KR20170008251A

KR20170008251A - 제조 프로세스를 모델링 및/또는 분석하기 위한 시스템 및 방법

Info

Publication number: KR20170008251A
Application number: KR1020167034420A
Authority: KR
Inventors: 산지브 카우샬; 수케시 자누브하이 파텔
Original assignee: 도쿄엘렉트론가부시키가이샤
Priority date: 2014-05-13
Filing date: 2015-05-13
Publication date: 2017-01-23
Also published as: US20150332167A1; WO2015175629A1

Abstract

제조 프로세스를 모델링 및/또는 분석하기 위한 시스템 및 기술이 제시된다. 데이터세트 구성요소는 하나 이상의 제조 도구와 연계된 프로세스 데이터에 기초하여 복수의 2진 분류 데이터세트를 생성한다. 학습 구성요소는 복수의 2진 분류 데이터세트에 기초하여 복수의 학습된 모델을 생성하고 복수의 2진 분류 데이터세트와 연계된 데이터 샘플의 수에 기초하여 복수의 학습된 모델에 가중치를 인가하여 가중된 복수의 학습된 모델을 생성한다. 병합 구성요소는 프로세스 데이터에 대한 프로세스 모델을 생성하기 위해 가중된 복수의 학습된 모델을 병합한다.

Description

제조 프로세스를 모델링 및/또는 분석하기 위한 시스템 및 방법{SYSTEM AND METHOD FOR MODELING AND/OR ANALYZING MANUFACTURING PROCESSES}

설명하고 청구하는 발명의 대상은 일반적으로 제조 프로세스를 모델링 및/또는 분석하기 위한 기술에 관한 것이다.

기술적 진보는 점점 더 복잡해지는 프로세스 기반(process-driven) 자동화 장비를 유도하고 있다. 특정 목표를 성취하거나 특정의 고도로 기술적인 프로세스를 수행하기 위한 도구 시스템은 통상적으로 목표에 도달하거나 프로세스를 성공적으로 실행하기 위한 다수의 기능 요소, 및 장비의 동작을 모니터링하기 위한 데이터를 수집하는 다양한 센서를 구비할 수 있다. 이러한 자동화 장비는 대용량의 데이터를 생성할 수 있다. 데이터는 특정 작업의 부분으로서 수행된 제품 또는 서비스에 관련된 정보 및/또는 프로세스에 관련된 상당히 많은 로그 정보를 포함할 수 있다. 예를 들어, 프로세스 데이터 및/또는 계측 데이터는 제조 프로세스 중에 수집되고 그리고/또는 하나 이상의 데이터세트로 저장될 수 있다.

현대식 전자 저장장치(storage) 기술은 일정하게 증가하는 양의 데이터를 보유할 수 있지만, 축적된 데이터의 활용이 최적은 아니다. 수집된 정보의 검사 및 해석은 일반적으로 인간 개입을 필요로 한다. 예를 들어, 반도체 제조 도구 상에서의 프로세스는 17시간(예를 들어, 61,200초) 동안 실행될 수 있다. 프로세싱 중에, 반도체 제조 도구는 예를 들어, 수백개의 센서를 거쳐 매초마다 센서 측정치를 출력할 수도 있다. 이에 따라, 출력 센서 측정치를 포함하는 대형 데이터세트가 이어서 프로세스 전개 및/또는 고장 수리 활동 중에 수동으로 연구되어야 한다(예를 들어, 프로세스 엔지니어에 의해). 더욱이, 반도체 제조 도구에 관련된 프로세스가 종료될 때, 반도체 제조 도구에 의해 생성된 여러 웨이퍼를 위한 양(예를 들어, 두께, 입자 카운트)이 수동으로 측정되어야 한다(예를 들어, 제조 엔지니어에 의해).

그러나, 다수의 경우에, 정확한 수치 계측(예를 들어, 두께, 테이퍼각 등)은 이용 가능하지 않고 그리고/또는 반도체 제조에 관련된 프로세스가 종료될 때 도구 장비 엔지니어에 제공되지 않는다. 이와 같이, 취약 계측 지시기(예를 들어, 양호/불량 웨이퍼 등)가 종종 웨이퍼의 성능 및/또는 품질을 결정하는 데 이용된다. 예를 들어, 특정 허용 가능한 성능과 연계된 웨이퍼는 "양호한 웨이퍼"로서 지정될 수 있고, 특정 부적절한 성능과 연계된 웨이퍼는 "불량" 웨이퍼로서 지정될 수 있다. 그러나, 웨이퍼의 성능 및/또는 품질을 결정하기 위한 현재의 기술은 개선될 수 있다.

현재의 제조 시스템의 전술된 결점은 단지 종래의 시스템의 문제점의 일부의 개요를 제공하도록 의도된 것이며, 배타적인 것으로 의도된 것은 아니다. 종래의 시스템의 다른 문제점 및 본 명세서에 설명된 다양한 비한정적인 실시예의 대응 이익은 이하의 설명을 재고할 때에 더 명백해질 수도 있다.

이하에는 본 명세서의 몇몇 양태의 기본 이해를 제공하기 위해 본 발명의 간단화된 요약을 제시한다. 이 요약은 본 명세서의 광범위한 개요는 아니다. 이는 본 명세서의 중요 또는 결정적인 요소를 식별하도록, 또한 본 명세서의 특정 구현예의 임의의 범주 또는 청구범위의 임의의 범주를 한정하도록 의도된 것은 아니다. 그 유일한 목적은 이후에 제시되는 더 상세한 설명의 전제부로서 간단화된 형태로 본 명세서의 몇몇 개념을 제시하기 위한 것이다.

구현예에 따르면, 시스템은 데이터세트 구성요소, 학습 구성요소 및 병합 구성요소를 포함한다. 데이터세트 구성요소는 하나 이상의 제조 도구와 연계된 프로세스 데이터에 기초하여 복수의 분류 데이터세트(예를 들어, 복수의 2진 분류 데이터세트, 복수의 3진 데이터세트 등)를 생성한다. 학습 구성요소는 일반적으로 복수의 분류 데이터세트에 기초하여 복수의 학습된 모델(예를 들어, 복수의 학습된 2진 모델, 복수의 학습된 3진 모델 등)을 생성하고 복수의 분류 데이터세트와 연계된 데이터 샘플의 수에 기초하여 복수의 학습된 모델에 가중치를 인가하여 가중된 복수의 학습된 모델(예를 들어, 가중된 복수의 학습된 2진 모델, 가중된 복수의 학습된 3진 모델 등)을 생성한다. 병합 구성요소는 프로세스 데이터에 대한 프로세스 모델을 생성하기 위해 가중된 복수의 학습된 모델을 병합한다.

다른 구현예에 따르면, 방법은 하나 이상의 제조 도구를 위한 프로세스 데이터와 연계된 데이터세트를 수신하는 것, 프로세스 데이터 내에 포함된 클래스의 수에 기초하여 복수의 분류 데이터세트를 생성하는 것, 복수의 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 생성하는 것, 및 프로세스 데이터와 연계된 프로세스 모델을 생성하도록 복수의 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 조합하는 것을 제공한다.

또 다른 구현예에 따르면, 프로세서를 포함하는 시스템에 의한 실행에 응답하여, 시스템으로 하여금 동작들을 수행하게 하는 컴퓨터 실행가능 명령어가 저장되어 있는 컴퓨터 판독가능 매체로서, 동작들은, 프로세스 데이터에 기초하여 프로세싱의 유닛에 대한 고유 분류와 연계된 복수의 2진 분류 데이터세트를 생성하는 것, 복수의 2진 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 생성하는 것, 및 복수의 2진 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 병합함으로써 프로세스 데이터에 대한 프로세스 모델을 생성하는 것을 포함한다.

이하의 설명 및 첨부 도면은 본 명세서의 특정 예시적인 양태를 설명한다. 그러나, 이들 양태는 본 명세서의 원리가 채용될 수도 있는 다양한 방식의 단지 일부를 나타내는 것이다. 본 명세서의 다른 장점 및 신규한 특징은 도면과 함께 고려될 때 본 명세서의 이하의 상세한 설명으로부터 명백해질 것이다.

도 1은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 반도체 제조에 관한 모델링 및/또는 분석 프로세스를 위한 예시적인 시스템을 도시하고 있는 블록도이고;
도 2는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 예시적인 모델 구성요소를 도시하고 있는 블록도이고;
도 3은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 예시적인 분석 구성요소를 도시하고 있는 블록도이고;
도 4는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 반도체 제조에 관한 모델링 및/또는 분석 프로세스를 위한 다른 예시적인 시스템을 도시하고 있는 블록도이고;
도 5는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 예시적인 데이터 매트릭스를 도시하고 있고;
도 6은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 데이터세트의 예시적인 변환을 도시하고 있고;
도 7은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 데이터세트의 다른 예시적인 변환을 도시하고 있고;
도 8은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 예시적인 데이터세트를 도시하고 있고;
도 9는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 예시적인 2진 분류 데이터세트를 도시하고 있고;
도 10은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 다른 예시적인 2진 분류 데이터세트를 도시하고 있고;
도 11은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 또 다른 예시적인 2진 분류 데이터세트를 도시하고 있고;
도 12는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 프로세스 모델을 생성하기 위한 예시적인 방법론의 흐름도이고;
도 13은 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 프로세스 모델을 생성하기 위한 다른 예시적인 방법론의 흐름도이고;
도 14는 본 명세서에 설명된 다양한 양태 및 구현예에 따른, 프로세스 모델을 생성하기 위한 다른 예시적인 방법론의 흐름도이고;
도 15는 적합한 동작 환경을 도시하고 있는 개략 블록도이고;
도 16은 샘플 컴퓨팅 환경의 개략 블록도이다.

본 발명의 다양한 양태가 이제 유사한 도면 부호가 전체에 걸쳐 유사한 요소를 나타내는 데 사용되고 있는 도면을 참조하여 설명된다. 이하의 설명에서, 설명의 목적으로, 수많은 특정 상세가 하나 이상의 양태의 철저한 이해를 제공하기 위해 설명된다. 그러나, 본 발명의 특정 양태는 이들 특정 상세 없이, 또는 다른 방법, 구성요소, 재료 등으로 실시될 수도 있다는 것이 이해되어야 한다. 다른 경우에, 공지의 구조체 및 디바이스는 하나 이상의 양태를 설명하는 것을 용이하게 하기 위해 블록도로 도시되어 있다.

기술적 진보는 점점 더 복잡해지는 프로세스 기반 자동화 장비를 유도하고 있다. 특정 목표를 성취하거나 특정의 고도로 기술적인 프로세스를 수행하기 위한 도구 시스템은 통상적으로 목표에 도달하거나 프로세스를 성공적으로 실행하기 위한 다수의 기능 요소, 및 장비의 동작을 모니터링하기 위한 데이터를 수집하는 다양한 센서를 구비할 수 있다. 이러한 자동화 장비는 대용량의 데이터를 생성할 수 있다. 데이터는 특정 작업의 부분으로서 수행된 제품 또는 서비스에 관련된 정보 및/또는 프로세스에 관련된 상당히 많은 로그 정보를 포함할 수 있다. 예를 들어, 프로세스 데이터 및/또는 계측 데이터는 제조 프로세스 중에 수집되고 그리고/또는 하나 이상의 데이터세트로 저장될 수 있다.

현대식 전자 저장장치 기술은 일정하게 증가하는 양의 데이터를 보유할 수 있지만, 축적된 데이터의 활용이 최적은 아니다. 수집된 정보의 검사 및 해석은 일반적으로 인간 개입을 필요로 한다. 예를 들어, 반도체 제조 도구 상에서의 프로세스는 17시간(예를 들어, 61,200초) 동안 실행될 수 있다. 프로세싱 중에, 반도체 제조 도구는 예를 들어, 수백개의 센서를 거쳐 매초마다 센서 측정치를 출력할 수도 있다. 이에 따라, 출력 센서 측정치를 포함하는 대형 데이터세트가 이어서 프로세스 전개 및/또는 고장 수리 활동 중에 수동으로 연구되어야 한다(예를 들어, 프로세스 엔지니어에 의해). 더욱이, 반도체 제조 도구에 관련된 프로세스가 종료될 때, 반도체 제조 도구에 의해 생성된 여러 웨이퍼를 위한 양(예를 들어, 두께, 입자 카운트)이 수동으로 측정되어야 한다(예를 들어, 제조 엔지니어에 의해).

이를 위해, 더 정확한 프로세스 모델을 생성하고 그리고/또는 프로세싱의 유닛(예를 들어, 웨이퍼)을 위한 예측을 향상시키기 위해 제조 프로세스를 모델링하고 그리고/또는 분석하기 위한 기술이 개시된다. 다중 관점 예측기(예를 들어, 분류기에 기초하여)가 제조 프로세스와 연계된 프로세스 데이터를 모델링하고 그리고/또는 분석하는 데 이용될 수 있다. 예를 들어, 분류기(예를 들어, 2진 분류기, 3진 분류기 등)가 프로세스 데이터 내에 포함된 각각의 클래스(예를 들어, n-클래스, 여기서 n은 정수)와 연계될 수 있다. 다음에, 문제 데이터세트(예를 들어, 2진 분류 데이터세트, 3진 분류 데이터세트 등)가 분류기(예를 들어, 2진 분류기, 3진 분류기 등)의 각각의 식별된 클래스에 대해 생성될 수 있다. 비한정적인 예에서, 프로세스 데이터가 3개의 분류기와 연계된다는 결정에 응답하여, 제1 분류기와 연계된 제1 문제 데이터세트, 제2 분류기와 연계된 제2 문제 데이터세트, 및 제3 분류기와 연계된 제3 데이터세트가 생성될 수 있다. 따라서, 제1 문제 데이터세트에 기초하여 각각의 프로세싱의 유닛(예를 들어, 각각의 웨이퍼)이 제1 분류기와 연계되는지 여부, 제2 문제 데이터세트에 기초하여 각각의 프로세싱의 유닛이 제1 분류기와 연계되는지 여부, 및 제3 문제 데이터세트에 기초하여 각각의 프로세싱의 유닛이 제3 분류기와 연계되는지 여부가 결정될 수 있다. 문제 데이터세트들과 연계된 복수의 학습된 함수(예를 들어, 학습된 모델)가 하나 이상의 학습 알고리즘에 기초하여 생성될 수 있다. 일 양태에서, 복수의 학습된 기능과 연계된 데이터는 문제 데이터세트와 연계된 샘플의 수에 기초하여 가중될 수 있다. 복수의 학습된 함수는 이어서 예측 모델(예를 들어, 예측 프로세스 모델)을 취득하도록 조합될 수 있다. 이에 따라, 연계된 분류기에 의한 프로세싱의 유닛의 세트(예를 들어, 웨이퍼의 세트)가 하나의 분류기를 다른 분류기로부터 분리하도록 이용될 수 있는 특정 변수(또는 변수의 세트)를 식별하기 위해[예를 들어, 어느 변수(들)가 웨이퍼의 클래스를 다른 웨이퍼의 클래스로부터 분리할 수 있는지를 식별하기 위해] 분석될 수 있다. 더욱이, 이용 가능한 변수의 세트는 계측이 수행되고 그리고/또는 클래스가 프로세싱의 유닛에 대해 지정되기 전에 프로세싱의 유닛(예를 들어, 웨이퍼)의 클래스를 예측하는 데 이용될 수 있다.

