特表2022-523870基板処理システムのためのモデルベースのスケジュール設定
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2022-04-26
(54)【発明の名称】基板処理システムのためのモデルベースのスケジュール設定
(51)【国際特許分類】
H01L 21/02 20060101AFI20220419BHJP
G05B 19/418 20060101ALI20220419BHJP
【ＦＩ】
H01L21/02 Z
G05B19/418 Z
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2021557903
(86)(22)【出願日】2020-03-24
(85)【翻訳文提出日】2021-11-26
(86)【国際出願番号】 US2020024478
(87)【国際公開番号】W WO2020205339
(87)【国際公開日】2020-10-08
(31)【優先権主張番号】62/826,185
(32)【優先日】2019-03-29
(33)【優先権主張国・地域又は機関】US
(81)【指定国・地域】
(71)【出願人】
【識別番号】592010081
【氏名又は名称】ラム リサーチ コーポレーション
【氏名又は名称原語表記】ＬＡＭ ＲＥＳＥＡＲＣＨ ＣＯＲＰＯＲＡＴＩＯＮ
(74)【代理人】
【識別番号】110000028
【氏名又は名称】特許業務法人明成国際特許事務所
(72)【発明者】
【氏名】チョウ・レイモンド
(72)【発明者】
【氏名】ハン・チュン－ホ
(72)【発明者】
【氏名】チャン・ヘンリー
(72)【発明者】
【氏名】ウォン・ヴィンセント
(72)【発明者】
【氏名】ディン・ユー
(72)【発明者】
【氏名】グエン・ゴク－ディープ
(72)【発明者】
【氏名】マヌギド・ジェラミン
【テーマコード（参考）】
3C100
【Ｆターム（参考）】
3C100AA05
3C100AA16
3C100AA18
3C100BB13
3C100EE06
(57)【要約】
エッチング・ツールに対し、ニューラル・ネットワーク・モデルを訓練し、最適スケジュール設定パラメータ値を予測する。モデルは、入力として、予防保全動作、レシピ時間及びウエハレス自動洗浄時間から収集したデータを使用して訓練する。モデルは、スケジュール設定パラメータ値と様々なウエハ処理シナリオとの間の隠れた関係を捕捉し、予測を行うために使用される。更に、複数の並行材料堆積プロセスで使用されるツールにおいて、入れ子型ニューラル・ネットワークベースのモデルを、機械学習を使用して訓練する。モデルは、最初に、シミュレーション・データを使用してオフラインで設計、訓練し、次に、実際のツール・データを使用してオンラインで訓練し、ウエハ設定経路及びスケジュール設定を予測する。モデルは、スケジューラのペース調整精度を改善し、最高のツール／ツール群利用率、最短待機時間、及び最速スループットを達成する。
【選択図】図５Ａ
【選択図】図５Ａ
【特許請求の範囲】
【請求項1】
レシピに従って半導体基板を処理するように構成された複数の処理チャンバを備えるツール内で半導体基板を処理するシステムであって、前記システムは、プロセッサと、
前記プロセッサが実行する命令を記憶するメモリと
を備え、前記命令は、
前記レシピに従った前記複数の処理チャンバ内での前記半導体基板の処理に関する第１のデータを前記ツールから受信し、
ツール構成及びレシピに関する第２のデータを受信し、
前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理するための複数の処理シナリオ、及び前記複数の処理シナリオに関するスケジュール設定パラメータを、前記第２のデータを使用してシミュレーションし、
前記複数の処理シナリオ及び前記複数の処理シナリオに関するスケジュール設定パラメータを使用して、前記レシピに従った前記複数の処理チャンバ内での前記半導体基板の処理をシミュレーションし、
前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理するための最適スケジュール設定パラメータを予測するように、前記第１のデータ、及び前記シミュレーションによって生成されたデータを使用して、モデルを訓練し、
前記レシピに従った前記複数の処理チャンバ内での前記半導体基板のうち１つの処理に関する入力を、前記ツールから受信し、
前記レシピに従って前記複数の処理チャンバ内で前記半導体基板のうち１つを処理するための前記最適スケジュール設定パラメータを、前記入力に基づいて、前記モデルを使用して予測し、
レシピに従って複数の処理チャンバ内で半導体基板のうち１つを処理するための前記最適スケジュール設定パラメータに基づき、前記ツールの動作をスケジュール設定する
ように構成される、システム。
【請求項2】
請求項１に記載のシステムであって、前記命令は、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板のうち１つを処理するための前記最適スケジュール設定パラメータに基づき、前記ツールの動作を実行するように構成される、システム。
【請求項3】
請求項１に記載のシステムであって、前記最適スケジュール設定パラメータは、前記レシピに従った前記複数の処理チャンバ内での処理中における、前記半導体基板のうち１つに対する遊休時間を最小化し、前記最適スケジュール設定パラメータは、前記ツールのスループットを最大化する、システム。
【請求項4】
請求項１に記載のシステムであって、前記命令は、人工ニューラル・ネットワーク及びサポート・ベクトル回帰を含む機械学習方法を使用して、前記モデルを訓練するように構成される、システム。
【請求項5】
請求項１に記載のシステムであって、前記命令は、前記ツールから受信した前記第１のデータ、及び前記シミュレーションによって生成されたデータを分析し、
前記分析に基づき、前記ツールの予防保全動作、ウエハレス自動洗浄時間、待機時間、レシピ時間及びスループットに関するパターンを検出し、
前記検出したパターンに基づき前記モデルを訓練する
ように構成される、システム。
【請求項6】
請求項１に記載のシステムであって、前記命令は、モデルを訓練し、複数の処理シナリオのうち１つに対する前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項7】
請求項１に記載のシステムであって、前記命令は、モデルを訓練し、複数の処理シナリオの全てに対する前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項8】
請求項１に記載のシステムであって、前記命令は、モデルを訓練し、半導体基板の１つに対してエッチング動作のみを実施するように構成される、システム。
【請求項9】
請求項１に記載のシステムであって、前記命令は、モデルを訓練し、半導体基板の１つに対してエッチング動作及び剥離動作の両方を実施するように構成される、システム。
【請求項10】
請求項１に記載のシステムであって、前記モデルは、前記ツールから離れた場所で実現され、命令は、複数の前記ツールから受信したデータに基づきモデルを訓練するように構成される、システム。
【請求項11】
請求項１に記載のシステムであって、前記命令は、前記ツール間で構成及び動作にばらつきがあれば、前記モデルを調節するように構成される、システム。
【請求項12】
請求項１に記載のシステムであって、前記モデルは、サービスとしてのソフトウェア（ＳａａＳ）としてクラウド内で実施され、前記ツールは、ネットワークを介して前記モデルにアクセスするように構成される、システム。
【請求項13】
請求項１に記載のシステムであって、前記命令は、第２のツールのデータに基づき第２のモデルを訓練するように構成され、
前記モデル及び前記第２のモデルは、前記ツール及び前記第２のツールから離れた場所で実現され、
前記ツール及び前記第２のツールはそれぞれ、１つ又は複数のネットワークを介して前記モデル及び前記第２のモデルにアクセスするように構成される、システム。
【請求項14】
請求項１３に記載のシステムであって、前記命令は、前記ツール及び前記第２のツールがそれぞれ、前記ツール及び前記第２のツール構成に基づく前記モデル及び前記第２のモデルを選択可能であるように構成される、システム。
【請求項15】
請求項１に記載のシステムであって、前記モデルは、前記ツール上で実施され、前記命令は、前記モデルを使用し、前記最適スケジュール設定パラメータであって、前記ツールが生成したデータを使用して、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板のうち１つを処理する前記最適スケジュール設定パラメータを、予測するように構成される、システム。
【請求項16】
請求項１に記載のシステムであって、前記モデルは、前記ツール上で実施され、前記命令は、前記ツールの性能にドリフトがあれば、前記モデルを調節するように構成される、システム。
【請求項17】
請求項１に記載のシステムであって、前記ツールから受信した前記第１のデータは、前記ツール上で実施される予防保全動作からのデータ、並びに前記ツールのレシピ時間及びウエハレス自動洗浄時間に関するデータを含む、システム。
【請求項18】
請求項１に記載のシステムであって、前記シミュレーションによって生成された前記データは、前記ツールから得た、ツール構成、ウエハフロー種、稼働シナリオ、レシピ時間、及びウエハレス自動洗浄時間に基づき生成されたデータを含む、システム。
【請求項19】
請求項１に記載のシステムであって、前記ツールから受信した入力は、前記ツールのいくつかの予防保全動作、レシピ時間及びウエハレス自動洗浄時間に関するデータを含む、システム。
【請求項20】
請求項１に記載のシステムであって、前記命令は、１つ又は複数の省略した予防保全動作を考慮することによって前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項21】
請求項１に記載のシステムであって、前記ツールはそれぞれ、複数の動作の実施に応じた複数の状態を通じて進行し、前記ツールの状態は、前記ツールの資源の表示、及び半導体基板のうち１つの処理状態を含み、前記命令は、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板のうち１つを処理する複数の動作を、前記モデルを使用して、スケジュール設定し、
前記複数の状態のそれぞれについて、前記複数の状態の現在の状態、及び複数のスケジュール可能動作を、前記モデルに送信することであって、
前記複数の状態の次の状態へ進行させ、
前記現在の状態に基づき前記複数のスケジュール可能動作から前記モデルが選択した、次の状態に進行するための最良動作を、前記モデルから受信し、
前記最良動作の実行をシミュレーションして、次の状態への進行をシミュレーションするようにする、送信を実行し、
前記モデルを訓練し、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理する際の、前記複数の状態を通じた前記ツールの進行に応じた複数の動作として、前記最良動作を推奨する
ように構成される、システム。
【請求項22】
レシピに従って半導体基板を処理するように構成された複数の処理チャンバを備えるツール内で半導体基板を処理するシステムであって、前記システムは、プロセッサと、
前記プロセッサが実行する命令を記憶するメモリと
を備え、前記ツールは、複数の動作の実施に応じた複数の状態を通じてそれぞれ進行し、前記ツールの状態は、前記ツールの資源の表示、及び半導体基板の処理状態を含み、前記命令は、
前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理する複数の動作を、モデルを使用して、スケジュール設定し、
前記複数の状態のそれぞれについて、前記複数の状態の現在の状態、及び複数のスケジュール可能動作を、前記モデルに送信することであって、
前記複数の状態の次の状態へ進行させ、
前記現在の状態に基づき複数のスケジュール可能動作から前記モデルが選択した、次の状態に進行するための最良動作を、前記モデルから受信し、
前記最良動作の実行をシミュレーションして、次の状態への進行をシミュレーションするようにする、送信を実行し、
前記モデルを訓練し、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理する際の、前記複数の状態を通じた前記ツールの進行に応じた、複数の動作として、前記最良動作を推奨するように構成される、システム。
【請求項23】
請求項２２に記載のシステムであって、前記命令は、前記ツールから受信した半導体基板の処理に関する履歴データを使用し、かつ、前記ツールの複数の処理シナリオをシミュレーションすることによって、前記モデルを訓練することであって、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理する最適スケジュール設定パラメータを予測するようにする訓練を実行し、
前記レシピに従った前記複数の処理チャンバ内での前記半導体基板の処理に関する入力を前記ツールから受信し、
前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理するための前記最適スケジュール設定パラメータを、前記入力に基づき、前記モデルを使用して予測し、
前記最適スケジュール設定パラメータに基づき、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理する複数の動作をスケジュール設定する
ように構成される、システム。
【請求項24】
