此實例中為相關性特徵及偽關聯216。基於清理可視化顯像移除214特徵可包含更新資料集之圖形表示上之節點及邊緣。

特徵選擇230將可視化顯像224輸出至顯示器。在觀察可視化顯像時，領域專家將特徵相關性232輸入226至特徵選擇步驟230。特徵選擇步驟230輸出經排序228之相關特徵。特徵選擇使用在先前反覆中提取之特徵(如由步驟242及自242至230之箭頭所描繪)，以在提供可視化顯像238時排除對特徵之使用。

執行與目標關聯之特徵之殘餘圖案的可視化234。若判定236不存在相關殘餘圖案化，則特徵提取以經預處理之資料248之輸出結束250。若存在相關殘餘圖案化236，則將可視化顯像238輸出至顯示器。領域專家對新特徵進行工程設計240，該等新特徵經輸入246以用於提取新特徵244。將此等所提取特徵244輸出至經預處理之資料248。所提取特徵244亦經前饋242至步驟224至232(用於特徵選擇)及步驟234至246(用於特徵提取)之下一次反覆。

步驟234至246及242與230及234之間的箭頭由此描繪基於包含於資料集內之殘餘圖案的可視化顯像238自資料集中反覆地提取特徵244，其中特徵不同於在先前反覆中提取之特徵，且殘餘圖案之可視化顯像238使用在先前反覆244、242中提取之特徵。使用在先前反覆中提取之特徵使資料集可視化234可包含展示屬性資料中之與目標資料相關的殘餘圖案。使用在先前反覆中提取之特徵使資料集可視化234可涉及基於在先 前反覆中提取之特徵將叢集約束新增至資料集。另外地或可替代地，使用在先前反覆中提取之特徵使資料集可視化234可涉及定義以在先前反覆中提取之特徵為條件的條件機率。

提取特徵包含接收來自在顯示器上具備各別可視化顯像238的使用者之使用者輸入240。重複反覆，直至236未發現殘餘圖案相關為止。判定是否存在相關殘餘圖案可使用統計測試來進行，以判定屬性資料中之圖案是否與目標資料關聯。

經預處理之資料248中之所提取特徵可用於控制工業程序，在此實例中該工業程序為微影程序。

接下來，吾等更詳細地描述方法之實施方案。

步驟及資料204至220為特徵選擇階段，其涉及清理不相關屬性及偽關聯。執行與領域專家互動之此第一階段，以除去不相關屬性、冗餘屬性及展示偽關聯之屬性。舉例而言，在微影應用中：領域專家知道(1)屬性「柵格大小」與預測注入層之疊對不相關；或(2)每一層用不同倍縮光罩經曝光，且因此對應於層內容脈絡資料之屬性與對應於倍縮光罩之內容脈絡資料為冗餘的。然後，此等屬性可被捨棄214。對於低維資料集(約100個屬性)，此可手動完成。對於較大資料集而言，此為不可行的，因此實施例使用以有效且準確的方式自領域專家引出知識的演算法。應對此階段存在若干種可能性。

首先，知識引出方案可與機率方法一起使用。領域專家以反覆方式給出關於特徵之相關性之回饋，且機率預測模型基於此回饋進行調適。可組合知識引出方法與其他熟知特徵選擇方法(例如隨機森林或單變數方法)。

其次，吾等可使用資料之圖形表示，其中使用者可基於其知識更新圖形中之節點及邊緣。

若干途徑可用於此特徵選擇階段，例如：具有關於特徵相關性之人類輸入的貝氏(Bayesian)回歸模型。在此途徑中，人類專家逐一提供關於每一特徵之相關性的回饋。此可適用於數百個維度之資料集，但對於具有數千個維度之資料集不能良好地縮放。此已揭示於M.Larranaga、D.Gkorou、T.Guzella、A.Ypma、F.Hasibi、R.J.van Wijk，Towards interactive feature selection with human-in-the-loop，IAL研討會，第85至88頁中，其以引用之方式併入本文中。

