TW202136758A - 異常偵測裝置及異常偵測方法 - Google Patents

異常偵測裝置及異常偵測方法 Download PDF

Info

Publication number
TW202136758A
TW202136758A TW109141778A TW109141778A TW202136758A TW 202136758 A TW202136758 A TW 202136758A TW 109141778 A TW109141778 A TW 109141778A TW 109141778 A TW109141778 A TW 109141778A TW 202136758 A TW202136758 A TW 202136758A
Authority
TW
Taiwan
Prior art keywords
series data
unit
processing
time series
output
Prior art date
Application number
TW109141778A
Other languages
English (en)
Inventor
筒井拓郎
Original Assignee
日商東京威力科創股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商東京威力科創股份有限公司 filed Critical 日商東京威力科創股份有限公司
Publication of TW202136758A publication Critical patent/TW202136758A/zh

Links

Images

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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
    • H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
    • H01L21/67005—Apparatus not specifically provided for elsewhere
    • H01L21/67242—Apparatus for monitoring, sorting or marking
    • H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
    • G01N21/66—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence
    • G01N21/67—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light electrically excited, e.g. electroluminescence using electric arcs or discharges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9501—Semiconductor wafers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Molecular Biology (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Hardware Design (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

異常偵測裝置利用複數網路部及序連部來訓練模型，該複數網路部各配置成處理所獲取的時間序列資料組，該序連部配置成組合從複數網路部之各者輸出的輸出資料，並將組合從複數網路部之各者輸出之輸出資料的結果輸出作為綜合結果。接著施加經訓練的模型，以調適受處理物件之製造期間執行的程序單元。