請求項２３に記載のシステムであって、前記命令は、前記レシピに従って前記複数の処理チャンバ内で前記半導体基板を処理するための前記最適スケジュール設定パラメータに基づき、複数の動作を実行するように構成される、システム。
【請求項25】
請求項２３に記載のシステムであって、前記最適スケジュール設定パラメータは、前記レシピに従った前記複数の処理チャンバ内での処理中における、半導体基板に対する遊休時間を最小化し、前記最適スケジュール設定パラメータは、前記ツールのスループットを最大化する、システム。
【請求項26】
請求項２３に記載のシステムであって、前記命令は、人工ニューラル・ネットワーク及びサポート・ベクトル回帰を含む機械学習方法を使用して、前記モデルを訓練するように構成される、システム。
【請求項27】
請求項２３に記載のシステムであって、前記命令は、前記ツールから受信した履歴データ、及び前記ツールの複数の処理シナリオのシミュレーションによって生成されたデータを、分析し、
前記分析に基づき、前記ツールの予防保全動作、ウエハレス自動洗浄時間、待機時間、レシピ時間及びスループットに関するパターンを検出し、
前記検出したパターンに基づき前記モデルを訓練する
ように構成される、システム。
【請求項28】
請求項２３に記載のシステムであって、前記命令は、前記モデルを訓練し、前記複数の処理シナリオのうち１つに対する前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項29】
請求項２３に記載のシステムであって、前記命令は、前記モデルを訓練し、前記複数の処理シナリオの全てに対する前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項30】
請求項２３に記載のシステムであって、前記命令は、前記モデルを訓練し、半導体基板上でエッチング動作のみを実施するように構成される、システム。
【請求項31】
請求項２３に記載のシステムであって、前記命令は、前記モデルを訓練し、半導体基板のうち１つの上でエッチング動作及び剥離動作の両方を実施するように構成される、システム。
【請求項32】
請求項２３に記載のシステムであって、前記モデルは、前記ツールから離れた場所で実現され、前記命令は、複数の前記ツールから受信したデータに基づき前記モデルを訓練するように構成される、システム。
【請求項33】
請求項３２に記載のシステムであって、前記命令は、前記ツール間で構成及び動作にばらつきがあれば、前記モデルを調節するように構成される、システム。
【請求項34】
請求項２３に記載のシステムであって、前記モデルは、サービスとしてのソフトウェア（ＳａａＳ）としてクラウド内で実施され、前記ツールは、ネットワークを介して前記モデルにアクセスするように構成される、システム。
【請求項35】
請求項２３に記載のシステムであって、前記モデルは、前記ツール上で実施され、前記命令は、前記モデルを使用し、前記最適スケジュール設定パラメータであって、前記ツールが生成したデータを使用して、前記レシピに従って前記複数の処理チャンバ内で半導体基板を処理するための前記最適スケジュール設定パラメータを、予測するように構成される、システム。
【請求項36】
請求項２３に記載のシステムであって、前記モデルは、前記ツール上で実施され、前記命令は、前記ツールの性能にドリフトがあれば、前記モデルを調節するように構成される、システム。
【請求項37】
請求項２３に記載のシステムであって、前記ツールから受信した前記データは、前記ツール上で実施される予防保全動作からのデータ、並びに前記ツールのレシピ時間及びウエハレス自動洗浄時間に関するデータを含む、システム。
【請求項38】
請求項２３に記載のシステムであって、前記複数の処理シナリオをシミュレーションすることによって生成されたデータは、前記ツールから得た、ツール構成、ウエハフロー種、稼働シナリオ、レシピ時間、及びウエハレス自動洗浄時間に基づき生成されたデータを含む、システム。
【請求項39】
請求項２３に記載のシステムであって、前記ツールから受信した前記入力は、前記ツールのいくつかの予防保全動作、レシピ時間、及びウエハレス自動洗浄時間に関するデータを含む、システム。
【請求項40】
請求項２３に記載のシステムであって、前記命令は、１つ又は複数の省略した予防保全動作を考慮することによって前記最適スケジュール設定パラメータを予測するように構成される、システム。
【請求項41】
半導体基板を処理するツールであって、半導体基板を処理する前記ツールに半導体基板を投入するように構成された第１のロボットと、
レシピに従って前記ツール内で半導体基板を処理するように構成された複数の処理チャンバと、
前記レシピに従って前記複数の処理チャンバ間で前記半導体基板を搬送するように構成された第２のロボットと、
制御器と
を備え、前記制御器は、前記ツール及び前記レシピをシミュレーションすることによって訓練したモデルを使用して、
複数の処理チャンバ内で半導体基板を処理する処理時間、
第２のロボットが複数の処理チャンバ間で半導体基板を搬送する搬送時間、
前記処理時間及び前記搬送時間に基づき、複数の処理チャンバ間で半導体基板を搬送する経路、並びに
前記処理時間及び前記搬送時間に基づき、前記第１のロボットが前記ツール内で処理する更なる半導体基板をスケジュール設定する時間
を予測するように構成され、
前記予測された経路に従って半導体基板を処理し、前記予測された時間に従って更なる半導体基板を処理することにより、前記予測された経路に沿った半導体基板の待機時間を最適化し、前記ツールのスループットを最適化する、ツール。
【請求項42】
請求項４１に記載のツールであって、前記制御器は、半導体基板の処理の間に生成されたデータ、及び前記ツール内の更なる半導体基板に基づき、前記モデルを繰り返し更に訓練するように構成される、ツール。
【請求項43】
請求項４２に記載のツールであって、前記制御器は、前記更なる訓練モデルを使用して、前記ツール内で更なる半導体基板を処理するための、第２の処理時間、第２の搬送時間、及び第２の経路、並びに
前記ツール内で処理する次のセットの半導体基板をスケジュール設定する第２の時間
を予測するように構成され、
前記第２の経路に従って更なる半導体基板を処理し、前記第２の時間に従って次のセットの半導体基板を処理することにより、更なる半導体基板の待機時間、及び前記ツールのスループットを更に最適化する、ツール。
【請求項44】
請求項４１に記載のツールであって、前記制御器は、レシピ、前記ツール又は両方に対するあらゆる変更に応じて、前記モデルを調節するように構成される、ツール。
【請求項45】
請求項４１に記載のツールであって、前記モデルは、複数の処理チャンバにおける処理時間をそれぞれ予測するように構成された第１の複数のニューラル・ネットワークと、
前記第１のロボット及び前記第２のロボットのそれぞれの搬送時間を予測するように構成された第２の複数のニューラル・ネットワークと、
前記第１の複数のニューラル・ネットワーク及び前記第２の複数のニューラル・ネットワークに結合され、複数の処理チャンバの間で半導体基板を搬送する経路を予測し、前記第１のロボットが前記ツール内で処理する更なる半導体基板をスケジュール設定する時間を予測するように構成された第３のニューラル・ネットワークと
を備える、ツール。
【請求項46】
請求項４１に記載のツールであって、前記モデルは、複数のツール構成及び複数のレシピをシミュレーションすることによって更に訓練される、ツール。
【請求項47】
請求項４６に記載のツールであって、前記更に訓練したモデルは、レシピ情報を入力として受信することに応じて、ツール構成のための推奨を出力するように構成される、ツール。
【請求項48】
請求項４１に記載のツールであって、前記レシピは、複数の層を半導体基板上に堆積するためのものであり、複数の処理チャンバは、複数の層を堆積する１つ又は複数の処理チャンバと、複数の層の堆積前に半導体基板を処理する前処理チャンバと、複数の層の堆積後に半導体基板を処理する後処理チャンバとを含み、
前記第２のロボットは、複数の処理チャンバ間で予測経路に従って半導体基板を搬送し、半導体基板の待機時間を最適化するように構成され、
前記第１のロボットは、予測時間に従って前記ツール内で処理する更なる半導体基板をスケジュール設定し、前記ツールのスループットを最適化するように構成される、ツール。
【請求項49】
半導体処理ツール内で半導体基板を処理する間のスループット及び待機時間を最適化するシステムであって、前記システムは、プロセッサと、
前記プロセッサが実行する命令を記憶するメモリと
を備え、前記命令は、
半導体処理ツール構成、及び前記半導体処理ツール内で半導体基板上で実施すべきレシピに基づき、前記半導体処理ツールの複数の処理チャンバ間で半導体基板の経路を設定する複数の経路をシミュレーションし、
前記複数の経路に沿って、前記レシピに従った前記半導体処理ツール内での半導体基板の処理をシミュレーションし、
前記半導体基板の処理に基づき、前記半導体処理ツール内で更なる半導体基板を続いて処理する複数のタイミング・スケジュールをシミュレーションし、
前記複数のタイミング・スケジュールに従って更なる半導体基板の処理をシミュレーションし、
前記シミュレーションによって生成されたデータに基づきモデルを訓練し、
前記レシピに従って前記半導体処理ツール内で前記半導体基板を処理する際、前記複数の処理チャンバ間で前記半導体基板を搬送する最適経路を、前記半導体処理ツールの前記モデルを使用して、予測し、
前記半導体処理ツール内で処理する更なる半導体基板をスケジュール設定する最適時間を、前記半導体処理ツールの前記モデルを使用して、予測し、
前記半導体処理ツール内で、前記最適経路に従って半導体基板を処理し、前記最適経路に沿った半導体基板の待機時間を最適化し、
前記半導体処理ツール内で、前記最適時間で更なる半導体基板を処理し、前記半導体処理ツールのスループットを最適化するように構成される、システム。
【請求項50】
請求項４９に記載のシステムであって、前記命令は、前記シミュレーションによって生成されたデータに基づきモデルを訓練し、複数の処理チャンバ内で半導体基板を処理する処理時間、
前記半導体処理ツールのロボットが複数の処理チャンバ間で半導体基板を搬送する搬送時間、
前記処理時間及び前記搬送時間に基づき、複数の処理チャンバ間で半導体基板の経路を設定する最適経路、並びに
前記処理時間及び前記搬送時間に基づき、前記半導体処理ツール内で処理する更なる半導体基板をスケジュール設定する最適時間
を予測する、システム。
【請求項51】
請求項４９に記載のシステムであって、前記命令は、前記半導体処理ツール内での半導体基板及び更なる半導体基板の処理の間に生成した前記データに基づき、前記モデルを繰り返し更に訓練するように構成される、システム。
【請求項52】
請求項４９に記載のシステムであって、前記命令は、レシピ、前記半導体処理ツール又は両方に対する変更があれば、前記モデルを調節するように構成される、システム。
【請求項53】
請求項４９に記載のシステムであって、前記命令は、前記シミュレーションによって生成されたデータに基づき前記モデルを生成するように構成され、前記モデルは、複数の処理チャンバ内で半導体基板を処理する処理時間をそれぞれ予測するように構成された第１の複数のニューラル・ネットワークと、
第１のロボット及び第２のロボットの搬送時間をそれぞれ予測するように構成された第２の複数のニューラル・ネットワークと、
前記第１の複数のニューラル・ネットワーク及び前記第２の複数のニューラル・ネットワークに結合し、複数の処理チャンバの間で半導体基板の経路を設定する最適経路を予測し、前記半導体処理ツール内で処理する更なる半導体基板をスケジュール設定する最適時間を予測するように構成された第３のニューラル・ネットワークと
を備え、前記第１のロボットは、半導体基板を前記半導体処理ツール内に搬送するように構成され、前記第２のロボットは、半導体基板を複数の処理チャンバ間で搬送するように構成される、システム。
【請求項54】
請求項４９に記載のシステムであって、前記命令は、複数の前記半導体処理ツール構成及び複数のレシピをシミュレーションすることによって、前記モデルを訓練するように構成される、システム。
【請求項55】
請求項５４に記載のシステムであって、前記命令は、前記モデルを訓練し、レシピ情報を入力として受信することに応じて、ツール構成のための推奨を出力するように構成される、システム。
【発明の詳細な説明】
【技術分野】
【0001】
関連出願の相互参照
本開示は、２０１９年３月２９日出願、米国特許出願第６２／８２６，１８５号のＰＣＴ国際出願である。上記で言及した当該出願の開示全体は、参照により本明細書に組み込まれる。
本開示は、２０１９年３月２９日出願、米国特許出願第６２／８２６，１８５号のＰＣＴ国際出願である。上記で言及した当該出願の開示全体は、参照により本明細書に組み込まれる。
【0002】
本開示は、一般に、基板処理システムに関し、より詳細には、基板処理システムのためのモデルベースのスケジュールに関する。
【背景技術】
【0003】
本項で提供する背景の説明は、本開示の状況を全体的に提示することを目的とする。本背景技術の項で名前を挙げる発明者等の著作は、本項、及び出願時に通常ならば従来技術として適格ではない可能性がある説明の態様において説明する限り、本開示に対する従来技術として明示的にも、暗示的にも認めるものではない。
【0004】
半導体製造業者は、半導体ウエハの作製中、１つ又は複数の基板処理ツールを使用して、堆積、エッチング、洗浄及び／又は他の基板処理を実施する。基板処理ツールのそれぞれは、複数の処理チャンバを含んでよく、複数の処理チャンバは、同じ種類の処理（堆積、エッチング若しくは洗浄等）、又は一連の処理若しくは連続処理等、様々な処理を基板上で実施する。
【0005】