使用基於類似性之量測(例如基於相互資訊之量測)來表徵較大資料集中之複雜關聯，諸如揭示於Davide Albanese、Samantha Riccadonna、Claudio Donati、Pietro Franceschi；A practical tool for Maximal Information Coefficient analysis，GigaScience，giy032中，其以引用之方式併入本文中。吾人可使用此等技術來對特徵進行排序且將特徵相關聯，從而得到圖形結構。圖形可有助於執行團體偵測(彼此有關之群組特徵)，或有助於定義因果關係。人類領域專家稍後可提供關於圖形之結構之資訊(比如結構是否對應於假影或其是否實際上具有物理意義)，或新增新節點及電弧等。吾人可運用圖形結構上之先驗對領域專家之知識進行編碼，且使用上述流程反覆地增強。此進一步細化可使用如傳輸熵(計算密集型)之技術來完成，該等技術僅在應用於合理的初始結構時為可實行的。

特徵選擇階段輸出清理相關資料集218。

步驟及資料230至250為反覆特徵選擇及提取階段。

此階段使用降維方法來說明資料(使用已由領域專家結合先前特徵選擇階段中之資料驅動特徵選擇方法判斷為相關的特徵)。此處，要考慮兩個關鍵態樣：

(1)先驗領域專家/使用者知識：可視化顯像考慮領域專家/使用者之先驗知識。舉例而言：知道機器指紋特徵與疊對預測相關之領域專家不希望使此特定「圖案」可視化。實施例提供將適應於每一使用者之方法，從而取決於使用者已知道的內容來使資料之不同態樣可視化。此處，吾人可使用不同途徑來對使用者知識進行編碼。作為第一實例，吾人可使用如M.J.Wilber、I.S.Kwak、D.Kriegman、S.Belongie在IEEE電腦視覺國際會議之會議記錄的第981至989頁之Learning Concept Embeddings with Combined Human-Machine Expertise(2015年)中所揭示之SNaCK嵌入，其以引用之方式併入本文中。作為第二實例，吾人可使用如在K.Puolamaki、E.Oikarinen、B.Kang、J.Lijffijt、T.De Bie之Interactive Visual Data Exploration with Subjective Feedback：An Information-Theoretic Approach(2017年)中所揭示之主觀地關注的資料探索，其以引用之方式併入本文中。

(2)與目標之關聯：可視化顯像238展示與目標值相關之圖案。存在說明資料結構之許多不受監督的降維方法(線性：主成份分析、獨立成份分析等；非線性：t-分佈隨機鄰域嵌入(t-SNE)、多維標度等)。然而，吾等關注僅繪製與預測任務相關之「圖案」或結構。一種合適的方法為類似於在鄰域擷取視覺化器(Neighbor Retrieval Visualizer，NeRV)中開發的監督降維方法，該方法揭示於2012年IEEE信號處理用機器學習 國際研討會之J.Peltonen及K.Georgatzis之Efficient Optimization for Data Visualization as an Information Retrieval Task，MLSP 2012中，其以引用之方式併入本文中。另一種用於監督降維之合適方法揭示於L.McInnes、J.Healy及J.Melville之UMAP：Uniform Manifold Approximation and Projection for Dimension Reduction，https：//arxiv.org/abs/1802.03426中，其以引用之方式併入本文中。

對於資料集可視化234、可視化顯像238，可使用類似於Puolamaki等人所採用的途徑。途徑為基於領域專家已具有之關於資料的知識來定義先驗分佈。舉例而言，已在相同掃描器中曝光之晶圓應比已在其他掃描器中曝光之晶圓更類似於彼此。此先驗知識可經編碼，使得可視化顯像展示不同於掃描器之其他相關結構(其構成熟知資訊)。一旦已自可視化顯像中獲取知識，專家即將此知識傳達246給系統，且基於此新資訊242、234更新先驗分佈。然後，展示了呈現其他先前隱藏之結構的新可視化顯像238。Puolamaki等人所揭示之途徑為不受監督的，但對於本文中所描述之實施例中之使用，其適用於監督降維途徑。