Description

異常偵測裝置及異常偵測方法
本揭示內容關於異常偵測裝置、異常偵測方法、及異常偵測電腦程式產品。
習知上，在諸多製造程序的領域中，已知異常偵測技術，其從物件處理期間所量測的量測資料(成組的多個類型之時間序列資料，以下稱為「時間序列資料組」)，偵測已在諸多製造程序期間發生的異常。
舉例而言，在半導體製造程序中，藉由預先產生的異常偵測模型，來監控晶圓處理期間量測的時間序列資料組，以判定任何異常的發生、如此異常的程度等等。 [相關技術文件] [專利文件]
[專利文件1]日本公開專利申請案第2011-100211號
本揭示內容提供能夠實施高精準度異常偵測程序的異常偵測裝置、異常偵測方法、及異常偵測電腦程式產品。
依據本揭示內容之一態樣的異常偵測裝置包含處理器；及記憶體，其儲存電腦程式，該電腦程式致使處理器實施：獲取單元，配置成獲取伴隨在製造程序中之預定程序單元的物件之處理而加以量測的時間序列資料組；及訓練單元，包含各配置成處理所獲取的時間序列資料組之複數個網路部，且包含序連部，其配置成將從複數個網路部之各者輸出之輸出資料組合作為處理所獲取的時間序列資料組之結果，並配置成輸出組合從複數個網路部之各者輸出之輸出資料的結果作為綜合結果。訓練單元係配置成相關於複數個網路部及序連部執行機器學習，使得從序連部輸出的綜合結果逼近物件在製造程序中之預定程序單元受處理時所獲取的指示異常位準之資訊。
依據本揭示內容，可提供能夠實現高精準度異常偵測程序的異常偵測裝置、異常偵測方法、及異常偵測電腦程式。
以下將參照圖式敘述實施例。針對本說明書及圖式中實質上相同的元件，藉由給予相同的參考編號而省略重複的敘述內容。 [第一實施例] ＜包含半導體製造程序及異常偵測裝置之系統的整體配置＞
首先，將敘述製造程序(本實施例中之半導體製造程序)及包含異常偵測裝置之系統的整體配置。圖1為顯示包含執行半導體製造程序之裝置及異常偵測裝置之系統的整體配置實例之第一圖解。如圖1所示，系統100包含執行半導體製造程序的裝置、時間序列資料獲取裝置140_1至140_n、及異常偵測裝置160。
在半導體製造程序中，物件(例如處理前晶圓110)在預定的程序單元120受處理以產生結果(例如處理後晶圓130)。此處所述的程序單元120為關於處理腔室中執行之特定半導體製造程序的專門用語，且以下將說明細節。並且，處理前晶圓110係指在執行程序單元120之腔室受處理前的晶圓(基板)，且處理後晶圓130係指在執行程序單元120之腔室中受處理後的晶圓(基板)。
時間序列資料獲取裝置140_1至140_n各獲取伴隨處理前晶圓110在程序單元120之處理而量測的時間序列資料。時間序列資料獲取裝置140_1至140_n各量測不同性質。應注意，時間序列資料獲取裝置140_1至140_n之各者所量測之量測項目的數目可為一、或多於一。依據處理前晶圓110之處理而量測的時間序列資料不僅包括處理前晶圓110之處理期間所量測的時間序列資料，亦包括處理前晶圓110之前處理或後處理期間所量測的時間序列資料。這些處理可包括無晶圓(基板)之情況下執行的前處理及後處理。
由時間序列資料獲取裝置140_1至140_n獲取的時間序列資料係儲存在異常偵測裝置160中之訓練資料儲存單元163(非暫態記憶體裝置)內，作為訓練資料(訓練資料中的輸入資料)。
處理前晶圓110在程序單元120之處理期間所獲取的指示異常程度(亦稱為「異常位準」)之資訊係儲存在異常偵測裝置160中之訓練資料儲存單元163內，作為關聯於時間序列資料組的訓練資料(訓練資料中的正確答案資料、或基準真相資料)。
異常偵測程式(在處理器上執行以實施此處討論之演算法的編碼)係安裝於異常偵測裝置160中。藉由執行誤差偵測程式，異常偵測裝置160運作為訓練單元161及推論單元162。
訓練單元161使用訓練資料(時間序列資料獲取裝置140_1至140_n所獲取的時間序列資料組及指示關聯於時間序列資料組之異常位準的資訊)執行機器學習。具體而言，訓練單元161使用多個網路部處理時間序列資料組(其為輸入資料)，並相關於網路部執行機器學習，使得網路部之各者獲得之輸出資料的綜合結果逼近指示異常位準的資訊(其為正確答案資料)。
推論單元162將依據程序單元120中的新物件(例如處理前晶圓)之處理、由時間序列資料獲取裝置140_1至140_n所獲取的時間序列資料組輸入至多個網路部，機器學習係已施加於該等網路部。因此，推論單元162基於依據新晶圓之處理而獲取的時間序列資料組，推論(輸出)指示異常程度的資訊。
如上所述，藉由透過使用多個網路部，來處理伴隨半導體製造程序中在預定程序單元120之物件之處理而獲取的處理時間序列資料組，便可以多面向方式分析預定程序單元中獲取的時間序列資料組。因此，相較於其中使用單一網路部的配置，依據異常偵測裝置160，可產生用於實現具有高精準度之異常偵測程序的模型(推論單元162)。一旦由訓練單元161加以訓練，推論單元便針對尚未受處理之物件呈現能夠準確識別異常位準的學習模型，且因此可用以控制/調整半導體製造設備來調適尚未受處理之物件的異常位準，並可靠地生產物件，而不受關聯於受處理物件之異常位準、及用以製作所生產物件之製程步驟所影響。雖然用語「單元」在此用於例如訓練單元及推論單元的裝置，但應理解亦可使用用語「電路」(例如「訓練電路」或「推論電路」)。此係因為執行實施為軟體碼之操作及/或邏輯操作的電路裝置係由軟體碼及/或邏輯操作所配置，以執行此處所述的演算法。 ＜半導體製造程序中的預定「程序單元」＞
接著，將說明半導體製造程序中的預定程序單元120。圖2A及2B為各顯示半導體製造程序中的預定程序單元實例之圖解。如圖2A或2B中所示，半導體製造裝置200(其為基板處理設備的實例)包含多個腔室。該等腔室之各者為處理空間的實例。在圖2的實例中，半導體製造裝置200包含腔室A至C，且晶圓在腔室A至C之各者中受處理。
圖2A顯示其中多個腔室中執行之程序分別定義為程序單元120的情形。晶圓依序在腔室A、腔室B、及腔室C中受處理。在此情形中，處理前晶圓110(圖1)係指在腔室A中受處理前的晶圓，且處理後晶圓130係指在腔室C中受處理後的晶圓。
依據處理前晶圓110在圖2A之程序單元120中的處理而量測之時間序列資料組包含： 依據腔室A(第一處理空間)中執行之晶圓製程而輸出的時間序列資料組、 依據腔室B(第二處理空間)中執行之晶圓製程而輸出的時間序列資料組、及 依據腔室C(第三處理空間)中執行之晶圓製程而輸出的時間序列資料組。
同時，圖2B顯示其中單一腔室(在圖2B之實例中為「腔室B」)中執行之程序定義為程序單元120的情形。在此情形中，處理前晶圓110係指已經在腔室A中受處理且將在腔室B中受處理的晶圓，且處理後晶圓130係指已經在腔室B中受處理且將在腔室C中受處理的晶圓。
再者，參照圖2B，伴隨處理前晶圓110(圖1)之處理而量測的時間序列資料組包含依據腔室B中執行之處理前晶圓110(圖1)的處理而量測的時間序列資料組。
圖3為顯示半導體製造程序中之預定程序單元實例的另一圖解。類似於圖2A或2B，半導體製造裝置200包含多個腔室，在其各者中將不同類型的處理施加於晶圓。然而，在另一實施例中，可在多個腔室其中至少兩腔室中將相同類型的處理施加至晶圓。
圖3的時間圖(a)顯示其中腔室B內執行之程序不包含前處理及後處理的程序(稱為「晶圓處理」)定義為程序單元120的情形。在此情形中，處理前晶圓110(圖1)係指執行晶圓處理前(執行前處理之後)的晶圓，且處理後晶圓130(圖1)係指執行晶圓處理後(執行後處理之前)的晶圓。
在圖3中之時間圖(a)的程序單元120中，伴隨處理前晶圓110之處理而量測的時間序列資料組包含伴隨腔室B中執行之處理前晶圓110之晶圓處理而量測的時間序列資料組。
圖3中的時間圖(a)顯示其中前處理、晶圓處理(本處理)、及後處理在相同腔室中執行、且其中晶圓處理定義為程序單元120的情形。然而，在其中該等處理之各者在不同腔室中執行的情形(例如其中前處理、晶圓處理、及後處理分別在腔室A、B、及C中執行的情形)中，腔室B中執行的處理可定義為程序單元120。或者，在另一實施例中，腔室A或C中執行的處理可定義為程序單元120。因此，應理解程序單元可為僅在一腔室中執行的程序，或可為依序在多於一個腔室中執行的程序。
相反地，圖3的時間圖(b)顯示腔室B內執行之程序當中、晶圓處理中所包含之依據一製程配方(時間圖(b)之實例中的「製程配方III」)之處理定義為程序單元120的情形。在此情形中，處理前晶圓110係指施加依據製程配方III之程序前(且在已施加依據製程配方II之程序之後)的晶圓。處理後晶圓130係指已施加依據製程配方III之程序之後(且在施加依據製程配方IV(未示出)之程序之前)的晶圓。
再者，在圖3中之時間圖(b)的程序單元120中，伴隨處理前晶圓110之處理而量測的時間序列資料組包含在依據腔室B中執行之製程配方III的處理期間所量測的時間序列資料組。 ＜異常偵測裝置的硬體配置＞
接著，將敘述異常偵測裝置160的硬體配置。圖4為顯示異常偵測裝置160之硬體配置實例的圖解。如圖4中所示，異常偵測裝置160包含CPU(中央處理單元)401、ROM(唯讀記憶體)402、及RAM(隨機存取記憶體)403。異常偵測裝置160亦包含GPU(圖形處理單元)404。例如CPU 404及GPU 404的處理器(處理電路)、以及例如ROM 402及RAM 403的記憶體構成所謂的電腦，其中處理器(電路)可由軟體加以配置，以執行此處所述的演算法。
異常偵測裝置160更包含輔助儲存裝置405、顯示裝置406、操作裝置407、介面(I/F)裝置408、及驅動裝置409。異常偵測裝置160中的各硬體元件係經由匯流排410彼此連接。
