特開 2024-66405 異常検知方法、電子装置、非一時的なコンピュータ読取り可能な記憶媒体およびコンピュータープログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024066405

(43)【公開日】2024-05-15

(54)【発明の名称】異常検知方法、電子装置、非一時的なコンピュータ読取り可能な記憶媒体およびコンピュータープログラム

(51)【国際特許分類】

   G06N 3/088 20230101AFI20240508BHJP

   G06N 3/0455 20230101ALI20240508BHJP

   G06F 18/2321 20230101ALI20240508BHJP

【ＦＩ】

G06N3/088

G06N3/0455

G06F18/2321

【審査請求】未請求

【請求項の数】11

【出願形態】ＯＬ

(21)【出願番号】P 2023075984

(22)【出願日】2023-05-02

(31)【優先権主張番号】10-2022-0143202

(32)【優先日】2022-10-31

(33)【優先権主張国・地域又は機関】KR

(71)【出願人】

【識別番号】598123150

【氏名又は名称】セメス株式会社

【氏名又は名称原語表記】ＳＥＭＥＳ ＣＯ．， ＬＴＤ．

【住所又は居所原語表記】７７，４ｓａｎｄａｎ ５－ｇｉｌ，Ｊｉｋｓａｎ－ｅｕｐ，Ｓｅｏｂｕｋ－ｇｕ，Ｃｈｅｏｎａｎ－ｓｉ，Ｃｈｕｎｇｃｈｅｏｎｇｎａｍ－ｄｏ，３３１－８１４ Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ

(74)【代理人】

【識別番号】110000671

【氏名又は名称】ＩＢＣ一番町弁理士法人

(72)【発明者】

【氏名】ジュン，ドン ヒュン

(57)【要約】      （修正有）

【課題】コンピューティングリソースおよび所要時間を最小化できる異常検知方法及び電子装置を提供する。
【解決手段】方法は、複数の第１サブセットに区分される複数の学習データを用いて、エンコーダとデコーダを含む第１分類器を学習させる段階、学習された第１分類器のエンコーダで、前記複数の学習データを演算して、そのそれぞれのフィーチャを抽出する段階、抽出したフィーチャに基づいて前記複数の学習データをクラスタリングして、複数の第２サブセットに再構成する段階、複数の第２サブセットそれぞれを用いて、複数の第２サブセットそれぞれに対応する複数の第２分類器を学習させる段階および前記複数の第２分類器を用いて、入力データの異常を検出する段階を含む。
【選択図】図３

【特許請求の範囲】

【請求項1】

複数の第１サブセットに区分される複数の学習データを用いて、エンコーダとデコーダを含む第１分類器を学習させる段階と、
前記学習された第１分類器のエンコーダで、前記複数の学習データを演算して、前記複数の学習データそれぞれのフィーチャを抽出する段階と、
前記抽出されたフィーチャに基づいて前記複数の学習データをクラスタリングして、前記複数の学習データを複数の第２サブセットに再構成する段階と、
前記複数の第２サブセットそれぞれを用いて、前記複数の第２サブセットそれぞれに対応する複数の第２分類器を学習させる段階と、
前記複数の第２分類器を用いて、入力データの異常を検出する段階と、を含む、異常検知方法。

【請求項2】

前記複数の学習データを複数の第２サブセットに再構成する段階は、
前記抽出されたフィーチャをクラスタリングして、複数のフィーチャクラスタを生成し、
前記複数のフィーチャクラスタそれぞれに対応するように複数の第２サブセットを生成し、前記複数のフィーチャクラスタそれぞれに含まれるフィーチャに対応する学習データを、対応する前記第２サブセットに割り当てられるようにすることを含む、請求項１に記載の異常検知方法。

【請求項3】

前記抽出されたフィーチャをクラスタリングすることは、
前記フィーチャスペース内での位置に基づいて前記抽出されたフィーチャをクラスタリングすることを含む、請求項２に記載の異常検知方法。

【請求項4】

前記複数の第２分類器を学習させる段階で、前記学習された第１分類器の最終加重値を使用して前記複数の第２分類器の学習時間を短縮させる、請求項１に記載の異常検知方法。

【請求項5】

前記複数の第２分類器を学習させる段階で、
前記複数の第２分類器それぞれの初期加重値は、前記第１分類器の最終加重値として設定される、請求項４に記載の異常検知方法。

【請求項6】

前記複数の第２分類器を学習させる段階は、前記複数の第２サブセットのうちのいずれか一つを先に学習させた後に、他の一つを後に学習させることを含み、
前記複数の第２分類器のうちのいずれか一つの初期加重値は、前記第１分類器の最終加重値として設定され、
前記複数の第２分類器のうちの他の一つの初期加重値は、前記複数の第２分類器のうちのいずれか一つの最終加重値として設定される、請求項４に記載の異常検知方法。

【請求項7】

前記入力データの異常を検出する段階は、
前記複数の第２分類器のうちのいずれか一つでも前記入力データを正常と判断する場合、前記入力データは正常と判断され、
前記複数の第２分類器すべてが前記入力データを異常と判断する場合、前記入力データは異常と判断されることを含む、請求項１に記載の異常検知方法。

【請求項8】

前記複数の第２分類器の個数は、前記複数の第１サブセットの個数より小さい、請求項１に記載の異常検知方法。

【請求項9】

前記第１分類器または第２分類器は、オートエンコーダ（ａｕｔｏ ｅｎｃｏｄｅｒ）で構成される、請求項１に記載の異常検知方法。

【請求項10】

複数の学習データサブセットを含む学習データセットを用いて、エンコーダとデコーダを含む分類器を学習させる段階と、
前記学習データセットのそれぞれの学習データを前記学習された分類器のエンコーダで演算して、前記学習データセットのそれぞれの学習データに対するフィーチャを抽出する段階と、
前記フィーチャをフィーチャスペースでの位置に基づいてクラスタリングし、クラスタリング結果に基づいて前記学習データセットに含まれたそれぞれの学習データをクラスタリングすることにより、学習データサブセットを再構成して、複数の再構成された学習データサブセットを生成する段階と、
前記学習された分類器を前記複数の再構成された学習データサブセットそれぞれを用いて再学習させて複数の再学習された分類器を生成する段階と、
前記複数の再学習された分類器を用いて入力データの異常を検出する段階と、を含む、異常検知方法。

