[go: up one dir, main page]

TWI894275B - 用於多腔室半導體設備的預測晶圓排程 - Google Patents

用於多腔室半導體設備的預測晶圓排程

Info

Publication number
TWI894275B
TWI894275B TW110118384A TW110118384A TWI894275B TW I894275 B TWI894275 B TW I894275B TW 110118384 A TW110118384 A TW 110118384A TW 110118384 A TW110118384 A TW 110118384A TW I894275 B TWI894275 B TW I894275B
Authority
TW
Taiwan
Prior art keywords
wafer
task
manufacturing
chamber
data
Prior art date
Application number
TW110118384A
Other languages
English (en)
Other versions
TW202213006A (zh
Inventor
李雅德利安
Original Assignee
美商應用材料股份有限公司
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 美商應用材料股份有限公司 filed Critical 美商應用材料股份有限公司
Publication of TW202213006A publication Critical patent/TW202213006A/zh
Application granted granted Critical
Publication of TWI894275B publication Critical patent/TWI894275B/zh

Links

Classifications

    • 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]
    • G05B19/4188—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 CIM planning or realisation
    • H10P72/0612—
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B19/4155—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 programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • G05B2219/32252—Scheduling production, machining, job shop
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45031—Manufacturing semiconductor wafers
    • 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]
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Computer Interaction (AREA)
  • General Factory Administration (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)

Abstract

本文中所揭露的是用於執行基於模擬的最佳化以識別用於製造工具的排程的技術。示例方法可以包括以下步驟：藉由處理裝置決定製造工具的資源，其中該等資源包括第一腔室及第二腔室；存取指示第一製造任務及第二製造任務的任務資料；決定用來使用該第一腔室來執行該第一製造任務的持續時間及用來使用該第二腔室來執行該第二製造任務的持續時間；基於用來執行該第一製造任務的該持續時間及用來執行該第二製造任務的該持續時間來更新機器學習模型；執行一組電腦模擬，該組電腦模擬使用該機器學習模型及該任務資料來產生一組模擬結果；藉由該處理裝置將該組模擬結果中的模擬結果儲存在資料儲存器中。

