TW201523311A - 基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 - Google Patents
基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 Download PDFInfo
- Publication number
- TW201523311A TW201523311A TW103128840A TW103128840A TW201523311A TW 201523311 A TW201523311 A TW 201523311A TW 103128840 A TW103128840 A TW 103128840A TW 103128840 A TW103128840 A TW 103128840A TW 201523311 A TW201523311 A TW 201523311A
- Authority
- TW
- Taiwan
- Prior art keywords
- tool
- reference fingerprint
- determining
- vector
- target value
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Drying Of Semiconductors (AREA)
- General Factory Administration (AREA)
- Collating Specific Patterns (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本發明提供一種伺服器電腦系統,該伺服器電腦系統為運行製作方法之第一工具建立參考指紋。伺服器電腦系統使用關於第一工具之參考資料以建立參考指紋,該第一工具在參數之內執行。參考指紋包括目標基線及基於目標基線之可允許範圍。伺服器電腦系統基於樣本資料與參考指紋之比較,決定是否與運行製作方法之第二工具相關聯之樣本資料正在參數之內執行。第二工具可為第一工具或與該第一工具相同類型之另一工具。伺服器電腦系統基於樣本資料與參考指紋之比較向系統或使用者中之至少一者提供第二工具之分類。該分類指示是否第二工具正在參數之內執行。
Description
本案之實施係關於分析工具處理資料,且更特定言之,係關於使用基於K近鄰演算法的方法對工具處理資料提供多變數分析。
在半導體工業中,存在對於運行製作方法之各種工具之大量感測器資料。典型地,感測器資訊為原始資料,該原始資料通常可能對一些使用者沒有用處,該等使用者諸如製程工程師等等。大量之資料可能常常難以管理。一些解決方案使用諸如主組分分析(principal component analysis;PCA)之統計方法以嘗試將原始資料變換為對使用者有意義之資料。然而,半導體製程之獨特特性(諸如成批處理、具有可變持續時間之製程步驟,等等中之非線性)已在基於PCA之解決方案中帶來一些困難。
本案揭示一種方法,該方法包含:使用關於第一工具之參考資料為運行製作方法之該第一工具建立參考指紋,該第一工具在與運行製作方法相關聯之參數及根據參考資料決定之複數個最近鄰值之內執行,該參考指紋包含目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與參考指紋之比較,決定是否與運行製作方法之第二工具相關聯之樣本資料正在參數之內執行,該第二工具為第一工具或與該第一工具相同類型之另一工具;及基於樣本資料與參考指紋之比較向系統或使用者中之至少一者提供第二工具之分類,該分類指示是否該第二工具正在參數之內執行。本案進一步揭示一種系統,該系統包含:記憶體;及處理裝置,與記憶體耦接以:使用關於第一工具之參考資料為運行製作方法之該第一工具建立參考指紋,該第一工具在與運行製作方法相關聯之參數及根據參考資料決定之複數個最近鄰值之內執行,該參考指紋包含目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與參考指紋之比較,決定是否與運行製作方法之第二工具相關聯之樣本資料正在參數之內執行,該第二工具為第一工具或與該第一工具相同類型之另一工具;及基於樣本資料與參考指紋之比較向系統或使用者中之至少一者提供第二工具之分類,該分類指示是否該第二工具正在參數之內執行。本案進一步揭示一種包括指令之非暫態電腦可讀儲存媒體,當該等指令藉由一處理裝置執行時,引起該處理裝置執行包含以下各者之操作:藉由處理裝置,使用關於第一工具之參考資料為運行製作方法之該第
一工具建立參考指紋,該第一工具在與運行製作方法相關聯之參數及根據參考資料決定之複數個最近鄰值之內執行,該參考指紋包含目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與參考指紋之比較,決定是否與運行製作方法之第二工具相關聯之樣本資料正在參數之內執行,該第二工具為第一工具或與該第一工具相同類型之另一工具;及基於樣本資料與參考指紋之比較向系統或使用者中之至少一者提供第二工具之分類,該分類指示是否該第二工具正在參數之內執行。
100‧‧‧製造系統
101‧‧‧製造執行系統(MES)
105‧‧‧分析伺服器
107‧‧‧工具分析模組
109‧‧‧腔室
120‧‧‧網路
200‧‧‧工具分析模組
202‧‧‧使用者介面
205‧‧‧指紋子模組
210‧‧‧分析子模組
215‧‧‧通知子模組
220‧‧‧使用者介面(UI)子模組
250‧‧‧資料儲存
251‧‧‧工具資料
253‧‧‧參考資料
255‧‧‧參考指紋
257‧‧‧樣本資料
261‧‧‧配置資料
300‧‧‧圖形使用者介面
305‧‧‧至參考的單位距離
310‧‧‧參考指紋
315‧‧‧範圍2
320‧‧‧範圍1
325‧‧‧目標基線
330‧‧‧運行
400‧‧‧圖形使用者介面
405‧‧‧資料點
406‧‧‧資料點
407‧‧‧資料點
410‧‧‧可允許範圍
415‧‧‧可允許範圍
420‧‧‧目標基線
500‧‧‧方法
501‧‧‧步驟
503‧‧‧步驟
505‧‧‧步驟
507‧‧‧步驟
509‧‧‧步驟
511‧‧‧步驟
513‧‧‧步驟
515‧‧‧步驟
601‧‧‧運行1
603‧‧‧運行2
605‧‧‧運行3
607‧‧‧運行4
609‧‧‧距離矩陣D
611‧‧‧感測器1
613‧‧‧感測器2
615‧‧‧近鄰向量N
617‧‧‧距離單元
619‧‧‧距離單元
700‧‧‧方法
701‧‧‧步驟
703‧‧‧步驟
705‧‧‧步驟
707‧‧‧步驟
709‧‧‧步驟
711‧‧‧步驟
713‧‧‧步驟
715‧‧‧步驟
800‧‧‧圖形使用者介面
805‧‧‧距離值
810‧‧‧Y軸
815‧‧‧運行48
900‧‧‧計算裝置
902‧‧‧處理裝置
904‧‧‧主記憶體
906‧‧‧靜態記憶體
908‧‧‧網路介面裝置
910‧‧‧視訊顯示單元
912‧‧‧文數字輸入裝置
914‧‧‧遊標控制裝置
916‧‧‧訊號產生裝置
918‧‧‧資料儲存裝置
920‧‧‧網路
928‧‧‧電腦可讀儲存媒體