基板処理ツール内の処理チャンバは、通常、複数の基板上で同じタスクを繰り返す。処理チャンバは、プロセス・パラメータを規定するレシピに基づき動作する。例えば、レシピは、順序、動作温度、圧力、ガスの化学的性質、プラズマ使用量、並行モジュール、各動作若しくは下位動作の期間、基板設定経路、及び／又は他のパラメータを規定する。基板は、２つ以上の処理チャンバ間を特定の順序で搬送し、様々な処理を受けてよい。
【発明の概要】
【課題を解決するための手段】
【0006】
レシピに従って半導体基板を処理するように構成された複数の処理チャンバを備えるツール内で半導体基板を処理するシステムは、プロセッサと、プロセッサが実行する命令を記憶するメモリとを備える。命令は、レシピに従った複数の処理チャンバ内での半導体基板の処理に関する、ツールからの第１のデータを受信し、ツール構成及びレシピに関する第２のデータを受信するように構成される。命令は、第２のデータを使用して、レシピに従って複数の処理チャンバ内で半導体基板を処理する複数の処理シナリオ、及び複数の処理シナリオに対するスケジュール設定パラメータをシミュレーションするように構成される。命令は、複数の処理シナリオ及び複数の処理シナリオに関するスケジュール設定パラメータを使用して、レシピに従った複数の処理チャンバ内での半導体基板の処理をシミュレーションするように構成される。命令は、第１のデータ、及びシミュレーションによって生成されたデータを使用してモデルを訓練し、レシピに従って複数の処理チャンバ内で半導体基板を処理する最適スケジュール設定パラメータを予測するように構成される。命令は、レシピに従った複数の処理チャンバ内での半導体基板のうち１つの処理に関する、ツールからの入力を受信するように構成される。命令は、入力に基づき、モデルを使用して、レシピに従って複数の処理チャンバ内で半導体基板のうち１つを処理する最適スケジュール設定パラメータを予測するように構成される。命令は、レシピに従って複数の処理チャンバ内で半導体基板のうち１つを処理する最適スケジュール設定パラメータに基づき、ツールの動作をスケジュール設定するように構成される。
【0007】
別の特徴では、命令は、レシピに従って複数の処理チャンバ内で半導体基板のうち１つを処理する最適スケジュール設定パラメータに基づき、ツールの動作を実行するように構成される。
【0008】
他の特徴では、最適スケジュール設定パラメータは、レシピに従って複数の処理チャンバ内で処理する間、半導体基板のうち１つに対する遊休時間を最小化し、最適スケジュール設定パラメータは、ツールのスループットを最大化する。
【0009】
別の特徴では、命令は、人工ニューラル・ネットワーク及びサポート・ベクトル回帰を含む機械学習方法を使用してモデルを訓練するように構成される。
【0010】
他の特徴では、命令は、ツールから受信した第１のデータ及びシミュレーションによって生成されたデータを分析し、分析に基づき、ツールの予防保全動作、ウエハレス自動洗浄時間、待機時間、レシピ時間及びスループットに関するパターンを検出し、検出したパターンに基づきモデルを訓練するように構成される。
【0011】
別の特徴では、命令は、モデルを訓練し、複数の処理シナリオのうち１つに対する最適スケジュール設定パラメータを予測するように構成される。
【0012】
別の特徴では、命令は、モデルを訓練し、複数の処理シナリオの全てに対する最適スケジュール設定パラメータを予測するように構成される。
【0013】
別の特徴では、命令は、モデルを訓練し、半導体基板のうち１つに対してエッチング動作のみを実施するように構成される。
【0014】
別の特徴では、命令は、モデルを訓練し、半導体基板のうち１つに対してエッチング動作及び剥離動作の両方を実施するように構成される。
【0015】
他の特徴では、モデルは、ツールから離れた場所で実現され、命令は、複数のツールから受信したデータに基づきモデルを訓練するように構成される。
【0016】
別の特徴では、命令は、ツール間で構成及び動作にばらつきがあれば、モデルを調節するように構成される。
【0017】
他の特徴では、モデルは、サービスとしてのソフトウェア（ｓｏｆｔｗａｒｅ－ａｓ－ａ－ｓｅｒｖｉｃｅ、ＳａａＳ）としてクラウド内で実施される。
【0018】
他の特徴では、命令は、第２のツールのデータに基づき第２のモデルを訓練するように構成され、モデル及び第２のモデルは、ツール及び第２のツールから離れた場所で実現される。ツール及び第２のツールは、１つ又は複数のネットワークを介して、モデル及び第２のモデルにアクセスするようにそれぞれ構成される。
【0019】
別の特徴では、命令は、ツール及び第２のツールが、ツール及び第２のツール構成に基づきモデル及び第２のモデルをそれぞれ選択可能であるように構成される。
【0020】
他の特徴では、モデルは、ツール上で実施される。命令は、モデルを使用し、ツールが生成したデータを使用して、レシピに従った複数の処理チャンバ内で半導体基板のうち１つを処理する最適スケジュール設定パラメータを予測するように構成される。
【0021】
他の特徴では、モデルは、ツール上で実施され、命令は、ツールの性能にドリフトがあれば、モデルを調節するように構成される。
【0022】
別の特徴では、ツールから受信した第１のデータは、ツール上で実施される予防保全動作からのデータ、並びにツールのレシピ時間及びウエハレス自動洗浄時間に関するデータを含む。
【0023】
別の特徴では、シミュレーションによって生成されたデータは、ツールから得たツール構成、ウエハフロー種、稼働シナリオ、レシピ時間、及びウエハレス自動洗浄時間に基づき生成されたデータを含む。
【0024】
別の特徴では、ツールから受信した入力は、ツールのいくつかの予防保全動作、レシピ時間、及びウエハレス自動洗浄時間に関するデータを含む。
【0025】
別の特徴では、命令は、１つ又は複数の省略した予防保全動作を考慮することによって最適スケジュール設定パラメータを予測するように構成される。
【0026】
他の特徴では、命令は、モデルを使用して、レシピに従って複数の処理チャンバ内で半導体基板のうち１つを処理する複数の動作をスケジュール設定するように構成される。ツールは、複数の動作の実施に応じて、複数の状態を通じてそれぞれ進行する。ツールの状態は、ツールの資源の表示、及び半導体基板のうち１つに対する処理状態を含む。命令は、複数の状態のそれぞれに対し、複数の状態の現在の状態、及び複数の状態の次の状態に進行するための複数のスケジュール可能動作をモデルに送信し、現在の状態に基づきモデルが選択した、次の状態に進行するための複数のスケジュール可能動作からの最良動作をモデルから受信し、次の状態への進行をシミュレーションする最良動作の実行をシミュレーションするように構成される。命令は、モデルを訓練し、レシピに従って複数の処理チャンバ内で半導体基板を処理する際、複数の状態を通じたツールの進行に応じて、複数の動作として最良動作を推奨するように構成される。
【0027】
また他の特徴では、レシピに従って半導体基板を処理するように構成された複数の処理チャンバを備えるツール内で半導体基板を処理するシステムは、プロセッサと、プロセッサが実行する命令を記憶するメモリとを備える。命令は、モデルを使用して、複数の動作をスケジュール設定し、レシピに従って複数の処理チャンバ内で半導体基板を処理するように構成される。ツールは、複数の動作の実施に応じた複数の状態を通じてそれぞれ進行する。ツールの状態は、ツールの資源の表示、及び半導体基板に対する処理状態を含む。命令は、複数の状態のそれぞれに対し、複数の状態の現在の状態、及び複数の状態の次の状態に進行するための複数のスケジュール可能動作をモデルに送信し、現在の状態に基づきモデルが選択した、次の状態に進行するための複数のスケジュール可能動作からの最良動作をモデルから受信し、次の状態への進行をシミュレーションする最良動作の実行をシミュレーションするように構成される。命令は、モデルを訓練し、レシピに従った複数の処理チャンバ内で半導体基板を処理する際、複数の状態を通じたツールの進行に応じて、複数の動作として最良動作を推奨するように構成される。
【0028】
他の特徴では、命令は、ツールから受信した半導体基板の処理に関する履歴データを使用し、ツールの複数の処理シナリオをシミュレーションすることによって、モデルを訓練し、レシピに従って複数の処理チャンバ内で半導体基板を処理する最適スケジュール設定パラメータを予測するように構成される。命令は、レシピに従った複数の処理チャンバ内での半導体基板の処理に関する入力をツールから受信するように構成される。命令は、入力に基づき、モデルを使用して、レシピに従って複数の処理チャンバ内で半導体基板を処理する最適スケジュール設定パラメータを予測するように構成される。命令は、最適スケジュール設定パラメータに基づき、レシピに従って複数の処理チャンバ内で半導体基板を処理する複数の動作をスケジュール設定するように構成される。
【0029】
別の特徴では、命令は、レシピに従って複数の処理チャンバ内で半導体基板を処理する最適スケジュール設定パラメータに基づき、ツールの複数の動作を実行するように構成される。
【0030】
他の特徴では、最適スケジュール設定パラメータは、レシピに従って複数の処理チャンバ内で処理する間、半導体基板に対する遊休時間を最小化し、最適スケジュール設定パラメータは、ツールのスループットを最大化する。
【0031】
別の特徴では、命令は、人工ニューラル・ネットワーク及びサポート・ベクトル回帰を含む機械学習方法を使用してモデルを訓練するように構成される。
【0032】
他の特徴では、命令は、ツールから受信した履歴データ及びツールの複数の処理シナリオのシミュレーションによって生成されたデータを分析し、分析に基づき、ツールの予防保全動作、ウエハレス自動洗浄時間、待機時間、レシピ時間及びスループットに関するパターンを検出し、検出したパターンに基づきモデルを訓練するように構成される。
【0033】
別の特徴では、命令は、モデルを訓練し、複数の処理シナリオのうち１つに対する最適スケジュール設定パラメータを予測するように構成される。
【0034】
別の特徴では、命令は、モデルを訓練し、複数の処理シナリオの全てに対する最適スケジュール設定パラメータを訓練するように構成される。
【0035】
別の特徴では、命令は、モデルを訓練し、半導体基板上でエッチング動作のみを実施するように構成される。
【0036】
別の特徴では、命令は、モデルを訓練し、半導体基板の１つに対してエッチング動作及び剥離動作の両方を実施するように構成される。
【0037】
他の特徴では、モデルは、ツールから離れた場所で実現され、命令は、複数のツールから受信したデータに基づきモデルを訓練するように構成される。
【0038】
別の特徴では、命令は、ツール間で構成及び動作にばらつきがあれば、モデルを調節するように構成される。
【0039】
他の特徴では、モデルは、サービスとしてのソフトウェア（ＳａａＳ）としてクラウド内で実施される。
【0040】
他の特徴では、モデルは、ツール上で実施される。命令は、モデルを使用し、ツールが生成したデータを使用して、レシピに従って複数の処理チャンバ内で半導体基板を処理する最適スケジュール設定パラメータを予測するように構成される。
【0041】
他の特徴では、モデルは、ツール上で実施され、命令は、ツールの性能にドリフトがあればモデルを調節するように構成される。
【0042】
別の特徴では、ツールから受信したデータは、ツール上で実施される予防保全動作からのデータ、並びにツールのレシピ時間、及びウエハレス自動洗浄時間に関するデータを含む。
【0043】
別の特徴では、複数の処理シナリオのシミュレーションによって生成されたデータは、ツールから得たツール構成、ウエハフロー種、稼働シナリオ、レシピ時間、及びウエハレス自動洗浄時間に基づき生成されたデータを含む。
【0044】
別の特徴では、ツールから受信した入力は、ツールのいくつかの予防保全動作、レシピ時間、及びウエハレス自動洗浄時間に関するデータを含む。
【0045】
別の特徴では、命令は、１つ又は複数の省略した予防保全動作を考慮することによって最適スケジュール設定パラメータを予測するように構成される。
【0046】
また他の特徴では、半導体基板の処理ツールは、第１のロボットと、複数の処理チャンバと、第２のロボットと、制御器とを備える。第１のロボットは、中で半導体基板を処理するツールに半導体基板を投入するように構成される。複数の処理チャンバは、レシピに従ってツール内で半導体基板を処理するように構成される。第２のロボットは、レシピに従って複数の処理チャンバ間で半導体基板を搬送するように構成される。制御器は、モデルを使用してツール及びレシピをシミュレーションすることによって、複数の処理チャンバ内で半導体基板を処理する処理時間、第２のロボットが半導体基板を複数の処理チャンバ間を搬送する搬送時間、処理時間及び搬送時間に基づき複数の処理チャンバ間で半導体基板を搬送する経路、並びに処理時間及び搬送時間に基づき、第１のロボットが更なる半導体基板をツール内で処理するためにスケジュール設定する時間を予測するように構成される。予測経路に従って半導体基板を進行させ、予測時間に従って更なる半導体基板を処理することにより、予測経路に沿った半導体基板の待機時間を最適化し、ツールのスループットを最適化する。
【0047】
別の特徴では、制御器は、半導体基板の処理の間に生成されたデータ、及びツール内の更なる半導体基板に基づき、モデルを繰り返し更に訓練するように構成される。
【0048】
別の特徴では、制御器は、更なる訓練モデルを使用して、ツール内で更なる半導体基板を処理する第２の処理時間、第２の搬送時間及び第２の経路、並びにツール内で処理する次のセットの半導体基板をスケジュール設定する第２の時間を予測するように構成される。第２の経路に従って更なる半導体基板を進行させ、第２の時間に従って次のセットの半導体基板を処理することにより、更なる半導体基板の待機時間、及びツールのスループットを更に最適化する。
