特許 7677955 非定常システムのモデル管理

(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】2025-05-07

(45)【発行日】2025-05-15

(54)【発明の名称】非定常システムのモデル管理

(51)【国際特許分類】

   G06N 7/00 20230101AFI20250508BHJP

   G06N 20/00 20190101ALI20250508BHJP

   H01L 21/02 20060101ALI20250508BHJP

   G05B 23/02 20060101ALI20250508BHJP

【ＦＩ】

G06N7/00

G06N20/00

H01L21/02 Z

G05B23/02 302Y

【請求項の数】 19

(21)【出願番号】P 2022521145

(86)(22)【出願日】2020-10-14

(65)【公表番号】

(43)【公表日】2022-12-13

(86)【国際出願番号】 IB2020059626

(87)【国際公開番号】W WO2021074800

(87)【国際公開日】2021-04-22

【審査請求日】2023-03-24

(31)【優先権主張番号】16/654,604

(32)【優先日】2019-10-16

(33)【優先権主張国・地域又は機関】US

(73)【特許権者】

【識別番号】390009531

【氏名又は名称】インターナショナル・ビジネス・マシーンズ・コーポレーション

【氏名又は名称原語表記】ＩＮＴＥＲＮＡＴＩＯＮＡＬ ＢＵＳＩＮＥＳＳ ＭＡＣＨＩＮＥＳ ＣＯＲＰＯＲＡＴＩＯＮ

【住所又は居所原語表記】Ｎｅｗ Ｏｒｃｈａｒｄ Ｒｏａｄ， Ａｒｍｏｎｋ， Ｎｅｗ Ｙｏｒｋ １０５０４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100112690

【弁理士】

【氏名又は名称】太佐 種一

(72)【発明者】

【氏名】ファン、ズン、ティエン

(72)【発明者】

【氏名】ベースマン、ロバート、ジェフリー

(72)【発明者】

【氏名】ティプ、ファテ、アリ

(72)【発明者】

【氏名】グエン、ナム

(72)【発明者】

【氏名】ムラリダー、ラマチャンドラン

【審査官】大倉 崚吾

(56)【参考文献】

【文献】米国特許出願公開第２０１９／０１３０６５９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１８／００６０８３２（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１５／００１２２５０（ＵＳ，Ａ１）

【文献】特表２０１７－５１４２９４（ＪＰ，Ａ）

【文献】中国特許出願公開第１０９１１６８３４（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ７／００－ ７／０１

Ｇ０６Ｎ ２０／００－９９／００

Ｇ０５Ｂ ２３／０２

Ｈ０１Ｌ ２１／０２

(57)【特許請求の範囲】

【請求項1】

物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するための方法であって、少なくとも１つのプロセッサが、
前記物理的プロセスのそれぞれの実行から、前記物理的プロセスに関連した複数の変数の値を得ることであって、一変量データを、前記一変量データに関連する時間データに少なくとも部分的に基づいて多変量データに変換することを含む、前記値を得ることと、
前記物理的プロセスの前記実行に関する前記複数の変数の前記値を表す少なくとも１つのガウス混合モデル（ＧＭＭ）を判定することと、
前記少なくとも１つのガウス混合モデルに少なくとも部分的に基づいて、前記物理的プロセスの前記実行のうちの少なくとも１つに関する前記変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算することと、
前記変数のうちの前記少なくとも１つに関する前記少なくとも１つの異常スコアに基づいて、前記物理的プロセスの前記実行のうちの前記少なくとも１つを外れ値として識別することと、
前記外れ値の識別に少なくとも部分的に基づいて、前記物理的プロセスの質および歩留まりのうちの前記少なくとも１つを改善するように、前記物理的プロセスの１つまたは複数の後続の実行に関する動作パラメータのうちの少なくとも１つを修正することと
を含む方法。

【請求項2】

前記物理的プロセスが半導体製造プロセスの少なくとも一部を含む、請求項１に記載の方法。

【請求項3】

前記物理的プロセスに関連する前記複数の変数が、電圧、電流、電力、および圧力のうちの少なくとも１つを含む、請求項１または２に記載の方法。

【請求項4】

前記少なくとも１つのＧＭＭが、少なくとも１つの時間的に結合された多モードのモデル（ＴＭＭ）を含む、請求項１ないし３のいずれかに記載の方法。

【請求項5】

前記少なくとも１つのＴＭＭを判定することが、
前記物理的プロセスの前記実行のそれぞれのサブセットが、対応する期間内の前記物理的プロセスの前記実行を含むように、前記物理的プロセスの前記実行のそれぞれのサブセットの間の前記複数の変数の値をそれぞれ表す複数のガウス・グラフィカル・モデル（ＧＧＭ）を判定することと、
前記複数のＧＧＭのそれぞれの混合重みを判定することと、
前記混合重みに応じて前記複数のＧＧＭの加重和を判定することと
を含む、請求項４に記載の方法。

【請求項6】

前記複数のＧＧＭのうちの第１のものに対応する第１の期間の少なくとも一部が、前記複数のＧＧＭのうちの第２のものに対応する第２の期間のうちの少なくとも一部とオーバラップする、請求項５に記載の方法。

【請求項7】

前記少なくとも１つのＴＭＭを判定することが、制約付きの正規化対数尤度を最大化することを含む、請求項４に記載の方法。

【請求項8】

前記少なくとも１つのＴＭＭを判定することが正確な非凸ｌ_０ノルムを使用することを含む、請求項４に記載の方法。

【請求項9】

前記時間データが、前記一変量データの中の値についてそれぞれのタイムスタンプを含む、請求項１ないし８のいずれかに記載の方法。

【請求項10】

前記時間データが、前記一変量データの中の直接時間的に隣接する値間の少なくとも１つの差を含む、請求項１ないし９のいずれかに記載の方法。

【請求項11】

前記変数のうちのいずれか１つの異常スコアが前記物理的プロセスの前記実行のうちの所与の１つについて規定された閾値を超えたとき、前記実行のうちの前記所与の１つが外れ値と識別される、請求項１ないし１０のいずれかに記載の方法。

【請求項12】

前記物理的プロセスの前記１つまたは複数の後続の実行のうちの少なくとも１つの値に少なくとも部分的に基づいて、前記物理的プロセスの前記実行のうちの少なくとも１つに関する前記変数のうちの少なくとも１つの、前記少なくとも１つの異常スコアを再計算することをさらに含む、請求項１ないし１１のいずれかに記載の方法。

【請求項13】

前記物理的プロセスの１つまたは複数の過去の実行からの値を用いて前記モデルを訓練することと、
前記物理的プロセスの前記１つまたは複数の後続の実行からの値を用いて前記モデルを検査することと
をさらに含む、請求項１ないし１２のいずれかに記載の方法。

【請求項14】

前記外れ値を識別することが、過去の実行の逆解析および前記１つまたは複数の後続の実行の前方予測のうちの少なくとも１つを含む、請求項１ないし１３のいずれかに記載の方法。

【請求項15】

前記物理的プロセスの所与の実行に関する所与の変数の異常スコアを計算することが、
前記物理的プロセスの前記所与の実行に関する前記所与の変数の値と、前記所与の実行の直前の前記物理的プロセスの実行に関する前記所与の変数に関する前記所与の変数の値との間の差の、絶対値の最小値を計算することと、
前記所与の実行に関する前記所与の変数の前記値と、前記所与の実行の直後の前記物理的プロセスの実行に関する前記所与の変数に関する前記所与の変数の値との間の差の、絶対値の最小値を計算することと
を含む、請求項１ないし１４のいずれかに記載の方法。

【請求項16】

前記物理的プロセスの所与の実行に関する所与の変数の異常スコアを計算することが、前記所与の実行に関する前記所与の変数の値と、前記物理的プロセスの前記１つまたは複数の後続の実行に関する前記所与の変数の平均値との間の差を計算することを含む、請求項１ないし１５のいずれかに記載の方法。

【請求項17】

前記少なくとも１つのＧＭＭを判定することが、逆共分散更新（ＩＣＵ）、時間的順序付けクラスタ化（ＴＯＣ）、およびスパース重み選択アルゴリズム（ＳＷＳＡ）の少なくとも一部を実行することにより、マルチモデルのグラフィカル・モデル（ＭＧＭ）を判定することを含む、請求項１ないし１６のいずれかに記載の方法。

【請求項18】

物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するための装置であって、
メモリと、
前記メモリに結合された少なくとも１つのプロセッサとを備え、前記プロセッサが、
前記物理的プロセスのそれぞれの実行から、前記物理的プロセスに関連した複数の変数の値を得て、ここで、当該値を得ることは、一変量データを、前記一変量データに関連する時間データに少なくとも部分的に基づいて多変量データに変換することを含み、
前記物理的プロセスの前記実行に関する前記複数の変数の前記値を表す少なくとも１つのガウス混合モデル（ＧＭＭ）を判定し、
前記少なくとも１つのガウス混合モデルに少なくとも部分的に基づいて、前記物理的プロセスの前記実行のうちの少なくとも１つに関する前記変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算し、
前記変数のうちの前記少なくとも１つに関する前記少なくとも１つの異常スコアに基づいて、前記物理的プロセスの前記実行のうちの前記少なくとも１つを外れ値として識別して、
前記外れ値の識別に少なくとも部分的に基づいて、前記物理的プロセスの質および歩留まりのうちの前記少なくとも１つを改善するように、前記物理的プロセスの１つまたは複数の後続の実行に関する動作パラメータのうちの少なくとも１つを修正する
ように作動する、装置。

【請求項19】

少なくとも１つのプロセッサに、請求項１ないし１７のいずれかに記載の方法における各ステップを実行させる、コンピュータ・プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は電子技術、電気技術、およびコンピュータ技術に関し、より具体的には、集積回路（ＩＣ）の製作など、マイクロエレクトロニクス製品または半導体素子あるいはその両方の製造に関する。

【背景技術】

【0002】

ＩＣ製作など、マイクロエレクトロニクス製品または半導体素子あるいはその両方の製造は、一般的には何百もの単位プロセスを含む複数のステージを包含している。マイクロエレクトロニクス製品の全般的な品質および歩留まり（yield）は、個々の単位プロセスの歩留まりの質、ならびに何百もの単位プロセスをうまく統合することに依拠する。その上に、半導体製造は非定常システムを包含する可能性がある。しかしながら、簡単な統計的手法によって非定常システムの異常を検知することは困難である。したがって、個々の単位プロセスまたはそれらの小規模な集約の質および歩留まりの改善は、長年にわたって必要とされているが未解決のままである。