CPU 401為執行安裝於輔助儲存裝置405中之諸多程式(例如異常偵測程式)的算術操作處理裝置。
ROM 402是運作為主記憶體單元的非揮發性記憶體。ROM 402儲存CPU 401執行安裝在輔助儲存裝置405中之諸多程式所需的程式及資料。具體而言，ROM 402儲存例如BIOS(基本輸入輸出系統)或EFI(可延伸韌體介面)的啟動程式。
RAM 403為例如DRAM(動態隨機存取記憶體)或SRAM(靜態隨機存取記憶體)的揮發性記憶體，且運作為主記憶體單元。RAM 403提供工作區域，當安裝於輔助儲存裝置405中之諸多程式由CPU 401執行時，該諸多程式係載入於該工作區域上。
GPU 404為用於影像處理的算術操作處理裝置。當CPU 401執行異常偵測程式時，GPU 404藉由使用平行處理而執行諸多影像資料(亦即本實施例中之時間序列資料)的高速計算。GPU 404包含內部記憶體(GPU記憶體)以暫時保留執行諸多影像資料之平行處理所需要的資訊。
輔助儲存裝置405儲存該諸多程式、及該諸多程式由CPU 401執行時所使用的諸多資料。舉例而言，訓練資料儲存單元163係藉由輔助儲存裝置405所實施。
顯示裝置406顯示異常偵測裝置160的內部狀態。操作裝置407為異常偵測裝置160之管理者輸入諸多指令至異常偵測裝置160時，該管理者所使用的輸入裝置。I/F裝置408為用於連接網路(未示出)並與網路通訊的連接裝置。
驅動裝置409為記錄媒體420裝載至其中的裝置。記錄媒體420的實例包含用於以光學、電性、或磁性方式記錄資訊的媒體，例如CD-ROM、軟性磁碟、及磁光碟。此外，記錄媒體420的實例可包含以電性方式記錄資訊的半導體記憶體等等，例如ROM、及快閃記憶體。
安裝在輔助儲存裝置405中的諸多程式(電腦可執行碼)係例如在分散之記錄媒體420裝載至驅動裝置409中及記錄於記錄媒體420中之諸多程式由驅動裝置409讀出時安裝。或者，安裝在輔助儲存裝置405中的諸多程式可藉由透過網路(未示出)下載而安裝。 ＜訓練資料的實例＞
接著，將敘述在訓練單元161執行機器學習時從訓練資料儲存單元163讀出之訓練資料。圖5為顯示訓練資料之實例的第一圖解。如圖5中所示，訓練資料500包含「設備」、「配方類型」、「時間序列資料組」、及「異常位準」作為資料的欄位。在此，將說明其中預定之程序單元120為依據一製程配方之處理的情形。
「設備」欄位儲存指示半導體製造裝置(例如半導體製造裝置200)將在關於是否發生異常之方面受監控的識別符。「配方類型」欄位儲存指示對應半導體製造裝置(例如EqA)中執行之製程配方當中之一製程配方的識別符(例如製程配方I)，該製程配方係於對應之時間序列資料被量測時執行。
「時間序列資料組」欄位儲存在「設備」指示之半導體製造裝置中執行依據「配方類型」指示之製程配方的處理時、由時間序列資料獲取裝置140_1至140_n所量測的時間序列資料組。
「異常位準」欄位儲存指示異常程度的資訊(異常程度的數值表示法)，其係於對應時間序列資料組(例如時間序列資料組1)由時間序列資料獲取裝置140_1至140_n量測時獲得。順帶一提，在圖5的實例中，儲存「位準0」、「位準1」、「位準2」、「位準3」的其中一者作為指示異常程度的資訊。 ＜時間序列資料組的實例＞
接著，將敘述時間序列資料獲取裝置140_1至140_n量測之時間序列資料組的具體實例。圖6A及6B為顯示時間序列資料組之實例的圖解。在圖6A及6B的實例中，為了簡化說明內容，時間序列資料獲取裝置140_1至140_n之各者量測一維資料。然而，時間序列資料獲取裝置140_1至140_n之至少一者可量測二維資料(成組之多個類型的一維資料)。
圖6A表示其中程序單元120為圖2B、圖3之圖(a)、及圖3之圖(b)其中任一者所示者的時間序列資料組。在此情形中，時間序列資料獲取裝置140_1至140_n之各者獲取在腔室B中之處理前晶圓110之處理期間量測的時間序列資料。時間序列資料獲取裝置140_1至140_n之各者獲取相同時間框架內量測之時間序列資料作為時間序列資料組。
相反地，圖6B表示當程序單元120為圖2A所示者時的時間序列資料組。在此情形中，舉例而言，時間序列資料獲取裝置140_1至140_3之各者獲取伴隨腔室A中之處理前晶圓之處理而量測的時間序列資料組1。舉例而言，時間序列資料獲取裝置140_n-2獲取伴隨腔室B中之晶圓之處理而量測的時間序列資料組2。舉例而言，時間序列資料獲取裝置140_n-1及140_n獲取伴隨腔室C中之晶圓之處理而量測的時間序列資料組3。
圖6A顯示其中時間序列資料獲取裝置140_1至140_n各者獲取相同時間框架期間隨腔室B中處理前晶圓之處理而量測之時間序列資料作為時間序列資料組的情形。然而，時間序列資料獲取裝置140_1至140_n各者可獲取多組時間序列資料作為時間序列資料組，該多組時間序列資料係各於不同時間範圍期間，隨腔室B中執行之處理前晶圓之處理而量測。
具體而言，時間序列資料獲取裝置140_1至140_n可獲取前處理期間量測的時間序列資料作為時間序列資料組1。時間序列資料獲取裝置140_1至140_n可獲取晶圓處理期間量測的時間序列資料作為時間序列資料組2。再者，時間序列資料獲取裝置140_1至140_n可獲取後處理期間量測的時間序列資料作為時間序列資料組3。
或者，時間序列資料獲取裝置140_1至140_n可獲取依據製程配方I之處理期間量測的時間序列資料作為時間序列資料組1。時間序列資料獲取裝置140_1至140_n可獲取依據製程配方II之處理期間量測的時間序列資料作為時間序列資料組2。再者，時間序列資料獲取裝置140_1至140_n可獲取依據製程配方III之處理期間量測的時間序列資料作為時間序列資料組3。 ＜訓練單元的功能性配置＞
接著，將敘述訓練單元161的功能性配置。圖7為顯示訓練單元161之功能性配置實例的第一圖解。訓練單元161包含分支部710、多個網路部(包括第一網路部720_1、第二網路部720_2、…及第M網路部720_M)、序連部730、及比較部740。
分支部710為獲取單元的實例，且從訓練資料儲存單元163讀出時間序列資料組。分支部710處理時間序列資料組，使得從訓練資料儲存單元163被讀出的時間序列資料組由第一網路部720_1至第M網路部720_M的網路部處理。
第一至第M網路部(720_1至720_M)係基於卷積神經網路(convolutional neural network, CNN)而配置，其包含多個層。
具體而言，第一網路部720_1具有第一層720_11、第二層720_12、…及第N層720_1N。類似地，第二網路部720_2具有第一層720_21、第二層720_22、…及第N層720_2N。其他網路部亦類似地加以配置。舉例而言，第M網路部720_M具有第一層720_M1、第二層720_M2、…及第N層720_MN。
第一網路部720_1中之第一至第N層(720_11至720_1N)的各者執行諸多類型的處理，例如正規化處理、卷積處理、激勵(activation)處理、及池化處理。類似類型的處理係於第二至第M網路部(720_2至720_M)中之層的各者處執行。
序連部730組合從第一至第M網路部(720_1至720_M)之第N層(720_1N至720_MN)輸出的各輸出資料，並輸出綜合結果至比較部740。類似於網路部(721_1至720_M)，序連部730可配置成藉由機器學習加以訓練。序連部730可實施為卷積神經網路或其他類型的神經網路。
比較部740比較從序連部730輸出之綜合結果與從訓練資料儲存單元163讀出的指示異常程度之資訊(正確答案資料)，以計算誤差。訓練單元161相關於第一至第M網路部(720_1至720_M)及序連部730藉由誤差反向傳播來執行機器學習，使得由比較部740計算的誤差滿足預定的條件。
藉由執行機器學習，第一至第M網路部720_1至720_M之各者的模型參數、及序連部730的模型參數受到最佳化，以判定用以生產經處理基板之半導體製造程序的異常程度。 ＜訓練單元之各部分中的處理細節＞
接著，將參照具體實例說明訓練單元161之各部分(尤其是分支部)中執行的處理細節。
(1)執行於分支部中之處理細節(1)。 首先，將詳細說明分支部710的處理。圖8為顯示分支部710中執行之處理的具體實例之第一圖解。在圖8所示的情形中，分支部710藉由依據第一準則處理時間序列資料獲取裝置140_1至140_n量測之時間序列資料組而產生時間序列資料組1(第一時間序列資料組)，且將時間序列資料組1輸入第一網路部720_1。
分支部710亦藉由依據第二準則處理時間序列資料獲取裝置140_1至140_n量測之時間序列資料組而產生時間序列資料組2(第二時間序列資料組)，且將時間序列資料組2輸入第二網路部720_2。
如上所述，由於訓練單元161受配置而使得多組資料(例如上述實例中的時間序列資料組1及時間序列資料組2)藉由依據不同準則(例如第一準則及第二準則)之各者處理時間序列資料組而產生、且該多組資料的各者係於不同網路部中受處理，又由於機器學習係於上述配置上執行，所以程序單元120可以多面向的方式加以分析。因此，相較於其中時間序列資料組利用單一網路部加以處理的情形，可產生實現高推論精準度的模型(推論單元162)。
圖8的實例顯示其中藉由依據兩類型之準則之各者處理時間序列資料組而產生兩組資料的情形。然而，可藉由依據三或更多類型之準則之各者處理時間序列資料組而產生多於兩組資料。再者，諸多類型的準則可用於處理時間序列資料組。舉例而言，若時間序列資料組包含藉由光學發射光譜法獲得的資料，便可使用光強度的平均作為準則。此外，可使用例如晶圓之膜厚度的晶圓之特性值、或生產批次中之多個晶圓的特性值作為準則。再者，亦可使用例如腔室之使用時間或預防性維護之次數的指示腔室狀態的數值作為準則。
