CN102763048B - 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 - Google Patents

在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 Download PDF

Info

Publication number
CN102763048B
CN102763048B CN201180009965.1A CN201180009965A CN102763048B CN 102763048 B CN102763048 B CN 102763048B CN 201180009965 A CN201180009965 A CN 201180009965A CN 102763048 B CN102763048 B CN 102763048B
Authority
CN
China
Prior art keywords
prediction
algorithm
measurement
data
error
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201180009965.1A
Other languages
English (en)
Other versions
CN102763048A (zh
Inventor
詹姆士·莫尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Applied Materials Inc
Original Assignee
Applied Materials Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Applied Materials Inc filed Critical Applied Materials Inc
Publication of CN102763048A publication Critical patent/CN102763048A/zh
Application granted granted Critical
Publication of CN102763048B publication Critical patent/CN102763048B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31459—Library with metrology plan for different type of workpieces
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31465—Determine which variables of the system to be monitored
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31483—Verify monitored data if valid or not by comparing with reference value
    • 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
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Primary Health Care (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本文在此描述用于决定虚拟量测的适应性预测算法的方法、装置和***。在一些具体实施例中，一种计算机可实施方法识别多个预测算法。该方法决定：何时使用多个预测算法的一个或多个来预测在制造设备(manufacturing？facility)中的一或多个虚拟量测变量。