【0003】

したがって、前述の問題に対して技術的に対処する必要がある。

【発明の概要】

【0004】

第１の態様の観点から、本発明が提供する、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するための方法は、物理的プロセスのそれぞれの実行から、物理的プロセスに関連した複数の変数の値を得ることと、物理的プロセスの実行に関する複数の変数の値を表す少なくとも１つのガウス混合モデル（Ｇａｕｓｓｉａｎ ｍｉｘｔｕｒｅ ｍｏｄｅｌ、ＧＭＭ）を判定することと、少なくとも１つのガウス混合モデルに少なくとも部分的に基づいて、物理的プロセスの実行のうちの少なくとも１つに関する変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算することと、変数のうちの少なくとも１つに関する少なくとも１つの異常スコアに基づいて、物理的プロセスの実行のうちの少なくとも１つを外れ値として識別することと、外れ値の識別に少なくとも部分的に基づいて、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するように、物理的プロセスの１つまたは複数の後続の実行に関する変数のうちの少なくとも１つを修正することとを含む。

【0005】

さらなる態様の観点から、本発明が提供する、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するための装置は、メモリと、メモリに結合された少なくとも１つのプロセッサとを備え、プロセッサは、物理的プロセスのそれぞれの実行から、物理的プロセスに関連した複数の変数の値を得て、物理的プロセスの実行に関する複数の変数の値を表す少なくとも１つのガウス混合モデル（ＧＭＭ）を判定し、少なくとも１つのガウス混合モデルに少なくとも部分的に基づいて、物理的プロセスの実行のうちの少なくとも１つに関する変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算し、変数のうちの少なくとも１つに関する少なくとも１つの異常スコアに基づいて、物理的プロセスの実行のうちの少なくとも１つを外れ値として識別して、外れ値の識別に少なくとも部分的に基づいて、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するように、物理的プロセスの１つまたは複数の後続の実行に関する変数のうちの少なくとも１つを修正するように作動する。

【0006】

さらなる態様の観点から、本発明が提供する、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するためのコンピュータ・プログラム製品は、処理回路によって可読であり、本発明のステップを実行する方法を実行するための処理回路が実行する命令を記憶しているコンピュータ可読記憶媒体を備える。

【0007】

さらなる態様の観点から、本発明が提供するコンピュータ・プログラムは、コンピュータ可読媒体に記憶されており、デジタル・コンピュータの内部メモリにロード可能であって、前記プログラムがコンピュータで実行されるときには本発明のステップを実行するためのソフトウェア・コード部分を含む。

【0008】

さらなる態様の観点から、本発明が提供するコンピュータ・プログラム製品は、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するための機械可読プログラム・コードが具現された非一過性機械可読記憶媒体を備え、前記機械可読プログラム・コードが含む機械可読プログラム・コードは、物理的プロセスのそれぞれの実行から、物理的プロセスに関連した複数の変数の値を得て、物理的プロセスの実行に関する複数の変数の値を表す少なくとも１つのガウス混合モデル（ＧＭＭ）を判定し、少なくとも１つのガウス混合モデルに少なくとも部分的に基づいて、物理的プロセスの実行のうちの少なくとも１つに関する変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算し、変数のうちの少なくとも１つに関する少なくとも１つの異常スコアに基づいて、物理的プロセスの実行のうちの少なくとも１つを外れ値として識別して、外れ値の識別に少なくとも部分的に基づいて、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するように、物理的プロセスの１つまたは複数の後続の実行に関する変数のうちの少なくとも１つを修正するように構成されている。

【0009】

本発明の一態様は、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善する方法を対象とするものである。この方法は、物理的プロセスのそれぞれの実行から、物理的プロセスに関連した複数の変数の値を得ることと、物理的プロセスの実行に関する複数の変数の値を表す少なくとも１つのガウス混合モデル（ＧＭＭ）を判定することと、少なくとも１つのＧＭＭに少なくとも部分的に基づいて、物理的プロセスの実行のうちの少なくとも１つに関する変数のうちの少なくとも１つに関する少なくとも１つの異常スコアを計算することと、変数のうちの少なくとも１つに関する少なくとも１つの異常スコアに基づいて、物理的プロセスの実行のうちの少なくとも１つを外れ値として識別することと、外れ値の識別に少なくとも部分的に基づいて、物理的プロセスの質および歩留まりのうちの少なくとも１つを改善するように、物理的プロセスの１つまたは複数の後続の実行に関する変数のうちの少なくとも１つを修正することとを含む。

【0010】

本明細書で使用される、アクションを「促進する」ことは、アクションを実行すること、アクションをより容易にすること、アクションの実行を支援すること、またはアクションを行わせることを含む。したがって限定ではない例として、１つのプロセッサ上で実行する命令が、適切なデータまたはアクションを行わせるかもしくは支援する命令を送ることにより、遠隔プロセッサ上で実行する命令によって実行されるアクションを促進し得る。疑念を避けるために、アクタが、アクションを実行するのではなく、他のものによるアクションを促進する場合には、それにもかかわらず、アクションはいくつかのエンティティまたはエンティティの組合せによって行われる。

【0011】

本発明またはその要素の１つまたは複数の実施形態は、指示された方法のステップを実行するためにコンピュータが使えるプログラム・コードを伴うコンピュータ可読記憶媒体を含むコンピュータ・プログラム製品の形式で実施され得る。その上、本発明またはその要素の１つまたは複数の実施形態は、メモリを含むシステム（または装置）（たとえばコンピュータ）と、メモリに結合されて例示的方法のステップを実行するように機能する少なくとも１つのプロセッサとの形態で実施され得る。またさらに、別の態様では、本発明またはその要素の１つまたは複数の実施形態は、本明細書で説明された方法のステップのうちの１つまたは複数を実行するための手段の形態で実施され得、手段は、（ｉ）ハードウェア・モジュール（複数可）、（ｉｉ）コンピュータ可読記憶媒体（または複数のそのような媒体）に記憶され、ハードウェア・プロセッサ上で実施されるソフトウェア・モジュール、あるいは（ｉｉｉ）（ｉ）と（ｉｉ）の組合せ、本明細書で説明された特定の技術を実施する（ｉ）～（ｉｉｉ）のうちの任意のものを含むことができる。

【0012】

本発明のこれらおよび他の特徴および利点は、添付図面に関連して読み取られるべき、例示的実施形態の以下の詳細な説明から明らかになるであろう。

【0013】

次に、本発明が、以下の図に示される好ましい実施形態を参照しながら、例としてのみ説明される。

【図面の簡単な説明】

【0014】

【図1】本発明の好ましい実施形態が実施され得る、従来技術によるＩＣ製作の態様を示すフローチャートである。

【図2】例示的実施形態による制御プロセスを示すフローチャートである。

【図3】本発明の好ましい実施形態が実施され得る、従来技術による時系列測定を示す図である。

【図4A】本発明の好ましい実施形態が実施され得る、従来技術による、周期的な関係のある、外れ値を伴う通常の変数を示すグラフである。

【図4B】本発明の好ましい実施形態が実施され得る、従来技術による、多モードの、外れ値を伴う通常の変数を示すグラフである。

【図4C】本発明の好ましい実施形態が実施され得る、従来技術による、ドリフトする、外れ値を伴う通常の変数を示すグラフである。

【図5】本発明の一態様による異常検知手法を示す図である。

【図6】本発明の一態様と共に使用可能なガウス混合モデル（ＧＭＭ）の態様を表す図である。

【図7】本発明の一態様による時間的結合の多モード混合モデル（ｔｅｍｐｏｒａｌ－ｃｏｕｐｌｉｎｇ ｍｕｌｔｉ－ｍｏｄａｌ ｍｉｘｔｕｒｅ ｍｏｄｅｌ、ＴＭＭ）の態様を表す図である。

【図8】本発明の一態様による異常検知システムを示す図である。

【図9】本発明の一態様による（たとえば半導体製造の）質および歩留まりを向上するシステムを示す図である。

【図10】本発明の一態様による、アセットの特性を観測したり変化させたりするためのシステムを示す図である。

【図11】本発明の一態様によるマルチモデルのグラフィカル・モデル（ＭＧＭ）アルゴリズムを示す図である。

【図12】本発明の一態様による逆共分散更新（ｉｎｖｅｒｓｅ ｃｏｖａｒｉａｎｃｅ ｕｐｄａｔｅ、ＩＣＵ）アルゴリズムを示す図である。

【図13】本発明の一態様による時間的順序付けクラスタ化（ｔｅｍｐｏｒａｌ ｏｒｄｅｒｉｎｇ ｃｌｕｓｔｅｒｉｎｇ、ＴＯＣ）アルゴリズムを示す図である。

【図14】本発明の一態様によるスパース重み選択アルゴリズム（ｓｐａｒｓｅ ｗｅｉｇｈｔ ｓｅｌｅｃｔｉｏｎ ａｌｇｏｒｉｔｈｍ、ＳＷＳＡ）を示す図である。

【図15A】本発明の一実施形態と共に使用可能な一変量のトレース特徴データ（trace feature data）を示す図である。

【図15B】本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの逆解析の実験結果を示す図である。

【図15C】Ｚスコアを用いる一変量のトレース特徴データの逆解析の実験結果を示す図である。

【図15D】ボックスプロットによる一変量のトレース特徴データの逆解析の実験結果を示す図である。

【図16A】本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す図である。

【図16B】本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す図である。

【図17A】本発明の一実施形態による、ＧＭＭを用いる３次元トレース特徴データの逆解析の実験結果を示す図である。

【図17B】ホテリングのＴ２乗（Ｔ^２）統計を用いる３次元トレース特徴データの逆解析の実験結果を示す図である。

【図18A】本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す図である。

【図18B】本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す図である。

【図18C】本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す図である。

【図19A】本発明の一実施形態による、ＧＭＭを用いる６次元トレース特徴データの逆解析の実験結果を示す図である。

【図19B】ホテリングのＴ２乗（Ｔ^２）統計を用いる６次元トレース特徴データの逆解析の実験結果を示す図である。

【図20A】本発明の一実施形態による時変スコアの連続検査を示す図である。

【図20B】本発明の一実施形態による時変スコアの連続検査を示す図である。

【図20C】本発明の一実施形態による時変スコアの連続検査を示す図である。

【図21A】本発明の一実施形態と共に使用可能な一変量のトレース特徴データを示す図である。

【図21B】本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの前方予測の実験結果を示す図である。

【図21C】Ｚスコアを用いる一変量のトレース特徴データの前方予測の実験結果を示す図である。

【図22A】本発明の一実施形態と共に使用可能な一変量のトレース特徴データを示す図である。

【図22B】本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの前方予測の実験結果を示す図である。

【図22C】Ｚスコアを用いる一変量のトレース特徴データの前方予測の実験結果を示す図である。

【図22D】ボックスプロットによる一変量のトレース特徴データの前方予測の実験結果を示す図である。

【図23】本発明の１つまたは複数の態様または要素あるいはその両方を実施するのに有効であり得るコンピュータ・システムを表す図である。

【発明を実施するための形態】

【0015】

本発明の実施形態は、主として集積回路（ＩＣ）の製作など、マイクロエレクトロニクス製品または半導体素子あるいはその両方の製造を参照しながら説明されるが、当業者なら、本発明の態様が他の多くの用途に使用され得ることを理解するであろう。たとえば、本発明の原理は、半導体製造に加えて、たとえばモノのインターネット（ＩＯＴ）技術およびソリューション、ビッグデータ、または分析論あるいはその組合せに広く適用可能であり得る。