(2)執行於分支部中之處理細節(2) 接著，將詳細說明分支部710中執行的另一處理。圖9為顯示分支部710中執行之處理的具體實例之第二圖解。在圖9所示的情形中，分支部710藉由依據資料類型將時間序列資料獲取裝置140_1至140_n量測之時間序列資料組分類，而產生時間序列資料組1(第一時間序列資料組)及時間序列資料組2(第二時間序列資料組)。分支部710將所產生的時間序列資料組1輸入第三網路部720_3，且將所產生的時間序列資料組2輸入第四網路部720_4。
如上所述，由於訓練單元161係配置成依據資料類型將時間序列資料組分類成多組資料(例如上述實例中的時間序列資料組1及時間序列資料組2)、且在不同網路部中處理該多組資料的各者，又由於機器學習係於上述配置上執行，所以程序單元120可以多面向的方式加以分析。因此，相較於其中藉由將時間序列資料組輸入單一網路部而執行機器學習的情形，可產生達到高推論精準度的模型(推論單元162)。
在圖9的實例中，依據資料類型的差異將時間序列資料組分組(分類)，該資料類型的差異係起因於時間序列資料獲取裝置140_1至140_n中之差異。舉例而言，可將時間序列資料組分組為藉由光學發射光譜法獲取的資料組及藉由質譜法獲取的資料組。然而，可依據獲取資料之時間範圍將時間序列資料組分組。舉例而言，在其中時間序列資料組由伴隨依據多個製程配方(例如製程配方I至III)之處理而量測之時間序列資料構成的情形中，可依據個別製程配方的時間範圍將時間序列資料組分為三組(例如時間序列資料組1至3)。或者，可依據環境資料(例如環境壓力、空氣壓力)將時間序列資料組加以分組。再者，可依據獲取時間序列資料之程序之前或之後執行的操作(例如腔室的調節或清潔)期間所獲得的資料，將時間序列資料組加以分組。
(3)執行於分支部中之處理細節(3) 接著，將詳細說明分支部710中執行的又另一處理。圖10為顯示分支部710中執行之處理之具體實例的第三圖解。在圖10所示的情形中，分支部710將時間序列資料獲取裝置140_1至140_n獲取之相同時間序列資料組輸入至第五網路部720_5及第六網路部720_6的各者。在第五網路部720_5及第六網路部720_6的各者中，將不同程序(正規化程序)施加至相同的時間序列資料組。
圖11為顯示網路部之各者中包含之正規化單元執行的處理之具體實例圖解。如圖11中所示，第五網路部720_5之層的各者包含正規化單元、卷積單元、激勵函數單元、及池化單元。
圖11的實例顯示第五網路部720_5中之第一層720_51內包含的正規化單元1101、卷積單元1102、激勵函數單元1103、及池化單元1104。
其中，正規化單元1101對從分支部710輸入的時間序列資料組施加第一正規化程序，以產生正規化時間序列資料組1(第一時間序列資料組)。
此外，圖11的實例亦顯示第六網路部720_6中之第一層720_61內包含的正規化單元1111、卷積單元1112、激勵函數單元1113、及池化單元1114。
其中，正規化單元1111對從分支部710輸入的時間序列資料組施加第二正規化程序，以產生正規化時間序列資料組2(第二時間序列資料組)。
如上所述，由於訓練單元161係配置成使用各包含正規化單元(其利用不同於其他正規化單元之方法執行正規化)的多個網路部處理時間序列資料組，又由於機器學習係於上述配置上執行，所以程序單元120可以多面向的方式加以分析。因此，相較於其中利用單一網路部將單一類型之正規化施加至時間序列資料組的情形，可產生達到高推論精準度的模型(推論單元162)。
(4)執行於分支部中之處理細節(4) 接著，將詳細敘述分支部710中執行的再另一處理。圖12為顯示分支部710中執行之處理之具體實例的第四圖解。在圖12的實例中，在由時間序列資料獲取裝置140_1至140_n量測的時間序列資料組當中，分支部710將伴隨腔室A中晶圓之處理而量測的時間序列資料組1(第一時間序列資料組)輸入第一網路部720_7。
分支部710將時間序列資料獲取裝置140_1置140_n量測的時間序列資料組當中、伴隨腔室B中晶圓之處理而量測的時間序列資料組2(第二時間序列資料組)輸入第八網路部720_8。
如上所述，由於訓練單元161係配置成藉由個別網路部，來處理各伴隨不同腔室(第一處理空間及第二處理空間)中之處理而量測的不同時間序列資料組，又由於機器學習係於上述配置上執行，所以程序單元120可以多面向的方式加以分析。因此，相較於其中時間序列資料組的各者配置成利用單一網路部加以處理的情形，可產生達到高推論精準度的模型(推論單元162)。 ＜推論單元的功能性配置＞
接著，將敘述推論單元162的功能性配置。圖13為顯示推論單元162之功能性配置實例的第一圖解。如圖13中所示，推論單元162包含分支部1310、第一至第M網路部1320_1至1320_M、及序連部1330。
在由訓練單元161用於機器學習的時間序列資料組被量測後，分支部1310獲取由時間序列資料獲取裝置140_1至140_n新近量測的時間序列資料組。分支部1310亦配置成使第一至第M網路部(1320_1至1320_M)處理由分支部1310獲取的時間序列資料組。
第一至第M網路部(1320_1至1320_M)係藉由在訓練單元161中執行機器學習以使第一至第M網路部(720_1至720_M)中之層的各者之模型參數最佳化，來加以實施。
序連部1330係藉由其模型參數已透過在訓練單元161執行機器學習而最佳化的序連部730來加以實施。序連部1330組合從第一網路部1320_1之第N層1320_1N至第M網路部1320_M之第N層1320_MN輸出的輸出資料，以輸出指示異常程度的資訊。
如上所述，推論單元162係藉由訓練單元161中執行的機器學習  而產生，該訓練單元161以多面向的方式相關於預定之程序單元而分析時間序列資料組。因此，推論單元162亦可應用於不同的製程配方、不同腔室、及不同的裝置。或者，推論單元162可在維護前應用於一腔室，且在該腔室之維護後應用於相同的腔室。亦即，依據本實施例的推論單元162消除例如對於執行習知系統中所需要之腔室之維護後維持或保留模型的需求。再者，訓練單元161中發展出的模型可用在推論單元162中，以辨識將可能導致不同程度之異常的製程。因此，藉由應用經訓練的模型，半導體製造設備可受控制以在製程腔室上觸發受監督的或自動化的維護操作；產生電漿用RF功率系統(例如RF功率位準及/或RF波形的調整)或氣體輸入及/或氣體排出操作的其中至少一者的調整；受監督的或自動化的校準操作(例如用於產生電漿之氣體流及/或RF波形)；受監督的或自動化的氣體流位準調整；受監督的或自動化的例如靜電卡盤之構件(其可能隨時間而變得耗損)的更換等等。 ＜異常偵測程序的流程＞
接著，將敘述由異常偵測裝置160執行的異常偵測程序之整體流程。圖14為顯示異常偵測程序之流程的第一流程圖。
在步驟S1401中，訓練單元161獲取時間序列資料組及指示異常位準的資訊，來做為訓練資料。
在步驟S1402中，訓練單元161藉由使用所獲取的訓練資料執行機器學習。在所獲取的訓練資料中，時間序列資料組被用作輸入資料，且指示異常位準的資訊被用作正確答案資料。
在步驟S1403中，訓練單元決定是否繼續機器學習。若機器學習藉由獲取進一步的訓練資料而繼續(步驟S1403中之「是」的情形)，程序回到步驟S1401。同時，若機器學習終止(步驟S1403中之「否」的情形)，程序前進到步驟S1404。
在步驟S1404中，推論單元162藉由反映透過機器學習最佳化之模型參數而產生第一至第M網路部1320_1至1320_M。
在步驟S1405中，推論單元162藉由輸入伴隨新的處理前晶圓之處理而量測的時間序列資料組，來推論指示異常位準的資訊。
在步驟S1406中，推論單元162輸出關聯於指示對應半導體製造裝置之識別符、指示對應製程配方類型的識別符等等的推論結果。 ＜概述＞
如從以上敘述內容顯而易見，依據第一實施例的異常偵測裝置執行以下步驟： a)  獲取伴隨在製造程序中之預定程序單元的物件之處理而量測的時間序列資料組； b) 相關於所獲取的時間序列資料組， b-1)   藉由分別依據第一及第二準則處理所獲取的時間序列資料組而產生第一時間序列資料組及第二時間序列資料組、藉由使用多個網路部處理第一及第二時間序列資料組、及組合輸出自該多個網路部之各者的輸出資料； b-2)   依據資料類型或時間範圍將所獲取的時間序列資料組分類成多個組、藉由使用多個網路部處理該等組、及組合輸出自該多個網路部之各者的輸出資料；或 b-3)   將所獲取的時間序列資料組輸入至各基於不同方法執行正規化之多個網路部以在該多個網路部之各者中處理所獲取的時間序列資料組、及組合輸出自該多個網路部之各者的輸出資料； c)  相關於該多個網路部執行機器學習，使得組合輸出自該多個網路部之各者的輸出資料之結果逼近在製造程序中之特定程序單元的物件之處理時所獲得的指示異常位準之資訊； d) 藉由使用被施以機器學習結果的多個網路部，處理伴隨新物件之處理由時間序列資料獲取裝置量測之新近獲得的時間序列資料組，並將組合從該多個網路部之各者輸出之輸出資料的結果輸出，作為指示異常位準的推論資訊。
如上所述，由於依據第一實施例的異常偵測裝置係配置成藉由將時間序列資料組輸入多個網路部而執行機器學習，所以半導體製造程序中之預定程序單元的時間序列資料組可以多面向的方式加以分析。因此，相較於其中機器學習藉由將時間序列資料組輸入單一網路部而執行的情形，可產生實現高精準度異常偵測程序的模型。
亦即，依據第一實施例，可提供能夠執行高精準度異常偵測程序的異常偵測裝置。 [第二實施例]
