[go: up one dir, main page]

TWI809231B - 預測可鍍覆基板片數之預測模型之構築方法、用以預想引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法 - Google Patents

預測可鍍覆基板片數之預測模型之構築方法、用以預想引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法 Download PDF

Info

Publication number
TWI809231B
TWI809231B TW108145790A TW108145790A TWI809231B TW I809231 B TWI809231 B TW I809231B TW 108145790 A TW108145790 A TW 108145790A TW 108145790 A TW108145790 A TW 108145790A TW I809231 B TWI809231 B TW I809231B
Authority
TW
Taiwan
Prior art keywords
aforementioned
substrate holder
data
abnormality
substrates
Prior art date
Application number
TW108145790A
Other languages
English (en)
Other versions
TW202046185A (zh
Inventor
大石邦夫
下山正
小泉竜也
Original Assignee
日商荏原製作所股份有限公司
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 日商荏原製作所股份有限公司 filed Critical 日商荏原製作所股份有限公司
Publication of TW202046185A publication Critical patent/TW202046185A/zh
Application granted granted Critical
Publication of TWI809231B publication Critical patent/TWI809231B/zh

Links

Classifications

    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D21/00—Processes for servicing or operating cells for electrolytic coating
    • C25D21/12—Process control or regulation
    • 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
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/001—Apparatus specially adapted for electrolytic coating of wafers, e.g. semiconductors or solar cells
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/06—Suspending or supporting devices for articles to be coated
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
    • G06F11/10—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's
    • G06F11/1008—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices
    • G06F11/1048—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices using arrangements adapted for a specific error detection or correction feature
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3409—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment for performance assessment
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • H10P72/0612—
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/004—Sealing devices
    • C—CHEMISTRY; METALLURGY
    • C25—ELECTROLYTIC OR ELECTROPHORETIC PROCESSES; APPARATUS THEREFOR
    • C25D—PROCESSES FOR THE ELECTROLYTIC OR ELECTROPHORETIC PRODUCTION OF COATINGS; ELECTROFORMING; APPARATUS THEREFOR
    • C25D17/00—Constructional parts, or assemblies thereof, of cells for electrolytic coating
    • C25D17/005—Contacting devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Materials Engineering (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Computer Hardware Design (AREA)
  • Sustainable Development (AREA)
  • Chemically Coating (AREA)
  • Electroplating Methods And Accessories (AREA)
  • Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Coating With Molten Metal (AREA)

Abstract

本發明提供一種可正確預測基板固持器需要維修之時期的預測模型之構築方法。本方法係使用基板固持器18鍍覆複數片基板，決定在基板固持器18上引發異常之前使用基板固持器18鍍覆的基板總片數，並決定第一可處理片數及第二可處理片數，製作由第一情況資料與第一可處理片數之組合構成的第一資料集，第一情況資料表示基板固持器18之構成元件的狀態，並製作由第二情況資料與第二可處理片數之組合構成的第二資料集，第二情況資料表示構成元件之狀態，使用包含第一資料集與第二資料集之訓練資料，將由類神經網路構成之預測模型的參數最佳化。