먼저 도 1을 참조하면, 본 발명의 개시내용의 양태에 따른 제조(예를 들어, 반도체 제조)에 관련된 프로세스를 모델링하고 그리고/또는 분석하기 위한 예시적인 시스템(100)이 도시되어 있다. 시스템(100)은 제조 도구(들)(110), 분광기(120), 도구 센서(130), 디바이스 측정 장비(140), 모니터링 장비(150), 모델 구성요소(160) 및/또는 분석 구성요소(170)를 포함할 수 있다. 제조 도구(들)(110)는 제조(예를 들어, 반도체 제조)를 위한 하나 이상의 도구 및/또는 하나 이상의 챔버를 포함할 수 있다. 일 양태에서, 제조 도구(들)(110)는 반도체 제조 시스템과 연계될 수 있다. 예를 들어, 도 1에 도시되어 있는 바와 같이, 제조 도구(들)(110)는 입력 웨이퍼(102) 및 출력 프로세싱된 웨이퍼(104)를 수용할 수 있다. 그러나, 제조 도구(들)(110)는 상이한 유형의 애셋(asset)(예를 들어, 상이한 프로세싱의 유닛)을 수용하고 그리고/또는 생성할 수 있다는 것이 이해되어야 한다. 예시적인 비한정적인 실시예에서, 제조 도구(들)(110)는 그 위에 형성된 캐비티 및 특징부를 갖는 프로세싱된 웨이퍼(104)를 생성하기 위해 에칭 프로세스(예를 들어, 습식 에칭, 건식 에칭, 플라즈마 에칭 등)를 거쳐 입력 웨이퍼(102)로부터 비마스킹된 재료를 제거하는 에칭 도구일 수 있다. 제조 도구(들)(110)는 또한 프로세싱된 웨이퍼(104)를 생성하기 위해 입력 웨이퍼(102) 상에 재료를 증착하는 증착 도구(예를 들어, 원자층 증착, 화학 기상 증착 등)일 수 있다. 그러나, 제조 도구(들)(110)는 상이한 유형의 제조 시스템과 연계될 수 있다는 것이 이해되어야 한다.

분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 같은 다양한 측정 디바이스가 프로세스의 다양한 양태, 조건 및/또는 결과에 관한 이종 정보를 취득하기 위해 제조 도구(들)(110)에 의해 수행된 하나 이상의 프로세스를 모니터링할 수 있다. 예로서, 분광기(120)는 스펙트럼 데이터(예를 들어, 스펙트럼 강도 정보)를 취득할 수 있다. 예를 들어, 스펙트럼 데이터는 분광기(120)에 의해 관찰 가능한 각각의 파장 또는 스펙트럼 라인에 대한 강도의 세트를 포함할 수 있다. 일 예에서, 스펙트럼 데이터는 분광기(120)가 규칙적인 간격으로(예를 들어, 매초마다, 매 2초마다, 매 100 밀리초마다 등) 각각의 파장에 대한 강도를 측정하도록 시계열(time-series) 데이터를 포함할 수 있다. 분광기(120)는 또한 스펙트럼 데이터를, 제조 도구(들)(110)에 의해 프로세싱된 특정 웨이퍼와 연계된 웨이퍼 ID와 상관시킬 수 있다. 이에 따라, 분광기(120)는 제조 도구(들)(110)에 의해 프로세싱된 각각의 웨이퍼에 대해 개별적으로 스펙트럼 데이터를 취득할 수 있다.

도구 센서(130)는 제조 도구(들)(110)가 입력 웨이퍼(102)를 프로세싱하는 동안 도구 동작 특성을 모니터링하고 그리고/또는 측정할 수 있다. 더욱이, 도구 센서(130)는 대응 센서 측정 데이터를 생성할 수 있다. 센서 측정 데이터는, 분광기(120)에 의해 측정된 스펙트럼 데이터와 마찬가지로, 웨이퍼당 기초로(on a per-wafer basis) 상관된 시계열 데이터일 수 있다. 센서 측정 데이터는 다양한 센서로부터의 측정치를 포함할 수 있다. 이러한 측정치는 제조 도구(들)(110)의 하나 이상의 챔버 내의 압력, 하나 이상의 별개의 가스를 위한 가스 흐름, 온도, 상위 무선 주파수(RF) 파워, 프로세스와 연계된 경과 시간(예를 들어, 마지막 습식 세정 이후의 경과 시간 등) 등을 포함할 수 있지만, 이들에 한정되는 것은 아니다. 일 양태에서, 센서 측정 데이터는 물리량과 연계될 수 있다. 다른 양태에서, 센서 측정 데이터는 가상량과 연계될 수 있다.

디바이스 측정 장비(140)가 디바이스 측정 데이터를 생성할 수 있다. 예를 들어, 디바이스 측정 장비(140)는 웨이퍼 및/또는 웨이퍼 상에 제조된 특징부의 물리적 및 기하학적 특성을 측정할 수 있다. 예를 들어, 디바이스 측정 장비(140)는 웨이퍼의 사전결정된 위치 또는 영역에서, 현상 검사 임계 치수(development inspection critical dimension: DI-CD), 최종 검사 임계 치수(final inspection critical dimension: FI-CD), 에칭 바이어스(etch bias), 두께 등을 측정할 수 있다. 측정된 특성은 위치당, 웨이퍼당 기초로 집성될(aggregated) 수 있고 디바이스 측정 정보로서 출력될 수 있다. 웨이퍼의 특성은 통상적으로 프로세싱 전에 또는 프로세싱 후에 측정된다. 이에 따라, 디바이스 측정 데이터는 스펙트럼 데이터 및 센서 데이터와 비교될 때 상이한 간격에서 취득된 시계열 데이터일 수 있다.

모니터링 장비(150)는 제조 도구(들)(110) 및/또는 프로세싱된 웨이퍼(104)와 연계된 모니터링 데이터(예를 들어, 유지보수 데이터, 분류 데이터 등)를 취득하고 그리고/또는 생성하도록 구현될 수 있다. 예를 들어, 모니터링 장비(150)는 제조 도구(들)(110)와 연계된 유지보수 데이터를 취득하고 그리고/또는 생성하도록 구현될 수 있다. 부가적으로 또는 대안적으로, 모니터링 장비(150)는 프로세싱된 웨이퍼(104)와 연계된 분류 데이터를 취득하고 그리고/또는 생성하도록 구현될 수 있다. 유지보수 데이터는 최종 예방 유지보수 이후의 경과 시간, 제조 도구(들)(110)와 연계된 하나 이상의 구성요소의 시효(age)(예를 들어, 도구 부품의 시효, 구성요소와 연계된 생산 시간 등) 등을 포함할 수 있지만, 이들에 한정되는 것은 아니다. 분류 데이터는 각각의 프로세싱의 유닛[예를 들어, 프로세싱된 웨이퍼(104)]과 연계된 클래스(예를 들어, 지정된 클래스, 분류기 값)를 포함할 수 있지만, 이들에 한정되는 것은 아니다. 일 예에서, 분류 데이터는 정수값일 수 있다. 다른 예에서, 분류 데이터는 문자열(예를 들어, 컬러, 기술(description) 등)일 수 있다.

프로세싱의 유닛(예를 들어, 웨이퍼)과 연계된 클래스는 입력 속성 벡터, x=(x1, x2, x3, x4, xn)를 입력이 클래스에 속하는 신뢰도(confidence)에 맵핑하는 함수일 수 있는데, 즉 f(x) = confidence(class)이다. 이러한 분류는 프로세싱의 유닛과 연계된 성능 및/또는 품질을 추론하기 위해 확률적 및/또는 통계적 기반 분석(예를 들어, 분석 유틸리티 및 비용으로 팩터링)을 채용할 수 있다. 일 양태에서, 서포트 벡터 머신(support vector machine: SVM), 나이브 베이즈(naive Bayes), 베이즈 네트워크(Bayesian networks), 결정 트리(decision trees), 신경망(neural networks), 퍼지 로직 모델(fuzzy logic models), 상이한 독립성의 패턴을 제공하는 확률적 분류 모델(probabilistic classification models) 및/또는 기타 지향 및 미지향 모델 분류 접근법이 프로세싱의 유닛과 연계된 클래스를 결정하도록 채용될 수 있다.

모델 구성요소(160)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)에 의해 취득되고 그리고/또는 생성된 프로세스 데이터(및/또는 트레이닝 데이터)를 수신할 수 있다. 일 양태에서, 모델 구성요소(160)는 프로세스 데이터가 생성됨에 따라(예를 들어, 온라인 모드 중에) 프로세스 데이터를 수신할 수 있다. 다른 양태에서, 모델 구성요소(160)는 제조 도구(들)(110)와 연계된 하나 이상의 프로세스의 완료시에 프로세스 데이터를 수신할 수 있다. 구현예에서, 프로세스 데이터는 데이터 매트릭스 내에 통합될 수 있다. 예를 들어, 데이터 매트릭스는 웨이퍼 식별 데이터, 시간 데이터, 센서 측정 데이터, 스펙트럼 데이터 및/또는 분류 데이터를 포함할 수 있다. 다른 양태에서, 데이터 매트릭스(예를 들어, 새로운 데이터 매트릭스)가 새로운 학습 사이클을 개시하기 위해 증분적으로 생성될 수 있다.

일 양태에서, 모델 구성요소(160)는 프로세스 데이터를 정규화할 수 있다. 예를 들어, 모델 구성요소(160)는 제조 도구(들)(110)와 연계된 에러를 고려하기 위해 프로세스 데이터를 정규화할 수 있다. 예를 들어, 모델 구성요소(160)는 제조 도구(들)(110) 내에 포함된 상이한 도구 및/또는 챔버 내의 스펙트럼 라인의 강도의 측정 에러를 고려하기 위해 스펙트럼 데이터(예를 들어, 측정된 강도)를 정규화할 수 있다. 비한정적인 예에서, 모델 구성요소(160)는 프로세스 데이터를 정규화하기 위해 제조 도구(들)(110) 내에 포함된 임의의 선택된 참조 챔버 또는 참조 도구와 연계된 변수(예를 들어, 총 광 강도)를 컴퓨팅할 수 있다.

하나 이상의 실시예에서, 프로세스 데이터는 제조 도구(들)(110)의 각각의 실행 중에 측정된 파라미터 데이터 및/또는 성능 데이터를 기록하는 도구 프로세스 로그로부터 도출될 수 있다. 도구 프로세스 로그는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)로부터 측정 데이터를 포함할 수 있다. 이러한 도구 프로세스 로그에 기록된 측정치는 센서 판독치(예를 들어, 압력, 온도, 파워 등), 유지보수 관련 판독치(예를 들어, 포커스 링의 시효, 질량 유량 제어기의 시효, 최종 수행된 유지보수 이후의 시간, 레지스트의 최종 배치가 로딩된 이후의 시간 등), 및/또는 도구 및 성능 통계(예를 들어, 웨이퍼를 프로세싱하는 시간, 화학물 소비, 가스 소비 등)를 포함할 수 있지만, 이들에 한정되는 것은 아니다.

예시적인 시나리오에서, 도구 프로세스 로그는 제조 도구(들)(110)의 각각의 프로세스 실행의 종료시에 모델 구성요소(160)에 의해 생성될 수 있다. 프로세스 실행의 종료시에, 분광기(120), 도구 센서(130), 디바이스 측정 장비(140), 또는 모니터링 장비(150) 중 하나 이상으로부터의 데이터는 실행에 대한 도구 프로세스 로그 내에 수집된 데이터를 집성할 수 있는 모델 구성요소(160)에 제공될 수 있다. 도구 프로세스 로그는 실행 중에 프로세싱된 단일 반도체 웨이퍼, 또는 실행 중에 제조된 반도체의 배치(batch)에 대응할 수 있다. 도구 프로세스 로그는 이어서 보고 또는 아카이브 용도로 저장될 수 있다. 일 양태에서, 프로세스 데이터는 모델 구성요소(160) 또는 관련 디바이스에 의해 자동으로 제공될 수 있다. 다른 양태에서, 프로세스 데이터는 오퍼레이터에 의해 수동으로 모델 구성요소(160)에 제공될 수 있다. 상기 예는 도구 프로세스 로그로부터 검색되거나 추출되는 것으로서 프로세스 데이터를 설명하고 있지만, 프로세스 데이터는 또한 다른 수단에 의해 모델 구성요소(160)에 제공될 수도 있다는 것이 이해되어야 한다. 예를 들어, 몇몇 실시예에서, 프로세스 데이터의 전부 또는 서브세트는 디바이스(120, 130, 140 및/또는 150)로부터 모델 구성요소(160)로 직접 제공될 수도 있다.

모델 구성요소(160)는 제조 도구(들)(110)와 연계된 프로세스 데이터에 기초하여 프로세스 모델(예를 들어, 하나 이상의 프로세스 모델)의 세트를 생성할 수 있다. 프로세스 모델은 수학적 프로세스 모델(예를 들어, 함수)일 수 있다. 예를 들어, 프로세스 모델은 프로세스 데이터(예를 들어, 조정가능한 입력, 입력 파라미터 등)의 함수로서 출력을 위한 수학적 프로세스 모델을 학습하도록 구현될 수 있다. 일 양태에서, 프로세스 모델의 세트는 하나 이상의 유전적 알고리즘(예를 들어, 유전적 프로그래밍)을 사용하여 생성될 수 있다. 다른 양태에서, 프로세스 모델의 세트는 곡선 피팅(curve fitting) 기술을 사용하여 생성될 수 있다. 예를 들어, 프로세스 모델은 선형 근사, 다중 선형 근사, 다항식 곡선 피팅, 신경망, 선형 회귀, 배깅(bagging), 부스팅(boosting) 등을 사용하여 생성될 수 있다. 그러나, 프로세스 모델은 상이한 유형의 학습 기술을 사용하여 생성될 수 있다는 것이 이해되어야 한다. 또 다른 양태에서, 모델 구성요소(160)는 새로운 프로세스 데이터[예를 들어, 제조 도구(들)(110)와 연계된 새로운 실행과 연계된 새로운 프로세스 데이터, 제조 도구(들)(110)와 연계된 새로운 실행과 연계된 새로운 단계와 연계된 새로운 프로세스 데이터 등]를 수신하는 것에 응답하여 새로운 프로세스 모델을 생성할 수 있다.

일 양태에서, 프로세스 모델의 세트 내의 각각의 프로세스 모델은 상이한 양의 프로세스 데이터와 연계될 수 있다. 예를 들어, 제1 프로세스 모델은 제1 양의 프로세스 데이터와 연계될 수 있고, 제2 프로세스 모델은 제2 양의 프로세스 데이터와 연계될 수 있는 등이다. 부가적으로 또는 대안적으로, 프로세스 모델의 세트 내의 프로세스 모델의 하나 이상은 상이한 수의 파라미터(예를 들어, 입력 파라미터, 조정가능한 입력 등)와 연계될 수 있다. 예를 들어, 제1 프로세스 모델은 제1 수의 파라미터와 연계될 수 있고, 제2 프로세스 모델은 제2 수의 파라미터와 연계될 수 있는 등이다. 다른 양태에서, 사용자는 각각의 파라미터(예를 들어, 입력 파라미터, 조정가능한 입력 등)에 대한 범위(예를 들어, 최소값, 최대값, 평균값, 표준 편차값 등)를 지정할 수 있다.