【0016】

図１はＩＣの製作プロセス１００の態様を示すフローチャートである。ＩＣの最終的な物理配置に基づいてマスク１１０が製作され得る。いくつかの実施形態では、ＩＣレイアウトは物理設計データを含む設計構造としてインスタンスを作成され得、設計構造による物理的集積回路の製作を促進するように、製作機器に設計構造が与えられ得る。次いで、ステップ１３０において、ウェーハ１２０が、たとえばマスク１４０を使用してウェーハ１２０のフォトリソグラフィおよびエッチングを実行することにより、処理される。一般に、処理１３０中に、最終設計の複数のコピー１５１、１５２、１５３を伴うウェーハ１３０が製作され、各ダイ１５１、１５２、１５３が集積回路の１つのコピーになるように切断される（すなわちダイシングされる）。一旦、ウェーハがダイシングされると、いかなる不良のダイも除去するために、１６０において各ダイの検査および選別が行われる。したがって、各ＩＣ（ダイ）は、良品１７０（すべての検査に合格したもの）または不良品１８０（１つまたは複数の検査で不合格のもの）のいずれかに選別される。

【0017】

前述のように、ＩＣ製作など、マイクロエレクトロニクス製品または半導体素子あるいはその両方の製造は、一般的には何百もの単位プロセスを含む複数のステージを包含している。マイクロエレクトロニクス製品の全般的な品質および歩留まりは、個々の単位プロセスの歩留まりの質、ならびに何百もの単位プロセスをうまく統合することに依拠する。プロセス（たとえば単位プロセス）の質は、ツール・センサの時系列測定（ツール状態および製法を反映する）、入ってくる（部分的に仕上げられた）製品の特性、および他のインプロセス測定によって推測され得る。したがって、例示的実施形態によって提供される方法は、プロセスにおける異常の検知および矯正のために、ツール・セット関連データ、ウェーハ・データ、および補助データを使用する半導体製造の予測モデルを採用して、製品品質または（たとえば金属化処理の）歩留まりあるいはその両方を改善するものである。

【0018】

図２は、例示的実施形態による制御プロセス２００を示すフローチャートである。処理ステップｓ１．．．ｓＮの各々の間に、２０２において（たとえばアセットの現在の状態を観察する）インプロセス測定が行われ、２０４において、それらのインプロセス測定に基づいて（たとえば予測モデルを学習する）ポストプロセス測定が予測される。ポストプロセス測定の非限定的な例にはウェーハ抵抗率がある。インプロセス測定の非限定的な例には、プラズマ電圧、電流、温度、および圧力ならびに材料の堆積またはエッチング中の経過時間がある。２０６において、予測とポストプロセス測定の目標値との間の誤差を低減するように、ポストプロセス測定の予測に応答して、（たとえばアセットの特性を変化させる制御動作によって）現行の処理ステップの少なくとも１つの制御可能変数が調整される。

【0019】

図３は、例示的ＩＣ製作プロセスの時系列測定結果を示す図である。より詳細には、図３は、列３１０～３６０に様々な変数を示し、行は、プロセス（製法）のそれぞれの実行（流れ）に対応する。列３１０はチャンバＩＤを示す。これらの変数は、図３に示されるすべての行について同一である。図３には示されていないが、各実施形態がウェーハＩＤまたはツールＩＤあるいはその両方をも含み得る。列３２０は時間スタンプを示し、列３３０は製法のステップを示す。列３４０は電圧を示し、列３５０は時間を示し、列３６０は圧力を示す。図３の各行は、これらの値の各々に関する固有の値を含有しているが、当業者なら、重複値もあり得ることを理解するであろう。

【0020】

図４Ａは周期的な関係のある通常の変数を示すグラフである。具体的には、図４Ａは、別々の日付におけるプロセスの実行に関する、ステップ７におけるチャンバ１（ＣＨ１）の平均の直流電源電圧ＤＣＳｒｃ．ｒＶｏｌｔａｇｅを示す図である。したがって、図４Ａに示される四角の各々が、所与の日付（ｘ軸）におけるプロセスの実行に関する電圧値（ｙ軸）を表し、多くの日付において複数回実行されているので、その日付については複数の値がある。図４Ａは、この電圧値が周期的な関係のある通常の変数であることを示しており、急激に増加し（たとえば少なくとも１０月１０日ごろ始まって６４０を超え）、次いで（たとえば少なくとも１１月１５日ごろまでには６２０未満に）徐々に減少してから、再び急激に増加し（たとえば少なくとも１１月１５日ごろ始まって６５０を超え）、次にもう一度（たとえば少なくとも１月１５日ごろまでには６１０未満に）徐々に減少するといった、変数の繰返しパターンがある。図４Ａは、四角ではなく円として示された値をも含み、これらは前述の周期的な関係のある通常のパターンに対する外れ値である。

【0021】

図４Ｂは周期的な関係のある、多モードの通常の変数を示すグラフである。具体的には、図４Ｂは、異なる日付におけるプロセスの実行に関して、ステップ２におけるチャンバ２（ＣＨ２）の加熱時間の中央値を示すグラフである。したがって、図４Ｂに示される四角の各々が、所与の日付（ｘ軸）におけるプロセスの実行に関する加熱時間の値（ｙ軸）を表し、多くの日付において複数回実行されているので、その日付については複数の値がある。図４Ｂは、この加熱時間の値が多モードの通常の変数であることを示し、この変数は、第１の期間中（少なくとも１２月１０日から１２月２１日まで）は第１の範囲内（２１．８８５～２１．８８７）の群れになり、次いで、第２の期間中（１２月２２日から少なくとも１月１１日まで）は第２の範囲内（２１．８８０～２１．８８２）の群れになる。図４Ｂは、四角ではなく円として示された値をも含み、これらは前述の多モードの通常のパターンに対する外れ値である。

【0022】

図４Ｃは、ドリフトする通常の変数を示すグラフである。具体的には、図４Ｃは、別々の日付におけるプロセスの実行に関して、アンバ・ランプの第１のウォームアップ製法のステップ１におけるチャンバ４（ＣＨ４）用のマグネット・リフト・モータの平均の実際位置（ＭａｇＮｅｔＬｉｆｔ／Ｍｏｔｏｒ．ｒＰｏｓ）を示す図である。したがって、図４Ｃに示される四角の各々が、所与の日付（ｘ軸）におけるプロセスの実行に関する平均の実際位置（ｙ軸）を表し、多くの日付において複数回実行されているので、その日付については複数の値がある。図４Ｃは、この平均の実際位置の値はドリフトする通常の変数であることを示しており、この変数は、たとえば１２月２１日以前の約３７から、１月１８日以後の約２０まで、一定の割合（たとえば一定の傾斜）で徐々に減少する。図４Ｃは、四角ではなく円として示された値をも含み、これらは前述のドリフトする通常のパターンに対する外れ値である。

【0023】

図５は、本発明の一態様による異常検知手法を示す。異常検知手法は、一変量データ５１０または多変量（たとえば多次元）データ５２０のいずれかから開始してよい。一変量データ５１０が与えられた場合には、時間的情報を使用して多変量（たとえば３次元）データ５２０に変換される。図８を参照しながら以下でさらに論じられるように、各データ・ポイントＸ^ｔは、観測値ｘ^ｔ、タイムスタンプｔ、および観測値と１つまたは複数の他の値（たとえば、観測値に先行する、または観測値に後続する、あるいはその両方の、１つまたは複数の値）との間のギャップの関数を含む３次元空間において検討され得る。

【0024】

先行する値と後続の値との間の最小のギャップは次式で表される。
ｍｉｎ（｜ｘ^ｔ－ｘ^ｔ－１｜，｜ｘ^ｔ－ｘ^ｔ＋１｜）

【0025】

多変量データ５２０は、直接与えられようと、一変量データ５１０を変換することによって間接的に与えられようと、スパース・グラフィカル・モデル５３０を決定するために使用され、スパース・グラフィカル・モデル５３０は、以下で図６を参照しながらさらに論じられるように、たとえばガウス・グラフィカル・モデル（Gaussian graphical model）（ＧＧＭ）またはガウス混合モデル（ＧＭＭ）あるいはその両方でよい。いくつかの実施形態では、１つまたは複数のスパース・グラフィカル・モデル５３０は、ベイズの公式に基づいてデータから学習された、１つまたは複数のダブル・スパース（doubly-sparse）・マルチタスク、多モードのガウス・グラフィカル・モデル（ｍｕｌｔｉ－ｔａｓｋ， ｍｕｌｔｉ－ｍｏｄａｌ Ｇａｕｓｓｉａｎ ｇｒａｐｈｉｃａｌ ｍｏｄｅｌｓ、ＭＴＬ－ＭＭ ＧＧＭ）を含み得る。ダブル・スパース性は、ＧＧＭの従属性構造におけるスパース性および混合コンポーネントにわたるスパース性を含み得る。

【0026】

図４の５３０によって表されたものなどの所与のＧＧＭグラフの中で、ノードは変数を表し、ラインは変数間の非ゼロの（正または負の）依存性を表す。いくつかの実施形態は、実線を使用して正の依存性を表し得、破線を使用して負の依存性を表し得る。いくつかの実施形態は、接続するラインの太さによって依存性の強さを表し得、より太いラインはより強い依存性を表す。依存情報はＧＧＭモデルによって捕捉された相関係数であり、特定のシステムの通常状態を把握する概要を提供する。動作の通常状態は、ＧＧＭグラフによって捕捉された種々の動的状態の混合である。この依存情報は可変洞察（variable insights）を理解するのに有効である。