本案係在附圖之圖式中經由舉例而並非限制之方式圖示,在該等附圖中,相同元件符號指示類似元件。應注意,對本案中之「一」或「一個」實施之不同參考不必對於相同實施,並且該等參考意謂至少一個。
第1圖為圖示利用工具分析模組之系統之方塊圖。
第2圖為工具分析模組之一個實施之方塊圖。
第3圖圖示根據各種實施之包括參考指紋之示例性圖形使用者介面。
第4圖圖示根據各種實施之包括多個運行之製程索引與參考指紋的比較之示例性圖形使用者介面。
第5圖圖示用於使用基於K近鄰演算法之分析建立參考指紋之方法的一個實施。
第6圖圖示根據各種實施之距離矩陣之實例及鄰近向量之實例。
第7圖圖示用於對工具處理資料執行基於K近鄰演算法分析之方法之一個實施。
第8圖圖示根據各種實施之示例性圖形使用者介面,該圖形使用者介面包括在腔室上之製作方法之運行的感測器之貢獻資料。
第9圖為根據各種實施之示例性計算裝置之方塊圖,該計算裝置可執行本文所述之工具分析模組之一或更多個操作。
本案之實施係針對用於在工具處理資料上執行基於K近鄰演算法分析之方法及系統。為了簡潔及簡單起見,腔室被貫穿本文件用作工具之實例。本案之實施修改K近鄰(k-Nearest Neighbor;kNN)演算法以幫助資料分析,例如用於腔室匹配及對處理腔室之控制。伺服器電腦系統可收集腔室之製作方法之多個運行的資料及該等運行的多個感測器之資料,且伺服器電腦系統可創建單個值,該值在下文中被稱為「製程索引」,該製程索引描述每個運行。製程索引為腔室之製作方法之運行與對相同腔室及/或對相同類型腔室之製作方法之已知良好運行相比較為如何的指示。製程索引亦描述感測器關於已知良好運行為如何。製程索引可用於決定感測器中之何者可能引起腔室匹配問題。
伺服器電腦系統可建立運行製作方法之工具(例如,腔室)之參考指紋。伺服器可使用參考資料,該參考資料關於如預期(例如,在與運行製作方法相關聯的參數之內)
執行之工具,以建立目標基線及基於來自參考資料之目標基線之一或更多個可容許範圍。目標基線及一或更多個可容許範圍可組成參考指紋。伺服器電腦系統可基於樣本資料與參考指紋之比較決定是否樣本資料指示工具正在如預期(例如,在參數之內)執行,該樣本資料與相同工具或相同類型之其他工具相關聯且正在運行相同製作方法。伺服器電腦系統可基於樣本資料與參考指紋之比較向系統或使用者提供正被分析之工具之分類。分類可指示是否正被分析之工具/製作方法組合正在像平常一樣操作。
第1圖為圖示製造系統100之方塊圖,製造系統100包括例如經由網路120通信之製造系統資料來源(例如,製造執行系統(manufacturing execution system;MES)101)、一或更多個工具(例如,腔室109),及分析伺服器105。網路120可為區域網路(local area network;LAN)、無線網路、行動通信網路、廣域網路(wide area network;WAN)(諸如網際網路),或類似通信系統。
MES 101、分析伺服器105,和工具分析模組107可分別地藉由任何類型之計算裝置代管,該計算裝置包括伺服器電腦、閘道電腦、桌上型電腦、膝上型電腦、平板電腦、筆記型電腦、個人數位助理(personal digital assistant;PDA)、行動通信裝置、手機、智慧型電話、手持式電腦,或類似計算裝置。或者,MES 101、分析伺服器105,和工具分析模組107之任何組合可經代管於單個計算裝置上,該計算裝置包括伺服器電腦、閘道電腦、桌上型電腦、膝上型電腦、行動通
信裝置、手機、智慧型電話、手持式電腦,或類似計算裝置。
分析伺服器105可收集且分析關於腔室109之資料。在一個實施中,分析伺服器105經耦接至工廠系統資料來源(例如,MES 101、企業資源規劃(Enterprise Resource Planning;ERP)系統,等等)以接收批次資料及設備(例如,腔室)資料,等等。在一個實施中,分析伺服器105直接地自腔室109接收資料。分析伺服器105可包括工具分析模組107以使用參考資料(表示正在如預期執行之腔室109之資料)及即時資料(在腔室109上運行製作方法之資料)以決定是否腔室109背離用於運行特定製作方法之預期效能。
工具分析模組107可使用來自對於給定製作方法之正在如預期執行之腔室的資料,以建立對於該給定製作方法之腔室之參考指紋。工具分析模組107可將運行製作方法之腔室之樣本資料,以及運行製作方法之其他腔室之樣本資料與參考指紋相比較,以評估腔室之效能及/或健康狀況。當與參考指紋相比,運行給定製作方法之腔室沒有如預期執行時,工具分析模組107可為腔室、腔室上之運行,及/或腔室上之感測器提供額外資料,該額外資料描述感測器及/或製作方法屬性中之何者促成任何偏差。在一個實施中,工具分析模組107將偏離參考指紋之參數的腔室109分類為「不正常」或「異常」且將在參考指紋之參數之內的腔室109分類為「正常」。在一個實施中,工具分析模組107決定分類之程度。例如,取決於腔室之樣本資料偏離參考指紋之量值,工具分析模組107可進一步將異常之腔室分類為「高度」、「中度」
或「低度」。工具分析模組107可向使用者(例如,製程工程師、系統工程師、工業工程師、系統管理員,等等)及/或系統(例如,維護系統,等等)提供腔室分類(例如,正常、不正常、高、中、低,等等)。
第2圖為工具分析模組200之一個實施之方塊圖。工具分析模組200可與第1圖之工具分析模組107相同。工具分析模組200可包括指紋子模組205、分析子模組210、通知子模組215,及使用者介面(user interface;UI)子模組220。
工具分析模組200可經耦接至一或更多個資料儲存250。資料儲存250可為持久儲存單元。持久儲存單元可為本端儲存單元或遠端儲存單元。持久儲存單元可為磁性儲存單元、光學儲存單元、固態儲存單元、電子儲存單元(主記憶體)或類似儲存單元。持久儲存單元可為單塊裝置或裝置之一分佈式集合。如本文所使用之「集合」代表任何正整數之項目。
資料儲存250可儲存一或更多個工具(例如,腔室)之工具資料251。工具資料251可包括資料,該資料描述在相應工具上運行之製作方法及相應工具之感測器。工具資料251可藉由在製造地點之工具(例如,腔室)及/或系統(例如,MES)提供。
指紋子模組205可使用修改的K近鄰演算法以建立參考指紋255,該參考指紋255對應於正在執行特定製作方法之腔室及/或腔室類型。指紋子模組205可識別工具資料251之子集,該子集對應於在相同類型之腔室上運行特定製作方
法之‘良好’運行。在下文中之‘良好’運行或‘正常’運行代表特定製作方法之運行,該特定製作方法在腔室上如預期執行,例如,在期望參數之內執行。在下文中之‘不良’運行或‘異常’運行代表特定製作方法之運行,該特定製作方法未在腔室上如預期執行,例如,未在期望參數之內執行。指紋子模組205可使用良好運行之工具資料251作為參考資料253。參考資料253可包括且不限於,腔室識別符、腔室類型、製作方法識別符、腔室上的運行之數目、運行識別符、感測器識別符、感測器之感測器資料,等等。參考資料253可經儲存於資料儲存250中。資料儲存250可儲存配置資料261,該配置資料261指定指紋子模組205應使用以建立參考指紋255之良好運行之數目。例如,配置資料261可指定應使用來自五十個良好運行之資料以建立參考指紋255。配置資料261可為可配置且經使用者(例如,系統管理員、製程工程師,等等)定義。