프로세스 모델의 세트의 생성을 용이하게 하기 위해, 모델 구성요소(160)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)에 의해 취득되고 그리고/또는 생성된 프로세스 데이터(예를 들어, 프로세스 데이터, 트레이닝 데이터 등)에 기초하여 하나 이상의 데이터세트(예를 들어, 2진 분류 데이터세트, 3진 분류 데이터세트 등)를 생성할 수 있다. 일 양태에서, 모델 구성요소(160)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)에 의해 취득되고 그리고/또는 생성된 프로세스 데이터의 매트릭스에 기초하여 하나 이상의 데이터세트를 생성할 수 있다. 다른 양태에서, 모델 구성요소(160)는 상이한 변수를 위한 상이한 측정 빈도를 허용하기 위해 프로세스 데이터를 변환할(예를 들어, 하나 이상의 데이터 변환을 실행함) 수 있다. 모델 구성요소(160)는 복제된 데이터(예를 들어, 복제된 프로세스 데이터)를 포함하는 수정된 프로세스 데이터를 생성할 수 있다. 부가적으로 또는 대안적으로, 모델 구성요소(160)는 요약된 데이터(예를 들어, 평균, 표준 편차 등과 같은 요약 속성)를 포함하는 수정된 프로세스 데이터를 생성할 수 있다.

모델 구성요소(160)는 프로세스 데이터 내에 포함된 상이한 클래스(예를 들어, 프로세스 데이터와 연계된 다수의 상이한 분류자)의 수에 따라 하나 이상의 데이터세트를 생성할 수 있다. 예를 들어, 모델 구성요소(160)는 프로세스 데이터가 3개의 상이한 클래스(예를 들어, 3개의 상이한 데이터의 클래스, 3개의 분류 등)를 포함한다는 결정에 응답하여 3개의 데이터세트를 생성할 수 있다. 하나 이상의 데이터세트는 2진 분류 데이터세트(또는 3진 분류 데이터세트, 또는 4진 분류 데이터세트 등)일 수 있다. 예를 들어, 각각의 데이터세트 내에 포함된 프로세스 데이터는 특정 분류자와 연계되거나 연계되지 않은 것으로서 분류될 수 있다(예를 들어, 각각의 데이터세트 내에 포함된 프로세스 데이터에 대한 2진 분류자가 생성될 수 있음). 비한정적인 예에서, 프로세싱의 유닛(예를 들어, 웨이퍼)이 "양호", "불량" 또는 "OK"로서 분류되는 3개의 분류 데이터세트는 3개의 2진 분류 모델(예를 들어, "양호/비양호" 2진 분류 모델, "불량/비불량" 2진 분류 모델, 및 "OK/비OK" 2진 분류 모델)로서 공식화될 수 있다.

부가적으로, 모델 구성요소(160)는 하나 이상의 학습 알고리즘(예를 들어, 선형 회귀, 배깅, 부스팅, 다른 학습 기술 등)에 기초하여 하나 이상의 데이터세트와 연계된 학습을 수행할 수 있다. 모델 구성요소(160)는 학습에 기초하여 하나 이상의 데이터세트의 각각에 대해 학습된 기능의 세트(예를 들어, 학습된 모델의 세트, 학습된 2진 모델의 세트, 학습된 3진 모델의 세트 등)를 생성할 수 있다. 이와 같이, 하나 이상의 데이터세트의 각각은 하나 이상의 학습된 함수와 연계될 수 있다. 학습된 함수는 단일의 문제 데이터세트에 기초하여 입력의 함수로서 출력을 예측할 수 있다. 일 실시예에서, 생성하기 위한 학습된 함수의 수가 지시될 수 있다(예를 들어, 에이전트에 의해). 다른 실시예에서, 가중치가 학습된 함수와 연계된 데이터세트 내에 포함된 데이터 샘플의 수에 기초하여 학습된 함수에 인가될 수 있다. 모델 구성요소(160)는 적어도 하나의 프로세스 모델(예를 들어, 적어도 하나의 예측 함수)을 구성하기 위해 학습된 함수의 세트를 병합할 수 있다. 일 양태에서, 모델 구성요소(160)는 학습된 함수의 조합에 기초하여 예측을 구성하기 위해 모든 문제로부터 학습된 함수를 병합할 수 있다. 학습된 함수의 조합은 함수(예를 들어, 예측 함수)로서 표현될 수 있다. 부가적으로, 학습된 함수의 조합은 모델 구성요소(160)에 의해 수신된 프로세스 데이터[예를 들어, 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)에 의해 취득되고 그리고/또는 생성된 프로세스 데이터]에 대한 모델(예를 들어, 프로세스 모델)에 대응할 수 있다. 프로세스 데이터에 대한 모델(예를 들어, 예측 함수)은 후속의 분석 및/또는 예측 용도로 분석 구성요소(170)에 제공될 수 있다.

분석 구성요소(170)는 프로세싱의 유닛에 대한 분류 예측을 생성하도록 구성될 수 있다. 예를 들어, 분석 구성요소(170)는 계측 측정이 프로세싱의 유닛 상에서 수행되기 전에 프로세스 모델(예를 들어, 예측 함수)에 대한 하나 이상의 입력 변수(예를 들어, 입력 튜플)가 제공되면 프로세싱의 유닛의 상태(예를 들어, 웨이퍼의 상태)를 예측할 수 있다. 부가적으로, 분석 구성요소(170)는 모델 구성요소(160)에 의해 생성된 모델(예를 들어, 예측 함수)을 분석하고 그리고/또는 진단하도록 구성될 수 있다. 예를 들어, 분석 구성요소(170)는 프로세싱의 유닛에 할당되는 특정 클래스에 영향을 미치는 하나 이상의 입력 변수를 식별할 수 있다[예를 들어, 분석 구성요소(170)는 어느 입력 변수가 프로세스 데이터 내에 포함된 특정 클래스에 책임이 있는지를 식별할 수 있음]. 분석 구성요소(170)는 출력 데이터(예를 들어, 도 1에 "출력 데이터"라고 표기)를 생성할 수 있다. 분석 구성요소(170)에 의해 생성된 출력 데이터는 예측 데이터, 입력 변수 데이터(예를 들어, 입력 변수의 랭킹), 분석 데이터 및/또는 진단 데이터를 포함할 수 있지만, 이들에 한정되는 것은 아니다.

도 2는 본 발명의 다양한 양태 및 구현예에 따른 시스템(200)의 비한정적인 구현예를 도시하고 있다. 시스템(200)은 모델 구성요소(160)를 포함한다. 모델 구성요소(160)는 보고 구성요소(202), 데이터세트 구성요소(204), 학습 구성요소(206), 병합 구성요소(208) 및/또는 출력 구성요소(210)를 포함할 수 있다. 시스템(200)의 양태는 기계(들) 내에서 실시된, 예를 들어 하나 이상의 기계와 연계된 하나 이상의 컴퓨터 판독가능 매체(또는 매체들)로 포함되는 기계 실행가능 구성요소(들)를 구성할 수 있다. 이러한 구성요소는 하나 이상의 기계, 예를 들어 컴퓨터(들), 컴퓨팅 디바이스(들), 가상 기계(들) 등에 의해 실행될 때, 기계(들)가 설명된 동작을 수행하게 할 수 있다. 일 실시예에서, 시스템(200)은 컴퓨터 실행가능 구성요소 및 명령어를 저장하기 위한 메모리(214)를 포함할 수 있다. 시스템(200)은 시스템(200)에 의한 명령어(예를 들어, 컴퓨터 실행가능 구성요소 및 명령어)의 동작을 용이하게 하기 위한 프로세서(212)를 더 포함할 수 있다.

보고 구성요소(202)는 프로세스 데이터(예를 들어, 도 2에 "프로세스 데이터"라고 표기)를 수신할 수 있다. 프로세스 데이터는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 연계될 수 있다. 일 양태에서, 보고 구성요소(202)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 연계된 데이터에 기초하여 데이터 매트릭스를 생성할 수 있다. 예를 들어, 보고 구성요소(202)는 트레이닝 데이터를 통합 데이터 매트릭스로 통합할 수 있다. 비한정적인 예에서, 데이터 매트릭스는 프로세싱의 유닛과 연계된 열(column)(예를 들어, 웨이퍼-ID 필드), 프로세스(예를 들어, 제조 프로세스)를 위한 경과 시간(예를 들어, 경과된 초)을 보고하는 시간과 연계된 열, 도구 센서 측정치와 연계된 하나 이상의 열, 계측 측정치와 연계된 하나 이상의 열 및/또는 프로세싱의 유닛의 분류(예를 들어, 프로세싱의 유닛에 대한 분류자)와 연계된 열을 포함할 수 있다. 일 양태에서, 프로세스 데이터는 하나 이상의 단계(예를 들어, 하나 이상의 별개의 단계)와 연계될 수 있다. 이와 같이, 데이터 매트릭스는 부가적으로 단계 식별과 연계된 열(예를 들어, 단계-ID 열)을 포함할 수 있다. 그러나, 데이터 매트릭스는 다른 데이터와 연계된 다른 열을 포함할 수 있다는 것이 이해되어야 한다.

프로세싱의 유닛(예를 들어, 웨이퍼 등)의 분류와 연계된 열은 프로세싱의 유닛에 대한 클래스를 포함할 수 있다. 단일의 클래스가 프로세스에 관련된 각각의 시간 엔트리에 대한 프로세싱의 유닛과 연계될 수 있다. 클래스가 프로세싱의 유닛의 성능 및/또는 품질과 연계된 지시기(예를 들어, 계측 지시기)일 수 있다. 일 구현예에서, 클래스는 수치(예를 들어, -1, +1 등)로서 구성될 수 있다. 다른 구현예에서, 클래스는 텍스트열로서 구성될 수 있다. 일 예에서, 특정 클래스는 고(high), 통상(normal) 또는 저(low)(예를 들어, 고 테이퍼, 통상 테이퍼, 저 테이퍼 등)로서 지정될 수 있다. 다른 예에서, 특정 클래스는 초고 소비(Very-High-Consumption), 고소비(High-Consumption), 통상 소비(Normal-Consumption), 저소비(Low-Consumption) 또는 초저 소비(Very-Low-Consumption)로서 지정될 수 있다. 또 다른 예에서, 클래스는 녹색, 황색 또는 적색으로서 지정될 수 있다. 그러나, 상이한 텍스트열이 프로세싱의 유닛을 분류하도록 채용될 수 있다는 것이 이해되어야 한다.

일 양태에서, 보고 구성요소(202)는 프로세스 데이터를 변환할 수 있다(예를 들어, 복제된 데이터 및/또는 요약된 데이터를 포함하는 수정된 프로세스 데이터를 생성함). 보고 구성요소(202)는 다른 입력 변수와 연계된 측정 빈도에 대응하도록 입력 변수와 연계된 데이터를 복제할 수 있다. 예를 들어, 특정 입력 변수(v1)가 매 초마다 측정되고 다른 입력 변수(v2)가 매 10초마다 측정되면, 보고 구성요소(202)는 다른 입력 변수(v2)(예를 들어, 덜 빈번히 측정되는 변수)와 연계된 데이터를 복제할 수 있다. 대안적으로, 보고 구성요소(202)는 특정 입력 변수(v1)(예를 들어, 더 빈번히 측정된 변수)와 연계된 데이터를 요약(예를 들어, 통합)할 수 있다. 예를 들어, 보고 구성요소(202)는 특정 입력 변수(v1)가 더 적은 수의 측정값과 연계되도록(예를 들어, 매 초마다 대신에 매 10초마다 측정값과 연계됨) 특정 입력 변수(v1)(예를 들어, 평균값으로서, 표준 편차로서 등)를 통계적으로 요약할 수 있다. 특정 입력 변수(v1)는 선택된 요약(예를 들어, 에이전트에 의해 선택됨)에 기초하여 하나 이상의 열[예를 들어, 특정 입력 변수(v1)의 평균값과 연계된 열, 특정 입력 변수(v1)의 표준 편차값과 연계된 열 등]에 의해 요약될 수 있다. 비한정적인 예에서, 특정 입력 변수(v1)와 연계된 10개의 샘플이 정렬을 위해 다수의 열을 갖는 단일의 행(row)으로 대체될 수 있다.

데이터세트 구성요소(204)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 연계된 프로세스 데이터의 분류에 기초하여 복수의 데이터세트를 생성할 수 있다. 데이터세트 구성요소(204)에 의해 생성된 데이터세트의 수는 프로세스 데이터 내에 포함된 클래스의 수(예를 들어, 프로세스 데이터와 연계된 상이한 분류의 수)에 대응할 수 있다. 비한정적인 예에서, 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 연계된 데이터가 3개의 상이한 지정된 클래스를 포함하면, 데이터세트 구성요소(204)는 3개의 데이터세트를 생성할 수 있다. 복수의 데이터세트는 제조 도구(들)(110)와 연계된 프로세스 데이터에 기초하여 생성된 2진 분류 데이터세트일 수 있다. 예를 들어, 제조 도구(들)(110)와 연계된 프로세스 데이터 내에 포함된 분류 데이터는 2개의 분류 그룹(예를 들어, -1 및 +1, 예 및 아니오 등)으로 분류될(예를 들어, 변환될) 수 있다. 그러나, 복수의 데이터세트는 상이한 분류 데이터세트(예를 들어, 2진 분류 데이터세트, 4진 분류 데이터세트 등)일 수 있다는 것이 이해되어야 한다. 복수의 데이터세트의 각각은 프로세싱의 유닛에 대한 고유 분류와 연계될 수 있다.

일 양태에서, 복수의 데이터세트는 데이터 매트릭스일 수 있다. 예를 들어, 데이터세트 구성요소(204)는 하나 이상의 수정된 데이터 매트릭스를 생성하기 위해 보고 구성요소(202)에 의해 생성된 데이터 매트릭스를 수정할 수 있다. 데이터세트 구성요소(204)는 분류와 연계된 데이터 매트릭스의 열을 수정할 수 있다. 데이터 매트릭스가 3개의 상이한 지정된 클래스를 포함하는 비한정적인 예에서, 데이터세트 구성요소(204)는, 제1 지정된 클래스의 각각의 인스턴스가 제1 값(예를 들어, +1)으로 수정될 수 있고 다른 지정된 클래스의 각각의 인스턴스가 제2 값(예를 들어, -1)으로 수정될 수 있는, 제1 지정된 클래스에 대한 제1 수정된 데이터 매트릭스를 생성할 수 있고, 데이터세트 구성요소(204)는, 제2 지정된 클래스의 각각의 인스턴스가 제1 값(예를 들어, +1)으로 수정될 수 있고 다른 지정된 클래스의 각각의 인스턴스가 제2 값(예를 들어, -1)으로 수정될 수 있는, 제2 지정된 클래스에 대한 제2 수정된 데이터 매트릭스를 생성할 수 있고, 데이터세트 구성요소(204)는, 제3 지정된 클래스의 각각의 인스턴스가 제1 값(예를 들어, +1)으로 수정될 수 있고 다른 지정된 클래스의 각각의 인스턴스가 제2 값(예를 들어, -1)으로 수정될 수 있는, 제3 지정된 클래스에 대한 제3 수정된 데이터 매트릭스를 생성할 수 있다. 이와 같이, 데이터세트 구성요소(204)는 N-클래스 분류에 대한 N-학습 문제 데이터세트를 생성할 수 있는데, 여기서 N은 정수이다.