Description

用於多腔室半導體設備的預測晶圓排程
本揭示內容與預測建模相關，且更詳細而言是與用於對製造資源進行排程的基於模擬的最佳化技術相關。
製造涉及使用可以包括人工、機器或上述項目的組合的步驟來產生產品。製造步驟可以與決定何時、何處、或如何執行步驟及影響正在製造的產品的設定相關聯。工序工程師一般對用來執行製造步驟的製造資源進行排程，且排程可以基於他們的行業經驗及過去的實驗。
下文為本揭示內容的簡化概要，以提供本揭示內容的一些態樣的基本了解。此概要並非本揭示內容的廣泛綜述。其並不旨在識別本揭示內容的關鍵或重要的構件，也不旨在敘述本揭示內容的特定實施方式的任何範圍或請求項的任何範圍。其唯一的目的是用簡化的形式呈現本揭示內容的一些概念以作為之後呈現的更詳細描述的前奏。
在本揭示內容的態樣中，一種方法包括以下步驟：藉由處理裝置決定製造工具的資源，其中該等資源包括第一腔室及第二腔室；存取指示第一製造任務及第二製造任務的任務資料；決定用來使用該第一腔室來執行該第一製造任務的持續時間及用來使用該第二腔室來執行該第二製造任務的持續時間；基於用來執行該第一製造任務的該持續時間及用來執行該第二製造任務的該持續時間來更新機器學習模型；藉由該處理裝置執行一組電腦模擬，該組電腦模擬使用該機器學習模型及該任務資料來產生一組模擬結果；藉由該處理裝置將該組模擬結果中的模擬結果儲存在資料儲存器中。
在本揭示內容的另一個態樣中，一種系統包括記憶體及耦接到該記憶體的處理裝置。該處理裝置用來：決定製造工具的資源，其中該等資源包括第一腔室及第二腔室；存取指示第一製造任務及第二製造任務的任務資料；決定用來使用該第一腔室來執行該第一製造任務的持續時間及用來使用該第二腔室來執行該第二製造任務的持續時間；基於用來執行該第一製造任務的該持續時間及用來執行該第二製造任務的該持續時間來更新機器學習模型；執行一組電腦模擬，該組電腦模擬使用該機器學習模型及該任務資料來產生一組模擬結果；將該組模擬結果中的模擬結果儲存在資料儲存器中。
在本揭示內容的態樣中，一種儲存指令的非暫時性機器可讀取儲存媒體，該等指令在被執行時使得一處理裝置執行涉及以下步驟的操作：存取該機器學習模型以預報一組晶圓的處理；使用用於該組晶圓的一組起動時間來執行第一電腦模擬；偵測該組的至少一個晶圓閒置了超過預先界定的閾值的持續時間；修改該組起動時間以包括用於該至少一個晶圓的不同的起動時間；及使用修改的該組起動時間來執行第二電腦模擬。
製造工序的複雜度不斷增加，且製造工序通常涉及執行來產生製造的產品的許多任務。任務可以藉由單個工具或一或更多個工具來執行。每個任務均可能需要工具的一或更多個資源來完成任務，而資源衝突可能在一組產品試圖使用相同的資源時發生。為了解決衝突，工具可以對產品中的一或更多者進行排程以佔用資源，且可以使其餘產品在隊列中等待直到資源變得可用為止。對產品進行排隊可能減少工具的吞吐量，且在一些情況下可能減少產品的品質。例如，製造的產品可以是許多任務的結果，而產品在任務之間閒置的時間的變化可能導致成品的變化。這可能是因為任務之間的變化可能變更產品的性質。熱、濕度、質地或其他性質的改變可能會對當前或後續的任務有不利的影響，且可能減少成品的品質。
本揭示內容的態樣藉由提供使用機器學習及電腦模擬來最佳化製造工序的資源排程的技術，解決了上述的及其他的缺陷。在一個示例中，可以將該技術嵌入在製造工具內，該製造工具可以對一系列產品依序地或並行地執行多個任務。該等產品可以是半導體晶圓，且製造工具可以具有多個腔室，該多個腔室可以各自對半導體晶圓中的一者執行任務。在一個示例中，該技術可以涉及計算裝置決定製造工具的資源，該等資源可以包括一組腔室的佈局及能力，該等腔室可以各自容納一或更多個產品(例如晶圓)。該技術可以存取指示製造工具可以對該一或更多個產品執行的製造任務序列的任務資料。每個任務均可以與用於執行該任務的配方相關聯，且可以使用製造工具的特定腔室。
該技術可以追蹤製造工具使用不同資源來執行不同的製造任務要花費多長的時間。例如，不同的資源可以具有不同的產品容量、裝載時間、修改時間、清潔時間或上述項目的組合。該技術可以基於追蹤的時間來訓練機器學習模型以對製造工具的時間態樣進行建模。然後，該技術可以執行一組電腦模擬，該組電腦模擬使用機器學習模型及任務資料來產生一組模擬結果。模擬結果中的每一者均可以是用於製造工具且指示資源用以對一組產品執行任務的順序的排程。然後，該技術可以基於模擬結果來計算最佳化值並基於最佳化值來選擇模擬結果中的一者。最佳化值可以特定於一組一或更多個任務，且可以基於產品閒置時間（例如任務之間的晶圓閒置時間）、資源利用率（例如腔室閒置時間）、工具吞吐量、其他性能度量或上述項目的組合。
本文中所述的系統及方法包括增強製造工序中所使用的一或更多個製造工具的技術。詳細而言，本揭示內容的態樣可以藉由減少製造工序期間的產品閒置時間的變化來增強製造的產品的品質。這可以增加製造的產品的一致性。該技術也可以增加製造工具或製造工具的特定資源的利用率及/或吞吐量。
在本文中在下面藉由示例的方式而不是限制的方式詳細描述上述技術的各種態樣。下面提供的示例論述與製造工具通訊耦接的計算裝置。在其他的示例中，計算裝置可以不通訊耦接到製造工具，且可以從資料儲存器存取與製造工具相關聯的資料，且可以產生隨後可以由使用者或裝置所使用以配置製造工具的資料。
圖1是繪示依據某些實施例的示例性系統架構100的方塊圖。系統架構100可以用來最佳化可以提供或產生一或更多個產品101的製造工序。產品101可以用於使用或販售，且可以是有形或無形的物體、商品、服務、其他產品或上述項目的組合。有形的產品可以被人類觸碰到，且可以包括實體的產品、商品、構件或其他物體（例如蝕刻的晶圓、半導體裝置、微晶片或其他電子裝置）。無形的產品可以被人類在不觸碰的情況下直接或間接感知到，且可以包括電路設計、裝置佈局、製造配方、工具配置、電腦程式、服務、其他的無形構件或上述項目的組合。在圖1中所示的示例中，系統架構100可以包括製造工具110及一或更多個計算裝置120A-Z。
製造工具110可以是對產生產品101的製造工序有貢獻的任何工具。工具可以是機器、計算裝置、電腦程式、其他裝置或上述項目的組合。製造工具110可以包括電腦軟體（例如程式碼）及電腦硬體（例如集成電路），且可以用於半導體裝置製造。半導體裝置製造可以涉及製造半導體裝置及集成電路（IC）。製造工具110可以執行多步驟序列，該多步驟序列可以包括光刻及化學處理步驟（例如表面鈍化、熱氧化、平面擴散及接面隔離），在該等步驟期間，電子電路逐漸在由半導電材料（例如矽晶圓）製成的產品上產生。製造工具110可以使用一或更多個資源115A-Z來處理產品101。
資源115A-Z可以是製造工具110的不同部分，且可以各自與製造工具110的分區、區域、區段、部位、部分或其他部分相同或類似。在一個示例中，資源115A-Z中的每一者均可以是用於在產品101上執行一或更多個任務的腔室。腔室可以容納一或更多個產品，且可以與包殼、隔室、容器、開口、器皿、貯器、儲存單元、殼體或上述項目的組合相同或類似。資源115A-Z可以包括可以用來處理產品的一或更多種不同類型的資源。處理產品可以涉及執行涉及產品的動作，且可以包括用來裝載產品、傳輸產品、修改產品的一或更多個操作、其他操作或上述項目的組合。
在圖1中所示的示例中，可以將資源115A-C配置為將產品移動到製造工具110中或製造工具110內。資源115A可以是外部傳輸資源，其包括端口及機器手元件以將一或更多個產品101從製造工具110外部的運輸裝置裝載到製造工具110中。運輸裝置可以向製造工具、從製造工具或在製造工具之間運輸一組一或更多個產品。運輸裝置可以是具有用於安全地儲存一組一或更多個產品的包殼的盒，且可以與前開式標準艙（FOUP）相同或類似。資源115B-C可以是內部傳輸資源，其能夠儲存產品及在製造工具110內傳輸產品。傳輸資源可以將產品傳輸到資源中、從資源傳輸出去、在資源之間傳輸或上述項目的組合。內部及外部的傳輸資源可以是具有可以將晶圓移動到不同的腔室中及從不同的腔室移動出去的機電致動器（例如機器手）的腔室，且可以稱為機器手腔室。資源115R-Z可以是製造工具110的能夠根據任務122A-Z修改產品101的部分。每個資源均可以被配置為執行特定的任務（例如任務122A）或一組多個任務（例如任務122B-C）。
任務122A-Z可以與由製造工具110執行以產生產品101的製造步驟對應。在一個示例中，任務122A-Z可以是半導體製造任務，且可以包括晶圓清潔（例如濕式清潔）、光刻、離子注入、蝕刻（例如濕式蝕刻、乾式蝕刻、原子層蝕刻）、電漿灰化、熱處理（例如退火、熱氧化）、氣相沉積（例如化學氣相沉積（CVD）、原子層沉積（ALD）、物理氣相沉積（PVD））、分子束磊晶（MBE）、拋光（例如化學機械拋光）、測量（例如晶圓或晶粒測量）、測試（例如晶圓或IC測試）、背面研磨（back grinding）、切粒、結合、封裝、其他任務或上述項目的組合。任務122A-Z可以與任務資料122相關聯。
任務資料122可以識別任務及可以用以執行任務以產生產品101的序列。任務資料122可以稱為序列資料、序列程式、配方或其他用語。任務資料122可以由設計產品的實體向製造產品的實體提供，且該等實體可以是相同或不同的企業實體的一部分。設計產品的實體可以指示開始任務、一或更多個中間任務及結束任務。可以對特定的產品或對組中的不同產品（例如盒中的不同晶圓）串行或並行執行任務中的一或更多者。
任務資料122可以包括用於任務122A-Z中的一或更多者的輸入資料、輸出資料或上述項目的組合。任務的輸入資料可以包括界定製造步驟的一或更多個輸入的任何資料。例如，輸入資料可以指示輸入產品的一或更多個屬性、配置、設定或其他資料。輸入資料可以與參數資料、設定資料、配置資料、其他資料或上述項目的組合相同或類似。輸入資料可以包括指示將如何執行製造工序的一或更多個值（例如參數值、設定值、配置值）。在一個示例中，輸入資料可以包括與時間（例如沉積時間、蝕刻時間、氧化時間、注入時間、清潔時間）、能量（例如溫度、電流、電壓、電磁頻率）、輸入速率（例如氣體流速、晶圓旋轉速度）、距離（例如基片與工具之間的空間、特徵寬度、高度、深度）、壓力（例如帕斯卡、巴）、輸入物質（例如前驅物、反應物、稀釋劑）、其他屬性或性質或上述項目的組合對應的一或更多個值。
輸出資料可以是描述製造步驟的預期輸出的任何資料。輸出資料可以描述產品101的一或更多個屬性、副產物、其他輸出或上述項目的組合。輸出資料可以包括指示在執行步驟之前、期間或之後的產品的實際屬性的值。屬性可以與產品101的一或更多個測量對應。測量可以與尺度（例如長度、寬度、高度、深度、厚度、半徑、直徑、面積、體積、尺寸）、材料性質（例如反射率、發射率、吸收性、導電率、密度、質地）、均勻性（例如膜厚度均勻性）、位置（例如相對或絕對位置）、其他屬性或上述項目的組合相關。在一個示例中，輸出資料可以用N點度量的形式指示產品101的屬性，其中N指示產品的參考測量的數量（例如49點度量）。N點度量可以提供半導體產品的一或更多個電子元件的臨界尺度(例如電晶體或導孔的尺度)。
計算裝置120A-Z可以包括與製造工具110相關聯的一或更多個計算裝置。計算裝置120A-Z可以包括嵌入式系統、伺服器、工作站、個人電腦、膝上型電腦、平板電腦、行動電話、掌上型計算裝置、個人數位助理(PDA)等等。計算裝置120A-Z可以包括用x86硬體(例如Intel®或AMD®)、PowerPC®、SPARC®或其他硬體實施的計算裝置。