指紋子模組205可計算目標基線及與來自參考資料253之目標基線有關之一或更多個範圍。目標基線及與該目標基線有關之一或更多個範圍可組成參考指紋255。參考指紋255可用於相同類型之腔室。在下文中結合第5圖更加詳細描述建立參考指紋之一個實施。
第3圖圖示根據各種實施之包括參考指紋310之示例性圖形使用者介面(graphical user interface;GUI)300。參考指紋310包括目標基線325之值(例如,值2.8)及一或更多個可允許範圍(例如,範圍1 320及範圍2 315)。決定目標
基線及範圍之一個實施在下文中結合第5圖更加詳細描述。在一個實施中,若樣本在目標基線325之範圍(例如,範圍1 320及範圍2 315)之內,則將樣本分類為正常。在下文中之‘樣本’或‘樣本運行’代表腔室上之特定製作方法之運行,其中不知道該運行是關於期望效能之正常運行還是異常運行。在一個實施中,範圍1 320為目標基線325之3西格馬(3標準偏差)帶,且範圍2 315為目標基線325之6西格馬(6標準偏差)帶。GUI 300可包括X軸,X軸描述用於建立參考指紋310之運行330。例如,參考資料253可包括五十個良好運行之資料。GUI 300可包括Y軸,Y軸描述經分析之資料與參考指紋之間的距離(例如,至參考的單位距離305)。
回到第2圖,資料儲存250可儲存一或更多個樣本(樣本運行)之樣本資料257。樣本資料257可包括且不限於,腔室識別符、腔室類型、製作方法識別符、運行識別符、感測器識別符、感測器之感測器資料,等等。
分析子模組210可使用對於特定運行之樣本資料257以建立樣本向量S,以描述相應運行之感測器讀數。樣本向量S可為具有m個元素之列向量,其中每一元素對應於特定運行之感測器讀數。分析子模組210可使用樣本向量S以決定樣本運行之製程索引。決定樣本運行之製程索引之一個實施在下文中結合第7圖更加詳細描述。分析子模組210可將樣本運行之製程索引與參考指紋255之目標基線及範圍比較,以決定樣本之樣本資料257將對應於樣本資料257之特定腔室/製作方法的組合分類為正常還是異常。決定將特定腔
室/製作方法的組合之樣本運行分類為正常還是異常之一個實施在下文中結合第7圖更加詳細描述。
使用者介面(UI)子模組220可提供使用者介面202,使用者介面202包括多個運行之製程索引與參考指紋255之比較。使用者介面202可為圖形使用者介面(GUI)。
第4圖圖示根據各種實施的包括多個運行之製程索引與參考指紋之比較的示例性圖形使用者介面400。參考指紋可包括目標基線420之值(例如,7)、第一範圍415(例如,3西格馬帶)及第二範圍410(例如,6西格馬帶)。GUI 400可包括用於表示樣本運行之製程索引之資料點406。在一個實施中,若相應製程索引(例如,資料點)在目標基線420之範圍410、415之內,則將樣本運行分類為正常;且若相應製程索引(例如,資料點)不在目標基線420之範圍410、415之內,則將樣本運行分類為異常。例如,表示樣本運行48之製程索引之資料點405在參考指紋之可允許範圍410、415之外,且可將運行48分類為異常。可將運行48之資料進一步分析以決定感測器中之何者可作用於在可允許範圍410、415之外的運行48。在另一實例中,表示樣本運行49之製程索引之資料點407在參考指紋的可允許範圍410、415之內,但亦在6西格馬帶之內。可進一步分析運行49之資料以決定何感測器可作用於在6西格瑪帶之內的運行49。
回到第2圖,通知子模組215可提供分類通知,該分類通知指示相應腔室/製作方法的組合之樣本資料257為正常還是異常。通知子模組215可經由訊息及網路等等通過使
用者介面202提供分類通知。通知子模組215可例如向使用者(例如,製程工程師、工業工程師、系統工程師、系統管理員)及/或系統(例如,報告系統、排程器,等等)提供分類通知。
在一個實施中,工具分析模組200藉由感測器及/或藉由製程步驟將資料分組。例如,工具分析模組200可藉由感測器及/或藉由製程步驟將工具資料251分組。在另一實例中,工具分析模組200可藉由感測器及/或藉由製程步驟將參考資料253分組。在另一實例中,工具分析模組200可藉由感測器及/或藉由製程步驟將樣本資料257分組。在另一實例中,工具分析模組200可藉由感測器及/或藉由製程步驟將資料之任何組合分組。藉由分組資料,工具分析模組200可決定為異常之分類是歸因於所有製程步驟,或僅一步驟上的一個感測器,還是歸因於不同步驟上的不同感測器。在一個實施中,工具分析模組200決定資料之帕累托分佈。例如,若存在具有超出參考指紋之參數範圍的資料之許多運行及/或感測器,則工具分析模組200可識別具有超出參考指紋之參數範圍的資料之運行及/或感測器之子集(例如,頂端10、頂端20,等等)。帕累托分佈可指示由於一個感測器而超出參考指紋之參數範圍之子集。
第5圖圖示用於使用基於K近鄰演算法分析建立參考指紋之方法之一個實施。方法500可藉由處理邏輯執行,該處理邏輯可包含硬體(例如,電路系統、專用邏輯、可程式邏輯、微碼,等等)、軟體(例如,在處理裝置上運行之
指令),或硬體及軟體之組合。在一個實施中,方法500係藉由第1圖之伺服器105中之工具分析模組107執行。
在方塊501處,伺服器為運行給定製作方法之工具(例如,腔室)建立參考矩陣R。參考矩陣R可根據參考資料而建立,該參考資料包括多個良好運行之資料。參考矩陣R可包括n列×m行,其中n為參考資料中之良好運行之數目且m為相應運行之感測器的數目。
對於參考矩陣R中之每一列(運行),伺服器可令列表示向量S,以描述相應運行之感測器讀數。向量S可為具有m個元素之列向量,每一元素對應於特定運行之感測器讀數。
向量S=[r z,1…r z,m ] 語句2其中z為運行編號,z自1至n,m=感測器,且S為參考矩陣R中之一列。
在方塊503處,對於參考矩陣R中之每一列,伺服器基於參考集合中之每一感測器之參考資料平均值及標準偏差計算正規化S向量及正規化參考矩陣R。
在方塊505處,對於正規化R矩陣中之每一列,伺服器使用正規化S向量以建立距離矩陣D;且在方塊507處,伺服器使用距離矩陣D以建立近鄰向量。
第6圖圖示根據各種實施之距離矩陣D 609之實例
及近鄰向量N 615之實例。距離矩陣D 609可為n列×m行矩陣。距離矩陣D 609中之每一列可表示運行(例如,運行1 601、運行2 603、運行3 605、運行4 607),且距離矩陣D 609中之每一行可表示感測器(例如,感測器1 611、感測器2 613)。距離矩陣D 609中之每一元素可表示距離單元(例如,距離單元617、距離單元619),該距離單元描述向量S與參考矩陣R中之相應元素之間的距離。在一個實施中,距離矩陣D 609中之各元素(例如,距離單元617、距離單元619)為向量S及參考矩陣R中之相應元素之間的平方距離。例如,運行1 601且感測器1 611之距離單元617可具有值零,該值指示運行1中之感測器1相距參考矩陣R中之相應元素為零個單位。在另一實例中,運行1 601且感測器2 613之距離單元619可具有值一,該值指示運行1中之感測器2相距參考矩陣R中之相應元素為一個單位。近鄰向量N可為n元素行向量,其中每一元素為相應距離矩陣D中之列的和。