Description

預測可鍍覆基板片數之預測模型之構築方法、用以預想 引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法
本發明係關於一種預測在使用於鍍覆裝置之基板固持器上引發異常之前可鍍覆的基板片數之預測模型的構築方法，特別是關於藉由深度學習等之機械學習構築預測模型的方法。此外，本發明係關於一種使用此種預測模型預測可鍍覆之基板片數的方法。
鍍覆裝置係使基板固持器所保持之基板(例如晶圓)浸漬於鍍覆液中，藉由在基板與陽極之間施加電壓，而使基板表面析出導電膜。基板固持器由用於確立基板與電源之電性連接的複數個電接點；用於從鍍覆液隔離此等電接點之密封；及保持密封之密封固持器等的複數個構成元件而構成。
基板固持器上引發異常時，會對基板之鍍覆帶來不良影響。例如，當密封變形時，鍍覆液侵入基板固持器內部，鍍覆液接觸到電接點。結果，無法在基板上形成具有目標厚度之導電膜。因為基板固持器具有與鍍覆之基板接觸的構成元件，所以基板固持器之情況會對鍍覆結果產生重大影響。因而，為了達成良好之鍍覆結果，基板固持器之維修很重要。
[先前技術文獻] [專利文獻]
[專利文獻1] 日本特開2018-3102號公報
基板固持器之維修應該在基板固持器發生異常之前實施。但是，正確判斷基板固持器是否需要維修困難。因而，過去有時是在基板固持器發生異常之後執行基板固持器的維修，此時無法在事前進行維修之準備，導致維修花費時間。另外，專利文獻1中記載有具備基板固持器之外觀檢查裝置，並依需要進行基板固持器之清潔的基板固持器之檢查裝置，不過，只不過是判定基板固持器之外觀是否產生異常者。
因此，本發明提供一種可正確預測基板固持器需要維修之時期的預測模型之構築方法。此外，本發明提供一種可從可成為基板固持器之異常原因的基板固持器之複數個構成元件中，預想引發基板固持器之異常的構成元件之選擇模型的構築方法。此外，本發明提供一種使用此種預測模型預測基板固持器之維修時期的方法。
一個樣態之在基板固持器引發異常之前預測可鍍覆基板片數的預測模型之構築方法，且係使用基板固持器鍍覆複數片基板，決定在前述基板固持器引發異常之前使用前述基板固持器鍍覆的基板總片數，並決定在前述基板固持器引發異常之前可鍍覆的基板片數之第一可處理片數及第二可處理片數，製作由對應於前述第一可處理片數之第一情況資料、與前述第一可處理片數之 組合構成的第一資料集，前述第一情況資料表示前述基板固持器之構成元件的狀態，並製作由對應於前述第二可處理片數之第二情況資料、與前述第二可處理片數之組合構成的第二資料集，前述第二情況資料表示前述構成元件之狀態，使用包含前述第一資料集與前述第二資料集之訓練資料，將由類神經網路構成之預測模型的參數最佳化。
一個樣態係前述第一可處理片數為0，前述第一情況資料係引發前述異常時表示前述基板固持器之前述構成元件的狀態之瑕疵情況資料，且前述第一資料集係由前述瑕疵情況資料與0之組合構成的瑕疵資料集。
一個樣態係前述第二可處理片數為藉由從前述總片數減去比前述總片數少之中間片數而獲得的可處理片數，且前述第二情況資料係表示在鍍覆前述中間片數基板時之前述構成元件的狀態之中間情況資料，前述第二資料集係由前述中間情況資料與前述第二可處理片數之組合構成的中間資料集。
一個樣態係前述第一可處理片數為藉由從前述總片數減去比前述總片數少之第一中間片數而獲得的可處理片數，且前述第一情況資料係表示在鍍覆前述第一中間片數基板時之前述構成元件的狀態之第一中間情況資料，前述第一資料集係由前述第一中間情況資料與前述第一可處理片數之組合構成的第一中間資料集，前述第二可處理片數為藉由從前述總片數減去比前述第一中間片數少之第二中間片數而獲得的可處理片數，且前述第二情況資料係表示鍍覆前述第二中間片數基板時之前述構成元件的狀態之第二中間情況資料，前述第二資料集係由前述第二中間情況資料與前述第二可處理片數之組合構成的第二中間資料集。
一個樣態係第一情況資料及前述第二情況資料分別由前述基板固持器之影像資料及表面形狀資料中的其中1個構成。
一個樣態係前述預測模型係由具有：輸入層、至少2個中間層、及輸出層之類神經網路而構成。
一個樣態係藉由反覆進行從使用基板固持器鍍覆複數片基板至將前述預測模型之參數最佳化為止的工序，來更新前述預測模型。
一個樣態係進一步包含以下工序，製作包含：表示前述基板固持器之異常原因在前述構成元件的數值集；表示引發前述異常時之前述基板固持器的其他構成元件之狀態的參照情況資料；及表示引發前述異常時之前述構成元件的狀態之瑕疵情況資料的選擇資料集，使用前述選擇資料集，將由類神經網路構成之選擇模型的參數最佳化。
一個樣態係準備使用上述記載之方法所構築的預測模型，將表示現在使用中之基板固持器的構成元件狀態之最新情況資料輸入前述預測模型，再從前述預測模型輸出預測可處理片數的方法。
一個樣態係進一步具備將前述預測可處理片數寫入安裝於前述現在使用中之基板固持器的電子標籤之工序。
一個樣態係用以從會成為基板固持器異常原因之前述基板固持器的複數個構成元件中，預想引發前述基板固持器異常之構成元件的選擇模型構築方法，且係在因第一基板固持器之第一構成元件而引發該第一基板固持器異常之前鍍覆複數片基板，製作包含：表示前述第一基板固持器之異常原因在前述第一構成元件的第一數值集；表示引發前述異常時之前述第一基板固持器的第二構成元件之狀態的第一參照情況資料；及表示引發前述異常時之前述第一 構成元件的狀態之第一瑕疵情況資料的第一選擇資料集，使用前述第一選擇資料集，將由類神經網路構成之選擇模型的參數最佳化，並在因第二基板固持器之第二構成元件引發該第二基板固持器異常之前鍍覆複數片基板，製作包含：表示前述第二基板固持器之異常原因在前述第二構成元件的第二數值集；表示引發前述異常時之前述第二基板固持器的第一構成元件之狀態的第二參照情況資料；及表示引發前述異常時之前述第二構成元件的狀態之第二瑕疵情況資料的第二選擇資料集，使用前述第二選擇資料集將前述參數進一步最佳化之方法。
一個樣態係前述第一參照情況資料及前述第一瑕疵情況資料分別由前述第一基板固持器之影像資料及表面形狀資料中的其中1個構成，前述第二參照情況資料及前述第二瑕疵情況資料分別由前述第二基板固持器之影像資料及表面形狀資料中的其中1個構成。
一個樣態之方法包含以下工序，將表示現在使用中之基板固持器的構成元件狀態之基板固持器的第一構成元件及第二構成元件之最新情況資料，輸入藉由申請專利範圍第11項或第12項之方法所構築的選擇模型，對應於從前述選擇模型輸出之前述第一構成元件的第一確信度比對應於前述第二構成元件之第二確信度高時，將前述第一構成元件之最新情況資料輸入對應於前述第一構成元件的預測模型，並從前述預測模型輸出前述基板固持器之預測可處理片數，前述預測模型係藉由申請專利範圍第1項至第10項中任一項之方法所構築的預測模型。
採用本發明時，可構築可正確預測在基板固持器引發異常之前可鍍覆的基板片數之預測模型。此外，採用本發明時，可構築可從會成為基板固持 器異常之原因的基板固持器之複數個構成元件中，預想引發基板固持器異常之構成元件的選擇模型。此外，採用本發明時，使用預測模型可正確預測在基板固持器引發異常之前可鍍覆的基板片數。
10:匣盒
12:匣盒台
14:對準器
16:自旋沖洗乾燥器
18:基板固持器
20:固定站
22:基板搬送裝置
24:暫存盒
26:預濕槽
28:前處理槽
30a:第一水洗槽
30b:第二水洗槽
32:噴吹槽
34:鍍覆槽
36:溢流槽
38:鍍覆室
40:基板固持器搬送裝置
42:第一傳輸機
44:第二傳輸機
46:槳葉驅動裝置
50:軌道
52:裝載板
54:第一保持元件
54a:通孔
56:鉸鏈
58:第二保持元件
58a:開口部
60:基部
62:密封固持器
64:滑板
64a:凸部
64b:突起部
65:間隔物
66:密封(第一密封突起)
68:密封(第二密封突起)
69a:止動件
69b:止動件
70a:第一固定環
70b:第二固定環
72:壓板
74:固定夾
80:支撐面
82:突條部
84:凹部
86:第二電接點
88:第一電接點
89:止動件
90:手臂
91:外部電接點
92:電線
95:電子標籤
101:攝像裝置
102:立體計測器
110:運算系統
110a:記憶裝置
110b:處理裝置
115:控制器
117:洩漏檢查裝置
118:通電檢查裝置
201、301:輸入層
202、302:中間層
203、303:輸出層
W:基板
第一圖係鍍覆裝置之整體配置圖。
第二圖係顯示第一圖所示之基板固持器的概略立體圖。
第三圖係顯示第一圖所示之基板固持器的概略俯視圖。
第四圖係顯示第一圖所示之基板固持器的概略右側視圖。
第五圖係第四圖之A部放大圖。
第六圖係列舉會成為液漏及通電不良之原因的基板固持器之各構成元件的狀態變化種類之表。
第七圖係顯示預測模型之一例的模式圖。
第八圖係顯示將預測模型之參數最佳化的方法之一種實施形態的流程圖。
第九圖係顯示選擇模型之一例的模式圖。
第十圖係顯示將選擇模型之參數最佳化的方法之一種實施形態的流程圖。
第十一圖係顯示判斷基板固持器可否使用之工序的一種實施形態之流程圖。
第十二圖係顯示判斷基板固持器可否使用之工序的一種實施形態之流程圖。
第十三圖(a)及第十三圖(b)係顯示基板固持器之構成元件的攝像方法及表面形狀之測量方法的一例之模式圖。
以下，參照圖式說明本發明之實施形態。第一圖係鍍覆裝置之整體配置圖。如第一圖所示，該鍍覆裝置中具備：搭載收納了晶圓等之基板的匣盒10之2台匣盒台12；將基板之定向平面及凹槽等缺口位置對準指定方向的對準器14；及使鍍覆處理後之基板高速旋轉並乾燥的自旋沖洗乾燥器16。
在自旋沖洗乾燥器16附近設置固定站20，其係裝載基板固持器18，進行基板對該基板固持器18之裝卸。進一步配置有由在匣盒10、對準器14、自旋沖洗乾燥器16、及固定站20之間搬送基板的搬送用機器人構成之基板搬送裝置22。固定站20中設置有用於拍攝基板固持器18之攝像裝置101；及用於測量基板固持器18之表面形狀的立體計測器102。
攝像裝置101及立體計測器102電性連接於執行機械學習之運算系統110。攝像裝置101及立體計測器102係構成可將所生成之影像資料及表面形狀資料傳送至運算系統110。運算系統110至少由1台電腦構成。運算系統110具備記憶上述影像資料及表面形狀資料之記憶裝置110a。運算系統110進一步具備：CPU(中央處理裝置)或是GPU(圖形處理單元)等之處理裝置110b。
第一圖係模式性描繪運算系統110。運算系統110亦可係以通信線路連接於鍍覆裝置之邊緣伺服器，亦可係藉由網際網路等之網路而連接於鍍覆裝置的雲端伺服器，或是，亦可係設置於連接於鍍覆裝置之網路中的霧運算裝置(閘道器、霧伺服器、路由器等)。運算系統110亦可係複數個伺服器(電腦)之組合。例如，運算系統110亦可係配置於鍍覆裝置附近之邊緣伺服器與遠離鍍 覆裝置之雲端伺服器的組合。構成運算系統110之複數個伺服器(電腦)亦可經由網際網路等網路而相互連接，或是亦可不相互連接。