計算裝置120A-Z中的一或更多者可以用作製造控制裝置、感測器裝置、使用者裝置、其他裝置或上述項目的組合。製造控制裝置(例如控制器)可以控制製造工具110的一部分，且可以存取、產生、或傳送輸入資料、輸出資料或上述項目的組合。感測器裝置(例如感測器)可以能夠感知製造工具110的態樣或產品101的態樣，且可以涉及能夠測量製造工具110或產品101的屬性的測量元件。在一個示例中，感測器裝置可以包括影像捕捉模組或聲音捕捉模組。使用者裝置可以與客戶端裝置相同或類似，且可以為使用者(例如工序工程師)提供使用者介面。使用者介面可以向使用者呈現(例如顯示及/或告知)資訊，且可以包括一或更多個控制構件以供收集使用者輸入。計算裝置120A-Z中的一或更多者可以使用機器學習模型126來運行電腦模擬124。
機器學習模型126可以對製造工具110所消耗以執行任務的持續時間進行數學建模。在一個示例中，機器學習模型126可以是對製造工具110進行建模的單個機器學習模型。在另一個示例中，機器學習模型126可以包括一組機器學習模型，且該組的每個模型均可以對一或更多個資源進行建模。在任一示例中，每個機器學習模型均可以與數學模型、統計模型、神經網路、其他數學表示或上述項目的組合相同或類似。機器學習模型126可以包括表示模型輸入（例如任務及/或資料）與模型輸出（例如持續時間）之間的關係的數學資料。數學資料可以包括一或更多個矩陣、索引、值對、向量、函數、等式、表達式、運算子、運算元、係數、變數、權重、偏差、連結、其他資料或上述項目的組合。
在一個示例中，機器學習模型126可以是包括表示數學關係的一或更多個矩陣的資料結構。每個矩陣均可以包括一或更多個維度，且可以將特定的製造任務及/或資源與一或更多個持續時間相關聯。矩陣可以包括單個維度（例如列表）、兩個維度（例如表格）或三或更多個維度（例如3D表格）。矩陣的每個元素均可以與持續時間對應，且矩陣中的元素的位置可以指示對應的任務及/或資源。例如，第一軸線（例如列）可以與資源對應，而第二軸線（例如行）則可以與任務對應，且每條軸線上的點的交點可以識別元素（例如持續時間）。元素可以包括一或更多個值，該一或更多個值基於製造工具使用資源執行任務所花費的持續時間。該一或更多個值可以基於歷史值、最大值、最小值、平均值、匯總值、其他數值或統計值或上述項目的組合。
在另一個示例中，機器學習模型126可以是包括表示數學關係的一或更多個數學函數的資料結構。數學函數可以包括與資源對應的變數及與任務對應的變數，且數學函數的輸出可以與持續時間對應。在任一示例中，機器學習模型126可以是機器學習過程的產物，該機器學習過程分析訓練資料並產生表示根據訓練資料導出的關係模式及推理的模型。
訓練資料可以包括基於製造工具110的歷史或實驗運行的時間序列資料。在一個示例中，機器學習模型126可以包括一或更多個迴歸模型以供分析任務資料122並導出一或更多個持續時間。在另一個示例中，機器學習模型126可以包括一或更多個神經網路，該一或更多個神經網路是使用深度學習技術來訓練的且可以包括多個層。神經網路可以稱為類神經網路(ANN)、網路、模型或其他用語。神經網路可以與遞歸神經網路(RNN)、前饋神經網路(FFNN)、多層感知神經網路(MLP)、全連接神經網路、放射狀基底函數神經網路(RBF)、模組神經網路、Kohonen自組織神經網路、卷積神經網路(CNN)、其他網路或上述項目的組合相同或類似。在任一示例中，機器學習模型126均可以用於執行電腦模擬124。
電腦模擬124可以表示電腦模擬引擎，該電腦模擬引擎執行一組電腦模擬來識別最佳化的排程。電腦模擬124中的每一者均可以涉及使用機器學習模型126基於一或更多個製造工具的先前觀察到的值來預測製造工具110的未來值。未來值的預測可以稱為時間序列預報且可以涉及時間序列分析。在一個示例中，每個電腦模擬均可以涉及模擬製造工具110以識別製造排程。
製造排程可以基於一組產品的一組起動時間，且電腦模擬可以遍歷每個產品的任務進行迭代以填充製造排程。第一任務迭代可以決定相應的資源中的每一者何時將處理第一產品。第二任務迭代可以決定相應的資源中的每一者何時將處理第二產品。第二迭代可以計及資源衝突，且可以延遲第二產品的處理，直到資源完成第一產品的處理之後為止。製造工具110可以包括多個資源，該多個資源可以執行相同的任務，且第二迭代可以指示第二產品被其他資源中的一者按排程處理。可以對每個產品均進行迭代，直到全部的產品都被排程處理為止。較早的電腦模擬可能讓產品同時起動，而這可能導致產品在製造工具內具有不同等待時間（例如任務之間的晶圓閒置時間）。後續的電腦模擬可以使用不同的起動時間，使得後續的產品等待被製造工具裝載，但一旦製造工具開始處理該等產品，就幾乎沒有等待時間。後續的電腦模擬可以識別減少資源衝突及產品閒置時間的製造排程。電腦模擬124可以用模擬結果資料128的形式輸出製造排程。
模擬結果資料128可以包括一或更多個模擬結果128A-C，該一或更多個模擬結果可以各自是電腦模擬的輸出且可以表示一或更多個製造排程。可以將製造排程表示為按資源（例如資源排程）、按產品（例如產品排程）、按任務（例如任務排程）、其他元素或上述項目的組合組織的一組一或更多條時間線。在一個示例中，可以按資源組織模擬結果，且每條時間線均可以與相應的資源（例如相應的腔室）對應，且可以包括指示資源何時處理產品中的每一者（例如由特定腔室修改的所有晶圓）的時間塊。在另一個示例中，可以按產品組織模擬結果，且每條時間線均可以與相應的產品（例如相應的晶圓）對應，且可以包括指示產品何時及何處被處理（例如處理特定晶圓的所有腔室）的時間塊。在任一示例中，製造排程可以被表示為一系列時間值，且可以經由最佳化127來分析以識別最佳化的結果129，如下面關於圖2更詳細地論述。
圖2描繪方塊圖，其繪示依據本揭示內容的一或更多個態樣的示例性計算裝置120，該示例性計算裝置包括執行對製造工具的基於模擬的最佳化的技術。計算裝置120可以與圖1的計算裝置120A-Z中的一或更多者相同或類似。可以將本文中所論述的元件及模組執行在單個計算裝置上或多個不同的計算裝置上。在一個實施方式中，元件中的一或更多者可以位在不同的計算裝置上（例如模型訓練位在第一計算裝置，而電腦模擬則位在不同的計算裝置上）。在不失一般性的情況下，可以包括更多或更少的元件或模組。例如，可以將元件中的二或更多者組合成單個元件，或可以將元件的特徵分成二或更多個元件。在圖2中所示的示例中，計算裝置120可以包括工具分析元件210、模型產生元件220及電腦模擬元件230。
工具分析元件210可以允許計算裝置120分析製造工具以決定製造工具的資源及能力。分析可以在將製造工具運送到客戶之前進行，或可以在將製造工具運送到客戶之後進行，且在任一示例中均可以在製造工具的初始化之前、期間或之後進行。初始化可以與硬體初始化（例如系統啟動、BIOS）、軟體初始化（例如作業系統（OS）啟動、程式啟動）、其他初始化或上述項目的組合相同或類似。在一個示例中，工具分析元件210可以包括資源決定模組212、任務資料模組214及時間追蹤模組216。
資源決定模組212可以藉由存取一或更多個資源儲存物件、藉由與一或更多個資源通訊或上述項目的組合，來決定製造工具的資源及資源能力。如上面所論述，資源可以包括可以用來處理製造的產品（例如移動或修改晶圓）的工具的一或更多個區域、區段或腔室。資料儲存物件可以儲存指示一或更多個製造工具的資源中的一或更多者的資料，且該資料可以稱為資源資料或工具資料。資料儲存物件可以包括一或更多個檔案物件（例如檔案、目錄）、資料庫物件（例如記錄、元組、值對）、二進制大型物件（BLOB）、其他資料結構或上述項目的組合。藉由與資源中的一或更多者通訊，資源決定模組212也可以決定或替代性地決定資源。通訊可以與掃描或查詢資源中的每一者相同或類似，且可以涉及傳送請求及接收具有指示製造工具的資源的資料的回應。如由資源資料242所示，資源決定模組212可以將資料儲存在資料儲存器240中。
資源資料242可以包括識別資料、佈局資料、能力資料、其他資料或上述項目的組合。識別資料可以允許計算裝置120唯一地識別資源，且可以包括資源的一或更多個識別碼（例如資源識別碼、通用獨一識別碼（UUID）、全域獨一識別碼（GUID））。佈局資料可以指示資源相對於工具或相對於另一個資源的位置。佈局資料可以允許資源決定模組212決定製造工具的佈局。佈局可以指示資源相對於一或更多個其他資源或相對於工具的位置（例如相對位置）。資源的位置可以用來決定使產品在資源之間移動所花費的時間。能力資料可以指示資源的能力，其可以包括資源的類型（例如修改腔室、移動腔室）及資源可以執行的一或更多個任務。
任務資料模組214可以存取識別用於製造產品的任務的任務資料。任務資料可以識別製造工具對產品執行的步驟及步驟順序。任務資料模組214可以允許計算裝置120經由使用者輸入、資料儲存物件或上述項目的組合接收任務資料。在一個示例中，任務資料可以是儲存在集中資料儲存器中的序列程式，該集中資料儲存器通過網路可存取（例如配方儲存庫、序列儲存庫）。任務資料模組214可以接收（例如下載）任務資料並將其儲存為資料儲存器240中的任務資料122。在一個示例中，任務資料122可以包括用來處理晶圓的一系列配方，且每個配方均可以與製造工具的相應的腔室對應。
時間追蹤模組216可以允許計算裝置120決定製造工具執行不同的任務要花費多長的時間。任務可以是任何處理任務，且可以涉及修改資源（例如對資源進行預清潔或後清潔）、修改產品（例如光刻、蝕刻）、移動產品（例如裝載到工具中或傳輸到資源中或從資源傳輸出來）或上述項目的組合的任務。在一個示例中，時間追蹤模組216可以用來在一或更多個產品的處理期間監測製造工具。在另一個示例中，製造工具可以記錄（例如記入日誌）該一或更多個產品的處理期間的持續時間，且時間追蹤模組216可以存取記錄的時間。在任一示例中，時間追蹤模組216均可以在將持續時間儲存為資料儲存器240中的時間資料244之前、期間或之後修改、匯總、過濾或補充持續時間。
時間資料244可以指示製造工具執行任務所消耗的持續時間。時間資料244可以包括指示一或更多個時間（例如起動時間、結束時間及/或持續時間）、資源（例如裝載腔室A、修改腔室Z）、產品（例如晶圓識別碼、盒識別碼）、任務（例如序列識別碼、配方識別碼）、工具（例如製造工具110）、其他資料或上述項目的組合的表項（例如日誌表項）。在一個示例中，時間資料244可以在複數個晶圓被特定的製造工具處理的同時被產生，且可以指示複數個晶圓裝載時間、第一腔室的處理時間、第二腔室的處理時間及腔室之間的傳輸時間。
模型產生元件220可以使用時間資料244來訓練機器學習模型126來對製造工具進行建模。在一個示例中，模型產生元件220可以包括資料存取模組222及訓練模組224。
資料存取模組222可以存取與製造工具相關聯的資料，且可以用來訓練機器學習模型。該資料可以稱為訓練資料，且可以包括資料儲存器240中的任何資料（例如時間資料244、資源資料242、任務資料122、其他資料或上述項目的組合）或根據該任務資料導出。資料存取模組222可以從製造工具直接或間接存取訓練資料。從製造工具直接存取訓練資料可以涉及從製造工具的通訊通道或資料儲存器存取訓練資料。從製造工具間接存取訓練資料可以涉及從與製造工具分離（例如與日誌伺服器分離）的資料儲存器存取訓練資料。資料存取模組222可以在將存取的資料用作訓練資料之前對該存取的資料執行一或更多個處理操作。該處理可以稱為預處理或後處理，且可以涉及用來關聯、標準化、添加、移除、匯總、過濾、消毒、匿名化或進行其他操作的一或更多個操作。
