特許 7460627 高度に共線的なレスポンススペースにおける処方分析

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-03-25

(45)【発行日】2024-04-02

(54)【発明の名称】高度に共線的なレスポンススペースにおける処方分析

(51)【国際特許分類】

   H01L 21/02 20060101AFI20240326BHJP

   G06N 3/08 20230101ALI20240326BHJP

   G06N 20/00 20190101ALI20240326BHJP

   G05B 13/02 20060101ALI20240326BHJP

【ＦＩ】

H01L21/02 Z

G06N3/08

G06N20/00

G05B13/02 A

【請求項の数】 20

(21)【出願番号】P 2021532890

(86)(22)【出願日】2019-12-11

(65)【公表番号】

(43)【公表日】2022-02-03

(86)【国際出願番号】 US2019065781

(87)【国際公開番号】W WO2020123695

(87)【国際公開日】2020-06-18

【審査請求日】2022-12-05

(31)【優先権主張番号】62/779,097

(32)【優先日】2018-12-13

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】16/599,962

(32)【優先日】2019-10-11

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】390040660

【氏名又は名称】アプライド マテリアルズ インコーポレイテッド

【氏名又は名称原語表記】ＡＰＰＬＩＥＤ ＭＡＴＥＲＩＡＬＳ，ＩＮＣＯＲＰＯＲＡＴＥＤ

【住所又は居所原語表記】３０５０ Ｂｏｗｅｒｓ Ａｖｅｎｕｅ Ｓａｎｔａ Ｃｌａｒａ ＣＡ ９５０５４ Ｕ．Ｓ．Ａ．

(74)【代理人】

【識別番号】110002077

【氏名又は名称】園田・小林弁理士法人

(72)【発明者】

【氏名】バーティア， シドハース

(72)【発明者】

【氏名】フェン， ジエ

(72)【発明者】

【氏名】キャントウェル， ダーモット

【審査官】庄司 一隆

(56)【参考文献】

【文献】特開２０１３－２５８３３８（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１３／０３３８８１０（ＵＳ，Ａ１）

【文献】特表２０２０－５２２８８３（ＪＰ，Ａ）

【文献】国際公開第２０１８／２２２６１３（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１８／０３５０６９９（ＵＳ，Ａ１）

【文献】特開２００３－０６８７１７（ＪＰ，Ａ）

【文献】特表２０１４－５１３４１５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｈ０１Ｌ ２１／０２

Ｇ０６Ｎ ３／０８

Ｇ０６Ｎ ２０／００

Ｇ０５Ｂ １３／０２

(57)【特許請求の範囲】

【請求項1】

方法であって、
製造機器の製造パラメータに関連する膜特性データを受信することと、
前記膜特性データが相関しており、ターゲットデータとは異なることを決定することと、
処理装置によって、前記ターゲットデータに直交する前記膜特性データのデータポイントのセットを選択することと、
前記処理装置によって、前記データポイントのセットに対して特徴抽出を実行することと、
前記特徴抽出に基づいて、前記ターゲットデータに一致させるための１又は複数の前記製造パラメータの更新を決定することと
を含む方法。

【請求項2】

前記製造パラメータが、ハードウェアパラメータ又はプロセスパラメータの１又は複数を含む、請求項１に記載の方法。

【請求項3】

前記膜特性データが相関しており、前記ターゲットデータとは異なることを決定することが、前記膜特性データが前記ターゲットデータと実質的に平行であることを決定することを含む、請求項１に記載の方法。

【請求項4】

前記特徴抽出の実行が、主成分分析（ＰＣＡ）、クラスタリング、因子分析（ＦＡ）、判別分析、又は相関行列のうちの１又は複数を介して行われる、請求項１に記載の方法。

【請求項5】

前記１又は複数の製造パラメータの前記更新を決定するための訓練された機械学習モデルを生成するために機械学習モデルを訓練することであって、前記訓練は、
前記機械学習モデルの訓練データを生成することであって、
前記製造機器の履歴製造パラメータを含む第１の訓練入力を生成することと、
前記第１の訓練入力に対する第１のターゲット出力を生成することであって、前記第１のターゲット出力は、履歴膜特性データを含む、前記第１の訓練入力に対する第１のターゲット出力を生成することと
を含む、前記機械学習モデルの訓練データを生成することと、
（ｉ）前記第１の訓練入力を含む訓練入力のセット、及び（ｉｉ）前記第１のターゲット出力を含むターゲット出力のセットに、前記機械学習モデルを訓練するための前記訓練データを提供することと
を含む、機械学習モデルを訓練すること
を更に含む、請求項１に記載の方法。

【請求項6】

訓練された機械学習モデルに前記ターゲットデータを提供することであって、前記データポイントのセットの選択と、前記特徴抽出の実行は、前記訓練された機械学習モデルを介して行われる、訓練された機械学習モデルに前記ターゲットデータを提供することと、
前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することであって、前記更新の決定が、前記１又は複数の出力から、前記１又は複数の製造パラメータの前記更新を抽出することを含む、前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することと
を更に含む、請求項１に記載の方法。

【請求項7】

前記ターゲットデータに一致させるために、前記製造機器の前記１又は複数の製造パラメータの前記更新を実行することを更に含む、請求項１に記載の方法。

【請求項8】

グラフィカルユーザインターフェースを介して前記１又は複数の製造パラメータの前記更新を表示することを更に含む、請求項１に記載の方法。

【請求項9】

システムであって、
メモリと、
処理装置であって、
製造機器の製造パラメータに関連する膜特性データを受信することと、
前記膜特性データが相関しており、ターゲットデータとは異なることを決定することと、
前記ターゲットデータに直交する前記膜特性データのデータポイントのセットを選択することと、
前記データポイントのセットに対して特徴抽出を実行することと、
前記特徴抽出に基づいて、前記ターゲットデータに一致させるために、１又は複数の前記製造パラメータの更新を決定することと
を行うために、前記メモリに結合された処理装置と
を備える、システム。

【請求項10】

前記膜特性データが相関しており、前記ターゲットデータとは異なることを決定するために、前記処理装置が、前記膜特性データが前記ターゲットデータと実質的に平行であることを決定する、請求項９に記載のシステム。

【請求項11】

前記製造パラメータが、ハードウェアパラメータ又はプロセスパラメータの１又は複数を含み、
前記処理装置は、主成分分析（ＰＣＡ）、クラスタリング、因子分析（ＦＡ）、判別分析、又は相関行列のうちの１又は複数を介して前記特徴抽出を実行する、
請求項９に記載のシステム。

【請求項12】

前記処理装置が更に、前記１又は複数の製造パラメータの前記更新を決定するための訓練された機械学習モデルを生成するために前記機械学習モデルを訓練し、前記機械学習モデルを訓練するために、前記処理装置が、
前記機械学習モデルの訓練データを生成することであって、
前記製造機器の履歴製造パラメータを含む第１の訓練入力を生成することと、
前記第１の訓練入力に対する第１のターゲット出力を生成することであって、前記第１のターゲット出力は、履歴膜特性データを含む、前記第１の訓練入力に対する第１のターゲット出力を生成することと
を含む、前記機械学習モデルの訓練データを生成することと
（ｉ）前記第１の訓練入力を含む訓練入力のセット、及び（ｉｉ）前記第１のターゲット出力を含むターゲット出力のセットに、前記機械学習モデルを訓練するための前記訓練データを提供することと
を行う、請求項９に記載のシステム。

【請求項13】

前記処理装置が更に、
訓練された機械学習モデルに前記ターゲットデータを提供することであって、前記処理装置が前記データポイントのセットを選択し、前記訓練された機械学習モデルを介して前記特徴抽出を実行する、訓練された機械学習モデルに前記ターゲットデータを提供することと、
前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することであって、前記更新を決定するために、前記処理装置が、前記１又は複数の出力から、前記１又は複数の製造パラメータの前記更新を抽出する、前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することと
を行う、請求項９に記載のシステム。

【請求項14】

前記処理装置が更に、
前記ターゲットデータに一致させるために、前記製造機器の前記１又は複数の製造パラメータの前記更新を実行すること、又は
グラフィカルユーザインターフェースを介して前記１又は複数の製造パラメータの前記更新を表示すること
のうちの１又は複数を行う、請求項９に記載のシステム。

【請求項15】

命令が格納された非一過性コンピュータ可読媒体であって、前記命令が処理装置によって実行されると、前記処理装置に、
製造機器の製造パラメータに関連する膜特性データを受信することと、
前記膜特性データが相関しており、ターゲットデータとは異なることを決定することと、
処理装置によって、前記ターゲットデータに直交する前記膜特性データのデータポイントのセットを選択することと、
前記データポイントのセットに対して特徴抽出を実行することと、
前記特徴抽出に基づいて、前記ターゲットデータに一致させるための１又は複数の前記製造パラメータの更新を決定することと
を行わせる、非一過性コンピュータ可読媒体。

【請求項16】

前記膜特性データが相関しており、前記ターゲットデータとは異なることを決定するために、前記処理装置が、前記膜特性データが前記ターゲットデータと実質的に平行であることを決定する、請求項１５に記載の非一過性コンピュータ可読媒体。

【請求項17】

前記製造パラメータが、ハードウェアパラメータ又はプロセスパラメータの１又は複数を含み、
前記処理装置が、主成分分析（ＰＣＡ）、クラスタリング、因子分析（ＦＡ）、判別分析、又は相関行列のうちの１又は複数を介して前記特徴抽出を実行する、
請求項１５に記載の非一過性コンピュータ可読媒体。

【請求項18】

前記処理装置が更に、前記１又は複数の製造パラメータの前記更新を決定するための訓練された機械学習モデルを生成するために前記機械学習モデルを訓練し、前記機械学習モデルを訓練するために、前記処理装置が、
前記機械学習モデルの訓練データを生成することであって、
前記製造機器の履歴製造パラメータを含む第１の訓練入力を生成することと、
前記第１の訓練入力に対する第１のターゲット出力を生成することであって、前記第１のターゲット出力は、履歴膜特性データを含む、前記第１の訓練入力に対する第１のターゲット出力を生成することと
を含む、前記機械学習モデルの訓練データを生成することと
（ｉ）前記第１の訓練入力を含む訓練入力のセット、及び（ｉｉ）前記第１のターゲット出力を含むターゲット出力のセットに、前記機械学習モデルを訓練するための前記訓練データを提供することと
を行う、請求項１５に記載の非一過性コンピュータ可読媒体。