【0027】

前述の一変量データ５１０、多変量データ５２０、およびスパース・グラフィカル・モデル４３０は、訓練データ５７０を含み得る。対照的に、検査データ５９０は異常スコア５４０を含み得る。新規の試料ｘに関して、異常スコア５４０はａ（ｘ）＝－ｌｎｐ（ｘ｜Ｄ）と表され、ｌｎは自然対数を表し、ｐ（ｘ｜Ｄ）は、Ｄと表される訓練データ５７０に基づいて学習された予測分布である。

【0028】

いくつかの実施形態では、異常スコア５４０は、たとえば１５分ごとなど、あらかじめ定義された時間において周期的に生成され得る。いくつかの実施形態では、システム全体にわたって、およびシステム内のセンサの各々について（またはシステム内のセンサのうちの少なくとも１つまたは複数について）異常スコア５４０が生成され得る。たとえば、最近の多変量センサ・データ５２０の現在の（オンラインの）サンプルが受け取られ得、現在の時間窓の受け取られたデータを使用して、システムに関する全体的な異常スコア５４０が生成されてよい。その上、システムのセンサの各々（あるいは少なくとも１つまたは複数）からの最近の時系列に対応する最新の多変量データ５２０が処理されてよく、システムの動特性または「健全性」を指示するために、個々の「変数ごとの」異常スコア５４０が生成されてよい。説明されるように、異常スコア５４０（複数可）の生成は、システムに関連したモデル５３０（複数可）を自動的に解く（更新する）ことを包含し得る。

【0029】

前述のように、スパース・グラフィカル・モデル５３０はガウス・グラフィカル・モデル（ＧＧＭ）を含み得、より具体的にはガウス混合モデル（ＧＭＭ）を含み得る。ＧＭＭは、Ｋ個の単一コンポーネントのガウス密度または分布ｘの加重和あるいはその両方として形成された確率分布ｐ（ｘ）であって、次式で表され、

【数1】

【数2】

π_ｋは混合係数であり、Ｎ（ｘ｜μ_ｋ，Σ_ｋ）はコンポーネントであり、μ_ｋは平均であって、Σ_ｋは共分散である。共分散の逆数

【数3】

は精度マトリクスである。

【0030】

図６は、本発明の一態様と共に使用可能なガウス混合モデル（ＧＭＭ）の態様を表す。ｘ軸はｘを表し、ｙ軸は確率分布であり得るｐ（ｘ）を表す。図６ではＫ＝３であり、破線は、３つの単一コンポーネントのガウス分布６０２、６０４、６０６を指示する。実線は、コンポーネント６０２、６０４、６０６の加重和から成るＧＭＭ ６００を示す。

【0031】

従来、ＧＧＭを使用するとき、次式のように対数尤度が最大化される。

【数4】

【0032】

混合重みは次のように更新される。

【数5】

【0033】

共分散は次式のように更新される。

【数6】

【0034】

しかしながら、これらの技術は、構造化学習（たとえばスパース性または相関あるいはその両方）を採用するわけではない。無関係なコンポーネントはスパース・モデルによって除去され得る。スパース・モデルは、スパース混合重みπ_ｋおよびスパース逆共分散

【数7】

を含み得る。スパース混合重みπ_ｋはパターンの数の自動判定をもたらし得、一方、スパース逆共分散

【数8】

または逆精度マトリクス

【数9】

あるいはその両方はスパース・ガウス・グラフィカル・モデル（ＧＧＭ）をもたらし得る。したがって、もたらされるモデルはスパースＧＧＭの多層スパース混合であり得、ＧＧＭの依存性構造におけるスパース性と混合コンポーネントにわたるスパース性との両方を含み得る。

【0035】

図７を参照しながらさらに論じられるように、本発明の例示的実施形態は、

【数10】

に関して、ｌ_１ノルムを促進するおおよその凸スパース性ではなく、正確な非凸ｌ_０ノルムを使用する。本発明の実施形態は、時間的結合の多モード混合モデル（ＴＭＭ）を利用する。このモデルは、いくつかの類似点がある別々のモードにおいてアセットが動作し得ることを認識する。各モードは徐々に調整される。依存性グラフの構造は、いくつかの共通点を共有するべきである。

【0036】

図７は、本発明の一態様による時間的結合の多モード混合モデル（ＴＭＭ）の態様を表す。図７において、図６と同様に、実線は、破線で表された３つのコンポーネントの加重和から成るガウス混合モデル（ＧＭＭ）を表す。しかしながら、図７では、これら３つのコンポーネントは、別々の（場合により少なくとも部分的にオーバラップする）時間窓中の変数の同一のセットから成る多変量データに対応する。したがって、ＧＭＭ（ここではＴＭＭ）の３つのコンポーネントのガウス・グラフィカル・モデル（ＧＧＭ）表現は、それぞれがノードの同一のセットを有し、唯一の相違はノード間の接続にある。

【0037】

本明細書で使用される｜ｖ_ｉ｜は、ベクトルｖのｉ番目の要素の絶対値を表す。多くの要素が小さいε＞０について｜ｖ_ｉ｜≦εを満たすとき、ベクトルｖはε－スパース解と呼ばれる。｜｜ｖ｜｜_εはε－ノルムを表し、エントリ｜ｖ_ｉ｜＞εの数をカウントするものである。たとえば、｜｜ｖ｜｜_０はベクトルｖのｌ_０ノルム（非ゼロ要素の数）を表す。以前に論じられたように、本発明の例示的実施形態は、

【数11】

に関して、おおよその凸ｌ_１ノルムとは対照的に、ｌ_０ノルムを促進する正確な非凸スパース性を使用する。

【0038】

したがって、本発明の例示的実施形態によるＴＭＭでは、制約付きの正規化対数尤度は次式のように最大化され、

【数12】

スパース性は、精度マトリクス｜｜Σ_ｋ｜｜_０≦κ_ｋ、∀ｋ＝１，．．．，Ｋにおいて許容し得る非ゼロの最大数を規定することによって直接制約を加えられる。重要でないコンポーネントは、制約条件｜｜π｜｜ε≦Ｋεによって除去される。

【0039】

コンポーネントに関する依存性グラフにわたって、いくつかの構造類似性が課される。重要なコンポーネントのみが制約を加えられ（たとえば、ペナルティを課されるのは重要なコンポーネントのみであり）、すなわち、混合重みは次式のようにかなり大きくなる。

【数13】

【0040】

データが少し変更されているにもかかわらず、元データにアクセスできないことがある。精度マトリクスを得るための優れたモデルが構築されているなど、精度マトリクスに関するいくらかのドメイン知識が得られる可能性がある。Σ_ｋは、正規化

【数14】

を加えることによって、

【数15】

に近い値に設定され得る。

【0041】

図８は、本発明の一態様による異常検知システム８００を示す。入力データ８１０は、図５を参照しながら上記で論じられたように、一変量データ５１０または多変量データ５２０を含み得る。入力データ８１０は、時系列センサ・データでよく、たとえば図１～図４を参照しながら上記で論じられたようなＩＣ製造処理システムの内部のもう１つのセンサからリアルタイムで受け取られ得る。データ・プロセッサ８２０は、図５の５３０ならびに図６および図７を参照しながら上記で論じられたように、入力データ８１０を処理して、たとえばＧＧＭ、ＧＭＭ、またはＴＭＭあるいはその組合せといった、たとえば１つまたは複数のスパース・グラフィカル・モデルにする。データ・プロセッサ８２０は、図５を参照しながら上記で論じられたように、入力データ８１０を一変量データ５１０から多変量データ５２０に変換することをも含み得る。図５を参照しながら論じられたように、異常スコア計算器８３０は、入力データ８１０およびステップ８２０で決定されたモデルに基づいて１つまたは複数の異常スコア５４０を計算する。

【0042】

逆解析８４０は、たとえばオフライン診断のために使用され得る後方予測ツールである。逆解析のために、データ・ポイントＸ^ｔは、観測値ｘ^ｔ、タイムスタンプｔ、および直前の値と続く値との間の最小のギャップ ｍｉｎ（｜ｘ^ｔ－ｘ^ｔ－１｜，｜ｘ^ｔ－ｘ^ｔ＋１｜）を含む３次元空間において検討され得る。逆解析８４０は、すべてのデータ・セットまたは各履歴サンプルについて計算された外れ値スコアあるいはその両方のからのスパースＧＭＭの学習されたスパース混合を含み得る。逆解析は、アセットの現在の状態を観察すること、アセットの予測モデルを学習すること、およびアセットの特性を変化させるための制御動作を行うことを含み得る。したがって、逆解析８４０は、以前に図２を参照しながら上記で論じられたように、また図９および図１０を参照しながら以下でさらに論じられるように、入力データ８１０を変更することを含み得る。逆解析８４０は、図１５～図１９を参照しながら以下でさらに論じられる。

【0043】

前方予測８５０は、たとえばオンライン異常検知のために使用され得る前方予測ツールである。前方予測８５０は連続的検査を含み得、これは、ｎ－１個のデータ・ポイント（図５の訓練データ５７０を参照されたい）に対して訓練してから、ｎ番目のインスタンス（検査データ５９０を参照されたい）を検査することと、また、（たとえばセンサから）より多くのサンプルが受け取られたとき、ｎ番目のポイントに関する時変スコアを繰り返し計算することとを含み得る。順解析では、データ・ポイントＸ^ｔは、観測値ｘ^ｔ、タイムスタンプｔ、および観測値と１つまたは複数の（好ましくは３つなどいくつかの）前回値との間の平均ギャップを含む３次元空間において検討されてよく、平均ギャップは、より一般的な式は

【数16】

であり、特定の場合（Ｎ＝３）にはｘ^ｔ－ａｖｅｒａｇｅ（ｘ^ｔ－１，ｘ^ｔ－２，ｘ^ｔ－３）となる。前方予測８５０は、図２０～図２２を参照しながら以下でさらに論じられる。