回到第5圖,在方塊509處,伺服器使用K近鄰演算法值(例如,k=3)以識別N向量中之第k個最小值(最近鄰值),以產生參考資料中之每一樣本之值的k向量。伺服器可將經識別最近鄰值儲存為資料儲存中之k向量。伺服器可藉由將近鄰向量N中之元素從最小值至最大值排序來識別最近鄰值。例如,第6圖中之近鄰向量N 615[1,2,1,3]可經排序為[1,1,2,3]。伺服器可決定對應於經排序近鄰向量N中之k位置之值作為第k個最小值(最近鄰值)。例如,對於k=3,伺服器決定「2」處於第三位置(例如,k=3)且「2」為第k
個最小值(最近鄰值)。伺服器為參考資料中之每一樣本之值建立k向量。k向量可描述所有感測器如何與參考資料中之其他運行之相應感測器相關。可在配置資料中指定應藉由伺服器使用之k值(例如,k=3)。
在方塊511處,伺服器將k向量之平均值決定作為任何樣本之目標基線,以匹配感測器之m維分佈。目標基線係用以定義參考指紋。在方塊513處,伺服器決定k向量之一或更多個閾值(例如,一或更多個標準偏差)以定義參考指紋之一或更多個可允許範圍。在方塊515處,伺服器將參考指紋定義為目標基線及閾值。
第7圖為用於對工具製程資料執行基於K近鄰演算法分析之方法700之實施的流程圖。方法700可藉由處理邏輯執行,該處理邏輯可包含硬體(例如,電路系統、專用邏輯、可程式邏輯、微碼,等等)、軟體(例如,在處理裝置上運行之指令),或硬體及軟體之組合。在一個實施中,方法700係藉由第1圖之伺服器105中之工具分析模組107執行。
在方塊701處,伺服器識別腔室上之製作方法之多個樣本運行的樣本資料。樣本運行為腔室上之特定製作方法之運行,其中不知道該運行為正常運行還是異常運行。樣本資料可基於經由GUI之使用者選擇之輸入。例如,使用者可對於待分析之製作方法XYZ選擇腔室X上的最後五十個運行(例如,運行1至運行50)。樣本資料可儲存於耦接至工具分析模組之資料儲存中。方法700或方法700之一或更多個
部分可為疊代的。疊代之數目可基於待分析之樣本運行之數目。
在方塊703處,伺服器決定樣本資料之製程索引。伺服器可使用樣本資料以建立樣本向量S,以描述相應樣本運行之感測器讀數。樣本向量S可為具有m個元素之列向量,每一元素對應於特定樣本運行之感測器讀數。
樣本向量S=[s 1...s m] 語句4其中m=感測器且S為在分析下之樣本運行
伺服器可針對參考矩陣R計算正規化樣本向量S。伺服器可使用正規化樣本向量S以為樣本運行建立距離矩陣D。距離矩陣D可為n列×m行矩陣,其中每一元素為樣本向量S及參考矩陣R中之相應元素之間的平方距離。距離矩陣D中之每一列為樣本運行。距離矩陣D中之每一行為感測器。伺服器可使用距離矩陣D以計算近鄰向量N。近鄰向量N可為n元素行向量,其中每一元素為相應距離矩陣D中之列的和。伺服器可使用k值(例如,k=3)以識別N向量中之第k個最小值(最近鄰值)。N向量中之第k個最小值(最近鄰值)為給定製作方法之腔室的製程索引。可在配置資料中指定應藉由伺服器使用之k值(例如,k=3),該配置資料儲存於耦接至工具分析模組之資料儲存中。
在方塊705處,伺服器決定是否腔室/製作方法的組合之樣本資料的製程索引在參考指紋之參數之內。若製程索引在參考指紋之參數之內,則在方塊707處,伺服器將腔室/製作方法的組合之樣本資料分類為正常;且在方塊711處,
伺服器將該分類例如提供給使用者(例如,製程工程師、工業工程師、系統工程師、系統管理員)及/或系統(例如,報告系統、排程器,等等)。
若製程索引不在參考指紋之參數之內(方塊705),則在方塊709處,伺服器將腔室/製作方法的組合之樣本資料分類為異常;且在方塊711處,伺服器將該分類例如提供給系統及/或使用者。伺服器可經由GUI,經由訊息及網路等等提供分類。系統及/或使用者可使用該分類,例如腔室之維護、腔室匹配、對製程腔室之控制,等等。
在方塊713處,伺服器決定是否提供額外資料以便識別製程索引不在參考指紋之參數之內的原因。若伺服器應提供額外資料,則伺服器在方塊715處提供額外資料。例如,伺服器可經由圖形使用者介面(GUI)接收使用者輸入以接收對於腔室上之特定運行的額外資訊,且伺服器可在GUI中提供關於該運行之感測器及製程步驟之資料。額外資料可包括,例如且不限於,特定運行之感測器之貢獻資料。
第8圖圖示根據各種實施之一示例性圖形使用者介面800,該圖形使用者介面包括對於腔室上之製作方法之運行的感測器之貢獻資料。工具分析模組可產生腔室上之製作方法之運行的感測器之貢獻向量C。GUI 800包括描繪為條狀圖之特定腔室/製作方法的組合之運行48之貢獻向量C。貢獻向量C可為m元素列向量,其中每一元素為各感測器之各運行之貢獻因子。
C=[c 1...c m],其中m=感測器 語句5
例如,可能存在感測器1(例如,第6圖中之感測器1 611)之四個參考運行(例如,第6圖中之運行601、603、605、607)。在一個實例中,第6圖可相對於正規化參考矩陣R,包括未知正規化樣本向量S之距離矩陣D 609。貢獻向量可藉由取得距離矩陣D 609中之各行且發現第k個最小值來計算。行1中之感測器1之貢獻向量c=[c 1...c m]可為c 1=[0,1,1,2]且c 2=[0,1,1,1]。工具分析模組可將貢獻向量c中之元素從最小值到最大值分類。假定k=3,C=[1,1],此假定描述了未知樣本中之感測器1 611相距參考集一個單位,且感測器2 613相距參考集一個單位。近鄰向量N可描述樣本相距參考指紋多少單位,且貢獻向量C可描述用於引起近鄰向量N與參考指紋之任何偏差之因子。
回到第8圖,GUI 800可包括描述對於特定運行之感測器之X軸。例如,X軸可描述運行48 815之感測器資料。GUI 800可包括Y軸810,Y軸810描述被分析之資料與參考指紋之間的距離。工具分析模組可使用距離矩陣D以計算貢獻向量C。可以存在多種類型之貢獻向量C,該等類型包括例如但不限於,最大貢獻類型、元素貢獻類型,及第k個元素貢獻類型。
對於第k個元素貢獻類型,向量C中之各元素為相應感測器之貢獻。小於或等於一之距離值可指示感測器貢獻於落在參考指紋之內的樣本資料。大於一但小於或等於二之距離值可觸發用於進一步調查及/或監控感測器之警告。大於二之距離值可指示感測器可能貢獻於未落在參考指紋之內的
樣本資料。例如,距離值805大於二且距離值805可指示相應感測器為對於不在參考指紋之參數之內的樣本資料之貢獻者。在一個實施中,值愈大,感測器與參考指紋之間的差異愈大。
第9圖為根據各種實施的可執行本文所述之工具分析模組之一個或多個操作的示例性計算裝置之方塊圖。在一個實施中,計算裝置對應於代管第2圖之工具分析模組200之計算裝置。計算裝置900包括一組指令,該組指令引起機器執行本文所述之方法中之任何一或更多者。在替代實施中,機器可經連接(例如,網路連接)至區域網路(Local Area Network;LAN)、內部網路、商際網路,或網際網路中之其他機器。機器可操作在主從式網路環境中之伺服器機器之容量下。機器可為個人電腦(personal computer;PC)、視訊轉換器(set-top box;STB)、伺服器、網路路由器、開關或橋接器,或能夠執行指定待藉由彼機器採取之動作之一組指令(順序或以任何其他方式)的任何機器。此外,雖然僅圖示了單個機器,但是亦應將術語「機器」視為包括任何機器之集合,該等機器分別地或共同地執行一組(或多組)指令以執行本文所述之任何一或更多個方法。