【請求項19】

前記処理装置が更に、
訓練された機械学習モデルに前記ターゲットデータを提供することであって、前記処理装置が前記データポイントのセットを選択し、前記訓練された機械学習モデルを介して前記特徴抽出を実行する、訓練された機械学習モデルに前記ターゲットデータを提供することと、
前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することであって、前記更新を決定するために、前記処理装置が、前記１又は複数の出力から、前記１又は複数の製造パラメータの前記更新を抽出する、前記訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得することと
を行う、請求項１５に記載の非一過性コンピュータ可読媒体。

【請求項20】

前記処理装置が更に、
前記ターゲットデータに一致させるために、前記製造機器の前記１又は複数の製造パラメータの前記更新を実行すること、又は
グラフィカルユーザインターフェースを介して前記１又は複数の製造パラメータの前記更新を表示すること
の１又は複数を行う、
請求項１５に記載の非一過性コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

［０００１］本開示は、処方分析、より具体的には、高度に共線的なレスポンススペースにおける処方分析に関する。

【背景技術】

【0002】

［０００２］製品を製造するための製造プロセス及び製造機器（半導体及びディスプレイ産業等）は複雑であり得る。製品のターゲット特性に一致させるための製造プロセス及び製造機器のパラメータの更新を決定することには時間がかかる場合があり、製造施設の管理者の専門知識に依存し得る。

【発明の概要】

【0003】

［０００３］以下は、本開示の幾つかの態様の基本的な理解を提供するために、本開示の簡略化された要約である。この要約は、本開示の広範な概要ではない。これは、本開示のカギとなる要素又は重要な要素を特定することも、本開示の特定の実装態様の任意の範囲又は請求項の任意の範囲を描写することも意図していない。その唯一の目的は、後に提示する、より詳細な説明の前置きとして、本開示の幾つかの概念を簡略化された形で提示することである。

【0004】

［０００４］本開示の一態様では、方法は、製造機器の製造パラメータに関連する膜特性データを受信することを含み得る。本方法は更に、膜特性データが相関しており、ターゲットデータとは異なることを決定することを含む。本方法は更に、処理装置によって、ターゲットデータに直交する膜特性データのデータポイントのセットを選択することを含む。本方法は更に、処理装置によって、データポイントのセットに対して特徴抽出を実行することを含む。本方法は更に、特徴抽出に基づいて、ターゲットデータに一致させるための１又は複数の製造パラメータの更新を決定することを含む。

【0005】

［０００５］本開示の別の態様では、システムは、メモリと、メモリに結合された処理装置とを含む。処理装置は、製造機器の製造パラメータに関連する膜特性データを受信し、膜特性データが相関しており、ターゲットデータとは異なることを決定する。処理装置は更に、ターゲットデータに直交する膜特性データのデータポイントのセットを選択し、データポイントのセットに対して特徴抽出を実行する。処理装置は更に、特徴抽出に基づいて、ターゲットデータに一致させるために、１又は複数の製造パラメータの更新を決定する。

【0006】

［０００６］本開示の別の態様では、命令が格納された非一過性コンピュータ可読媒体であって、命令が処理装置によって実行されると、処理装置に、製造機器の製造パラメータに関連する膜特性データを受信することと、膜特性データが相関しており、ターゲットデータとは異なることを決定することとを行わせる。処理装置は更に、ターゲットデータに直交する膜特性データのデータポイントのセットを選択し、データポイントのセットに対して特徴抽出を実行する。処理装置は更に、特徴抽出に基づいて、ターゲットデータに一致させるための１又は複数の製造パラメータの更新を決定する。

【0007】

［０００７］本開示は、添付の図面の図における限定としてではなく、例として示すものである。

【図面の簡単な説明】

【0008】

【図1】特定の実施形態に係る、例示的なシステムアーキテクチャを示すブロック図である。

【図2】特定の実施形態に係る、機械学習モデルのためのデータセットを作成するための例示的なデータセットジェネレータである。

【図3】特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定することを示すブロック図である。

【図4】特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定する例示的な方法を示すフロー図である。

【図5】特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定する例示的な方法を示すフロー図である。

【図6】特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定する例示的な方法を示すフロー図である。

【図7】Ａ－Ｂは、特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定することを示すグラフである。

【図8】特定の実施形態に係る、コンピュータシステムを示すブロック図である。

【発明を実施するための形態】

【0009】

［００１４］本明細書に記載されるのは、高度に共線的なレスポンススペースにおける処方分析を対象とした技術である。製造機器（例えば、半導体又はディスプレイ処理ツール）は、製造プロセスを実行して、結果として得られた特性データ（例えば、膜特性データ）を有する製品（例えば、半導体ウエハ、半導体ディスプレイ等）を製造する。結果として得られた特性データは、ターゲットデータ（例えば、ターゲット特性データ、仕様）と比較され得る。結果として得られた特性データがターゲットデータに一致していないことに応じて、ターゲットデータに一致させるために、製造機器の製造パラメータ（例えば、ハードウェアパラメータ、プロセスパラメータ）が更新され得る。従来、ターゲットデータに一致させるための製造パラメータの更新は、管理者の専門知識に依存する場合があり、その場限りのものとなり得、限定的であり得る。管理者は、製造パラメータの更新を試行錯誤しながら、ターゲットデータに一致させるために製造パラメータを更新する方法を決定し得る。管理者は、製造パラメータを更新して、ターゲットデータに一致させることができない場合がある。ターゲットデータは、２つ以上の特性を含み得る。例えば、ターゲットデータは、多パラメータ、多目的最適化、制約付き最適化問題、制約なし最適化問題等のうちの１又は複数であり得る。従来は、管理者がターゲットデータの１つの特性に一致させようとして、限定的にターゲットデータのその１つを選択し、次に、製造パラメータを更新し得る。結果的な特性データの１つの特性をターゲットデータに一致させようとすると、結果的な特性データの他の特性がターゲットデータに一致しない場合があり、ターゲットデータからの偏差が増加し得る。従来、管理者の更新できる（例えば、同時に更新を検討できる）製造パラメータの量又は種類は、限定的であり得る。管理者は、多パラメータ、多目的最適化、制約付き最適化問題、制約なし最適化問題等のうちの１又は複数であるターゲットデータに一致させるように製造パラメータを更新できない場合がある。

【0010】

［００１５］製品の特性データは相関している可能性がある（例：共線的な膜特性データ）。例えば、第１の軸が第１の特性であり、第２の軸が第２の特性であるグラフでは、特性データは線を形成し得る。線は、ターゲットデータに実質的に平行（例えば、ターゲットデータからオフセット）であり得る。従来、管理者は、相関する特性データ（例えば、共線的な膜特性データ）がターゲットデータに一致するように製造パラメータを調整することができない。

【0011】

［００１６］本明細書に開示の装置、システム、及び方法は、ターゲットデータに一致させるために、高度に共線的なレスポンススペースにおける処方分析を使用して、１又は複数の製造パラメータ（例えば、プロセスパラメータ、機器パラメータ、ハードウェア設計変更等）の更新を決定する。処理装置は、製造機器の製造パラメータに関連する膜特性データを受信し、膜特性データが相関しており、ターゲットデータとは異なる（例えば、ターゲットデータに一致しない、ターゲットデータに一致できない、ターゲットデータからオフセットされる）ことを決定する。処理装置は、ターゲットデータに直交する膜特性データのデータポイントのセットを選択し、データポイントのセットに対して特徴抽出を実行する。処理装置は、特徴抽出に基づいて、ターゲットデータに一致させるために１又は複数の製造パラメータの更新を決定する。

【0012】

［００１７］幾つかの実施形態では、機械学習モデルは、データ入力（例えば、履歴又は実験製造パラメータ）及びデータ入力に対応するターゲット出力（例えば、履歴又は実験膜特性データ）を使用して訓練され得る。逆解は、ターゲットデータに基づいて訓練された機械学習モデルから取得され得る。逆解は、製造パラメータの更新を含み得る。幾つかの実施形態では、逆解を取得するために、訓練された機械学習モデルを反転させることができ、反転した訓練された機械学習モデルにターゲットデータを入力し、反転した機械学習モデルによって、ターゲットデータに一致させるための製造パラメータの更新を出力することができる。

【0013】

［００１８］幾つかの実施形態では、製造パラメータの更新は、グラフィカルユーザインターフェースを介して表示され得る。幾つかの実施形態では、ターゲットデータに一致させるために、製造パラメータの更新が実行され得る。

【0014】

［００１９］本開示の態様は、エネルギー消費（例えば、バッテリ消費）、必要な帯域幅、プロセッサオーバヘッド等の大幅な削減という技術的利点をもたらす。幾つかの実施形態では、技術的利点は、管理者の専門知識を使用するその場限りの試行錯誤を実行することなく、ターゲットデータに一致させるための製造パラメータの更新を決定することから生じる。ターゲットデータに一致させるための製造パラメータの更新は、ユーザの専門知識に依存するその場限りの試行錯誤よりも少ないエネルギー、少ない帯域幅、少ないプロセッサオーバヘッドを使用して決定され得る。本開示を介して決定された製造パラメータの更新により、従来のアプローチよりもターゲットデータに近い特性データを備えた製品が製造され得る。従来、管理者は、ターゲットデータに一致させるための製造パラメータの更新を決定できない場合があり、その結果、製品が仕様に一致しなくなる可能性がある。本明細書に記載の実施形態によって決定される製造パラメータの更新により、ターゲットデータの異なる特性に一致する（例えば、ターゲットデータの１つの特性に単に近づこうとするのではなく、仕様に一致する）特性データを備えた製品が製造され得る。

【0015】

［００２０］図１は、特定の実施形態に係る、例示的なシステムアーキテクチャ１００を示すブロック図である。システムアーキテクチャ１００は、クライアント装置１２０、製造機器１２４、測定機器１２６、処方分析用サーバ１３０、及びデータストア１４０を含む。処方分析用サーバ１３０は、処方分析システム１１０の一部であり得る。処方分析システム１１０は、サーバマシン１７０及び１８０を更に含み得る。