在依據第一例示實施例的異常偵測裝置160中，相關於其中所獲取之時間序列資料組利用多個網路部加以處理的配置，顯示了四個類型的配置。在這四個配置當中，第二實施例進一步敘述其中時間序列資料組利用多個網路部加以處理的配置，該等網路部各包含利用與其他正規化單元不同之方法執行正規化的正規化單元。在以下敘述中，將說明以下案例，其中： 時間序列資料獲取裝置為光學發射光譜儀，且 時間序列資料組為光學發射光譜資料(以下稱為「OES資料」)，其為包含對應至波長類型數目的發射強度之時間序列資料之組數的資料組。 以下，將聚焦於與上述第一實施例之差異而說明第二實施例。 ＜包含執行半導體製造程序之裝置及異常偵測裝置的系統之整體配置＞
首先，將敘述包含執行半導體製造程序之裝置及異常偵測裝置的系統之整體配置，其中該系統中的時間序列資料獲取裝置為光學發射光譜儀。圖15為顯示包含執行半導體製造程序之裝置及異常偵測裝置的系統之整體配置實例的第二圖解。如圖15中所示，系統1500包含包含執行半導體製造程序之裝置、光學發射光譜儀1501、及異常偵測裝置160。
在圖15所示的系統1500中，藉由使用光學發射光譜法，光學發射光譜儀1501伴隨在程序單元120之處理前晶圓110之處理而量測OES資料作為時間序列資料組。由光學發射光譜儀1501量測之OES資料的一部分係儲存於異常偵測裝置160之訓練資料儲存單元163中，作為執行機器學習時所使用的訓練資料(輸入資料)。 ＜訓練資料的實例＞
接著，將說明在訓練單元161執行機器學習時從訓練資料儲存單元163讀出的訓練資料。圖16為顯示訓練資料之實例的第二圖解。如圖16中所示，訓練資料1600包含類似於圖5中所示之訓練資料500中者的資訊項目。與圖5的差異為訓練資料1600包含「OES資料」作為資訊項目來取代圖5的「時間序列資料組」，且由光學發射光譜儀1501量測的OES資料係儲存在「OES資料」欄位中。 ＜OES資料的具體實例＞
接著，將敘述光學發射光譜儀1501中量測的OES資料之具體實例。圖17為顯示OES資料之實例的圖解。
在圖17中，圖表1710為顯示OES資料之特性的圖表，該OES資料屬於光學發射光譜儀1501所量測的時間序列資料組。水平軸線表示用於識別在程序單元120受處理之各晶圓的晶圓識別號碼。垂直軸線表示伴隨各晶圓之處理在光學發射光譜儀1501中量測之OES資料的時間長度。
如圖表1710中所示，光學發射光譜儀1501中量測的OES資料在待處理之各晶圓中的時間長度上不同。
舉例而言，在圖17的實例中，OES資料1720代表伴隨具有晶圓識別號碼=「745」之處理前晶圓之處理而量測的OES資料。OES資料1720的垂直大小(高度)取決於光學發射光譜儀1501中量測之波長範圍(波長成分數)。在第二實施例中，光學發射光譜儀1501量測預定波長範圍內的發射強度。因此，舉例而言，OES資料1720的垂直大小為包含於預定波長範圍內的波長之類型數目Nλ (Nλ 為代表光學發射光譜儀1501量測之波長成分數的自然數)。注意到，在本實施例中，波長成分數亦可稱為「波長數」。
同時，OES資料1720的橫向大小(寬度)取決於光學發射光譜儀1501執行量測所經過的時間長度。在圖17的實例中，OES資料1720的橫向大小為「LT」。
因此，OES資料1720可謂為集合一預定數目之波長的一組時間序列資料，其中針對該等波長之各者有預定時間長度的一維時間序列資料。
當將OES資料1720輸入第五網路部720_5及第六網路部720_6時，分支部710以每小批次之基礎將資料調整大小，使得資料大小與其他晶圓識別號碼的OES資料之大小相同。 ＜正規化部分處理的實例＞
接著，將敘述由第五網路部720_5及第六網路部720_6中之正規化單元執行的處理之具體實例，OES資料1720係從分支部710輸入至第五網路部720_5及第六網路部720_6中。
圖18為顯示由OES資料輸入至其中之個別網路部內包含的正規化單元所執行之處理的具體實例圖解。如圖18中所示，在包含於第五網路部720_5之層當中，第一層720_51包含正規化單元1101。正規化單元1101藉由利用第一方法(相關於整體波長而施加基於發射強度之平均值及標準差的正規化)將OES資料1720正規化而產生正規化資料(正規化OES資料1810)。
如圖18中所示，在包含於第六網路部720_6之層當中，第一層720_61包含正規化單元1111。正規化單元1111藉由利用第二方法(將基於發射強度之平均值及標準差的正規化施加至各波長)將OES資料1720正規化而產生正規化資料(正規化OES資料1820)。
圖19A及19B為顯示正規化單元之各者的處理之具體實例圖解。圖19A顯示正規化單元1101的處理。如圖19A中所示，在正規化單元1101中，正規化係相關於整體波長利用發射強度之平均及標準差而執行。同時，圖19B顯示正規化單元1111的處理。在正規化單元1111中，將利用發射強度之平均及標準差的正規化施加至各波長。
因此，即使使用相同的OES資料1720，將從相同OES資料1720察知的資訊仍取決於將何者用作參考(亦即，取決於分析方法)而有所不同。依據第二實施例的異常偵測裝置160致使各配置成執行不同正規化之不同網路部處理相同的OES資料1720。所以，藉由結合多個正規化程序，便可以多面向的方式分析程序單元120中的OES資料1720。因此，相較於其中利用單一網路部將單一類型之正規化程序施加至OES資料1720的情形，可產生實現高推論精準度的模型(推論單元162)。
上述實例說明其中正規化利用發射強度之平均值及發射強度之標準差而執行的情形。然而，用於正規化的統計值並不限於發射強度之平均值及發射強度之標準差。舉例而言，可將發射強度的最大值及標準差用於正規化，或者可使用其他統計值。此外，異常偵測裝置160可經配置而使得使用者可選擇將用於正規化之統計值的類型。 ＜池化單元中執行之程序的實例＞
接著，將說明由第五網路部720_5之最終層及第六網路部720_6之最終層中包含的池化單元執行的處理之具體實例。圖20為顯示由池化單元執行之處理的具體實例圖解。
由於資料大小在小批次之間有所不同，所以包含在第五網路部720_5及第六網路部720_6中之個別最終層內的池化單元1104及1114執行池化程序，使得在小批次之間輸出固定長度的資料(亦即依據各小批次的輸出資料之大小變得相同)。
圖20為顯示池化單元中執行之處理的具體實例圖解。如圖20中所示，池化單元1104及1114對從激勵函數單元1103及1113輸出的特徵資料施加全域性平均池化(global average pooling, GAP)處理。
在圖20中，特徵資料2011_1至2011_m代表基於屬於小批次1之OES資料而產生、且輸入至第五網路部720_5之第N層720_5N之池化單元1104的特徵資料。特徵資料2011_1至2011_m之各者代表對應至一通道的特徵資料。
特徵資料2012_1至2012_m代表基於屬於小批次2之OES資料而產生、且輸入至第五網路部720_5之第N層720_5N之池化單元1104的特徵資料。特徵資料2012_1至2012_m之各者代表對應至一通道的特徵資料。
並且，特徵資料2031_1至2031_m及特徵資料2032_1至2032_m係類似於特徵資料2011_1至2011_m或特徵資料2012_1至2012_m。然而，特徵資料2031_1至2031_m及特徵資料2032_1至2032_m之各者為對應至Nλ 通道的特徵資料。
在此，池化單元1104及1114以每通道為基礎，計算包含在輸入特徵資料中之特徵值的平均值，以輸出固定長度的輸出資料。因此，從池化單元1104及1114輸出的資料可在小批次之間具有相同資料大小。 ＜推論單元的功能性配置＞
接著，將敘述推論單元162的功能性配置。圖21為顯示推論單元162之功能性配置實例的第二圖解。如圖21中所示，推論單元162包含分支部1310、第五網路部1320_5、第六網路部1320_6、及序連部1330。
在量測訓練單元161所用於機器學習之OES資料之後，分支部1310獲取新近由光學發射光譜儀1501量測的OES資料。分支部1310亦配置成致使第五網路部1320_5及第六網路部1320_6兩者處理相同的被獲取之OES資料。
第五網路部1320_5及第六網路部1320_6係藉由在訓練單元161中執行機器學習而實施，以使第五網路部720_5及第六網路部720_6中之層的各者之模型參數最佳化。
序連部1330係藉由序連部730而實施，序連部730之模型參數已藉由在訓練單元161中執行機器學習而最佳化。序連部1330組合從第五網路部1320_5之第N層1320_5N及從第六網路部1320_6之第N層1320_6N輸出的輸出資料，以輸出指示異常程度的資訊。
如上所述，推論單元162係藉由訓練單元161中執行機器學習而產生，訓練單元161以多面向的方式相關於預定的程序單元120分析OES資料。因此，推論單元162亦可應用於不同製程配方、不同腔室、及不同裝置。或者，推論單元162可在維護前應用於一腔室，且在該腔室的維護之後應用於相同的腔室。亦即，依據本實施例的推論單元162消除例如對於習知系統中所需要之在腔室上執行維護後維持或保留模型的需求。 ＜異常偵測程序的流程＞
接著，將敘述由異常偵測裝置160執行的異常偵測程序之整體流程。圖22為顯示異常偵測程序之流程的第二流程圖。
在步驟S2201中，訓練單元161獲取OES資料及指示異常程度的資訊，來作為訓練資料。
在步驟S2202中，訓練單元161藉由使用所獲取之訓練資料而執行機器學習。具體而言，所獲取之訓練資料中的OES資料被用作輸入資料，且所獲取之訓練資料中的指示異常程度之資訊被用作正確答案資料。
在步驟S2203中，訓練單元161判定是否繼續機器學習。若藉由獲取進一步的訓練資料而繼續機器學習(在步驟S2206中之「是」的情形中)，程序返回步驟S2201。同時，若終止機器學習(在步驟S2206中之「否」的情形中)，程序前進至步驟S2204。