示例性電腦裝置900包括處理系統(例如,處理裝置902)、主記憶體904(例如,唯讀記憶體(read-only memory;ROM)、快閃記憶體、動態隨機存取記憶體(dynamic random access memory;DRAM)(諸如同步DRAM(synchronous DRAM;SDRAM)),等等)、靜態記憶體906(例如,快閃記憶體、
靜態隨機存取記憶體(static random access memory;SRAM),等等),及資料儲存裝置918,上述各者經由匯流排930彼此通信。
處理裝置902表示一或更多個通用處理裝置,諸如微處理器、中央處理單元,等等。更特定言之,處理裝置902可為複雜指令集計算(complex instruction set computing;CISC)微處理器、精簡指令集計算(reduced instruction set computing;RISC)微處理器、超長指令字(very long instruction word;VLIW)微處理器,或實施其他指令集之處理器或實施指令集組合之處理器。處理裝置902亦可為一或更多個專用處理裝置,諸如特定應用積體電路(application specific integrated circuit;ASIC)、場可程式化閘陣列(field programmable gate array;FPGA)、數位訊號處理器(digital signal processor;DSP)、網路處理器,等等。處理裝置902經設置以執行工具分析模組200,以便執行本文所述之操作及步驟。
計算裝置900可進一步包括網路介面裝置908。計算裝置900亦可包括視訊顯示單元910(例如,液晶顯示器(liquid crystal display;LCD)或陰極射線管(cathode ray tube;CRT))、文數字輸入裝置912(例如,鍵盤)、遊標控制裝置914(例如,滑鼠),及訊號產生裝置916(例如,揚聲器)。
資料儲存裝置918可包括其上儲存一或更多個指令集(例如,工具分析模組200之指令)之電腦可讀儲存媒體928,該一或更多個指令集實施本文所述之方法或功能中之任何一或更多者。工具分析模組200亦可在藉由計算裝置900
之處理裝置902之執行期間,完全地或至少部分地常駐於主記憶體904之內及/或處理裝置902之內,主記憶體904及處理裝置902亦構成電腦可讀媒體。工具分析模組200可進一步經由網路介面裝置908通過網路920傳輸或接收。
雖然電腦可讀儲存媒體928在示例性實施中圖示為單個媒體,但是應將術語「電腦可讀儲存媒體」視為包括儲存一或更多個指令集之單個媒體或多個媒體(例如,集中式或分散式資料庫,及/或相關聯之高速緩衝記憶體及伺服器)。亦應將術語「電腦可讀儲存媒體」視為包括能夠儲存、編碼或攜帶指令集之任何媒體,該指令集用於藉由機器執行且引起機器執行本案之任何一或更多個方法。因此,應將術語「電腦可讀儲存媒體」視為包括但不限於,固態記憶體、光學媒體,及磁性媒體。
在上文描述中,闡述了大量細節。然而,對具有本案之益處之一般技術者顯而易見的是,本案之實施可在無該等特定細節之情況下實踐。在某些情況下,眾所熟知之結構及裝置係以方塊圖之形式圖示,而並未詳細說明,以免模糊本案之描述。
一些部分之詳細描述係根據對在電腦記憶體之內的資料位元之操作之演算法及符號表示來呈現。該等演算法描述及表示為藉由熟習資料處理技術之技術者使用以最有效地傳達該等技術者之主旨給本技術中之其他技術者的手段。本文之演算法通常被設想為帶來結果之首尾一致之操作順序。操作為使用物理量之物理操作之彼等操作。通常,雖然並非
必要,但是該等量可採用能夠被儲存、傳遞、組合、比較,且以其他方式操作之電訊號或磁訊號之形式。主要出於常用之原因,已證明將該等訊號稱作位元、值、元素、符號、字元、術語、數字等等有時是方便的。
然而,應考慮到,所有該等及類似術語係與適當物理量相關聯,且所有該等及類似術語僅為應用於該等量之方便標籤。除非如自上文之論述明顯且另外明確地敘述,否則應將瞭解,貫穿本案之描述之利用諸如「建立」、「決定」、「提供」、「識別」、「定義」等等之術語的論述代表計算裝置、或類似電子計算裝置之動作及過程,該計算裝置或類似電子計算裝置將表示為電腦系統的暫存器及記憶體之內的物理(例如,電子)量之資料操作且變換為其他資料,該其他資料類似地表示為電腦系統記憶體或暫存器或其他該等資訊儲存裝置之內的物理量。
本案之實施亦係關於用於執行本文之操作之設備。該設備可特別地為所述之目的而建構,或該設備可包含通用電腦,該通用電腦有選擇地藉由儲存於該電腦中之電腦程式啟動或重新配置。該電腦程式可儲存於電腦可讀儲存媒體中,該媒體諸如但不限於任何類型之磁盤,該磁盤包括光碟、唯讀光碟,及磁性光碟、唯讀記憶體(read-only memory;ROM)、隨機存取記憶體(random access memory;RAM)、可抹除可程式化唯讀記憶體(erasable programmable read only memory;EPROM)、電子可抹除可程式化唯讀記憶體(electrically erasable programmable read only memory,
EEPROM)、磁卡或光卡,或適合於儲存電子指令之任何類型之媒體。
應將理解,上述描述意欲為說明性的,而非限制性的。在閱讀且理解以上描述之後,許多其他實施將對熟習該項技術者顯而易見。因此,本案之範圍應參考附加申請專利範圍,以及該申請專利範圍給予權利之等同物之整個範圍一起決定。
500‧‧‧方法
501‧‧‧步驟
503‧‧‧步驟
505‧‧‧步驟
507‧‧‧步驟
509‧‧‧步驟
511‧‧‧步驟
513‧‧‧步驟
515‧‧‧步驟
Claims (20)
- 一種方法,包含以下步驟:使用關於一第一工具之參考資料為運行一製作方法之該第一工具建立一參考指紋,該第一工具在與運行該製作方法相關聯之參數及根據該參考資料決定之複數個最近鄰值之內執行,該參考指紋包含一目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與該參考指紋之一比較,決定是否與運行該製作方法之一第二工具相關聯之該樣本資料正在該等參數之內執行,該第二工具為該第一工具或與該第一工具相同類型之另一工具;以及基於該樣本資料與該參考指紋之比較向一系統或一使用者中之至少一者提供該第二工具之一分類,該分類指示是否該第二工具正在該等參數之內執行。
- 如請求項1所述之方法,進一步包含以下步驟:識別該樣本資料與該參考指紋之間的一或更多個偏差;基於該一或更多個偏差決定該第二工具未正在該等參數之內執行;以及提供額外資料以識別該第二工具未在該等參數之內執行之一原因。
- 如請求項2所述之方法,其中該額外資料包含貢獻資料,該貢獻資料描述該第二工具之複數個感測器之貢獻。
- 如請求項1所述之方法,其中若該樣本資料在該參考指紋之內,則該分類為正常;且若該樣本資料不在該參考指紋之內,則該分類為異常。