【0016】

［００２１］測定機器１２６は、計測システム１２７又はセンサ１２８のうちの１又は複数を含み得る。測定機器１２６は、製造機器１２４によって（例えば、計測機器１２７を介して）製造された製品（例えば、ウエハ）の膜特性データ（例えば、履歴又は実験膜特性データ１４４、膜特性データ１５０、テストされた膜特性データ１５６）を決定し得る。測定機器１２６は、製造機器１２４に関連する製造パラメータ（例えば、履歴又は実験製造パラメータ１４６等）を（例えば、センサ１２８を介して）決定し得る。

【0017】

［００２２］クライアント装置１２０、製造機器１２４、測定機器１２６、処方分析用サーバ１３０、データストア１４０、サーバマシン１７０、及びサーバマシン１８０は、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を決定するために、ネットワーク１６０を介して互いに結合され得る。幾つかの実施形態では、ネットワーク１６０は、クライアント装置１２０に、処方分析用サーバ１３０、データストア１４０、及び他の公的に利用可能なコンピューティング装置へのアクセスを提供する公衆ネットワークである。幾つかの実施形態では、ネットワーク１６０は、クライアント装置１２０に、処方分析用サーバ１３０、データストア１４０、及び他のプライベートに利用可能なコンピューティング装置へのアクセスを提供するプライベートネットワークである。ネットワーク１６０は、１又は複数の広域ネットワーク（ＷＡＮ）、ローカルエリアネットワーク（ＬＡＮ）、有線ネットワーク（例えば、イーサネットネットワーク）、無線ネットワーク（例えば、８０２．１１ネットワーク又はＷｉ－Ｆｉネットワーク）、セルラーネットワーク（例えば、Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ（ＬＴＥ）ネットワーク）、ルータ、ハブ、スイッチ、サーバコンピュータ、クラウドコンピューティングネットワーク、及び／又はそれらの組み合わせを含み得る。

【0018】

［００２３］クライアント装置１２０は、パーソナルコンピュータ（ＰＣ）、ラップトップ、携帯電話、スマートフォン、タブレットコンピュータ、ネットブックコンピュータ、ネットワーク接続テレビ（「スマートテレビ」）、ネットワーク接続メディアプレーヤ（例えば、ブルーレイプレーヤ）、セットトップボックス、オーバーザトップ（ＯＴＴ）ストリーミング装置、オペレータボックス等のコンピューティング装置を含み得る。クライアント装置１２０は、測定機器１２６から膜特性データ（例えば、履歴又は実験データ１４２、膜特性データ１５０、テストされた膜特性データ１５６）を受信し、ネットワーク１６０を介して処方分析システム１１０等から製造パラメータ１５４の更新を受信することができ得る。クライアント装置１２０は、膜特性データ（例えば、履歴又は実験データ１４２、膜特性データ１５０、ターゲットデータ１５２、テストされた膜特性データ１５６）を処方分析システム１１０に送信し、ネットワーク１６０を介して、製造パラメータ１５４の更新を製造機器１２４等に送信することができ得る。幾つかの実施形態では、クライアント装置１２０は、製造パラメータ１５４の更新に基づいて、製造機器１２４の製造パラメータ（例えば、プロセスパラメータ、ハードウェアパラメータ等）を変更し得る。各クライアント装置１２０は、ユーザがデータ（例えば、ターゲットデータ１５２、製造パラメータ１５４の更新、テストされた膜特性データ１５６等）の生成、表示、又は編集のうちの１又は複数を行うことを可能にするオペレーティングシステムを含み得る。

【0019】

［００２４］クライアント装置１２０は、製造パラメータ変更コンポーネント１２２を含み得る。製造パラメータ変更コンポーネント１２２は、ターゲットデータ１５２のユーザ入力を（例えば、クライアント装置１２０を介して表示されるグラフィカルユーザインターフェースを介して）受信し得る。ターゲットデータ１５２は、特性データ（例えば、膜特性データ）を含み得る。幾つかの実施形態では、クライアント装置１２０は、ターゲットデータ１５２を処方分析用サーバ１３０に送信し、クライアント装置１２０は、処方分析用サーバ１３０から、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を受信する。クライアント装置１２０は、製造パラメータ１５４の更新に基づいて製造機器１２４の製造パラメータを更新させ得る（例えば、製造パラメータ１５４の更新を製造機器１２４に送信し、製造パラメータ１５４の更新を実行する）。クライアント装置１２０は、製造機器１２４によって実行されている製造パラメータの更新に応じて、テストされた膜特性データ１５６を受信し得る。クライアント装置１２０は、訓練された機械学習モデル１９０の更新のために、テストされた膜特性データ１５６を処方分析システム１１０（例えば、処方分析用サーバ１３０）に送信し得る。

【0020】

［００２５］処方分析用サーバ１３０は、ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ、グラフィックス処理ユニット（ＧＰＵ）、アクセラレータ特定用途向け集積回路（ＡＳＩＣ）（例えば、テンソル処理ユニット（ＴＰＵ））等の１又は複数のコンピューティング装置を含み得る。処方分析用サーバ１３０は、処方分析コンポーネント１３２を含み得る。幾つかの実施形態では、処方分析コンポーネント１３２は、履歴又は実験データ１４２を使用して、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を決定し得る。履歴又は実験データ１４２は、履歴データ、実験データ、又はそれらの組み合わせを含み得る。実験データは、実験計画（ＤＯＥ）データを含み得る。幾つかの実施形態では、処方分析コンポーネント１３２は、訓練された機械学習モデル１９０を使用して、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を決定し得る。訓練された機械学習モデル１９０は、主要なプロセス及びハードウェアパラメータを学習し得る。訓練された機械学習モデル１９０による製造パラメータ１５４の更新の決定は、訓練された機械学習モデル１９０による、最適な工程条件（例えば、プロセスパラメータ）及び／又は空間（例えば、ハードウェアパラメータ）の処方を含み得る。

【0021】

［００２６］処方分析コンポーネント１３２は、製造機器１２４の製造パラメータに関連する膜特性データ１５０を受信（例えば、データストア１４０から取得）し、膜特性データ１５０が相関しており、ターゲットデータ１５２とは異なることを決定し、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を決定し得る。幾つかの実施形態では、処方分析コンポーネント１３２は、ターゲットデータ１５２に直交する膜特性データ１５０のデータポイントのセットを選択し、データポイントのセットに対して特徴抽出を実行することによって、製造パラメータ１５４の更新を決定し、製造パラメータ１５４の更新は、特徴抽出に基づくものである。幾つかの実施形態では、逆解（例えば、製造パラメータの更新）は、ターゲットデータに基づいて訓練された機械学習モデルから取得され得る。逆解は、製造パラメータの更新を含み得る。幾つかの実施形態では、逆解を取得するために、処方分析コンポーネント１３２は、訓練された機械学習モデルにターゲットデータ１５２を提供することによって、製造パラメータ１５４の更新を決定する。例えば、逆解（例えば、製造パラメータ１５４の更新）は、ターゲットデータ１５２に基づいて、訓練された機械学習モデルから取得され得る。幾つかの実施形態では、処方分析コンポーネント１３２は、ターゲットデータ１５２を反転した訓練された機械学習モデル（例えば、訓練された反転モデル１９０）に提供し、反転した訓練された機械学習モデルから出力を取得し、出力から製造パラメータ１５４の更新を抽出することによって、製造パラメータ１５４の更新を決定する。反転した訓練された機械学習モデルは、ターゲットデータ１５２に直交する膜特性データ１５０のデータポイントのセットを選択し、データポイントのセットに対して特徴抽出を実行することができ、反転した訓練された機械学習モデルの出力（例えば、製造パラメータ１５４の更新）は、特徴抽出に基づくものである。

【0022】

［００２７］データストア１４０は、メモリ（例えば、ランダムアクセスメモリ）、ドライブ（例えば、ハードドライブ、フラッシュドライブ）、データベースシステム、又はデータを格納することができる別の種類のコンポーネント又は装置であり得る。データストア１４０は、複数のコンピューティング装置（例えば、複数のサーバコンピュータ）に及び得る複数のストレージコンポーネント（例えば、複数のドライブ又は複数のデータベース）を含み得る。データストア１４０は、履歴又は実験データ１４２、膜特性データ１５０、ターゲットデータ１５２、製造パラメータ１５４の更新、又はテストされた膜特性データ１５６のうちの１又は複数を格納し得る。履歴又は実験データ１４２は、ある期間にわたる、又は製造機器１２４の複数の実行における、履歴又は実験膜特性データ１４４及び履歴又は実験製造パラメータ１４６を含み得る。履歴又は実験膜特性データ１４４の各インスタンスは、履歴又は実験製造パラメータ１４６のそれぞれのインスタンス（例えば、履歴又は実験膜特性データ１４４を有する製品を製造するために製造機器１２４によって使用される履歴又は実験製造パラメータ１４６のインスタンス）に対応し得る。テストされた膜特性データ１５６の各インスタンスは、製造パラメータ１５４の更新のそれぞれのインスタンス（例えば、テストされた膜特性データ１５６を有する製品を製造するために製造機器１２４によって使用される製造パラメータ１５４の更新のインスタンス）に対応し得る。

【0023】

［００２８］幾つかの実施形態では、製造パラメータは、製造機器１２４の１又は複数の設定又は構成要素（例えば、サイズ、種類等）を含む。製造パラメータは、温度（例えば、ヒータ温度）、間隔（ＳＰ）、圧力、高周波無線周波数（ＨＦＲＦ）、静電チャック（ＥＳＣ）の電圧、電流、第１の前駆体、第１の希釈剤、第２の希釈剤、第１の反応物、第２の反応物、第２の前駆体等のうちの１又は複数を含み得る。

【0024】

［００２９］幾つかの実施形態では、膜特性データは、測定機器データに基づく（例えば、製造機器１２４に結合された測定機器１２６から取得される）ウエハ空間膜特性を含む。膜特性データは、誘電率、ドーパント濃度、成長速度、密度等のうちの１又は複数を含み得る。

【0025】

［００３０］幾つかの実施形態では、クライアント装置１２０は、ターゲットデータ１５２及びテストされた膜特性データ１５６をデータストア１４０に格納することができ、処方分析用サーバ１３０は、データストア１４０からターゲットデータ１５２及びテストされた膜特性データ１５６を取得し得る。幾つかの実施形態では、処方分析用サーバ１３０は、製造パラメータ１５４の更新をデータストア１４０に格納することができ、クライアント装置１２０は、製造パラメータ１５４の更新をデータストア１４０から取得し得る。