進一步，依序配置有：進行基板固持器18之保管及暫時放置的暫存盒24；對基板表面進行親水化處理之預濕槽26；蝕刻除去形成於基板表面之種層等的導電膜之表面氧化膜的前處理槽28；清洗前處理後之基板的第一水洗槽30a；進行清洗後之基板的排水之噴吹槽32；清洗鍍覆後之基板的第二水洗槽30b；及鍍覆槽34。鍍覆槽34係在溢流槽36內部收納複數個鍍覆室38而構成，各鍍覆室38在內部收納1個基板，可實施銅鍍覆、金屬鍍覆(錫、金、銀、鎳、釕、銦鍍覆)、或合金鍍覆(錫/銀合金、錫/銦合金等)之鍍覆。
進一步，鍍覆裝置具備與基板一起搬送基板固持器18之例如採用線性馬達方式的基板固持器搬送裝置40。該基板固持器搬送裝置40具有：在與固定站20、暫存盒24、預濕槽26之間搬送基板的第一傳輸機42；及在與暫存盒24、預濕槽26、前處理槽28、第一水洗槽30a、第二水洗槽30b、噴吹槽32、及鍍覆槽34之間搬送基板的第二傳輸機44。亦可不具備第二傳輸機44而僅具備第一傳輸機42。此時，第一傳輸機42構成可在與固定站20、暫存盒24、預濕槽26、前處理槽28、第一水洗槽30a、第二水洗槽30b、噴吹槽32、及鍍覆槽34之間搬送基板。
進一步，鍍覆裝置具備控制器115。攝像裝置101、立體計測器102、運算系統110、固定站20、基板搬送裝置22、及基板固持器搬送裝置40電性連接於控制器115。攝像裝置101、立體計測器102、固定站20、基板搬送裝置22、及基板固持器搬送裝置40之動作藉由控制器115來控制。運算系統110將維修時期之預測結果傳送至控制器115，控制器115依據上述維修時期之預測結果來控制攝像裝置101、立體計測器102、及基板固持器搬送裝置40。
鄰接於鍍覆槽34之溢流槽36配置有驅動位於各鍍覆室38內部作為攪拌鍍覆液之攪拌棒的槳葉(無圖示)之槳葉驅動裝置46。
固定站20具備沿著軌道50在橫方向滑動自如的裝載板52。該裝載板52上以水平狀態橫向裝載2個基板固持器18，在該一方基板固持器18與基板搬送裝置22之間進行基板交接後，使裝載板52橫方向滑動，並在另一方基板固持器18與基板搬送裝置22之間進行基板的交接。
如第二圖至第五圖所示，基板固持器18具有：例如聚乙烯製且矩形平板狀之第一保持元件(底座保持元件)54；及經由鉸鏈56開閉自如地安裝於該第一保持元件54之第二保持元件(活動保持元件)58。另外，本例係顯示經由鉸鏈56開閉自如地構成第二保持元件58之例，不過，例如亦可將第二保持元件58配置於與第一保持元件54相對的位置，並使該第二保持元件58朝向第一保持元件54前進而開閉。
第二保持元件58具有：基部60與密封固持器62。密封固持器62例如係聚乙烯製，且促進與下述滑板64之滑動。在密封固持器62上面，突出於內方安裝有以基板固持器18保持基板W時，壓接於基板W之表面外周部，來密封基板W與第二保持元件58間之間隙的密封(第一密封突起)66。再者，在密封固持器62之與第一保持元件54相對之面安裝有以基板固持器18保持基板W時，壓接於第一保持元件54來密封第一保持元件54與第二保持元件58間之間隙的密封(第二密封突起)68。密封68位於密封66之外方。
密封(第一密封突起)66及密封(第二密封突起)68係無端狀之密封。密封66及密封68亦可係O形環等之密封元件。一個實施形態係包含密封66及密封68之第二保持元件58本身亦可由具有密封功能之材料構成。本實施形態 之密封66及密封68係環狀，且配置成同心狀。鍍覆基板W時，保持基板W之基板固持器18以豎起姿勢配置於鍍覆室38中。基板固持器18以水平姿勢配置於鍍覆室內情況下，亦可省略密封68。
如第五圖所示，密封66被夾在密封固持器62與第一固定環70a之間而安裝於密封固持器62。第一固定環70a經由螺栓等止動件69a而安裝於密封固持器62。密封68被夾在密封固持器62與第二固定環70b之間而安裝於密封固持器62。第二固定環70b經由螺栓等止動件69b而安裝於密封固持器62。
在第二保持元件58之密封固持器62的外周部設置階部，該階部經由間隔物65旋轉自如地裝設有滑板64。滑板64藉由以突出於外方之方式安裝於密封固持器62側面的壓板72(參照第三圖)無法脫離地裝設。該滑板64由對酸及鹼之耐腐蝕性優異，且具有充分之剛性的例如鈦而構成。間隔物65係以可使滑板64順利旋轉之方式，由摩擦係數低之材料，例如由PTFE(聚四氟乙烯)構成。
位於滑板64之外側方，並在第一保持元件54中，沿著圓周方向等間隔直立設有具有突出於內方之突出部的倒L字狀之固定夾74。另外，在沿著滑板64之圓周方向並與固定夾74相對之位置設有突出於外方的突起部64b。而後，固定夾74之內方突出部的下面及滑板64之突起部64b的上面成為沿著旋轉方向彼此在相反方向傾斜之錐形面。在沿著滑板64之圓周方向的複數處(例如3處)設有突出於上方之凸部64a。藉此，藉由使固定站20之旋轉銷(無圖示)旋轉並從旁邊推轉凸部64a，可使滑板64旋轉。
在打開第二保持元件58之狀態下，將基板W放置於第一保持元件54的中央部。接著，經由鉸鏈56關閉第二保持元件58，藉由使滑板64順時鐘方向旋轉，並使滑板64之突起部64b滑入固定夾74之內方突出部的內部，經由分別設 於滑板64與固定夾74之錐形面，而將第一保持元件54與第二保持元件58彼此夾緊鎖定，藉由使滑板64逆時鐘旋轉，從倒L字狀之固定夾74拆下滑板64之突起部64b即可解除該鎖定。
如此鎖定第二保持元件58時(亦即，基板固持器18保持了基板W時)，密封66之內周面側的下方突出部下端均勻地按壓於基板W的表面外周部，並藉由密封66密封第二保持元件58與基板W之表面外周部間的間隙。同樣地，密封68之外周側的下方突出部下端均勻地按壓於第一保持元件54之表面，並藉由密封68密封第一保持元件54與第二保持元件58間的間隙。
基板固持器18藉由將基板W夾在第一保持元件54與第二保持元件58之間來保持基板W。第二保持元件58具有圓形之開口部58a。該開口部58a比基板W之大小稍小。基板W被夾在第一保持元件54與第二保持元件58之間時，基板W之被處裡面通過該開口部58a而露出。因此，後述之預濕液、前處理液、鍍覆液等各種處理液可與保持於基板固持器18之基板W露出的表面接觸。該基板W之露出表面被密封(第一密封突起)66包圍。
以基板固持器18保持基板W時，如第五圖所示，分別以密封66密封內周側，並以密封68密封外周側之內部空間R1形成於基板固持器18的內部。在第一保持元件54之中央部設有配合基板W大小且環狀突出，抵接於基板W之外周部並具有支撐該基板W的支撐面80之突條部82。在沿著該突條部82之圓周方向的指定位置設有凹部84。
而後，如第三圖所示，在該各凹部84內配置有複數個(圖示係12個)第二電接點86，此等第二電接點86分別連接於從設於手臂90之外部電接點91延伸的複數條電線92。在第一保持元件54之支撐面80上裝載基板W時，該第二電 接點86之端部在基板W的側方，以具有彈性之狀態露出於第一保持元件54表面，並可與第五圖所示之第一電接點88的下部接觸。
電性連接於第二電接點86之第一電接點88經由螺栓等止動件89而固定於第二保持元件58的密封固持器62。該第一電接點88具有板簧形狀。第一電接點88位於密封66之外方，內方具有突出成板簧狀之接點部，該接點部中因其彈性力而具有彈性可輕易彎曲。以第一保持元件54與第二保持元件58保持基板W時，係構成第一電接點88之接點部彈性地與支撐於第一保持元件54之支撐面80上的基板W之外周面接觸。
第二保持元件58之開閉係藉由無圖示之空氣汽缸與第二保持元件58的本身重量來進行。換言之，在第一保持元件54中設有通孔54a，於固定站20上裝載基板固持器18時，在與該通孔54a相對之位置設有空氣汽缸。藉此，藉由使活塞伸展，通過通孔54a以按壓棒(無圖示)將第二保持元件58之密封固持器62推上上方而打開第二保持元件58，並藉由使活塞桿收縮，可藉由其本身重量關閉第二保持元件58。
在基板固持器18之第一保持元件54的端部設有搬送或懸掛基板固持器18時成為支撐部之一對概略T字狀的手臂90。在暫存盒24中，藉由在暫存盒24之周壁上面掛上手臂90，可垂直懸掛基板固持器18。該懸掛之基板固持器18的手臂90可以基板固持器搬送裝置40之第一傳輸機42或44握持來搬送基板固持器18。另外，在預濕槽26、前處理槽28、第一水洗槽30a、第二水洗槽30b、噴吹槽32及鍍覆槽34內，基板固持器18亦經由手臂90而懸掛於此等的周壁上。
本實施形態使用之基板W係晶圓等之圓形基板，不過本發明亦可適用於方形基板。用以保持方形基板之基板固持器的各構成元件具有適合該基 板形狀之形狀。例如，上述之開口部58a形成比整個方形基板之尺寸小的方形開口部。密封66、68等其他構成元件亦形成適合方形基板之形狀的形狀。其他各構成元件之形狀亦在不脫離上述技術思想的範圍內適當變更。
如上述，基板固持器18係由密封66、68、第一電接點88、第二電接點86、外部電接點91、密封固持器62、第一保持元件54等複數個構成元件構成之複合組合體。此等構成元件隨著將基板固持器18使用於鍍覆複數片基板會變形或腐蝕。例如，第一電接點88變形時，適切之電流無法流入基板。其他例當密封66、68變形時，鍍覆液會侵入基板固持器18之內部空間R1內，導致鍍覆液接觸到電接點86、88。結果引發鍍覆不良。因而，在引發鍍覆不良之前實施基板固持器18的維修很重要。
本實施形態係使用藉由機械學習所構築之預測模型來預測基板固持器18的維修時期。該預測模型係用以預測在基板固持器18上引發異常之前可使用該基板固持器18進行鍍覆的基板片數之模型。本說明書之機械學習係使用類神經網路之學習，且機械學習中包含深度學習。機械學習係藉由至少1台電腦構成之運算系統110來執行。運算系統110具備：儲存了用於使運算系統110執行機械學習之程式的記憶裝置110a；及按照程式進行運算之處理裝置110b。
基板固持器18之各構成元件的狀態會隨著反覆實施基板之鍍覆而逐漸變化。各構成元件之狀態變化會成為基板固持器18異常的原因。基板固持器18異常之例如有液漏與通電不良。液漏是因為密封功能不確實，導致鍍覆液侵入基板固持器18之內部空間R1內。通電不良是保持於基板固持器18之基板沒有流入希望之電流。引發液漏或通電不良時，鍍覆裝置無法在基板表面形成需要厚度之膜。
導致液漏及通電不良有各種原因。第六圖係列舉會成為液漏及通電不良之原因的基板固持器18之各構成元件的狀態變化種類之表。第六圖中，圓圈符號(○)表示構成元件之狀態變化會引起液漏或通電不良的可能性高，三角符號(△)係表示構成元件之狀態變化是否會引起液漏或通電不良不明。再者，第六圖之表中列舉有使用於檢測各狀態變化的資料類型。例如，密封固持器62之變色係成為液漏原因之狀態變化，密封固持器62之變色係依據影像資料來檢測。電接點86、88之變形係成為通電不良原因的狀態變化，且電接點86、88之變形係依據表面形狀資料來檢測。