Description

在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备
关联申请的交叉引用
本专利申请案在35U.S.C.§119(e)下主张美国临时申请号61/305,089的优先权，其于2010年2月16日提出申请，在此通过引用将其内容引入。
技术领域
本发明的具体实施例涉及用于虚拟量测的预测算法，具体涉及使用和决定预测算法。
背景技术
设备工程***(EES)管理由制造机器生产的程序。良率管理***(YMS)利用参数和e-test数据以分析良率异常。当分析良率时，一些传统的良率管理***利用来自传统设备工程***的故障侦测和分类(FDC)***的数据以提供良率工程师额外的数据。在有限数目的传统良率管理***，来自FDC***的数据可用于预测良率。此良率预测可促使良率工程师在完成产品之前侦测潜在的良率问题。
利用预测作为基础能力的技术的最大问题之一，例如虚拟量测(VM)和良率管理辅助先进制程控制(YMeAPC)，系预测的质量，特别是在动态预测环境中。具有数个可获用的预测技术和预测适应技术。时常，不同的预测适应技术在不同的环境中可较佳地运作。目前，尚未有已界定的方式能采取共同合作的趋势来发挥多种预测适应能力的优点，以改善预测质量。
制造过程受扰动和飘移影响。飘移程序的逐片(W2W)控制需要行内量测(inlinemetrology)，其增加量测站的成本、增加周期时间、及减少生产量。在测量速度和精确度之间存在折衷。虚拟量测包含：使用关于每个晶圆的制程的状态的信息的量测变量的预测。虚拟量测利用FDC数据和上游量测信息以用于预测算法。虚拟量测根据制程及/或产品的状态，预测量测变量(可测量或不可测量)。
利用虚拟量测的工厂内的控制的方法描述于文献“Fab-wideControlUtilizingVirtualMetrology，”IEEETransactionsonSemiconductorManufacturing，Vol.20，No.4，November2007byAftabA.Khan，JamesR.Moyne，andDawnM.Tilbury。此文献“Fab-wideControlUtilizingVirtualMetrology”，在此通过参考方式在此引入，揭露经常使用于半导体制造过程的偏最小平方(PLS)技术和双指数加权移动平均(dEWMA)的控制器。
然而，先前的虚拟量测方法无法提供稳定可重复使用的虚拟量测技术方案。目前虚拟量测的目前现有技术包含：多个“一次性(one-off)”高度客制化、非可重复使用的技术方案。这些方法随时间演进而变为非强健的。由于缺乏对数据质量的了解，使用是受限制的。现有方法无法提供高质量适应性虚拟量测的模型化。
附图说明
本发明通过实例方式在附图中示例说明(而非限制)，其中：
图1说明制造环境中的示例性架构，本发明的具体实施例可于其中操作；
图2说明利用多个预测算法的方法的一个具体实施例的流程图；
图3说明在预测算法之间切换的方法的一个具体实施例的流程图；
图4说明在预测算法之间切换的方法的另一个具体实施例的流程图；
图5说明决定具有权重预测的预测算法的方法的一个具体实施例之流程图；
图6说明设备工程***(EES)的一个示例性架构，本发明的具体实施例可在其中操作；及
图7根据本发明的具体实施例示例说明一个示例性计算机***的方块图。
具体实施方式
在此描述用于决定虚拟量测的适应性预测算法的方法、装置、和***。在一些具体实施例中，***收集数据和利用多个预测算法。该***决定何时使用多个预测算法以预测在制造设备中的虚拟量测变量(可测量或不可测量)。虚拟量测变量包含(例如)程序执行的终点的输出的预测值、来自上游程序的相关的预处理量测数据等等。特定的实例包含：在化学气相沈积(CVD)程序之后的膜厚度和非均匀性，及在蚀刻程序之后的临界尺度(CD)数据(例如平均和变动)。在其它具体实施例中，该***根据误差临界值在多个预测算法之间切换。该临界值可取决于实际的量测数据。若实际的量测数据可获得，该***可使用该误差切换临界值在预测算法之间切换。此外，该***可使用质量临界值以决定何时在预测算法之间切换。在另一些具体实施例中，该***同时利用多个预测算法。可根据其它预测算法的加权平均调用预测算法。
如上所述，先前的方法无法提供高质量适应性VM。本发明的VM可提供多算法适应性偏最小平方(PLS)，其考虑在故障侦测(FD)输出和量测预测之间的关系的时间变化。此外或可替代性地，本发明的VM可提供数据质量预测，其可避免误判为正(falsepositives)和允许用于例如为W2W控制的应用的VM数据的定量使用。本发明的VM亦可决定为最佳VM预测器的FD因子，和发展可重复使用的VM能力。
VM数据预测是对VM的许多应用很重要的能力。对于逐片控制而言，此能力允许根据反馈数据质量的控制器增益的适当设定。对使用于工具关闭的量测FD而言，此能力减少误判为正的发生率。对预测和预防的维修而言，此能力减少误判为正的发生率。一般而言，此能力允许VM更为有效率，这是因为结果可被“信任”。
本发明的VM提供例如改善的逐片控制、良率预测、辅助预测和预防的维修(PPM)、及对现存量测方式更为有效使用的优点。
在后续的描述中，叙述各种细节。然而，显然地，对本领域的普通技术人员而言，本发明无需这些特定细节来加以实施。在一些实例中，现有的结构和装置以框图形式显示(并非详细地)，以避免混淆本发明。
后续的实施方式的一部份以算法和在计算机内存内的数据位操作的符号表示来呈现。除非另外特别声明，从后续的讨论中可知，可了解到在全文说明书中，使用例如为“收集”、“预测”、“执行”、“调整”、“比较”、或其类似的词汇的讨论意指：计算机***的动作和程序、或类似的电子计算装置，其操作和转换表示为在计算机***的缓存器和内存内的物理量(电子)的数据为类似地表示为在计算机***内存或缓存器，或其它此类信息储存、传输或显示装置内的物理量的资料。
本发明的具体实施例亦关于用于执行在此操作的装置。此装置可为了达成所需目的而特别地建构，或其可包含：可选择性地由储存于计算机中的计算机程序启动或重组态的一般性目的计算机。此计算机程序可储存于计算机可读取储存介质中，例如(但不限于)任何类型的盘片，其包含：软盘、光盘、CD-ROM、和磁性光学盘片、只读存储器(ROM)、随机存取内存、EPROM、EEPROM、磁性或光学卡、或适用于储存电子指令的任何类型的介质，每一者耦合至***总线。
在此呈现的算法和显示并不固有地关于任何特定计算机或其它装置。根据在此的技术，各种一般性目的计算机可与程序使用，或其可视为方便于建构更为特定的装置以执行所需的方法步骤。各种这些***的所需的结构将呈现为如后续的描述中所描述的情况。此外，本发明并不参照任何特定程序语言来描述。应可了解到：可使用各种程序化语言来实施在此描述的本发明的技术。
本发明可经提供作为计算机程序产品、或软件，其可包含：具有储存于其上的指令的机器可读取介质，其可根据本发明使用于可程序化的计算机***(或其它电子装置)以执行程序。一种机器可读取介质包含：用于以可由机器(例如计算机)读取的形式储存信息的任何机制。举例而言，机器(例如计算机)可读取储存介质包含：只读存储器(“ROM”)、随机存取内存(“RAM”)、磁盘储存介质、光学储存介质、闪存装置等等。