【請求項11】

プロセッサ、および
前記プロセッサと連結されたメモリを含み、
前記メモリは前記プロセッサによって実行可能な命令を保存して、前記命令は前記プロセッサによって実行され、前記プロセッサが請求項１に記載の方法を実行するようにすることを特徴とする、電子装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は異常検知方法、電子装置、非一時的なコンピュータ読取り可能な記憶媒体およびコンピュータープログラムに関する。

【背景技術】

【0002】

半導体製造工程は半導体製造設備内で連続的に行われることができ、前工程および後工程に区分することができる。半導体製造設備は半導体を製造するためにファブ（ＦＡＢ）と定義される空間内に設置されることができる。

【0003】

前工程はウエハ（Ｗａｆｅｒ）上に回路パターンを形成してチップ（Ｃｈｉｐ）を完成する工程をいう。前工程はウエハ上に薄膜を形成する蒸着工程（Ｄｅｐｏｓｉｔｉｏｎ Ｐｒｏｃｅｓｓ）、フォトマスク（Ｐｈｏｔｏ Ｍａｓｋ）を用いて薄膜上にフォトレジスト（Ｐｈｏｔｏ Ｒｅｓｉｓｔ）を転写するフォト工程（Ｐｈｏｔｏ Ｌｉｔｈｏｇｒａｐｈｙ Ｐｒｏｃｅｓｓ）、ウエハ上に所望する回路パターンを形成するために化学物質や反応性ガスを用いて必要ない部分を選択的に除去するエッチング工程（Ｅｔｃｈｉｎｇ Ｐｒｏｃｅｓｓ）、エッチング後に残っているフォトレジストを除去するアッシング工程（Ａｓｈｉｎｇ Ｐｒｏｃｅｓｓ）、回路パターンと連結される部分にイオンを注入して電子素子の特性を有するようにするイオン注入工程（Ｉｏｎ Ｉｍｐｌａｎｔａｔｉｏｎ Ｐｒｏｃｅｓｓ）、ウエハ上で汚染源を除去する洗浄工程（Ｃｌｅａｎｉｎｇ Ｐｒｏｃｅｓｓ）などを含むことができる。

【0004】

後工程は前工程により完成された製品の性能を評価する工程をいう。後工程はウエハ上のそれぞれのチップに対して動作の有無を検査して良品と不良を選別する１次検査工程、ダイシング（Ｄｉｃｉｎｇ）、ダイボンディング（Ｄｉｅ Ｂｏｎｄｉｎｇ）、ワイヤボンディング（Ｗｉｒｅ Ｂｏｎｄｉｎｇ）、モールディング（Ｍｏｌｄｉｎｇ）、マーキング（Ｍａｒｋｉｎｇ）などによりそれぞれのチップを切断および分離して製品の形状を整えるようにするパッケージ工程（Ｐａｃｋａｇｅ Ｐｒｏｃｅｓｓ）、電気的特性検査、バーンイン（Ｂｕｒｎ Ｉｎ）検査などにより製品の特性と信頼性を最終的に検査する最終検査工程などを含むことができる。

【発明の概要】

【発明が解決しようとする課題】

【0005】

なお、このような半導体製造工程には多様な設備が用いられており、このような多様な設備に対して各設備の正常、異常を診断するために多様な診断モデルの開発が進められている。

【0006】

各設備に対するレシピ（Ｒｅｃｉｐｅ）別に診断モデルを作って用いると、診断モデルの個数がレシピの個数だけ多くなって人工知能学習に多くのコンピューティングリソースと時間を必要とする。このような場合、量産の際にレシピが変わるたびに該当診断モデルを呼び出さなければならず、モデルの再学習、複数の設備への配布などの運営および管理の側面における困難性が存在する。そして、データが充分でないレシピまたは新規レシピの場合、学習のためにデータが蓄積されるまで該当レシピに対する判定は不可であり不良が発生しても発見できないこともある。

【0007】

本発明で解決しようとする技術的課題は、コンピューティングリソースおよび所要時間を最小化できる異常検知方法を提供することにある。

【0008】

本発明で解決しようとする他の技術的課題は、前記異常検知方法を行うための電子装置、非一時的なコンピュータ読取り可能な記憶媒体およびコンピュータープログラムを提供することにある。

【0009】

本発明の課題は以上で言及した課題に制限されず、言及されていないまた他の課題は以下の記載から当業者に明確に理解されるものである。

【課題を解決するための手段】

【0010】

前記技術的課題を達成するための本発明の態様による異常検知方法は、複数の第１サブセットに区分される複数の学習データを用いて、エンコーダとデコーダを含む第１分類器を学習させる段階；前記学習された第１分類器のエンコーダで、前記複数の学習データを演算して、前記複数の学習データそれぞれのフィーチャを抽出する段階；前記抽出されたフィーチャに基づいて前記複数の学習データをクラスタリングして、前記複数の学習データを複数の第２サブセットに再構成する段階；前記複数の第２サブセットそれぞれを用いて、前記複数の第２サブセットそれぞれに対応する複数の第２分類器を学習させる段階；および前記複数の第２分類器を用いて、入力データの異常を検出する段階を含む。