- 如請求項1所述之方法,其中建立該參考指紋之步驟包含以下步驟:使用該參考資料產生該複數個最近鄰值之一向量,其中該向量指示該製作方法之該第一工具之複數個感測器的效能;根據該向量決定一目標值,其中該目標值表示該複數個感測器之一期望效能;基於該目標值決定該複數個感測器之該期望效能之一或更多個可允許範圍;以及將該參考指紋定義為該目標值及該一或更多個可允許範圍。
- 如請求項5所述之方法,其中決定該目標值之步驟包含以下步驟:決定該向量中之該複數個最近鄰值之一平均值。
- 如請求項5所述之方法,其中決定該一或更多個可允許範圍之步驟包含以下步驟:決定相距該目標值之一或更多個標準偏差。
- 一種系統,包含:一記憶體;以及一處理裝置,與該記憶體耦接以:使用關於一第一工具之參考資料為運行一製作方法之該第一工具建立一參考指紋,該第一工具在與運行該製作方法相關聯之參數及根據該參考資料決定之複數個最近鄰值之內執行,該參考指紋包含一目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與該參考指紋之一比較,決定是否與運行該製作方法之一第二工具相關聯之該樣本資料正在該等參數之內執行,該第二工具為該第一工具或與該第一工具相同類型之另一工具;以及基於該樣本資料與該參考指紋之比較向一系統或一使用者中之至少一者提供該第二工具之一分類,該分類指示是否該第二工具正在該等參數之內執行。
- 如請求項8所述之系統,其中該處理裝置進一步用於:識別該樣本資料與該參考指紋之間的一或更多個偏差;基於該一或更多個偏差決定該第二工具未正在該等參數之內執行;以及提供額外資料以識別該第二工具未在該等參數之內執行之一原因,其中該額外資料包含貢獻資料,該貢獻資料描述該第二工具之複數個感測器之貢獻。
- 如請求項8所述之系統,其中若該樣本資料在該參考指紋之內,則該分類為正常;且若該樣本資料不在該參考指紋之內,則該分類為異常。
- 如請求項8所述之系統,其中建立該參考指紋包含該處理裝置用於:使用該參考資料產生該複數個最近鄰值之一向量,其中該向量指示該製作方法之該第一工具之複數個感測器的效能;根據該向量決定一目標值,其中該目標值表示該複數個感測器之一期望效能;基於該目標值決定該複數個感測器之該期望效能之一或更多個可允許範圍;以及將該參考指紋定義為該目標值及該一或更多個可允許範圍。
- 如請求項11所述之系統,其中決定該目標值包含該處理裝置用於:決定該向量中之該複數個最近鄰值之一平均值。
- 如請求項11所述之系統,其中決定該一或更多個可允許範圍包含該處理裝置用於:決定相距該目標值之一或更多個標準偏差。
- 一種包括指令之非暫態電腦可讀儲存媒體,當該等指令藉由一處理裝置執行時,引起該處理裝置執行包含以下各者之操作:藉由該處理裝置,使用關於一第一工具之參考資料為運行一製作方法之該第一工具建立一參考指紋,該第一工具在與運行該製作方法相關聯之參數及根據該參考資料決定之複數個最近鄰值之內執行,該參考指紋包含一目標基線及基於該目標基線之一或更多個可允許範圍;基於樣本資料與該參考指紋之一比較,決定是否與運行該製作方法之一第二工具相關聯之該樣本資料正在該等參數之內執行,該第二工具為該第一工具或與該第一工具相同類型之另一工具;以及基於該樣本資料與該參考指紋之比較向一系統或一使用者中之至少一者提供該第二工具之一分類,該分類指示是否該第二工具正在該等參數之內執行。
- 如請求項14所述之非暫態電腦可讀儲存媒體,該等操作進一步包含:識別該樣本資料與該參考指紋之間的一或更多個偏差;基於該一或更多個偏差決定該第二工具未正在該等參數之內執行;以及提供額外資料以識別該第二工具未在該等參數之內執行之一原因。
- 如請求項15所述之非暫態電腦可讀儲存媒體,其中該額外資料包含貢獻資料,該貢獻資料描述該第二工具之複數個感測器之貢獻。
- 如請求項14所述之非暫態電腦可讀儲存媒體,其中若該樣本資料在該參考指紋之內,則該分類為正常;且若該樣本資料不在該參考指紋之內,則該分類為異常。
- 如請求項14所述之非暫態電腦可讀儲存媒體,其中建立該參考指紋包含:使用該參考資料產生該複數個最近鄰值之一向量,其中該向量指示該製作方法之該第一工具之複數個感測器的效能;根據該向量決定一目標值,其中該目標值表示該複數個感測器之一期望效能;基於該目標值決定該複數個感測器之該期望效能之一或更多個可允許範圍;以及將該參考指紋定義為該目標值及該一或更多個可允許範圍。
- 如請求項18所述之非暫態電腦可讀儲存媒體,其中決定該目標值包含:決定該向量中之該複數個最近鄰值之一平均值。
- 如請求項18所述之非暫態電腦可讀儲存媒體,其中決定該一或更多個可允許範圍包含:決定相距該目標值之一或更多個標準偏差。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/974,915 US9910430B2 (en) | 2013-08-23 | 2013-08-23 | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
US13/974,915 | 2013-08-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201523311A true TW201523311A (zh) | 2015-06-16 |
TWI628553B TWI628553B (zh) | 2018-07-01 |
Family
ID=52481070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103128840A TWI628553B (zh) | 2013-08-23 | 2014-08-21 | 基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 |
Country Status (8)
Country | Link |
---|---|
US (1) | US9910430B2 (zh) |
EP (1) | EP3036655A4 (zh) |
JP (1) | JP6629204B2 (zh) |
KR (1) | KR102236931B1 (zh) |
CN (1) | CN105518654B (zh) |
SG (1) | SG11201601107WA (zh) |
TW (1) | TWI628553B (zh) |
WO (1) | WO2015027063A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9910430B2 (en) | 2013-08-23 | 2018-03-06 | Applied Materials, Inc. | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10360249B2 (en) * | 2015-04-10 | 2019-07-23 | Trendminder N.V. | System and method for creation and detection of process fingerprints for monitoring in a process plant |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