图1说明制造环境100的示例性架构，本发明的具体实施例可在其中操作。该制造环境100可为半导体制造环境，汔车制造环境、航空设备制造环境、医学设备制造环境、显示和太阳能制造环境等等。在具体实施例中，该制造环境100包含：设备工程***(EES)105、在EES***105内的VM多算法预测子***107、或一些通过网络耦合至EES的其它***、制造执行***(MES)110、良率管理***(YMS)120、合并数据储存库115。EES105、MES110、YMS120和合并数据储存库115可通过网络(未示出)连接，例如公众网络(例如因特网)、私用网络(例如以太网、或局域网络(LAN))、或其组合者。
该制造执行***(MES)110使用于测量和控制在制造环境中的生产活动的***。MES110可控制一组制造设备(例如所有在半导体制造工厂中的光微影设备)、制造工厂(例如汔车制造工厂)、整个公司等的一些生产活动(例如重要的生产活动)或所有生产活动。MES110可包含：手动和计算机化离线及/或在线交易处理***。此***可包含：制造机器、量测装置、客户端计算装置、服务器计算装置、数据库等等，其可执行关于制程的函数。
在具体实施例中，MES110使用合并的数据储存库115连接。该合并的数据储存库115可包含：数据库、档案***、或在非挥发性内存(例如硬盘驱动、磁带驱动、光学驱动等等)上的数据的其它排置、挥发性内存(例如随机存取内存(RAM))、或其组合者。在具体实施例中，该合并的数据储存库115包含：来自互相连接的多个数据储存库(例如YMS数据储存库、维修数据储存库、量测数据储存库、处理数据储存库等等)的数据。该合并的数据储存库115可储存(例如)制造方法的历史处理信息(例如温度、压力、所使用的化学品、处理时间等等)、设备维修历史、库存等等。该合并的数据储存库115亦可储存由MES110、YMS120及/或EES105所产生的数据。举例而言，EES195可储存故障侦测和特性数据于该合并的数据储存库115中，YMS120亦可储存良率分析数据于该合并的数据储存库115中、及MES110可储存历史程序数据于该合并的数据储存库115中。由此允许YMS120、EES105、及MES110的每一者利用由其它***产生的数据。该合并的数据储存库115可驻留于主控MES110、YMS120、和EES105的任何一个或多个计算装置上，或一个或多个不同的计算装置上。
EES105系管理制造环境(例如工厂)的一些或所有操作的***。EES105可包含：手动和计算机化离线及/或在线交易处理***，该处理***可包含：客户端计算装置、服务器计算装置、数据库等等，其可执行设备追踪、派送(例如决定何种材料进入何种程序)、生产溯源、劳力追踪(例如人员排程)、库存管理、成本、电子签章捕捉、缺陷和解析监控、关键效能指示器监控及警示、维修排程等等的功能。
EES105根据收集或储存于该合并的数据储存库115的组合信息及/或量测数据和由MES110所报告的处理数据进行推论、作出报告、及/或采取动作。举例而言，EES可用作早期预警***(例如预测废料、启始产品再制等等)，提供瓶项分析、提供资产管理(例如减少未排程的停机时间)、改善低产量等等。EES105可使用于增进制造环境100的了解，及可促使使用者决定制造环境100的效率，及/或如何改善制造环境100的所有组件。在一具体实施例中，EES105包含：促使EES105利用和决定用于适应性虚拟量测的预测算法的组件(例如VM多算法预测子***，其具有VM模块、预测算法切换模块等等)。此能力于后文将参照图2-图7更为详细地解释。
良率管理***(YMS)120分析行结束处数据(end-of-linedata)，例如e-test数据，以决定产品良率。该行结束处数据可包含：晶圆接受度测试(WAT)、晶圆排序结果及/或最后测试操作。该良率管理***120可提供产品良率趋势、产品良率的批量层级(lot-level)分析、关于制造程序的良率、良率的统计分析等等。在具体实施例中，YMS120使用集成电路设计、可视缺陷、参数和e-test数据以识别低良率的原因。
具有数个利用真实输出测量数据的回馈的预测算法的延伸，例如量测或良率分析，以持续地改善或“调整(“tune”)”该预测模型。作为一实例，NIPALS和EWMA(指数加权移动平均)是二个文献上潜在性结构方案(ProjectonLatentStructure)预测机制的适应性延伸。这些用于处理动态的各种延伸根据预测和适应性环境而不同地执行。进一步的许多延伸也代表在计算复杂度或时间、和精确度之间的折衷。
具有适应性的虚拟量测的现有方法通常使用具有NIPALS(非反复偏最小平方(Non-IterativePartialLeastSquares))或EWMA的PLS。具有NIPALS的PLS方法是PLS模型的增加的再形成，及当条件上大幅变化时需要该方法。需要一些形式的PLS适应性以追踪飘移的程序。此方法较难以实施且可需要显着数量的数据以再形成此模型。该方法一般性地产生相较于例如具有EWMA的PLS的模型调整方法的较为精确的结果。由于在EWMA和NIPALS之间的算法的飘移-移动(drift-shift)/复杂度和精确度/稳定性，具有在计算速度和反应速度之间的一般性的折衷。结果显示：若该程序运作良好，具有EWMA过滤的PLS在提供高质量适应性VM预测可更为有效，但在应使用PLS+NIPALS模型的情况特定模型的情境中产生不满意的结果。这些方法无法提供利用多个预测方法以改善用于虚拟量测的预测的方法。
当制造环境持续从操作的反应模式移至预测模式，预测质量的重要性持续地增加。影响预测质量的主要因素之一是预测机制的能力，该预测机制用于适应存在有程序飘移和移动、及影响该预测的外部因素的进入或去除的工厂环境的动态变化。
该VM多算法预测子***107通过促使在预测算法之间切换或运用来自多个适应性延伸的输出的加权组合至预测模型来克服前述缺陷。当真实的输出测量数据为可获用时，可使用例如为最小平方误差的技术以确定预测质量。
用于决定一预测算法的后续方法可假设一VM预测方程式：
S＝B*t+c
在一些具体实施例中，S是预测的输出，B代表矩阵，t是输入因子，而c是第零阶项。S、B、及t是元素向量或矩阵。既定二个预测算法EWMA和NIPALS，EWMA是快速和简易的，而当VM方程式改变时为不精确的。EWMA可利用VM方程式的第零阶适应性(例如更新“c”向量)。NIPALS是复杂的，但较为精确。NIPALS再形成VM方程式(例如更新“B”和“c”二者)。该VM多算法预测子***107可将量测数据(Y’)的预测与差异恰为E的真实量测数据(Y)作比较。
第2图示例说明用于利用多个预测算法的计算机可实施方法的具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑包含：硬件(例如电路、专用逻辑、可程序逻辑、微代码等等)、软件(例如在处理装置上执行的指令)、或其组合者。在具体实施例中，计算机可实施方法200由设备工程***105或一些其它***来执行(例如主控VM多算法预测子***107和通过网络耦合至EES105的***)。
参阅至第2图，该计算机可实施方法200包含以下步骤：通过设备工程***收集数据(方块205)。该收集的资料包含：关联于制造程序的数据、制造工具及/或制造产品。该方法200包含以下步骤：识别可使用以预测在制造设备中的VM变量的多个预测算法(方块210)。在一既定时间可使用一个或多个预测算法。该方法200包含以下步骤：决定何时使用一或多个预测算法以预测在制造设备中的虚拟量测变量(方块215)。举例而言，该方法可基于误差切换临界值在多个预测算法之间切换。此临界值可以实际的量测数据为基础。可替代性地，该方法可使用质量临界值以决定何时在预测算法之间切换。在另一实例中，该方法可同时利用多个预测算法，和可根据这些算法的权重平均调用预测算法。在方块220中，可使用一或多个相对应的预测算法来预测良率。