【0026】

［００３１］幾つかの実施形態では、処方分析システム１１０は、サーバマシン１７０及びサーバマシン１８０を更に含む。サーバマシン１７０及び１８０は、１又は複数のコンピューティング装置（ラックマウントサーバ、ルータコンピュータ、サーバコンピュータ、パーソナルコンピュータ、メインフレームコンピュータ、ラップトップコンピュータ、タブレットコンピュータ、デスクトップコンピュータ等）、ＧＰＵ、ＡＳＩＣ（ＴＰＵ等）、データストア（ハードディスク、メモリデータベース等）、ネットワーク、ソフトウェアコンポーネント、又はハードウェアコンポーネントであり得る。

【0027】

［００３２］サーバマシン１７０は、機械学習モデル１９０を訓練、検証、又はテストするためのデータセット（例えば、データ入力のセット及びターゲット出力のセット）を生成することができるデータセットジェネレータ１７２を含む。データセットジェネレータ１７２の幾つかの工程を、図２及び図６に関して以下に詳細に説明する。幾つかの実施形態では、データセットジェネレータ１７２は、履歴又は実験データ１４２を訓練セット（例えば、履歴又は実験データ１４２の６０パーセント）、検証セット（例えば、履歴又は実験データ１４２の２０パーセント）、及びテストセット（例えば、履歴又は実験データ１４２の２０パーセント）に分割し得る。幾つかの実施形態では、処方分析コンポーネント１３２は、特徴の複数のセットを生成する。例えば、特徴の第１のセットは、データセット（例えば、訓練セット、検証セット、及びテストセット）のそれぞれに対応する製造パラメータの第１のセットであり得、特徴の第２のセットは、各データセットに対応する（例えば、製造パラメータの第１のセットとは異なる）製造パラメータの第２のセットであり得る。

【0028】

［００３３］サーバマシン１８０は、訓練エンジン１８２、検証エンジン１８４、選択エンジン、及びテストエンジン１８６を含む。エンジン（例えば、訓練エンジン１８２、検証エンジン１８４、選択エンジン、及びテストエンジン１８６）は、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理装置等）、ソフトウェア（例えば、処理装置、汎用コンピュータシステム、又は専用マシンで実行される命令）、ファームウェア、マイクロコード、又はそれらの組み合わせを指す場合がある。訓練エンジン１８２は、データセットジェネレータ１７２からの訓練セットに関連する特徴の１又は複数のセットを使用して、機械学習モデル１９０を訓練することができ得る。訓練エンジン１８２は、複数の訓練された機械学習モデル１９０を生成することができ、各訓練された機械学習モデル１９０は、訓練セットの個別の特徴のセットに対応する。例えば、第１の訓練された機械学習モデルは全ての特徴（Ｘ１～Ｘ５等）を使用して訓練されていてよく、第２の訓練された機械学習モデルは特徴の第１のサブセット（Ｘ１、Ｘ２、Ｘ４等）を使用して訓練されていてよく、第３の訓練された機械学習モデルは、特徴の第１のサブセットと部分的に重複し得る特徴の第２のサブセット（例えば、Ｘ１、Ｘ３、Ｘ４、及びＸ５）を使用して訓練されていてよい。

【0029】

［００３４］検証エンジン１８４は、データセットジェネレータ１７２からの検証セットの対応する特徴のセットを使用して、訓練された機械学習モデル１９０を検証することができ得る。例えば、訓練セットの特徴の第１のセットを使用して訓練された第１の訓練された機械学習モデル１９０は、検証セットの特徴の第１のセットを使用して検証され得る。検証エンジン１８４は、検証セットの特徴の対応するセットに基づいて、訓練された機械学習モデル１９０のそれぞれの精度を決定し得る。検証エンジン１８４は、閾値精度に一致しない精度を有する訓練された機械学習モデル１９０を破棄し得る。幾つかの実施形態では、選択エンジン１８５は、閾値精度に一致する精度を有する１又は複数の訓練された機械学習モデル１９０を選択することができ得る。幾つかの実施形態では、選択エンジン１８５は、訓練された機械学習モデル１９０の最も高い精度を有する訓練された機械学習モデル１９０を選択することができ得る。

【0030】

［００３５］テストエンジン１８６は、データセットジェネレータ１７２からのテストセットの対応する特徴のセットを使用して、訓練された機械学習モデル１９０をテストすることができ得る。例えば、訓練セットの特徴の第１のセットを使用して訓練された第１の訓練された機械学習モデル１９０は、テストセットの特徴の第１のセットを使用してテストされ得る。テストエンジン１８６は、テストセットに基づいて、訓練された機械学習モデルのすべての中で最も高い精度を有する訓練された機械学習モデル１９０を決定し得る。

【0031】

［００３６］機械学習モデル１９０は、データ入力及び対応するターゲット出力（それぞれの訓練入力に対する正解）を含む訓練セットを使用して訓練エンジン１８２によって作成されるモデルアーチファクトを指すものであってよい。データ入力をターゲット出力（正解）にマッピングするデータセットのパターンが探し出され、これらのパターンをキャプチャするマッピングが機械学習モデル１９０に提供され得る。機械学習モデル１９０は、線形回帰、ランダムフォレスト、ニューラルネットワーク（例えば、人工ニューラルネットワーク）等のうちの１又は複数を使用し得る。

【0032】

［００３７］訓練された機械学習モデル１９０は、（例えば、処方分析コンポーネント１３２等によって）反転され得る。処方分析コンポーネント１３２は、反転した訓練された機械学習モデル１９０への入力としてターゲットデータ１５２（例えば、ターゲット膜特性データ）を提供し得、入力に対して反転した訓練された機械学習モデル１９０を実行して、１又は複数の出力を取得し得る。図５に関して以下に詳細に説明するように、処方分析コンポーネント１３２は、訓練された機械学習モデル１９０の出力から、ターゲットデータ１５２に一致させるための製造パラメータ１５４の更新を抽出することができ、製造パラメータ１５４の更新を使用して製造された１又は複数の製品がターゲットデータ１５２に一致する（例えば、仕様の範囲内である）という信頼性レベルを示す出力から、信頼性データを抽出することができる。処方分析コンポーネント１３２は、信頼性データを使用して、製造パラメータ１５４の更新を製造機器１２４に実装させるか否かを決定し得る。

【0033】

［００３８］信頼性データは、製造パラメータ１５４の更新を使用して生成されたターゲットデータ１５２に一致する製品の信頼性レベルを含み得る、又は示し得る。一例において、信頼性レベルは、０から１までの実数であり、０は、ターゲットデータ１５２に一致する製品の信頼性がないことを示し、１は、ターゲットデータ１５２に一致する製品の絶対的な信頼性を示す。

【0034】

［００３９］限定ではなく例示の目的で、本開示の態様は、製造パラメータ１５４の更新を決定するための、履歴又は実験データ１４２を使用する機械学習モデルの訓練、訓練された機械学習モデルの反転、反転した訓練された機械学習モデルへのターゲットデータ１５２の入力を説明するものである。他の実装態様では、ヒューリスティックモデル又はルールベースモデルを使用して（例えば、訓練された機械学習モデルを使用せずに）、製造パラメータ１５４の更新が決定される。処方分析コンポーネント１３２は、履歴又は実験データ１４２を監視し得る。図２のデータ入力２１０に関して記載した情報は全て、監視され得る、さもなければ、ヒューリスティック又はルールベースモデルで使用され得る。

【0035】

［００４０］幾つかの実施形態では、より少ない数のマシンによって、クライアント装置１２０、処方分析用サーバ１３０、サーバマシン１７０、及びサーバマシン１８０の機能が提供され得る。例えば、幾つかの実施形態では、サーバマシン１７０及び１８０は、単一のマシンに統合され得、一方、他の幾つかの実施形態では、サーバマシン１７０、サーバマシン１８０、及び処方分析用サーバ１３０が、単一のマシンに統合され得る。

【0036】

［００４１］一般に、クライアント装置１２０、処方分析用サーバ１３０、サーバマシン１７０、及びサーバマシン１８０によって実行されるものとして一実施形態に記載される機能は、必要に応じて、他の実施形態の処方分析用サーバ１３０でも実行可能である。更に、特定のコンポーネントによる機能は、共に作動する異なるコンポーネント又は複数のコンポーネントによっても実行可能である。例えば、幾つかの実施形態では、処方分析用サーバ１３０が、製造パラメータ１５４の更新を製造機器１２４に送信し得る。別の例では、クライアント装置１２０が、反転した訓練された機械学習モデルからの出力に基づいて、製造パラメータ１５４の更新を決定し得る。

【0037】

［００４２］更に、特定のコンポーネントの機能は、共に作動する異なるコンポーネント又は複数のコンポーネントによっても実行可能である。処方分析用サーバ１３０、サーバマシン１７０、又はサーバマシン１８０のうちの１又は複数は、適切なアプリケーションプログラミングインターフェース（ＡＰＩ）を介して他のシステム又は装置に提供されるサービスとしてアクセスされ得る。

【0038】

［００４３］実施形態では、「ユーザ」は、単一の個人として表され得る。しかしながら、本開示の他の実施形態は、複数のユーザ及び／又は自動化されたソースによって制御されるエンティティである「ユーザ」を包含する。例えば、管理者のグループとして統合された個々のユーザのセットを、「ユーザ」と見なすことができる。

【0039】

［００４４］本開示の実施形態を、ターゲットデータ１５２に一致させるための製造施設（例えば、半導体製造施設）における製造機器１２４の製造パラメータ１５４の更新に関して記載したが、実施形態はまた、一般に、ターゲットデータに一致させるために適用され得る。実施形態は、一般に、製品の特性データ（例えば、共線的な特性データ）を最適化するために適用され得る。

【0040】

［００４５］図２は、特定の実施形態による、履歴又は実験データ２４２（例えば、図１の履歴又は実験データ１４２）を使用して機械学習モデル（例えば、図１のモデル１９０）のデータセットを作成するための例示的なデータセットジェネレータ２７２（例えば、図１のデータセットジェネレータ１７２）である。図２のシステム２００は、データセットジェネレータ２７２、データ入力２１０、及びターゲット出力２２０を示している。