在步驟S2204中，推論單元162藉由反映經機器學習最佳化之模型參數而產生第五網路部1320_5及第六網路部1320_6。
在步驟S2205中，推論單元162藉由輸入伴隨新處理前晶圓之處理由光學發射光譜儀1501量測之OES資料，來推論指示異常程度的資訊。
在步驟S2206中，推論單元162輸出關聯於指示對應半導體製造裝置之識別符、指示對應製程配方之識別符等等的推論結果。 ＜小結＞
如由以上敘述顯而易見，依據第二實施例的異常偵測裝置執行以下步驟： 獲取伴隨製造程序中給定程序單元的物件之處理、由光學發射光譜儀所量測的OES資料； 將所獲取之OES資料輸入兩個網路部中，該等網路部之各者使用彼此不同的方法執行正規化； 組合從該兩個網路部之各者輸出的輸出資料； 相關於該兩個網路部執行機器學習，使得組合從該兩個網路部之各者輸出之輸出資料的結果逼近在製造程序中之預定程序單元的物件處理期間獲得的指示異常程度之資訊； 藉由使用已被施加機器學習的兩個網路部，處理伴隨新物件之處理由光學發射光譜儀所量測的OES資料；及 藉由將組合從已被施加機器學習之兩個網路部各者輸出之輸出資料的結果輸出，推論指示異常程度之資訊。
如上所述，由於依據第二實施例的異常偵測裝置係配置成藉由將OES資料輸入兩網路部而執行機器學習，所以可以多面向的方式分析半導體製造程序中之預定程序單元的OES資料。因此，相較於藉由將OES資料輸入單一網路部來執行機器學習的情形，可產生實現高精準度異常偵測程序的模型。
亦即，依據第二實施例，可提供能夠執行高精準度異常偵測程序的異常偵測裝置。 ＜第三實施例＞
在第二實施例中，說明光學發射光譜儀作為時間序列資料獲取裝置的實例。然而，可應用於第一實施例之時間序列資料獲取裝置的類型不限於光學發射光譜儀。
舉例而言，第一實施例中敘述的時間序列資料獲取裝置之實例可包含獲取例如溫度資料、壓力資料、或氣體流速資料之諸多程序資料作為一維時間序列資料的程序資料獲取裝置。或者，第一實施例中敘述的時間序列資料獲取裝置可包含電漿用射頻(RF)電源裝置，其係配置成獲取例如RF電源之電壓資料的諸多RF資料作為一維時間序列資料。
雖然上述第一及第二實施例並未提及任何具體異常類型，但可包含任何異常類型，作為發生在程序單元120中的異常類型。發生在程序單元120中之異常的類型可包含例如由老化造成的異常及非預期發生的異常。
由老化導致之異常的實例包含發生在結果中的異常，例如晶圓厚度或蝕刻速率上的異常。由老化導致之異常的實例亦可包含半導體製造裝置中部件的老化及連接至半導體製造裝置之設備的老化，例如部件的耗損、電極的耗損、設備的劣化、及半導體製造裝置中之部件上的膜沉積。此外，由老化導致之異常的實例可包含由半導體製造裝置中之部件老化導致、或由連接至半導體製造裝置之設備老化導致的異常，例如氣體流速上的浮動、或溫度上的異常。
同時，非預期發生之異常的實例包含異常放電、微滴(droplet)(其中大量微米尺寸顆粒沉積的情形)、放電之不穩定行為、及空氣或氦洩漏。
在上述第一及第二實施例中，指示異常程度的資訊被儲存作為訓練資料(正確答案資料)。然而，可儲存指示異常存在或不存在之資訊(亦即比較指示異常程度之資訊與預定閾值的結果)，來取代指示異常程度的資料，而作為訓練資料(正確答案資料)。在此情形中，訓練單元161執行機器學習，使得訓練單元161的輸出與包含在訓練資料中的異常之存在或不存在吻合，且推論單元162推論異常的存在或不存在。
或者，訓練單元161可如上述第一及第二實施例所說明般執行機器學習，且推論單元162可配置成將從序連部1330輸出的指示異常程度之資訊轉換成指示異常之存在或不存在的資訊，以將異常之存在或不存在輸出為推論結果。
舉例而言，S型函數可用於將指示異常程度之資訊轉換成指示異常之存在或不存在的資訊。具體而言，推論單元162可將指示異常程度之資訊輸入S型函數，且若輸入指示異常程度之資訊時的S型函數之輸出等於或大於0.5，推論單元162可輸出「異常」作為指示異常之存在或不存在的資訊。相反地，若輸入指示異常程度之資訊時的S型函數之輸出小於0.5，推論單元162可輸出「無異常」作為指示異常之存在或不存在的資訊。
在上述第一及第二實施例中，將訓練單元敘述為不論異常類型為何，皆利用相同訓練資料執行機器學習。然而，訓練單元執行的機器學習之方法不限於上述者，且訓練單元可配置成取決於異常類型而使用不同訓練資料執行機器學習。具體而言，舉例來說，訓練單元可配置成包含： 第一組網路部，機器學習係施加至該第一組網路部，使得指示異常之存在的資訊在異常放電發生時被輸出；及 與第一組網路部分離的第二組網路部，機器學習係施加至該第二組網路部，使得指示異常之存在的資訊在微滴發生時被輸出。並且，相關於第一組網路部的機器學習可藉由使用與用在相關於第二網路部之訓練資料不同的訓練資料而執行。
並且，在依據上述第一及第二實施例的異常偵測裝置160中，訓練單元執行機器學習，使得指示異常程度的資訊在不論已發生之異常類型為何的情況下輸出。
然而，由訓練單元執行的機器學習方法不限於上述者，且訓練單元可配置成執行機器學習，使得在指示異常程度的資訊之外，亦輸出指示異常類型的資訊。具體而言，序連部可設有與異常類型數相同之數目的輸出部。該等輸出部的各者可關聯於一對應異常類型，且可配置成輸出該對應異常類型之發生的確定度(degree of certainty)。 ＜其他實施例＞
已敘述以上的第一至第三實施例，使得訓練單元161中之網路部的各者之機器學習演算法基於卷積神經網路而加以配置。然而，訓練單元161中之網路部的各者之機器學習演算法不限於卷積神經網路，且可基於其他機器學習演算法。
在以上敘述的第一至第三實施例中，已說明異常偵測裝置160運作為訓練單元161及推論單元162。然而，作為訓練單元161的設備不需要與作為推論單元162的設備整合，且作為訓練單元161的設備及作為推論單元162的設備可分開設置。亦即，異常偵測裝置160可運作為訓練單元161而不包含推論單元162，或異常偵測裝置160可運作為推論單元162而不包含訓練單元161。
應注意，本發明不限於以上所述的配置，例如以上所述實施例中說明的配置、或與其他元件組合的配置。配置可在不背離本發明之精神的範圍內加以改變，且可依據其應用形式而適當地加以決定。
100:系統 110:處理前晶圓 120:程序單元 130:處理後晶圓 140_1~140_n:時間列資料獲取裝置 160:異常偵測裝置 161:訓練單元 162:推論單元 163:訓練資料儲存單元 200:半導體製造裝置 401:CPU、中央處理單元 402:ROM、唯讀記憶體 403:RAM、隨機存取記憶體 404:GPU、圖形處理單元 405:輔助儲存裝置 406:顯示裝置 407:操作裝置 408:介面裝置、I/F裝置 409:驅動裝置 410:匯流排 420:記錄媒體 500:訓練資料 710:分支部 720_1~720_M:網路部 720_11~720_1N:層 720_21~720_2N:層 720_M1~720MN:層 730:序連部 740:比較部 1101:正規化單元 1102:卷積單元 1103:激勵函數單元 1104:池化單元 1111:正規化單元 1112:卷積單元 1113:激勵函數單元 1114:池化單元 1310:分支部 1320_1~1320_M:網路部 1320_11~1320_1N:層 1320_21~1320_2N:層 1320_M1~1320_MN:層 1330:序連部 1500:系統 1501:光學發射光譜儀 1600:訓練資料 1710:圖表 1720:OES資料 1810:正規化OES資料 1820:正規化OES資料 2011_1~2011_m:特徵資料 2012_1~2012_m:特徵資料 2031_1~2031_m:特徵資料 2032_1~2032_m:特徵資料 S1401:步驟 S1402:步驟 S1403:步驟 S1404:步驟 S1405:步驟 S1406:步驟 S2201:步驟 S2202:步驟 S2203:步驟 S2204:步驟 S2205:步驟 S2206:步驟
圖1為顯示包含執行半導體製造程序之裝置及異常偵測裝置之系 統的整體配置實例之第一圖解； 圖2A及2B為各顯示半導體製造程序中的預定程序單元實例之圖解； 圖3為為顯示半導體製造程序中的預定程序單元實例之另一圖解； 圖4為顯示異常偵測裝置的硬體配置實例之圖解； 圖5為顯示訓練資料之實例的第一圖解； 圖6A及6B為顯示時間序列資料組之實例的圖解； 圖7為顯示訓練單元之功能性配置實例的第一圖解； 圖8為顯示分支部中執行之處理的具體實例之第一圖解； 圖9為顯示分支部中執行之處理的具體實例之第二圖解； 圖10為顯示分支部中執行之處理的具體實例之第三圖解； 圖11為顯示由各網路部中包含之正規化單元執行的處理之具體實例圖解； 圖12為顯示分支部中執行之處理的具體實例之第四圖解； 圖13為顯示推論單元之功能性配置實例的第一圖解； 圖14為顯示異常偵測程序之流程的第一流程圖； 圖15為為顯示包含執行半導體製造程序之裝置及異常偵測裝置之系統的整體配置實例之第二圖解； 圖16為顯示訓練資料之實例的第二圖解； 圖17為顯示光學發射光譜儀(OES)資料之實例的圖解； 圖18為顯示由個別網路部中包含之正規化單元執行的處理之具體實例圖解，OES資料係輸入至該網路部； 圖19A及19B為顯示正規化單元之各者的處理之具體實例圖解； 圖20為顯示由池化(pooling)單元執行之處理的具體實例圖解； 圖21為顯示推論單元之功能性配置實例的第二圖解；且 圖22為顯示異常偵測程序之流程的第二流程圖。
140_1~140_n:時間列資料獲取裝置