【0044】

図９は、本発明の一態様による（たとえば半導体製造の）質および歩留まりを向上するシステム９００を示す。時系列センサ・ネットワーク９１０は、各アセットにおける個々のセンサを、たとえば９１１、９１２、９１３といった各センサからの時系列データを受け取り得る／記憶し得る中央制御センタ９２０（コンピュータシステム）に接続する。例として、変数９１１は、図４Ａを参照しながら上記で論じられたＤＣ電源電圧などの周期的な関係のある通常の変数でよく、変数９１２は、図４Ｂを参照しながら上記で論じられた加熱時間などの多モードの通常の変数でよく、変数９１３は、図４Ｃを参照しながら上記で論じられたモータ位置などのドリフトする通常の変数でよい。

【0045】

各アセットは多くの別個の部分から成り得、個々の部分は複数のセンサで監視されてよい。システム（アセット）の別個の部分は必ずしも独立したものではないので、各センサからの信号は多変量のやり方で分析する必要がある。センサ・ネットワーク９１０から、個々のアセットに関連した多変量の時系列データが、モデル構築フレームワークをもたらすコンピュータ・システム９２０に入力され、モデル構築フレームワークは、アセットの異常検知モデルを構築するための命令を呼び出すように構成されたモデル・ビルダ・モジュール９３０と、アセットの異常な動作／誤った動作を指示し得る１つまたは複数の異常スコアを計算するための命令を呼び出すように構成された異常スコア計算モジュール９４０と、アセット・メンテナンスを行ったり優先順位を付けたりするように計算される異常スコアを処理するための命令を呼び出すように構成された異常スコア・コーディネータ・モジュール９５０と、図２および図８を参照しながら上記で論じられ、図１０を参照しながら下記で論じられるような、動作の更新を処理するための命令を呼び出すように構成された処理動作更新モジュール９６０とで構成される。

【0046】

モデル・データベースまたは類似の記憶装置９３５は、モデル・ビルダ・モジュール９３０によって用意されたＳ個の異常検知モデルを記憶し、Ｓはフリートにおけるアセット（システムまたはタスク）の数である。一実施形態では、学習される異常検知モデルは、マルチタスクかつ多モードのガウス・グラフィカル・モデル（ＭＴＬ－ＭＭ ＧＧＭモデル）または時間的結合の多モードの混合分布モデル（ＴＭＭ）あるいはその両方である。より一般的には、異常検知モデルは、ガウス混合モデル（ＧＭＭ）またはガウス・グラフィカル・モデル（ＧＧＭ）あるいはその両方でよい。

【0047】

一実施形態では、モデル・ビルダ９３０によってモデルを構築することは、（１）Ｓセットのスパース混合重みと、（２）１セットのスパースＧＧＭ ３３０との、２つのモデル・コンポーネントの組合せを計算することを含み得る。前者はアセットごとに異なり得、したがってフリートにおけるアセットの特性を表す。後者はＳ個のアセットと共有され、したがってＳ個のアセットにわたる共通化を表す。アセット向けの個々にスパースな混合重みは、ＧＧＭの重要性を規定する。すなわち、計算された重みは、データベース９３５におけるＧＧＭのセレクタとして機能し、別々のセンサ９２１、９２２、９２３は、別々の重みまたは符号重み分布（signature weight distributions）を有する。これらの重みは、一般的には頑健性および解釈可能性のために多くのゼロを有し、たとえばベイズの公式に基づいてデータから自動的に学習される。したがって、各アセットについて、モデル・ビルダ９３０は、基底系としてのスパースＧＧＭの共通の集合と、混合重みに対するスパース解をもたらす個々のスパース混合重みとを組み合わせた表現に基づいて学習モデルを最適に構築するために、混合重み学習を使用してよく、それによって、データベース９３５におけるスパースＧＧＭの数が自動的に判定され得る。例示的実施形態では、モデル・ビルダ９３０は、半閉形式の解（semi-closed form solution）および凸混合整数計画法の定式化（convex mixed-integer programming formulation）を使用し、寄与が最小の重みを切り捨てるために「隠された」パラメータを使用しないという点で、速く、正確で（大域解がもたらされ）しかも簡単である。

【0048】

「オンライン」プロセス中に学習モデルが与えられると、異常スコア計算器９４０は、多変量信号９２１、９２２、９２３を受け取って、たとえば１５分ごとなど、あらかじめ定義された時間において異常スコアを周期的に計算する。異常計算モジュール９４０は、システム全体について、また各センサについて、異常スコアを生成し得る。一実施形態では、異常スコア計算モジュール９４０は、システムの全体的な異常スコア５４０を生成するために、時系列センサ・ネットワーク９２０から最近の多変量のセンサ・データの現在の（オンライン）サンプル９２１、９２２、９２３を受け取り、現在の時間窓の受け取られたデータを使用して、図５を参照しながら上記で説明されたステップを実施する。加えて、モジュール９３０は、そのシステムの動特性または「健全性」を指示するために、そのシステムのセンサの各々からの最近の時系列データに対応する最新の多変量データをさらに処理して、各変数について個々の「変数ごとの」異常スコアを生成する。以下で説明されるように、スコアを生成することは、そのシステムに関連したダブル・スパース混合モデルであり得るモデル５３０を自動的に解くこと（更新すること）を包含している。

【0049】

異常スコア・コーディネータ・モジュール９５０は、各アセットについて全体的な異常スコアおよび変数ごとの異常スコアをランク付けして、各スコアを、モデル・ビルダ９５０によって用意された１組の閾値と比較するための機能を実施し得る。いくつかの異常スコアが閾値よりも大きければ、そのアセットの機能不全の可能性を指示し得、モジュール９５０は、それらのアセットおよび対応するスコア（複数可）を指示する信号を生成する。一実施形態では、これらの信号は、同一のコンピュータ・システムまたは外部のコンピュータ・システムにおいてメンテナンス・アクションをスケジューリングして優先順位を付ける命令を実行するメンテナンス・プランナ・モジュール９７０に対して自動的に通信され得る。

【0050】

一実施形態では、アセットの異常スコアが、異常値の履歴から導出され得る閾値を超えると判定されたときには、出力信号は個々のアセットに関する全体的な異常スコアを指示する。その特定のアセットの各センサ変数について判定された個々の「変数ごとの」異常スコアが、たとえば各変数の分位値に基づいて判定されたそれらの対応するセンサ変数の各々の閾値に対してさらに比較される。変数ごとの比較結果がある特定の閾値を超えると、その変数スコアに基づいて、その変数に対応する特定のセンサまたは異常な動作をしている可能性があるコンポーネントを指示することになる。全体的な異常スコアおよび変数ごとの異常スコアの閾値は、通常状態で取得されたデータ・セットに対してスコアを計算することによって決定され得る。具体的には、閾値は、たとえば９５パーセントの分位点として、またはより簡単に通常状態での異常スコアの最大値として、決定され得る。このようにして、そのアセットの潜在的な欠陥に最も寄与していると考えられる特定のコンポーネントに関連する変数またはセンサあるいはその両方を指示する出力信号がさらに生成される。信号の中で表されたアセット・データから、そのアセットの、早急なメンテナンスを必要とするコンポーネントが判定され得る。

【0051】

処理動作更新モジュール９６０は、ツール状態および製法、入ってくる（部分的に仕上げられた）製品の特性、および他のデータを更新する。次いで、処理動作更新モジュール９６０は、更新されたデータをメンテナンス・プランナ９７０に渡す。メンテナンス・プランナ・モジュール９７０は、メンテナンス・アクションに優先順位を付けるための命令を実行してよい。メンテナンス・プランナ９７０は、重大度およびリソース利用性、ならびに属性データベース９７５から取り出した値に依拠して、アセット（システム）の問題になりそうな特定の部分を修理するために、サービス中断の指示またはフラグの必要性を判定してよい。たとえば、異常スコア・コーディネータ９５０を参照しながら後に論じられる、変数ごとの異常スコアによって判定された問題に対処するために、新規の部分、コンポーネント、またはセンサを、特定のアセットで置換しなければならなくなる可能性がある。一実施形態では、メンテナンス・プランナ・モジュール９７０は、異常の可能性があるアセットに対するサービス中断、修理、または他のタイプのメンテナンスのフラグを立てるかまたはスケジューリングするためのメッセージを具現するさらなる信号を自動的に生成し得る。

【0052】

図１０は、本発明の一態様による、アセットの特性を観測したり変化させたりするためのシステムを示す。データ・プロセッサ１０２０は、図８の８２０と全体的に類似したものでよく、図９の９７５と全体的に類似したものであり得る属性データベース１０１５から入力データ８１０を取り出す。

【0053】

統計解析エンジン１０３０は、図９のモデル・ビルダ９３０と全体的に類似したものでよく、異常スコア計算器１０４０は、図９の９４０または９５０あるいはその両方と全体的に類似したものでよい。統計解析エンジンは、スパースＧＭＭまたはＧＰＲ（ガウス過程退縮）を使用して処理されるウェーハのバッチに対する外れ値を検知するように機能し得る。異常スコア計算器１０４０は、スパースＧＭＭを用いた１つまたは複数のセンサ測定値を使用して履歴データまたは即時サンプルの異常スコアを計算し、以前の測定値に基づいて、次のウェーハの測定値を予測するように機能し得る。

【0054】

異常スコア計算器１０４０によって生成された出力の少なくとも一部（たとえば図９の９４０または９５０あるいはその両方を参照しながら論じられた出力の少なくとも一部）は、ビジュアル・インターフェース（たとえばグラフィカル・ユーザ・インターフェース）または電子メール通知システム１０５０あるいはその両方によってユーザに通信され得る。モジュール１０６０は、図９の９５０を参照しながら上記で論じられたのと同様のやり方で、異常スコアが閾値よりも小さいかどうかを判定する。異常スコアが閾値よりも小さければ、制御下のツール１０７０は正常に動作している。

【0055】

異常スコアが閾値を超えると、制御動作モジュール１０８０は、たとえば実際的要求１０９１またはエンジニアリング・ドメイン知識１０９２あるいはその両方に少なくとも部分的に基づいて、制御下のツール１０７０の１つまたは複数の動作パラメータを修正する。制御動作モジュールは、図９の９６０のまたは９７０あるいはその両方と全体的に類似したものでよい。したがって、モジュール１０６０は、（モジュール１０４０からの）予測を、ＧＰＲを使用する後続の測定値と比較して、実測値が異常かどうかを判定するように機能し得る。１０６０において異常な測定値が識別されると、モジュール１０８０は、改善措置を行うように機能し得る。