【0011】

前記技術的課題を達成するための本発明の他の態様による異常検知方法は、複数の学習データサブセットを含む学習データセットを用いて、エンコーダとデコーダを含む分類器を学習させる段階；前記学習データセットのそれぞれの学習データを前記学習された分類器のエンコーダで演算して、前記学習データセットのそれぞれの学習データに対するフィーチャを抽出する段階；前記フィーチャをフィーチャスペースでの位置に基づいてクラスタリングし、クラスタリング結果に基づいて前記学習データセットに含まれたそれぞれの学習データをクラスタリングすることにより、学習データサブセットを再構成して、複数の再構成された学習データサブセットを生成する段階；前記学習された分類器を前記複数の再構成された学習データサブセットそれぞれを用いて再学習させて複数の再学習された分類器を生成する段階；および前記複数の再学習された分類器を用いて入力データの異常を検出する段階；を含む。

【0012】

前記他の技術的課題を達成するための本発明の態様による電子装置は、プロセッサ；および前記プロセッサと連結されたメモリを含み、前記メモリは前記プロセッサによって実行可能な命令を保存し、前記命令は前記プロセッサによって実行され、前記プロセッサが前述した異常検知方法を実行するようにする。

【0013】

前記また他の技術的課題を達成するための本発明の態様による非一時的なコンピュータ読取り可能な記憶媒体は、コンピュータが前述した異常検知方法を実行するようにするためのコンピュータ命令を保存する。

【0014】

前記また他の技術的課題を達成するための本発明の態様によるコンピュータープログラムは、複数の第１サブセットに区分される複数の学習データを用いて、エンコーダとデコーダを含む第１分類器を学習させる段階；前記学習された第１分類器のエンコーダで、前記複数の学習データを演算して、前記複数の学習データそれぞれのフィーチャを抽出する段階；前記抽出されたフィーチャに基づいて前記複数の学習データをクラスタリングして、前記複数の学習データを複数の第２サブセットに再構成する段階；前記複数の第２サブセットそれぞれを用いて、前記複数の第２サブセットそれぞれに対応する複数の第２分類器を学習させる段階；および前記複数の第２分類器を用いて、入力データの異常を検出する段階を行うためである。

【0015】

その他実施形態の具体的な内容は詳細な説明および図面に含まれている。

【図面の簡単な説明】

【0016】

【図1】本発明の実施形態による半導体設備診断装置の構成を概略的に示す構成図である。

【図2】図１の制御部に含まれた分類器の構成を示す図である。

【図3】本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法を説明するために示すフローチャートである。

【図4】本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法における処理されるデータとレシピを示す例示図である。

【図5】本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるデータの入力過程を示す例示図である。

【図6】本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるクラスタリング過程を示す例示図である。

【図7】本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるクラスタリングされたデータを処理する過程を示す例示図である。

【発明を実施するための形態】

【0017】

以下、添付する図面を参照して本発明の好ましい実施形態について詳細に説明する。本発明の利点および特徴、並びにこれらを達成する方法は添付する図面と共に詳細に後述する実施形態を参照すると明確になる。しかし、本発明は以下に開示する実施形態に限定されるものではなく、互いに異なる多様な形態で実現することができ、本実施形態は単に本発明の開示を完全にし、本発明が属する技術分野で通常の知識を有する者に発明の範疇を完全に知らせるために提供するものであり、本発明は請求項の範疇によってのみ定義される。明細書全体にわたって同一参照符号は同一構成要素を指すものとする。

【0018】

素子（ｅｌｅｍｅｎｔｓ）または層が他の素子または層「上（ｏｎ）」「の上（ｏｎ）」と称される場合は他の素子または層の真上だけでなく中間に他の層または他の素子が介在する場合をすべて含む。反面、素子が「直接上（ｄｉｒｅｃｔｌｙ ｏｎ）」または「真上」と称される場合は中間に他の素子または層を介在しない場合を示す。

【0019】

空間的に相対的な用語である「下（ｂｅｌｏｗ）」、「下（ｂｅｎｅａｔｈ）」、「下部（ｌｏｗｅｒ）」、「上（ａｂｏｖｅ）」、「上部（ｕｐｐｅｒ）」などは図面に示されているように一つの素子または構成要素と他の素子または構成要素との相関関係を容易に記述するために使用される。空間的に相対的な用語は図面に示されている方向に加えて使用時または動作時の素子の互いに異なる方向を含む用語として理解されなければならない。例えば、図面に示されている素子をひっくり返す場合、他の素子の「下（ｂｅｌｏｗ）」または「下（ｂｅｎｅａｔｈ）」と記述された素子は他の素子の「上（ａｂｏｖｅ）」に置かれ得る。したがって、例示的な用語の「下」は下と上の方向をすべて含むことができる。素子は他の方向に配向されてもよく、そのため空間的に相対的な用語は配向によって解釈されることができる。

【0020】

第１、第２などが多様な素子、構成要素および／またはセクションを叙述するために使われるが、これらの素子、構成要素および／またはセクションはこれらの用語によって制限されないのはもちろんである。これらの用語は単に一つの素子、構成要素またはセクションを他の素子、構成要素またはセクションと区別するために使用する。したがって、以下で言及される第１素子、第１構成要素または第１セクションは本発明の技術的思想内で第２素子、第２構成要素または第２セクションであり得るのはもちろんである。

【0021】

本明細書で使用された用語は実施形態を説明するためのものであり、本発明を制限しようとするものではない。本明細書で、単数形は文面で特記しない限り、複数形も含む。明細書で使用される「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は、言及された構成要素、段階、動作および／または素子の存在を特定するが、一つ以上の他の構成要素、段階、動作および／または素子の存在または追加を排除しない。

【0022】

他に定義のない限り、本明細書で使用されるすべての用語（技術的および科学的用語を含む）は本発明が属する技術分野で通常の知識を有する者に共通して理解される意味で使用される。また、一般に使用される辞典に定義されている用語は明白に特に定義されていない限り理想的にまたは過度に解析されない。

【0023】

以下、添付する図面を参照して本発明の実施形態について詳細に説明し、添付図面を参照して説明するにあたり図面符号に関係なく同一であるかまたは対応する構成要素は同じ参照番号を付与し、これに係る重複する説明は省略する。