Claims (17)

  1. 一種異常偵測裝置，包含： 一處理器；及 一記憶體，其儲存一電腦程式，該電腦程式致使該處理器實施下列者的功能： 一獲取單元，配置成獲取一或更多時間序列資料組，該一或更多時間序列資料組係伴隨在一製造程序中之一預定程序單元的一物件之處理而加以量測；及 一訓練單元，包含： 複數個網路部，其各配置成處理所獲取的該時間序列資料組；及 一序連部，配置成將從該複數個網路部之各者輸出之輸出資料組合作為處理所獲取的該時間序列資料組之結果，並配置成輸出組合從該複數個網路部之各者輸出之該輸出資料的結果，作為一綜合結果，其中 該訓練單元係配置成相關於該複數個網路部及該序連部執行機器學習，使得從該序連部輸出的該綜合結果逼近該物件在該製造程序中之該預定程序單元受處理時所獲取的指示一異常位準之資訊。
  2. 如請求項1之異常偵測裝置，該電腦程式更致使該處理器實施一推論單元的功能，該推論單元係配置成推論一新物件受處理時的指示一異常位準之資訊，其中該推論單元係配置成： 在已被施加該機器學習之該複數個網路部，處理相關於該新物件而獲取的一或更多時間序列資料組； 藉由組合從已被施加該機器學習的該複數個網路部之各者輸出的輸出資料，在已被施加該機器學習的該序連部產生一綜合結果；及 藉由輸出由該序連部產生的該綜合結果，推論該新物件受處理時的指示該異常位準之該資訊。
  3. 如請求項2之異常偵測裝置，其中該推論單元係配置成基於所推論之該新物件受處理時的指示該異常位準之該資訊，輸出指示異常之存在或不存在的資訊。
  4. 一種異常偵測裝置，包含： 一處理器；及 一記憶體，其儲存一電腦程式，該電腦程式致使該處理器實施下列者的功能； 一獲取單元，配置成獲取一或更多時間序列資料組，該一或更多時間序列資料組係伴隨在一製造程序中之一預定程序單元的一物件之處理而加以量測；及 一推論單元，配置成在一新物件受處理時推論指示一異常位準之資訊，其中該推論單元包含： 複數個網路部，其各配置成處理所獲取的該時間序列資料組；及 一序連部，配置成藉由組合從該複數個網路部之各者輸出的輸出資料，產生一綜合結果，作為處理所獲取之該時間序列資料組的結果，其中 該推論單元係配置成藉由輸出由該序連部產生的該綜合結果，而推論該物件受處理時的指示該異常位準之該資訊，且 機器學習已施加至該複數個網路部及該序連部，使得從該序連部輸出的該綜合結果逼近該物件在該製造程序中之該預定程序單元受處理時所獲取的指示一異常位準之資訊。
  5. 如請求項1之異常偵測裝置，其中該訓練單元係配置成： 藉由依據一第一準則處理所獲取的該時間序列資料組，產生第一時間序列資料組； 藉由依據一第二準則處理所獲取的該時間序列資料組，產生第二時間序列資料組； 致使該複數個網路部的一第一網路部處理該第一時間序列資料組；及 致使該複數個網路部的一第二網路部處理該第二時間序列資料組。
  6. 如請求項5之異常偵測裝置，該電腦程式更致使該處理器實施一推論單元的功能，該推論單元係配置成推論一新物件受處理時的指示一異常位準之資訊，其中該推論單元係配置成： 藉由依據該第一準則處理相關於該新物件而獲取之一或更多時間序列資料組，而產生一第一序列資料組； 藉由依據該第二準則處理相關於該新物件而獲取之該時間序列資料組，而產生一第二序列資料組； 在已被施加該機器學習的該複數個網路部，處理相關於該新物件而獲取的該時間序列資料組； 在已被施加該機器學習的該序連部，藉由組合從已被施加該機器學習的該複數個網路部之各者輸出之輸出資料，產生一綜合結果；及 藉由輸出由該序連部產生之該綜合結果，推論該新物件受處理時的指示該異常位準之該資訊，其中 在已被施加該機器處理之該複數個網路部處理相關於該新物件而獲取之該時間序列資料組當中，該複數個網路部之一第一網路部被致使處理該第一時間序列資料組，且該複數個網路部之一第二網路部被致使處理該第二時間序列資料組。
  7. 如請求項1之異常偵測裝置，其中該訓練單元係配置成： 依據一資料類型或一時間範圍，將所獲取的該時間序列資料組分類成複數個群組； 致使該複數個網路部之各者處理來自該複數個群組當中的一對應群組。
  8. 如請求項7之異常偵測裝置，該電腦程式更致使該處理器實施一推論單元的功能，該推論單元係配置成推論一新物件受處理時的指示一異常位準之資訊，其中該推論單元係配置成： 依據該資料類型或該時間範圍，將相關於該物件而獲取的一或更多時間序列資料組分類成複數個群組； 在已被施加該機器學習的該複數個網路部處理該複數個群組； 藉由組合從已被施加該機器學習的該複數個網路部之各者輸出的該輸出資料，在已被施加該機器學習的該序連部產生一綜合結果；及 藉由輸出由該序連部產生的該綜合結果，推論該新物件受處理時的指示該異常位準之該資訊。
  9. 如請求項1之異常偵測裝置，其中 該複數個網路部包含個別的正規化單元，該等正規化單元各配置成使用彼此不同的方法將所獲取的該時間序列資料組正規化，且 該複數個網路部之各者配置成處理藉由來自該等正規化單元當中之一對應正規化單元加以正規化的該時間序列資料組。
  10. 如請求項9之異常偵測裝置，該電腦程式更致使處理器實施推論單元的功能，該推論單元係配置成推論一新物件受處理時的指示一異常位準之資訊，其中該推論單元係配置成： 在已被施加該機器學習的該複數個網路部，處理相關於該新物件而獲取的一或更多時間序列資料組； 藉由組合從已被施加該機器學習的該複數個網路部之各者輸出的該輸出資料，在已被施加該機器學習的該序連部產生一綜合結果；及 藉由輸出由該序連部產生的該綜合結果，推論該新物件受處理時的指示該異常位準之該資訊。
  11. 如請求項1之異常偵測裝置，其中 所獲取的該時間序列資料組包含伴隨該物件在一第一處理空間中之處理而量測的一第一時間序列資料組、及伴隨該物件在一第二處理空間中之處理而量測的一第二時間序列資料組，該第一處理空間中的處理及該第二處理空間中的處理係包含在該預定程序單元中，且 在該複數個網路部處理所獲取之該時間序列資料組中，該訓練單元係配置成致使該第一時間序列資料組在該複數個網路部之一第一網路部受處理，且致使該第二時間序列資料組在該複數個網路部之一第二網路部受處理，該第二網路部不同於該第一網路部。
  12. 如請求項11之異常偵測裝置，該電腦程式更致使該處理器實施一推論單元的功能，該推論單元係配置成推論一新物件受處理時的指示一異常位準之資訊，其中該推論單元係配置成： 在已被施加該機器學習的該複數個網路部，處理相關於該新物件而獲取的一或更多時間序列資料組，相關於該新物件而獲取的該時間序列資料組包含伴隨該第一處理空間中之處理而量測的相關於該新物件之一第一時間序列資料組，且包含伴隨該第二處理空間中之處理而量測的相關於該新物件之一第二時間序列資料組； 藉由組合從已被施加該機器學習的該複數個網路部之各者輸出的該輸出資料，在已被施加該機器學習的該序連部產生一綜合結果；及 藉由輸出由該序連部產生的該綜合結果，推論該新物件受處理時的指示該異常位準之該資訊。
  13. 如請求項1之異常偵測裝置，其中該時間序列資料組為伴隨一基板處理設備中之處理而量測的資料。
  14. 如請求項1之異常偵測裝置，其中該訓練單元係配置成相關於該複數個網路部及該序連部執行機器學習，使得從該序連部輸出的該綜合結果除了逼近指示一異常位準之該資訊外，亦逼近該物件在該製造程序中之該預定程序單元受處理時所獲取的指示一異常類型之資訊。
  15. 如請求項9之異常偵測裝置，其中該時間序列資料組為伴隨一基板處理設備中之處理、藉由一光學發射光譜儀加以量測的資料，該資料指示各波長的發射強度。
  16. 一種異常偵測方法，包含： 獲取伴隨在一製造程序中之一預定程序單元的一物件之處理而量測的一或更多時間序列資料組；及 相關於複數個網路部及一序連部執行機器學習，該複數個網路部之各者配置成處理所獲取的該時間序列資料組，並將輸出資料輸出作為處理所獲取之該時間序列資料組的結果，且該序連部係配置成組合從該複數個網路部之各者輸出的該輸出資料，並將組合從該複數個網路部之各者輸出之該輸出資料的結果輸出作為一綜合結果，其中 執行該機器學習，使得從該序連部輸出的該綜合結果逼近該物件在該製造程序中之該預定程序單元受處理時所獲取的指示一異常位準之資訊。
  17. 一種非暫態電腦可讀媒體，其儲存一電腦程式，該電腦程式致使一電腦中的一處理器實施下列者的功能： 一獲取單元，配置成獲取一或更多時間序列資料組，該一或更多時間序列資料組係伴隨在一製造程序中之一預定程序單元的一物件之處理而加以量測；及 一訓練單元，包含： 複數個網路部，其各配置成處理所獲取的該時間序列資料組，並將輸出資料輸出作為處理所獲取之該時間序列資料組的結果；及 一序連部，配置成將從該複數個網路部之各者輸出之該輸出資料組合，並輸出組合從該複數個網路部之各者輸出之該輸出資料的結果，作為一綜合結果，其中 該訓練單元係配置成相關於該複數個網路部及該序連部執行機器學習，使得從該序連部輸出的該綜合結果逼近該物件在該製造程序中之該預定程序單元受處理時所獲取的指示一異常位準之資訊。
TW109141778A 2019-11-29 2020-11-27 異常偵測裝置及異常偵測方法 TW202136758A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-217438 2019-11-29
JP2019217438A JP7452990B2 (ja) 2019-11-29 2019-11-29 異常検知装置、異常検知方法及び異常検知プログラム