데이터세트 구성요소(204)에 의해 생성된 하나 이상의 데이터세트(예를 들어, N-진수 문제 데이터세트)가 제공되면, 학습 구성요소(206)는 하나 이상의 데이터세트에 기초하여 복수의 학습된 함수(예를 들어, 복수의 학습된 모델, 복수의 학습된 2진 모델, 복수의 학습된 3진 모델 등)를 생성할 수 있다. 학습된 함수(예를 들어, 학습된 모델)는 데이터세트에 대한 입력의 함수로서 출력을 표현할 수 있다. 복수의 학습된 함수는 하나 이상의 학습 알고리즘에 기초하여 생성될 수 있다. 하나 이상의 학습된 함수는 데이터세트 구성요소(204)에 의해 생성된 각각의 데이터세트에 대해 생성될 수 있다. 부가적으로, 학습 구성요소(206)는 가중된 복수의 학습된 함수(예를 들어, 가중된 복수의 학습된 모델, 가중된 복수의 학습된 2진 모델, 가중된 복수의 학습된 3진 모델 등)를 생성하기 위해 복수의 데이터세트와 연계된 데이터 샘플의 수에 기초하여 복수의 학습된 함수와 연계된 데이터에 가중치를 인가할 수 있다. 예를 들어, 학습 구성요소(206)는, 특정 학습 알고리즘이 데이터세트(예를 들어, 문제 트레이닝 데이터세트) 내의 포지티브/네거티브 샘플의 수를 고려하는 것을 보장하기 위해 가중치를 채용할 수 있다. 특정 데이터세트가 6개의 엔트리를 포함하는 예에서, 입력의 세트가 제공되면 함수가 -1을 출력할 때 1/6의 가중치가 제공될 수 있고, 입력의 세트가 제공되면 함수가 +1을 출력할 때 5/6의 가중치가 제공될 수 있다(예를 들어, 가중치는 특정 데이터세트 내의 샘플의 수에 기초하여 결정될 수 있음). 가중치를 채용하는 예시적인 식 S는 이하와 같을 수 있다.

따라서, 가중치는 S가 0.5 미만일 때 0이고, 가중치는 S가 0.5 이상일 때 2*(S-0.5)이다.

학습 구성요소(206)에 의해 채용된 하나 이상의 학습 알고리즘은 하나 이상의 유전적 알고리즘, 하나 이상의 서포트 벡터 머신, 하나 이상의 회귀 알고리즘(예를 들어, 선형 회귀 등), 하나 이상의 곡선 피팅 기술, 선형 근사, 다중 선형 근사, 다항식 곡선 피팅, 신경망, 앙상블 학습(예를 들어, 배깅, 부스팅 등) 및/또는 다른 유형의 학습 알고리즘을 포함할 수 있지만, 이들에 한정되는 것은 아니다. 그러나, 학습 구성요소(206)는 학습된 함수를 생성하기 위해 상이한 유형의 학습 알고리즘 및/또는 학습 기술을 구현할 수 있다는 것이 이해되어야 한다. 일 예에서, 학습 알고리즘은 이산 학습 알고리즘(예를 들어, 참/거짓)일 수 있다. 다른 예에서, 학습 알고리즘은 연속적인 학습 알고리즘 -1 대 1(예를 들어, 거짓 대 참)일 수 있다. 일 양태에서, 외부 에이전트가 각각의 데이터세트에 대해 학습된 함수의 수(m)를 지정할 수 있는데, 여기서 m은 1 이상의 정수값이다.

일 실시예에서, 학습 구성요소(206)는 학습된 함수의 수(m)를 증가시킬 수 있고, 특정 분류 데이터세트(예를 들어, 특정 2진 분류 데이터세트)에 대한 대표값으로서 별개의 m개의 예측(예를 들어, 예측 함수)의 평균 또는 중간값을 취할 수 있다. 예를 들어, n이 분류 데이터세트의 수이고, m이 학습된 반복된 함수(예를 들어, 예측 함수)의 수이고, 수학적 평균 연산자가 m개의 예측 함수로부터 대표값을 생성하기 위해 에이전트에 의해 선택된 연산자인 예에서, 복수의 분류 데이터세트는 이하와 같이 구현될 수 있다.

제1 문제 데이터세트에 대해

, 제2 문제 데이터세트에 대해

, 및 제n 문제 데이터세트에 대해

.

이와 같이, 문제 세트에 대한 m-학습된 함수에 대한 각각의 대표값은 함수일 수 있다. 예를 들어, 제1 문제 데이터세트에 대해

, 제2 문제 데이터세트에 대해

, 및 제3 문제 데이터세트에 대해

.

병합 구성요소(208)는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)와 연계된 프로세스 데이터에 대한 적어도 하나의 프로세스 모델(예를 들어, 적어도 하나의 함수 관계)을 생성할 수 있다. 적어도 하나의 프로세스 모델은 제조 도구(들)(110)와 연계된 하나 이상의 제조 프로세스에 대한 프로세스 모델일 수 있다. 프로세스 모델은 수학적 프로세스 모델(예를 들어, 수학적 함수)일 수 있다. 예를 들어, 프로세스 모델은 프로세스 데이터의 함수로서 출력에 대한 수학적 프로세스 모델을 학습하도록 구현될 수 있다. 프로세스 모델은 입력 변수의 세트(예를 들어, 입력들)에 특정 분류자를 관련할 수 있다.

병합 구성요소(208)는 프로세스 데이터에 대한 프로세스 모델을 생성하기 위해 복수의 학습된 함수 및/또는 가중된 복수의 학습된 함수의 적어도 일부를 병합할 수 있다[예를 들어, 병합 구성요소(208)는 하나 이상의 데이터세트와 연계된 학습된 함수 및/또는 가중된 학습된 함수를 병합할 수 있음]. 예를 들어, 병합 구성요소(208)에 의해 채용된 병합 프로세스는 이하와 같을 수 있다.

여기서, F_i(x)는

에 대한 표기이고, 항 E_class _=i는 입력이 i일 때 지정된 클래스가 튜플 x를 제공하는 예측 추정치이다. 각각의 E_class _=i는 각각의 F_i가 이산 불리언값 함수(Boolean valued function)이건(예를 들어, 참/거짓, 1/0 등) 또는 각각의 F_i가 -1로부터 +1로(예를 들어, 거짓으로부터 참)의 연속값 함수이건 간에, 연속값으로서 간주될 수 있다.

각각의 클래스(예를 들어, E_class ₌₁, E_class ₌ ₂, ..., E_class _=n)에 대한 예측 추정치가 제공되면, 병합 구성요소(208)는 병합 프로세스의 부분으로서 최적화 서브단계(sub-step)를 수행할 수 있다. 병합 구성요소(208)는 이하와 같이 불리언값 예측을 출력하기 위해 가용 트레이닝 데이터를 채용할 수 있다.

이와 같이, 예측 모델은 θ에 할당된 특정값을 갖는 각각의 클래스에 대한 불리언값 예측을 포함할 수 있다. 일 양태에서, 상기의 불리언값 예측식에서, 참 또는 거짓은 후속의 프로세싱을 위해, 1/0 또는 +1/-1 등과 같은 수치값으로 대체될 수 있다. 병합 구성요소(208)는 0 내지 1의 θ의 모든 값을 조사하도록 최적화 프로세스를 채용할 수 있다. 부가적으로, 병합 구성요소(208)는 0 내지 1의 θ의 조사된 값의 각각에 대해 예측 에러를 컴퓨팅할 수 있다. 병합 구성요소(208)는 가용 트레이닝 입력 튜플 x₁...x_t(여기서, t는 정수)가 제공되면 예측 에러가 최소화되도록 θ를 선택할 수 있다. 부가적으로, 병합 구성요소(208)는 트레이닝 세트 내에 포함되지 않은 특정 입력 튜플이 제공되면 프로세싱의 유닛(예를 들어, 웨이퍼)의 지정된 클래스에 대한 예측을 생성하기 위해 최소화된 예측 에러를 갖는 θ의 선택된 값을 채용할 수 있다. 일 양태에서, 병합 구성요소(208)는 각각의 새로운 입력의 튜플이 트레이닝 세트 다음에 수신된 후에 θ를 위한 최적화 프로세스를 재실행할 수 있다. 이와 같이, 연속적인 개량이 예측 에러를 최소화하기 위해 그리고/또는 예측 정확성을 최대화하기 위해 실현될 수 있다.

출력 구성요소(210)는 적어도 하나의 프로세스 모델[예를 들어, 도 2에 "프로세스 모델(들)"이라고 표기]을 출력할 수 있다. 적어도 하나의 프로세스 모델은 병합 구성요소(208)에 의해 생성될 수 있다. 일 양태에서, 출력 구성요소(210)는 병합 구성요소(208)에 의해 생성된 적어도 하나의 프로세스 모델을 후속의 프로세싱을 위한 포맷으로 재포맷할 수 있다. 일 구현예에서, 출력 구성요소(210)는 프로세싱의 유닛의 상태를 예측하기 위해 단일의 함수로서(예를 들어, 단일의 모델로서), 병합 구성요소(208)에 의해 생성된 적어도 하나의 프로세스 모델을 출력할 수 있다. 예를 들어, 출력 구성요소(210)는 이하와 같이: o = F(x,class), 2개의 파라미터를 입력으로서 취하고 참 또는 거짓의 값(1 또는 0, +1 또는 -1 등)을 출력하는 단일의 함수를 출력할 수 있다. 비한정적인 예에서, 함수([6,8.8], Green)이 특정 프로세스 모델에 기초하여 +1 또는 -1의 값을 반환할 수 있는데, 여기서 [6,8.8]은 제1 입력 변수(V1)가 6이고 제2 입력 변수(V2)가 8.8인 입력 튜플에 대한 표기이다. 다른 구현예에서, 출력 구성요소(210)는 프로세싱의 유닛의 상태를 예측하기 위한 함수의 라이브러리로서, 병합 구성요소(208)에 의해 생성된 적어도 하나의 프로세스 모델을 출력할 수 있다.

도 2는 시스템(200) 내의 개별 구성요소를 도시하고 있지만, 구성요소는 공통 구성요소로 구현될 수도 있다는 것이 이해되어야 한다. 일 예에서, 보고 구성요소(202), 데이터세트 구성요소(204), 학습 구성요소(206) 및/또는 병합 구성요소(208)는 단일 구성요소 내에 포함될 수 있다. 또한, 시스템(200)의 디자인은 프로세스 데이터에 기초하여 적어도 하나의 프로세스 모델을 생성하는 것을 용이하게 하기 위해, 다른 구성요소 선택, 구성요소 배치 등을 포함할 수 있다는 것이 이해될 수 있다.

도 3은 본 발명의 다양한 양태 및 구현예에 따른 시스템(300)의 비한정적인 구현예를 도시하고 있다. 시스템(300)은 분석 구성요소(170)를 포함한다. 분석 구성요소(170)는 예측 구성요소(302) 및/또는 진단 구성요소(304)를 포함할 수 있다. 시스템(300)의 양태는 기계(들) 내에서 실시된, 예를 들어 하나 이상의 기계와 연계된 하나 이상의 컴퓨터 판독가능 매체(또는 매체들) 내에 실시된 기계 실행가능 구성요소(들)를 구성할 수 있다. 이러한 구성요소는, 예를 들어 컴퓨터(들), 컴퓨팅 디바이스(들), 가상 기계(들) 등과 같은 하나 이상의 기계에 의해 실행될 때, 기계(들)가 설명된 동작을 수행하게 할 수 있다. 일 실시예에서, 시스템(300)은 컴퓨터 실행가능 구성요소 및 명령어를 저장하기 위한 메모리(308)를 포함할 수 있다. 시스템(300)은 시스템(300)에 의한 명령어(예를 들어, 컴퓨터 실행가능 구성요소 및 명령어)의 동작을 용이하게 하기 위한 프로세서(306)를 더 포함할 수 있다.

예측 구성요소(302)는 입력 변수(예를 들어, 입력 튜플, 입력 파라미터 등)에 기초하여 프로세싱의 유닛(예를 들어, 웨이퍼)과 연계된 클래스를 예측하기 위해 적어도 하나의 프로세스 모델을 채용한다. 예측 구성요소(302)는 계측이 프로세싱의 유닛 상에 수행되기 전에 그리고/또는 클래스가 프로세싱의 유닛에 할당되기 전에 프로세싱의 유닛과 연계된 클래스를 예측할 수 있다. 예를 들어, 예측 구성요소(302)는 적어도 하나의 프로세스 모델에 기초하여 제조 도구(들)(110)에 제공된 입력 웨이퍼(102)에 대한 클래스를 예측할 수 있다. 이와 같이, 계측 비용이 절감될 수 있다. 더욱이, 단위 시간당 생산량이 증가될 수 있다(예를 들어, 더 많은 프로세싱의 유닛이 특정 시간 간격 이내에 생산될 수 있음).

진단 구성요소(304)는 분석 및/또는 진단 용도로 적어도 하나의 프로세스 모델을 채용할 수 있다. 진단 구성요소(304)는 프로세싱의 유닛에 대한 특정 분류에 영향을 미치는 적어도 하나의 입력 변수를 결정하도록 구성될 수 있다[예를 들어, 진단 구성요소(304)는 프로세싱의 유닛에 대한 특정 분류를 야기하는 입력 파라미터를 식별하도록 구성될 수 있음]. 예를 들어, 진단 구성요소(304)는 제조 도구(들)(110)에 의해 생성된 프로세싱된 웨이퍼(104)의 각각에 할당되는 특정 클래스에 책임이 있는 하나 이상의 입력 변수를 식별할 수 있다. 비한정적인 예에서, 진단 구성요소(304)는, 특정 레시피에 대해 시간 t에 제조 도구(들)(110)에 의해 제조된 특정 프로세싱의 유닛은 특정 분류에 할당되고, 반면에 특정 레시피를 채용하는 제조 도구(들)(110)에 의해 제조된 다음의 프로세싱의 유닛은 다른 분류에 할당되는 이유를 결정할 수 있다. 일 양태에서, 진단 구성요소(304)는 적어도 하나의 프로세스 모델에 기초하여 특정 분류와 연계되는 입력 변수의 랭킹을 생성할 수 있다. 예를 들어, 입력 변수는 프로세싱의 유닛에 대한 특정 분류에 관한 영향의 정도에 따라 랭킹될 수 있다. 이와 같이, 도구 성능의 이해, 입력 변수의 영향의 이해 및/또는 계측 실행의 효율이 향상될 수 있다.