【0024】

図１は本発明の実施形態による半導体設備診断装置の構成を概略的に示す構成図であり、図２は図１の制御部に含まれた分類器の構成を示す図である。

【0025】

本発明の実施形態による半導体設備診断装置１００は半導体製造工程に使用される多様な半導体設備それぞれに連結されて半導体設備の正常、異常を診断する装置であって、入力部１１０、制御部１２０および出力部１３０を含む。

【0026】

具体的には、半導体設備診断装置１００は後述する異常検知方法を行うための電子装置であって、例えばワークステーション、コンピューティングデバイスコンピュータ、ルータ、パーソナルコンピュータ、携帯用コンピュータ、ピア装置またはその他通常のネットワークノードであり得、一般にコンピュータについて記述された構成要素のうちの多数またはその全部を含む。このような半導体設備診断装置１００はローカルエリアネットワーク（ＬＡＮ）またはより大きいネットワーク、例えば、ワイドエリアネットワーク（ＷＡＮ）の有線または無線で多様な半導体設備それぞれに連結されることができる。

【0027】

入力部１１０は有線／無線インターフェースを介して多様な半導体設備それぞれに連結されて半導体設備に備えられた多数のセンサから検知されたセンシングデータ、半導体設備に関するレシピ（ｒｅｃｉｐｅ）情報などを受信するかまたはキーパッド、マウス、ＵＳＢポート、サンダーボルトなどのインターフェース、タッチスクリーン、ボタンなどの多様な入力手段を含んで半導体設備の診断に関する多様なユーザ命令を受信することができる。

【0028】

制御部１２０は内部に人工知能ニューラルネットワークからなる分類器１５０を含み、半導体設備診断装置１００の全般的な動作を制御して入力部１１０から受信したセンシングデータ、半導体設備に関するレシピ（ｒｅｃｉｐｅ）情報などを学習し分類して多様な半導体設備それぞれに対して正常か否かを診断することができる。

【0029】

このような制御部１２０は例えばコンピューティング装置の中央処理装置（ＣＰＵ：ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、汎用グラフィックス処理装置（ＧＰＧＰＵ：ｇｅｎｅｒａｌ ｐｕｒｐｏｓｅ ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、テンソルプロセッシングユニット（ＴＰＵ：ｔｅｎｓｏｒ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）などのデータ分析、ディープラーニングのための少なくとも一つのプロセッサを含むことができる。

【0030】

特に制御部１２０はメモリに保存されたコンピュータープログラムを判読してニューラルネットワークの学習のための演算を行い、ディープラーニング（ｄｅｅｐ ｌｅａｒｎｉｎｇ）で学習のための入力データの処理、入力データでのフィーチャ（ｆｅａｔｕｒｅ）抽出、誤差計算、逆伝播（ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）を用いたニューラルネットワークの加重値アップデートなどのニューラルネットワークの学習のための演算を行うことができる。メモリには後述する異常検知方法を行うための命令（ｉｎｓｔｒｕｃｔｉｏｎｓ）を保存することができる。すなわち、少なくとも一つのプロセッサが保存された命令を行うと、後述する異常検知方法が行われる。

【0031】

制御部１２０のＣＰＵ、ＧＰＧＰＵ、およびＴＰＵの少なくとも一つがネットワーク関数の学習を処理することができる。例えば、ＣＰＵとＧＰＧＰＵが共にネットワーク関数の学習、ネットワーク関数を用いたデータ分類を処理することができる。また、本開示の一実施形態で複数のコンピューティング装置のプロセッサを共に使用してネットワーク関数の学習、ネットワーク関数を用いたデータ分類を処理することができる。

【0032】

特に制御部１２０は分類器１５０を用いて学習データからフィーチャ（ｆｅａｔｕｒｅ）を抽出し、抽出されたフィーチャをクラスタリングし、クラスタリングされたフィーチャに基づいて前記学習データを再構成して、再構成された学習データを用いて分類器１５０を再学習させて複数の再学習された分類器を生成した後に、新規入力データの正常、異常を診断処理することができる。

【0033】

分類器１５０は人工知能ニューラルネットワークからなり、図２に示すように入力層１０１と第１隠れ層１０２を含むエンコーダ（Ｅｎｃｏｄｅｒ：１５１）、中間隠れ層１０３を含むフィーチャスペース（Ｆｅａｔｕｒｅ ｓｐａｃｅ：１５２）および第３隠れ層１０４と出力層１０５を含むデコーダ（Ｄｅｃｏｄｅｒ：１５３）を含んで構成される。

【0034】

このような人工知能ニューラルネットワークは例えばＤＮＮ（ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）のディープニューラルネットワークを適用することができる。ＤＮＮは入力層と出力層の他に多数の隠れ層を含むディープニューラルネットワークであって、ＤＮＮを用いるとデータのフィーチャ構造（ｆｅａｔｕｒｅ ｓｔｒｕｃｔｕｒｅｓ）を把握することができる。このようなＤＮＮはコンボリューショナルニューラルネットワーク（ＣＮＮ：ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、リカレントニューラルネットワーク（ＲＮＮ：ｒｅｃｕｒｒｅｎｔｎｅｕｒａｌ ｎｅｔｗｏｒｋ）、オートエンコーダ（ａｕｔｏ ｅｎｃｏｄｅｒ）、ＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）、制限付きボルツマンマシン（ＲＢＭ：ｒｅｓｔｒｉｃｔｅｄ ｂｏｌｔｚｍａｎｎ ｍａｃｈｉｎｅ）、ディープビリーフネットワーク（ＤＢＮ：ｄｅｅｐ ｂｅｌｉｅｆ ｎｅｔｗｏｒｋ）、Ｑネットワーク、Ｕネットワーク、シャムネットワークなどを含むことができる。前述したＤＮＮに係る記載は例示であり、本開示はこれに制限されない。