【0049】
別の特徴では、制御器は、レシピ、ツール又はこれら両方に対するあらゆる変更に応じて、モデルを調節するように構成される。
【0050】
別の特徴では、モデルは、複数の処理チャンバにおける処理時間をそれぞれ予測するように構成された第１の複数のニューラル・ネットワークと、第１のロボット及び第２のロボットのそれぞれの搬送時間を予測するように構成された第２の複数のニューラル・ネットワークと、第１の複数のニューラル・ネットワーク及び第２の複数のニューラル・ネットワークに結合し、複数の処理チャンバの間で半導体基板を搬送する経路を予測し、第１のロボットが更なる半導体基板をツール内で処理するためにスケジュール設定する時間を予測する第３のニューラル・ネットワークとを備える。
【0051】
別の特徴では、モデルは、複数のツール構成及び複数のレシピをシミュレーションすることによって更に訓練される。
【0052】
別の特徴では、更に訓練したモデルは、レシピ情報を入力として受信することに応じて、ツール構成のための推奨を出力するように構成される。
【0053】
他の特徴では、レシピは、複数の層を半導体基板上に堆積するためのものである。複数の処理チャンバは、複数の層を堆積する１つ又は複数の処理チャンバと、複数の層の堆積前に半導体基板をそれぞれ処理する前処理チャンバと、複数の層の堆積後に半導体基板をそれぞれ処理する後処理チャンバとを含む。第２のロボットは、複数の処理チャンバ間で予測経路に従って半導体基板を搬送するように構成され、半導体基板の待機時間を最適化する。第１のロボットは、予測時間に従ってツール内で処理する更なる半導体基板をスケジュール設定し、ツールのスループットを最適化するように構成される。
【0054】
まだ他の特徴では、半導体基板ツール内で半導体基板を処理する間のスループット及び待機時間を最適化するシステムは、プロセッサと、プロセッサが実行する命令を記憶するメモリとを備える。命令は、半導体処理ツール構成、及び半導体処理ツール内で半導体基板に対し実施すべきレシピに基づき、半導体処理ツールの複数の処理チャンバ間で半導体基板の経路を設定する複数の経路をシミュレーションするように構成される。命令は、複数の経路に沿って、レシピに従って半導体処理ツール内での半導体基板の処理をシミュレーションするように構成される。命令は、半導体基板の処理に基づき、半導体処理ツール内の後続の更なる半導体基板を処理する複数のタイミング・スケジュールをシミュレーションするように構成される。命令は、複数のタイミング・スケジュールに従って更なる半導体基板の処理をシミュレーションするように構成される。命令は、シミュレーションによって生成されたデータに基づきモデルを訓練するように構成される。命令は、半導体処理ツールのモデルを使用して、レシピに従って半導体処理ツール内で半導体基板を処理する際に複数の処理チャンバ間で半導体基板を搬送する最適経路を予測するように構成される。命令は、半導体処理ツールのモデルを使用して、半導体処理ツール内で処理する更なる半導体基板をスケジュール設定する最適時間を予測するように構成される。命令は、最適経路に従って半導体処理ツール内で半導体基板を処理し、最適経路に沿った半導体基板の待機時間を最適化するように構成される。命令は、半導体処理ツール内の更なる半導体基板を最適時間で処理し、最適経路に沿った半導体処理ツールのスループットを最適化するように構成される。
【0055】
他の特徴では、命令は、シミュレーションによって生成されたデータに基づきモデルを訓練し、半導体基板を処理する処理時間、複数の処理チャンバ間で半導体基板を搬送する半導体処理ツールのロボットの搬送時間、処理時間及び搬送時間に基づき複数の処理チャンバ間で半導体基板の経路を設定する最適経路、並びに処理時間及び搬送時間に基づき半導体処理ツール内で処理する更なる半導体基板をスケジュール設定する最適時間を予測するように構成される。
【0056】
別の特徴では、命令は、半導体基板の処理の間に生成されたデータ、及び半導体処理ツール内の更なる半導体基板に基づき、モデルを繰り返し更に訓練するように構成される。
【0057】
別の特徴では、命令は、レシピ、ツール又はこれら両方に対する変更があればモデルを調節するように構成される。
【0058】
他の特徴では、命令は、シミュレーションによって生成されたデータに基づきモデルを生成するように構成され、モデルは、複数の処理チャンバ内で半導体基板をそれぞれ処理する第１の複数のニューラル・ネットワークを備える。モデルは、第１のロボット及び第２のロボットのそれぞれの搬送時間を予測するように構成された第２の複数のニューラル・ネットワークを備える。第１のロボットは、半導体基板を半導体処理ツール内に搬送するように構成され、第２のロボットは、複数の処理チャンバ間で半導体基板を搬送するように構成される。モデルは、第１の複数のニューラル・ネットワーク及び第２の複数のニューラル・ネットワークに結合し、複数の処理チャンバの間で半導体基板の経路を設定する最適経路を予測し、更なる半導体基板を半導体処理ツール内で処理するためにスケジュール設定する最適時間を予測する第３のニューラル・ネットワークを備える。
【0059】
別の特徴では、命令は、複数の半導体処理ツール構成及び複数のレシピをシミュレーションすることによってモデルを訓練するように構成される。
【0060】
別の特徴では、命令は、モデルを訓練し、レシピ情報を入力として受信することに応じて、ツール構成のための推奨を出力するように構成される。
【0061】
上記及び以下で説明する特徴のいずれも、個別に（即ち、上記及び以下で説明する他の特徴とは無関係に）実施することができる。上記及び以下で説明する特徴のいずれも、いくつかの実装形態では、上記及び以下で説明する他の特徴と組み合わせることができる。
【0062】
本開示に対する利用可能性の更なる領域は、詳細な説明、特許請求の範囲及び図面から明らかになるであろう。詳細な説明及び具体例は、ただ例示することを意図し、本開示の範囲を限定することを意図するものではない。
【0063】
本開示は、詳細な説明及び添付の図面からより完全に理解されるであろう。
【図面の簡単な説明】
【0064】
【0065】
【0066】
【0067】
【0068】
【0069】
【0070】
【0071】
【0072】
【0073】
【0074】
【0075】
【0076】
【発明を実施するための形態】
【0077】
図面において、参照番号は、同様及び／又は同一の要素を識別するために再使用することがある。
【0078】
典型的には、基板処理ツール（以下「ツール」）のオペレータは、過去の経験、実験に基づき、又は試行錯誤手法を用いてスケジュール設定パラメータ値を手作業で選択する。この理由は、スケジュール設定パラメータ値を選択する単純なガイドラインを容易に確立できないことにある。ツール（例えば、エッチング・ツール）のための様々な基板処理シナリオは、ツールに対する最適なスループットを達成するために様々なセットのスケジュール設定パラメータ値を必要とすることがあるため、オペレータは、各ウエハフローの稼働をツール上で開始する前、ツールを制御するシステム・ソフトウェアにスケジュール設定パラメータ値を手作業で入力しなければならないことがある。
【0079】
いくつかのツールでは、システム・ソフトウェア内のスケジューラは、スケジュール設定規則及びスコア記録システムのセットを使用し、スケジュール判定を行うことができる。しかし、ツールのシステム構成、稼働シナリオ及びスケジュール制約条件の複雑さが増すと、このスケジュール判定を行う方式の複雑さも増す。この方式は、最適なシステム・スループットを達成、維持するには、より多くの発展努力を必要とする。
【0080】
更に、多数の並行材料堆積プロセスで使用され、ウエハ待機時間が制限されるバッチ（多数の基板）処理ツール内では、最良のスループット及び最小のウエハ待機時間を達成するツールのスケジューラのペース調整は、かなり困難であることがある。スケジューラ規則は、かなり動的であり、不正確なペース調整計算により、ウエハ乾燥によるウエハ異常、又はスループットの低下がもたらされ、ツールの所有費用を増大させることがある。更に、様々な顧客用途により、ペース調整の予測をより複雑にする。例えば、長時間の処理レシピ（例えば、メガピラー・レシピ）は、処理モジュールに渋滞を生じさせ、短時間の処理レシピ（例えば、再配線層、即ちＲＤＬレシピ）は、（いくつかのアームがバッチ／多数の基板を一緒に扱う）バックエンド・ロボットに渋滞を生じさせる。
【0081】
本開示は、次のように訓練したモデルを使用し、更に強化学習モデルを使用することによって、こうした問題を解決する。エッチング・ツールの場合、ニューラル・ネットワーク・モデル（以下「モデル」）を訓練し、最適スケジュール設定パラメータ値を予測する。モデルは、モデルへの入力として、予防保全動作（ＰＭ）、レシピ時間、及びウエハレス自動洗浄（ＷＡＣ）時間から収集したデータを使用して訓練する。モデルは、スケジュール設定パラメータ値と様々なウエハ処理シナリオとの間の隠れた関係を捕捉し、それに応じて予測するために使用され、これにより、最良の値の選択のためのガイドラインを確立する必要性をなくす。
【0082】
訓練前、モデルによって予測される重要なスケジュール設定パラメータ・セットを特定する。半導体製造業者が使用するツールから多量の訓練データを収集する。更なる訓練データは、ツールを使用する半導体製造業者によって使用される様々な処理シナリオを含むシミュレーションを使用して生成する。最良のニューラル・ネットワーク構造は、スケジュール設定パラメータ空間にわたり、均一な予測精度を提供し得るモデルを支持するように決定される。ウエハ処理シナリオ専用モデルを使用してよいが、他の処理シナリオから収集したデータを使用して経時的にモデルを訓練することによって、様々な処理シナリオを含み得る単一モデルを生成することもできる。
【0083】
モデル保守を容易にするため、モデルは、ツールのシステム・ソフトウェア外で稼働させてよい。即ち、モデルは、ツールのシステム・ソフトウェアの外部にあっても、システム・ソフトウェアとは個別であっても、システム・ソフトウェアに統合されなくてもよい。モデルは、オペレータが選択したウエハフローに基づき、システム・ソフトウェアから入力パラメータを受信することができる。次に、モデルは、最良スケジュール設定パラメータ値を計算、予測し、システム・ソフトウェアに返信することができる。例えば、機器製造業者は、半導体製造業者が加入できるＳａａＳ（Software-as-a-Service）としてクラウド内でモデルを展開することができる。代替的に、機器製造業者は、モデルをツールのシステム・ソフトウェアに組み込むことができる。
【0084】
訓練モデルの使用により、システム・ソフトウェア内に構築したスケジューラの隠れた挙動をニューラル・ネットワーク・モデル内で捕捉することが可能になり、次に、この隠れた挙動を、使用される最良スケジュール設定パラメータ値の予測に使用することができる。オペレータは、最良スケジュール設定パラメータ値を選択するのに、もはや広範なシミュレーション調査を実施する必要がない。訓練モデルを使用すると、新たなウエハフローを開始する際、システム・ソフトウェアがスケジュール設定パラメータ値を自動的に選択することも可能である。
【0085】
更に、スケジューラのスケジュール設定規則及びスコア記録システムは、ニューラル・ネットワーク・モデルに取って代わることができる。モデルは、離散事象シミュレータ及び強化学習を使用して訓練し、所与の状態のシステムに対して最良スケジュール判定を自己探索し、記憶する。このことにより、システムの最適スループット性能の達成、維持を可能にする。
【0086】
自己探索プロセスは、離散事象シミュレータを使用し、最良の可能なシステム動作方法を発見する（例えば、ウエハをツールを通じて移動させる最良経路を発見する）努力を最適スループット性能で自動化する。ツール上で自己訓練プロセスを稼働させることによって、ニューラル・ネットワーク・モデルは、特定のツール構成、ウエハ処理シナリオ、及びツールに固有の制約条件に対して最適化し得る。
【0087】
したがって、本開示は、スマート機械学習支援スケジューラを提供する。スマート・スケジューラは、自己学習プロセスを使用し、ニューラル・ネットワーク・モデルを訓練し、所与の状態のシステムに対して最良のスケジュール判定を行う。この判定は、ツールが、半導体製造業者に特有の稼働シナリオ及びスケジュール制約条件を条件とする最適スループット条件を達成し、これを維持するのに役立つ。
【0088】
例えば、スマート・スケジューラは、ウエハ遊休時間を合計処理時間の２％未満にし、製造効率（実際のサイクル時間／理論サイクル時間）を各レシピで９７％超にし得ることを保証することができる。更に、スマート・スケジューラは、モデルが、ツール間のばらつき、及び経時的に発生し得る同じツール内での性能ドリフトを補償することができる。更に、スマート・スケジューラは、製造期限に合わせるために省略又は遅延させなければならないことがある予防保全を考慮することによって、スケジュール設定パラメータ値を最適化し得る。スマート・スケジューラのこれら及び他の特徴を以下で詳細に説明する。
【0089】
更に、以下で説明するように、多数の並行材料堆積（例えば、多層めっき）処理のためにツール内で使用されるスケジューラのペース調整精度を改善するため、本開示は、入れ子型ニューラル・ネットワークに基づく機械学習方法を提案し、様々な処理に対するスケジューラのペース調整を正確に予測する。この方法を使用し、最初はシミュレーションをオフラインで使用し、次にオンラインで、実際のツールを使用してモデルを展開、訓練し、ウエハ設定経路を予測し、最高のツール／ツール群利用率、最短待機時間及び最速スループットを達成するようにスケジュール設定する。