步驟及資料240至246描述特徵提取。如何對特徵進行工程設計將取決於手頭任務及探索資料之領域專家。

在特徵提取中，自可視化顯像238中提取資訊。上文所描述之降維方法(監督及使用者相依的)用於以下目的：(1)對新特徵進行工程設計240且(2)驗證特徵之相關性/影響。接下來，吾等用實例來解釋其如何完成。領域專家自可視化顯像238觀察機器/夾盤指紋特徵與y之放大預測相關。一旦判定此資訊244，即可藉由將此先驗知識新增242至降維方法234中來在下一次反覆之可視化顯像238中對其進行編碼。所提取特徵 由此表示領域專家之先驗知識244，該先前知識244經前饋242至下一次反覆。藉由將叢集約束新增至資料或藉由定義以擷取資訊為條件之條件機率來將此編碼234至下一個可視化顯像中由此，下一個可視化顯像238將適用於展示資料中之新未知結構。此程序持續，直至236可視化顯像不再展示相關圖案化為止。為了決定可視化顯像是否展示相關圖案化，吾人可使用客觀準則(諸如統計測試)來判定屬性資料中之圖案是否與目標關聯。

實施例允許領域專家自高維資料集中快速且有效地分析及提取資訊。實施例提供結構化人工輔助互動，其提供可解釋且可理解之預測模型。

實施例提供主觀地關注之資料表示及可視化顯像。習知地，使用許多降維及特徵提取方法，諸如主成份分析(PCA)。然而，此等方法為不受監督的方法，該等方法不一定表示與預測任務最相關之資料的態樣。實施例使與預測任務相關之資料之所關注圖案可視化。

實施例使資料之可視化顯像適用於領域專家已經知道之內容。不同領域專家可因此展示不同表示。

習知資料探索為艱巨且耗時的。歸因於監督表示方法，故實施例使資料中之最相關結構可視化。此外，歸因於適用於每一專家之知識之能力，故可視化顯像將未知結構展示給專家。此最佳化用於分析所需之時間，此係由於將表示所關注資訊。

在實施例中，與領域專家合作完成特徵選擇，因此冗餘特徵及偽關聯在探索程序之初期將容易地經偵測及消除。

對於具有「黑盒」式學習機之實施例之應用，所提取特徵係基於人類專家自可視化顯像擷取之資訊。然後，專家基於發現及其對物 理系統之知識來建構新特徵。不同於「黑盒」學習機(例如ANN或比如t-SNE之降維方法)，此人機互動允許吾人建構可解釋之特徵，該「黑盒」學習機通常提取人類專家無法輕易解釋的特徵，且因此作為通用特徵不太可靠。

實施例中之可視化顯像方法考慮使用者之先驗知識且亦考慮待預測之目標。因此，可視化顯像適用於每一使用者且適用於每一預測任務。

實施例亦有助於維度災難及遺漏相關特徵。在特徵選擇階段，大部分不相關的特徵由專家認出且經移除。因此，資料之維度應顯著降低，且因此所輸出的經預處理之資料將不受維度災難之影響或不受沒有足夠的經標記資料的影響。

在習知途徑中，不存在獲取領域專家的知識之結構化方式。每一預測問題及每一資料集皆具有其自身的挑戰。難以對所有問題具有常識庫。實施例提供一種互動方案，該方案以不同方式適用於每一資料集及每一領域專家(在無任何先前假定之情況下)，且提供反覆程序來一點一點地及反覆地掌握隱藏於資料中之大部分或所有圖案及知識。

實施例提供非常快速且結構化的方案以理解資料中存在什麼內容。此有助於獲得具有人類可理解的特徵之經處理之資料集。

實施例可與學習機組合以便：改良微影應用中之疊對/聚焦預測，改良根本原因分析，診斷，執行主動學習及離群值偵測。

如上文所描述，本發明之實施例可使用含有描述產生經預測資料之方法的多種方法之機器可讀指令的一或多個序列的電腦程式來實施。此電腦程式可例如經執行於圖1之控制單元LACU內或某一其他控制 器內。亦可提供一種在其中儲存有此電腦程式之資料儲存媒體(例如半導體記憶體、磁碟或光碟)。

此控制單元LACU可包括如圖3中所展示之電腦組件。電腦組件可為在根據本發明之組件的實施例中呈控制單元形式之專用電腦，或可替代地，為控制微影投影裝置之中央電腦。電腦組件可經配置以用於加載包含電腦可執行碼之電腦程式產品。此可使得電腦組件能夠在下載電腦程式產品時經由位階感測器AS及對準感測器LS之實施例控制對微影裝置之前述使用。