【0035】

ここで分類器１５０はオートエンコーダ（ａｕｔｏ ｅｎｃｏｄｅｒ）を適用して説明する。オートエンコーダは入力データと類似の出力データを出力するための人工ニューラルネットワークの一種であり、図２に示すように奇数個の隠れ層１０２，１０３，１０４が入力層１０１と出力層１０５の間に配置されることができる。各層のノードの数は入力層１０１のノードの数から中間隠れ層１０３に縮小されてから、中間隠れ層１０３から出力層１０５に拡張されることもできる。この場合、図２の例示では次元減少層と次元復元層が対称であることを示しているが、本開示はこれに制限されず、次元減少層と次元復元層のノードは対称であってもよく対称でなくてもよい。

【0036】

このようなオートエンコーダは非線状次元減少を行うことができる。入力層１０１および出力層１０５の数は入力データの前処理後に残ったセンサの数と対応することができる。オートエンコーダ構造でエンコーダに含まれた第１隠れ層１０２のノードの数は入力層１０１から遠くなるほど減少する構造を有することができる。

【0037】

中間隠れ層１０３のノード個数は過度に小さい場合、十分な量の情報が伝達されないので、特定の数以上、例えば入力層１０１の半分以上に維持されることもできる。

【0038】

出力部１３０は制御部１２０に連結されて制御部１２０が診断した半導体設備が正常か異常かをディスプレイすることができる。このような出力部１３０は例えばモニタ、タッチスクリーンなどの多様な出力手段を含み、制御部１２０の制御に従って半導体設備の診断過程と半導体設備が正常か異常かをディスプレイすることができる。

【0039】

このように構成された本発明の実施形態による半導体設備診断装置１００を用いて、特に分類器１５０を用いて学習データからフィーチャ（ｆｅａｔｕｒｅ）を抽出し、抽出されたフィーチャをクラスタリングし、クラスタリングされたフィーチャに基づいて対応する学習データをクラスタリングすることにより学習データを再構成し、再構成された学習データを用いて新規入力データの正常、異常を診断処理することができる。

【0040】

そのため、本発明の実施形態による半導体設備診断装置は、前記クラスタ別に学習されたオートエンコーダを用いて多様な半導体設備それぞれの正常、異常を診断する。すなわち、レシピ（ｒｅｃｉｐｅ）別に診断モデルを作って使用しない。したがって、診断モデルの数量が減り、人工知能学習に多くのコンピューティングリソースと時間が顕著に減る。

【0041】

以下、本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法について図３ないし図７を参照して説明する。図３は本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法を説明するために示すフローチャートであり、図４は本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法における処理されるデータとレシピを示す例示図であり、図５は本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるデータの入力過程を示す例示図であり、図６は本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるクラスタリング過程を示す例示図であり、図７は本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法におけるクラスタリングされたデータを処理する過程を示す例示図である。

【0042】

本発明の実施形態による半導体設備診断装置を用いた半導体設備の診断方法は、制御部１２０が入力部１１０を介して有線／無線インターフェースで連結された多様な半導体設備それぞれからデータを受信する（図３のＳ１１０を参照）。

【0043】

具体的には、データは学習データであって、複数の第１サブセットに区分されることができる。例えば、データは予め設定された基準（例えば、レシピ、装備、センサの種類など）により複数の第１サブセットに区分されることができる。以下では、例示的にレシピを基準にデータが複数の第１サブセットに区分（または分類）する場合を説明する。

【0044】

データとレシピ情報は図４に示すように互いに相関関係を有することができ、データ２００は半導体設備それぞれで取得したセンサデータ、半導体設備それぞれに対して撮像した映像データ、半導体設備の動作パラメータなどを含み得、レシピ４００はこのようなデータ２００と関連する半導体設備の動作設定、例えばリソグラフィ工程で照射されるレーザの波長の変更などを含むことができる。

【0045】

このようなレシピ情報は一般的なテキストファイル（ｔｅｘｔ ｆｉｌｅ）、拡張可能マークアップ言語（ＸＭＬ：ｅｘｔｅｎｓｉｂｌｅ ｍａｒｋｕｐ ｌａｎｇｕａｇｅ）ファイルなどのような任意の電子フォーマット（ｅｌｅｃｔｒｏｎｉｃ ｆｏｒｍａｔ）を含み得、半導体ウエハ上で行われるプロセッシング段階それぞれのシーケンス（ｓｅｑｕｅｎｃｅ）およびソース電力、バイアス電力、プロセスガスの流れ、プロセスガス圧力などのような異なる値で設定されることができる多様なパラメータを含むことができる。
この時、データ２００は図５に示すように多数のデータセット（２０１，２０２，２０３，…，２ＮＮ）（第１サブセットに対応する）で構成されることができる。

【0046】

レシピの変更がある場合、設定変更後に取得されるセンサデータは設定変更前に取得されるセンサデータと互いに異なる学習データセットに含まれることができる。一般的な半導体設備の動作において、時間の経過による製造方法の変更などによって正常データの種類は複数であり得る。

【0047】

学習データセット（２０１，２０２，２０３，…，２ＮＮ）それぞれは製造方法の変更などによる基準によりループ化された学習データを含むことができる。本開示の一実施形態で、半導体生産工程の場合、レシピ別に異なる正常データが取得されることができる。すなわち、互いに異なるレシピによって生産される生産工程で取得されたデータは互いに異なるが、すべて正常データであり得る。本開示の一実施形態で、複数の学習データセット（２０１，２０２，２０３，…，２ＮＮ）は互いに異なる種類の学習データを含むことができる。複数の学習データセットは事前決定された基準、例えば、生成時間区間、ドメイン、工程でのレシピなどによってグループ化することができる。