【0056】

図１１が示す、本発明の一態様によるマルチモデルのグラフィカル・モデル（ＭＧＭ）アルゴリズムは、ライン１１１１において、図１２に示される逆共分散更新（ＩＣＵ）アルゴリズムを呼び出す。このＩＣＵアルゴリズムは、ライン１２０２において、図１３に示される時間的順序付けクラスタ化（ＴＯＣ）アルゴリズムを呼び出す。図１４が示す、本発明の一態様によるスパース重み選択アルゴリズム（ＳＷＳＡ）は、図１１のライン１１１０においてπについて解くように使用される。

【0057】

本発明の例示的実施形態は、有利には、教師なしガウス混合モデル（ＧＭＭ）を導入して、より詳細には時間的結合の多モード混合分布モデル（ＴＭＭ）を導入して、非定常システムの質を改善するものである。例示的実施形態は、たとえば１つまたは複数の時間的予測変数といった時間的情報を用いて非定常システムの外れ値や異常を検知するための予測モデルを提供するものである。例示的実施形態は、複数の通常の動作状態を自動的に取り込み、モデルをドリフトおよびシフトに適合させ、観測の時間的順序を考慮する。例示的実施形態はまた、ノイズに対して頑健であり、診断目的のために高度に解釈可能である。

【0058】

例示的実施形態は、グラフィカル混合モデルを使用することによって非定常システム用の密度関数を学習するための斬新な多モード予測モデルを提供するものである。例示的実施形態は、サンプルの時間的順序を考慮に入れて、たとえば各コンポーネントの依存性グラフといった種々の動作モードにわたって構造類似性を強化する。精度マトリクスのスパース性はｌ_０ノルムによって扱われ得、ドメイン知識はモデルに組み込まれ得る。例示的実施形態は、モデルを訓練するための最適化アルゴリズム、ならびにオフライン診断およびオンライン異常検知のための後方予測ツールおよび前方予測ツールを提供するものである。これらのツールは、時系列の一変量データを多変量（たとえば３次元）データに変換することを含み得る。これらのツールは、それに加えて、またはその代わりに、さらに多くの観測が得られたとき異常スコアを更新することを含み得る。

【0059】

図１５Ａは、本発明の一実施形態と共に使用可能な一変量のトレース特徴データを示す。図１５Ａは、連続的に処理されたウェーハ（ｘ軸）の、ステップ７における電圧値（ｙ軸）を示し、これは、図４Ａを参照しながら上記で論じられたように、周期的な関係のある通常の変数である。図４Ａの四角は図１５Ａの中空円のサブセットに対応し得る。図４Ａと同様に、図１５は、中空円（または四角）ではなく塗りつぶした円で示された外れ値を含む。具体的には、図１５Ａは、ハロ・ペースト（ＡＴ／ＣＨ１／ＤＣＳｒｃ．ｒＶｏｌｔａｇｅ）＿平均の間のチャンバ１の平均電圧の９３１のサンプルを示しており、３つの外れ値を含む。

【0060】

図１５Ｂ～図１５Ｄは、図１５Ａに示された一変量トレース・データの逆解析の実験結果を示す。実験計画は、外れ値を検知し、カウントを比較し、差を視覚化するように意図されたものであった。図１５Ｂは、本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの逆解析の実験結果を示す。図１５Ｂは、連続的に処理されたウェーハ（ｘ軸）のステップ７における変化スコア（ｙ軸）を可視化したものである。図１５Ｂの塗りつぶした円によって示されるように、本発明の例示的実施形態は、図１５Ａの一変量のトレース特徴データの中に存在する３つの外れ値を正確に識別した。Ｚスコアやボックスプロットなどの従来技術と比較して、図１５Ａの一変量のトレース特徴の中の３つの外れ値を正確に識別したのは、ＧＭＭを使用する本発明の技術のみであった。

【0061】

図１５Ｃは、Ｚスコアを用いる一変量のトレース特徴データの逆解析の実験結果を示す。Ｚスコアまたは標準スコアは、所与のデータ・ポイントが平均値を標準偏差いくつ分だけ下回るまたは上回るかを示す。図１５Ｃは連続的に処理されたウェーハ（ｘ軸）のステップ７における変化スコア（ｙ軸）を可視化したものである。図１５Ｃの塗りつぶした円によって示されるように、この従来技術が識別した外れ値は、図１５Ａの一変量のトレース特徴データの中に存在する３つの外れ値ではなく、１つだけであった。

【0062】

図１５Ｄは、ボックスプロットによる一変量のトレース特徴データの逆解析の実験結果を示す。図１５Ａと同様に、図１５Ｄは、連続的に処理されたウェーハ（ｘ軸）の、ステップ７において観測された電圧値（ｙ軸）を示す。図１５Ｄに示されるボックスプロットでは、水平方向の破線１５１４、１５１５、および１５１６は、それぞれデータ・セットの中の第１の四分値（２５パーセンタイル値）、第２の四分値（５０パーセンタイル値すなわち平均値）、および第３の四分値（７５パーセンタイル値）を表す。図１５Ｄの塗りつぶした円によって示されるように、この従来技術が識別した外れ値は、図１５Ａの一変量のトレース特徴データの中に存在する３つの外れ値ではなく、１つ（ウェーハ６４７）だけであった。

【0063】

図１６Ａおよび図１６Ｂは、本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す。より詳細には、図１６Ａおよび１６Ｂは、図１５Ａと同一の連続的に処理されたウェーハ（ｘ軸）に関してステップ７における追加の変数の値（ｙ軸）を示す。前述のように、図１５Ａは、連続的に処理されたウェーハ（ｘ軸）の、ステップ７における電圧値（ｙ軸）を示し、これは、図４Ａを参照しながら上記で論じられたように、３つの外れ値（塗りつぶした円）を伴う、周期的な関係のある通常の変数（中空の円）である。図１６Ａは、図１５Ａのものと同じ３つのウェーハにおける外れ値（塗りつぶした円）と共に、別の周期的な関係のある通常の変数（中空円）である連続的に処理されたウェーハ（ｘ軸）のステップ７における現在値（ｙ軸）を示す。図１６Ｂは、連続的に処理されたウェーハ（ｘ軸）のステップ７における電力値（ｙ軸）を示し、これは、図１５Ａおよび図１６Ａの外れ値であった３つのウェーハのうちの１つにおける外れ値を伴う通常の変数である。

【0064】

図１５Ａ、図１６Ａ、および図１６Ｂは、それぞれ一変量のトレース特徴データを示す。しかしながら、図１５Ａ、図１６Ａ、および図１６Ｂは、同一のウェーハ（ｘ軸）の同一の処理ステップ（ステップ７）の別々の変数の値（ｙ軸）を示す。したがって、図１５Ａ、図１６Ａ、および図１６Ｂは、多変量のトレース特徴データの３つの次元と考えることができるであろう。図１５Ａ、図１６Ａ、および図１６Ｂが組み合わせたときにもたらされる多変量のトレース特徴データは、ウェーハ２６７、４７０、および６４７といった３つの外れ値を有し、その各々が、３つの次元のうち少なくとも１つに関する外れ値である。

【0065】

図１７Ａは、本発明の一実施形態による、ＧＭＭを用いる３次元トレース特徴データの逆解析の実験結果を示す。本発明の例示的実施形態は、図１５Ａ、図１６Ａ、および図１６Ｂにおいてまとめて示された３次元多変量のトレース特徴データの中に存在する３つの外れ値（ウェーハ２６７、４７０、および６４７）を正確に識別した。

【0066】

図１７Ｂは、ホテリングのＴ２乗（Ｔ^２）統計を用いる３次元トレース特徴データの逆解析の実験結果を示す。この従来技術が識別したのは、図１５Ａ、図１６Ａ、および図１６Ｂにおいてまとめて示された３次元多変量のトレース特徴データの中に存在する前述の３つの外れ値（ウェーハ２６７、４７０、および６４７）のうちの１つの外れ値（ウェーハ６４７）だけであった。

【0067】

図１８Ａ～図１８Ｃは、本発明の一実施形態と共に使用可能な多変量のトレース特徴データを示す。より詳細には、図１８Ａ～図１８Ｃは、図１５Ａ、図１６Ａ、および図１６Ｂと同一の連続的に処理されたウェーハ（ｘ軸）に関してステップ７における追加の変数の値（ｙ軸）を示す。図１８Ａは、連続的に処理されたウェーハ（ｘ軸）のステップ７における圧力値（ｙ軸）を示しており、これは、図１５Ａ、図１６Ａ、または図１６Ｂにおける外れ値ではなかったウェーハである、ウェーハ３０７における外れ値を伴う通常の変数（中空円）である。図１８Ｂは、連続的に処理されたウェーハ（ｘ軸）のステップ７における現在の（ＡＴ．ＣＨ１．ＥＭＣｏｉｌｓ．ＢＯＭ）値（ｙ軸）を示しており、これは、外れ値（塗りつぶした円）なしの、通常の変数（中空円）である。図１８Ｃは、連続的に処理されたウェーハ（ｘ軸）のステップ７における背面ガス圧値（ｙ軸）を示しており、これは、外れ値（塗りつぶした円）なしの、通常の変数（中空円）である。

【0068】

図１５Ａ、図１６Ａ、および図１６Ｂと同様に、図１８Ａ～図１８Ｃのそれぞれが一変量のトレース特徴データを示す。しかしながら、図１５Ａ、図１６Ａ、図１６Ｂ、および図１８Ａ～図１８Ｃは、同一のウェーハ（ｘ軸）の同一の処理ステップ（ステップ７）の別々の変数の値（ｙ軸）を示す。したがって、図１５Ａ、図１６Ａ、図１６Ｂ、および図１８Ａ～図１８Ｃは、多変量のトレース特徴データの６つの次元と見ることができるであろう。図１５Ａ、図１６Ａ、図１６Ｂ、および図１８Ａ～図１８Ｃを組み合わせたときにもたらされる多変量のトレース特徴データは、ウェーハ２６７、３０７、４７０、および６４７といった４つの外れ値を有し、その各々が、６つの次元のうち少なくとも１つに関する外れ値である。

【0069】

図１９Ａは、本発明の一実施形態による、ＧＭＭを用いる６次元トレース特徴データの逆解析の実験結果を示す。本発明の例示的実施形態は、図１５Ａ、図１６Ａ、図１６Ｂ、および図１８Ａ～図１８Ｃにおいてまとめて示された６次元多変量のトレース特徴データの中に存在する４つの外れ値（ウェーハ２６７、３０７、４７０、および６４７）を正確に識別した。