訓練資料可以包括或基於歷史資料、模擬資料、增廣資料（augmented data）、其他資料或上述項目的組合。歷史資料可以根據製造工序的一或更多個實體執行導出，且實體執行可以用於商業用途、測試用途、實驗用途、研究及開發用途、其他用途或上述項目的組合。增廣資料可以基於歷史資料，該歷史資料被操控為包括變化，該變化可以或可以不存在於正被操控的資料中。變化可以使用一或更多個數學變換來變更資料（例如基於配方修改來減少或增加持續時間）。
訓練資料可以包括有標記資料、未標記資料或上述項目的組合。有標記資料可以包括用輔助資料（例如資源或產品標記）補充的主要資料（例如持續時間）。輔助資料可以是標籤、註解、連結、標記或其他資料。未標記資料可以是不存在標記（例如缺少標記、不含標記、沒有標記）的資料。未標記資料可以被儲存為不具有標記，且可以或可以在被訓練模組224存取之前不保持未標記。
訓練模組224可以允許計算裝置120分析訓練資料並產生一或更多個機器學習模型126。訓練模組224可以產生新的機器學習模型或更新現有的機器學習模型。訓練機器學習模型可以涉及使用專屬、標準化、開源或上述項目的組合的一或更多種訓練技術。在一個示例中，訓練模組224可以分析訓練資料並為資源與任務的每個組合識別一或更多個持續時間。例如，訓練模組224可以識別資源執行每個可適用的任務所消耗的持續時間（例如平均持續時間、最大持續時間、最近持續時間）。在另一個示例中，訓練模組224可以向產生機器學習模型126的訓練架構提供訓練資料。訓練架構可以與TensorflowTM、KerasTM、PyTorchTM、Open Neural network Exchange(OnnxTM)、認知工具包(CNTK)、Azure機器學習服務、Create ML、其他機器學習架構或上述項目的組合相同或類似。
訓練模組224可以在資料儲存器240中儲存訓練的結果作為機器學習模型126。可以將機器學習模型126儲存為一或更多個檔案物件(例如檔案、目錄、連結)、資料庫物件(例如記錄、元組)、其他儲存物件或上述項目的組合。資料儲存器240可以是記憶體(例如隨機存取記憶體)、驅動器(例如硬碟機、快閃碟)、資料庫系統或能夠儲存資料的另一種類型的元件或資料儲存裝置。資料儲存器240可以包括可以跨越多個計算裝置(例如多個伺服器電腦)的多個儲存元件(例如多個驅動器或多個資料庫)。可以將機器學習模型126傳送到一或更多個其他資料儲存器或計算裝置，並使該機器學習模型由電腦模擬元件230可存取。
電腦模擬元件230可以允許計算裝置120執行一組電腦模擬，該等電腦模擬使用機器學習模型126及任務資料122來產生一組模擬結果。每個模擬結果均可以包括用來處理產品的資源的排程，且可以指示每個資源處理該一或更多個產品的時間。排程可以用於製造工具的未來執行或用於製造工具的當前執行。例如，來自當前執行的輸入(例如資源延遲X)可以用來更新模型並模擬其餘的任務以識別修改的排程。然後，修改的排程可以用於製 造工具以變更後續任務的執行。可以在幾乎沒有製造工序的延遲(例如不需要停止或重新起動製造工具)的情況下進行此種對排程的修改。在圖2的示例中，電腦模擬元件230可以包括起始模組232、執行模組234、最佳化模組236及結果提供模組238。
起始模組232可以使用模擬輸入來起始電腦模擬中的一或更多者。模擬輸入可以包括機器學習模型126及模型輸入。模型輸入可以基於任務資料122、資源資料242、產品品質資料、使用者輸入資料、其他資料或上述項目的組合。模型輸入可以呈識別與產品對應的任務及/或資源的一或更多個輸入向量的形式。組的每個產品均可以與相同的產品向量或不同的產品向量相關聯。模型輸入也可以包括一組起動時間，該等起動時間指示製造工具何時將開始處理產品中的該一或更多者。可以從本端儲存裝置、遠端儲存裝置或上述項目的組合存取機器學習模型126。在一個示例中，起始模組232可以從本端儲存位置(例如資料儲存器240)接收機器學習模型126，這可以在計算裝置120產生機器學習模型時或在機器學習模型被另一個計算裝置產生並安裝、封裝、下載、上傳、或傳送到計算裝置120時進行。在另一個示例中，起始模組232可以通過電腦網路130從相同網路上或不同網路(例如網際網路)上的伺服器存取機器學習模型126，這可以允許客戶從第三方(例如製造工具創建者或經銷商)接收機器學習模型126或對模型的更新。
執行模組234可以允許計算裝置120依序地、並行地或以上述項目的組合執行一組電腦模擬。在執行電腦模擬的期間，執行模組234可以偵測一或更多個資源衝突。資源衝突可能在產品(例如第二產品)等待資源完成另一個產品(例如第一產品)的處理時發生。執行模組234可以藉由調整產品中的一或更多者的起動時間來解決衝突，這可以涉及將第一產品的起動時間調整到較早的時間(例如加快)，或將第二產品的起動時間調整到較晚的時間(例如延遲)，或上述項目的組合。可以將調整的時間合併到模擬結果中。
每個模擬結果均可以表示可以按資源或產品組織或排列的一組一或更多條時間線。在一個示例中，可以按資源組織時間線，且時間線中的每一者均可以與相應的資源對應且可以指示資源何時處理每個產品(例如由相應的腔室修改的所有晶圓)。在另一個示例中，可以按產品組織時間線，且時間線中的每一者均可以與相應的產品對應且可以指示產品在何時及何處被處理(例如處理相應晶圓的所有腔室)。在任一示例中，均可以將模擬結果表示為一組輸出向量。
輸出向量可以是儲存時間序列資料的資料結構，且可以表示特定資源(例如腔室)、特定產品(例如晶圓)、特定工具、其他項目或上述項目的組合的時間線。每個輸出向量均可以包括時間資料、資源資料、任務資料或其他資料。該組輸出向量可以包括與特定資源對應的一或更多個資源向量（例如腔室向量）或與特定的製造產品對應的產品向量（例如晶圓向量）。在一個示例中，輸出向量可以是一組資源向量，該等資源向量各自與製造工具的特定資源（例如腔室）對應。資源向量可以包括時間序列資料，該時間序列資料包括複數個時間值及產品識別碼。時間序列資料可以指示由資源所處理的多個產品及產品被處理的時間（例如起動時間、結束時間、持續時間）。在另一個示例中，輸出向量可以是一組產品向量，該等產品向量各自與由製造工具所製造的特定產品（例如晶圓）對應。產品向量可以包括時間序列資料，該時間序列資料包括指示處理產品的多個資源及資源處理產品的時間的複數個時間值及資源識別碼。
最佳化模組236可以分析模擬結果並為模擬結果計算最佳化值。最佳化值可以基於一或更多個產品、資源、工具或上述項目的組合。例如，最佳化值可以基於產品閒置時間（例如最大晶圓閒置時間）、資源利用率（例如腔室利用率）、工具吞吐量（例如每小時晶圓數）、其他的值或上述項目的組合。最佳化值也可以基於或替代性地基於一或更多個特定的任務。例如，最佳化值（例如產品閒置時間）可以基於特定的任務或任務組之前、期間或之後的時間。在由製造工具對產品執行的任務中的一些可能與時間有關（例如對時間敏感的光刻任務）時，這可以是特別有利的。跨組的不同產品的時間相依變化可能使得製造的產品用超過預先界定的閾值(例如熱損耗閾值)的方式變化。
在一個示例中，最佳化模組236可以使用該組輸出向量來決定最佳化值，例如產品的閒置時間。閒置時間可以基於產品等待資源衝突被解決(例如等待資源變得可用)的一或更多個持續時間，且可以包括執行任務之前、期間或之後的持續時間。該一或更多個持續時間可以包括將產品從運輸裝置裝載到製造工具中之前的持續時間、儲存資源(例如晶圓緩存器或隊列)中的持續時間、其他的持續時間或上述項目的組合。如上面所論述，輸出向量可以包括多個時間值，且可以比較該等時間值以決定晶圓的閒置時間。在輸出向量是產品向量時，可以藉由分析單個產品向量來決定特定產品的閒置時間。在輸出向量是資源向量時，可以藉由對處理特定產品的每個資源分析資源向量來決定特定產品的閒置時間。在任一示例中，決定最佳化值(例如閒置時間)均可以藉由比較輸出向量中的一或更多者的時間值來執行。
最佳化模組236可以比較不同電腦模擬的最佳化值。可以將模擬結果的最佳化值與該組模擬結果的一或更多個最佳化值進行比較。比較可以是決定最佳化值之間的一或更多個差異的數學比較。可以在比較之前或之後對該等差異進行加權及/或匯總。在一個示例中，最佳化模組236可以基於最佳化值的比較來從該組模擬結果選擇模擬結果(例如選擇具有最高值或最低值的模擬結 果)。在另一個示例中，最佳化模組236可以基於比較來決定是否執行一或更多個附加電腦模擬。這可以涉及決定附加的模擬是否識別更佳的解(例如具有較少閒置時間的排程)。在後續的模擬結果更佳或實質更佳(例如大於閾值的最佳化值差異)時，最佳化模組236可以與起始模組232通訊以執行一或更多個電腦模擬。在後續的模擬結果較不佳或名義上最佳(例如小於閾值)時，最佳化模組236可以不執行附加的電腦模擬且可以從現有的模擬結果組選擇最佳化的結果129。
在一個示例中，電腦模擬的輸出可以用來決定後續的電腦模擬的輸入。例如，第一電腦模擬可以產生資源排程，在該資源排程中，最後一個製造的產品在中間步驟期間閒置。閒置時間的持續時間可以用來調整後續電腦模擬中的產品的起動時間。例如，模擬結果可以指示產品x在任務n之後閒置了持續時間y(例如第五晶圓延遲90秒)，而後續電腦模擬的輸入可以將產品x的起動時間延遲達y的持續時間。在另一個示例中，起始模組可以產生多個不同組的產品起動時間，且可以使用每個起動時間作為運行並產生不同模擬結果的電腦模擬的輸入。
結果提供模組238可以允許計算裝置120向與製造工具相關聯的使用者或裝置提供模擬結果。提供模擬結果可以涉及呈現模擬結果、傳送模擬結果、儲存結果或上述項目的組合。結果提供模組238可以使用使用者介面(例如圖形使用者介面(GUI))來呈現模擬結果，該使用者介面顯示一或更多個模擬結果及關於電腦模擬的細節（例如最佳化值、模擬的數量、值差、最佳排程）。在一個示例中，使用者介面可以包括一或更多個顯示圖，該一或更多個顯示圖使用一或更多條時間線將模擬結果視覺地表示為排程（例如資源排程、產品排程、任務排程）。顯示圖（例如長條圖、甘特圖）可以包括按資源組織的圖（例如資源圖），該圖包括用於第一資源的一組水平條及用於第二資源的一組水平條（例如第一腔室及第二腔室）。每組水平條均可以表示與由相應的資源處理的產品對應的時間塊。顯示圖也可以包括或替代性地包括按產品組織的圖（例如產品圖），該圖包括用於第一產品的一組水平條及用於第二產品的一組水平條（例如第一晶圓及第二晶圓）。每組水平條均可以表示與處理相應產品的資源對應的時間塊。使用者介面也可以包括配置為接收使用者（例如工序工程師）的使用者輸入的一或更多個控制構件。控制構件可以用來將模擬結果中的一或更多者選擇為由製造工具所使用（例如最佳化的排程的選擇）。
結果提供模組238也可以向製造工具提供與模擬結果中的一者相關聯的最佳化的資料。最佳化的資料可以與最佳化的結果129相關，且可以包括一或更多個起動時間、時間線、排程或其他資料。在一個示例中，向製造工具提供最佳化的資料可以涉及與製造工具建立通訊通道並使用通訊通道來從計算裝置120向製造工具傳送最佳化的資料。在另一個示例中，向製造工具提供最佳化的資料可以涉及在資料儲存物件中儲存最佳化的資料並允許製造工具存取資料儲存物件(例如儲存在網路儲存裝置上)。
圖3描繪依據本揭示內容的一或更多個態樣用於執行基於模擬的最佳化以為製造工具識別排程的方法300的一個說明性示例的流程圖。方法300及其個別的功能、常式、子常式或操作中的每一者可以藉由執行方法的電腦裝置的一或更多個處理器來執行。在某些實施方式中，方法300可以藉由單個計算裝置來執行。或者，方法300可以藉由二或更多個計算裝置來執行，每個計算裝置均執行方法的一或更多個個別的功能、常式、子常式或操作。