도 3은 시스템(300) 내의 개별 구성요소를 도시하고 있지만, 구성요소는 공통 구성요소 내에 구현될 수도 있다는 것이 이해되어야 한다. 일 예에서, 예측 구성요소(302) 및 진단 구성요소(304)는 단일의 구성요소 내에 포함될 수 있다. 또한, 시스템(300)의 디자인은 적어도 하나의 프로세스 모델에 기초하여 출력 데이터를 생성하는 것을 용이하게 하기 위해, 다른 구성요소 선택, 구성요소 배치 등을 포함할 수 있다는 것이 이해될 수 있다.

도 4는 사용자 입력에 기초하여 제조(예를 들어, 반도체 제조)에 관련된 프로세스를 모델링하고 그리고/또는 분석하기 위한 예시적인 시스템(400)을 도시하고 있는 블록도이다. 시스템(400)은 제조 도구(들)(110), 분광기(120), 도구 센서(130), 디바이스 측정 장비(140), 모니터링 장비(150), 모델 구성요소(160), 분석 구성요소(170) 및 사용자 구성요소(402)를 포함할 수 있다. 모델 구성요소(160)는 보고 구성요소(202), 데이터세트 구성요소(204), 학습 구성요소(206), 병합 구성요소(208) 및/또는 출력 구성요소(210)를 포함할 수 있다. 분석 구성요소(170)는 예측 구성요소(302) 및/또는 진단 구성요소(304)를 포함할 수 있다.

사용자 구성요소(402)는 시스템(400)의 사용자로부터 입력을 수신하도록 구성될 수 있다. 부가적으로 또는 대안적으로, 사용자 구성요소(402)는 시스템(400)의 사용자에게 출력을 제공하도록 구성될 수 있다. 예를 들어, 사용자 구성요소(402)는 사용자 명세(user specification)를 프롬프팅하는 입력 디스플레이 스크린을 사용자에게 렌더링하고, 임의의 적합한 입력 메커니즘(예를 들어, 키보드, 터치스크린 등)을 거쳐 사용자로부터 이러한 명세를 수락할 수 있다. 일 실시예에서, 사용자 구성요소(402)는 적어도 하나의 프로세스 모델, 예측 데이터(예를 들어, 프로세싱의 유닛의 예측된 분류), 적어도 하나의 프로세스 모델과 연계된 분석 데이터, 적어도 하나의 프로세스 모델과 연계된 진단 데이터, 및/또는 출력 디스플레이 스크린을 거쳐 사용자에게 프로세싱의 유닛과 연계된 특정 분류의 책임이 있는 하나 이상의 입력 변수(예를 들어, 입력 변수의 랭킹)를 제공할 수 있다. 일 양태에서, 사용자 구성요소(402)는 사용자(예를 들어, 외부 에이전트) 기능이 매 1/10초마다 파워, 매 초마다 압력, 매 실행마다 계측 등과 같은, 상이한 빈도의 측정을 포함할 수 있게 한다. 다른 양태에서, 사용자 구성요소(402)는 사용자(예를 들어, 외부 에이전트)가 데이터의 복제를 지정할 수 있게 하고(예를 들어, 덜 빈번한 판독치가 다음의 데이터의 판독까지 복제될 수 있음), 데이터의 감소를 지정할 수 있게 하고(예를 들어, 최저 빈도 측정을 위해 데이터의 행을 유지하고, 다른 덜 빈번한 샘플의 값의 통계적 요약을 사용함) 그리고/또는 데이터의 요약을 사용하게 할 수 있다(예를 들어, 평균 및/또는 표준 편차에 기초하여). 통계적 요약은 이들에 한정되는 것은 아니지만, 평균값, 최소값, 최대값, 값의 범위, 표준 편차값 등과 같은 연산을 포함할 수 있다. 또 다른 양태에서, 사용자 구성요소(402)는 사용자(예를 들어, 외부 에이전트)가 선택된 출력으로서 데이터 매트릭스의 열을 마킹하고 그리고/또는 조정가능한 프로세스 파라미터(예를 들어, 입력)로서 데이터 매트릭스의 다른 열을 마킹하게 할 수 있다.

또 다른 양태에서, 사용자 구성요소(402)는 사용자(예를 들어, 외부 에이전트)가 프로세스 모델과 연계된 각각의 조정가능한 프로세스 파라미터(예를 들어, 각각의 입력 파라미터)에 대해 허락된 허용가능한 값의 범위를 지정할 수 있게 한다. 예를 들어, 사용자 구성요소(402)는 사용자가 각각의 파라미터(예를 들어, 입력 파라미터, 조정가능한 입력 등)를 위한 범위(예를 들어, 최소값, 최대값, 평균값, 표준 편차값 등)를 지정하게 할 수 있다. 또 다른 양태에서, 사용자 구성요소(402)는 사용자(예를 들어, 외부 에이전트)가 메모리의 가용 크기(예를 들어, 프로세스 모델 및/또는 솔루션을 위한 슬롯의 수)를 지정하게 할 수 있다. 그러나, 사용자 구성요소(402)는 사용자가 제조에 관련된 프로세스를 모델링하고 그리고/또는 분석하는 것을 용이하게 하기 위해 다른 유형의 정보 및/또는 데이터를 지정하게(예를 들어, 입력함) 할 수 있도록 구현될 수 있다는 것이 이해되어야 한다.

도 5는 본 발명의 다양한 양태 및 구현예에 따른 예시적인 데이터 매트릭스(500)이다. 데이터 매트릭스(500)는 제조(예를 들어, 반도체 제조)에 관련된 프로세스를 모델링하고 그리고/또는 분석하는 것을 용이하게 할 수 있다. 제조 도구(들)(110)와 연계된 프로세스 데이터는 데이터 매트릭스(500) 내에 통합될 수 있다. 예를 들어, 데이터 매트릭스(500) 내에 포함된 프로세스 데이터가 프로세스 데이터는 분광기(120), 도구 센서(130), 디바이스 측정 장비(140) 및/또는 모니터링 장비(150)에 의해 생성되고 그리고/또는 취득될 수 있다. 일 양태에서, 데이터 매트릭스(500)는 보고 구성요소(202)에 의해 생성될 수 있다.

데이터 매트릭스(500)는 웨이퍼 식별 데이터, 시간 데이터, 센서 측정 데이터, 스펙트럼 데이터 및/또는 분류 데이터를 포함할 수 있다. 센서 측정 데이터는 챔버 압력, 가스 흐름, 파워 데이터, 프로세스의 초 단위의 경과 시간 등을 포함할 수 있지만, 이들에 한정되는 것은 아니다. 스펙트럼 데이터는 스펙트럼 강도[예를 들어, 모든 측정된 파장에 대한 틱간(tick by tick) 스펙트럼 측정치] 등을 포함할 수 있지만, 이에 한정되는 것은 아니다. 디바이스 측정 데이터는 웨이퍼 상의 하나 이상의 측정 타겟에서의 치수 데이터, 두께 등을 포함할 수 있지만, 이들에 한정되는 것은 아니다. 분류 데이터는 프로세싱의 유닛에 대한 분류에 관련된 수치 분류자 및/또는 텍스트열 분류자를 포함할 수 있다. 일 양태에서, 데이터 매트릭스(400) 내에 포함된 데이터의 적어도 일부는, 사용자 구성요소(402)를 통해 제공, 사용자 구성요소(402)를 통해 수정, 사용자 구성요소(402)를 통해 선택 등등이 이루어질 수 있다.

도 5에 도시되어 있는 비한정적인 예에서, 데이터 매트릭스(500)는 필드(502), 필드(504), 필드(506), 필드(508) 및 필드(510)를 포함할 수 있다. 예를 들어, 필드(502)(예를 들어, 웨이퍼-ID 필드)는 프로세싱의 유닛(예를 들어, 웨이퍼)을 캡처할 수 있다. 필드(504)(예를 들어, 시간 필드)는 프로세싱의 유닛(예를 들어, 웨이퍼)과 연계된 프로세스에 대한 경과 시간(예를 들어, 경과된 초)을 보고할 수 있다. 일 양태에서, 프로세스는 하나 이상의 단계로 분할될 수도 있다. 이와 같이, 데이터 매트릭스(500)는 부가적으로 단계-ID(도시 생략)를 포함할 수 있다. 필드(506)는 센서 측정 데이터를 포함할 수 있다. 예를 들어, 시간 필드 뒤에 있는 하나 이상의 필드는 도구 센서 측정 데이터를 포함할 수 있다. 도 5에서, 필드(506)는 압력을 나타낸다. 그러나, 다른 유형의 센서 측정 데이터(예를 들어, 이들에 한정되는 것은 아니지만, 가스 흐름, 파워 데이터 등과 같은)는 부가적으로 또는 대안적으로 데이터 매트릭스(500) 내에 포함될 수 있다는 것이 이해되어야 한다. 필드(508)는 스펙트럼 데이터를 포함할 수 있다. 예를 들어, 필드(508)는 스펙트럼 강도 측정치[예를 들어, 파장('W260')]을 포함할 수 있다. 그러나, 다른 스펙트럼 데이터가 부가적으로 또는 대안적으로 데이터 매트릭스(500) 내에(예를 들어, 다른 파장 등) 포함될 수 있다는 것이 이해되어야 한다. 양태에서, 임의의 수의 스펙트럼 데이터(예를 들어, 파장)가 데이터 매트릭스(500) 내에 포함될 수 있다. 필드(510)는 분류 데이터(예를 들어, 프로세싱의 유닛에 대한 클래스)를 포함할 수 있다. 데이터 매트릭스(500)는 부가적으로 또는 대안적으로 다른 유형의 데이터(예를 들어, 유지보수 데이터 등)를 포함할 수 있다는 것이 이해되어야 한다.

일 양태에서, 데이터 매트릭스(500) 내에 포함된 데이터를 얻기 위한 계측 측정이 프로세싱 이전에 수행될 수 있다. 다른 양태에서, 데이터 매트릭스(500) 내에 포함된 데이터를 얻기 위한 계측 측정이 프로세싱 이후에 수행될 수 있다. 단일의 계측 측정 또는 현장 계측(in-situ metrology)이 프로세싱의 유닛마다(예를 들어, 웨이퍼마다) 구현될 수 있다는 것이 이해되어야 한다. 더욱이, 이들에 한정되는 것은 아니지만, 처리량, 효율 등과 같은 다른 유형의 데이터가 데이터 매트릭스(500) 내에 포함될 수 있다는 것이 이해되어야 한다.

도 6은 본 발명의 다양한 양태 및 구현예에 따른 예시적인 변환(600)을 도시하고 있다. 일 양태에서, 변환(600)은 보고 구성요소(202)와 연계될 수 있다. 데이터 테이블(602)은 시간을 위한 열, 제1 입력 변수(V_1)를 위한 열, 및 제2 입력 변수(V_2)를 위한 열을 포함한다. 그러나, 데이터 테이블(602)은 다른 열을 포함할 수 있다는 것이 이해되어야 한다. 제1 입력 변수(V_1)는 매 초마다 측정될(예를 들어, 캡처될) 수 있다. 제2 입력 변수(V_2)는 매 5초마다 측정될(예를 들어, 캡처될) 수 있다. 데이터 테이블(602)은 복제를 채용함으로써 데이터 테이블(604)로 변환될 수 있다. 예를 들어, 시간 1에서의 제2 입력 변수(V_2)를 위한 값은 시간 2-5에서 제2 입력 변수(V_2)를 위한 값에 삽입될 수 있다. 이와 같이, 프로세스 데이터[예를 들어, 제2 입력 변수(V_2)]는 데이터 테이블(604)이 복제된 프로세스 데이터를 포함하도록[예를 들어, 제2 입력 변수(V_2)가 제1 입력 변수(V_1)와 동일한 수의 엔트리를 포함하도록] 복제될 수 있다. 데이터 테이블(602) 및/또는 데이터 테이블(604)은 데이터세트 및/또는 데이터 매트릭스의 적어도 일부로서 구현될 수 있다.

도 7은 본 발명의 다양한 양태 및 구현예에 따른 예시적인 변환(700)을 도시하고 있다. 일 양태에서, 변환(700)은 보고 구성요소(202)와 연계될 수 있다. 데이터 테이블(702)은 시간을 위한 열, 제1 입력 변수(V_1)를 위한 열, 및 제2 입력 변수(V_2)를 위한 열을 포함한다. 그러나, 데이터 테이블(702)은 다른 열을 포함할 수 있다는 것이 이해되어야 한다. 제1 입력 변수(V_1)는 매 초마다 측정될(예를 들어, 캡처될) 수 있다. 제2 입력 변수(V_2)는 매 5초마다 측정될(예를 들어, 캡처될) 수 있다. 데이터 테이블(702)은 요약을 채용함으로써 데이터 테이블(704)로 변환될 수 있다. 예를 들어, 데이터 테이블(702) 내의 시간 1-5에 대응하는 제1 입력 변수(V_1)를 위한 값은 데이터 테이블(704) 내의 평균값 및 표준 편차값에 의해 요약될 수 있다. 일 실시예에서, 평균 및 표준 편차는 사용자에 의해[예를 들어, 사용자 구성요소(402)를 거쳐] 선택된 요약 속성일 수 있다. 도 7에 도시되어 있는 예에서, 데이터 테이블(702) 내의 시간 1-5에 대응하는 제1 입력 변수(V_1) 엔트리(예를 들어, 5.3, 5.4, 5.2, 5.5 및 5.6)의 평균값은 5.4이다. 더욱이, 데이터 테이블(702) 내의 시간 1-5에 대응하는 제1 입력 변수(V_1) 엔트리(예를 들어, 5.3, 5.4, 5.2, 5.5 및 5.6)의 표준 편차는 0.16이다. 따라서, 데이터 테이블(704)은 3.0의 시간(평균) 값, 5.4의 V_1(평균) 값 및 0.16의 V_1(stdev) 값으로서 테이블(702) 내에 제1 입력 변수(V_1)에 대해 시간 1-5를 요약할 수 있다. 시간 6에 대응하는 제1 입력 변수(V_1)를 위한 데이터 및 제2 입력 변수(V_2)를 위한 데이터는 데이터 테이블(702) 내에서 그리고 데이터 테이블(704) 내에서 동일할 수 있다. 예를 들어, 시간 6에 대응하는 제1 입력 변수(V_1) 엔트리를 위한 평균값(예를 들어, 5.6)은 5.6이다. 시간 6에 대응하는 제1 입력 변수(V_1)를 위한 표준 편차값은 결정되지 않는다(예를 들어, 표준 편차는 단일 입력 변수 엔트리를 위해 결정되지 않음). 이와 같이, 제1 입력 변수(V_1)를 위한 엔트리의 수는 제2 입력 변수(V_2)를 위한 엔트리의 수에 대응하도록 감소될 수 있다. 데이터 테이블(702) 및/또는 데이터 테이블(704)은 데이터세트 및/또는 데이터 매트릭스의 적어도 일부로서 구현될 수 있다.