【0048】

前述した学習データに係る記載は例示であり、本開示はこれに制限されない。

【0049】

次に、制御部１２０は、分類器１５０（または第１分類器）のエンコーダ１５１を用いてフィーチャ（Ｆｅａｔｕｒｅ）を抽出する（図３のＳ１２０参照）。

【0050】

制御部１２０は複数の学習データを用いて分類器１５０を学習させる。次に、学習された分類器１５０のエンコーダで、前記学習データを演算して複数の学習データそれぞれのフィーチャ（Ｆｅａｔｕｒｅ）を抽出する。このために制御部１２０は先にエンコーダ１５１の入力層１０１に受信したデータを入力し、第１隠れ層１０２を経て次元縮小処理を行う。すなわち、第１隠れ層１０２を経て例えばフィルタを用いたコンボリューション（ｃｏｎｖｏｌｕｔｉｏｎ）演算を実行することができる。この時、フィルタを用いたコンボリューション演算は下記の数式１により実行することができる。

【0051】

【数1】

【0052】

ここで、ｌは第１隠れ層１０２を意味し、ｓｉｚｅｌは第１隠れ層１０２のサイズを意味し、Ｉｎは入力層１０１に入力されるデータ（ｄａｔａ）の数を意味し、Ｉａはラベル（ｌａｂｅｌ）の数を意味し、Ｏは出力コンボリューション層（Ｏｕｔｐｕｔ Ｃｏｎｖｏｌｕｔｉｏｎ Ｌａｙｅｒ）を意味し、ｗは加重値を意味し、ｂは偏向バイアス（ｂｉａｓ）を意味する。

【0053】

このようなコンボリューション演算処理されたデータは活性化関数（Ａｃｔｉｖａｔｉｏｎ ｆｕｎｃｔｉｏｎ）に代入して演算することができる。

【0054】

ここで、活性化関数はＳｉｇｍｏｉｄ関数またはＲｅＬｕ関数を用いることができる。
活性化関数を用いて出力された出力値に対して、制御部１２０は取得した出力値を用いてプーリング（ｐｏｏｌｉｎｇ）演算を実行する。
具体的には、プーリング演算はデータの次元の大きさを縮小するためのものであり、データで縦および横方向空間の大きさを減らす演算である。このようなプーリング演算は多様なパラメータ、例えば平均、中間値、最大値、最小値などを用いることができ、ここでは最大値を用いた最大値プーリング演算を適用する。最大値プーリング演算（ｍａｘ ｐｏｌｌｉｎｇ）を用いて映像データの制限領域で最大値を抽出し、データのノイズを除去することができ、データが減る過程でオーバーフィット（ｏｖｅｒ ｆｉｔｔｉｎｇ）を防止することができる。

【0055】

このような最大値プーリング演算は下記の数式２により実行されることができる。

【0056】

【数2】

【0057】

ここで、ｘはプーリング演算のために入力される行列を意味し、ｌはプーリング演算の該当層を意味し、ｉは入力される行列の行を意味し、ｊは入力される行列の熱を意味し、ｓｉｚｅｌはプーリング演算の該当層サイズを意味し、Ｉｍはプーリング演算の該当層に入力されるデータ（ｄａｔａ）の数を意味し、Ｉａはラベル（ｌａｂｅｌ）の数を意味する。

【0058】

プーリング演算を実行した後、制御部１２０はプーリング演算値と予め設定した目標出力値を用いて損失値を演算する。

【0059】

具体的には、損失値演算は下記の数式３のＭＳＬＥ、数式４のＲＭＳＬＥまたは数式５のｓＭＡＰＥを用いて演算することができ、予め設定した目標出力値はＧＴ（Ｇｒｏｕｎｄ Ｔｒｕｔｈ）であり得る。

【0060】

この時、ＧＴは例えば元データを第１隠れ層１０２でコンボリューション演算を行ったコンボリューション演算値に基づいて最大値プーリング演算（Ｍａｘ Ｐｏｏｌｉｎｇ）を行った値であり得る。

【0061】

【数3】

【0062】

【数4】

【0063】

【数5】

【0064】

このような過程を経てデータのフィーチャはフィーチャスペース（Ｆｅａｔｕｒｅ ｓｐａｃｅ：１５２）の中間隠れ層１０３を介して抽出される。
次に、抽出された多数のフィーチャに基づいて、複数の学習データをクラスタリングする（Ｓ１３０）。クラスタリングされた結果により、複数の学習データを複数の第２サブセットに再構成する。

【0065】

具体的には、データのフィーチャは図６に示すようにフィーチャスペース（Ｆｅａｔｕｒｅ ｓｐａｃｅ：１５２）に分散して位置することができ、制御部１２０はこのような多数のフィーチャをクラスタリング処理して多数のクラスタに群集する。すなわち、多数のフィーチャクラスタを先に形成することができる。しかし、それぞれのフィーチャはデータと互いに対応するので（すなわち、フィーチャとデータは１対１でマッチングするので）、フィーチャをクラスタリングするとフィーチャに対応するデータ（すなわち、学習データ）もクラスタリングされる。したがって、複数の学習データは複数の第２サブセットに区分／分類することができる。このようにクラスタリングされたデータの集まりを第２サブセットと呼ぶ。

【0066】

一方、クラスタリング方法は多様な方法があるが、本開示ではフィーチャスペース（Ｆｅａｔｕｒｅ ｓｐａｃｅ：１５２）に分散したフィーチャの間の距離（ｄｉｓｔａｎｃｅ）に基づいてクラスタリングを行うことができる。これは一例示であり、本発明の範囲はこれに制限されない。

【0067】

具体的には、距離に基づいたクラスタリングは下記の数式６の目的関数（Ｊ）を最小化することを目標とする。

【0068】

【数6】

【0069】

このような距離に基づくクラスタリングを行うために制御部１２０はフィーチャスペース（Ｆｅａｔｕｒｅ ｓｐａｃｅ：１５２）に分散した多数のフィーチャに対して初期中心点を設定する。