為了易於解釋，將此揭示內容的方法描繪及描述為一系列動作。然而，依據此揭示內容的動作可以用各種順序及/或並行地進行，且與本文中未呈現及描述的其他動作一起進行。並且，可以不需要所有繪示的動作也能實施依據所揭露的標的的方法。此外，本領域中的技術人員將了解並理解，可以經由狀態圖或事件將該等方法替代性地表示為一系列相互關聯的狀態。此外，應理解，此說明書中所揭露的方法能夠被儲存在製造製品上，以促進將此類方法輸送及傳輸到計算裝置。如本文中所使用的用語「製造製品」旨在包含從任何電腦可讀取裝置或儲存媒體可存取的電腦程式。在一個實施方式中，方法300可以藉 由如圖2中所示的模型產生元件220及電腦模擬元件230來執行。
方法300可以藉由伺服器裝置或客戶端裝置的處理裝置來執行，且可以在方塊302處開始。在方塊302處，處理裝置可以決定製造工具的資源。資源可以包括第一腔室、第二腔室及一或更多個附加腔室。處理裝置可以藉由分析製造工具的資料以識別資源的佈局並決定資源中的每一者的類型，來決定資源。在一個示例中，第一腔室可以是修改產品的修改腔室(例如蝕刻腔室)，而第二腔室則可以是移動產品的移動腔室(例如機器手腔室)。
在方塊304處，處理裝置可以存取指示第一製造任務及第二製造任務的任務資料。任務資料可以包括用來處理晶圓產品的配方序列，且配方序列可以包括用於第一腔室的配方及用於第二腔室的配方。任務序列可以包括開始任務、複數個中間任務及結束任務。資源中的一或更多者可以能夠執行相同的任務，且每個資源均可以能夠執行一或更多個任務。
在方塊306處，處理裝置可以決定用來使用第一腔室來執行第一製造任務的第一持續時間及用來使用第二腔室來執行第二製造任務的第二持續時間。處理裝置可以藉由分析先前由製造工具在使用相同的任務資料或不同的任務資料來處理複數個晶圓的同時所產生的時間資料，來決定持續時間。時間資料可能是在過去的製造運 行(例如已經完成的歷史運行)或當前運行(例如還未完成的正在進行的運行)的期間產生的。在一個示例中，時間資料可以包括用於相同製造工具的複數個時間，且該複數個時間可以包括一或更多個晶圓裝載時間、第一腔室的晶圓處理時間、第二腔室的晶圓處理時間、第一腔室與第二腔室之間的晶圓傳輸時間、其他時間或上述項目的組合。
在方塊308處，處理裝置可以基於用來執行第一製造任務的持續時間及用來執行第二製造任務的持續時間來更新機器學習模型。更新可以涉及從與製造工具相關聯的資料儲存器存取用於製造工具的時間資料並使用時間資料來訓練機器學習模型以對製造工具進行時間性建模。然後，可以將訓練的機器學習模型儲存在製造工具中或通過電腦網路連接到製造工具的裝置上。
在方塊310處，處理裝置可以執行一組電腦模擬，該組電腦模擬使用機器學習模型及任務資料來產生一組模擬結果。執行該組電腦模擬可以涉及存取機器學習模型以預報一組晶圓的處理。處理裝置可以使用用於該組晶圓的一組起動時間來執行第一電腦模擬，且可以偵測該組的至少一個晶圓閒置了超過預先界定的閾值(例如大於n秒)的持續時間。處理裝置可以修改該組起動時間以為該至少一個晶圓包括不同的起動時間並使用修改的起動時間組來執行第二電腦模擬。
處理裝置也可以為模擬結果計算最佳化值。最佳化值可以基於晶圓閒置時間、腔室利用率、工具吞吐量或上述項目的組合中的一或更多者。處理裝置可以將該最佳化值與該組模擬結果的一或更多個最佳化值進行比較，並基於比較來從該組模擬結果選擇模擬結果。在一個示例中，可以根據一組中間任務(例如在任務C及F期間的晶圓閒置時間)計算最佳化值。
在方塊312處，處理裝置可以將該組模擬結果中的模擬結果儲存在資料儲存器中。模擬結果可以是一組資源向量，該組資源向量包括用來處理該組產品的製造工具的每個腔室的資源向量。每個資源向量均可以包括複數個時間值，且可以表示用於處理複數個產品的特定腔室的時間線。在一個示例中，處理裝置可以提供表示用於製造工具的儲存的模擬結果的甘特圖的顯示。甘特圖可以包括用於第一腔室且表示用於一組的一或更多個晶圓的時間塊的一組水平條及用於第二腔室且表示用於該組的一或更多個晶圓的時間塊的一組水平條。響應於完成本文中上面參照方塊312所描述的操作，該方法可以終止。
圖4是繪示依據某些實施例的電腦系統400的方塊圖。在一些實施例中，電腦系統400可以連接(例如經由網路(例如區域網路(LAN)、內部網路、外部網路或網際網路)連接)到其他的電腦系統。電腦系統400可以用客戶端-伺服器環境中的伺服器或客戶端電腦的身分操作，或操作為點對點或分佈式網路環境中的同級電 腦。電腦系統400可以由個人電腦(PC)、平板PC、機上盒(STB)、個人數位助理(PDA)、胞式電話、網頁器具、伺服器、網路路由器、交換器或橋接器、或能夠執行一組指令(順序的或其他的指令)的任何裝置提供，該組指令指定要由該裝置所採取的動作。進一步地，用語「電腦」應包括個別地或聯合地執行一組(或多組)指令以執行本文中所述的方法中的任一者或更多者的電腦的任何集合。
在另外的態樣中，電腦系統400可以包括處理裝置402、揮發性記憶體404(例如隨機存取記憶體(RAM))、非揮發性記憶體406(例如唯讀記憶體(ROM)或可電抹除的可程式化ROM(EEPROM))及資料儲存裝置416，上述元件可以經由匯流排408彼此通訊。
處理裝置402可以由諸如通用處理器(舉例而言，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、超長指令字(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)或特殊處理器(舉例而言，例如特殊應用積體電路(ASIC)、現場可程式化邏輯閘陣列(FPGA)、數位訊號處理器(DSP)或網路處理器)之類的一或更多個處理器所提供。
電腦系統400可以進一步包括網路接口裝置422。電腦系統400也可以包括視訊顯示單元410(例如 LCD)、文數字輸入裝置412(例如鍵盤)、游標控制裝置414(例如滑鼠)及訊號產生裝置420。
在一些實施方式中，資料儲存裝置416可以包括非暫時性電腦可讀取儲存媒體424，該非暫時性電腦可讀取儲存媒體上可以儲存指令426，該等指令對本文中所述的方法或功能中的任一者或更多者進行編碼，該等指令包括對圖2的工具分析元件210、模型產生元件220或電腦模擬元件230進行編碼且用於實施本文中所述的方法的指令。
指令426也可以在其被電腦系統400執行的期間完全地或部分地位在揮發性記憶體404內及/或處理裝置402內，因此，揮發性記憶體404及處理裝置402也可以構成機器可讀取儲存媒體。
雖然電腦可讀取儲存媒體424在說明性示例中被示為單個媒體，但用語「電腦可讀取儲存媒體」也應包括儲存該一或更多個可執行指令集的單個媒體或多個媒體(例如集中式或分佈式資料庫及/或相關聯的快取記憶體及伺服器)。用語「電腦可讀取儲存媒體」也應包括能夠對用於由電腦執行使得電腦執行本文中所述的方法中的任一者或更多者的指令集進行儲存或編碼的任何有形媒體。用語「電腦可讀取儲存媒體」應包括但不限於固態記憶體、光學媒體及磁性媒體。
本文中所述的方法、元件及特徵可以由離散的硬體元件所實施，或可以被集成在諸如ASIC、FPGA、 DSP或類似裝置之類的其他硬體元件的功能性中。此外，方法、元件及特徵還可以由硬體裝置內的韌體模組或功能電路系統所實施。進一步地，方法、元件及特徵可以用硬體裝置與電腦程式元件的任何組合或用電腦程式來實施。
除非另有具體陳述，否則諸如「接收」、「決定」、「選擇」、「執行」、「處理」、「測量」、「報告」、「更新」、「分析」、「訓練」、「創建」、「添加」、「計算」、「造成」、「執行」、「產生」、「使用」、「修改」、「比較」、「存取」、「移動」、「儲存」、「偵測」等等之類的用語指的是由電腦系統執行或實施的動作及過程，該等動作及過程將在電腦系統暫存器及記憶體內表示為物理(電子)量的資料操控並變換成在電腦系統記憶體或暫存器或者其他此類資訊儲存、傳輸或顯示裝置內類似地表示為物理量的其他資料。並且，如本文中所使用的用語「第一」、「第二」、「第三」、「第四」等等意指作為標記以在不同的元素之間進行區分，且可以不具有依據它們數字標誌的順序意義。
本文中所述的示例也與用於執行本文中所述的方法的裝置相關。此裝置可以被專門建構為用於執行本文中所述的方法，或它可以包括選擇性地由儲存在電腦系統中的電腦程式程式化的通用電腦系統。可以將此類電腦程式儲存在電腦可讀取有形儲存媒體中。
本文中所述的方法及說明性示例本質上與任何特定的電腦或其他的裝置無關。可以依據本文中所述的教示來使用各種通用系統，或者可以證明建構更專門的裝置來執行本文中所述的方法及/或該等方法的個別的功能、常式、子常式或操作中的每一者是合宜的。上面的說明中闡述了用於各種這些系統的結構的示例。
上面的說明旨在是說明性的，而非限制性的。雖然已經參照具體的說明性示例及實施方式描述了本揭示內容，但將認識到，本揭示內容不限於所述的示例及實施方式。應參照以下請求項以及請求項的等效物的全部範圍來決定本揭示內容的範圍。
100:系統架構
101:產品
110:製造工具
120:計算裝置
122:任務資料
124:電腦模擬
126:機器學習模型
127:最佳化
128:模擬結果資料
129:最佳化的結果
130:電腦網路
210:工具分析元件
212:資源決定模組
214:任務資料模組
216:時間追蹤模組
220:模型產生元件
222:資料存取模組
224:訓練模組
230:電腦模擬元件
232:起始模組
234:執行模組
236:最佳化模組
238:結果提供模組
240:資料儲存器
242:資源資料
244:時間資料
300:方法
302:方塊
304:方塊
306:方塊
308:方塊
310:方塊
312:方塊
400:電腦系統
402:處理裝置
404:揮發性記憶體
406:非揮發性記憶體
408:匯流排
410:視訊顯示單元
412:文數字輸入裝置
414:游標控制裝置
418:資料儲存裝置
420:訊號產生裝置
422:網路接口裝置
424:電腦可讀取儲存媒體
426:指令
474:網路
115A:資源
115B:資源
115C:資源
115R:資源
115S:資源
115T:資源
115U:資源
115V:資源
115W:資源
115X:資源
115Y:資源
115Z:資源
120A:計算裝置
120B:計算裝置
120C:計算裝置
120Z:計算裝置
122A:任務
122B:任務
122Z:任務
128A:模擬結果
128B:模擬結果
128C:模擬結果
藉由示例的方式且不是藉由限制的方式，將本揭示內容繪示在附圖的圖式中。
圖1是繪示依據某些實施例的示例性系統架構的方塊圖。
圖2是依據某些實施例的示例計算裝置。
圖3是繪示依據某些實施例用於執行對製造工序的基於模擬的最佳化的示例方法的流程圖。
圖4是繪示依據某些實施例的電腦系統的方塊圖。
100:系統架構
101:產品
110:製造工具
122:任務資料
124:電腦模擬
126:機器學習模型
127:最佳化
128:模擬結果資料
129:最佳化的結果
130:電腦網路
115A:資源
115B:資源
115C:資源
115R:資源
115S:資源
115T:資源
115U:資源
115V:資源
115W:資源
115X:資源
115Y:資源
115Z:資源
120A:計算裝置
120B:計算裝置
120C:計算裝置
120Z:計算裝置
122A:任務
122B:任務
122Z:任務
128A:模擬結果
128B:模擬結果
128C:模擬結果