图3说明用于在预测算法之间切换的计算机可实施方法的具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑包含：硬件(例如电路、专用逻辑、可程序逻辑、微代码等等)、软件(例如在处理装置上执行的指令)、或其组合者。在具体实施例中，计算机可实施方法300由设备工程***105或一些其它***来执行(例如主控VM多算法预测子***107和通过网络耦合至EES105的***)。
参照第3图，该计算机可实施方法300包含以下步骤：利用设备工程***收集数据(方块305)。该收集的资料包含：关联于制造程序的数据、制造工具及/或制造产品。这些数据可在处理产品期间从制造机器接收、在量测产品期间从量测工具接收、或通过存取数据库来接收。该方法300包含以下步骤：识别误差切换临界值(方块310)。在具体实施例中，切换临界值可根据以量测资料(Y’)的预测和实际量测数据(Y)之间的比较为基础的误差值来设定。该误差切换临界值Et针对|Y-Y’|来识别或决定。最小平方距离可使用以折迭上述误差至单一数目。可替代性地，Yn可视为分别的元素。假设Y可获得(例如可获得的实际量测测量)，及可随时间滤除此误差(E)以最小化噪声影响，而后运用该误差切换临界值(方块315)。该预测误差是量测数据的预测与实际的量测数据之间的差异。若该误差(E)大于设定的临界值Et，调用简易的适应性技术(例如EWMA)以供“快速地”调整VM“c”项(方块320)，随后调用较为复杂的适应性技术(例如NIPALS)以在较长的时间区段再形成VM方程式(方块325)。否则，则调用简易的适应性技术(例如EWMA)以供调整VM“c”项(方块330)。可选择性地，可持续地评估该简易适应性的技术，即使调用较为复杂的适应技术以允许复杂的技术以获得足够的数据来提供将产生高质量预测的构成方式。一旦使用由复杂的技术提供的信息，此技术方案可使用新的构成方式，“关闭”重形成程序，及一旦误差(E)低于Et时切换返至简易的适应性技术。
图4说明用于在预测算法之间切换的计算机可实施方法的另一具体实施例之流程图。该方法可由处理逻辑执行，该处理逻辑包含：硬件(例如电路、专用逻辑、可程序逻辑、微代码等等)、软件(例如在处理装置上执行的指令)、或其组合者。在具体实施例中，计算机可实施方法400系由设备工程***105或一些其它***来执行(例如主控VM多算法预测子***107和通过网络耦合至EES105的***)。
参阅至第4图，该计算机可实施方法400包含以下步骤：通过设备工程***收集数据(方块405)。该收集的资料包含：关联于制造程序的数据、制造工具及/或制造产品。这些数据可在处理产品期间从制造机器接收、在量测产品期间从量测工具接收数据、或通过存取数据库来接收数据。该方法400包含以下步骤：以类似于方块310所讨论的方式，识别误差切换临界值Et(方块410)。该方法400包含以下步骤：识别品质临界值Qt(方块412)。预测的质量Qn与每一预测算法相关联(例如Q1，Q2等等)。当在目前的预测周期实际的量测数据为不可获得时，可使用预测质量来决定VM适应性方法。在此情况中，在文献中估计预测器的质量的技术定义(例如直接与Y比较，预测质量的最小均方误差近似)。这些估计可与Qt作比较。
举例而言，与实际的量测技术的直接比较通过对数个读取作平均使用预测误差的统计平均。历史数据可使用于初始预测误差(E)，及而后每次获得新的Y时更新E。过滤机制(例如EWMA)可利用于加权平均。若随时间决定预测质量例如为来自先前预测的变量的因子的函数，而后第一阶影响可模型化至预测误差。举例而言，对于给定的量测取样(m)，E可为在Y和Y’之间的差的函数，并且是在Y’m和Y’m-1之间的差的函数。可使用例如为用于批次间(run-to-run)控制的技术来建立在E和Y之间的关系的模型(例如EWMA、模型预测控制等等)。
若Y为可获得(例如实际的量测测量为可获用)(方块414)且误差可随时间滤除以最小化噪声的影响时，而后可运用该误差切换临界值(方块415)。若E＞Et，调用简易的适应性技术(例如EWMA)以“快速地”调整VM“c”项(方块420)，而后调用较为复杂的适应性技术(例如NIPALS)以在一较长的时间区段再形成VM方程式(方块425)。否则，若E不大于Et时，则调用简易的适应性技术(例如EWMA)以供调整VM“c”项(方块430)。可选择性地，可持续地评估该简易的技术，即使调用较为复杂的适应技术以允许复杂的技术以获得足够的数据来提供将产生高质量预测的构成方式。一旦使用由复杂的技术提供的信息，此技术方案可使用新的形成，“关闭”重形成程序，并且一旦误差(E)低于Et时切换返至简易的适应性技术。
若Y为不可获得(例如真实的量测测量为不可获得时)且Q＞Qt(方块426)时，而后调用较为复杂的适应性技术(例如NIPALS)以重形成VM方程式，其可能地使用历史数据，及Y’被决定(方块435)。否则，若具有估测如何调整此模型的能力，可调用简易的适应性技术(例如EWMA)以供调整VM“c”项，及Y’被决定(方块440)。
图5说明决定具有加权预测的预测算法的计算机可实施方法的具体实施例的流程图。该方法可由处理逻辑执行，该处理逻辑包含：硬件(例如电路、专用逻辑、可程序逻辑、微代码等等)、软件(例如在处理装置上执行的指令)、或其组合者。在具体实施例中，方法500由设备工程***105或一些其它***来执行(例如主控VM多算法预测子***107和通过网络耦合至EES105的***)。
参阅图5，该计算机可实施方法500包含以下步骤：通过设备工程***收集数据(方块505)。该收集的资料包含：关联于制造程序、制造工具及/或制造产品的数据。这些数据可在产品的处理期间从制造机器接收、在测量产品期间从量测工具接收、或从数据储存库接收。以类似于方块310所讨论的方式，该方法包含以下步骤：识别误差切换临界值Et(方块510)。
该方法500包含以下步骤：识别预测品质Qn(方块512)。预测的质量Qn与每一预测算法相关联(例如Q1，Q2等等)。可定义此量度以使得；较高的Q值代表较高的质量。预测质量的可获用性是该预测方法和关联于预测器的使用的历史数据的函数。该方法500包含以下步骤：识别关联于量测数据的每一预测(Y’1，Y’2，…Y’n)的预测品质Y’n(方块514)。若Y为可获用(例如实际的量测测量为可获用)(方块516)并可随时间滤除此误差(E)以最小化噪声影响时，而后运用该误差切换临界值(方块515)。若E＞Et，调用简易的适应性技术(例如EWMA)以“快速地”调整VM“c”项(方块520)。而后，调用NIPALS以在较长的时间区间重形成VM方程式(方块525)。否则，若E不大于Et时，则调用简易的适应性技术(例如EWMA)以供调整VM“c”项(方块530)，而后设定Y’＝Y(方块535)。
若Y为不可获在得时(例如实际的量测测量为可获用)，而后该方法执行预测的规一化加权计算(方块540)，其中权重是每一预测的质量的函数。规一化的权重计算为下式：
Y’＝{[(Q1)/(Q1+Q2+…Qn)]·Y’1}+{[(Q2)/(Q1+Q2+…Qn)]·Y’2}+…{[(Qn)/(Q1+Q2+…Qn)]·Y’n}