【0041】

［００４６］幾つかの実施形態では、データセットジェネレータ２７２は、１又は複数のデータ入力２１０（例えば、訓練入力、検証入力、テスト入力）及びデータ入力２１０に対応する１又は複数のターゲット出力２２０を含むデータセット（例えば、訓練セット、検証セット、テストセット）を生成する。データセットはまた、データ入力２１０をターゲット出力２２０にマッピングするマッピングデータを含み得る。データ入力２１０は、「特徴」、「属性」、又は「情報」とも称され得る。幾つかの実施形態では、データセットジェネレータ２７２は、データセットを訓練エンジン１８２、検証エンジン１８４、又はテストエンジン１８６に提供することができ、データセットは、機械学習モデル１９０を訓練、検証、又はテストするために使用される。訓練セットを生成する幾つかの実施形態を、図６に関して更に説明し得る。

【0042】

［００４７］幾つかの実施形態では、データ入力２１０は、履歴又は実験製造パラメータ２４６（例えば、図１の履歴又は実験製造パラメータ１４６）の特徴２１２Ａの１又は複数のセットを含み得る。履歴又は実験製造パラメータ２４６の各インスタンスは、プロセスパラメータ２１４又はハードウェアパラメータ２１６のうちの１又は複数を含み得る。ターゲット出力２２０は、履歴又は実験膜特性データ２４４（例えば、図１の履歴又は実験膜特性データ１４４）を含み得る。

【0043】

［００４８］幾つかの実施形態では、データセットジェネレータ２７２は、第１の機械学習モデルを訓練、検証、又はテストするための、特徴２１２Ａの第１のセットに対応する第１のデータ入力を生成し得、データセットジェネレータ２７２は、第２の機械学習モデルを訓練、検証、又はテストするための、特徴２１２Ｂの第２のセットに対応する第２のデータ入力を生成し得る。

【0044】

［００４９］幾つかの実施形態では、データセットジェネレータ２７２は、（例えば、回帰問題の分類アルゴリズムで使用するために）データ入力２１０又はターゲット出力２２０のうちの１又は複数を離散化し得る。データ入力２１０又はターゲット出力２２０の離散化により、変数の連続値が離散値に変換され得る。幾つかの実施形態では、データ入力２１０の離散値は、ターゲット出力２２０を取得するための離散製造パラメータを示す。

【0045】

［００５０］機械学習モデルを訓練、検証、又はテストするためのデータ入力２１０及びターゲット出力２２０は、特定の施設（例えば、特定の半導体製造施設）に関する情報を含み得る。例えば、履歴又は実験製造パラメータ２４６及び履歴又は実験膜特性データ２４４は、膜特性データ１５０、ターゲットデータ１５２、製造パラメータ１５４の更新、及びテストされた膜特性データ１５６と同じ製造施設のものであり得る。

【0046】

［００５１］幾つかの実施形態では、機械学習モデルを訓練するために使用される情報は、特定の特性を有する製造施設の特定の種類の製造機器１２４からのものであり得、訓練された機械学習モデルが、特定のグループの特性を共有する１又は複数のコンポーネントに関連付けられた特定のターゲットデータ１５２に関する入力に基づいて、製造機器１２４の特定のグループの結果を決定することが可能になる。幾つかの実施形態では、機械学習モデルを訓練するために使用される情報は、２つ以上の製造施設からのコンポーネントに関するものであり得、訓練された機械学習モデルが、１つの製造施設からの入力に基づいてコンポーネントの結果を決定することを可能にし得る。

【0047】

［００５２］幾つかの実施形態では、データセットを生成し、データセットを使用して機械学習モデル１９０を訓練、検証、又はテストした後、（例えば、製造パラメータ１５４の更新及び図１のテストされた膜特性データ１５６を使用して）機械学習モデル１９０を更に訓練、検証、又はテスト、又は調整（例えば、ニューラルネットワークにおける結合重み等の、機械学習モデル１９０の入力データに関連する重みの調整）することができる。

【0048】

［００５３］図３は、特定の実施形態に係る、製造パラメータ３５４の更新（例えば、図１の製造パラメータ１５４の更新）を生成するためのシステム３００を示すブロック図である。システム３００は、履歴又は実験データ３４２（例えば、図１の履歴又は実験データ１４２）に基づいて、ターゲットデータ３５２（例えば、図１のターゲットデータ１５２）に一致させるための製造パラメータ３５４の更新を決定するためのフィードバックシステムであり得る。

【0049】

［００５４］ブロック３１０において、システム３００（例えば、図１の処方分析システム１１０）は、訓練セット３０２、検証セット３０４、及びテストセット３０６を生成するために、履歴又は実験データ３４２（例えば、図１の履歴又は実験データ１４２）のデータ分割を（例えば、図１のサーバマシン１７０のデータセットジェネレータ１７２を介して）実行する。例えば、訓練セットは、履歴又は実験データ３４２の６０％であり得、検証セットは、履歴又は実験データ３４２の２０％であり得、検証セットは、履歴又は実験データ３４２の２０％であり得る。システム３００は、訓練セット、検証セット、及びテストセットのそれぞれについて、複数の特徴のセットを生成し得る。例えば、履歴データ又は実験データ３４２が２０個の製造パラメータ（例えば、プロセスパラメータ、ハードウェアパラメータ）を有し、各製造パラメータに対して１００回の実行を有する場合、特徴の第１のセットは製造パラメータ１～１０であり得、特徴の第２のセットは、製造パラメータ１１～２０であり得、訓練セットは実行１～６０、検証セットは実行６１～８０、テストセットは実行８１～１００であり得る。この例では、訓練セットの特徴の第１のセットは、実行１～６０の製造パラメータ１～１０になる。

【0050】

［００５５］ブロック３１２において、システム３００は、訓練セット３０２を使用して（例えば、図１の訓練エンジン１８２を介して）モデル訓練を実行する。システム３００は、訓練セット３０２の特徴の複数のセット（例えば、訓練セット３０２の特徴の第１のセット、訓練セット３０２の特徴の第２のセット等）を使用して、複数のモデルを訓練し得る。例えば、システム３００は、機械学習モデルを訓練して、訓練セットの特徴の第１のセット（例えば、実行１～６０の製造パラメータ１～１０）を使用して第１の訓練された機械学習モデルを生成し、訓練セットの特徴の第２のセット（例えば、実行１～６０の製造パラメータ１１～２０）を使用して第２の訓練された機械学習モデルを生成し得る。幾つかの実施形態では、第１の訓練された機械学習モデル及び第２の訓練された機械学習モデルを組み合わせて、（例えば、それ自体が第１又は第２の訓練された機械学習モデルよりも優れた予測子であり得る）第３の訓練された機械学習モデルを生成し得る。幾つかの実施形態では、モデルの比較に使用される特徴のセットは重複し得る（例えば、特徴の第１のセットは製造パラメータ１～１５であり、特徴の第２のセットは製造パラメータ５～２０である）。幾つかの実施形態では、特徴の様々な順列及びモデルの組み合わせを有するモデルを含む数百のモデルが生成され得る。

【0051】

［００５６］ブロック３１４において、システム３００は、検証セット３０４を使用して（例えば、図１の検証エンジン１８４を介して）モデル検証を実行する。システム３００は、検証セット３０４の対応する特徴のセットを使用して、訓練されたモデルのそれぞれを検証し得る。例えば、システム３００は、検証セットの特徴の第１のセット（例えば、実行６１～８０の製造パラメータ１～１０）を使用して、第１の訓練された機械学習モデルを検証し、検証セットの特徴の第２のセット（例えば、実行６１～８０の製造パラメータ１１～２０）を使用して、第２の訓練された機械学習モデルを検証し得る。幾つかの実施形態では、システム３００は、ブロック３１２で生成された数百のモデル（例えば、特徴の様々な順列を有するモデル、モデルの組み合わせ等）を検証し得る。ブロック３１４において、システム３００は、１又は複数の訓練されたモデルのそれぞれの精度を（例えば、モデル検証を介して）決定し得、訓練されたモデルの１又は複数が閾値精度に一致する精度を有するか否かを決定し得る。訓練されたモデルのいずれも閾値精度に一致する精度を有さないとの決定に応じて、フローはブロック３１２に戻り、そこでシステム３００が訓練セットの特徴の異なるセットを使用してモデル訓練を実行する。訓練されたモデルの１又は複数が閾値精度に一致する精度を有するとの決定に応じて、フローはブロック３１６に進む。システム３００は、（例えば、検証セットに基づいて）閾値精度よりも低い精度を有する訓練された機械学習モデルを破棄し得る。

【0052】

［００５７］ブロック３１６において、システム３００は、モデル選択を（例えば、選択エンジン３１５を介して）実行して、閾値精度に一致する１又は複数の訓練されたモデルのどれが最も高い精度を有するか（例えば、ブロック３１４の検証に基づいて選択されたモデル３０８）を決定する。閾値精度に一致する訓練されたモデルの２つ以上が同じ精度を有するとの決定に応じて、フローはブロック３１２に戻ることができ、そこでシステム３００は、最も高い精度を持つ訓練されたモデルを決定するために、更に正確な特徴のセットに対応する更に正確な訓練セットを使用してモデル訓練を実行する。

【0053】

［００５８］ブロック３１８において、システム３００は、選択されたモデル３０８をテストするために、テストセット３０６を使用して（例えば、図１のテストエンジン１８６を介して）モデルテストを実行する。システム３００は、第１の訓練された機械学習モデルが閾値精度に一致するかを（例えば、テストセット３０６の特徴の第１のセットに基づいて）決定するために、テストセットの特徴の第１のセット（例えば、実行８１～１００の製造パラメータ１～１０）を使用して、第１の訓練された機械学習モデルをテストし得る。選択されたモデル３０８の精度が閾値精度に一致しない（例えば、選択されたモデル３０８は訓練セット３０２及び／又は検証セット３０４に過度に適合し、テストセット３０６等の他のデータセットには適用できない）ことに応じて、フローはブロック３１２に進み、そこでシステム３００は、特徴の異なるセット（例えば、異なる製造パラメータ）に対応する異なる訓練セットを使用してモデル訓練（例えば、再訓練）を実行する。選択されたモデル３０８が、テストセット３０６に基づいて閾値精度に一致する精度を有するとの決定に応じて、フローはブロック３２０に進む。少なくともブロック３１２において、モデルは、予測を行うために履歴又は実験データ３４２のパターンを学習し得、ブロック３１８において、システム３００は、予測をテストするために、残りのデータ（例えば、テストセット３０６）にモデルを適用し得る。