Claims (20)

  1. 一種用於對製造資源進行排程的基於模擬的最佳化方法，該方法包括以下步驟： 藉由至少一個處理裝置識別一組晶圓，其中該組晶圓中的每個晶圓與一組起動時間中相應的一起動時間相關聯； 藉由該至少一個處理裝置決定該組晶圓是否包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓； 響應於決定該組晶圓包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓，藉由該至少一個處理裝置藉由至少修改用於該閒置晶圓的該起動時間來產生一組經修改的起動時間；及 藉由該至少一個處理裝置起始一電腦模擬以獲得一第一模擬結果，該電腦模擬預報使用一晶圓修改腔室及一晶圓移動腔室基於該組經修改的起動時間對該組晶圓進行的處理，其中該電腦模擬使用一機器學習模型，該機器學習模型是基於用於使用該晶圓修改腔室執行一第一製造任務的一第一持續時間及用於使用該晶圓移動腔室執行一第二製造任務的一第二持續時間來訓練的。
  2. 如請求項1所述的方法，進一步包括以下步驟：藉由該至少一個處理裝置分析由與該晶圓修改腔室及該晶圓移動腔室相關聯的一製造工具所產生的時間資料，其中該時間資料是在複數個晶圓被該製造工具根據表示該第一製造任務及該第二製造任務的任務資料來處理的同時產生的。
  3. 如請求項2所述的方法，其中該時間資料包括用於該製造工具的複數個時間，且其中該複數個時間包括複數個晶圓裝載時間、該晶圓修改腔室的晶圓處理時間、該晶圓移動腔室的晶圓處理時間及該晶圓修改腔室與該晶圓移動腔室之間的晶圓傳輸時間。
  4. 如請求項1所述的方法，進一步包括以下步驟： 藉由該至少一個處理裝置從與該製造工具相關聯的一資料儲存器存取用於一製造工具的時間資料，其中該製造工具與該晶圓修改腔室及該晶圓移動腔室相關聯；及 藉由該至少一個處理裝置使用該時間資料來訓練該機器學習模型。
  5. 如請求項1所述的方法，其中決定該組晶圓是否包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓進一步包括以下步驟：使用用於該組晶圓的該組起動時間來起始一第二電腦模擬以獲得一第二模擬結果。
  6. 如請求項1所述的方法，其中該第一模擬結果針對該晶圓移動腔室及該晶圓修改腔室中的每一者包括相應的一資源向量，其中每個資源向量包括表示一處理時間線的複數個時間值。
  7. 如請求項1所述的方法，進一步包括以下步驟： 藉由該至少一個處理裝置決定用於該第一模擬結果的一第一最佳化值，該第一最佳化值基於一晶圓閒置時間、一腔室利用率或一工具吞吐量中的一或更多者； 藉由該至少一個處理裝置將該第一最佳化值與用於至少一第二模擬結果的至少一第二最佳化值進行比較；及 藉由該處理裝置基於該比較步驟來從包括該第一模擬結果及至少該第二模擬結果的一組模擬結果選擇一模擬結果。
  8. 如請求項7所述的方法，進一步包括以下步驟：藉由該至少一個處理裝置識別與該第一製造任務及該第二製造任務相關聯的一任務序列，其中該任務序列包括一開始任務、一組中間任務及一結束任務，且其中該第二最佳化值與該組中間任務中的至少一個中間任務期間的該晶圓閒置時間對應。
  9. 如請求項1所述的方法，進一步包括以下步驟：藉由該至少一個處理裝置決定包括該晶圓修改腔室及該晶圓移動腔室的一製造工具的資源，其中決定該製造工具的該等資源包括以下步驟： 分析該製造工具以識別該製造工具的該等資源的一佈局；及 決定該製造工具的該等資源中的每一者的一類型。
  10. 如請求項1所述的方法，進一步包括以下步驟：藉由該至少一個處理裝置識別與該第一製造任務及該第二製造任務相關聯的一晶圓處理配方序列，其中該晶圓處理配方序列包括用於該晶圓修改腔室的一第一配方及用於該晶圓移動腔室的一第二配方。
  11. 一種用於對製造資源進行排程的基於模擬的最佳化系統，該系統包括： 一記憶體；及 一處理裝置，可通訊地耦接到該記憶體，該處理裝置用來： 識別一組晶圓，其中該組晶圓中的每個晶圓與一組起動時間中相應的一起動時間相關聯； 決定該組晶圓是否包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓； 響應於決定該組晶圓包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓，藉由至少修改用於該閒置晶圓的該起動時間來產生一組經修改的起動時間；及 起始一電腦模擬以獲得一第一模擬結果，該電腦模擬預報使用一晶圓修改腔室及一晶圓移動腔室基於該組經修改的起動時間對該組晶圓進行的處理，其中該電腦模擬使用一機器學習模型，該機器學習模型是基於用於使用該晶圓修改腔室執行一第一製造任務的一第一持續時間及用於使用該晶圓移動腔室執行一第二製造任務的一第二持續時間來訓練的。
  12. 如請求項11所述的系統，其中該處理裝置進一步用來分析由與該晶圓修改腔室及該晶圓移動腔室相關聯的一製造工具產生的時間資料，且其中該時間資料是在複數個晶圓被該製造工具根據表示該第一製造任務及該第二製造任務的任務資料來處理的同時產生的。
  13. 如請求項12所述的系統，其中該時間資料包括用於該製造工具的複數個時間，且其中該複數個時間包括複數個晶圓裝載時間、該晶圓修改腔室的晶圓處理時間、該晶圓移動腔室的晶圓處理時間及該晶圓修改腔室與該晶圓移動腔室之間的晶圓傳輸時間。
  14. 如請求項11所述的系統，其中該處理裝置進一步用來： 從與一製造工具相關聯的一資料儲存器存取用於該製造工具的時間資料，其中該製造工具與該晶圓修改腔室及該晶圓移動腔室相關聯；及 使用該時間資料來訓練該機器學習模型。
  15. 如請求項11所述的系統，其中為了決定該組晶圓是否包括閒置了超過一預先界定的閾值的一持續時間的一閒置晶圓，該處理裝置進一步用來使用用於該組晶圓的該組起動時間來起始一第二電腦模擬以獲得一第二模擬結果。
  16. 如請求項11所述的系統，其中該第一模擬結果針對該晶圓移動腔室及該晶圓修改腔室中的每一者包括相應的一資源向量，其中每個資源向量包括表示一處理時間線的複數個時間值。
  17. 如請求項11所述的系統，其中該處理裝置進一步用來： 決定用於該第一模擬結果的一第一最佳化值，該第一最佳化值基於一晶圓閒置時間、一腔室利用率或一工具吞吐量中的一或更多者； 將該第一最佳化值與用於至少一第二模擬結果的至少一第二最佳化值進行比較；及 基於該比較步驟來從包括該第一模擬結果及至少該第二模擬結果的一組模擬結果選擇一模擬結果。
  18. 如請求項17所述的系統，其中該處理裝置進一步用來識別與該第一製造任務及該第二製造任務相關聯的一任務序列，其中該任務序列包括一開始任務、一組中間任務及一結束任務，且其中該第二最佳化值與該組中間任務中的至少一個中間任務期間的該晶圓閒置時間對應。
  19. 如請求項11所述的系統，其中該處理裝置進一步用來藉由以下步驟來決定包括該晶圓修改腔室及該晶圓移動腔室的一製造工具的資源： 分析該製造工具以識別該製造工具的該等資源的一佈局；及 決定該製造工具的該等資源中的每一者的一類型。
  20. 如請求項11所述的系統，其中該處理裝置進一步用來識別與該第一製造任務及該第二製造任務相關聯的一晶圓處理配方序列，且其中該晶圓處理配方序列包括用於該晶圓修改腔室的一第一配方及用於該晶圓移動腔室的一第二配方。
TW110118384A 2020-05-22 2021-05-21 用於多腔室半導體設備的預測晶圓排程 TWI894275B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/881,370 2020-05-22
US16/881,370 US11901204B2 (en) 2020-05-22 2020-05-22 Predictive wafer scheduling for multi-chamber semiconductor equipment