各構成元件之狀態變化的具體例如下。不過，各構成元件之狀態變化不限於以下的具體例。
密封固持器62：變色、變形、結晶殘留
第一保持元件54：變色、變形、結晶殘留
第一電接點88：變形、金表面膜剝離、析出金屬、鍍覆液中包含之硫酸銅結晶化
第二電接點86：變形、金表面膜剝離、析出金屬、鍍覆液中包含之硫酸銅結晶化
外部電接點91：變形、金表面膜剝離、析出金屬、鍍覆液中包含之硫酸銅結晶化
密封66、68：變形、變色
滑板64：變形
上述各構成元件之變形的具體例，如有因施加外力造成的變形、因內部應力造成的應變、構成元件之腐蝕。
為了建築預測基板固持器18之異常的預測模型，係使用各構成元件之影像資料及表面形狀資料中的至少1個。例如，構築依據密封66、68之變形預測基板固持器18的異常之預測模型時使用表面形狀資料，構築依據密封66、68之變色預測基板固持器18的異常之預測模型時使用影像資料。
在保持須鍍覆的基板之前，係藉由攝像裝置101及立體計測器102分別生成基板固持器18之各構成元件的影像資料及表面形狀資料。運算系統110從攝像裝置101及立體計測器102取得影像資料及表面形狀資料，並將影像資料及表面形狀資料記憶於記憶裝置110a中。一個實施形態亦可從基板固持器18取出鍍覆過的基板後，生成基板固持器18之各構成元件的影像資料及表面形狀資料。
攝像裝置101係具備CCD或CMOS等之影像感測器的攝影機。立體計測器102係可測量對象物之表面形狀的裝置，例如使用雷射變位計。更具體而言，立體計測器102測量構成元件表面上之複數個測量點的位置，並輸出各測量點之X座標、Y座標、Z座標作為位置的測量值。
運算系統110從開始使用某個特定之基板固持器18起，統計使用該基板固持器18而鍍覆之基板的累積片數。具體而言，每次使用基板固持器18鍍覆基板時，運算系統110統計使用該基板固持器18鍍覆之基板的累積片數。再者，每次從攝像裝置101及立體計測器102取得影像資料及表面形狀資料時，運算系統110將影像資料及表面形狀資料與鍍覆過之基板的現在累積片數相關連。而後，運算系統110將影像資料及表面形狀資料結合鍍覆過之基板的現在累積片數而記憶於記憶裝置110a中。
保持須鍍覆之基板後，基板固持器18連接於洩漏檢查裝置117。洩漏檢查裝置117檢查基板固持器18之密封66、68的功能是否正常。洩漏檢查裝置117在藉由密封66、68而形成於基板固持器18中的內部空間R1內形成正壓或負壓，當內部空間R1之壓力(正壓或負壓)在指定時間內超過容許值而變化時，發出顯示基板固持器18上引發異常的警告信號。內部空間R1內之壓力變化大時，有可能在基板鍍覆中鍍覆液侵入內部空間R1內。這表示基板固持器18上引發異常(亦即液漏)。洩漏檢查裝置117電性連接於控制器115。
再者，在保持須鍍覆之基板情況下，基板固持器18連接於通電檢查裝置118。通電檢查裝置118通過基板固持器18之外部電接點91於基板中流入指定電流，測量基板固持器18之內部電阻。基板固持器18之內部電阻係外部電接點91、電線92、第一電接點88、第二電接點86、及保持於基板固持器18之基板的複合電阻。基板固持器18之內部電阻會依第一電接點88與基板之接觸狀態、及第一電接點88與第二電接點86之接觸狀態而變化。例如，當第一電接點88腐蝕時，第一電接點88與基板之接觸電阻變化。結果基板固持器18之內部電阻變化。
通電檢查裝置118於內部電阻之測量值超出預定的設定範圍時，發出顯示基板固持器18上引發異常之警告信號。內部電阻之測量值超出設定範圍時，推斷為外部電接點91、第一電接點88、第二電接點86中之至少1個發生異常。結果無法使希望厚度之膜析出到基板。這表示基板固持器18上引發異常(亦即通電不良)。通電檢查裝置118電性連接於控制器115。
一個實施形態亦可係對保持了虛擬基板而並非須鍍覆之基板的基板固持器18，測量基板固持器18的內部電阻。虛擬基板之例係表面並未形成圖案之包覆(Blanket)基板，如表面覆蓋銅等導電性膜之基板等。
影像資料及表面形狀資料送至運算系統110並記憶於記憶裝置110a。記憶裝置110a中儲存有複數個預測在基板固持器18上引發異常之前可鍍覆的基板片數之預測模型。將影像資料及表面形狀資料中的其中1個輸入各預測模型時，預測模型輸出使用該基板固持器18可鍍覆之基板的預測片數。
複數個預測模型至少對應於基板固持器18的複數個構成元件(密封固持器62、電接點86、88、密封66、68等)而設置。再者，依基板固持器18之各個異常類型(液漏、通電不良)設置複數個預測模型。此因，使用基板固持器18可鍍覆之基板的預測片數依基板固持器18之各構成元件而改變，以及依基板固持器18之各個異常類型而改變。一個實施形態亦可依基板固持器18之構成元件的各個狀態變化類型設置複數個預測模型。亦即，亦可設置第六圖之表所示的圓圈符號(○)與三角符號(△)數量之預測模型。再者，一個實施形態亦可對基板固持器18僅設置1個預測模型。
複數個預測模型係分別由類神經網路構成的模型。運算系統110使用至少包含從影像資料及表面形狀資料預先選擇之1個的訓練資料，藉由學習各預測模型之參數(加權等)來構築預測模型。預測模型之參數中除了加權之外，還包含偏置(Bias)。
本實施形態顯示基板固持器18之各構成元件狀態的資料係由影像資料及表面形狀資料構成。一個實施形態顯示基板固持器18之各構成元件狀態的資料，亦可僅使用影像資料或表面形狀資料的其中一個。
第七圖係顯示預測模型之一例的模式圖。如第七圖所示，預測模型係具有：輸入層201、複數個中間層(亦稱為隱藏層)202、輸出層203之類神經網路。第七圖所示之預測模型具有4個中間層202，不過預測模型之構成不限於 第七圖所示之例。使用具有許多中間層202之類神經網路而實施的機械學習稱為深度學習。
使用影像資料之預測模型，係將表示構成影像資料之各畫素的紅色、綠色、藍色之數值輸入輸入層201。使用表面形狀資料之預測模型則係將表示基板固持器18之構成元件表面上的測量點位置之X座標值、Y座標值、Z座標值輸入輸入層201。任何一種情況，輸出層203皆輸出在基板固持器18上引發異常之前可鍍覆的基板片數。以下之說明係將從預測模型輸出之基板片數稱為預測可處理片數。
運算系統110藉由使用訓練資料之機械學習將預測模型之參數(加權等)最佳化，而使預測模型之精度提高。第八圖係顯示將預測模型之參數最佳化的方法之一種實施形態的流程圖。步驟1係使用1個新的基板固持器18鍍覆複數片基板。此等基板之鍍覆係藉由第一圖所示之鍍覆裝置來執行。「新的基板固持器18」之例除了未使用的基板固持器之外，亦包含維修後之基板固持器。影像資料及表面形狀資料係在將各基板保持於基板固持器18之前藉由攝像裝置101及立體計測器102生成。運算系統110從攝像裝置101及立體計測器102取得影像資料及表面形狀資料，並與鍍覆之基板的累積片數一起記憶於運算系統110之記憶裝置110a中。
使用上述新的基板固持器18鍍覆複數片基板係實施至基板固持器18上引發異常。使用者可從洩漏檢查裝置117或通電檢查裝置118發出之警告信號知道基板固持器18上引發異常。基板固持器18上引發異常時，使用者從鍍覆裝置取出基板固持器18，並分解基板固持器18查明基板固持器18異常的原因。進一步，使用者使用無圖示之輸入裝置及通信裝置等，將查明因為構成元件之狀態 變化而在基板固持器18上引發異常的資訊提供運算系統110。具體而言，使用者教導運算系統110須使用於構築(學習)預測模型之構成元件。例如，因為第一電接點88變形而引發基板固持器18之異常時，使用者將須使用於構築(學習)預測模型之構成元件係第一電接點88的資訊提供運算系統110。
步驟2係運算系統110決定在引發上述異常之前使用基板固持器18而鍍覆之基板總片數，並將決定之基板總片數記憶於記憶裝置110a。基板之總片數係從開始使用基板固持器18至基板固持器18上引發異常為止，使用該基板固持器18所鍍覆之基板的累積片數。基板之總片數相當於記憶在運算系統110之記憶裝置110a的最新累積片數。再者，引發異常時，可使用該基板固持器18進行鍍覆之基板片數係0。
步驟3係運算系統110決定因為基板固持器18異常而表示基板固持器18之構成元件的狀態之瑕疵情況資料。瑕疵情況資料係顯示引發基板固持器18異常之基板固持器18的構成元件之狀態的情況資料，更具體而言，係顯示基板固持器18引發異常時上述構成元件之狀態的情況資料。瑕疵情況資料構成記憶於記憶裝置110a中之影像資料及表面形狀資料的一部分。瑕疵情況資料由構成元件之影像資料及表面形狀資料中的其中1個構成。例如，因第一電接點88變形而引發基板固持器18異常時，瑕疵情況資料係引發基板固持器18異常時之第一電接點88的影像資料，亦即係第一電接點88最新的影像資料。
步驟4係運算系統110製作由瑕疵情況資料與0之組合構成的瑕疵資料集。該數值0係可使用該基板固持器18進行鍍覆的基板片數，亦即係可處理片數。瑕疵情況資料係對應於數值0之情況資料。
步驟5係運算系統110藉由從上述總片數減去比在上述步驟2獲得之總片數少的中間片數來決定可處理片數。例如，基板固持器18引發異常時之基板的總片數係500片，中間片數係200片時，則可處理片數係300片(500片-200片)。
步驟6係運算系統110決定對應於在步驟5所決定之可處理片數的中間情況資料。中間情況資料係表示造成基板固持器18異常之基板固持器18的構成元件狀態之情況資料，更具體而言，係表示在鍍覆上述中間片數之基板時上述構成元件之狀態的情況資料。與瑕疵情況資料同樣地，中間情況資料構成記憶於記憶裝置110a中之影像資料及表面形狀資料的一部分。中間情況資料由構成元件之影像資料及表面形狀資料中的其中1個構成，且係與瑕疵情況資料相同類型的資料。例如，瑕疵情況資料係表面形狀資料時，中間情況資料亦為表面形狀資料。
步驟7係運算系統110製作由中間情況資料與上述步驟5所決定的可處理片數之組合構成的中間資料集。
上述步驟5、6、7反覆進行指定次數。更具體而言，運算系統110改變中間片數，而且藉由反覆決定可處理片數及製作中間資料集來製作複數個中間資料集。例如，基板固持器18上引發異常時鍍覆過之基板的總片數係500片時，中間片數設定成100片、200片、300片、400片。此等複數個中間片數在0與總片數之間宜均等分布。本實施形態可處理片數係決定為400片(500片-100片)、300片(500片-200片)、200片(500片-300片)、100片(500片-400片)。