【0054】

［００５９］ブロック３２０において、システム３００は、訓練されたモデル（例えば、選択されたモデル３０８）を反転させる。訓練されたモデルの場合、製造パラメータの入力に応じて、予測された膜特性データが訓練されたモデルの出力から抽出され得る。反転した訓練されたモデルの場合、ターゲットデータ３５２（例えば、ターゲット膜特性データ）の入力に応じて、製造パラメータ３５４の更新が反転した訓練されたモデルの出力から抽出され得る。

【0055】

［００６０］ブロック３２２において、システム３００は、反転した訓練されたモデル（例えば、選択されたモデル３０８）を使用して、ターゲットデータ３５２（例えば、ターゲット膜特性データ、図１のターゲットデータ１５２）を受信し、反転した訓練されたモデルの出力から製造パラメータ３５４の更新（例えば、図１の製造パラメータ１５４の更新）を抽出する。

【0056】

［００６１］製品（例えば、半導体、ウエハ等）を製造するために製造パラメータ３５４の更新を使用する製造機器１２４に応じて、製品は、テストされた膜特性データ３５６（例えば、図１のテストされた膜特性データ１５６）を決定するために、（例えば、測定機器１２６を介して）テストされ得る。テストされた膜特性データ３５６の受信に応じて、フローは（例えば、フィードバックループを介して）ブロック３１２に進み得、そこで製造パラメータ３５４の更新とテストされた膜特性データ３５６とが比較され、モデル訓練（例えば、モデル再訓練）を介して訓練されたモデルが更新される。

【0057】

［００６２］幾つかの実施形態では、工程３１０～３２２のうちの１又は複数は、様々な順序で、及び／又は本明細書に提示及び記載されていない他の工程とともに行われ得る。幾つかの実施形態では、工程３１０～３２２のうちの１又は複数は実行されない場合がある。例えば、幾つかの実施形態では、ブロック３１０のデータ分割、ブロック３１４のモデル検証、ブロック３１６のモデル選択、又はブロック３１８のモデルテストのうちの１又は複数は実行されない場合がある。

【0058】

［００６３］図４～図６は、特定の実施形態に係る、製造パラメータの更新（例えば、図１の製造パラメータ１５４の更新）の決定に関連する例示的な方法４００～６００を示すフロー図である。方法４００～６００は、ハードウェア（例えば、回路、専用ロジック、プログラマブルロジック、マイクロコード、処理装置等）、ソフトウェア（処理装置上で実行される命令、汎用コンピュータシステム、又は専用マシン等）、ファームウェア、マイクロコード、又はそれらの組み合わせを含み得る処理ロジックによって実行される。一実施形態では、方法４００～６００は、一部において、処方分析システム１１０によって実行され得る。幾つかの実施形態では、方法４００～６００は、処方分析用サーバ１３０によって実行され得る。幾つかの実施形態では、非一過性記憶媒体は、（例えば、処方分析システム１１０の）処理装置によって実行されると、処理装置に方法４００～６００を実行させる命令を格納する。

【0059】

［００６４］説明を簡略化するため、方法４００～６００を一連の工程として図示及び説明している。しかしながら、本開示に係る工程は、様々な順序で、及び／又は同時に、及び本明細書に提示及び記載されていない他の工程と同時に行われ得る。更に、開示の主題に係る方法４００～６００を実装するために、図示されたすべての工程が実行され得るわけではない。更に、当業者は、方法４００～６００が、状態図又は事象を介して一連の相互に関連する状態として代替的に表すことができることを理解し、認識するであろう。

【0060】

［００６５］図４は、特定の実施形態に係る、ターゲットデータ（例えば、図１のターゲットデータ１５２）に一致させるための製造パラメータの更新（例えば、図１の製造パラメータ１５４の更新）を決定するための方法４００のフロー図である。

【0061】

［００６６］図４を参照すると、ブロック４０２において、処理ロジックは、製造機器１２４の製造パラメータに関連する膜特性データ１５０を受信する。幾つかの実施形態では、クライアント装置１２０は、測定機器１２６（例えば、計測システム１２７）から膜特性データ１５０を受信する。幾つかの実施形態では、膜特性データ１５０は、製造機器１２４が製品（例えば、半導体ウエハ）を処理又は生成している間に、測定機器１２６を介して測定される。幾つかの実施形態では、膜特性データ１５０は、製造機器１２４が製品（例えば、完成した半導体ウエハ、処理の段階を経た半導体ウエハ）を処理した後、測定機器１２６を介して測定される。膜特性データ１５０は、複数の種類の測定機器１２６を介した複数の種類の測定に対応し得る。処方分析コンポーネント１３２は、クライアント装置１２０、測定機器１２６、又はデータストア１４０のうちの１又は複数から膜特性データ１５０を受信し得る。

【0062】

［００６７］ブロック４０４において、処理ロジックは、膜特性データ１５０が相関しており、ターゲットデータ１５２とは異なる（例えば、ターゲットデータ１５２に一致しない）ことを決定する。幾つかの実施形態では、処理ロジックは、膜特性データ１５０がターゲットデータ１５２と交差しない（例えば、膜特性データ１５０は、ターゲットデータ１５２に実質的に平行である）ことを決定する。

【0063】

［００６８］ブロック４０６において、処理ロジックは、ターゲットデータ１５２に直交する膜特性データ１５０のデータポイントのセットを選択する（図７Ａを参照）。

【0064】

［００６９］ブロック４０８において、処理ロジックは、データポイントのセットに対して特徴抽出を実行する。特徴抽出の実行は、主成分分析（ＰＣＡ）、クラスタリング（ｋ平均クラスタリング、階層クラスタリング等）、因子分析（ＦＡ）、判別分析、又は相関行列のうちの１又は複数を介して行われ得る。

【0065】

［００７０］ブロック４１０において、処理ロジックは、特徴抽出に基づいて、ターゲットデータ１５２に一致させるために、１又は複数の製造パラメータの更新（例えば、製造パラメータ１５４の更新）を決定する。処理ロジックは、ターゲットデータ１５２に一致させるために、製造パラメータ１５４の更新の実現可能性又はコストに基づいて解をフィルタリングし得る。例えば、製造パラメータの第１の更新又は第２の更新により、膜特性データをターゲットデータ１５２に一致させることができる。第１の更新はプロセスパラメータの変更（例：実現可能、低コスト）を含み、第２の更新はハードウェアパラメータの更新（例：新しい製造機器の注文、高コスト）を含み得る。第１の更新は、実現可能性が高く、コストが低いため、第２の更新の代わりに使用され得る。

【0066】

［００７１］ブロック４１２において、処理ロジックは、グラフィカルユーザインターフェース（ＧＵＩ）を介して、製造パラメータ１５４の１又は複数の更新を表示する。ＧＵＩは、クライアント装置１２０を介して表示され得る。ＧＵＩは、膜特性データをターゲットデータ１５２に一致させるために、製造パラメータ１５４の更新の２つ以上の異なるオプションを表示し得る。ＧＵＩは、現在のコストと比較した製造パラメータ１５４の更新に関連する（例えば、機器の更新、処理コスト、必要な時間等の）コスト（例えば、コストの増加、コストの減少等）を示し得る。ＧＵＩは、製造パラメータ１５４の更新を選択及び実装するために選択可能なＧＵＩ要素を表示し得る。

【0067】

［００７２］ブロック４１４において、処理ロジックは、ターゲットデータ１５２に一致させるために、製造機器１２４の１又は複数の製造パラメータの更新を実装する。幾つかの実施形態では、ブロック４１４は、製造パラメータ１５４の更新を実装するためにＧＵＩ要素を選択するユーザ入力の受信への応答である。幾つかの実施形態では、ＧＵＩ要素を選択するユーザ入力を受信すると、製造機器１２４のプロセスパラメータが（例えば、クライアント装置１２０によって、処方分析コンポーネント１３２等によって）更新され得る。幾つかの実施形態では、ＧＵＩ要素を選択するユーザ入力を受信すると、製造機器１２４のハードウェアパラメータが（例えば、製造機器１２４の構成要素を変更することによって、製造機器１２４の設定を変更することによって等）更新され得る。

【0068】

［００７３］図５は、特定の実施形態に係る、ターゲットデータ１５２に一致させるために、反転した機械学習モデルを使用して、製造パラメータの更新（例えば、製造パラメータ１５４の更新）を決定する方法５００のフロー図である。

【0069】

［００７４］図５を参照すると、ブロック５０２において、処理ロジックは、製造機器１２４の製造パラメータに関連する膜特性データ１５０を受信する。

【0070】

［００７５］ブロック５０４において、処理ロジックは、膜特性データ１５０が相関しており、ターゲットデータ１５２とは異なる（例えば、ターゲットデータ１５２に一致しない）ことを決定する。膜特性データ１５０は、２つ以上の変数間で相関し得る（例えば、多次元相関）。幾つかの実施形態では、所望の出力ターゲット（例えば、屈折率（ＲＩ）、応力、均一性等のうちの１又は複数を含む膜特性等のターゲットデータ１５２）が、高度に共線的（例えば、膜特性データ１５０と実質的に平行）であり、学習／訓練で用いられる既存の実験データセット（例えば、履歴又は実験データ１４２）に基づくと、達成可能又は妥当ではないように見える。これは、探索された狭いプロセス空間、ハードウェア設計の限界、適切な化学物質（反応物／前駆体等）等のうちの１又は複数が原因であり得る。

【0071】

［００７６］幾つかの実施形態では、ブロック５０６において、処理ロジックは、訓練された機械学習モデルを反転させて、反転した機械学習モデルを生成する。幾つかの実施形態では、ブロック５０６において、処理ロジックは、訓練された機械学習モデルと同様のコスト関数を生成し、処理ロジックは、コスト関数の逆解を生成する。図１～図３に関連して説明したように、データ入力２１０（例えば、訓練データ）は、履歴又は実験データ１４２を含み得る。履歴又は実験データ１４２（例えば、履歴又は実験膜特性データ１４４及び履歴又は実験製造パラメータ１４６）は、プロセスパラメータ、ハードウェアパラメータ、精選されたペーストエクセルファイル、古典的設計の実験スキーマ、ハードウェアコンポーネント情報、無線周波数（ＲＦ）時間、座標測定機（ＣＭＭ）データ、赤外線（ＩＲ）データ、色配列（ＣＯＡ）データ、状態データ、実験の設計（ＤＯＥ）データ等を含み得る。データ入力２１０は、製造パラメータ（Ｓ）（例えば、ハードウェア及び／又はプロセスパラメータ）を膜特性（P）に関連付ける伝達関数（Ｆ）の近似関数（Ｇ）を学習するための、統計及び／又は機械学習モデル（例えば、統計及び／又は機械学習アルゴリズムのグループ）の訓練セットとして使用され得る。