Publications (2)

Publication Number Publication Date
TW202213006A TW202213006A (zh) 2022-04-01
TWI894275B true TWI894275B (zh) 2025-08-21

Family

ID=78608356

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110118384A TWI894275B (zh) 2020-05-22 2021-05-21 用於多腔室半導體設備的預測晶圓排程

Country Status (6)

Country Link
US (3) US11901204B2 (zh)
JP (2) JP7556047B2 (zh)
KR (2) KR20250138838A (zh)
CN (1) CN115485639A (zh)
TW (1) TWI894275B (zh)
WO (1) WO2021237147A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11901204B2 (en) * 2020-05-22 2024-02-13 Applied Materials, Inc. Predictive wafer scheduling for multi-chamber semiconductor equipment
WO2021240572A1 (ja) * 2020-05-25 2021-12-02 株式会社日立ハイテク 半導体装置製造システムおよび半導体装置製造方法
US11437254B2 (en) 2020-06-24 2022-09-06 Applied Materials, Inc. Sequencer time leaping execution
WO2023003913A1 (en) * 2021-07-20 2023-01-26 Lavorro, Inc. Virtual assistant architecture with enhanced queries and context-specific results for semiconductor-manufacturing equipment
KR102502886B1 (ko) * 2022-11-02 2023-02-24 주식회사 한울엔지니어링 반도체용 연마입자 스마트 생산 시스템 및 그 방법
KR102487325B1 (ko) * 2022-11-04 2023-01-11 비드오리진 주식회사 반도체용 연마 입자 생산을 위한 스케쥴링 시스템
TWI858685B (zh) * 2023-05-01 2024-10-11 友達光電股份有限公司 設備清洗排程方法及裝置
CN118116854B (zh) * 2024-04-25 2024-08-02 浙江求是创芯半导体设备有限公司 一种晶圆调度方法、装置、设备及存储介质
CN118919459B (zh) * 2024-10-11 2025-02-18 埃克斯工业有限公司 组合设备的加工控制方法、装置、设备、存储介质及产品