【0070】

図１９Ｂは、ホテリングのＴ２乗（Ｔ^２）統計を用いる６次元トレース特徴データの逆解析の実験結果を示す。この従来技術が識別したのは、図１５Ａ、図１６Ａ、図１６Ｂ、および図１８Ａ～図１８Ｃにおいてまとめて示された６次元多変量のトレース特徴データの中に存在する前述の４つの外れ値（ウェーハ２６７、３０７、４７０、および６４７）のうちの２つの外れ値（ウェーハ３０７および６４７）だけであった。

【0071】

図２０Ａ～図２０Ｃは、本発明の一実施形態による時変スコアの連続検査を示す。具体的には、図２０Ａは、図１５Ａを参照しながら上記で論じられたものに類似の一変量のトレース・データを示す。図８を参照しながら上記で論じられたように、前方予測８５０は、ｎ－１個のデータ・ポイントに対して訓練してからｎ番目のインスタンスを検査する連続検査を含み得る。図２０Ａでは、これらｎ－１個のデータ・ポイントは訓練セット２０１７として表され、図７の訓練データ５７０に全体的に対応し得、ｎ番目のインスタンスは、検査ポイント２０１１として表され、図７の検査データ５９０に全体的に対応し得る。

【0072】

図８を参照しながら上記で論じられたように、前方予測８５０は、（たとえばセンサから）さらなるサンプルが受け取られたとき、ｎ番目のポイントに関する時変スコアを繰り返し計算することをも含み得る。図２０Ｂにおける訓練セット２０２７および検査ポイント２０２１は、図２０Ａの２０１７および２０１１に対応する。しかしながら、検査ポイント２０２１のスコアは、２０２１に対して着実に減少する値を有する後続のデータ・ポイント（たとえば観測またはサンプルあるいはその両方）２０２２および２０２３を受け取った後に再計算され、したがって、検査ポイント２０２１は外れ値ではなく、図４Ａを参照しながら上記で論じられたものと同様に、周期的な関係のある正常パターンの一部であることを示す。

【0073】

図２０Ｃでは、図２０Ｂと同様に、訓練セット２０３７および検査ポイント２０３１は図２０Ａの２０１７および２０１１に対応し、検査ポイント２０３１のスコアは、後続のデータ・ポイント（たとえば観測またはサンプルあるいはその両方）２０３２および２０３３を受け取った後に再計算される。しかしながら、ここで、後続のサンプル２０３２および２０３３は、２０３１の直前のデータ・ポイントに類似の（２０３１には似ていない）値を有し、したがって、検査ポイント２０３１は周期的な関係のある正常パターンの一部ではなく、外れ値であることを示す。

【0074】

図２１Ａは、本発明の一実施形態と共に使用可能な一変量のトレース特徴データを示す。具体的には、図２１Ａは、図１５Ａ、図２０Ａ、および図２０Ｂを参照しながら上記で論じられたものに類似のデータを示す。ここで、検査ポイント２１１１は図２０Ａの検査ポイント２０１１および図２０Ｂの検査ポイント２０２１に対応し、後続のポイントは検査ポイント２１１１に対して着実に減少するので、検査ポイント２１１１は外れ値ではなく、周期的な関係のある正常パターンの一部であることを示す。図２１Ａにおいて、検査窓２１１９は、検査ポイント２０１１の以前のポイントはすべて含むが後続のポイントは含まない図２０Ａの訓練セット２０１７とは対照的に、検査ポイント２１１１の以前のいくつかのポイントおよびすべての後続のポイントを含む。

【0075】

図２１Ｂは、本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの前方予測の実験結果を示す。より詳細には、図２１Ｂは、複数の後続のデータ・ポイント（ｘ軸に示される）が受け取られた後に、検査ポイント２１１１の変化スコア（ｙ軸に示される）を再計算するやり方を示す。検査ポイント２１１１は、最初に、平均値をかなり（たとえば１標準偏差超）上回るので外れ値と判定され、実際、検査ポイント２１１１は、平均値を２標準偏差上回る。いくつかの追加の検査ポイントを受け取ると平均値が少し大きくなるが、検査ポイント２１１１は、まだ（現在、少し大きい）平均値をほぼ２標準偏差上回り、したがって平均値を１標準偏差超上回るので、依然として外れ値と見なされる。

【0076】

図２１Ｃは、Ｚスコアを用いる一変量のトレース特徴データの前方予測の実験結果を示す。図２１Ｂと同様に、図２１Ｃは、複数の後続のデータ・ポイント（ｘ軸に示される）が受け取られた後に、検査ポイント２１１１の変化スコア（ｙ軸に示される）を再計算するやり方を示す。図２１Ｃと同様に、検査ポイント２１１１は、最初に、直前のデータ・ポイントよりもかなり大きいので外れ値と判定される。しかしながら、追加のデータ・ポイントが受け取られると、図２１Ｃに示されるように、図２０Ｂよりも図２０Ｃに類似したパターンを示すので、検査ポイント２１１１は、もはや外れ値には分類されない。

【0077】

図２２Ａは、本発明の一実施形態と共に使用可能な一変量のトレース特徴データを示す。トレース特徴データは、図１５Ａ、図２０Ａ、および図２１Ａに示されたものに類似であり、実際、検査窓２２１９は図２１Ａの検査窓２１１９に類似である。しかしながら、図２０Ａおよび図２１Ａと異なり、図２２Ａには検査ポイントが表示されていない。図２２Ａの検査窓２２１９の中にあるのは、３つの外れ値である。

【0078】

図２２Ｂは、本発明の一実施形態による、ＧＭＭを用いる一変量のトレース特徴データの前方予測の実験結果を示す。図２２Ｂが含むのは図２２Ａの検査窓２２１９の中の値のみであることに留意されたい。本発明の例示的実施形態は、図２２Ａに示されたトレース特徴データの検査窓２２１９の中に存在する３つの外れ値を正確に識別した。

【0079】

図２２Ｃは、Ｚスコアを用いる一変量のトレース特徴データの前方予測の実験結果を示す。図２２Ｂと同様に、図２２Ｃが含むのは図２２Ａの検査窓２２１９の中の値のみである。破線２２３８は、値を外れ値と見なすための基準を指示しており、２２３８より上の値は平均値を１標準偏差超上回るものであり、したがって外れ値と識別される。したがって、図２２Ａに示されたトレース特徴データの検査窓２２１９の中に存在する外れ値は３つであるが、この従来技法により、図２２Ｃにおける１７のデータ・ポイントが外れ値と識別される。

【0080】

図２２Ｄは、ボックスプロットによる一変量のトレース特徴データの前方予測の実験結果を示す。図２２Ｄは、図２２Ｂや図２２Ｃとは異なり、検査窓２２１９の中の値だけでなく図２２Ａに示されたすべての値を含むことに留意されたい。垂直の破線２２４８の左側の値は訓練データであり、垂直の破線２２４８の右側の値は検査データである。図２２Ｄに示されるボックスプロットでは、水平方向の破線２２４４、２２４５、および２２４６は、それぞれデータ・セットの中の第１の四分値（２５パーセンタイル値）、第２の四分値（５０パーセンタイル値すなわち平均値）、および第３の四分値（７５パーセンタイル値）を表す。これら水平の破線は、値を外れ値と見なすための基準を指示しており、２５パーセンタイル値～７５パーセンタイル値（たとえば破線２２４４～２２４６）の間にない値は外れ値と識別される。図２２Ｄに示されるデータ・ポイントにはこれらの基準を満たすものがないため、この従来技法では、図２２Ａに示されたトレース特徴データの検査窓２２１９の中に存在する３つの外れ値のどれも外れ値と識別されない。

【0081】

本発明の１つまたは複数の実施形態またはその要素は、メモリと、メモリに結合されて例示的方法のステップを実行するように機能する少なくとも１つのプロセッサとを含む装置の形式で、少なくとも部分的に実施され得る。

【0082】

１つまたは複数の実施形態は、汎用コンピュータまたはワークステーションで実行するソフトウェアを利用することができる。図２３を参照して、そのような実装形態は、たとえば、プロセッサ２３０２と、メモリ２３０４と、たとえばディスプレイ２３０６およびキーボード２３０８によって形成された入出力インターフェースとを採用し得る。本明細書で使用される「プロセッサ」という用語は、たとえば、ＣＰＵ（中央処理装置）または他の形式の処理回路あるいはその両方を含むものなど、任意の処理装置を含むように意図されている。さらに、「プロセッサ」という用語は、複数の個々のプロセッサを指し得る。「メモリ」という用語は、たとえばＲＡＭ（ランダム・アクセス・メモリ）、ＲＯＭ（読取り専用メモリ）、固定メモリ（たとえばハード・ディスク）、取外し可能メモリ（たとえばディスケット）、フラッシュ・メモリ等、プロセッサまたはＣＰＵに関連するメモリを含むように意図されている。加えて、本明細書で使用される「入出力インターフェース」という語句は、たとえば処理ユニット（たとえばマウス）にデータを入力するための１つまたは複数の機構、および処理ユニット（たとえばプリンタ）に関連する結果を供給するための１つまたは複数の機構を含むように意図されている。プロセッサ２３０２、メモリ２３０４、ならびにディスプレイ２３０６およびキーボード２３０８など入出力インターフェースは、データ処理ユニット２３１２の一部として、たとえばバス２３１０によって相互接続され得る。たとえばバス２３１０を介した適切な相互接続はまた、コンピュータ・ネットワークとインターフェースで連結するために用意され得るネットワーク・カードなどのネットワーク・インターフェース２３１４と、ディスケットまたはＣＤ－ＲＯＭドライブなどの媒体２３１８とインターフェースで連結するために用意され得る媒体インターフェース２３１６とにもたらされ得る。

【0083】

したがって、本発明の技法を実行するための命令またはコードを含むコンピュータソフトウェアは、本明細書で説明されたように、関連するメモリ（たとえばＲＯＭ、固定メモリまたは取外し可能メモリ）のうちの１つまたは複数に記憶され、利用される準備ができているときには、部分的または全体的に（たとえばＲＡＭに）ロードされて、ＣＰＵによって実施され得る。そのようなソフトウェアは、それだけではないが、ファームウェア、常駐ソフトウェア、マイクロコード等を含むことができるはずである。

【0084】

プログラム・コードの記憶または実行あるいはその両方に適したデータ処理システムは、システムバス２３１０によってメモリ要素２３０４に対して直接的または間接的に結合された少なくとも１つのプロセッサ２３０２を含むことになる。メモリ要素は、プログラム・コードの実際の実施中に採用されるローカル・メモリと、大容量記憶装置と、実施中に大容量記憶装置からのコードの必要な取り出し回数を減らすために少なくともいくつかのプログラム・コードの一時記憶域をもたらすキャッシュ・メモリとを含むことができる。