图6是设备工程***(EES)的示例性架构，本发明的具体实施例可在其中操作。在具体实施例中，设备工程***(EES)600可利用本发明揭露的方法可整合于其中的AppliedE3TMAPCInfrastructure来实施。EES600利用提供界面至Web服务的E3应用适配器610。VM模块620通过Web服务整合。此VM模块620整合方法促使快速的原型化、客制化、及技术转移。VM模块620包含：预测算法切换模块622，其促使EES600利用和决定用于适应性虚拟量测的预测算法。
适配器610与策略引擎630、客户端处理器640、资料服务提供者650、和登入服务器660进行通讯。该策略引擎630包含：一般性的方块631、批次间方块632、FD方块633、EPT方块634、及客制化方块635。FD方块633获得FD数据。批次间(run-to-run，R2R)方块632包含：预组态的R2R模型。EPT方块634获得追踪信息的设备效能。数据存取层670提供对一数据库680的存取(例如Oracle数据库)。数据库680包含：处理数据、FDC/EPT/R2R数据、控制规则、及数据收集计划。发现管理器690提供整合至***的识别能力之发现特征。策略引擎可使用以就“策略”来管理方块的互动，而达到特定目的以响应所接收到的事件。
举例而言，对逐片(WafertoWafer)的控制，可想象包含于策略引擎630的策略，其捕捉来自利用FD方块633形成的FD实施和储存于数据库680的FD输出、传送此信息至在VM模块620中的VM构成方式(通过web-服务适配器610整合)，以计算VM输出、撷取储存于数据库中的VM形成输出、及路由此者至利用R2R方块632实现的W2W实施。收集的量测数据可使用于更新VM模型。
在一些具体实施例中，VM可使用于“填满空隙(FillintheGaps)”以供W2W控制。在具体实施例中的量测表格A仅具有两个可获用的数据值(例如在一晶圆匣中的二个晶圆)。每一数值编号代表在一组晶圆或基材中的既定晶圆或基材的资料。对其它晶圆或基材并无可获用的数值。
量测表格A
在具体实施例中的量测表格B包含：如同表格A的相同的两个数值(加上阴影之数值)，及当量测数据对其它晶圆或基材系不可获用时，额外地包含：预测的数值(未加上阴影之数值)。
量测表格B
质量指示器表格C指示：每一晶圆或基材的预测品质。举例而言，真实数据值具有1的质量数值(若吾人假设就消耗此信息的应用，量测测量工具精确度系高的)，而预测数据值具有低于1的质量数值。
量测表格C
本发明揭露提供用于在多个适应性预测算法间切换、或决定具有多个适应性预测算法的加权应用的预测算法的方法和装置，以改善预测质量切换技术方案，及加权应用技术方案可独立地使用。
切换方案提供具有较为精确、稳定及可靠预测的较为稳定的预测技术方案。针对切换和加权应用二者，可导入作为新的预测算法的用于改善预测的延伸技术方案。
图3和图4示例说明具有多个算法的方法，其可当实际的资料为可获用时根据其预测的实际精确度以一种切换方式来运用。对量测向量、或个别地对每一量测属性，以最小平方误差距离的方式，或以由使用者认为适当的其它方式来计算精确度。图5说明这些方法的增进，其中当量测数据为不可获用时，共同利用多个算法以预测量测数据。图5当量测资料为可获用时，调用图3或图4的切换方法，而图5的当量测数据为不可获用亦可使用。图5的方法需要计算个别方法预测的质量的计算，其以常见的量度表示。此方法以来自每一算法的贡献的规一化来表示，然而这是不需要的。
图7示例说明在示例性形式的计算机***700的机器的图表显示，在该计算机***内具有一组经执行时使得该机器进行在此讨论的任何一或多个方法的指令。在替代性的具体实施例中，机器可连接(例如网络化)至在局域网络(LAN)、企业内网络、外部网络、或因特网的其它机器。机器在客户端-服务器端网络环境中可操作为服务器或客户端机器，或作为在点对点(或分布式)网络环境的端点机器。机器可为个人计算机(PC)、平板PC、机上盒(STB)、个人数字助理(PDA)、行动电话、Web装置、服务器、网络路由器、切换器或桥接器、或任何可执行一组指令(循序或其它者)的机器，上述指令可指定可由此机器进行的动作。再者，当示例说明单一机器时，亦可使用词汇”机器”以包含：任何集合的机器(例如计算机)，其个别地或联合地执行一组(或多组)指令以执行在此讨论的任何一或多种方法。
示例性计算机***700包含：处理器702、主要内存704(或只读存储器(ROM))、闪存、动态随机存机内存(DRAM)，例如同步DRAM(SDRAM)或RambusDRAM(RDRAM)等等、静态内存706(例如闪存、静态随机存取内存(SRAM)等等)、次要的内存718(例如数据储存装置)，其通过总线730与其它者进行通讯。
处理器702代表一或多个一般性目的处理装置，例如微处理器、中央处理单元、或其类似者。特定而言，处理器702可为复杂的指令集计算装置(CISC)微处理器、减少的指令集(RISC)微处理器、超长指令字(VLIW)微处理器、处理器实施的其它指令集、或处理器实施的指令集之组合。处理器702亦可为一或多个特殊目的处理装置，例如特定应用集成电路(ASIC)、场可程序逻辑门阵列(FPGA)、数字讯号处理器(DSP)、网络处理器、或其类似者。处理器702经组态以执行处理逻辑726而执行在此讨论的操作和步骤。
计算机***700可进一步包含：网络界面装置708。计算机***700亦包含：视频显示单元710(例如液晶显示器(LCD)或阴极射线管(CRT))、字母与数字的输入装置712(例如键盘)、光标控制装置714(例如鼠标)、及单一产生装置716(例如扬声器)。
次要内存718可包含：机器可读取储存介质(或更特定为计算机可读取储存介质)731，在其上储存有体现在此描述的任何一或多个方法和功能的一或多组指令(例如软件722)。在计算机***700执行期间，软件722亦可完全地或至少部份地驻留在主存储器704及/或在处理装置702内，主存储器704和处理装置702亦组成机器可读取储存介质。软件722更可通过网络界面装置708通过网络720传送或接收。
机器可读取储存介质731亦可使用以储存良率管理***(YMS)120的一或多个子***、设备工程***(EES)105、及/或制造执行***(MES)110(如参照至第1图描述者)、及/或包含呼叫YMS、EES及/或MES的子***的方法的软件数据库。机器可读取储存介质731可进一步使用以储存制造信息和控制***(MICS)的一或多个额外组件，例如决策支持逻辑组件、实时监视器、及/或执行逻辑组件。当机器可读取介质731在示例性具体实施例中显示为单一介质，应采用词汇“机器可读取介质”以包含储存一或多组指令的单一介质或多个介质(例如集中式或分布式数据库、及/或相关的快取和服务器)。可采用词汇“机器可读取储存介质”以包含能够储存或编码可由机器执行和使得机器执行本发明的任何一或多个方法的一组指令。从而采用词汇“机器可读取储存介质”以包含(但不限于)固态内存、及光学和磁性介质。
应可了解到前文描述意欲为示例说明性的，而非限制性的。许多其它具体实施例对本领域普通技术人员基于阅读和理解前文描述而为显见的。虽然本发明参照特定的示例性具体实施例来描述，可识别出本发明并不限于在此描述的具体实施例，在所附专利要求的精神和范畴内加上修正和改变来加以实施。此外，说明书和图式为说明性的，而非限制性的。本发明的范围可参照所附专利要求和其全部等同范围来决定。