【0090】
本開示を次のように編成する。ツールの一例を図１を参照して示し、説明する。処理チャンバを含む基板処理システムの一例を図２を参照して示し、説明する。データを様々なツールから収集するデータ収集システムの一例を図３を参照して示し、説明する。機械学習支援モデルを生成、訓練するシステムを図４を参照して示し、説明する。機械学習支援モデルを生成、訓練する方法を図５Ａ～図８を参照して示し、説明する。本明細書で説明するモデルの生成に使用するディープ・ニューラル・ネットワークの一例を図９～図１１を参照して示し、説明する。離散事象シミュレータを使用して強化学習モデルを訓練するシステムを図１２を参照して示し、説明する。離散事象シミュレータを使用して強化学習モデルを訓練する方法を図１３を参照して示し、説明する。ツール内ウエハ処理をスケジュール、ペース調整するオフライン・シミュレータ及びオンライン・リアルタイム・ツール・データを使用して、入れ子型ニューラル・ネットワークによりモデルを訓練するシステムを図１４を参照して示し、説明する。ツール内ウエハ処理をスケジュール設定し、ペース調整するオフライン・シミュレータ及びオンライン・リアルタイム・ツール・データを使用して、入れ子型ニューラル・ネットワークによりモデルを訓練する方法を図１５Ａ及び図１５Ｂを参照して示し、説明する。複数の処理モジュール（例えば電気めっきセル）を含む基板処理システムを備えるツールの一例を図１６を参照して示し、説明する。図１６のツールの処理モジュールの一例を図１７を参照して示し、説明する。オフライン・シミュレータと連携し、ツール内のウエハ処理のスケジュール及びペース調整モデルを訓練する工場データ収集システムの一例を図１８を参照して示し、説明する。
【0091】
図１は、基板処理ツール１００の一例を示す。基板処理ツール１００は、複数の処理チャンバ１０４－１、１０４－２、・・・及び１０４－Ｍ（Ｍは２以上の整数である）を含む（集合的に処理チャンバ１０４）。ほんの例として、処理チャンバ１０４のそれぞれは、１つ又は複数の種類の基板処理を実施するように構成することができる。言い換えれば、基板を処理チャンバ１０４の１つにロードし、処理し、次に、１つ又は複数の他の処理チャンバ１０４に移動させる（少なくとも１つの処理チャンバ１０４が異なる処理を実施する場合）、及び／又は基板処理ツール１００から除去することができる（全ての処理チャンバ１０４が全て同じ処理を実施する場合）。
【0092】
処理される基板は、大気圧－真空（ａｔｍｏｓｐｈｅｒｅ－ｔｏ－ｖａｃｕｕｍ、ＡＴＶ）搬送モジュール１０８のロード・ステーション・ポートを介して基板処理ツール１００にロードされる。いくつかの例では、ＡＴＶ搬送モジュール１０８は、機器フロントエンド・モジュール（Ｅｑｕｉｐｍｅｎｔ Ｆｒｏｎｔ Ｅｎｄ Ｍｏｄｕｌｅ、ＥＦＥＭ）を含む。次に、基板を１つ又は複数の処理チャンバ１０４に搬送する。例えば、搬送ロボット１１２は、ロード・ステーション１１６からエアロック又はロードロック１２０まで基板を搬送するように構成され、真空搬送モジュール１２８の真空搬送ロボット１２４は、ロードロック１２０から様々な処理チャンバ１０４まで基板を搬送するように構成される。
【0093】
処理チャンバ１３０、搬送制御器１３４及び／又はシステム制御器１３８を設けてよい。搬送制御器１３４は、基板処理ツール１００間での基板の搬送に関連するロボット１１２及び１２４、作動器及びセンサを制御する。処理チャンバ制御器１３０は、処理チャンバ１０４の動作を制御する。概して、処理チャンバ制御器１３０は、温度センサ、圧力センサ、位置センサ等のセンサ１３５を監視し、ロボット、ポート、加熱器、ガス送出システム、ＥＳＣ、ＲＦ生成器等の作動器１３６を制御する。処理チャンバ１０４に関連付けた処理チャンバ制御器１３０は、概して、ステップのタイミング、供給するプロセス・ガス、温度、圧力、ＲＦ出力等を指定するレシピに従う。
【0094】
図２は、基板を処理する基板処理システム２００の一例を示し、処理チャンバ動作の間に生成されるデータ種の例を示す。特定の種類の処理チャンバを示すが、他の種類の処理チャンバを使用してよい。基板処理システム２００は、処理チャンバ２０２を含み、処理チャンバ２０２は、基板処理システム２００の他の構成要素を囲み、ＲＦプラズマを含有する。基板処理システム２００は、上側電極２０４と、静電チャック（ＥＳＣ）２０６等の基板支持体とを含む。動作中、基板２０８は、ＥＳＣ２０６上に配置される。
【0095】
ほんの例として、上側電極２０４は、シャワーヘッド２０９を含んでよく、シャワーヘッド２０９は、堆積前駆体、エッチング・ガス、キャリア・ガス等のプロセス・ガスを導入し、分散させる。ＥＳＣ２０６は、下側電極として働く導電性底板２１０を含む。底板２１０は、加熱板２１２を支持し、加熱板２１２は、セラミック多重区域加熱板に対応してよい。熱抵抗層２１４は、加熱板２１２と底板２１０との間に配置してよい。底板２１０は、底板２１０を通じて冷却剤を流す１つ又は複数の冷却剤通路２１６を含んでよい。
【0096】
ＲＦ生成システム２２０は、上側電極２０４及び下側電極（例えばＥＳＣ２０６の底板２１０）の一方にＲＦ電圧を生成、出力する。上側電極２０４及び底板２１０のもう一方は、ＤＣ接地しても、ＡＣ接地しても、浮動であってもよい。ほんの例として、ＲＦ生成システム２２０は、ＲＦ電圧を生成するＲＦ電圧生成器２２２を含んでよく、ＲＦ電圧は、整合・分配網２２４によって上側電極２０４又は底板２１０に供給される。他の例では、プラズマを誘導的又は遠隔的に生成してよい。
【0097】
ガス送出システム２３０は、１つ又は複数のガス源２３２－１、２３２－２、・・・及び２３２－Ｎを含み（集合的にガス源２３２）、Ｎは１以上の整数である。ガス源２３２は、１つ又は複数の堆積前駆体、エッチング・ガス、キャリア・ガス等を供給する。気化させた前駆体を使用してもよい。ガス源２３２は、弁２３４－１、２３４－２、・・・及び２３４－Ｎ（集合的に弁２３４）及び質量流量制御器２３６－１、２３６－２、・・・及び２３６－Ｎ（集合的に質量流量制御器２３６）によってマニホルド２３８に接続される。マニホルド２３８の出力は、処理チャンバ２０２に供給される。ほんの例として、マニホルド２３８の出力は、シャワーヘッド２０９に送られる。
【0098】
発光分光分析（ＯＥＳ）センサ２３９は、チャンバ表面２４１上に配置した窓２４０に隣接して配置してよい。ＯＥＳセンサ２３９は、ＯＥＳデータを選択的に生成する。温度制御器２４２は、加熱板２１２内に配置した複数の熱制御要素（ＴＣＥ）２４４に接続してよい。例えば、ＴＣＥ２４４は、限定はしないが、多重区域加熱板内の各区域に対応するそれぞれのマクロＴＣＥ、及び／又は多重区域加熱板の多数の区域にわたり配設したマイクロＴＣＥを含んでよい。温度制御器２４２は、ＥＳＣ２０６及び基板２０８の温度を制御する複数のＴＣＥ２４４を制御するために使用してよい。
【0099】
温度制御器２４２は、通路２１６を通じた冷却剤の流れを制御する冷却剤組立体２４６と通信してよい。例えば、冷却剤組立体１４６は、冷却剤ポンプ及び冷却剤槽を含んでよい。温度制御器２４２は、冷却剤組立体２４６を、冷却剤を通路２１６を通じて選択的に流し、ＥＳＣ２０６を冷却するように動作させる。
【0100】
弁２５０及びポンプ２５２は、処理チャンバ２０２から反応物を排出するために使用してよい。制御器２６０は、基板処理システム２００の構成要素を制御するために使用してよい。ロボット２７０は、基板をＥＳＣ２０６上に送出し、基板をＥＳＣ２０６から除去するために使用してよい。例えば、ロボット２７０は、基板をＥＳＣ２０６とロードロック２７２との間で搬送してよい。個別の制御器として示すが、温度制御器２４２は、制御器２６０内に実装してよい。
【0101】
基板を処理、搬送する間、かなりの量の個別データ及びストリーミング・データが基板処理ツールによって生成される。事象データは、様々な構成要素の場所及び滞留時間を決定するために使用してよい。例えば、モジュール又はフロント・オープニング・ユニファイド・ポッド（ＦＯＵＰ）の滞留時間は、基板間に処理差を生じさせることがある。システム・ログはシステムレベルのデータを記録する。更なるデータは、基板搬送の間に記録される。処理チャンバのそれぞれも、基板処理中のデータを記録する。記録されるデータには、様々なデータ種、サンプリング・レート、及び／又はフォーマットを含む。データの一部は、処理チャンバでローカルにのみ記憶される一方で、他のデータは、工場レベルで記憶される。
【0102】
データは、通常、固定頻度でメッセージ形式でツールからホストにストリーミングされる。データは、概して、基板ベースで送信されない。むしろ、データは時間ベースで送信される。データは、典型的には、固定の頻度又はファイル・サイズで、ファイルベースで収集される。データは、通常、連続的に収集され、境界がない。いくつかのシステムでは、データは、介在する基板ではなく、レシピ開始及びレシピ終了時の最初の基板及び最後の基板を処理する間に収集される。
【0103】
これらのデータから、ビッグ・データ・ツール及び／又は機械学習を使用して非機密動作データを収集、分析し、モデルを構築、訓練し、最良スケジュール設定パラメータを提供し、生産性及びシステム・スループットを向上し得る。更に、ツール構成及びレシピ・データに基づき、シミュレーションを使用して更なるモデル訓練データを生成し得る。
【0104】
半導体製造業者は、様々なフォーマットを有する様々なファイルからデータを組み合わせることができる。いくつかの例では、顧客のツールから収集したデータは、暗号化及び前方／後方互換性を支持する共通構成ファイル形式とし得る。いくつかの例では、データ形式は、技術データ管理ソリューション（ＴＤＭＳ）ファイル形式に一致し得る。いくつかの例では、データ形式は、顧客が鍵（例えば、アプリケーション・プロトコル・インターフェース（ＡＰＩ）鍵）を使用してアクセス可能であり、読み取ることができる。データのコンテクスト及び集合体は、様々なデータ種にわたって一致しているため、収集データに対するクリーニング、再フォーマット化及び／又は他の作業を実施せずに使用、分析することを可能にする。
【0105】
いくつかの例では、データは、基板がカセットを離れた瞬間から基板がカセットに戻るまで収集し得る。いくつかの例では、データは、単一ファイル内に記憶し得る。いくつかの例では、ファイル形式は、自己整合式とし得る。いくつかの例では、データは、データ及びコンテクストの種類に基づき様々な頻度で収集し得る。いくつかの例では、データは、ＴＤＭＳの使用及び暗号化によりフォーマット化し得る。いくつかの例では、データ・アダプタは、レガシー・データ及び後方互換性を支持し、新たなデータ種を組み込み、ホストのメッセージング・データ及びストリーミング・データを支持するために使用し得る。
【0106】
図３は、半導体処理システムのための工場データ収集システム３００を示す。製造工場収集システム３００は、Ｎ個の基板処理ツール３２０－１、３２０－２、・・・及び３２０－Ｔ（Ｔは整数である）を含む（集合的に基板処理ツール３２０）。基板処理ツール３２０のそれぞれは、上記した処理チャンバの動作を制御する１つ又は複数の処理チャンバ制御器３４０－１、３４０－２、・・・及び３４０－Ｔ（集合的に処理チャンバ制御器３４０）を含む。処理チャンバが収集するデータの例は、基板又はウエハのデータ・ログ、自動予防保全、高速データ、発光分光分析（ＯＥＳ）、追跡データ、ＯＥＳスナップショット、ペデスタル温度マップ及び他のデータ、較正ファイル、機器定数、センサ・データ、並びに／又は他のデータを含む。
【0107】
基板処理ツール３２０のそれぞれは、動的アライメントを制御し、較正ファイル、プラットフォーム追跡データ・ログ、機器定数、搬送モジュール活動及び／又は他のデータを記憶する搬送制御器３４４－１、３４４－２、・・・及び３４４－Ｎ（集合的に搬送制御器３４４）を含んでよい。動的アライメントとは、ペデスタル中心、エッジ・リング又は他の物体等、処理チャンバの他の構成要素に対する基板の場所を指す。
【0108】
基板処理ツール３２０のそれぞれは、ツール・システム制御器３４８－１、３４８－２、・・・及び３４８－Ｎ（集合的にツール・システム制御器３４８）をそれぞれ含んでよい。ツール・システム制御器３４８は、ロット履歴、詳細なイベント・ログ、ロットベースの警報、時間ベースの警報、ツール制御器健全性、部品追跡、構成要素履歴、材料スケジュール、及び他のデータを記録する。
【0109】
基板処理ツール３２０のそれぞれは、データ診断サービス・コンピュータ３５０－１、３５０－２、・・・及び３５０－Ｎ（集合的にデータ診断サービス・コンピュータ３５０）と、データ記憶デバイス３６２－１、３６２－２、・・・及び３６２－Ｎ（集合的にデータ記憶デバイス３６２）とをそれぞれ更に含む。他の例では、データ診断サービス・コンピュータ３５０を２つ以上のツールによって共有しても、各ツールが２つ以上のデータ診断サービス・コンピュータ３５０を含んでもよい。基板処理ツール３２０は、ツール・データ・バス又はネットワーク３６４－１及びストリーミング・データ・バス又はネットワーク３６４－２等の１つ又は複数のバスによってホスト・サーバ３６４に接続される。
【0110】
いくつかの例では、ホスト・サーバ３６４は、セキュリティ・モジュール３６６とデータ選択器モジュール３６７とを含む。セキュリティ・モジュール３６６は、暗号又はパスワード保護等のセキュリティを提供する。セキュリティ・モジュール３６６は、暗号又はパスワードを使用し、基板処理ツール３２０及び／又はデータ選択器モジュール３６７が記憶するデータへのアクセスを許可又は拒否する。ホスト・サーバ３６４は、データ選択器モジュール３６７を更に含み、ユーザ・コンピュータ３８０が、１つ又は複数の基板処理ツールから１つ又は複数のカテゴリのデータを選択し、データ・コンテクスト・フィールドの１つ又は複数を使用してデータをフィルタ処理するのを可能にする。他の例では、セキュリティ・モジュール３６６及び／又はデータ選択器モジュール３６７は、個別のサーバを使用して実装される。