【0085】

入出力装置すなわちＩ／Ｏ装置（それだけではないが、キーボード９０８、ディスプレイ９０６、ポインティング・デバイス等を含む）は、システムに対して（バス９１０などによって）直接結合されてよく、またはＩ／Ｏコントローラ（明瞭さのために省略されている）を介して結合されてもよい。

【0086】

ネットワーク・インターフェース２３１４などのネットワーク・アダプタもシステムに結合されてよく、データ処理システムは、プライベート・ネットワークまたはパブリック・ネットワークを介して、他のデータ処理システム、または遠隔プリンタ、または記憶装置に結合することが可能になる。現在入手可能なタイプのネットワーク・アダプタのほんの数例として、モデム、ケーブル・モデムおよびイーサネット（Ｒ）・カードが挙げられる。

【0087】

特許請求の範囲を含めて本明細書で使用される「サーバ」は、サーバ・プログラムを実行する物理的データ処理システム（たとえば図２３に示されるシステム２３１２）を含む。そのような物理的サーバは、ディスプレイやキーボードを含んでも含まなくてもよいことが理解されよう。

【0088】

本明細書で説明された方法のうち任意のものが、コンピュータ可読記憶媒体上に具現される別個のソフトウェア・モジュールを含むシステムをもたらす付加手順を含み得、これらのモジュールは、たとえば、ブロック図もしくは他の図に表された要素、または本明細書で説明された要素、あるいはその両方のうち任意のものまたはすべてを含み得ることに留意されたい。その後、方法のステップは、上記で説明されたように、１つまたは複数のハードウェア・プロセッサ２３０２上で実行する、システムの別個のソフトウェア・モジュールまたはサブモジュールあるいはその両方を使用して実行され得る。さらに、コンピュータ・プログラム製品は、別個のソフトウェア・モジュールを用いるシステムを提供することを含めて、本明細書で説明した１つまたは複数の方法のステップを実行するように実施されるように適合されたコードを有するコンピュータ可読記憶媒体を含むことができる。

【0089】

例示的システムおよび製品の詳細
本発明は、システム、方法、またはコンピュータ・プログラム製品あるいはその組合せであり得る。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有するコンピュータ可読記憶媒体（複数可）を含み得る。

【0090】

コンピュータ可読記憶媒体は、命令実行装置によって使用するための命令を保持したり記憶したりすることができる有体の装置であり得る。コンピュータ可読記憶媒体は、それだけではないが、たとえば電子記憶装置、磁気記憶装置、光記憶装置、電磁記憶装置、半導体記憶装置、またはこれらの任意の適切な組合せであり得る。コンピュータ可読記憶媒体の、より具体的な例の非網羅的リストは、携帯用コンピュータのディスケット、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）、消去書込み可能な読取り専用メモリ（ＥＰＲＯＭまたはフラッシュ・メモリ）、静的ランダム・アクセス・メモリ（ＳＲＡＭ）、携帯用コンパクト・ディスクを使った読取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリ・スティック、フロッピ・ディスク、命令が記録されているパンチカードまたは溝の中で高くした構造などの機械的に符号化された装置、および前述のものの任意の適切な組合せを含む。本明細書で使用されたコンピュータ可読記憶媒体自体は、電波または他の自由に伝搬する電磁波、導波管または他の伝送媒体によって伝搬させる電磁波（たとえば光ファイバ・ケーブルを通過する光パルス）、あるいは電線を通って伝送される電気信号などの一時的な信号であると解釈されるべきではない。

【0091】

本明細書で説明されたコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体から、たとえばインターネット、ローカル・エリア・ネットワーク、広域ネットワークまたは無線ネットワークあるいはその組合せといったネットワークを介して、それぞれの演算装置／処理装置または外部コンピュータもしくは外部記憶装置にダウンロードされ得る。ネットワークは、銅の伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータまたはエッジ・サーバあるいはその組合せを備え得る。各演算装置／処理装置におけるネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受け取って、それぞれの演算装置／処理装置の内部のコンピュータ可読記憶媒体に記憶させるように転送する。

【0092】

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）の命令、機械語命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路設計のための構成データ、あるいは１つまたは複数のプログラム言語の任意の組合せで書かれたソース・コードまたはオブジェクト・コードのいずれかでよく、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋等のオブジェクト指向プログラム言語と、「Ｃ」プログラム言語などの手続き型プログラム言語または類似のプログラム言語とを含む。コンピュータ可読プログラム命令は、スタンド・アロンのソフトウェア・パッケージとして、全体的にユーザのコンピュータ上で実行してよく、部分的にユーザのコンピュータ上で実行してよく、一部をユーザのコンピュータで実行し、一部を遠隔コンピュータ上で実行してよく、または全体的に遠隔のコンピュータまたはサーバ上で実行してもよい。後者のシナリオでは、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくは広域ネットワーク（ＷＡＮ）を含む任意のタイプのネットワークを介してユーザのコンピュータに接続されてよく、または（たとえばインターネット・サービス・プロバイダを使用してインターネットを介して）外部コンピュータに接続されてもよい。いくつかの実施形態では、たとえば、プログラム可能論理回路、フィールドプログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラム可能論理アレイ（ＰＬＡ）を含む電子回路が、本発明の態様を実行するために、電子回路をパーソナライズするコンピュータ可読プログラム命令の利用状態情報によってコンピュータ可読プログラム命令を実行してよい。

【0093】

本発明の態様は、本発明の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャート図またはブロック図あるいはその両方を参照しながら本明細書で説明されている。フローチャート図またはブロック図あるいはその両方の各ブロック、ならびにフローチャート図またはブロック図あるいはその両方のブロックの組合せは、コンピュータ可読プログラム命令によって実施され得ることが理解されよう。

【0094】

これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサによって実行する命令が、フローチャートまたはブロック図あるいはその両方のブロック（複数可）で規定された機能／行為を実施するための手段を生成するように、汎用コンピュータ、専用コンピュータ、またはマシンを製作するための他のプログラム可能なデータ処理装置のプロセッサに供給され得る。これらのコンピュータ可読プログラム命令は、命令を記憶したコンピュータ可読記憶媒体が、フローチャートまたはブロック図あるいはその両方のブロック（複数可）において規定された機能／行為の態様を実施する命令を含む製品を備えるように、コンピュータ、プログラム可能なデータ処理装置、または特定のやり方で機能する他の装置、あるいはその組合せに指示することができるコンピュータ可読記憶媒体に記憶されてもよい。

【0095】

コンピュータ可読プログラム命令は、コンピュータ、他のプログラム可能な装置、または他の装置において実行する命令が、フローチャートまたはブロック図あるいはその両方のブロック（複数可）で規定された機能／行為を実施するために、コンピュータ、他のプログラム可能な装置、または他の装置において一連の動作のステップを実行して、コンピュータ実施プロセスを生成するように、コンピュータ、他のプログラム可能なデータ処理装置、または他の装置にロードされてもよい。

【0096】

図の中のフローチャートおよびブロック図は、本発明の様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態の、アーキテクチャ、機能性、および動作を示すものである。この点に関して、フローチャートまたはブロック図の各ブロックは、規定された論理関数（複数可）を実施するための１つまたは複数の実行命令を含む命令の、モジュール、セグメント、または一部を表し得る。いくつかの代替実装形態では、ブロックにおいて指示された機能は、図の中で指示された順序から外れて生じる可能性がある。たとえば、連続して示された２つのブロックは、実際には、包含されている機能性に依拠して、実質的に同時に実行されてよく、時には逆の順序で実行されてもよい。ブロック図またはフローチャート図あるいはその両方の各ブロック、ならびにブロック図またはフローチャート図あるいはその両方におけるブロックの組合せは、規定された機能または行為あるいは特殊目的のハードウェアとコンピュータ命令との組合せを実行する、特殊目的のハードウェア・ベースのシステムによって実施され得ることも注目されよう。

【0097】

本発明の様々な実施形態の説明が例証のために提示されてきたが、網羅的であることや、開示された実施形態に限定されることを意図するものではない。当業者には、多くの修正形態および変形形態が、説明された実施形態の範囲から逸脱することなく明らかになるはずである。本明細書で使用される用語は、実施形態の原理、実用的な用途、もしくは市場に見られる技術に対する技術的な改善について最もよく説明するように、または他の当業者が本明細書で開示された実施形態を理解することを可能にするように、選択されたものである。

【0098】

本明細書で使用される用語は、特定の実施形態のみを説明するためのものであり、本発明を限定するようには意図されていない。本明細書で用いられる単数形「１つの（ａ）」、「１つの（ａｎ）」および「その（ｔｈｅ）」は、文脈がはっきりと別様に示さなければ、複数形も含むように意図されている。「備える」または「備えている」という用語あるいはその両方は、本明細書で使用されたとき、明示された特徴、整数、ステップ、動作、要素、またはコンポーネントあるいはその組合せの存在を指示するが、１つまたは複数の他の特徴、整数、ステップ、動作、要素、コンポーネント、またはそのグループあるいはその組合せの存在や追加を排除するものではないことがさらに理解されよう。

【0099】

以下の特許請求の範囲におけるすべての手段またはステップに機能要素を加えたものに対応する、構造、材料、行為、および等価物は、特に特許請求されるような他の特許請求される要素と組み合わせて機能を実行するための任意の構造、材料、または行為を含むように意図されている。本発明の記述は例証および説明のために提示されたものであるが、網羅的であることや、本発明を開示された形態に限定することを意図するわけではない。当業者には、多くの修正形態および変形形態が、本発明の範囲から逸脱することなく明らかになるはずである。実施形態は、本発明の原理および実用的応用例について最もよく説明するように、また、他の当業者が、企図された特定の用途に適する様々な変更を加えた様々な実施形態について本発明を理解することができるように、選択して説明されたものである。

【図1】

【図2】

【図3】

【図4A】

【図4B】

【図4C】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15A】

【図15B】

【図15C】

【図15D】

【図16A】

【図16B】

【図17A】

【図17B】

【図18A】

【図18B】

【図18C】

【図19A】

【図19B】

【図20A】

【図20B】

【図20C】

【図21A】

【図21B】

【図21C】

【図22A】

【図22B】

【図22C】

【図22D】

【図23】