WO2018202361A1 (en) | 2017-05-05 | 2018-11-08 | Asml Netherlands B.V. | Method to predict yield of a device manufacturing process |
CN108393744B (zh) * | 2018-04-11 | 2023-07-18 | 嘉兴南湖学院 | 一种刀具状态多传感监测方法 |
US11486927B2 (en) | 2020-04-02 | 2022-11-01 | Applied Materials, Inc. | Bode fingerprinting for characterizations and failure detections in processing chamber |
EP3995920A1 (en) * | 2020-11-10 | 2022-05-11 | ABB Schweiz AG | Event analytics in modular industrial plants |
CN113190792B (zh) * | 2021-04-18 | 2023-10-24 | 宁波大学科学技术学院 | 一种基于近邻局部异常因子的乙烯裂解炉运行状态监测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2402280C (en) * | 2000-03-10 | 2008-12-02 | Cyrano Sciences, Inc. | Control for an industrial process using one or more multidimensional variables |
US6895293B2 (en) * | 2000-09-14 | 2005-05-17 | Applied Materials, Inc. | Fault detection and virtual sensor methods for tool fault monitoring |
US6650955B1 (en) | 2001-12-18 | 2003-11-18 | Advanced Micro Devices, Inc. | Method and apparatus for determining a sampling plan based on process and equipment fingerprinting |
US7043403B1 (en) | 2002-09-04 | 2006-05-09 | Advanced Micro Devices, Inc. | Fault detection and classification based on calculating distances between data points |
US20050286753A1 (en) * | 2004-06-25 | 2005-12-29 | Triant Technologies Inc. | Automated inspection systems and methods |
WO2006021251A1 (en) * | 2004-08-26 | 2006-03-02 | Scientific Systems Research Limited | A method for transferring process control models between plasma procesing chambers |
US20060180570A1 (en) * | 2005-02-14 | 2006-08-17 | Mahoney Leonard J | Application of in-situ plasma measurements to performance and control of a plasma processing system |
US7477960B2 (en) | 2005-02-16 | 2009-01-13 | Tokyo Electron Limited | Fault detection and classification (FDC) using a run-to-run controller |
US7355711B2 (en) * | 2005-07-01 | 2008-04-08 | Kla-Tencor Technologies Corporation | Method for detecting an end-point for polishing a material |
US7587296B2 (en) * | 2006-05-07 | 2009-09-08 | Applied Materials, Inc. | Adaptive multivariate fault detection |
US7813895B2 (en) | 2007-07-27 | 2010-10-12 | Applied Materials, Inc. | Methods for plasma matching between different chambers and plasma stability monitoring and control |
US8145444B1 (en) * | 2007-11-30 | 2012-03-27 | Intellectual Assets Llc | Asset surveillance system and method comprising self-calibrating fault detection |
DE102008021558A1 (de) | 2008-04-30 | 2009-11-12 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren und System für die Halbleiterprozesssteuerung und Überwachung unter Verwendung von PCA-Modellen mit reduzierter Grösse |
DE102009006887B3 (de) * | 2009-01-30 | 2010-07-15 | Advanced Micro Devices, Inc., Sunnyvale | Verfahren und System zur Halbleiterprozesssteuerung und Überwachung unter Anwendung eines Datenqualitätsmaßes |
US9910430B2 (en) | 2013-08-23 | 2018-03-06 | Applied Materials, Inc. | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
-
2013
- 2013-08-23 US US13/974,915 patent/US9910430B2/en active Active