運算系統110決定對應於可處理片數400之中間情況資料(亦即，鍍覆100片基板時之構成元件的中間情況資料)；對應於可處理片數300之中間情 況資料(亦即，鍍覆200片基板時之構成元件的中間情況資料)；對應於可處理片數200之中間情況資料(亦即，鍍覆300片基板時之構成元件的中間情況資料)；及對應於可處理片數100之中間情況資料(亦即，鍍覆400片基板時之構成元件的中間情況資料)。
再者，運算系統110製作鍍覆100片基板時之構成元件的中間情況資料與可處理片數400之組合構成的中間資料集；鍍覆200片基板時之構成元件的中間情況資料與可處理片數300之組合構成的中間資料集；鍍覆300片基板時之構成元件的中間情況資料與可處理片數200之組合構成的中間資料集；及鍍覆400片基板時之構成元件的中間情況資料與可處理片數100之組合構成的中間資料集。
步驟8係運算系統110製作包含上述瑕疵資料集與上述複數個中間資料集之訓練資料。一個實施形態係訓練資料亦可不含瑕疵資料集。此時，訓練資料僅包含複數個中間資料集。
步驟9係運算系統110使用訓練資料構築由類神經網路構成之預測模型。更具體而言，運算系統110使用訓練資料並藉由深度學習將預測模型之參數(加權等)最佳化。瑕疵情況資料(例如變色之密封固持器62的影像資料)輸入預測模型之輸入層201。運算系統110決定可使來自輸出層203的輸出值與0之差為最小的預測模型之最佳參數。同樣地，將中間情況資料輸入預測模型之輸入層201。運算系統110決定可使來自輸出層203的輸出值與可處理片數(例如300片)之差為最小的預測模型之最佳參數。因此，運算系統110使用訓練資料執行深度學習，將預測模型之參數最佳化。藉由深度學習所構築之預測模型儲存於運算系統110的記憶裝置110a。
將瑕疵情況資料及中間情況資料輸入預測模型之前，亦可對瑕疵情況資料及中間情況資料實施前處理。具體而言，運算系統110藉由刪除無助於預測可處理之基板片數的瑕疵情況資料之一部分及中間情況資料的一部分，來縮小瑕疵情況資料及中間情況資料的容量。例如，由於密封66、68係環狀，因此運算系統110從攝像裝置101送來之影像資料刪除在密封66、68內側之區域的影像資料。藉由此種前處理，可縮小瑕疵情況資料及中間情況資料容量，可使對運算系統110之負荷及學習速度提高。
步驟1至步驟9的全部工序反覆進行複數次，並使用新的訓練資料更新預測模型。亦即，準備新的基板固持器(例如具有與上述基板固持器18相同構造之另外的基板固持器，或是維修後之基板固持器18)，並在該新的基板固持器上引發異常之前使用該新的基板固持器鍍覆複數片基板。運算系統110製作新的訓練資料，並藉由將上述預測模型之參數進一步最佳化來更新預測模型。成為新的基板固持器異常原因之構成元件，與成為之前使用於鍍覆基板之基板固持器18異常原因的構成元件相同。新的訓練資料中包含之瑕疵情況資料及中間情況資料的類型，亦與之前製作之訓練資料中包含的瑕疵情況資料及中間情況資料的類型相同。
同樣地，構築對應於有可能成為異常原因之基板固持器的複數個構成元件之複數個預測模型。具體而言，係使用具有相同構造之複數個基板固持器製作複數個訓練資料，並使用此等複數個訓練資料將複數個預測模型之參數最佳化。運算系統110將此等預測模型儲存於記憶裝置110a。複數個預測模型亦可構築第六圖所示之表的圓圈符號(○)及三角符號(△)數量。一個實施形態亦可僅構築1個預測模型。
第一圖所示之鍍覆裝置使用具有與使用於構築預測模型之上述基板固持器18相同構造的另外基板固持器來鍍覆基板。鍍覆基板之前，攝像裝置101及立體計測器102生成基板固持器之各構成元件的影像資料及表面形狀資料，通電檢查裝置118測量基板固持器之內部電阻。影像資料及表面形狀資料送至運算系統110，並記憶於記憶裝置110a。
運算系統110使用製作之全部預測模型(學習完成模型)預測現在鍍覆裝置使用之基板固持器上引發異常之前可鍍覆的基板片數。亦即，運算系統110將表示現在使用中之基板固持器的各構成元件之狀態的最新情況資料輸入全部的預測模型。最新情況資料係由現在使用中之基板固持器的各構成元件之影像資料或表面形狀資料構成。各個預測模型輸出現在鍍覆裝置使用之基板固持器引發異常之前可鍍覆的基板片數，亦即預測可處理片數。
本實施形態由於運算系統110係使用全部預測模型來決定預測可處理片數，因此獲得之複數個預測可處理片數中會有變動。因此，運算系統110係在複數個預測可處理片數中選擇最小之預測可處理片數。
鍍覆裝置係使用具有相同構造之複數個基板固持器。此等基板固持器上分別安裝有適用RFID(射頻識別(radio frequency identification)技術的電子標籤(參照第三圖之符號95)。該電子標籤稱為RFID標籤或RF標籤。電子標籤具備電路，藉由與讀取機及寫入機(無圖示)可以非接觸方式收發資訊。電子標籤中預先寫入有安裝該電子標籤之基板固持器的識別號碼。運算系統110將預測可處理片數(亦即上述最小之預測可處理片數)傳送至寫入機，寫入機將預測可處理片數寫入基板固持器的電子標籤中。
隨著基板固持器使用於鍍覆基板，從預測模型輸出之預測可處理片數減少。運算系統110於全部預測模型輸出複數個預測可處理片數時，決定最小之預測可處理片數，並將該最小之預測可處理片數傳送至寫入機。寫入機重寫已經寫入基板固持器之電子標籤中的預測可處理片數。
讀取機從基板固持器之電子標籤讀取預測可處理片數，並在無圖示之顯示機上顯示預測可處理片數。因此，使用者可知道各基板固持器之預測可處理片數。結果，可在適當時間實施各基板固持器之維修。
由於電子標籤中寫入了基板固持器之識別號碼與預測可處理片數，因此，即使從鍍覆裝置取出基板固持器之後，不參照保存於運算系統110或控制器115之預測可處理片數，仍可知道基板固持器中原有的預測可處理片數，方便基板固持器之運用管理。
運算系統110除了上述複數個預測模型之外，還具備用以從成為基板固持器18異常原因之基板固持器18的複數個構成元件中預想引起基板固持器18異常之構成元件的選擇模型。該選擇模型係就各個構成元件算出確信度而構成。確信度係顯示各構成元件會引起基板固持器18異常之概率的指標值，並以從0至100的數值來表示。確信度亦可以從0至1的數值來表示，確信度亦稱為得分。從由確信度高之構成元件所構築的預測模型輸出之預測可處理片數係可信度高的預測可處理片數。
本實施形態係對應於基板固持器18之異常的2個類型(液漏及通電不良)設置2個選擇模型。第九圖係顯示選擇模型之一例的模式圖。如第九圖所示，選擇模型係具有：輸入層301、複數個中間層(亦稱為隱藏層)302、及輸 出層303的類神經網路。第九圖所示之選擇模型具有4個中間層302，不過，選擇模型之構成不限於第九圖所示之例。
選擇模型之輸入層301中輸入表示基板固持器18引發異常時之基板固持器18的複數個構成元件之狀態的資料。本實施形態係將第六圖之表中記載的密封固持器62、第一保持元件54、第一電接點88、第二電接點86、外部電接點91、密封66、68、滑板64的各個影像資料及表面形狀資料輸入選擇模型之輸入層301。選擇模型之輸出層303係輸出對應於複數個構成元件之複數個確信度。輸出層303輸出與會成為基板固持器18異常原因之基板固持器18的構成元件數量相同或是數量比其多的確信度。
運算系統110藉由使用訓練資料之深度學習將選擇模型的參數(加權等)最佳化，來構築選擇模型。第十圖係顯示將選擇模型之參數最佳化的方法之一種實施形態的流程圖。
步驟1係使用1個新的基板固持器18鍍覆複數片基板。使用該新的基板固持器18鍍覆複數片基板時，係實施至在基板固持器18上引發異常。「新的基板固持器18」之例中，除了未使用的基板固持器之外，亦包含維修後之基板固持器。
基板固持器18上引發異常時，使用者從鍍覆裝置取出基板固持器18，並分解基板固持器18，查明基板固持器18異常之原因。再者，使用者使用無圖示之輸入裝置及通信裝置等將查明因為第N個構成元件之狀態變化導致基板固持器18上引發異常的資訊提供運算系統110。具體而言，使用者教導運算系統110須使用於構築(學習)選擇模型之第N個構成元件。第N個構成元件係成為基板固持器18異常原因之複數個構成元件中的任何1個。第六圖所示之例的第N個構成元件係密封固持器62、第一保持元件54、第一電接點88、第二電接點86、外 部電接點91、密封66、68、滑板64中之任何1個。例如，因為第一電接點88變形而引發基板固持器18異常時，使用者將須使用於構築(學習)選擇模型之構成元件係第一電接點88的資訊提供運算系統110。
步驟2係運算系統110決定表示引起基板固持器18異常之第N個構成元件的狀態之瑕疵情況資料。更具體而言，瑕疵情況資料係顯示引發基板固持器18異常時之第N個構成元件的狀態之情況資料。瑕疵情況資料由第N個構成元件之影像資料及表面形狀資料中的其中1個構成。
步驟3係運算系統110製作選擇資料集，其係包含：表示基板固持器18異常之原因在第N個構成元件的數值集；表示引發基板固持器18異常時之基板固持器18的其他構成元件之狀態的參照情況資料；及上述瑕疵情況資料。所謂基板固持器18之其他構成元件係成為基板固持器18異常原因之構成元件，且係第N個構成元件以外的構成元件。
表示基板固持器18異常原因在第N個構成元件之數值集，係由顯示確信度之100與0的組合構成。數值集係在步驟1中使用者調查引發異常之基板固持器，表示判斷第N個構成元件之狀態變化是原因的確信度之數值集。具體而言，對應於查明為異常原因之第N個構成元件的數值係100，而對應於其他構成元件之數值全部係0。
亦有可能複數個構成元件成為異常原因。因而，一個實施形態亦可將分別對應於2個以上構成元件之數值設為100。無法斷定異常原因在第N個構成元件時，亦可將對應於第N個構成元件之數值設為比100小的數值。例如，雖然基板固持器18之異常原因在第N個構成元件的可能性高，不過無法斷定時，亦可將對應於第N個構成元件之數值設為80。
第六圖所示之例，會成為基板固持器18異常之原因的構成元件如有密封固持器62、第一保持元件54、第一電接點88、第二電接點86、外部電接點91、密封66、68、及滑板64。例如第N個構成元件係密封固持器62時，其他構成元件則係第一保持元件54、第一電接點88、第二電接點86、外部電接點91、密封66、68、及滑板64。因此，其他構成元件之參照情況資料係表示第一保持元件54、第一電接點88、第二電接點86、外部電接點91、密封66、68、及滑板64之狀態的參照情況資料。參照情況資料包含上述其他構成元件之各個影像資料及表面形狀資料中的至少1個。
步驟4係運算系統110使用上述步驟3所製作的選擇資料集，並藉由深度學習將第九圖所示之選擇模型的參數(加權等)最佳化。具體而言，將瑕疵情況資料及參照情況資料輸入選擇模型之輸入層301。例如，引發基板固持器18異常時，密封固持器62變色時，則將密封固持器62之影像資料作為瑕疵情況資料而輸入輸入層301，將密封固持器62以外之構成元件的影像資料及表面形狀資料作為參照情況資料輸入輸入層301。運算系統110決定可將來自輸出層303之輸出值的集與上述步驟3所製作的數值集之差形成最小的選擇模型之最佳參數。