도 8은 본 발명의 다양한 양태 및 구현예에 따른 예시적인 입력 데이터세트(800)이다. 일 양태에서, 입력 데이터세트(800)는 데이터세트 구성요소(204)에 의해 수신된 데이터세트일 수 있다. 입력 데이터세트(800)는 클래스 입력 트레이닝 데이터세트일 수 있다. 일 양태에서, 입력 데이터세트(800)는 데이터세트 구성요소(204)에 의해 수신된 프로세스 데이터일 수 있다. 이와 같이, 입력 데이터세트(800)는 하나 이상의 데이터세트(예를 들어, 하나 이상의 2진 분류 데이터세트)를 생성하기 위해 데이터세트 구성요소(204)에 의해 채용된 예시적인 데이터세트(예를 들어, 프로세스 데이터)일 수 있다. 입력 데이터세트(800) 내에 포함된 데이터는 3개의 분류자(예를 들어, 프로세싱의 유닛에 대한 3개의 할당된 지정된 클래스)를 포함한다. 예를 들어, 입력 데이터세트(800) 내에 포함된 3개의 프로세싱의 유닛(예를 들어, 3개의 웨이퍼)에 지정된 클래스는 "녹색"일 수 있고, 입력 데이터세트(800) 내에 포함된 2개의 프로세싱의 유닛에 지정된 클래스는 "황색"일 수 있고, 입력 데이터세트(800) 내에 포함된 1개의 프로세싱의 유닛에 지정된 클래스는 "적색"일 수 있다. 일 양태에서, 분류와 연계된 입력 데이터세트(800) 내의 열은 입력 또는 출력 변수명 내에서 발견되지 않은 고유 심벌에 의해 마킹될 수 있다. 예를 들어, 분류와 연계된 입력 데이터세트(800) 내의 열은 별표 "*"에 의해 마킹될 수 있다. 입력 데이터세트(800) 내에 포함된 지정된 클래스의 수는 생성된[예를 들어, 데이터세트 구성요소(204)에 의해] 데이터세트의 수를 결정할 수 있다. 예를 들어, 3개의 데이터세트(예를 들어, 3개의 2진 분류 데이터세트)는 입력 데이터세트(800) 내에 포함된 클래스의 수[예를 들어, 입력 데이터세트(800)와 연계된 분류자의 수]에 기초하여 생성될 수 있다.

도 9는 입력 데이터세트(800)를 위한 제1 예시적인 2진 분류 데이터세트(900)이고, 도 10은 입력 데이터세트(800)를 위한 제2 예시적인 2진 분류 데이터세트(1000)이고, 도 11은 입력 데이터세트(800)를 위한 제3 예시적인 2진 분류 데이터세트(1100)이다. 2진 분류 데이터세트(900), 2진 분류 데이터세트(1000) 및/또는 2진 분류 데이터세트(1100)는 데이터세트 구성요소(204)에 의해 생성될 수 있다. 예를 들어, 데이터세트 구성요소(204)는 입력 데이터세트(800)에서 제1 클래스(예를 들어, "녹색")를, 입력 데이터세트(800)에서 제2 클래스(예를 들어, "황색")를, 그리고 입력 데이터세트(800)에서 제3 클래스(예를 들어, "적색")를 식별할 수 있다. 이와 같이, 2진 분류 데이터세트(900)는 제1 클래스(예를 들어, "녹색")와 연계될 수 있고, 2진 분류 데이터세트(1000)는 제2 클래스(예를 들어, "황색")와 연계될 수 있고, 2진 분류 데이터세트(1100)는 제3 클래스(예를 들어, "적색")와 연계될 수 있다.

2진 분류 데이터세트(900), 2진 분류 데이터세트(1000) 및 2진 분류 데이터세트(1100)는 2진 분류를 위해 각각 구성될 수 있다. 예를 들어, 2진 분류 데이터세트(900) 내에서, +1은 프로세싱의 유닛이 녹색으로서 분류되는 것을 지시할 수 있고, -1은 프로세싱의 유닛이 녹색으로서 분류되지 않는 것을 지시할 수 있다. 더욱이, 2진 분류 데이터세트(1000) 내에서, +1은 프로세싱의 유닛이 황색으로서 분류되는 것을 지시할 수 있고, -1은 프로세싱의 유닛이 황색으로서 분류되지 않는 것을 지시할 수 있다. 더욱이, 2진 분류 데이터세트(1100) 내에서, +1은 프로세싱의 유닛이 적색으로서 분류되는 것을 지시할 수 있고, -1은 프로세싱의 유닛이 적색으로서 분류되지 않는 것을 지시할 수 있다. 이와 같이, N-2진 2진 분류 데이터세트는 N-클래스 분류 데이터세트에 기초하여 생성될 수 있다. 2진 분류 데이터세트(900), 2진 분류 데이터세트(1000) 및 2진 분류 데이터세트(1100)는 또한 입력 데이터세트(800)와 연계된 프로세스 데이터에 대한 적어도 하나의 프로세스 모델의 생성을 용이하게 하기 위해 학습 구성요소(206) 및/또는 병합 구성요소(208)에 의해 프로세싱될 수 있다.

도 12 내지 도 14는 본 출원의 하나 이상의 실시예에 따른 다양한 방법론을 도시하고 있다. 설명의 간단화를 위해, 본 명세서에 개시된 하나 이상의 방법론은 일련의 동작으로서 도시되어 설명되었지만, 몇몇 동작은 그에 따라, 본 명세서에 도시되어 설명된 것과는 상이한 순서로 그리고/또는 다른 동작과 동시에 생성할 수도 있기 때문에, 본 발명은 동작의 순서에 의해 한정되는 것은 아니라는 것이 이해되고 인식되어야 한다. 예를 들어, 당 기술 분야의 숙련자들은 방법론이 대안적으로 상태도에서와 같이, 일련의 상관된 상태 또는 이벤트로서 표현될 수 있다는 것을 이해하고 인식할 수 있을 것이다. 더욱이, 본 발명의 혁신에 따른 방법론을 구현하는 데에 모든 예시된 동작이 필요하지 않을 수도 있다. 더욱이, 상호작용 다이어그램(들)은 이종 엔티티가 방법론의 이종 부분을 실행할 때 본 발명에 따른 방법론, 또는 방법을 표현할 수도 있다. 또한, 개시된 예시적인 방법의 2개 이상은 본 명세서에 설명된 하나 이상의 특징 또는 장점을 성취하기 위해, 서로 조합하여 구현될 수 있다.

도 12는 본 발명의 다양한 양태 및 구현예에 따른 프로세스 모델을 생성하기 위한 예시적인 방법론(1200)을 도시하고 있다. 처음에, 1202에서, 하나 이상의 클래스를 포함하는 하나 이상의 제조 도구와 연계된 프로세스 데이터가 수신된다[예를 들어, 모델 구성요소(160)에 의해]. 예를 들어, 프로세스 데이터는 센서 측정 데이터, 스펙트럼 데이터, 디바이스 측정 데이터 및/또는 분류 데이터를 포함할 수 있다. 1204에서, 하나 이상의 문제 데이터 세트가 프로세스 데이터에 기초하여 생성된다[예를 들어, 모델 구성요소(160)에 의해]. 예를 들어, 하나 이상의 2진 분류 데이터세트가 프로세스 데이터에 기초하여 생성될 수 있고, 하나 이상의 3진 분류 데이터세트가 프로세스 데이터에 기초하여 생성될 수 있는 등이다. 1206에서, 하나 이상의 학습 알고리즘을 채용함으로써 하나 이상의 문제 데이터세트에 기초하여 학습이 수행된다[예를 들어, 모델 구성요소(160)에 의해]. 예를 들어, 하나 이상의 학습된 함수가 하나 이상의 학습 알고리즘에 기초하여 문제 데이터세트의 각각에 대해 생성될 수 있다. 1208에서, 하나 이상의 문제 데이터세트와 연계된 학습된 함수는 하나 이상의 클래스에 대한 예측 추정치를 생성하도록 병합된다[예를 들어, 모델 구성요소(160)에 의해]. 예를 들어, 각각의 문제 데이터베이스에 대한 하나 이상의 학습된 함수(예를 들어, 하나 이상의 학습된 모델)가 병합될 수 있다. 1210에서, 적어도 하나의 프로세스 모델이 하나 이상의 클래스에 대한 예측 추정치에 기초하여 생성된다[예를 들어, 모델 구성요소(160)에 의해]. 예를 들어, 적어도 하나의 예측 프로세스 모델이, 하나 이상의 클래스에 대한 예측 추정치에 기초하여 하나 이상의 제조 도구와 연계된 프로세스 데이터에 대해 생성될 수 있다.

도 13은 본 발명의 다양한 양태 및 구현예에 따른 프로세스 모델을 생성하기 위한 예시적인 방법론(1300)을 도시하고 있다. 처음에, 1302에서, 복수의 2진 분류 데이터세트는 하나 이상의 제조 도구와 연계된 프로세스 데이터에 기초하여 생성된다[예를 들어, 데이터세트 구성요소(204)에 의해]. 그러나, 복수의 상이한 분류 데이터세트(예를 들어, 복수의 3진 분류 데이터세트, 복수의 4진 분류 데이터세트 등)가 하나 이상의 제조 도구와 연계된 프로세스 데이터에 기초하여 생성될 수 있다는 것이 이해되어야 한다. 1304에서, 복수의 학습된 모델은 복수의 2진 분류 데이터세트에 기초하여 생성된다[예를 들어, 학습 구성요소(206)에 의해]. 예를 들어, 복수의 학습된 2진 모델이, 복수의 2진 분류 데이터세트에 기초하여 생성될 수 있다(또는 복수의 학습된 3진 모델이, 복수의 3진 분류 데이터세트에 기초하여 생성될 수 있는 등임). 1306에서, 가중된 복수의 학습된 모델이, 복수의 2진 분류 데이터세트와 연계된 데이터 샘플의 수에 기초하여 복수의 학습된 모델과 연계된 데이터에 가중치를 인가함으로써 생성된다[예를 들어, 학습 구성요소(206)에 의해]. 예를 들어, 가중된 복수의 학습된 2진 모델(또는 가중된 복수의 학습된 3진 모델 등)이 생성될 수 있다. 1308에서, 가중된 복수의 학습된 모델은 프로세스 데이터에 대한 프로세스 모델을 생성하도록 병합된다[예를 들어, 병합 구성요소(208)에 의해].

도 14는 본 발명의 다양한 양태 및 구현예에 따른 프로세스 모델을 생성하기 위한 예시적인 방법론(1400)을 도시하고 있다. 처음에, 1402에서, 하나 이상의 제조 도구에 대한 프로세스 데이터와 연계된 프로세스 데이터가 수신된다[예를 들어, 보고 구성요소(202)에 의해]. 1404에서, 복수의 2진 분류 데이터세트가 프로세스 데이터 내에 포함된 클래스의 수에 기초하여 생성된다[예를 들어, 데이터세트 구성요소(204)에 의해]. 예를 들어, 복수의 2진 분류 데이터세트가 프로세스 데이터와 연계된 분류자의 수에 기초하여 생성될 수 있다. 그러나, 복수의 상이한 분류 데이터세트(예를 들어, 복수의 3진 분류 데이터세트, 복수의 4진 분류 데이터 세트 등)가 프로세스 데이터 내에 포함된 클래스의 수에 기초하여 생성될 수 있다는 것이 이해되어야 한다. 1406에서, 하나 이상의 학습된 함수는 복수의 2진 분류 데이터세트의 각각에 기초하여 생성된다[예를 들어, 학습 구성요소(206)에 의해]. 예를 들어, 하나 이상의 학습된 2진 모델이 복수의 2진 분류 데이터세트의 각각에 대해 생성될 수 있다(또는 하나 이상의 학습된 3진 모델이 복수의 3진 분류 데이터세트의 각각에 대해 생성될 수 있는 등임). 1408에서, 복수의 2진 분류 데이터세트의 각각에 대한 하나 이상의 학습된 함수는 프로세스 데이터와 연계된 프로세스 모델을 생성하도록 조합된다[예를 들어, 병합 구성요소(208)에 의해].

개시하는 발명의 대상의 다양한 양태에 대한 상황을 제공하기 위해, 도 15 및 도 16뿐만 아니라 이하의 설명은 개시된 발명의 대상의 다양한 양태가 구현될 수도 있는 적합한 환경의 간략한 일반적인 설명을 제공하도록 의도된다.

도 15를 참조하면, 본 발명의 다양한 양태를 구현하기에 적합한 환경(1500)은 컴퓨터(1512)를 포함한다. 컴퓨터(1512)는 프로세싱 유닛(1514), 시스템 메모리(1516), 및 시스템 버스(1518)를 포함한다. 시스템 버스(1518)는 이에 한정되는 것은 아니지만, 시스템 메모리(1516)를 포함하는 시스템 구성요소를 프로세싱 유닛(1514)에 결합한다. 프로세싱 유닛(1514)은 임의의 다양한 가용 프로세서일 수 있다. 듀얼 마이크로프로세서 및 다른 멀티프로세서 아키텍처가 또한 프로세싱 유닛(1514)으로서 채용될 수 있다.

시스템 버스(1518)는 이들에 한정되는 것은 아니지만, 산업 표준 아키텍처(Industrial Standard Architecture: ISA), 마이크로 채널 아키텍처(Micro-Channel Architecture: MSA), 확장형 ISA(Extended ISA: EISA), 지능형 드라이브 전자 기기(Intelligent Drive Electronics: IDE), VESA 로컬 버스(VESA Local Bus: VLB), 주변장치 구성요소 상호접속(Peripheral Component Interconnect: PCI), 카드 버스(Card Bus), 범용 직렬 버스(Universal Serial Bus: USB), 어드밴스드 그래픽 포트(Advanced Graphics Port: AGP), 퍼스널 컴퓨터 메모리 카드 국제 연합 버스(Personal Computer Memory Card International Association bus: PCMCIA), 파이어와이어(Firewire)(IEEE 1394), 및 소형 컴퓨터 시스템 인터페이스(Small Computer Systems Interface: SCSI)를 포함하는 임의의 다양한 가용 버스 아키텍처를 사용하는, 메모리 버스 또는 메모리 제어기, 주변장치 버스 또는 외부 버스, 및/또는 로컬 버스를 포함하는 임의의 다수의 유형의 버스 구조체(들)일 수 있다.