【0111】
ホスト・サーバ３６４は、ＷＡＮ又はＬＡＮ等のネットワーク３６８によって機械学習コンピュータ３７４及び／又は１つ若しくは複数のユーザ・コンピュータ３８０に接続される。更なる分析のため、ホスト・サーバ３６４によって返送されたデータ・セットに機械学習コンピュータ３７４がアクセス可能になる。いくつかの例では、機械学習コンピュータ３７４は、データへのアクセスを制御するセキュリティ・モジュール３７５を含む。機械学習コンピュータ３７４は、データ収集システム３００が生成した１つ又は複数のデータ・ファイルを使用して、ユーザが選択した機械学習を実施する。様々な基板処理ツールからのファイル形式は同じであるため、データを結合して単一ファイルにし、分析し得る。このことにより、同じプロセスを多数の機械内で分析することを可能にする。
【0112】
基板処理ツール３２０の数Ｔは限定されない。更に、基板処理ツール３２０は、同じ施設に位置する必要はない。いくつかの例では、機器製造業者に対し、複数の半導体製造業者が記憶したデータへのアクセスを許可し得る。いくつかの例では、（ストリーミング・デバイス又はＨＳＤデバイス以外の）データ生成デバイスの一部又は全てのサンプリング・レートは、共通サンプリング周期に整合することができ、データは、このサンプリング周期に基づき共通ファイルに追加される。
【0113】
図４は、本開示による、機械学習支援モデルを生成、訓練するシステム４００を示す。例えば、システム４００は、機械学習コンピュータ（例えば、図３に示す要素３７４）を備え得る。システム４００は、データ収集器４０２と、シミュレータ４０４と、データ分析器４０６と、モデル生成器４０８とを備える。データ収集器４０２は、１つ又は複数のツールからデータを収集し、ニューラル・ネットワーク・モデルを生成、訓練する。シミュレータ４０４は、ツール（複数可）から得たハードウェア構成、ウエハフロー種、稼働シナリオ、レシピ時間、及びウエハレス自動洗浄（ＷＡＣ）時間に基づき、更なる訓練データを生成する。
【0114】
データ分析器４０６は、ビッグ・データの分析に使用する技法を使用して、データ収集器４０２が収集したデータ、及びシミュレータ４０４が生成したデータを分析する。データ分析器４０６は、スケジュール設定パラメータ値とウエハ処理シナリオとの間の隠れた関係を捕捉する。モデル生成器４０８は、データ分析器４０６が分析したデータに機械学習技法を適用することによって、モデルを生成する。モデル生成器４０８は、以下で詳細に説明する１つ又は複数のモデルを規定、訓練、検証する。
【0115】
システム４００において、要素４０２～４０８の全ては、単一コンピュータ（例えば図３に示す要素３７４）によって実装し得る。要素４０２～４０８のそれぞれは、個別のコンピュータによって実装し得る。要素４０２～４０８の１つ又は複数は、個別のコンピュータによって実装し得る。言い換えれば、要素４０２～４０８は、１つ又は複数のコンピュータ・デバイスを使用して実装し得る。
【0116】
コンピュータ・デバイスのそれぞれは、１つ又は複数のハードウェア・プロセッサ（例えばＣＰＵ）を含み得る。コンピュータ・デバイスのそれぞれは、命令を記憶するメモリを含むことができ、命令は、図５Ａ～図８を参照しながら以下に示し、説明する方法に対応する。コンピュータ・デバイスのハードウェア・プロセッサは、コンピュータ・デバイスのメモリ内に記憶した命令を実行し得る。
【0117】
要素４０２～４０８の１つ又は複数は、１つ又は複数のネットワークによって通信可能に相互接続し得る。例えば、ネットワークは、ＬＡＮ、ＷＡＮ、インターネット、クラウドベースのネットワーク・システム、又はあらゆる他の分散通信システム（例えば、クライアントサーバ・アーキテクチャベースのネットワーク・システム）を含み得る。
【0118】
例えば、データ収集器４０２は、図３に示す工場データ収集システム３００として実装し得る。データ収集器４０２は、１つ又は複数のツール（例えば図１に示すツール１００）からデータを収集する。１つ又は複数のツールは、同じ顧客の場所に位置してよい。１つ又は複数のツールは、同じ顧客の様々な場所に位置してよい。１つ又は複数のツールは、様々な顧客の場所に位置してよい。ツールから収集するデータは、顧客の所有権及び機密データを除外するが、モデルの生成、訓練に使用し得る全ての他の動作データを含む。
【0119】
ほんの例として、データを収集するツールは、エッチング・ツールであってよく、以下の構成を有してよい。ツールは、最大４つのエアロックを有してよい。ウエハフロー構成は、冷却ステーションによる１段階構成（エッチングのみ）及び／又は２段階構成（エッチング及び剥離）とし得る。レシピ種は、ウエハ処理、ウエハレス自動洗浄、事前調整、及び事後調整等を含んでよい。稼働シナリオは、単一フロー及び／又は並行稼働多重フローを含んでよい。ツールは、１つ又は複数のエッチング・チャンバ、１つ又は複数の剥離チャンバ、洗浄チャンバ等を含め、最大６個の処理チャンバを含んでよい。
【0120】
システム４００において、モデル生成器４０８は、履歴データに対して機械学習（ＭＬ）方法を適用し、履歴データは、ツール及びシミュレータ４０４から得られ、データ分析器４０６によって分析され、スループット予測モデルを生成する。モデルを使用すると、ツール・スケジューラは、モデルが所与のツール構成のために提供する最良スケジュール設定パラメータを使用して、ウエハ処理をスケジュール設定し得る。線形単回帰は、隠れた変数間の複雑な関係のため、あまりうまく働かない。代わりに、機械学習方法を使用すると、複雑な非線形データの取扱いに柔軟性をもたらす。機械学習方法の例は、人工ニューラル・ネットワーク（ＡＮＮ）、サポート・ベクトル回帰（ＳＶＲ）等を含む。
【0121】
モデル生成器４０８は、機械学習方法の代わりに、又は機械学習方法に加えて、他の手法を使用してよい。他の手法の例は、メタヒューリスティクス方法及び数学的方法（例えばペトリ・ネット）を含む。メタヒューリスティクス方法は、人工知能（ＡＩ）の派生物であり、事前に定義した性能要件に合致させるのに最適に近いスケジュール・パターンを発見する自動試行錯誤方法である。この場合、スケジュール設定パラメータ値は、選択したスケジュール・パターンから抽出し得る。最適に近いスケジュール・パターンの発見に使用するアルゴリズムの例は、遺伝アルゴリズム及び遺伝プログラミングを含む。
【0122】
モデル生成器４０８は、選択した機械学習方法を使用してモデルを訓練し、最適スケジュール設定パラメータ値を予測する。モデルは、例えば、ツールの予防保全動作（ＰＭ）、レシピ時間、及びウエハレス自動洗浄（ＷＡＣ）時間から収集したデータを使用して訓練する。モデルは、スケジュール設定パラメータ値と様々なウエハ処理シナリオとの間の隠れた関係を捕捉し、それに応じて予測するために使用され、これにより、最良の値の選択のためのガイドラインを確立する必要性をなくす。モデルは、パラメータ空間にわたり、一様な精度の予測をもたらし得る。
【0123】
モデル生成器４０８は、特定のウエハ処理シナリオに対して専用モデルを生成、訓練し得る。言い換えれば、モデルは、特定のツールに対して訓練してよい。代替的に、モデル生成器４０８は、様々なシナリオを含み得る単一モデルを生成、訓練してよい。言い換えれば、モデルは、複数のツールに対して訓練し得る。例えば、特定のツールに対する専用モデルを更に訓練し、他のツールの他のシナリオから経時的に集めたデータを使用して複数のツールと共に作動させることができる。
【0124】
１つのモデルが全ての可能なシナリオを含み得るか又は専用モデルが必要かどうかを決定するため、モデル生成器４０８は、選択した機械学習方法を適用し、複数のツール構成から収集したデータに基づくモデルを生成し、シナリオを稼働させ、予測精度が成功基準に合致し得るかどうかを確認することができる。成功基準は、モデルが、ツール間のばらつき、及び経時的に発生し得る同じツール内での性能ドリフトを補償するかどうかを含むことができる。成功基準は、モデルが、省略した予防保全を考慮することによってスケジュール設定パラメータ値を最適化し得るかどうかを更に含むことができる。成功基準は、ウエハ遊休時間が、全てのウエハに対して合計処理時間のわずかなパーセンテージ（例えば２％）未満であるか、製造効率（実際のサイクル時間／理論サイクル時間）が、各レシピに対して高い（例えば９７％超）どうかも含むことができる。
【0125】
使用中、モデルは、オペレータが選択したウエハフローに基づき、ツールのシステム・ソフトウェア（例えばツール１００のシステム制御器１３８）から入力パラメータを受信することができる。例えば、モデルは、ＰＭ数、レシピ時間及びＷＡＣ時間を入力として受信することができる。次に、モデルは、最良スケジュール設定パラメータ値を計算、予測し、システム・ソフトウェアに返信することができる。訓練したモデルは、システム・ソフトウェア内に構築されたスケジューラの隠れた挙動を捕捉し、次に、この隠れた挙動を使用し、選択したウエハフローに従ってウエハ・セットを処理する際に使用される最良スケジュール設定パラメータ値を予測することができる。訓練モデルを使用すると、新たなウエハフローを開始する際、ツールのシステム・ソフトウェアがスケジュール設定パラメータ値を自動的に選択することも可能である。ツール・オペレータは、最良スケジュール設定パラメータ値を選択するのに、もはや広範なシミュレーション調査を実施する必要がない。
【0126】
モデルは、多くの方法で実施することができる。例えば、モデルは、ツールのシステム・ソフトウェアに組み込むことができる。代替的に、モデルは、ツールのシステム・ソフトウェアから個別に、遠隔に実施することができ、モデルが生成した予測結果は、ツールのシステム・ソフトウェアに供給することができる。例えば、モデル保守を容易にするため、モデルは、ツールのシステム・ソフトウェア外で稼働してよい。モデルは、オペレータが選択したウエハフローに基づき、システム・ソフトウェアから入力パラメータを受信することができる。次に、モデルは、最良スケジュール設定パラメータ値を計算、予測し、システム・ソフトウェアに返信することができる。例えば、モデルは、ＳａａＳ（Software-as-a-Service）として、クラウド内で展開することができる。
【0127】
モデルをツールのシステム・ソフトウェア内に統合する際、モデルは、ツールごとの基準に基づき、ツールの捕捉データからツール上の所与の稼働シナリオに対して最適スケジュール設定パラメータを生成することができる。したがって、この実装形態において、モデル予測は、実際のツール・データに基づく。モデルは、ツール間の差に対しても適応性がある。モデルを更新し、ツールの性能ドリフトを調節することができる。しかし、この実装形態では、ツール自体に対して集中的な計算が実施される。更に、ツールの捕捉データは、モデルに最良の解を提供するには十分ではない可能性がある。データが十分であるかどうかは、ツールからのデータ・セットを有するモデルを使用し、データ・セットが最良スケジュール設定パラメータを予測するのに十分であるかどうかを評価することによって決定することができる。
【0128】
モデルをツールとは別に実装する場合、モデル生成器４０８は、最適構成セットを特定、記憶し、ツールごとにシナリオを稼働し、自動選択のためにこのセットを記憶することができる。シミュレータ４０４は、ツール構成、ウエハフロー種、レシピ／ＷＡＣ時間、及び稼働シナリオの様々な組合せに対して訓練データを生成することができる。モデル生成器４０８は、最良予測モデルを生成する最良機械学習方法を特定し、訓練データ・セットに基づき最良システム・スループットを生成することができる。次に、モデルを使用し、ツール構成及びシナリオごとに最適スケジュール設定パラメータ・セットを生成することができる。モデル結果セットは、ユーザ・インターフェース内でコード化し、ツール・オペレータが選択したツールのツール構成及び稼働シナリオに基づき、ツール・オペレータが、自動スケジュール設定パラメータを選択することを容易にすることができる。
【0129】
この実装形態では、ツール上で実施される計算は制限される。しかし、モデル生成器４０８は、様々なツールの様々な構成及びシナリオを含むように広範な計算を実施する。更に、モデル予測は、様々なツールの捕捉データに基づくのではなく、データのシミュレーションに基づく。したがって、モデル性能は、シミュレーション・データの質に依存する。モデルは、全ての可能なツール構成及び稼働シナリオを支持できないことがある。更に、モデルは、ツール間の差に適応しない、又はツールの性能ドリフトを調節しないことがある。
【0130】
図５Ａは、機械学習支援モデルを生成し、モデルを使用して生成したスケジュール設定パラメータに基づきツールを動作させる方法５００を示す。方法５００は、図４に示すシステム４００によって実行し得る。例えば、システム４００の要素４０２～４０８の１つ又は複数は、以下の方法５００のステップの１つ又は複数を実行し得る。
【0131】
５０２において、モデルを生成、訓練するデータを１つ又は複数のツールから受信する。５０４において、１つ又は複数のツールに対する構成データ及びレシピ・データを受信する。５０６において、シミュレータ（例えば、図４を参照して示し、説明する要素４０６）を使用し、構成データ及びレシピ・データに基づき、モデルを生成、訓練する更なるデータを生成する。シミュレータの動作を図５Ｂを参照して更に詳細に説明する。
【0132】
５０８において、機械学習方法を使用し、ツール及びシミュレータから受信したデータを分析することによってモデルを生成、訓練する。データ分析プロセスを図５Ｃを参照して更に詳細に説明する。モデル生成、訓練するプロセスを図６及び図７を参照して更に詳細に説明する。