【0070】

初期中心点は数式６のｋを意味し、グループ化するクラスタ（ｃｌｕｓｔｅｒ）の個数と同じである。

【0071】

初期中心点を設定した後、制御部１２０はｋ個の初期中心点とそれぞれのフィーチャの間の距離を測定し、最も近い初期中心点でそれぞれのフィーチャを付与する。

【0072】

制御部１２０は付与されたフィーチャに対して距離平均値（ｍｅａｎ）を演算して、距離平均値を用いて新規中心点（ｃｅｎｔｒｏｉｄ）をアップデートする。

【0073】

このような過程を繰り返し行って数式６の目的関数（Ｊ）が最小化された結果が現れた状態でクラスタリングは終了し、図６に示すように多数のクラスタ（３０１，３０２，…，３ｎｎ）で表示されることができる。複数のフィーチャがクラスタされた後、それぞれのフィーチャに対応する学習データを図示すると図６のとおりである。例えば、第１クラスタ３０１は学習データセット１（２０１）に含まれるデータ（ｄ１１，ｄ１２，ｄ１ｏ）と学習データセット３（２０３）に含まれるデータ（ｄ３１，ｄ３２，ｄ３ｑ）を含む形態であり得る。学習データセット１（２０１）と学習データセット３（２０３）は異なるレシピであるがフィーチャは類似するため、第１クラスタ３０１に分類された。

【0074】

このようにフィーチャスペース１５２でフィーチャを用いてクラスタリングした後、制御部１２０は多数のクラスタ（３０１，３０２，…，３ｎｎ）それぞれに含まれたデータ（すなわち、第２サブセットに含まれたデータ）を分類器１５０に入力して学習する（図３のＳ１４０を参照）。

【0075】

具体的には、複数の第２サブセットそれぞれを用いて、複数の第２サブセットそれぞれに対応する複数の第２分類器を学習することができる。第２サブセットと第２分類器は１：１で対応するので、第２サブセットの個数と第２分類器の個数は互いに同一であり得る。

【0076】

第２分類器を学習する方法は多様であり得る。特に、学習された第１分類器の最終加重値を使用すると、複数の第２分類器の学習時間を短縮するのに役立つ。すなわち、第１分類器の学習結果が第２分類器に伝達（ｔｒａｎｓｆｅｒ）されることができる。

【0077】

例えば、Ｓ１２０段階で使用された第１分類器を、第２分類器として使用することができる。すなわち、学習が行われる複数の第２分類器の初期加重値を、第１分類器の最終加重値として設定することができる。このように初期加重値を設定した後に、複数の第２サブセットに該当するデータを複数の第２分類器にそれぞれ入力して学習させると、複数の第２分類器が互いに異なるように学習されることができる。

【0078】

または、複数の第２分類器のうちの一部のみ、第１分類器の学習結果の伝達を受けるようにすることができる。

【0079】

例えば、複数の第２分類器が同時に学習されるのではなく、一部が先に学習されることができる。このような場合、先に学習される第２分類器の初期加重値を、第１分類器の最終加重値として設定する。後に学習される第２分類器の初期加重値は、先に学習された第２分類器の最終加重値として設定する。ここでは複数の第２分類器を２個に分けて先に学習されるものと、後に学習されるものなどに分けて説明したが、これに限定されない。すなわち、複数の第２分類器をｓ個（ｓは３以上の自然数）に分けると、一番最初に学習される第２分類器の初期加重値のみ、第１分類器の最終加重値として設定する。後に学習される第２分類器の初期加重値は、直前に学習された第２分類器の最終加重値として設定する。

【0080】

または、複数の第２分類器は、第１分類器の学習結果の伝達を受けなくてもよい。すなわち、複数の第２分類器の初期加重値は第１分類器の学習結果と関係がなく設定することもできる。

【0081】

次に、制御部１２０は入力データに対して異常を検出する（図３のＳ１５０を参照）。
具体的には、入力データを学習された複数の第２分類器にすべて入力する。複数の第２分類器のうちのいずれか一つでも前記入力データを正常と判断する場合、前記入力データは正常と判断され、複数の第２分類器すべてが前記入力データを異常と判断する場合、前記入力データは異常と判断されることができる。

【0082】

オートエンコーダが異常か否かを判断する方法は、入力データと出力データの間の差異に基づく。すなわち、異常データに対する出力データと入力データの誤差は、正常データを入力として受けた時の出力データと入力データの誤差より大きい。このような点を用いて異常か正常かを分別する。

【0083】

制御部１２０はこのような方式で、多様なレシピに対応する入力データに対して異常を判断して出力部１３０を介して異常の判断結果をディスプレイすることができる。

【0084】

第１サブセット（例えば、レシピを基準に分けられた学習データのセット）の個数は、第２サブセット（例えば、フィーチャを基準に分けられた学習データのセット）の個数または第２分類器の個数より大きい。第２サブセットと第２分類器は１：１でマッチングするので第２分類器の個数と第２サブセットの個数は同一である。

【0085】

入力データは相対的に少ない数の第２分類器に入力するので、正常／異常を判断する際により少ないコンピューティングリソースと学習時間を必要とする。

【0086】

さらに、本出願の実施形態により、本出願では電子装置、非一時的なコンピュータ読取り可能な記憶媒体およびコンピュータープログラムをさらに提供する。

【0087】

電子装置は多様な形態のデジタルコンピュータを表示して、例えば、ラップトップコンピュータ、デスクトップコンピュータ、ワークステーション、個人情報端末（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ａｓｓｉｓｔａｎｔ）、サーバ、ブレードサーバ、メインフレームコンピュータおよびその他の適したコンピュータを表示する。電子装置はまた、多様な形態のモバイル装置を表示することができ、例えば、個人情報端末、セルフォン、スマートフォン、ウェアラブル設備およびその他類似のコンピューティング装置を表示することができる。本文に叙述した部材、これらの連結、関係、およびこれらの機能は単に例示的なものであり、本文で説明するおよび／または求められる本出願の実現を限定しない。
図１を参照して前述したように、電子装置は、一つまたは多数のプロセッサ、メモリ、入力部、出力部および各部材を連結するためのインターフェースなどを含む。