從第十圖之步驟1至步驟4的工序，反覆進行至對成為基板固持器18異常原因之基板固持器18的全部複數個構成元件製作選擇資料集，且使用須製作之選擇資料集將選擇模型之參數最佳化。亦即，準備新的基板固持器(例如具有與上述基板固持器18相同構造之另外基板固持器，或是維修後的基板固持器18)，在因與第N個構成元件之外的構成元件引發該新的基板固持器異常之前使用該新的基板固持器鍍覆複數片基板。運算系統110製作新的選擇資料集，將上述選擇模型之參數進一步最佳化。第十圖所示之N的初始值係1，N=N+1表 示基板固持器之某個構成元件變更成另外構成元件。第六圖所示之實施形態係在對密封固持器62、第一保持元件54、第一電接點88、第二電接點86、外部電接點91、密封66、68、及滑板64全部製作選擇資料集，且使用製作之全部選擇資料集將選擇模型的參數最佳化之前，反覆進行步驟1至步驟4的工序。因此，構築可預想會引起基板固持器18異常之構成元件的選擇模型。所構築之選擇模型儲存於運算系統110的記憶裝置110a中。另外，第十圖係概念性表示對應於成為異常原因之基板固持器18的構成元件之選擇資料集、與需要使用該選擇資料集之學習(模型的最佳化)者。實際上，進行精度佳之預測時，需要對1個構成元件使用足夠量之選擇資料集進行反覆學習。
第一圖所示之鍍覆裝置係使用具有與使用於構築預測模型及選擇模型之上述基板固持器18相同構造的基板固持器來鍍覆基板。在鍍覆基板之前，攝像裝置101及立體計測器102生成基板固持器之各構成元件的影像資料及表面形狀資料，通電檢查裝置118測量基板固持器之內部電阻，影像資料及表面形狀資料送至運算系統110並記憶於記憶裝置110a。
運算系統110將表示現在鍍覆裝置使用中之基板固持器的複數個構成元件之各個狀態的全部最新情況資料輸入選擇模型之輸入層301。各最新情況資料由現在使用中之基板固持器的各構成元件之影像資料或表面形狀資料構成。第六圖所示之例係將全部構成元件之影像資料及表面形狀資料輸入選擇模型的輸入層301。選擇模型輸出對應於複數個構成元件之複數個確信度。
運算系統110依據從選擇模型輸出之複數個確信度選擇至少1個構成元件。基本上，係選擇確信度最高之構成元件。
運算系統110在其記憶裝置110a中儲存有基準值，並選擇確信度比基準值大之全部構成元件。以下之例係選擇構成元件A與構成元件B。
基準值：65%
構成元件A：確信度80%
構成元件B：確信度70%
構成元件C：確信度10%
構成元件D：確信度5%
構成元件E：確信度1%
上述之例當基準值係85%時，全部構成元件皆不選擇。此時選擇前面M個構成元件(M係比全部構成元件之總數小的自然數)。或是前面第K個構成元件之確信度與前面第K+1個構成元件的確信度之差比預設值大時，選擇前面K個構成元件(K係比M小之自然數)。例如，上述之例，當預設值係40%時，由於構成元件B之確信度與構成元件C的確信度之差是60%，因此選擇構成元件A與構成元件B。
運算系統110使用就選擇之至少1個構成元件而構築的預測模型，算出現在鍍覆裝置使用中之基板固持器引發異常之前可鍍覆的基板預測片數。亦即，運算系統110將影像資料及表面形狀資料輸入就選擇之至少1個構成元件而構築的預測模型。預測模型輸出在基板固持器引發異常之前可鍍覆的基板預測片數，亦即預測可處理片數。選擇了複數個構成元件時，對應於此等複數個構成元件之複數個預測模型分別輸出預測可處理片數。運算系統110從複數個預測可處理片數中選擇最小預測可處理片數。
僅使用上述預測模型算出預測可處理片數中，因為不知道使用中之基板固持器最後因為哪個構成元件發生異常，所以需要將對應於各構成元件之最新情況資料輸入對應於各構成元件的預測模型。另外，在使用上述選擇模型與預測模型算出預測可處理片數中，首先，係將表示鍍覆裝置現在使用中之基板固持器的複數個構成元件之各個狀態的全部最新情況資料輸入選擇模型之輸入層301。從選擇模型之輸出層輸出的確信度依各構成元件而改變。亦即，對應於有成為異常原因之徵兆的構成元件之確信度高，對應於並無成為異常原因之徵兆的構成元件之確信度低。因此，藉由使用選擇模型可預測成為基板固持器異常原因之構成元件，因此，僅使用對應於該構成元件之最新情況資料與預測模型可算出預測可處理片數。一個實施形態亦可將上述基準值設定為在基板固持器使用初期設定低值，並隨著基板固持器之處理片數增加而提高基準值。
一個實施形態係運算系統110亦可具備：第一伺服器(第一電腦)及第二伺服器(第二電腦)。運算系統110之記憶裝置110a及處理裝置110b由第一伺服器中之第一記憶裝置及第一處理裝置；與第二伺服器中之第二記憶裝置及第二處理裝置構成。例如，亦可上述預測模型及選擇模型的構築及更新係藉由第一伺服器執行，使用預測模型及選擇模型算出預測可處理片數及算出確信度係藉由第二伺服器執行。
一個實施形態亦可預測模型及選擇模型之構築預先由運算系統110以外之系統(伺服器或電腦)進行，並將所構築之預測模型及選擇模型安裝於運算系統110中，藉由運算系統110僅執行使用預測模型及選擇模型算出預測可處理片數及算出確信度。
其次，就判斷可否使用搭載於鍍覆裝置之基板固持器18的工序之一個實施形態，按照第十一圖及第十二圖所示之流程圖作說明。步驟1係以基板固持器搬送裝置40之第一傳輸機42握持收容於暫存盒24中的基板固持器18，並搬送至固定站20。而後，使基板固持器18下降成為水平狀態，藉此將基板固持器18裝載於固定站20之裝載板52上。
步驟2係使固定站20之空氣汽缸工作，打開基板固持器18之第二保持元件58，並藉由攝像裝置101及立體計測器102分別生成基板固持器18之各構成元件的影像資料及表面形狀資料。
第十三圖(a)及第十三圖(b)係顯示基板固持器18之構成元件的攝像方法及表面形狀之測量方法的一例之模式圖。第十三圖(a)係顯示密封固持器62、第一電接點88、密封66、及密封68之攝像方法及表面形狀的測量方法之一例的模式圖。第十三圖(b)係顯示第一保持元件54及第二電接點86之攝像方法及表面形狀的測量方法之一例的模式圖。攝像裝置101拍攝基板固持器18之複數個構成元件，而生成各構成元件之影像資料。立體計測器102測量基板固持器18之複數個構成元件的表面形狀，而生成各構成元件之表面形狀資料。
返回第十一圖，步驟3係攝像裝置101及立體計測器102將步驟2所生成之影像資料及表面形狀資料傳送至運算系統110。步驟4係控制器115對固定站20發出指令，使基板固持器18保持須鍍覆之基板。然後，將基板固持器18連接於洩漏檢查裝置117(步驟5)。
步驟6係洩漏檢查裝置117檢查基板固持器18之密封66、68的功能是否正常。洩漏檢查裝置117在藉由密封66、68形成於基板固持器18中的內部空間R1內形成正壓或負壓，當內部空間R1之壓力(正壓或負壓)在指定時間內超 出容許值而變化時，發出表示基板固持器18上引發異常之警告信號。警告信號傳送至控制器115。控制器115收到警告信號時，對基板固持器搬送裝置40發出指令，以基板固持器搬送裝置40之第一傳輸機42握持基板固持器18，而返回暫存盒24之指定場所(步驟7)。
洩漏檢查裝置117發出警告信號時，使用者亦可執行步驟8。步驟8係使用者亦可從鍍覆裝置取出基板固持器18，分解基板固持器18，查明基板固持器18異常之原因。再者，使用者亦可使用無圖示之輸入裝置及通信裝置等，將查明因為構成元件之狀態變化而引發基板固持器18異常的資訊提供運算系統110。亦即，使用者亦可教導運算系統110構築(學習)預測模型須使用之構成元件。
基板固持器18之密封66、68的功能正常時，基板固持器18在保持須鍍覆之基板情況下連接於通電檢查裝置118(步驟9)。步驟10係通電檢查裝置118測量基板固持器18之內部電阻，比較所測量之電阻值與預定的設定範圍。測量之電阻值超出設定範圍時，通電檢查裝置118發出表示基板固持器18上引發異常之警告信號。警告信號傳送至控制器115。控制器115收到警告信號時，對基板固持器搬送裝置40發出指令，以基板固持器搬送裝置40之第一傳輸機42握持基板固持器18，並返回暫存盒24之指定場所(步驟11)。
通電檢查裝置118發出警告信號時，使用者亦可執行步驟12。步驟12係使用者亦可從鍍覆裝置取出基板固持器18，分解基板固持器18，查明基板固持器18異常之原因。再者，使用者亦可使用無圖示之輸入裝置及通信裝置等，將查明因為構成元件之狀態變化而引發基板固持器18異常的資訊提供運算系統 110。亦即，使用者亦可教導運算系統110構築(學習)預測模型須使用之構成元件。
在步驟10所測量之電阻值在設定範圍內時，運算系統110將步驟3所傳送之各資料輸入預測模型，並輸出預測可處理片數(步驟13)。
步驟14係運算系統110將在步驟12所輸出之預測可處理片數與預定的臨限值作比較。預測可處理片數比臨限值大時，結束判斷可否使用基板固持器18之工序，運算系統110將許可使用信號傳送至控制器115。控制器115使鍍覆裝置執行後述之鍍覆工序。
預測可處理片數比臨限值小時，運算系統110發出表示基板固持器18需要維修之警告信號。警告信號至少傳送至控制器115。控制器115收到警告信號時，對基板固持器搬送裝置40發出指令，以基板固持器搬送裝置40之第一傳輸機42握持基板固持器18，並返回暫存盒24之指定場所(步驟15)。
以下，說明鍍覆工序之一個實施形態。基板在使其鍍覆之面從基板固持器18的開口部58a露出之狀態下保持於基板固持器18。基板不致與鍍覆液接觸之部分與複數個第一電接點88電性導通。各基板固持器18之外部電接點91與配置於各鍍覆室38邊緣的饋電電極(無圖示)接觸。饋電電極通過外部電接點91、電線92、第二電接點86、及第一電接點88而電性連接於基板之種層等的導電膜。饋電電極電性連接於電源(無圖示)。
將基板固持器18懸掛於裝滿鍍覆液之鍍覆室38內後，藉由在鍍覆室38內之陽極(無圖示)與基板之間施加鍍覆電壓，對基板表面實施鍍覆。鍍覆結束後。基板固持器18被搬送至第二水洗槽30b清洗基板表面。清洗基板後，基板及基板固持器18以噴吹槽32乾燥。基板固持器搬送裝置40之第一傳輸機42握 持乾燥後的基板固持器18而裝載於固定站20之裝載板52上。乾燥後之基板從基板固持器18取出並返回匣盒10。
上述實施形態係以具有本發明所屬之技術領域的一般知識者可實施本發明為目的而記載者。熟悉本技術之業者當然可形成上述實施形態之各種修改例，本發明之技術性思想亦可適用於其他實施形態。因此，本發明不限定於記載之實施形態，而係按照藉由申請專利範圍所定義之技術性思想作最廣範圍的解釋者。