【0133】
５１０において、モデルを試験、検証する。モデル検証プロセスを図８を参照して更に詳細に説明する。
【0134】
５１２において、方法５００は、モデルのための試験基準に合致するかどうかを決定する。方法５００は、試験基準に合致しない場合、５０２に戻る。５１４において、試験基準に合致した場合、モデルを使用のために展開する。モデルは、上記したツールのシステム・ソフトウェア内に組み込まれるか、又はツールのシステム・ソフトウェアとは別に実装される。
【0135】
５１６において、モデルは、ウエハ・セット上で実施すべき処理について、ツールのシステム・ソフトウェアから入力を受信する。５１８において、受信した入力に基づき、モデルは、ウエハ・セットを処理するツールのシステム・ソフトウェアに最適スケジュール設定パラメータ値を提供する。５２０において、受信したスケジュール設定パラメータ値に基づき、ツールのシステム・ソフトウェアは、ウエハ・セットを処理する動作をスケジュール設定する。
【0136】
図５Ｂは、方法５５０をシミュレータ４０４によって実行する際のシミュレータ４０４の動作を示す。図５Ａの５０４で説明したように、１つ又は複数のツールに対する構成データ及びレシピ・データを受信する。図５Ｂの５５２において、シミュレータ４０４は、ツールのハードウェア構成及びレシピ・データ等を使用して、ツールの処理環境をシミュレーションする。５５４において、シミュレータ４０４は、ツールのシミュレーション環境におけるウエハの処理をシミュレーションする。５５６において、シミュレータ４０４は、ツールのシミュレーション環境におけるウエハの処理シミュレーションに基づき、更なるデータを生成し、モデルを生成、訓練する。
【0137】
図５Ｃは、データ分析器４０６が実行する方法５８０の形態における、データ分析器４０６の動作を示す。図５Ａの５０８で説明したように、ツール及びシミュレータから受信したデータを分析することによってモデルを生成、訓練する。図５Ｃの５８２において、データ分析器４０６は、ツール及びシミュレータ４０４から収集したデータを分析する。５８４において、データ分析器４０６は、データ分析に使用する技法を使用してデータを分析する。
【0138】
５８６において、データ分析器４０６は、収集データの分析に基づき、ツール（複数可）に関するＰＭ、ＷＡＣ時間、待機時間、レシピ時間及びスループットに関するパターンを検出する。５８８において、データ分析器４０６は、上記したツール間のばらつき、及び更には同じツールのばらつきを検出する。５９０において、データ分析器４０６は、検出したパターン及びばらつきをモデル生成器４０８に提供し、機械学習方法を使用するモデル訓練のために使用する。
【0139】
図６及び図７は、モデル生成及び訓練プロセスを更に詳細に示す。図６には、モデル生成方法６００を示す。６０２において、モデルを規定する。６０４において、モデルを訓練する。６０６において、モデルを検証する。
【0140】
図７には、モデル生成方法７００を示す。７０２において、ディープ・ニューラル・ネットワークのためのネットワーク・トポロジを選択することによってモデルを規定する。ディープ・ニューラル・ネットワークの一例を図９に示す。例えば、ネットワーク・トポロジの選択は、ディープ・ニューラル・ネットワークの入力数、ニューロン数及び層数を含む。
【0141】
７０４から７１０までモデルを訓練する。７０４において、訓練データ（例えば、ツールから収集したデータ及びシミュレータが生成したデータ）上でモデルを稼働させる。７０６において、モデルが予測した出力を訓練データに対して確認する。７０８において、モデル・パラメータ及び／又はネットワーク技術は、モデル予測と実際のデータとの間により良好な一致を生成するように調節する。７１０において、モデルが所定の基準に合致するかどうかを決定する。
【0142】
例えば、所定の基準は、モデルがツール間のばらつき、及び同じツールの性能ドリフトを補償し得るかどうか、並びにモデルが利用不可能なＰＭを最適化し得るかどうかを決定することを含む。更に、所定の基準は、モデル出力が、わずかなウエハ遊休時間（例えば２％未満）及び高い製造効率（例えば９７％超）を保証するかどうかを含み得る。方法７００は、所定の基準の１つに合致しない場合、７０４に戻る。７１２において、所定の基準に合致した場合、ツールからの新たなデータを有するモデルを試験することによって、モデルを検証する。
【0143】
図８は、モデル検証方法８００を更に詳細に示す。方法をＫ分割検証方法と呼ぶ。８０２において、検証に使用するデータをＫ個の区分に分割する。Ｋは２以上の整数である。８０４において、同一モデルをインスタンス化する。８０６において、各モデルをある区分上で訓練し、残りの区分上で評価する。各評価に対して検証スコアを割り当てる。８０８において、モデルの検証スコアは、このモデルに対するＫ個の検証スコアの平均である。最高の検証スコアを有するモデルを使用のために展開する。
【0144】
他の検証方法を使用してモデルを検証することができる。例えば、Ｎ分割交差検証方法を使用してよい。本方法では、合計データ・セットを１つの最終試験セット及びＮ個の他のサブセットに分割する。Ｎは２以上の整数である。各モデルは、検証誤り率に対してＮ個の異なる推測を得るため、サブセットの１つではなく、全てに対して訓練する。最低検証誤り率を有するモデルを、使用のために展開する。
【0145】
図９及び図１０は、機械学習技法を使用して本明細書に記載のモデルを生成するのに使用するディープ・ニューラル・ネットワークの一例を示す。機械学習は、予測に役立つ複雑なモデル及びアルゴリズムを考案するために使用される方法である。機械学習を使用して生成したモデルは、確実で、繰り返し可能な判定及び結果を生成し、履歴関係及びデータの傾向からの学習を通じて、隠れた洞察を解明することができる。
【0146】
ディープ・ニューラル・ネットワークベースのモデルを使用し、機械学習を使用してモデルを訓練する目的は、変数間の関係を数学的形式にせずに、従属変数を直接的に予測することである。ニューラル・ネットワーク・モデルは、多数のニューロンを含み、多数のニューロンは、並行して動作し、層で配置される。第１の層は、入力層であり、生の入力データを受信する。各連続層は、先行層からの出力を修正し、出力を次の層に送信する。最後の層は、出力層であり、システムの出力を生成する。
【0147】
入力層において、各入力ノードは、任意の実数とし得る数値に関連付けられる。各層において、入力ノードから逸脱する各関係は、関係と関連付けた重みを有し、この重みも任意の実数とし得る（図９を参照）。図８において、完全に関係するニューラル・ネットワークを図示し、所与の層内の各ニューロンは、次の層内の各ニューロンに関係する。
【0148】
入力層において、ニューロンの数は、データ・セット内の特徴（列）の数に等しい。出力層は、多数の連続出力を有することができる。入力層と出力層との間の層は、隠れた層である。隠れた層の数は、１つ又は複数とし得る（ほとんどの用途に対し、１つの隠れた層で十分であり得る）。隠れた層のないニューラル・ネットワークは、線形の分離可能な関数又は判定を表し得る。１つの隠れた層があるニューラル・ネットワークは、１つの有限空間から別の有限空間まで連続するマッピングを実施することができる。２つの隠れた層があるニューラル・ネットワークは、任意の平滑マッピングを任意の精度まで近似させることができる。
【0149】
ニューロン数は最適化し得る。訓練の開始時、ネットワーク構成は、過剰なノードを有する可能性が高い。ノードは、訓練中、ネットワークから除去してよく、ネットワーク性能に著しく影響を及ぼさない。例えば、訓練後に重みがゼロに接近するノードは、除去（枝刈り）することができる。ニューロンの数は、過少適合（データ・セット内の信号を十分に捕捉することができない）、又は過剰適合（全てのニューロンを訓練するには情報が不十分であり、ネットワークは訓練データ・セット上ではうまく機能するが、テスト・データ・セット上ではうまく機能しない）を引き起こすことがある。
【0150】
様々な方法を使用し、モデルの性能を測定することができる。例えば、２乗平均誤差（ＲＭＳＥ）は、観察値とモデル予測との間の平均距離を測定する。決定係数（Ｒ2）は、観察結果と予測結果との間の（精度ではなく）相関関係を測定する。この方法は、データが大きな分散を有する場合、確実ではない。他の性能測定には、非簡約化ノイズ、モデル・バイアス及びモデル分散を含む。高バイアスは、モデルが予測因子と結果との間の真の関係を捕捉できないことを示す。モデル分散は、モデルが安定していないことを示し得る（データ内のわずかな乱れにより、モデル適合を著しく変化させる）。
【0151】
図１１は、高バイアス及び高分散の一例を示す。高分散は、過剰適合を示し得る。過剰適合は、様々な方法の使用により防ぐことができる。例えば、正則化を使用することができる。大きな重みは、二乗値（Ｌ２ペナルティ）又は絶対値（Ｌ１ペナルティ）上でペナルティ又は制約条件を使用して減点し得る。また、より多くのデータを使用することができる。更に、枝刈り（ほぼゼロの重み係数を有するニューロンを除去する）及び／又はバギング（様々な訓練データ・サブセット上でモデルを訓練する）を使用して過剰適合を防止し得る。
【0152】
図１２は、離散事象シミュレータを使用して強化学習モデルを訓練するシステム１２００を示す。例えば、上記システム４００によって生成したモデルは、以下で説明するシステム１２００を使用する強化学習を使用して更に訓練し得る。システム１２００は、離散事象シミュレータ１２０２と、強化学習モデル１２０４とを備える。離散事象シミュレータ１２０２は、ツールのシステム・ソフトウェア（例えば、ツールのシステム・ソフトウェアを実行する図１に示すツール１００の制御器１３８）、及び強化学習モデル１２０４（例えば、図４に示すシステム４００が生成したモデル）と通信する。
【0153】
システム１２００において、要素１３８、１２０２及び１２０４の全ては、単一コンピュータによって実装し得る。要素１３８、１２０２及び１２０４のそれぞれは、個別のコンピュータによって実装し得る。要素１３８、１２０２及び１２０４の１つ又は複数は、個別のコンピュータによって実装し得る。言い換えれば、要素１３８、１２０２及び１２０４は、１つ又は複数のコンピュータ・デバイスを使用して実装し得る。
【0154】
コンピュータ・デバイスのそれぞれは、１つ又は複数のハードウェア・プロセッサ（例えばＣＰＵ）を含み得る。コンピュータ・デバイスのそれぞれは、図１３を参照しながら以下に示し、説明する方法に対応する命令を記憶するメモリを含み得る。コンピュータ・デバイスのハードウェア・プロセッサは、コンピュータ・デバイスのメモリ内に記憶した命令を実行する。
【0155】
要素１３８、１２０２及び１２０４の１つ又は複数は、１つ又は複数のネットワークによって通信可能に相互接続し得る。例えば、ネットワークは、ＬＡＮ、ＷＡＮ、インターネット、クラウドベースのネットワーク・システム、又はあらゆる他の分散通信システム（例えば、クライアントサーバ・アーキテクチャベースのネットワーク・システム）を含み得る。
【0156】
更に、要素１２０２及び１２０４は、図４に示すシステム４００（例えば、モデル生成器４０８）と統合し得る。言い換えれば、システム１２００は、システム４００と統合し得る。
【0157】
上述のように、いくつかのツールでは、システム・ソフトウェア内のスケジューラは、スケジュール設定規則及びスコア記録システムのセットを使用し、スケジュール判定を行うことができる。しかし、ツールのシステム構成、稼働シナリオ及びスケジュール制約条件の複雑さが増すと、このスケジュール判定を行う方式の複雑さも増す。この方式は、最適なシステム・スループットを達成、維持するには、より多くの展開努力を必要とする。
【0158】
スケジューラのスケジュール設定規則及びスコア記録システムは、ニューラル・ネットワーク・モデル１２０４に取って代わることができる。モデル１２０４は、離散事象シミュレータ１２００及び強化学習を使用して訓練し、所与の状態のツールに対して最良のスケジュール判定を自己探索し、記憶することができる。このことにより、ツールの最適スループット性能の達成、維持を可能にする。
【0159】
図１３を参照して以下で更に詳細に説明するように、自己探索プロセスは、離散事象シミュレータ１２０２を使用し、最良の可能なシステム動作方法を発見する（例えば、ウエハをツールを通じて移動させる最良経路を発見する）努力を最適スループット性能で自動化する。ツール上で自己訓練プロセスを稼働させることによって、ニューラル・ネットワーク・モデル１２０４は、特定のツール構成、ウエハ処理シナリオ及びツールに固有の制約条件に対して最適化し得る。
【0160】
離散事象シミュレータ１２０２は高速シミュレータである。例えば、離散事象シミュレータ１２０２は、約１時間はかかるウエハ処理シーケンスを１分未満でシミュレーションすることができる。離散事象シミュレータ１２０２は、１段階及び２段階のウエハ処理シーケンス、並びにＰＭ内でのＷＡＣの稼働をシミュレーションすることができる。離散事象シミュレータ１２０２は、組込み式ＨＴＴＰサーバベースのアプリケーション・プログラム・インターフェース（ＡＰＩ）を含み、離散事象シミュレータ１２０２とモデル１２０４との間の情報交換を促進する。離散事象シミュレータ１２０２は、ＡＰＩを介してＪＳＯＮ形式でスケジュール・サイクル情報を出力する。モデル１２０４は、ＪＳＯＮファイルを処理し、次の動作を選択し、次の動作は、ＡＰＩを介して離散事象シミュレータ１２０２に返信される。
【0161】