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201820937A (zh) * 2016-08-03 2018-06-01 美商蘭姆研究公司 用於監視電漿處理系統與先進製程及工具控制的方法及系統
WO2019246588A1 (en) * 2018-06-22 2019-12-26 Applied Materials, Inc. Using graphics processing unit for substrate routing and throughput modeling
CN111162004A (zh) * 2019-12-27 2020-05-15 北京半导体专用设备研究所（中国电子科技集团公司第四十五研究所） 半导体设备内部环境的调整方法、装置和电子设备

Family Cites Families (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19990039062A (ko) 1997-11-10 1999-06-05 김영환 자원 예측 시뮬레이터 및 시뮬레이션 방법
US6493599B2 (en) * 1998-03-19 2002-12-10 Dell Usa, L.P. Automated system and method for generating data to drive a manufacturing process
JP2000099111A (ja) * 1998-09-25 2000-04-07 Toshiba Corp 生産制御方法及びその装置
US20050137734A1 (en) * 2003-12-23 2005-06-23 Asml Netherlands B.V. Method of operating a lithographic apparatus or lithographic processsing cell, lithographic apparatus and lithographic processing cell
US7904192B2 (en) * 2004-01-14 2011-03-08 Agency For Science, Technology And Research Finite capacity scheduling using job prioritization and machine selection
JP4660137B2 (ja) * 2004-08-06 2011-03-30 新日本製鐵株式会社 処理計画作成装置、処理計画作成方法、コンピュータプログラム及び記録媒体
DE102006004413A1 (de) * 2006-01-31 2007-08-09 Advanced Micro Devices, Inc., Sunnyvale Verfahren und System zum Disponieren eines Produktstromes in einer Fertigungsumgebung durch Anwendung eines Simulationsprozesses
US8082045B1 (en) 2007-06-29 2011-12-20 Intermolecular, Inc. Substrate processing recipe manager
TWI391839B (zh) 2009-01-17 2013-04-01 Univ Nat Taiwan Science Tech 半導體產業之資源分派系統及方法
KR100957401B1 (ko) * 2009-06-05 2010-05-11 (주)베오스솔루션 반도체 제조 클러스터 장비용 스케줄러
JP5933985B2 (ja) * 2012-02-15 2016-06-15 株式会社日立ハイテクノロジーズ レシピ実行時間演算装置および半導体検査装置
KR101371006B1 (ko) 2012-06-18 2014-03-25 (주)브이엠에스 솔루션스 반도체 공정을 위한 생산 시뮬레이트 장치
JP6002532B2 (ja) * 2012-10-10 2016-10-05 株式会社日立ハイテクノロジーズ 真空処理装置及び真空処理方法
ES2944938T3 (es) * 2014-08-27 2023-06-27 Nec Corp Dispositivo de simulación, método de simulación y soporte de memoria
US10726366B2 (en) * 2015-04-14 2020-07-28 International Business Machines Corporation Scheduling and simulation system
US20180173823A1 (en) * 2015-06-02 2018-06-21 Nec Corporation Simulation device, simulation method, and recording medium for storing program
US20180348742A1 (en) * 2017-06-01 2018-12-06 X Development Llc Planning and Adapting Projects Based on a Buildability Analysis
JP6823547B2 (ja) * 2017-06-07 2021-02-03 株式会社日立製作所 経営管理システム
US10572307B2 (en) * 2017-07-26 2020-02-25 Bank Of America Corportion System and method of training machine learning algorithm to satisfactorily allocate resources for task execution
US10747210B2 (en) * 2017-09-11 2020-08-18 Lam Research Corporation System and method for automating user interaction for semiconductor manufacturing equipment
US20190114513A1 (en) * 2017-10-13 2019-04-18 International Business Machines Corporation Building cognitive conversational system associated with textual resource clustering
US11348017B1 (en) * 2017-11-07 2022-05-31 Synopsys, Inc. Machine learning method and framework for optimizing setups for accurate, speedy and robust TCAD simulations
US11227234B2 (en) * 2018-06-11 2022-01-18 Traxen Inc. Normalized performance comparison techniques
US20190378050A1 (en) * 2018-06-12 2019-12-12 Bank Of America Corporation Machine learning system to identify and optimize features based on historical data, known patterns, or emerging patterns
US10705514B2 (en) 2018-10-09 2020-07-07 Applied Materials, Inc. Adaptive chamber matching in advanced semiconductor process control
TW202022633A (zh) * 2018-12-10 2020-06-16 財團法人資訊工業策進會 基於特徵擷取與機器學習的優化方法及其模組
JP7124696B2 (ja) * 2018-12-27 2022-08-24 オムロン株式会社 同期制御装置、同期制御システム、同期制御方法及びシミュレーション装置
WO2020205339A1 (en) 2019-03-29 2020-10-08 Lam Research Corporation Model-based scheduling for substrate processing systems
US11982996B2 (en) * 2019-04-29 2024-05-14 Siemens Aktiengesellschaft Method and apparatus for configuring processing parameters of production equipment, and computer-readable medium
US20220284344A1 (en) * 2019-08-13 2022-09-08 Asml Netherlands B.V. Method for training machine learning model for improving patterning process
US10910060B1 (en) 2019-09-12 2021-02-02 Sandisk Technologies Llc Select line voltage waveform real-time monitor for non-volatile memory
WO2021163986A1 (en) * 2020-02-21 2021-08-26 Yangtze Memory Technologies Co., Ltd. Method and system for scheduling semiconductor fabrication
US11901204B2 (en) * 2020-05-22 2024-02-13 Applied Materials, Inc. Predictive wafer scheduling for multi-chamber semiconductor equipment
US11074142B1 (en) * 2021-01-15 2021-07-27 Coupang Corp. Systems and methods for automatically resolving system failure through force supplying cached API data
US12121747B2 (en) * 2021-03-22 2024-10-22 Siemens Healthineers International Ag Artificial intelligence modeling for radiation therapy dose distribution analysis

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201820937A (zh) * 2016-08-03 2018-06-01 美商蘭姆研究公司 用於監視電漿處理系統與先進製程及工具控制的方法及系統
WO2019246588A1 (en) * 2018-06-22 2019-12-26 Applied Materials, Inc. Using graphics processing unit for substrate routing and throughput modeling
CN111162004A (zh) * 2019-12-27 2020-05-15 北京半导体专用设备研究所（中国电子科技集团公司第四十五研究所） 半导体设备内部环境的调整方法、装置和电子设备

Also Published As

Publication number Publication date
KR102862193B1 (ko) 2025-09-18
CN115485639A (zh) 2022-12-16
KR20220160671A (ko) 2022-12-06
US11901204B2 (en) 2024-02-13
TW202213006A (zh) 2022-04-01
KR20250138838A (ko) 2025-09-22
US20210366749A1 (en) 2021-11-25
US12154804B2 (en) 2024-11-26
US20250062144A1 (en) 2025-02-20
WO2021237147A1 (en) 2021-11-25
JP2023527110A (ja) 2023-06-27
JP7556047B2 (ja) 2024-09-25
JP2025003982A (ja) 2025-01-14
US20240055284A1 (en) 2024-02-15

Similar Documents

Publication Publication Date Title
TWI894275B (zh) 用於多腔室半導體設備的預測晶圓排程
KR101755746B1 (ko) 반도체 제조 툴을 자기-학습 및 자기-개선하는 방법 및 시스템
TWI899333B (zh) 基於任務相依性的動態排程的方法、非暫時性機器可讀取儲存媒體及系統
US20230315953A1 (en) Using deep reinforcement learning for time constraint management at a manufacturing system
JP2024544816A (ja) 半導体製造のための環境効率監視・探査プラットフォーム
US20240210916A1 (en) Machine and deep learning techniques for predicting ecological efficiency in substrate processing
TW202333013A (zh) 製造系統處的時間約束管理
TW202548455A (zh) 用於多腔室半導體設備的預測晶圓排程
Han et al. Machine learning-based dispatching for a wet clean station in semiconductor manufacturing
KR102721710B1 (ko) 시퀀서 시간 리핑 실행
US20250123602A1 (en) Using deep reinforcement learning for substrate dispatching management at a substrate fabrication facility
TW202505324A (zh) 排隊時間控制
Kankalale Smart Scheduler Design for Wafer Processing Systems
Hong et al. Simulation‑based deep reinforcement learning for process time optimization in semiconductor cluster tool and an empirical study