Claims (15)

1.一种计算机可实施的在虚拟量测中决定何时使用适应性预测算法的方法，所述计算机包括处理器和内存，该方法包含以下步骤：
识别多个预测算法；
利用所述处理器识别误差切换临界值，该误差切换临界值系以量测数据的预测和实际量测数据的比较为基础；
决定何时调用第一适应性预测算法、第二适应性预测算法、或第一和第二适应性预测算法以基于所述误差切换临界值预测在制造设备中的一或多个虚拟量测变量；
若误差大于所述误差切换临界值，调用所述第一适应性预测算法，以更新第一元素向量，该第一元素向量是虚拟量测预测等式的第零阶项；及
随后调用所述第二适应性预测算法，以更新所述第一元素向量和第二元素向量，该第二元素向量代表所述虚拟量测预测等式的矩阵，其中所述第一适应性预测算法与所述第二适应性预测算法不同，其中所述虚拟量测预测等式包括预测的输出，该预测的输出是以输入因子、所述第一元素向量和所述第二元素向量为基础。
2.如权利要求1所述的方法，进一步包含以下步骤：
判定所述误差是否大于该误差切换临界值，该误差是在量测数据的预测与实际量测测量数据之间的差异；并且
若该误差低于或大约等于该误差切换临界值时，调用所述第一适应性预测算法，其中所述虚拟量测预测等式包括预测的输出，该预测的输出是以输入因子、所述第一元素向量和所述第二元素向量为基础。
3.如权利要求1所述的方法，进一步包含以下步骤：
识别质量临界值，其以量测数据的预测和真实量测测量资料为基础；
若该实际的量测测量资料为不可获用时，将预测算法的预测质量与该质量临界值作比较；
若该预测质量大于该质量临界值，调用所述第二适应性预测算法；并且
若该预测质量低于或大约等于该质量临界值，调用所述第一适应性预测算法。
4.如权利要求1所述的方法，进一步包含以下步骤：
识别每一预测算法的预测质量；
识别每一预测的预测品质；及
执行上述预测的规一化加权计算，其中若该实际的量测测量数据为不可获用时，权重是每一预测算法的该预测质量的函数。
5.一种在虚拟量测中决定何时使用适应性预测算法的设备，包含：
用于识别多个预测算法的装置；
用于识别误差切换临界值的装置，该误差切换临界值是以量测数据的预测和实际量测数据的比较为基础；
用于决定何时调用第一适应性预测算法、第二适应性预测算法、或第一和第二适应性预测算法以基于所述误差切换临界值预测在制造设备中的一个或多个虚拟量测变量的装置；
用于若误差大于所述误差切换临界值，调用所述第一适应性预测算法，以更新第一元素向量的装置，该第一元素向量是虚拟量测预测等式的第零阶项；及
用于随后调用所述第二适应性预测算法，以更新所述第一元素向量和第二元素向量的装置，该第二元素向量代表所述虚拟量测预测等式的矩阵，其中所述第一适应性预测算法与所述第二适应性预测算法不同，其中所述虚拟量测预测等式包括预测的输出，该预测的输出是以输入因子、所述第一元素向量和所述第二元素向量为基础。
6.如权利要求5所述的设备，进一步包括：
用于决定所述误差是否大于该误差切换临界值的装置，该误差切换临界值是在量测数据之预测与实际的量测测量数据之间的差异；及
用于若该误差小于或大约等于该误差切换临界值时，调用所述第一适应性预测算法的装置。
7.如权利要求5所述的设备，其中所述用于处理的装置执行至少一组指令来：
用于识别质量临界值的装置，该质量临界值是以量测数据的预测和实际的量测测量数据为基础；
用于若该实际的量测测量资料为不可获用时，将预测算法的预测质量与该质量临界值作比较的装置；
用于若该预测质量大于该质量临界值，调用所述第二适应性预测算法的装置；及
用于若该预测质量低于或大约等于该质量临界值，调用所述第一适应性预测算法的装置。
8.如权利要求5所述的设备，其中所述用于处理的装置执行至少一组指令来：
用于识别每一预测算法的预测质量的装置；及
用于识别每一预测的预测品质的装置。
9.如权利要求8所述的设备，其中所述用于处理的装置执行至少一组指令来：
用于执行上述预测的规一化加权计算的装置，其中若该实际的量测测量数据为不可获用时，权重是每一预测算法的该预测质量的函数。
10.一种在虚拟量测中决定何时使用适应性预测算法的计算机***，其包含：
网络界面装置，用于与网络通信；
耦合至所述网络界面装置的数据库，所述数据库存储包括实际量测数据的处理数据；
耦合至所述网络界面装置的内存，所述内存包括虚拟量测(VM)多算法预测子***来：
识别多个预测算法的一个或多个；
识别误差切换临界值，该误差切换临界值系以量测数据的预测和所述实际量测数据的比较为基础；
判定何时调用第一适应性预测算法、第二适应性预测算法、或第一和第二适应性预测算法以基于所述误差切换临界值预测在制造设备中的一或多个虚拟量测变量；
若误差大于所述误差切换临界值，调用所述第一适应性预测算法，以更新第一元素向量，该第一元素向量是虚拟量测预测等式的第零阶项；及
随后调用所述第二适应性预测算法，以更新所述第一元素向量和第二元素向量，该第二元素向量代表所述虚拟量测预测等式的矩阵，其中所述第一适应性预测算法与所述第二适应性预测算法不同，其中所述虚拟量测预测等式包括预测的输出，该预测的输出是以输入因子、所述第一元素向量和所述第二元素向量为基础。
11.如权利要求10所述的计算机***，其中所述虚拟量测(VM)多算法预测子***判定所述误差是否大于该误差切换临界值，该误差是在量测数据的预测与实际量测测量数据之间的差异。
12.如权利要求11所述的计算机***，进一步包括：
耦合至所述内存的输入设备。
13.如权利要求11所述的计算机***，其中所述虚拟量测(VM)多算法预测子***：若该误差小于或大约等于该误差切换临界值，调用所述第一适应性预测算法。
14.如权利要求10所述的计算机***，其中所述虚拟量测(VM)多算法预测子***：
识别质量临界值，该质量临界值是以量测数据的预测与实际的量测测量数据为基础；
若该实际的量测测量资料为不可获用时，将预测算法的预测质量与该质量临界值作比较；
若该预测质量大于该质量临界值，调用所述第二适应性预测算法；及
若该预测质量低于或大约等于该质量临界值，调用所述第一适应性预测算法。
15.如权利要求10所述的计算机***，其中所述虚拟量测(VM)多算法预测子***：
识别每一预测算法的预测质量；
识别每一预测的预测品质；及
执行上述预测的规一化加权计算，其中若该实际的量测测量数据为不可获用时，权重是每一预测算法的每一预测的质量的函数。
CN201180009965.1A 2010-02-16 2011-02-15 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 Expired - Fee Related CN102763048B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US30508910P 2010-02-16 2010-02-16
US61/305,089 2010-02-16
US13/027,072 2011-02-14
US13/027,072 US9002492B2 (en) 2010-02-16 2011-02-14 Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
PCT/US2011/024872 WO2011103085A2 (en) 2010-02-16 2011-02-15 Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology

Publications (2)

Publication Number Publication Date
CN102763048A CN102763048A (zh) 2012-10-31
CN102763048B true CN102763048B (zh) 2016-05-04

Family

ID=44370199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201180009965.1A Expired - Fee Related CN102763048B (zh) 2010-02-16 2011-02-15 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备

Country Status (5)

Country Link
US (3) US9002492B2 (zh)
KR (1) KR101769064B1 (zh)
CN (1) CN102763048B (zh)
TW (1) TWI509550B (zh)
WO (1) WO2011103085A2 (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9002492B2 (en) 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
TWI427722B (zh) * 2010-08-02 2014-02-21 Univ Nat Cheng Kung 使用具有信心指標之虛擬量測的先進製程控制系統與方法及其電腦程式產品
US9531990B1 (en) * 2012-01-21 2016-12-27 Google Inc. Compound prediction using multiple sources or prediction modes
US8737824B1 (en) 2012-03-09 2014-05-27 Google Inc. Adaptively encoding a media stream with compound prediction
US9185414B1 (en) 2012-06-29 2015-11-10 Google Inc. Video encoding using variance
US9176183B2 (en) 2012-10-15 2015-11-03 GlobalFoundries, Inc. Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness
TWI484353B (zh) * 2012-12-10 2015-05-11 Chunghwa Telecom Co Ltd Methods and Systems for Calculating Random Errors
US9628790B1 (en) 2013-01-03 2017-04-18 Google Inc. Adaptive composite intra prediction for image and video compression
US9262726B2 (en) 2013-01-17 2016-02-16 Applied Materials, Inc. Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment
US9374578B1 (en) 2013-05-23 2016-06-21 Google Inc. Video coding using combined inter and intra predictors
CN105378714B (zh) * 2013-06-14 2020-06-23 微软技术许可有限责任公司 时间序列的快速分组
US20140379626A1 (en) * 2013-06-20 2014-12-25 Rockwell Automation Technologies, Inc. Information platform for industrial automation stream-based data processing
US9609343B1 (en) 2013-12-20 2017-03-28 Google Inc. Video coding using compound prediction
US20160342147A1 (en) 2015-05-19 2016-11-24 Applied Materials, Inc. Methods and systems for applying run-to-run control and virtual metrology to reduce equipment recovery time
US10234401B2 (en) * 2016-02-22 2019-03-19 Qoniac Gmbh Method of manufacturing semiconductor devices by using sampling plans
TWI625615B (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
US10995650B2 (en) 2017-03-03 2021-05-04 Cummins Inc. Heat shield for bellows
US10482382B2 (en) * 2017-05-09 2019-11-19 Palantir Technologies Inc. Systems and methods for reducing manufacturing failure rates
JP7023062B2 (ja) * 2017-07-24 2022-02-21 株式会社荏原製作所 基板研磨装置及び方法
EP3435295A1 (de) * 2017-07-26 2019-01-30 Siemens Aktiengesellschaft Vorverarbeitung für einen klassifikationsalgorithmus
US10627787B2 (en) 2017-11-01 2020-04-21 International Business Machines Corporation Manufacturing process control based on multi-modality and multi-resolution time series data
DE102018105322A1 (de) 2018-03-08 2019-09-12 Carl Zeiss Smt Gmbh Verfahren zum Betreiben einer industriellen Maschine
TWI734059B (zh) * 2018-12-10 2021-07-21 財團法人工業技術研究院 動態預測模型建立方法、電子裝置及使用者介面
JP7119978B2 (ja) * 2018-12-20 2022-08-17 オムロン株式会社 制御装置およびプログラム
TWI742709B (zh) * 2020-06-04 2021-10-11 國立成功大學 預測機台加工事件發生的方法與其虛擬量測應用及其電腦程式產品
CN111984513A (zh) * 2020-08-25 2020-11-24 浙江天垂科技有限公司 一种预测性维护方法、装置、设备以及存储介质
TWI801921B (zh) * 2021-07-05 2023-05-11 力晶積成電子製造股份有限公司 良率導向之線上機台匹配管理方法
US20230061513A1 (en) * 2021-08-27 2023-03-02 Applied Materials, Inc. Systems and methods for adaptive troubleshooting of semiconductor manufacturing equipment