시스템 메모리(1516)는 휘발성 메모리(1520) 및 비휘발성 메모리(1522)를 포함한다. 예로서 시동 중에, 컴퓨터(1512) 내의 요소들 사이에 정보를 전달하기 위한 기본 루틴을 포함하는 기본 입출력 시스템(basic input/output system: BIOS)이 비휘발성 메모리(1522) 내에 저장된다. 예시로서, 비한정적으로, 비휘발성 메모리(1522)는 판독 전용 메모리(read only memory: ROM), 프로그램가능 ROM(programmable ROM: PROM), 전기적 프로그램가능 ROM(electrically programmable ROM: EPROM), 전기적 소거가능 프로그램가능 ROM(electrically erasable ROM: EEPROM), 플래시 메모리, 또는 비휘발성 랜덤 액세스 메모리(random access memory: RAM)[예를 들어, 강유전성 RAM(ferroelectric RAM: FeRAM)]를 포함할 수 있다. 휘발성 메모리(1520)는 외장 캐시 메모리로서 작용하는 랜덤 액세스 메모리(RAM)를 포함한다. 한정이 아니라 예시로서, RAM은 정적 RAM(static RAM: SRAM), 동적 RAM(dynamic RAM: DRAM), 동기식 DRAM(synchronous DRAM: SDRAM), 더블 데이터 레이트 SDRAM(double data rate SDRAM: DDR SDRAM), 향상된 SDRAM(enhanced SDRAM: ESDRAM), 싱크링크 DRAM(Synchlink DRAM: SLDRAM), 다이렉트 램버스 RAM(direct Rambus RAM: DRRAM), 다이렉트 램버스 동적 RAM(direct Rambus dynamic RAM: DRDRAM), 및 램버스 동적 RAM(Rambus dynamic RAM: RDRAM)과 같은 다수의 형태로 이용 가능하다.

컴퓨터(1512)는 분리식/비분리식, 휘발성/비휘발성 컴퓨터 저장 매체를 또한 포함한다. 도 15는 예를 들어, 디스크 저장장치(1524)를 도시하고 있다. 디스크 저장장치(1524)는 자기 디스크 드라이브, 플로피 디스크 드라이브, 테이프 드라이브, Jaz 드라이브, Zip 드라이브, LS-100 드라이브, 플래시 메모리 카드, 또는 메모리 스틱을 포함하지만, 이들에 한정되는 것은 아니다. 디스크 저장장치(1524)는 또한 이들에 한정되는 것은 아니지만, 콤팩트 디스크 ROM 디바이스(compact disk ROM device: CD-ROM), CD 기록가능 드라이브(CD recordable drive: CD-R Drive), CD 재기록가능 드라이브(CD rewritable drive: CD-RW Drive) 또는 디지털 다기능 디스크 ROM 드라이브(digital versatile disk ROM drive: DVD-ROM)를 포함하는 다른 저장장치 매체와 조합하여 또는 개별적으로 저장 매체를 포함할 수 있다. 시스템 버스(1518)로의 디스크 저장 디바이스(1524)의 접속을 용이하게 하기 위해, 인터페이스(1526)와 같은 분리식 또는 비분리식 인터페이스가 통상적으로 사용된다.

도 15는 또한 적합한 운영 환경(1500)에서 설명된 사용자와 기본 컴퓨터 리소스 사이의 중간부로서 작용하는 소프트웨어를 도시하고 있다. 이러한 소프트웨어는 예를 들어 운영 체제(1528)를 포함한다. 디스크 저장장치(1524) 상에 저장될 수 있는 운영 체제(1528)는 컴퓨터 시스템(1512)의 리소스를 제어하고 할당하도록 기능한다. 시스템 애플리케이션(1530)은 예를 들어, 시스템 메모리(1516) 내에 또는 디스크 저장장치(1524) 상에 저장된 프로그램 모듈(1532) 및 프로그램 데이터(1534)를 통해 운영 체제(1528)에 의한 리소스의 관리를 이용한다. 본 개시내용은 다양한 운영 체제 또는 운영 체제의 조합으로 구현될 수 있다는 것이 이해되어야 한다.

사용자는 입력 디바이스(들)(1536)를 통해 컴퓨터(1512)에 커맨드 또는 정보를 입력한다. 입력 디바이스(1536)는 마우스, 트랙볼, 스타일러스, 터치패드와 같은 포인팅 디바이스, 키보드, 마이크, 조이스틱, 게임 패드, 위성 접시, 스캐너, TV 튜너 카드, 디지털 카메라, 디지털 비디오 카메라, 웹 카메라 등을 포함하지만, 이들에 한정되는 것은 아니다. 이들 및 다른 입력 디바이스는 인터페이스 포트(들)(1538)를 거쳐 시스템 버스(1518)를 통해 프로세싱 유닛(1514)에 접속한다. 인터페이스 포트(들)(1538)는 예를 들어, 직렬 포트, 병렬 포트, 게임 포트, 및 범용 직렬 버스(universal serial bus: USB)를 포함한다. 출력 디바이스(들)(1540)는 입력 디바이스(들)(1536)와 동일한 유형의 포트의 일부를 사용한다. 따라서, 예를 들어, USB 포트는 컴퓨터(1512)에 입력을 제공하는데, 그리고 컴퓨터(1512)로부터의 정보를 출력 디바이스(1540)에 출력하는데 사용될 수도 있다. 출력 어댑터(1542)는 특수 어댑터를 필요로 하는 다른 출력 디바이스(1540) 중에서, 모니터, 스피커, 및 프린터와 같은 몇몇 출력 디바이스(1540)가 존재하는 것을 예시하기 위해 제공된다. 출력 어댑터(1542)는 한정이 아니라 예시로서, 출력 디바이스(1540)와 시스템 버스(1518) 사이의 접속 수단을 제공하는 비디오 및 사운드 카드를 포함한다. 다른 디바이스 및/또는 디바이스의 시스템이 원격 컴퓨터(들)(1544)와 같은 입력 및 출력 기능 둘다를 제공한다는 것이 주목되어야 한다.

컴퓨터(1512)는 원격 컴퓨터(들)(1544)와 같은 하나 이상의 원격 컴퓨터로의 논리적 접속을 사용하여 네트워킹된 환경에서 동작할 수 있다. 원격 컴퓨터(1544)는 퍼스널 컴퓨터, 서버, 라우터, 네트워크 PC, 워크스테이션, 마이크로프로세서 기반 기기, 피어 디바이스 또는 다른 공통 네트워크 노드 등일 수 있고, 통상적으로 컴퓨터(1512)에 대해 설명된 다수의 또는 모든 요소를 포함한다. 간략화를 위해, 단지 메모리 저장 디바이스(1546)만이 원격 컴퓨터(들)(1544)와 함께 도시되어 있다. 원격 컴퓨터(들)(1544)는 네트워크 인터페이스(1548)를 통해 컴퓨터(1512)에 논리적으로 접속되고, 이어서 통신 접속부(1550)를 거쳐 물리적으로 접속된다. 네트워크 인터페이스(1548)는 근거리 통신망(local-area networks: LAN), 광역 통신망(wide-area networks: WAN), 셀룰러 네트워크 등과 같은 유선 및/또는 무선 통신망을 포함한다. LAN 기술은 LAN 파이버 분산형 데이터 인터페이스(Fiber Distributed Data Interface: FDDI), 구리 분산형 데이터 인터페이스(Copper Distributed Data Interface: CDDI), 이더넷, 토큰링 등을 포함한다. WAN 기술은 점대점 링크, WAN 통합 서비스 디지털 네트워크(Integrated Services Digital Networks: ISDN) 및 그 변형과 같은 회로 교환 네트워크, 패킷 교환 네트워크, 및 디지털 가입자 라인(Digital Subscriber Lines: DSL)을 포함하지만, 이들에 한정되는 것은 아니다.

통신 접속부(들)(1550)는 네트워크 인터페이스(1548)를 버스(1518)에 접속하도록 채용된 하드웨어/소프트웨어를 칭한다. 통신 접속부(1550)는 컴퓨터(1512) 내부에 예시적인 명료화를 위해 도시되어 있지만, 이는 또한 컴퓨터(1512) 외부에 있을 수 있다. 네트워크 인터페이스(1548)에 접속을 위한 하드웨어/소프트웨어는 단지 예시의 목적으로, 통상의 전화 등급 모뎀, 케이블 모뎀 및 DSL 모뎀, ISDN 어댑터, 및 이더넷 카드를 포함하는 모뎀과 같은 내장 및 외장 기술을 포함한다.

도 16은 본 발명의 청구 대상이 상호작용할 수 있는 샘플 컴퓨팅 환경(1600)의 개략 블록도이다. 시스템(1600)은 하나 이상의 클라이언트(들)(1610)를 포함한다. 클라이언트(들)(1610)는 하드웨어 및/또는 소프트웨어(예를 들어, 스레드, 프로세스, 컴퓨팅 디바이스)일 수 있다. 시스템(1600)은 하나 이상의 서버(들)(1630)를 또한 포함한다. 따라서, 시스템(1600)은 다른 모델들 중에서도, 2-티어(tier) 클라이언트 서버 모델 또는 멀티-티어 모델(예를 들어, 클라이언트, 미들 티어 서버, 데이터 서버)에 대응할 수 있다. 서버(들)(1630)는 또한 하드웨어 및/또는 소프트웨어(예를 들어, 스레드, 프로세스, 컴퓨팅 디바이스)일 수 있다. 서버(1630)는 예를 들어, 본 개시내용을 채용함으로써 변환을 수행하기 위해 스레드를 수용할 수 있다. 클라이언트(1610)와 서버(1630) 사이의 한가지 가능한 통신은 2개 이상의 컴퓨터 프로세서 사이에 전송된 데이터 패킷의 형태일 수도 있다.

시스템(1600)은 클라이언트(들)(1610)와 서버(들)(1630) 사이의 통신을 용이하게 하도록 채용될 수 있는 통신 프레임워크(1650)를 포함한다. 클라이언트(들)(1610)는 클라이언트(들)(1610)에 로컬인 정보를 저장하도록 채용될 수 있는 하나 이상의 클라이언트 데이터 저장소(들)(1620)에 작동적으로 접속된다. 유사하게, 서버(들)(1630)는 서버(1630)에 로컬인 정보를 저장하도록 채용될 수 있는 하나 이상의 서버 데이터 저장소(들)(1640)에 작동적으로 접속된다.

본 개시내용의 양태 또는 특징은 예를 들어, 와이파이(Wi-Fi); 블루투스(Bluetooth); 마이크로파 액세스를 위한 전세계 상호운용성(Worldwide Interoperability for Microwave Access: WiMAX); 향상된 범용 패킷 무선 서비스(Enhanced General Packet Radio Service: 향상된 GPRS); 제3 세대 파트너쉽 프로젝트(Third Generation Partnership Project: 3GPP) 장기 진화(Long Term Evolution: LTE); 제3 세대 파트너쉽 프로젝트 2(Third Generation Partnership Project 2: 3GPP2) 울트라 모바일 광대역(Ultra Mobile Broadband: UMB); 3GPP 범용 이동 통신 시스템(Universal Mobile Telecommunication System: UMTS); 고속 패킷 액세스(High Speed Packet Access: HSPA); 고속 하향링크 패킷 액세스(High Speed Downlink Packet Access: HSDPA); 고속 상향링크 패킷 액세스(High Speed Uplink Packet Access: HSUPA); GSM(Global System for Mobile Communications) EDGE(Enhanced Data Rates for GSM Evolution) 무선 액세스 네트워크(GERAN); UMTS 지상 무선 액세스 네트워크(UMTS Terrestrial Radio Access Network: UTRAN); LTE 어드밴스드(LTE-A) 등과 같은 실질적으로 임의의 무선 원격통신 또는 무선 기술에 이용될 수 있다는 것이 주목되어야 한다. 부가적으로, 본 명세서에 설명된 양태의 일부 또는 모두는 예를 들어, GSM과 같은 레거시 원격통신 기술에서 이용될 수 있다. 게다가, 모바일 뿐만 아니라 비-모바일 네트워크[예를 들어, 인터넷, 인터넷 프로토콜 텔레비전(internet protocol television: IPTV) 등과 같은 데이터 서비스 네트워크]가 본 명세서에 설명된 양태 또는 특징을 이용할 수 있다.

발명의 대상에 대해 컴퓨터 및/또는 컴퓨터들 상에서 실행되는 컴퓨터 프로그램의 컴퓨터 실행가능 명령어의 일반적인 상황에서 설명하였지만, 당 기술 분야의 숙련자들은 본 발명이 또한 다른 프로그램 모듈과 조합하여 구현될 수 있거나 구현될 수도 있다는 것을 인식할 수 있을 것이다. 일반적으로, 프로그램 모듈은 특정 작업을 수행하고 그리고/또는 특정 추상적 데이터 유형을 구현하는 루틴, 프로그램, 구성요소, 데이터 구조 등을 포함한다. 더욱이, 당 기술 분야의 숙련자들은 본 발명의 방법이 싱글-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니 컴퓨팅 디바이스, 메인프레임 컴퓨터, 뿐만 아니라 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 디바이스(예를 들어, PDA, 전화기), 마이크로프로세서 기반 또는 프로그램가능 가전 또는 산업 전자 기기 등을 포함하여, 다른 컴퓨터 시스템 구성을 갖고 실시될 수도 있다는 것을 이해할 수 있을 것이다. 예시된 양태는 작업이 통신 네트워크를 통해 링크되는 원격 프로세싱 디바이스에 의해 수행되는 분산형 컴퓨팅 환경에서 또한 실시될 수도 있다. 그러나, 본 발명의 모든 양태가 아니면 일부는 자립형 컴퓨터 상에서 실시될 수 있다. 분산형 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 디바이스 둘다에 배치될 수도 있다.

본 출원에 사용될 때, 용어 "구성요소", "시스템", "플랫폼", "인터페이스" 등은 컴퓨터 관련 엔티티 또는 하나 이상의 특정 기능성을 갖는 연산 기계에 관련된 엔티티를 칭할 수 있고 그리고/또는 이들 엔티티를 포함할 수 있다. 본 명세서에 개시된 엔티티는 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행시의 소프트웨어일 수 있다. 예를 들어, 구성요소는 프로세서 상에서 실행하는 프로세스, 프로세서, 객체, 실행파일, 실행의 스레드, 프로그램, 및/또는 컴퓨터일 수도 있지만, 이들에 한정되는 것은 아니다. 예시로서, 서버 상에서 실행하는 애플리케이션과 서버 둘다가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 상주할 수도 있고, 구성요소는 하나의 컴퓨터 상에 로컬화될 수도 있고 그리고/또는 2개 이상의 컴퓨터 사이에 분산될 수도 있다.

다른 예에서, 각각의 구성요소는 다양한 데이터 구조가 저장되어 있는 다양한 컴퓨터 판독가능 매체로부터 실행할 수 있다. 구성요소는 예로서 하나 이상의 데이터 패킷(예를 들어, 로컬 시스템, 분산형 시스템 내에서, 및/또는 신호를 거쳐 다른 시스템과 인터넷과 같은 네트워크를 가로질러 다른 구성요소와 상호작용하는 하나의 구성요소로부터의 데이터)을 갖는 신호에 따라 로컬 및/또는 원격 프로세스를 거쳐 통신할 수도 있다. 다른 예로서, 구성요소는 프로세서에 의해 실행되는 소프트웨어 또는 펌웨어 애플리케이션에 의해 동작되는 전기 또는 전자 회로에 의해 동작되는 기계 부품에 의해 제공된 특정 기능성을 갖는 장치일 수 있다. 이러한 경우에, 프로세서는 장치의 내부 또는 외부에 있을 수 있고, 소프트웨어 또는 펌웨어 애플리케이션의 적어도 일부를 실행할 수 있다. 또 다른 예로서, 구성요소는 기계 부품 없이 전자 구성요소를 통해 특정 기능성을 제공하는 장치일 수 있는데, 여기서 전자 구성요소는 전자 구성요소의 기능성을 적어도 부분적으로 제공하는 소프트웨어 또는 펌웨어를 실행하기 위한 프로세서 또는 다른 수단을 포함할 수 있다. 일 양태에서, 구성요소는 가상 기계를 거쳐, 예를 들어 클라우드 컴퓨팅 시스템 내에 전자 구성요소를 에뮬레이팅할 수 있다.