Claims (13)

  1. 一種在基板固持器引發異常之前預測可鍍覆基板片數的預測模型之構築方法，且係使用基板固持器鍍覆複數片基板，決定在前述基板固持器引發異常之前使用前述基板固持器鍍覆的基板總片數，並決定在前述基板固持器引發異常之前可鍍覆的基板片數之第一可處理片數及第二可處理片數，製作由對應於前述第一可處理片數之第一情況資料、與前述第一可處理片數之組合構成的第一資料集，前述第一情況資料表示前述基板固持器之構成元件的狀態，並製作由對應於前述第二可處理片數之第二情況資料、與前述第二可處理片數之組合構成的第二資料集，前述第二情況資料表示前述構成元件之狀態，使用包含前述第一資料集與前述第二資料集之訓練資料，將由類神經網路構成之預測模型的參數最佳化，其中前述基板固持器引發異常係指前述基板固持器內之液漏或前述基板固持器之通電不良。
  2. 如申請專利範圍第1項之方法，其中前述第一可處理片數為0，前述第一情況資料係引發前述異常時表示前述基板固持器之前述構成元件的狀態之瑕疵情況資料， 且前述第一資料集係由前述瑕疵情況資料與0之組合構成的瑕疵資料集。
  3. 如申請專利範圍第2項之方法，其中前述第二可處理片數為藉由從前述總片數減去比前述總片數少之中間片數而獲得的可處理片數，且前述第二情況資料係表示在鍍覆前述中間片數基板時之前述構成元件的狀態之中間情況資料，前述第二資料集係由前述中間情況資料與前述第二可處理片數之組合構成的中間資料集。
  4. 如申請專利範圍第1項之方法，其中前述第一可處理片數為藉由從前述總片數減去比前述總片數少之第一中間片數而獲得的可處理片數，且前述第一情況資料係表示在鍍覆前述第一中間片數基板時之前述構成元件的狀態之第一中間情況資料，前述第一資料集係由前述第一中間情況資料與前述第一可處理片數之組合構成的第一中間資料集，前述第二可處理片數為藉由從前述總片數減去比前述第一中間片數少之第二中間片數而獲得的可處理片數，且前述第二情況資料係表示鍍覆前述第二中間片數基板時之前述構成元件的狀態之第二中間情況資料，前述第二資料集係由前述第二中間情況資料與前述第二可處理片數之組合構成的第二中間資料集。
  5. 如申請專利範圍第1~4項中任一項之方法，其中前述第一情況資料及前述第二情況資料分別由前述基板固持器之影像資料及表面形狀資料中的其中1個構成。
  6. 如申請專利範圍第1~4項中任一項之方法，其中前述預測模型係由具有：輸入層、至少2個中間層、及輸出層之類神經網路而構成。
  7. 如申請專利範圍第1~4項中任一項之方法，其中藉由反覆進行從使用基板固持器鍍覆複數片基板至將前述預測模型之參數最佳化為止的工序，來更新前述預測模型。
  8. 如申請專利範圍第1~4項中任一項之方法，其中進一步包含以下工序，製作包含：表示前述基板固持器之異常原因在前述構成元件的數值集；表示引發前述異常時之前述基板固持器的其他構成元件之狀態的參照情況資料；及表示引發前述異常時之前述構成元件的狀態之瑕疵情況資料的選擇資料集，使用前述選擇資料集，將由類神經網路構成之選擇模型的參數最佳化。
  9. 一種在基板固持器引發異常之前預測可鍍覆基板片數之方法，係準備使用申請專利範圍第1~8項中任一項之方法所構築的預測模型，將表示現在使用中之基板固持器的構成元件狀態之最新情況資料輸入前述預測模型，再從前述預測模型輸出預測可處理片數。
  10. 如申請專利範圍第9項之方法，其中進一步具備將前述預測可處理片數寫入安裝於前述現在使用中之基板固持器的電子標籤之工序。
  11. 一種用以從會成為基板固持器異常原因之前述基板固持器的複數個構成元件中預想引發前述基板固持器異常之構成元件的選擇模型構築方法，且係在因第一基板固持器之第一構成元件而引發該第一基板固持器異常之前鍍覆複數片基板，製作包含：表示前述第一基板固持器之異常原因在前述第一構成元件的第一數值集；表示引發前述異常時之前述第一基板固持器的第二構成元件之狀態的第一參照情況資料；及表示引發前述異常時之前述第一構成元件的狀態之第一瑕疵情況資料的第一選擇資料集，使用前述第一選擇資料集，將由類神經網路構成之選擇模型的參數最佳化，並在因第二基板固持器之第二構成元件引發該第二基板固持器異常之前鍍覆複數片基板，製作包含：表示前述第二基板固持器之異常原因在前述第二構成元件的第二數值集；表示引發前述異常時之前述第二基板固持器的第一構成元件之狀態的第二參照情況資料；及表示引發前述異常時之前述第二構成元件的狀態之第二瑕疵情況資料的第二選擇資料集，使用前述第二選擇資料集將前述參數進一步最佳化，其中前述異常係指前述基板固持器內之液漏或前述基板固持器之通電不良。
  12. 如申請專利範圍第11項之方法，其中前述第一參照情況資料及前述第一瑕疵情況資料分別由前述第一基板固持器之影像資料及表面形狀資料中 的其中1個構成，前述第二參照情況資料及前述第二瑕疵情況資料分別由前述第二基板固持器之影像資料及表面形狀資料中的其中1個構成。
  13. 一種在基板固持器引發異常之前預測可鍍覆基板片數之方法，係包含以下工序：將表示現在使用中之基板固持器的構成元件狀態之基板固持器的第一構成元件及第二構成元件之最新情況資料，輸入藉由申請專利範圍第11或12項之方法所構築的選擇模型，對應於從前述選擇模型輸出之前述第一構成元件的第一確信度比對應於前述第二構成元件之第二確信度高時，將前述第一構成元件之最新情況資料輸入對應於前述第一構成元件的預測模型，並從前述預測模型輸出前述基板固持器之預測可處理片數，前述預測模型係藉由申請專利範圍第1~10項中任一項之方法所構築的預測模型。
TW108145790A 2018-12-13 2019-12-13 預測可鍍覆基板片數之預測模型之構築方法、用以預想引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法 TWI809231B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-233823 2018-12-13
JP2018233823A JP7100571B2 (ja) 2018-12-13 2018-12-13 めっき可能な基板の枚数を予測する予測モデルを構築する方法、不具合を引き起こす構成部材を予想するための選択モデルを構築する方法、およびめっき可能な基板の枚数を予測する方法