-
2014
- 2014-08-21 SG SG11201601107WA patent/SG11201601107WA/en unknown
- 2014-08-21 EP EP14838723.6A patent/EP3036655A4/en not_active Withdrawn
- 2014-08-21 JP JP2016536451A patent/JP6629204B2/ja active Active
- 2014-08-21 WO PCT/US2014/052088 patent/WO2015027063A1/en active Application Filing
- 2014-08-21 TW TW103128840A patent/TWI628553B/zh active
- 2014-08-21 CN CN201480048641.2A patent/CN105518654B/zh active Active
- 2014-08-21 KR KR1020167007565A patent/KR102236931B1/ko active IP Right Grant
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9910430B2 (en) | 2013-08-23 | 2018-03-06 | Applied Materials, Inc. | K-nearest neighbor-based method and system to provide multi-variate analysis on tool process data |
Also Published As
Publication number | Publication date |
---|---|
JP2016528655A (ja) | 2016-09-15 |
EP3036655A1 (en) | 2016-06-29 |
TWI628553B (zh) | 2018-07-01 |
EP3036655A4 (en) | 2017-05-03 |
US9910430B2 (en) | 2018-03-06 |
KR102236931B1 (ko) | 2021-04-05 |
SG11201601107WA (en) | 2016-03-30 |
WO2015027063A1 (en) | 2015-02-26 |
CN105518654A (zh) | 2016-04-20 |
KR20160045866A (ko) | 2016-04-27 |
US20150057788A1 (en) | 2015-02-26 |
JP6629204B2 (ja) | 2020-01-15 |
CN105518654B (zh) | 2019-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201523311A (zh) | 基於k近鄰演算法的方法與系統以對工具處理資料提供多變數分析 | |
US11720821B2 (en) | Automated and customized post-production release review of a model | |
JP6896069B2 (ja) | k近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析 | |
TWI553496B (zh) | 增加訊噪比以創造一般化且強健的預測模型 | |
TWI623838B (zh) | 用於巨量資料分析的方法、非暫時性電腦可讀儲存媒體及系統 | |
US20150332167A1 (en) | System and method for modeling and/or analyzing manufacturing processes | |
US9396443B2 (en) | System and method for learning and/or optimizing manufacturing processes | |
US10228678B2 (en) | Tool failure analysis using space-distorted similarity | |
US9933772B2 (en) | Analyzing SCADA systems | |
Susto et al. | A virtual metrology system based on least angle regression and statistical clustering | |
JP2020027342A (ja) | 情報処理装置、監視装置、及び情報処理方法 | |
WO2019240019A1 (ja) | 異常解析装置、製造システム、異常解析方法及びプログラム | |
US8682058B2 (en) | Defect analysis method, apparatus, and recording medium using pattern dependence degree | |
US20170343999A1 (en) | Semiconductor device search and classification | |
Ning et al. | A simulation comparison of some distance‐based EWMA control charts for monitoring the covariance matrix with individual observations | |
Tilouche et al. | Classification algorithms for virtual metrology | |
TW201642184A (zh) | 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類 | |
US11789427B2 (en) | Value-independent situation identification and matching | |
US11592811B2 (en) | Methods and apparatuses for defining authorization rules for peripheral devices based on peripheral device categorization | |
Nakkeeran et al. | Towards Early Cyberattack Discrimination in the Smart Grid Using Statistical Approach with Machine Learning Techniques | |
Maatouk et al. | An Optimization Framework For Anomaly Detection Scores Refinement With Side Information |