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6965895B2 (en) * 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US20030033263A1 (en) * 2001-07-31 2003-02-13 Reel Two Limited Automated learning system
TWI267012B (en) * 2004-06-03 2006-11-21 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes
US20060129257A1 (en) * 2004-12-13 2006-06-15 Taiwan Semiconductor Manufacturing Co., Ltd. Novel method and apparatus for integrating fault detection and real-time virtual metrology in an advanced process control framework
US7477960B2 (en) * 2005-02-16 2009-01-13 Tokyo Electron Limited Fault detection and classification (FDC) using a run-to-run controller
US7359759B2 (en) * 2005-10-31 2008-04-15 Taiwan Semiconductor Manufacturing Company Method and system for virtual metrology in semiconductor manufacturing
TWI315054B (en) * 2006-05-10 2009-09-21 Nat Cheng Kung Universit Method for evaluating reliance level of a virtual metrology system in product manufacturing
US7558771B2 (en) * 2006-06-07 2009-07-07 Gm Global Technology Operations, Inc. System and method for selection of prediction tools
TW200745974A (en) * 2006-06-09 2007-12-16 Powerchip Semiconductor Corp Selection method and system for virtual metrology prediction model for quality control in semiconductor manufacture
US7642100B2 (en) * 2006-09-13 2010-01-05 Taiwan Semiconductor Manufacturing Co., Ltd. Method and system for yield and productivity improvements in semiconductor processing
US8145337B2 (en) * 2007-05-04 2012-03-27 Taiwan Semiconductor Manufacturing Company, Ltd. Methodology to enable wafer result prediction of semiconductor wafer batch processing equipment
US8682466B2 (en) * 2007-05-04 2014-03-25 Taiwan Semiconductor Manufacturing Company, Ltd. Automatic virtual metrology for semiconductor wafer result prediction
TWI338916B (en) * 2007-06-08 2011-03-11 Univ Nat Cheng Kung Dual-phase virtual metrology method
KR20090001148A (ko) 2007-06-29 2009-01-08 삼성전자주식회사 가상 계측 시스템 및 가상 계측 방법
TWI349867B (en) * 2008-05-20 2011-10-01 Univ Nat Cheng Kung Server and system and method for automatic virtual metrology
US8295966B2 (en) * 2009-06-30 2012-10-23 Lam Research Corporation Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber
US8433434B2 (en) * 2009-07-09 2013-04-30 Taiwan Semiconductor Manufacturing Company, Ltd. Near non-adaptive virtual metrology and chamber control
US8805630B2 (en) * 2009-08-25 2014-08-12 Taiwan Semiconductor Manufacturing Company, Ltd. Method and system for modeling in semiconductor fabrication
US9037279B2 (en) * 2009-09-09 2015-05-19 Taiwan Semiconductor Manufacturing Company, Ltd. Clustering for prediction models in process control and for optimal dispatching
US9002492B2 (en) 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
TWI412906B (zh) * 2010-04-13 2013-10-21 Univ Nat Cheng Kung 具有虛擬量測功能的製造執行系統與製造系統

Also Published As

Publication number Publication date
KR20130006455A (ko) 2013-01-16
US20150205270A1 (en) 2015-07-23
TW201203163A (en) 2012-01-16
TWI509550B (zh) 2015-11-21
WO2011103085A2 (en) 2011-08-25
US20180217566A1 (en) 2018-08-02
WO2011103085A3 (en) 2011-11-17
US9886009B2 (en) 2018-02-06
US10409231B2 (en) 2019-09-10
US20110202160A1 (en) 2011-08-18
CN102763048A (zh) 2012-10-31
US9002492B2 (en) 2015-04-07
KR101769064B1 (ko) 2017-08-30

Similar Documents

Publication Publication Date Title
CN102763048B (zh) 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备
Fan et al. Assessment of deep recurrent neural network-based strategies for short-term building energy predictions
Chen et al. Comparing occupancy models and data mining approaches for regular occupancy prediction in commercial buildings
JP2009294969A (ja) 需要予測方法および需要予測装置
Xuemei et al. Building cooling load forecasting model based on LS-SVM
Dong et al. Regional wind power probabilistic forecasting based on an improved kernel density estimation, regular vine copulas, and ensemble learning
WO2020098728A1 (zh) 集群负荷预测方法、装置及存储介质
Chalapathy et al. Comparing multi-step ahead building cooling load prediction using shallow machine learning and deep learning models
CN108664682A (zh) 一种变压器顶层油温的预测方法及其***
Dong et al. Applying the ensemble artificial neural network-based hybrid data-driven model to daily total load forecasting
Xiao et al. Short-term power load interval forecasting based on nonparametric Bootstrap errors sampling
CN112904266A (zh) 一种电能表寿命预测方法及装置
CN110880055A (zh) 楼宇智能电表***
CN109523077B (zh) 一种风电功率预测方法
Zhou et al. Forecasting daily gas load with OIHF-Elman neural network
Tziolis et al. Comparative analysis of machine learning models for short-term net load forecasting in renewable integrated microgrids
CN116316617B (zh) 多场站智能融合的新能源发电功率区域预测方法和***
CN109376957B (zh) 一种火电厂负荷的预测方法
JP2016086519A (ja) 消費電力の非線形予測方法および装置
Hou et al. A novel algorithm for multi-node load forecasting based on big data of distribution network
Spencer et al. Forecasting internal temperature in a home with a sensor network
Yu et al. A Predictive Dispatching Rule Assisted by Multi-Layer Perceptron for Scheduling Wafer Fabrication Lines
Hou et al. Cooling load prediction based on the combination of rough set theory and support vector machine
Bâra et al. Intelligent systems for predicting and analyzing data in power grid companies
Tzagkarakis et al. Evaluating short-term forecasting of multiple time series in iot environments

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160504

CF01 Termination of patent right due to non-payment of annual fee