連接至處理器827之記憶體829可包含多個記憶體組件，比如硬碟861、唯讀記憶體(ROM)862、電可抹除可程式化唯讀記憶體(EEPROM)863及隨機存取記憶體(RAM)864。並不需要所有前述記憶體組件皆存在。此外，前述記憶體組件不必實體地緊鄰處理器827或彼此緊鄰。記憶體組件可定位成相隔一距離。

處理器827亦可連接至某種使用者介面，例如鍵盤865或滑鼠866。亦可使用為熟習此項技術者所知之觸控式螢幕、軌跡球、語音轉換器或其他介面。

處理器827可連接至讀取單元867，該讀取單元867經配置以自資料載體(比如固態驅動機868或CDROM 869)讀取例如呈電腦可執行碼之形式的資料，且在一些情況下將資料儲存於資料載體(比如固態驅動器868或CDROM 869)上。亦可使用DVD之資料載體或為熟習此項技術者所知之其他資料載體。

處理器827亦可連接至用以在紙張上打印出輸出資料之打印機870以及連接至為熟習此項技術者所知的任何其他類型之顯示器的顯 示器871，例如監視器或液晶顯示器(LCD)。

處理器827可藉助於負責輸入/輸出(1/O)之傳輸器/接收器873而連接至通信網路872，例如公眾交換電話網路(PSTN)、區域網路(LAN)、廣域網路(WAN)等。處理器827可經配置以經由通信網路872與其他通信系統進行通信。在本發明之實施例中，外部電腦(未展示)(例如操作者之個人電腦)可經由通信網路872登錄至處理器827中。

處理器827可實施為獨立系統或實施為並行地操作之多個處理單元，其中每一處理單元經配置以執行較大程式之子任務。亦可將處理單元劃分成具有若干子處理單元的一或多個主處理單元。處理器827之一些處理單元甚至可經定位成與其他處理單元相隔一定距離且經由通信網路872進行通信。可使模組之間的連接為有線的或無線的。

電腦系統可為具有經配置以執行此處所論述之功能的類比及/或數位及/或軟體技術之任何信號處理系統。

特定實施例之前述描述將充分地揭示本發明之一般性質，使得在不脫離本發明之一般概念的情況下，其他人可藉由應用此項技術之技能範圍內之知識針對各種應用而容易地修改及/或調適此類特定實施例，而無需進行不當實驗。因此，基於本文中所呈現之教示及指導，此類調適及修改意欲在所揭示之實施例的等效物之涵義及範圍內。應理解，本文中之措辭或術語係出於例如描述而非限制之目的，以使得本說明書之術語或措辭待由熟習此項技術者按照該等教示及該指導進行解釋。

在以下經編號條項之清單中揭示本發明之其他實施例：

1.一種自一資料集中提取一特徵之方法，方法包含：基於包含於資料集內之殘餘圖案之可視化顯像自資料集中反覆地提 取特徵，其中特徵不同於在先前反覆中提取之特徵，且殘餘圖案之可視化顯像使用在先前反覆中提取之特徵。