【0072】

［００７７］ブロック５０６において、逆演算子が、回帰ベースの方法において関数Ｇに対して使用され得る。Ｇの閉じた形の解が存在しない場合（例えば、ニューラルネットワーク、ランダムフォレスト等）、シミュレーション及び最適化の方法が採用され得る。ブロック５０８において、処理ロジックは、ターゲットデータ１５２を（反転した）訓練された機械学習モデルに提供する。機械学習モデルは、反転されている場合がある、又は疑似反転されている場合がある（例えば、機械学習モデルと同様のコスト関数の逆解）。（反転した）訓練された機械学習モデルは、ターゲットデータに直交する膜特性データのデータポイントのセットを選択し得、データポイントのセットに対して特徴抽出を実行し得る（図４のブロック４０６～４０８を参照）。幾つかの実施形態では、（反転した）訓練された機械学習モデルは、正規直交ベクトルベースの主成分分析（ＰＣＡ）を使用して、プロセス空間探索又はハードウェア修正及び設計改善の方向を規定し得る。

【0073】

［００７８］図７Ａに示すように、特性Ｙ２とＹ１との間に高い共線性が存在し得る。図７Ｂのグラフ７００Ｂに示すように、直交線は、距離計量ｄ（たとえば、ターゲットデータ１５２からの距離）によって定義されるセット（Ｙ_１ ^０、Ｙ_２ ^０）を構成するポイント（Ｙ_１ ^０＝Ｄ１、Ｙ_２ ^０＝Ｄ２）を通過し得る。

【0074】

［００７９］その後、｛Ｙ_１ ^０、Ｙ_２ ^０｝を含む（例えば、からなる）シミュレートされた出力パラメータに対応する予測子／入力ベクトル｛Ｘ^ｏ｝が識別され得る。特徴抽出（例えば、ＰＣＡ）は、識別された所望の予測子／入力ベクトル｛Ｘ^ｏ｝に対して実行され、ベクトル空間｛Ｘ^ｏ｝の変動（例えば、変動の９０％、変動の大部分）を占める主成分が識別され得る。

【0075】

［００８０］ブロック５１０において、処理ロジックは、（反転した）訓練された機械学習モデルからの１又は複数の出力を含む逆解を取得する。幾つかの実施形態では、逆解は、訓練された機械学習モデルを反転させることによって取得される。幾つかの実施形態では、逆解は、（例えば、訓練された機械学習モデルを反転させることができないことに応じて）疑似反転によって取得される。疑似反転には、訓練された機械学習モデルと同様の（例えば、非線形最適化手法による）コスト関数の生成と、１又は複数の出力を取得するためのコスト関数の逆解の決定が含まれ得る。

【0076】

［００８１］ブロック５１２において、処理ロジックは、１又は複数の出力から、ターゲットデータ１５２に一致させるための、製造パラメータ１５４（例えば、処方、逆予測）の１又は複数の更新を抽出する。幾つかの実施形態では、処理ロジックは、１又は複数の出力から、製造パラメータ１５４の１又は複数の更新を使用して製品が生み出す信頼性レベルが、ターゲットデータ１５２に一致させることであることを抽出する。処理装置は、信頼性レベルが信頼性レベルの閾値に一致するか否かを決定し得る。信頼性レベルの閾値に一致する信頼性レベルに応じて、フローは、ブロック５１４又は５１６のうちの１又は複数に進み得る。

【0077】

［００８２］ブロック５１４において、処理ロジックは、グラフィカルユーザインターフェースを介して１又は複数の製造パラメータの更新を表示する（図４のブロック４１２を参照）。

【0078】

［００８３］ブロック５１６において、処理ロジックは、ターゲットデータ１５２に一致させるために、製造機器１２４の１又は複数の製造パラメータの更新を実装する（図４のブロック４１４を参照）。

【0079】

［００８４］ブロック５１８において、処理ロジックは、製造パラメータ１５４のうちの１又は複数の更新に関連するテストされた膜特性データ（例えば、図１のテストされた膜特性データ１５６）を受信する。テストされた膜特性データ１５６は、製造パラメータ１５４の更新を使用して製造された製品の実際の膜特性データを示し得る。

【0080】

［００８５］ブロック５２０において、処理ロジックは、テストされた膜特性データ１５６及び製造パラメータ１５４のうちの１又は複数の更新に基づいて、訓練された機械学習モデルを更新する。幾つかの実施形態では、ターゲットデータ１５２とは異なるテストされた膜特性データ１５６（例えば、ターゲットデータ１５２に一致しない製造パラメータ１５４の更新を使用して製造された製品）に応じて、処理ロジックは、訓練された機械学習データを、テストされた膜特性データ１５６、及び製造パラメータ１５４のうちの１又は複数の更新で更新し得る（例えば、テストされた膜特性データ１５６を履歴又は実験膜特性データ１４４に格納し、製造パラメータ１５４の更新を履歴又は実験製造パラメータ１４６に格納することによって、履歴又は実験データ１４２を更新する）。処理ロジックは、更新された履歴又は実験データに基づいて、訓練された機械学習モデルを更新（例えば、再訓練、再検証、及び／又は再テスト）し得る。

【0081】

［００８６］図６は、特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新を決定するための、機械学習モデルのデータセットを生成する方法６００のフロー図である。処方分析システム１１０は、本開示の実施形態に係る方法６００を使用して、機械学習モデルの訓練、検証、又はテストのうちの少なくとも１つを行い得る。幾つかの実施形態では、方法６００の１又は複数の工程は、図１及び図２に関して説明したように、サーバマシン１７０のデータセットジェネレータ１７２によって実行され得る。図１及び図２に関して説明した構成要素は、図６の態様を例示するために使用され得ることに留意されたい。

【0082】

［００８７］図６を参照すると、幾つかの実施形態では、ブロック６０２において、方法６００を実装する処理ロジックは、訓練セットＴを空のセットに初期化する。

【0083】

［００８８］ブロック６０４において、処理ロジックは、履歴又は実験製造パラメータ（例えば、図１の履歴又は実験製造パラメータ１４６、図２の履歴又は実験製造パラメータ２４６）を含む第１のデータ入力（例えば、第１の訓練入力、第１の検証入力）を生成する。幾つかの実施形態では、（例えば、図２に関して説明したように）第１のデータ入力は、履歴又は実験製造パラメータの特徴の第１のセットを含み得、第２のデータ入力は、履歴又は実験製造パラメータの特徴の第２のセットを含み得る。幾つかの実施形態では、第３のデータ入力は、製造パラメータの更新（例えば、図１の製造パラメータ１５４の更新、図３の製造パラメータ３５４の更新）を含み得る。

【0084】

［００８９］ブロック６０６において、処理ロジックは、１又は複数のデータ入力（例えば、第１のデータ入力）に対する第１のターゲット出力を生成する。第１のターゲット出力は、膜特性データの表示（例えば、図１の履歴又は実験膜特性データ１４４、図２の履歴又は実験膜特性データ２４４、図１のテストされた膜特性データ１５６、図３のテストされた膜特性データ３５６）を提供する。

【0085】

［００９０］ブロック６０８において、処理ロジックは、オプションで、入力／出力マッピングを示すマッピングデータを生成する。入力／出力マッピング（又はマッピングデータ）は、データ入力（例えば、本明細書に記載のデータ入力の１又は複数）、データ入力に対するターゲット出力（例えば、ターゲット出力が膜特性データを識別する場合）、及びデータ入力（複数可）とターゲット出力の間の関連付けを参照し得る。

【0086】

［００９１］ブロック６１０において、処理ロジックは、ブロック６１０で生成されたマッピングデータをデータセットＴに追加する。

【0087】

［００９２］ブロック６１２において、処理ロジックは、データセットＴが機械学習モデル１９０の訓練、検証、又はテストのうちの少なくとも１つに対して十分であるか否かに基づいて分岐する。十分である場合、実行はブロック６１４に進み、そうでない場合、実行はブロック６０４に戻る。幾つかの実施形態では、データセットＴの十分性は、データセットの入力／出力マッピングの数に基づいて単純に決定され得るが、他の幾つかの実装形態では、データセットＴの十分性は、入力／出力マッピングの数に加えて、又はその代わりに、１又は複数の他の基準（例えば、データ例の多様性の尺度、精度等）に基づいて決定され得ることに留意されたい。

【0088】

［００９３］ブロック６１４において、処理ロジックは、機械学習モデル１９０を訓練、検証、又はテストするためのデータセットＴを提供する。幾つかの実施形態では、データセットＴは訓練セットであり、訓練を実行するためにサーバマシン１８０の訓練エンジン１８２に提供される。幾つかの実施形態では、データセットＴは検証セットであり、検証を実行するためにサーバマシン１８０の検証エンジン１８４に提供される。幾つかの実施形態では、データセットＴはテストセットであり、テストを実行するためにサーバマシン１８０のテストエンジン１８６に提供される。例えば、ニューラルネットワークの場合、所与の入力／出力マッピングの入力値（例えば、データ入力２１０に関連する数値）がニューラルネットワークに入力され、入力／出力マッピングの出力値（例えば、ターゲット出力２２０に関連する数値）がニューラルネットワークの出力ノードに格納される。次に、ニューラルネットワークの結合重みが学習アルゴリズム（例えば、逆伝搬等）に従って調整され、データセットＴの他の入力／出力マッピングに対して手順が繰り返される。ブロック６１４の後、機械学習モデル（例えば、機械学習モデル１９０）は、サーバマシン１８０の訓練エンジン１８２を使用して訓練されるか、サーバマシン１８０の検証エンジン１８４を使用して検証されるか、又はサーバマシン１８０のテストエンジン１８６を使用してテストされるかの少なくとも１つであり得る。訓練された機械学習モデルは、（処方分析用サーバ１３０の）処方分析コンポーネント１３２によって反転及び実装されて、ターゲットデータに一致させるための製造パラメータの更新が決定され得る。