【0088】

本明細書の上述したシステムおよび技術の多様な実施形態はデジタル電子回路システム、集積回路システム、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向け集積回路（ＡＳＩＣ）、特定用途向け標準製品（ＡＳＳＰ）、システムオンチップシステム（ＳＯＣ）、コンプレックスプログラマブルロジックデバイス（ＣＰＬＤ）、コンピュータハードウェア、ファームウェア、ソフトウェアおよび／またはこれらの組み合わせで実現することができる。このような多様な実施形態は次を含むことができる。すなわち、一つ以上のコンピュータープログラムで実現され、該当する一つ以上のコンピュータープログラムは少なくとも一つのプログラマブルプロセッサを含むプログラマブルシステムで実行および／または解析されることができる。該当プログラマブルプロセッサは専用または汎用プログラマブルプロセッサであり得、ストレージシステム、少なくとも一つの入力装置および少なくとも一つの出力装置からデータおよび命令を受信し、データおよび命令を該当ストレージシステム、該当する少なくとも一つの入力装置および該当する少なくとも一つの出力装置に伝送することができる。

【0089】

本出願の方法を実現するためのプログラムコードは一つ以上のプログラミング言語の任意の組み合わせを使用して生成されることができる。このようなプログラムコードはプログラムコードがプロセッサまたはコントローラによって実行される際、フローチャートおよび／またはブロックダイヤグラムに規定された機能／操作が行われるように汎用コンピュータ、専用コンピュータ、または他のプログラマブルデータ処理装置のプロセッサまたは制御器に提供されることができる。プログラムコードは機械で完全に実行されるか部分的に実行されることができ、独立ソフトウェアパッケージとして機械で部分的に実行されるか部分的に遠隔機械で実行されるか遠隔機械またはサーバで実行されることができる。

【0090】

本出願の記載内容において、機械／コンピュータ読取り可能な媒体は類型の媒体であり得るため、命令実行システム、装置または機器によって使用されるか命令実行システム、装置、または機器と組み合わせて使用するためのプログラムを含むか保存することができる。機械読取り可能な媒体は機械読取り可能な信号媒体または機械読取り可能な記憶媒体であり得る。機械読取り可能な媒体は電子、磁気、光学、電磁気、赤外線、または半導体システム、装置または機器であるか、または前述した任意の適切な組み合わせを含み得るが、これに限定されない。機械読取り可能な記憶媒体のより具体的な例示として一つ以上のラインによる電気的な連結、携帯用コンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読取り専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバ、携帯式コンパクトディスク読取り専用メモリ（ＣＤ－ＲＯＭ）、光ストレージデバイス、磁気記憶装置またはこれらの任意の適切な組み合わせを含むことができる。

【0091】

ユーザとの相互作用を提供するために、コンピュータ上で、ここに説明したシステムおよび技術を実現することができるので、該当コンピュータはユーザに情報を表示するためのディスプレイ装置（例えば、ＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスプレイ）モニタ）およびユーザがコンピュータに入力を提供するためのキーボードおよびポインティング装置（例えば、マウスまたはトラックボール）を有して、ユーザは該当キーボードと該当ポインティング装置によってコンピュータに入力を提供することができる。その他類型の装置はユーザとの相互作用を提供することができ、例えば、ユーザに提供されるフィードバックは任意の形態の検知フィードバック（例えば、視覚フィードバック、聴覚フィードバックまたはハプティックフィードバック）であり得、任意の形態（音響入力、音声入力またはハプティック入力を含む）でユーザからの入力を受信することができる。

【0092】

本明細書に説明されたシステムおよび技術はバックグラウンドコンポーネントを含むコンピューティングシステム（例えば、データサーバとして）、またはミドルウェアコンポーネントを含むコンピューティングシステム（例えば、アプリケーションサーバ）、またはフロントエンドコンポーネント（例えば、グラフィックユーザインターフェースまたはウェブブラウザを含むユーザコンピュータはユーザがグラフィックユーザインターフェースまたはウェブブラウザを介して本出願に記載されたシステムおよび技術の実施形態と相互作用できる）、またはこのようなバックグラウンドコンポーネント、ミドルウェアコンポーネントまたはフロントエンドコンポーネントの任意の組み合わせを含むコンピューティングシステムで実現されることができる。また、システムのコンポーネントは任意の形態または媒体のデジタルデータ通信（例えば、通信ネットワーク）を介して互いに連結されることができる。通信ネットワークの例示はローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）およびインターネットを含むことができる。

【0093】

コンピュータシステムはクライアントおよびサーバを含むことができる。クライアントとサーバは一般に互いに離れており、一般に通信ネットワークを介して相互作用する。クライアントとサーバの間の関係は対応するコンピュータで実行されて互いにクライアント－サーバ関係を有するコンピュータプログラムによって生成される。サーバはクラウドコンピューティングサーバまたはクラウドホストとも呼ばれるクラウドサーバであり得、クラウドコンピューティングサービスシステムのホスト製品であり、伝統的な物理的ホストおよび仮想プライベートサーバ（ＶＰＳ，Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｓｅｒｖｅｒ）サービスに存在する管理の難度が大きくて業務拡張性が弱い欠陥を解決する。サーバは分散システムのサーバまたはブロックチェーンと結合されたサーバに分類することができる。

【0094】

以上と添付する図面を参照して本発明の実施形態について説明したが、本発明が属する技術分野で通常の知識を有する者は、本発明がその技術的思想や必須の特徴を変更せず他の具体的な形態で実施できることを理解することができる。したがって、上記一実施形態はすべての面で例示的なものであり、限定的なものではないと理解しなければならない。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】