2.如條項1之方法，其中提取特徵包含接收來自具備各別可視化顯像之使用者的使用者輸入。

3.如條項1或條項2之方法，其進一步包含藉由以下步驟來修改資料集：使資料集可視化以提供清理可視化顯像；及基於清理可視化顯像自資料集中移除特徵。

4.如條項3之方法，其中移除特徵之步驟包含基於查看清理可視化顯像來接收使用者輸入。

5.如條項4之方法，其中基於清理可視化顯像移除特徵包含更新資料集之圖形表示上之節點及邊緣。

6.如任一前述條項之方法，其進一步包含使用在先前反覆中提取之特徵執行特徵選擇，以在提供可視化顯像時排除對特徵的使用。

7.如任一前述條項之方法，其中重複反覆，直至未發現殘留圖案相關為止。

8.如條項7之方法，其中資料集包含屬性資料及目標資料。

9.如條項8之方法，其中方法包含使用統計測試來判定是否存在相關殘餘圖案，以判定屬性資料中之圖案是否與目標資料關聯。

10.如條項8或條項9之方法，其中使用在先前反覆中提取之特徵使資料集可視化之步驟包含展示屬性資料中之與目標資料相關之殘餘圖案。

11.如條項8至10中任一項之方法，其中屬性資料包含與工業程序有關之內容脈絡資料，且目標資料包含與工業程序有關之效能資料。

12.如任一前述條項之方法，其中使用在先前反覆中提取之特徵使資料集可視化包含基於在先前反覆中提取之特徵將叢集約束新增至資料集。

13.如任一前述條項之方法，其中使用在先前反覆中提取之特徵使資料集可視化包含定義以在先前反覆中提取之特徵為條件之條件機率。

14.一種工業處理方法，其包含如任一前述條項之自資料集中提取特徵之方法，且其進一步包含使用所提取特徵來控制工業程序。

15.一種包含電腦可讀指令之電腦程式，電腦可讀指令在合適電腦裝置上運行時致使電腦裝置執行如任一前述條項之方法。

16.一種電腦程式產品，其包含如條項15之電腦程式。

17.一種裝置，其經特定調適以進行如條項1至14中任一項之方法之步驟。

18.如條項17之裝置，其經特定組態為可操作以執行微影生產程序之微影裝置。

19.如條項17之裝置，其經特定組態為可操作以執行微影生產程序之微影製造單元。

因此，本發明之廣度及範疇不應受上述例示性實施例中之任一者限制，而應僅根據以下申請專利範圍及其等效物來定義。

202:步驟

204:步驟

206:原始資料

208:步驟

210:可視化顯像

212:步驟/領域專家輸入

214:步驟

216:屬性相關性及偽關聯

218:清理相關資料集

220:資料

222:步驟/細化

224:可視化

226:步驟

228:步驟

230:特徵選擇

232:特徵相關性

234:步驟/可視化/降維方法/編碼

236:步驟

238:可視化顯像

240:步驟

242:步驟

244:特徵

246:步驟

248:經預處理之資料

250:步驟

Claims (15)

1. 一種自與一半導體製造程序相關聯之一資料集中提取一特徵之方法，該方法包含：基於包含於該資料集內之一殘餘圖案之一可視化顯像自該資料集中反覆地(iteratively)提取一特徵，其中該特徵不同於在一先前反覆(iteration)中提取之一先前特徵，且該殘餘圖案之該可視化顯像使用該先前特徵。
2. 如請求項1之方法，其中提取該特徵包含：接收來自具備各別(respective)可視化顯像之一使用者的使用者輸入。
3. 如請求項1或請求項2之方法，其進一步包含藉由以下步驟來修改該資料集：使該資料集可視化以提供一清理(clean-up)可視化顯像；及基於該清理可視化顯像自該資料集中移除一特徵。
4. 如請求項3之方法，其中該移除該特徵之步驟包含：基於查看該清理可視化顯像來接收使用者輸入。
5. 如請求項4之方法，其中基於該清理可視化顯像移除該特徵包含：更新該資料集之一圖形表示上之節點及邊緣。
6. 如請求項1之方法，其進一步包含使用該先前特徵執行特徵選擇，以在提供該可視化顯像時排除對該特徵之使用。
7. 如請求項1之方法，其中重複該反覆，直至沒有殘留圖案被發現為相關的(relevant)為止。
8. 如請求項7之方法，其中該資料集包含屬性資料及目標資料。
9. 如請求項8之方法，其中該方法包含使用一統計測試來判定是否存在相關殘餘圖案，以判定該屬性資料中之圖案是否與目標資料關聯。
10. 如請求項8或請求項9之方法，其中該使用該先前特徵使該資料集可視化之步驟包含：展示該屬性資料中之與該目標資料相關之殘餘圖案。
11. 如請求項8之方法，其中該屬性資料包含與該半導體製造程序有關之內容脈絡資料，且該目標資料包含與該半導體製造程序有關之效能資料。
12. 如請求項1之方法，其中使用該先前特徵使該資料集可視化包含：基於該先前特徵將叢集約束新增至該資料集。
13. 如請求項1之方法，其中使用該先前特徵使該資料集可視化包含：定義以該先前特徵為條件之條件機率。
14. 一種處理方法，其包含如請求項1之自一資料集中提取一特徵之方法，且其進一步包含使用該等所提取特徵來控制該半導體製造程序。
15. 一種包含電腦可讀指令之電腦程式，該等電腦可讀指令在合適電腦裝置上運行時致使該電腦裝置執行如請求項1之方法。

Images