【0089】

［００９４］図７Ａ～Ｂは、特定の実施形態に係る、ターゲットデータに一致させるための製造パラメータの更新の決定を示すグラフ７００Ａ～Ｂである。

【0090】

［００９５］図７Ａのグラフ７００Ａは、特性Ｙ２とＹ１との間の高い共線性を示している。クライアント装置１２０は、製造機器１２４に結合された測定機器１２６（例えば、計測システム１２７）から膜特性データを受信し得る。クライアント装置１２０は、測定機器１２６Ａの第１の部分から第１の特性に対応する第１の膜特性データと、測定機器１２６Ｂの第２の部分から第２の特性に対応する第２の膜特性データを受信し得る。幾つかの実施形態では、第１の膜特性データ及び第２の膜特性データは、半導体ウエハの異なる場所で測定される（例えば、１つは第１の表面で測定され、もう１つは第２の表面で測定される）同じ種類の特性である。

【0091】

［００９６］クライアント装置１２０は、グラフ７００Ａに第１の特性データ及び第２の特性データをプロットし得る。グラフ７００Ａ上の各ポイントは、同じ製品（例えば、半導体ウエハ）の同時に測定された第１の特性（Ｙ１）の値及び第２の特性（Ｙ２）の値に対応し得る。グラフ７００Ａに示すように、第１の特性及び第２の特性についてプロットされた膜特性データは、相関し得る（例えば、線形、共線的、Ｙ１及びＹ２は少なくとも部分的に互いに説明し得る）。相関する膜特性データは、グラフ７００Ａ上に膜特性データの線を実質的に形成し得る。相関する膜特性データは、決定係数の閾値（Ｒ^２又はＲｓｑ）に一致していてよい（例えば、Ｒｓｑ＞０．８）。相関する膜特性データは、スピアマンの順位相関係数の閾値に一致していてよい。スピアマンの順位相関係数は、順位相関のノンパラメトリック尺度（例えば、第１の特性（Ｙ１）と第２の特性（Ｙ２）の順位間の統計的依存性）であり得る。相関する膜特性データは、閾値Ｐ値に一致し得る。Ｐ値は、所与の統計モデル（Ｙ１とＹ２との間に適合する線）の確率であり、帰無仮説が真の場合、統計要約（例えば、Ｙ１とＹ２との間に線形依存性がない）は実際に観測された結果を上回る、又はそれと等しいものとなる。幾つかの実施形態では、第１の特性（Ｙ１）及び第２の特性（Ｙ２）についてプロットされたターゲットデータ１５２は、Ｙ１及びＹ２についてプロットされた膜特性データ１５０と実質的に平行であり得る。

【0092】

［００９７］図７Ｂのグラフ７００Ｂは、距離計量によって定義されたセットを構成するポイントを通過する直交線を示している。図７Ｂのグラフ７００Ｂに示すように、ターゲットデータ１５２をプロットすることによって形成された線に直交する（例えば、垂直、正規直交）線は、膜特性データのポイントのセットと交差し得る。ポイントのセットの１又は複数の第１のポイントは、ポイントのセットの１又は複数の第２のポイントよりも、ターゲットデータ１５２のプロットに近くてよい。１又は複数の第１のポイントは、第１の製造パラメータに対応し得、１又は複数の第２のポイントは、第１の製造パラメータとは異なる第２の製造パラメータに対応し得る。データポイントのセットに対して特徴抽出を実行して、ポイントのセットの第１のポイントを第２のポイントよりもターゲットデータ１５２に近づける１又は複数の製造パラメータを決定し得る。特徴抽出に基づいて、ポイントのセットがターゲットデータ１５２に一致するように、１又は複数の製造パラメータ１５４の更新を決定し得る。

【0093】

［００９８］幾つかの実施形態では、ターゲットデータ１５２に直交するデータポイントのセットの選択及びデータポイントのセットに対する特徴抽出の実行は、反転した訓練された機械学習モデルを介して実行される。幾つかの実施形態では、ターゲットデータ１５２に直交するデータポイントのセットの選択及びデータポイントのセットに対する特徴抽出の実行は、機械学習モデルを使用しない処方分析（例えば、統計モデル、クラスタリング等）を介して実行される。

【0094】

［００９９］図８は、特定の実施形態に係るコンピュータシステム８００を示すブロック図である。幾つかの実施形態では、コンピュータシステム８００は、他のコンピュータシステムに（例えば、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、又はインターネット等のネットワークを介して）接続され得る。コンピュータシステム８００は、クライアントサーバ環境ではサーバ又はクライアントコンピュータの能力で、あるいはピアツーピア又は分散ネットワーク環境ではピアコンピュータとして動作し得る。コンピュータシステム８００は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチ又はブリッジ、又はその装置によって実行されるアクションを指定する命令のセット（シーケンシャル又はその他）を実行できる任意の装置によって提供され得る。更に、「コンピュータ」という用語は、本明細書に記載の方法の１又は複数を実行するために、命令のセット（又は複数のセット）を個別に又は共同で実行するコンピュータの任意の集合を含むものとする。

【0095】

［０１００］更なる態様では、コンピュータシステム８００は、バス８０８を介して互いに通信し得る、処理装置８０２、揮発性メモリ８０４（例えば、ランダムアクセスメモリ（ＲＡＭ））、不揮発性メモリ８０６（例えば、読み取り専用メモリ（ＲＯＭ）又は電気的消去可能プログラマブルＲＯＭ（ＥＥＰＲＯＭ））、及びデータストレージ装置８１６を含み得る。

【0096】

［０１０１］処理装置８０２は、汎用プロセッサ（例えば、複雑命令セットコンピューティング（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピューティング（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マイクロプロセッサ、他の種類の命令セットを実装するマイクロプロセッサ、又は命令セットの種類の組み合わせを実装するマイクロプロセッサ）又は特殊なプロセッサ（例えば、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、又はネットワークプロセッサ）等の１又は複数のプロセッサによって提供され得る。

【0097】

［０１０２］コンピュータシステム８００は、ネットワークインターフェース装置８２２を更に含み得る。コンピュータシステム８００はまた、ビデオ表示ユニット８１０（例えば、ＬＣＤ）、英数字入力装置８１２（例えば、キーボード）、カーソル制御装置８１４（例えば、マウス）、及び信号生成装置８２０を含み得る。

【0098】

［０１０３］幾つかの実装態様では、データストレージ装置８１６は、図１の処方分析コンポーネント１３２又は製造パラメータ変更コンポーネント１２２を符号化し、本明細書に記載の方法を実装するための命令を含む、本明細書に記載の方法又は機能のいずれか１又は複数を符号化する命令８２６を格納し得る非一過性コンピュータ可読記憶媒体８２４を含み得る。

【0099】

［０１０４］命令８２６はまた、完全に又は部分的に、揮発性メモリ８０４内及び／又はコンピュータシステム８００によるその実行中の処理装置８０２内に存在し得、したがって、揮発性メモリ８０４及び処理装置８０２はまた、機械可読記憶媒体を構成し得る。

【0100】

［０１０５］コンピュータ可読記憶媒体８２４は、図示した例では単一の媒体として示したが、「コンピュータ可読記憶媒体」という用語は、実行可能な命令の１又は複数のセットを格納する、単一の媒体又は複数の媒体（例えば、集中型又は分散型データベース、及び／又は関連するキャッシュ及び／又は関連するキャッシュ及びサーバ）を含むものとする。「コンピュータ可読記憶媒体」という用語はまた、コンピュータに本明細書に記載の方法のいずれか１又は複数を実行させるコンピュータによる実行のための命令のセットを格納又は符号化することができる任意の有形媒体を含むものとする。「コンピュータ可読記憶媒体」という用語は、これらに限定されないが、固体メモリ、光学媒体、及び磁気媒体を含むものとする。

【0101】

［０１０６］本明細書に記載の方法、コンポーネント、及び特徴は、個別のハードウェアコンポーネントによって実装され得る、又はＡＳＩＣ、ＦＰＧＡ、ＤＳＰ又は同様の装置等の他のハードウェアコンポーネントの機能に統合され得る。更に、方法、コンポーネント、及び機能は、ハードウェア装置内のファームウェアモジュール又は機能回路によって実装され得る。更に、方法、コンポーネント、及び特徴は、ハードウェア装置とコンピュータプログラムコンポーネントとの任意の組み合わせ、又はコンピュータプログラムにおいて実装され得る。

【0102】

［０１０７］特に明記しない限り、「受信する」、「決定する」、「選択する」、「実行する」、「訓練する」、「生成する」、「提供する」、「反転する」、「取得する」、「実装する」、「表示する」、「最適化」、「非線形最適化」等の用語は、コンピュータシステムレジスタ及びメモリ内の物理的（電子的）量として表されるデータを操作し、コンピュータシステムのメモリ又はレジスタ又は他のそのような情報ストレージ、送信、又は表示装置内の物理的な量として同様に表される他のデータに変換するコンピュータシステムによって実行又は実装されるアクション及びプロセスを指す。また、本明細書で使用される「第１」、「第２」、「第３」、「第４」等の用語は、異なる要素を区別するためのラベルとして意図され、それらの数値指定による序数の意味を有さない場合がある。

【0103】

［０１０８］本明細書に記載の例はまた、本明細書に記載の方法を実行するための装置に関する。この装置は、本明細書に記載の方法を実行するために特別に構築され得る、又はコンピュータシステムに格納されたコンピュータプログラムによって選択的にプログラムされた汎用コンピュータシステムを含み得る。そのようなコンピュータプログラムは、コンピュータ可読の有形記憶媒体に格納され得る。

【0104】

［０１０９］本明細書に記載の方法及び図示した例は、いかなる特定のコンピュータ又は他の装置にも本質的に関連していない。本明細書に記載の教示に従って様々な汎用システムを使用することができる、又は本明細書に記載の方法及び／又はそれらの個々の機能、ルーチン、サブルーチン、又は工程のそれぞれを実行するためのより特殊な装置を構築することが便利であることがわかり得る。これらの様々なシステムの構造の例は、上記の説明に記載されている。

【0105】

［０１１０］上記の説明は、例示を目的としたものであり、限定的なものではない。本開示を、特定の図示した例及び実装態様を参照して説明してきたが、本開示は、記載の例及び実装態様に限定されないことが認識されるであろう。本開示の範囲は、以下の特許請求の範囲を参照し、請求項が権利を与えられている同等物の全範囲とともに決定されるべきである。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】