Publications (1)

Publication Number Publication Date
TW202136758A true TW202136758A (zh) 2021-10-01

Family

ID=76043091

Family Applications (1)

Application Number Title Priority Date Filing Date
TW109141778A TW202136758A (zh) 2019-11-29 2020-11-27 異常偵測裝置及異常偵測方法

Country Status (5)

Country Link
US (1) US20210166120A1 (zh)
JP (2) JP7452990B2 (zh)
KR (1) KR20210067909A (zh)
CN (1) CN112885740A (zh)
TW (1) TW202136758A (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210202258A1 (en) * 2019-12-27 2021-07-01 SCREEN Holdings Co., Ltd. Substrate treatment apparatus, substrate treatment method, substrate treatment system, and learning data generation method
JP2023020770A (ja) * 2021-07-30 2023-02-09 オムロン株式会社 異常検知装置、異常検知方法、及び異常検知プログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0637021A (ja) * 1992-07-17 1994-02-10 Fuji Electric Co Ltd 学習予測・指示機能付半導体製造装置
US20070282480A1 (en) * 2003-11-10 2007-12-06 Pannese Patrick D Methods and systems for controlling a semiconductor fabrication process
JP2005328001A (ja) * 2004-05-17 2005-11-24 Hitachi High-Technologies Corp エッチング処理装置および処理方法
JP2011100211A (ja) 2009-11-04 2011-05-19 Sharp Corp 異常判定装置、異常判定方法、異常判定プログラム、および、このプログラムを記録したプログラム記録媒体
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
KR102083369B1 (ko) * 2013-01-29 2020-03-03 삼성디스플레이 주식회사 공정 모니터링 방법 및 공정 모니터링 장치
US9601130B2 (en) * 2013-07-18 2017-03-21 Mitsubishi Electric Research Laboratories, Inc. Method for processing speech signals using an ensemble of speech enhancement procedures
JP6610278B2 (ja) 2016-01-18 2019-11-27 富士通株式会社 機械学習装置、機械学習方法及び機械学習プログラム
JP6280997B1 (ja) * 2016-10-31 2018-02-14 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 疾患の罹患判定装置、疾患の罹患判定方法、疾患の特徴抽出装置及び疾患の特徴抽出方法
KR101917006B1 (ko) * 2016-11-30 2018-11-08 에스케이 주식회사 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법
WO2019003404A1 (ja) * 2017-06-30 2019-01-03 三菱電機株式会社 非定常検出装置、非定常検出システム、および非定常検出方法
JP2019016209A (ja) * 2017-07-07 2019-01-31 株式会社東芝 診断装置、診断方法およびコンピュータプログラム
JP2019040431A (ja) * 2017-08-25 2019-03-14 三菱重工業株式会社 異常判定装置、異常判定方法、プログラム、学習済みモデル、および学習済みモデルの生成方法
TW201915727A (zh) * 2017-09-18 2019-04-16 元智大學 多元感測器之錯誤偵測與分類方法
JP7106847B2 (ja) * 2017-11-28 2022-07-27 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
JP6787971B2 (ja) * 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
TWI829807B (zh) * 2018-11-30 2024-01-21 日商東京威力科創股份有限公司 製造製程之假想測定裝置、假想測定方法及假想測定程式

Also Published As

Publication number Publication date
JP2024072841A (ja) 2024-05-28
JP2021086571A (ja) 2021-06-03
KR20210067909A (ko) 2021-06-08
US20210166120A1 (en) 2021-06-03
JP7452990B2 (ja) 2024-03-19
CN112885740A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
US20210166121A1 (en) Predicting device and predicting method
TWI384573B (zh) Etching apparatus, analyzing apparatus, etching processing method, and etching processing program
KR102039394B1 (ko) 탐색 장치 및 탐색 방법
US20220011747A1 (en) Virtual metrology apparatus, virtual metrology method, and virtual metrology program
TW202136758A (zh) 異常偵測裝置及異常偵測方法
US20230138127A1 (en) Information processing method and information processing apparatus including acquiring a time series data group measured duirng a processing cycle for a substrate
CN115803858A (zh) 半导体制造设备的预测性维护
JP2004152306A (ja) 双峰性データを判別する方法
US20210312610A1 (en) Analysis device and analysis method
JP2020181959A (ja) 学習方法、管理装置および管理プログラム
TW202123057A (zh) 推論裝置、推論方法及推論程式
JP4274348B2 (ja) プロセスの予測方法及び処理装置並びにプロセス予測プログラム
JP2020025116A (ja) 探索装置および探索方法
TWI832403B (zh) 用於多維動態部件平均測試之方法、設備及非暫時性電腦可讀媒體
US20220075358A1 (en) Analysis device, plasma process control system, and recording medium
US7130767B2 (en) Computer-implemented data presentation techniques for a plasma processing system
WO2023167930A1 (en) Comprehensive analysis module for determining processing equipment performance
CN113390856A (zh) 分析装置、分析方法和分析程序
WO2023192524A1 (en) Generating synthetic microspy images of manufactured devices
Austin et al. Automated systematic discovery for development and production