게다가, 용어 "또는"은 배타적 "또는"보다는 포함적 "또는"을 의미하도록 의도된다. 즉, 달리 지시되지 않으면, 또는 문맥으로부터 명백하지 않으면, "X는 A 또는 B를 채용한다"는 일반적인 포함적 치환의 임의의 하나를 의미하도록 의도된다. 즉, X가 A를 채용하고; X는 B를 채용하고; 또는 X는 A 및 B 둘다를 채용하면, "X는 A 또는 B를 채용한다"가 상기 사례 중 어느 하나로 만족된다. 더욱이, 본 명세서 및 첨부 도면에서 사용되는 바와 같은 단수 표현은 일반적으로 달리 지시되지 않거나 또는 문맥으로부터 단수 형태에 관한 것이 명백하지 않으면, "하나 이상"을 의미하도록 해석되어야 한다.

본 명세서에 사용될 때, 용어 "예" 및/또는 "예시"가 예, 사례 또는 예시로서 기능하는 것을 의미하도록 이용된다. 다시 말해, 본 명세서에 개시된 요지는 이러한 예에 의해 한정되지 않는다. 게다가, "예" 및/또는 "예시"로서 본 명세서에 설명된 임의의 양태 또는 디자인은 반드시 다른 양태 또는 디자인에 비해 바람직한 또는 유리한 것으로서 해석될 필요는 없고, 또한 당 기술 분야의 숙련자들에게 공지된 등가의 예시적인 구조체 및 기술을 배제하도록 의도된 것도 아니다.

본 명세서에 설명된 다양한 양태 또는 특징은 표준 프로그래밍 또는 엔지니어링 기술을 사용하여 방법, 장치, 시스템, 또는 제조 물품으로서 구현될 수 있다. 게다가, 본 명세서에 개시된 다양한 양태 또는 특징은 본 명세서에 개시된 방법의 적어도 하나 이상을 구현하는 프로그램 모듈을 통해 실현될 수 있고, 프로그램 모듈은 메모리 내에 저장되고 적어도 프로세서에 의해 실행된다. 하드웨어와 소프트웨어 또는 하드웨어와 펌웨어의 다른 조합이 개시된 방법(들)을 포함하여, 본 명세서에 설명된 양태를 가능하게 하거나 구현할 수 있다. 용어 "제조 물품"은 본 명세서에 사용될 때, 임의의 컴퓨터 판독가능 디바이스, 캐리어, 또는 저장 매체로부터 액세스가능한 컴퓨터 프로그램을 포함할 수 있다. 예를 들어, 컴퓨터 판독가능 저장 매체는 자기 저장 디바이스(예를 들어, 하드 디스크, 플로피 디스크, 자기 스트립...), 광학 디스크[예를 들어, 콤팩트 디스크(compact disc: CD), 디지털 다기능 디스크(digital versatile disc: DVD), 블루레이 디스크(blu-ray disc: BD)...], 스마트 카드, 및 플래시 메모리 디바이스(예를 들어, 카드, 스틱, 키 드라이브...) 등을 포함할 수 있지만, 이들에 한정되는 것은 아니다.

본 명세서에 채용될 때, 용어 "프로세서"는 이들에 한정되는 것은 아니지만, 싱글코어 프로세서; 소프트웨어 멀티스레드 실행 기능을 갖는 싱글 프로세서; 멀티코어 프로세서; 소프트웨어 멀티스레드 실행 기능을 갖는 멀티코어 프로세서; 하드웨어 멀티스레드 기술을 갖는 멀티코어 프로세서; 병렬 플랫폼; 및 분산형 공유 메모리를 갖는 병렬 플랫폼을 포함하는 실질적으로 임의의 컴퓨팅 프로세싱 유닛 또는 디바이스를 칭할 수 있다. 부가적으로, 프로세서는 집적 회로, 주문형 반도체(application specific integrated circuit: ASIC), 디지털 신호 프로세서(digital signal processor: DSP), 필드 프로그램가능 게이트 어레이(field programmable gate array: FPGA), 프로그램가능 논리 제어기(programmable logic controller: PLC), 복합 프로그램가능 논리 디바이스(complex programmable logic device: CPLD), 이산 게이트 또는 트랜지스터 로직, 이산 하드웨어 구성요소, 또는 본 명세서에 설명된 기능을 수행하도록 설계된 이들의 조합을 칭할 수 있다. 또한, 프로세서는 이들에 한정되는 것은 아니지만, 공간 사용량을 최적화하고 또는 사용자 장비의 성능을 향상시키기 위해, 분자 및 양자-도트 기반 트랜지스터, 스위치 및 게이트와 같은 나노스케일 아키텍처를 이용할 수 있다. 프로세서는 또한 컴퓨팅 프로세싱 유닛의 조합으로서 구현될 수도 있다.

본 명세서에서, "저장소", "저장장치", "데이터 저장소", "데이터 저장장치", "데이터베이스" 및 구성요소의 동작 및 기능성에 관련된 실질적으로 임의의 다른 정보 저장 구성요소와 같은 용어는 "메모리 구성요소", "메모리" 내에 구체화된 엔티티, 또는 메모리를 포함하는 구성요소를 칭하도록 이용된다. 본 명세서에 설명된 메모리 및/또는 메모리 구성요소는 휘발성 메모리 또는 비휘발성 메모리일 수 있고, 또는 휘발성 및 비휘발성 메모리 둘다를 포함할 수 있다는 것이 이해되어야 한다.

예시로서, 비한정적으로, 비휘발성 메모리는 판독 전용 메모리(ROM), 프로그램가능 ROM(PROM), 전기적 프로그램가능 ROM(EPROM), 전기적 소거가능 프로그램가능 ROM(EEPROM), 플래시 메모리, 또는 비휘발성 랜덤 액세스 메모리(RAM)[예를 들어, 강유전성 RAM(FeRAM)]를 포함할 수 있다. 휘발성 메모리는 예를 들어 외장 캐시 메모리로서 작용할 수 있는 RAM을 포함할 수 있다. 한정이 아니라 예시로서, RAM은 동기식 RAM(SRAM), 동적 RAM(DRAM), 동기식 DRAM(SDRAM), 더블 데이터 레이트 SDRAM(DDR SDRAM), 향상된 SDRAM(ESDRAM), 싱크링크 DRAM(SLDRAM), 다이렉트 램버스 RAM(DRRAM), 다이렉트 램버스 동적 RAM(DRDRAM), 및 램버스 동적 RAM(RDRAM)과 같은 다수의 형태로 이용 가능하다. 부가적으로, 본 명세서의 시스템 또는 방법의 개시된 메모리 구성요소는 이들 및 임의의 다른 적합한 유형의 메모리를 포함하지만 한정되는 것은 아니게 포함하도록 의도된다.

특정 시스템 또는 방법과 관련하여 설명된 바와 같은 구성요소는 본 명세서에 개시된 다른 시스템 또는 방법과 관련하여 설명된 바와 같은 각각의 구성요소(예를 들어, 각각의 명명된 구성요소 또는 유사하게 명명된 구성요소)와 동일한 또는 유사한 기능성을 포함할 수 있다는 것이 인식되고 이해되어야 한다.

전술된 것은 본 개시내용의 장점을 제공하는 시스템 및 방법의 예를 포함한다. 물론, 본 개시내용을 설명하기 위해 구성요소 또는 방법의 모든 고려 가능한 조합을 설명하는 것은 가능하지 않지만, 당 기술 분야의 숙련자는 본 개시내용의 다수의 추가의 조합 및 치환이 가능하다는 것을 인식할 수도 있다. 더욱이, 용어 "구비한다", "갖는다", "소유한다" 등이 상세한 설명, 청구범위, 부록 및 도면에 사용되는 한에는, 이러한 용어는 "포함하는"이 청구항 내의 접속어로서 채용될 때 해석되는 바와 같이 용어 "포함하는"과 유사한 방식으로 포함적인 것으로 의도된다.

Claims

시스템에 있어서,
컴퓨터 실행가능 구성요소를 저장하는 메모리; 및
상기 메모리 내에 저장된 이하의 컴퓨터 실행가능 구성요소들을 실행하도록 구성된 프로세서
를 포함하고,
상기 컴퓨터 실행가능 구성요소들은,
하나 이상의 제조 도구와 연계된 프로세스 데이터에 기초하여 복수의 2진 분류 데이터세트를 생성하는 데이터세트 구성요소;
상기 복수의 2진 분류 데이터세트에 기초하여 복수의 학습된 모델을 생성하고 상기 복수의 2진 분류 데이터세트와 연계된 데이터 샘플의 수에 기초하여 상기 복수의 학습된 모델에 가중치를 인가하여 가중된 복수의 학습된 모델을 생성하는 학습 구성요소; 및
상기 프로세스 데이터에 대한 프로세스 모델을 생성하도록 상기 가중된 복수의 학습된 모델을 병합하는 병합 구성요소
인 것인 시스템.
제1항에 있어서, 상기 데이터세트 구성요소는 복제된 데이터를 포함하는 수정된 프로세스 데이터에 기초하여 상기 복수의 2진 분류 데이터세트를 생성하는 것인 시스템.
제1항에 있어서, 상기 데이터세트 구성요소는 요약된 데이터를 포함하는 수정된 프로세스 데이터에 기초하여 상기 복수의 2진 분류 데이터세트를 생성하는 것인 시스템.
제1항에 있어서, 상기 데이터세트 구성요소는, 센서 측정 데이터, 스펙트럼 데이터 및 분류자 데이터 중 적어도 하나를 포함하는 데이터 매트릭스에 기초하여 상기 복수의 2진 분류 데이터세트를 생성하는 것인 시스템.
제1항에 있어서, 상기 데이터세트 구성요소는, 상기 프로세스 데이터 내에 포함된 상이한 클래스의 수에 따라 상기 복수의 2진 분류 데이터세트를 생성하는 것인 시스템.
제1항에 있어서, 상기 프로세스 모델을, 프로세싱의 유닛의 분류를 예측하기 위한 함수의 라이브러리로서 출력하는 출력 구성요소를 더 포함하는 시스템.
제1항에 있어서, 상기 프로세스 모델을, 프로세싱의 유닛의 분류를 예측하기 위한 단일 함수로서 출력하는 출력 구성요소를 더 포함하는 시스템.
제1항에 있어서, 상기 프로세스 모델에 기초하여 프로세싱의 유닛의 분류를 예측하는 분석 구성요소를 더 포함하는 시스템.
제8항에 있어서, 상기 분석 구성요소는, 상기 프로세스 모델에 기초하여 프로세싱의 유닛에 대한 특정 분류와 연계된 하나 이상의 입력 파라미터를 결정하는 것인 시스템.
제9항에 있어서, 상기 분석 구성요소는, 상기 프로세싱의 유닛에 대한 특정 분류와 연계된 하나 이상의 입력 파라미터를 랭크(rank)하는 것인 시스템.
방법에 있어서,
동작들을 구현하도록 비일시적 컴퓨터 판독가능 매체 상에 저장된 컴퓨터 실행가능 명령어의 실행을 용이하게 하는 프로세서를 채용하는 단계를 포함하고,
상기 동작들은,
하나 이상의 제조 도구를 위한 프로세스 데이터와 연계된 데이터세트를 수신하는 것;
상기 프로세스 데이터 내에 포함된 클래스의 수에 기초하여 복수의 분류 데이터세트를 생성하는 것;
상기 복수의 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 생성하는 것; 및
상기 프로세스 데이터와 연계된 프로세스 모델을 생성하도록 상기 복수의 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 조합하는 것
을 포함하는 것인 방법.
제11항에 있어서, 상기 복수의 분류 데이터세트를 생성하는 것은, 복제된 데이터를 포함하는 수정된 프로세스 데이터에 기초하여 상기 복수의 분류 데이터세트를 생성하는 것을 포함하는 것인 방법.
제11항에 있어서, 상기 복수의 분류 데이터세트를 생성하는 것은, 요약된 데이터를 포함하는 수정된 프로세스 데이터에 기초하여 상기 복수의 분류 데이터세트를 생성하는 것을 포함하는 것인 방법.
제11항에 있어서, 상기 복수의 분류 데이터세트를 생성하는 것은, 센서 측정 데이터, 스펙트럼 데이터 및 분류자 데이터 중 적어도 하나를 포함하는 데이터 매트릭스에 기초하여 상기 복수의 분류 데이터세트를 생성하는 것을 포함하는 것인 방법.
제11항에 있어서, 상기 복수의 분류 데이터세트를 생성하는 것은, 상기 프로세스 데이터 내에 포함된 상이한 클래스의 각각에 대한 분류 데이터세트를 생성하는 것을 포함하는 것인 방법.
제11항에 있어서,
상기 프로세스 모델에 기초하여 프로세싱의 유닛의 분류를 예측하는 단계를 더 포함하는 방법.
제11항에 있어서,
상기 프로세스 모델에 기초하여 프로세싱의 유닛에 대한 특정 분류와 연계된 하나 이상의 입력 파라미터를 결정하는 단계를 더 포함하는 방법.
프로세서를 포함하는 시스템에 의한 실행에 응답하여, 상기 시스템으로 하여금 동작들을 수행하게 하는 컴퓨터 실행가능 명령어가 저장되어 있는 컴퓨터 판독가능 매체에 있어서,
상기 동작들은,
프로세스 데이터에 기초하여 프로세싱의 유닛에 대한 고유 분류와 연계된 복수의 2진 분류 데이터세트를 생성하는 것;
상기 복수의 2진 분류 데이터세트의 각각마다 하나 이상의 학습된 함수를 생성하는 것; 및
상기 복수의 2진 분류 데이터세트의 각각마다 상기 하나 이상의 학습된 함수를 병합함으로써 상기 프로세스 데이터에 대한 프로세스 모델을 생성하는 것
을 포함하는 것인 컴퓨터 판독가능 매체.
제18항에 있어서, 상기 복수의 2진 분류 데이터세트를 생성하는 것은, 센서 측정 데이터, 스펙트럼 데이터 및 분류자 데이터 중 적어도 하나를 포함하는 데이터 매트릭스에 기초하여 상기 복수의 2진 분류 데이터세트를 생성하는 것을 포함하는 것인 컴퓨터 판독가능 매체.
제18항에 있어서, 상기 복수의 2진 분류 데이터세트를 생성하는 것은, 상기 프로세스 데이터 내에 포함된 상이한 클래스의 수에 따라 상기 복수의 2진 분류 데이터세트를 생성하는 것을 포함하는 것인 컴퓨터 판독가능 매체.