Publications (2)

Publication Number Publication Date
TW202046185A TW202046185A (zh) 2020-12-16
TWI809231B true TWI809231B (zh) 2023-07-21

Family

ID=71072690

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108145790A TWI809231B (zh) 2018-12-13 2019-12-13 預測可鍍覆基板片數之預測模型之構築方法、用以預想引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法

Country Status (5)

Country Link
US (1) US11461647B2 (zh)
JP (1) JP7100571B2 (zh)
KR (1) KR102772850B1 (zh)
CN (1) CN111325335B (zh)
TW (1) TWI809231B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102317993B1 (ko) * 2019-11-27 2021-10-27 한국생산기술연구원 도금 막 두께 예측 장치 및 방법
TWI822514B (zh) * 2021-01-18 2023-11-11 日商荏原製作所股份有限公司 基板固持器、鍍覆裝置、鍍覆方法、及記憶媒體
TWI790526B (zh) * 2021-01-18 2023-01-21 日商荏原製作所股份有限公司 基板固持器、鍍覆裝置、鍍覆方法、及記憶媒體
JP7721420B2 (ja) * 2021-12-07 2025-08-12 株式会社荏原製作所 基板ホルダ、めっき装置、および基板ホルダの管理方法
JP7626695B2 (ja) * 2021-12-28 2025-02-04 株式会社荏原製作所 めっき装置およびめっき方法
JP7176706B1 (ja) * 2022-05-23 2022-11-22 山中産業株式会社 Ａｉを用いた籠型回転子の欠陥検出装置
KR102725606B1 (ko) * 2022-08-24 2024-11-05 (주)네오피엠씨 기판이 장착된 지그의 예지 경고 시스템
CN117684243B (zh) * 2024-02-04 2024-04-09 深圳市海里表面技术处理有限公司 一种智能电镀控制系统及控制方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7808613B2 (en) * 2006-08-03 2010-10-05 Asml Netherlands B.V. Individual wafer history storage for overlay corrections
US20140262794A1 (en) * 2013-03-15 2014-09-18 Applied Materials, Inc. Electrochemical deposition processes for semiconductor wafers
TW201640229A (zh) * 2015-02-13 2016-11-16 Ａｓｍｌ荷蘭公司 製程差異感知適應性檢測及度量衡
JP2018178157A (ja) * 2017-04-05 2018-11-15 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11266068A (ja) * 1998-01-14 1999-09-28 Canon Inc 配線基板及び配線基板の製造方法
WO2005091235A1 (en) * 2004-03-16 2005-09-29 Maximilian Munte Mobile paper record processing system
US8858774B2 (en) * 2008-11-07 2014-10-14 Novellus Systems, Inc. Electroplating apparatus for tailored uniformity profile
US8918110B2 (en) * 2010-03-01 2014-12-23 Lg Electronics Inc. Method and apparatus for detecting a segment identifier in a wireless communication system
TWI446420B (zh) * 2010-08-27 2014-07-21 日月光半導體製造股份有限公司 用於半導體製程之載體分離方法
JP6184713B2 (ja) * 2012-05-23 2017-08-23 株式会社Ｓｃｒｅｅｎホールディングス パーティクル測定方法および熱処理装置
CN104252056B (zh) * 2014-09-18 2017-07-04 京东方科技集团股份有限公司 一种基板的检测方法及装置
JP2016089253A (ja) * 2014-11-10 2016-05-23 株式会社荏原製作所 無電解めっき装置の運転方法
JP6453805B2 (ja) * 2016-04-25 2019-01-16 ファナック株式会社 製品の異常に関連する変数の判定値を設定する生産システム
JP6695750B2 (ja) 2016-07-04 2020-05-20 株式会社荏原製作所 基板ホルダの検査装置、これを備えためっき装置、及び外観検査装置
US10475712B2 (en) * 2016-09-30 2019-11-12 Kla-Tencor Corporation System and method for process-induced distortion prediction during wafer deposition
JP6829575B2 (ja) * 2016-10-03 2021-02-10 グローリー株式会社 画像処理装置、画像処理システム及び画像処理方法
US10552729B2 (en) * 2017-03-20 2020-02-04 Hewlett Packard Enterprise Development Lp Baseboard management controller to deconfigure field replaceable units according to deep learning model
JP6973742B2 (ja) * 2017-06-15 2021-12-01 リョーエイ株式会社 金属加工面の検査方法、金属加工面の検査装置
JP7145893B2 (ja) * 2017-06-29 2022-10-03 ラム リサーチ コーポレーション ウエハ保持装置上におけるめっきの遠隔検知
CN107607554A (zh) * 2017-09-26 2018-01-19 天津工业大学 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法
JP6979900B2 (ja) * 2018-02-13 2021-12-15 株式会社荏原製作所 基板保持部材、基板処理装置、基板処理装置の制御方法、プログラムを格納した記憶媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7808613B2 (en) * 2006-08-03 2010-10-05 Asml Netherlands B.V. Individual wafer history storage for overlay corrections
US20140262794A1 (en) * 2013-03-15 2014-09-18 Applied Materials, Inc. Electrochemical deposition processes for semiconductor wafers
TW201640229A (zh) * 2015-02-13 2016-11-16 Ａｓｍｌ荷蘭公司 製程差異感知適應性檢測及度量衡
JP2018178157A (ja) * 2017-04-05 2018-11-15 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム

Also Published As

Publication number Publication date
US11461647B2 (en) 2022-10-04
US20200193294A1 (en) 2020-06-18
TW202046185A (zh) 2020-12-16
JP2020094245A (ja) 2020-06-18
KR20200073142A (ko) 2020-06-23
CN111325335A (zh) 2020-06-23
CN111325335B (zh) 2025-02-28
JP7100571B2 (ja) 2022-07-13
KR102772850B1 (ko) 2025-02-24

Similar Documents

Publication Publication Date Title
TWI809231B (zh) 預測可鍍覆基板片數之預測模型之構築方法、用以預想引發異常之構成元件之選擇模型構築方法、及可鍍覆基板片數之預測方法
KR102793180B1 (ko) 반도체 장비 툴들에서 뉴럴 네트워크들을 이용한 챔버 매칭
JP6328582B2 (ja) めっき装置、および基板ホルダの電気接点の電気抵抗を決定する方法
TWI826586B (zh) 用於雜訊標籤的對抗訓練系統及方法
JP6979900B2 (ja) 基板保持部材、基板処理装置、基板処理装置の制御方法、プログラムを格納した記憶媒体
US11371155B2 (en) Method and apparatus for processing a substrate
KR20210102985A (ko) 반도체 장비에 대한 결함 분류 및 소스 분석
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
KR102868664B1 (ko) 연마 장치, 정보 처리 시스템, 연마 방법 및 프로그램
US20250104984A1 (en) Process control knob estimation
US20230185255A1 (en) Post preventative maintenance chamber condition monitoring and simulation
Alelaumi et al. Residue buildup predictive modeling for stencil cleaning profile decision-making using recurrent neural network
JP7059424B2 (ja) めっき装置
JP2021111130A (ja) 品質管理システムおよび品質管理プログラム
Evangelidis et al. A deep regression framework toward laboratory accuracy in the shop floor of microelectronics
Xanthopoulos et al. Automated die inking
Lee et al. Surrogate-based optimization framework for enhancing SMT process quality and productivity in electronics manufacturing services
KR102651541B1 (ko) 다수의 층들을 사용하는 재귀적 흐름 가스 분배 스택의 제조
Xanthopoulos et al. Automated die inking through on-line machine learning
US7849366B1 (en) Method and apparatus for predicting yield parameters based on fault classification
US20250296168A1 (en) Printing result prediction device and printing system
US20250167027A1 (en) Closed loop control system to monitor inside parameters of a substrate carrier
Yang Can Deep Learning Improve My Manufacturing Process?
Fragueiro et al. Check for An Integrated Active Learning Framework for the Deployment of Machine Learning Models for Defect Detection in Manufacturing Environments
Zhang et al. MLPCA based logistical regression analysis for pattern clustering in manufacturing processes