更に、モデル１２０４は、図１３を参照して以下で更に詳細に説明する強化学習方法を使用して訓練するディープ・ニューラル・ネットワークを含む。強化学習には、エージェント、即ち、状態セットＳ、及び状態ごとの動作セットＡが関与する。セットＡから動作「ａ」を実施することによって、エージェントは状態の間を移行する。動作を特定の状態で実行すると、エージェントに報酬（数値スコア）を与える。エージェントの目標は、（将来の）合計報酬を最大化することである。エージェントは、将来の状態から到達可能な最大報酬を、現在の状態を達成する報酬に追加することによって目標を達成し、これにより、可能な将来報酬によって、現在の動作に効果的に影響を及ぼす。この可能な報酬は、現在の状態から開始する全ての将来のステップの報酬に対する期待値の重み付き和である。
【0162】
例えば、モデル１２０４が使用する強化学習方法は、Ｑ学習を含むことができる。Ｑ学習は、機械学習内で使用される強化学習方法である。Ｑ学習の目標は、どの状況下でどの行動を取るべきかをエージェントに通知する方策を学習することである。Ｑ学習は、確率的遷移及び報酬を伴う問題を扱うことができ、適合を必要としない。Ｑ学習は、任意の有限マルコフ決定過程（ＦＭＤＰ）に対して最適な方策を発見する。Ｑ学習は、現在の状態から開始して、全ての連続ステップにわたり合計報酬の期待値を最大化する。
【0163】
図１３は、離散事象シミュレータ１２０２を使用して強化学習モデル１２０４を訓練する方法１３００を示す。方法１３００は、図１２に示すシステム１２００によって実行し得る。例えば、システム１２００の要素１３８、１２０２及び１２０４の１つ又は複数は、以下の方法１３００のステップの１つ又は複数を実行し得る。
【0164】
１３０２において、離散事象シミュレータ１２０２は、ツール（例えば、図１に示すツール１００）からデータを受信する。例えば、離散事象シミュレータ１２０２は、ツール１００のシステム制御器１３８上で稼働するシステム・ソフトウェアから、ツールの現在の状態を示すデータを受信する。例えば、ツールの状態情報は、ウエハ処理状態におけるツール資源の情報（例えば、ＰＭ、エアロック等）を含んでよい。
【0165】
１３０４において、離散事象シミュレータ１２０２は、全ての可能な次のスケジュール・レベル動作セットを生成し、スケジュール・レベル動作セットは、次の状態に移行するツールによって実施することができる。１３０６において、離散事象シミュレータ１２０２は、次のスケジュール・レベル動作セットをモデル１２０４に出力する。１３０８において、モデル１２０４は、スケジュールすべき、最良のシステム性能をもたらす次の最良動作を選択する。１３１０において、モデル１２０４は、このツールの状態のためにスケジュールすべき次の最良動作を記憶する。１３１２において、離散事象シミュレータ１２０２は、次の状態をシミュレーションする次の最良動作を実行する。
【0166】
１３１４において、離散事象シミュレータ１２０２は、最終状態に到達したかどうかを決定する。離散事象シミュレータ１２０２は、最終状態に到達するまでステップ１３０４～１３１２を繰り返す。１３１６において、最終状態に到達すると、モデル１２０４の強化訓練は完了する。１３１８において、モデル１２０４は、実際のウエハ処理中にツール内で特定の状態が生じた際、各状態に対し記憶した次の最良動作を使用する。このように、モデル１２０４を使用すると、ツールは最良の経路を常に選択し、この経路において、ツールを通るウエハは、ある状態から別の状態に移行する際に、最適なスループット性能で移動する。
【0167】
したがって、システム１２００は、システム４００と共に、スマート機械学習支援スケジューラを提供する。スマート・スケジューラは、自己学習プロセスを使用し、ニューラル・ネットワーク・モデルを訓練し、所与の状態のシステムに対して最良のスケジュール判定を行う。この判定は、ツールが、半導体製造業者に特有の稼働シナリオ及びスケジュール制約条件を条件とする最適スループット条件を達成し、これを維持するのに役立つ。例えば、スマート・スケジューラは、ウエハ遊休時間を合計処理時間の２％未満にし、製造効率（実際のサイクル時間／理論サイクル時間）を各レシピで９７％超にし得ることを保証することができる。
【0168】
更に、多数の並行材料堆積（例えば、多層めっき）処理のためにツール内で使用されるスケジューラのペース調整精度を改善するため、本開示は、機械学習を使用して訓練する入れ子型ニューラル・ネットワークベースのモデルを提案する。具体的には、以下で詳細に説明するように、入れ子型ニューラル・ネットワークベースのモデルを最初に設計し、シミュレーション・データを使用してオフラインで訓練し、次に、実際のツール・データを使用してオンラインで訓練し、ウエハ設定経路を予測し、スケジュール設定する。モデルは、最高のツール／ツール群利用率、最短待機時間、及び最速スループットを達成する。
【0169】
現在、並行レシピで使用するスケジューラ規則の動的性質のため、ペース調整は、典型的に以下の問題を有する。ペース調整とは、スケジューラの挙動（例えば、ウエハの経路設定）を予測し、次のセットのウエハ（典型的にはウエハ対）を処理（例えば、めっき）ツールにいつ送るかを判定する能力である。時として、スケジューラの挙動は、正確に予測できないことがある。したがって、ウエハのツール内への発送が遅すぎる、又は早すぎることがある。ウエハの発送が遅すぎると、ツールのスループットを低減し、ウエハの発送が早すぎると、ウエハの待機時間が増大するためにウエハの歩留りを低減させ、ウエハを乾燥させる。したがって、スケジューラは、最大のスループット及び歩留りを達成するように、ウエハをツール内にいつ送るかを正確に予測する必要がある。
【0170】
特に、ツールは、典型的には、ウエハ搬送に２つのロボットを使用する。フロントエンド（ＦＥ）ロボットは、ウエハ対をツール内に搬送し、バックエンド（ＢＥ）ロボットは、ウエハ対をツール内の１つの処理モジュールからツール内の別の処理モジュールに搬送する。ツールの１つ又は複数の処理モジュール内でウエハに対して同じ又は異なるプロセスを実施することがある。両ロボットのスケジュールは、処理モジュールの利用可能性と連携して協働する必要がある。ウエハがツールに入ると、処理モジュールは、正しいシーケンスで正しい時間で利用可能である必要がある。それ以外の場合、ウエハは、ウエハを経路設定した次の処理モジュールが利用可能になるまで待機しなければならず、これにより、ウエハの乾燥を生じさせ、歩留りを低減させることがある。
【0171】
複雑なスケジュール設定シナリオに対する更なる課題は、様々なプロセスに対する処理時間が広範に（例えば、あるプロセスでは数分であり、別のプロセスでは約１時間に）変動し得ることである。例えば、単純なレシピは、ウエハを単層で処理することを含んでよい。この場合、ツールに入ったウエハは、まず、前処理モジュールに移動し、次に、めっきモジュールに移動し、次に、後処理モジュールに移動し、次に、ウエハはツールを出る。２層処理レシピの場合、ツールに入ったウエハは、まず、前処理モジュールに移動し、次に、第１の処理モジュールに移動し、次に、第２の処理モジュールに移動し、次に、後処理モジュールに移動し、次に、ウエハはツールを出て、以下同様である。理解されるように、より多くの処理層があるレシピは、より長い処理時間を有することがある。
【0172】
しかし、一部のレシピの場合、ツール内に、ロボットのスケジュール設定及びウエハの経路設定の改善に有利に利用できる何らかの柔軟性がある場合がある。例えば、多層処理レシピの場合、処理材料がＮ個の層で同じであり、同じ処理層を堆積し得るＮ個の処理モジュールがある場合、ウエハをＮ個の処理モジュールのいずれかの間で搬送することができる。この経路設定の柔軟性により、Ｎ個の処理モジュール間のウエハの搬送に２つ以上の設定経路を有する機会がもたらされる。しかし、ウエハ経路設定を調整し、スケジュール設定するには、Ｎ個の処理モジュールのどれが、いつ利用可能であるかが既知であることが必須である。更に、ウエハ経路設定を調整し、スケジュール設定するには、搬送ロボットの利用可能性も既知であることが必須である。
【0173】
したがって、並行レシピには（ツール間、及びツール内のモジュール間に）様々なＦＥ／ＢＥロボットの搬送時間がある。現在のペース調整方法は、典型的には、大部分のシナリオで静的なＦＥ／ＢＥロボット予約時間を使用しており、設定経路の予測はない。更に、現在のペース調整方法は、ウエハ待機時間とスループットとの間で以下のジレンマ：ＦＥ／ＢＥロボットの予約時間の低減によりスループットを改善し得るが、処理モジュール内でのウエハの待機をより長くする可能性があること、及びＦＥ／ＢＥロボット予約時間の増大により、ウエハの待機時間を最小化し得るが、（例えば、再配線層、即ちＲＤＬレシピにおいて）時間あたりのウエハ（ＷＰＨ）スループットの低下を生じさせる可能性があることに直面する。更に、現在、プログラム実行時間の推測は、これらのツール上で使用可能である様々なパラメータ・セット及び選択肢に対して常に正確ではない。
【0174】
こうした問題を解決するため、本開示は、以下の入力：１）ツール構成、２）レシピ構造（例えば、並行処理モジュール、単層／多層等）、３）正確なプログラム実行時間の予測（使用可／使用不可のパラメータ・セット値及び選択肢の入力に基づくモジュール層ニューラル・ネットワークによって提供される）、４）設定経路上の各処理モジュールの状態（例えば、オンライン／オフライン、処理モジュールに向かうウエハの数、残りの処理時間、サービス・プログラムまでの残り時間、等）、並びに５）ツール間のロット発送最適化のため、ツール群に追加し得る第３のニューラル・ネットワーク層に基づき、ウエハ設定経路及びスループットを予測する動的なペース調整方法（スケジューラ層ニューラル・ネットワーク）を提案するものである。
【0175】
提案する動的スケジューラのペース調整方法は、機械学習を使用する入れ子型ニューラル・ネットワークベースのモデルを使用し、ウエハ処理中のウエハの動的なスケジュール設定問題、並びに（モジュール、ツール及び群レベルでの）ウエハ／ロット発送及び経路設定に対処する。最初に、シミュレーションは、データを生成し、ニューラル・ネットワークを訓練、試験するために使用される。したがって、シミュレーションは正確である必要があり、正確なプログラム実行時間の推測を必要とする。ニューラル・ネットワーク層は、プログラム実行時間を正確に予測するために使用される。このニューラル・ネットワーク層において、１つのニューラル・ネットワークは、処理モジュールごとに使用され、プログラム実行時間を予測する。更に、１つのニューラル・ネットワークは、ロボットごとに使用され、各ロボットに対する搬送時間を予測する。
【0176】
方法は、シミュレーションを使用するオフライン学習、及びリアルタイムでのツール・データを使用するオンライン学習の両方を採用する。オフライン学習は、製造中の計算複雑さを最小化するためにシミュレータ又はツール上で収集したデータに基づく。オフライン訓練の間にニューラル・ネットワークに対して決定された重みは、ウエハ／ロット発送前、スケジューラのペース調整アルゴリズムに適用する。次に、オンライン学習を使用し、リアルタイム・データに基づきニューラル・ネットワークを動的に調節する。
【0177】
したがって、提案する方法では、スケジューラのペース調整モデルは、入れ子型ニューラル・ネットワーク又は他の機械学習アルゴリズムを使用して構築される。モデルは、最初、現場以外でシミュレーションを使用して構築、訓練、試験する。その後、モデルは、更に現場で、実際のツールに対して、ツールからのデータ・ストリームを繰り返し使用することによって継続的に洗練化、訓練し、モデルに更なる調節を行い、ツール固有、レシピ固有のロボット搬送時間を反映し、あらゆる処理ドリフトを補償する。現場訓練は、あらゆるレシピ変更及び／又はツール・ハードウェア変更に対するモデルも調節する。
【0178】
入れ子型ニューラル・ネットワークを使用するスケジューラの動的ペース調整方法は、ツール／群のスループット、及び多層材料堆積による並行レシピの利用率、及び待機時間の制限を改善し、ウエハの乾燥問題を防ぐ。方法は、最大ツール利用率でレシピ／ウエハの割当てミックスを推奨することができる。方法は、フロントエンド・ロボット及びバックエンド・ロボットの両方、並びにウエハ・アライナが関与する経路、処理モジュールへの上り経路、処理モジュール間の経路、並びに下り処理モジュールへの経路の経路設定を予測することもできる。更に、方法は、所与の用途に対する最適ツール・ハードウェア構成を推奨することができる。
【0179】
動的スケジューラは、段階的に設計、展開、実施される。第１の段階は、次のようにオフラインでの単一ニューラル・ネットワークの訓練を含む。シミュレータを使用し、実際のツールにおける現実の搬送時間を使用して、実際のツールで実現可能な様々なスケジュール設定しナリオ及びウエハ設定経路をシミュレーションする。シミュレータは、様々なツールのハードウェア構成、及びウエハ処理ツール内で使用し得る様々なプロセスに基づき、これらのシミュレーションを実施する。ウエハ・サイクルは、シミュレータ内の試験シナリオに基づきループ・モードでシミュレーションし、多数のデータ・セットを収集する。ニューラル・ネットワークは、機械学習を使用してオフラインで訓練する。計算された重み（ウエハのスケジュール及び経路設定を最適化するため、シミュレータによって生成される）並びにニューラル・ネットワーク入力は、スケジューラのペース調整アルゴリズムに送られ、同じ待機時間の間のスループットの改善を観察する。
【0180】
第２の段階では、ツール群の１つのツールに対して、入れ子型ニューラル・ネットワークをオフラインで次のように訓練する。モデルの最初の層において、モジュール・レベルのニューラル・ネットワーク（即ち、ある処理モジュールのためのニューラル・ネットワーク）を訓練し、様々なプロセスに関するプログラム実行時間を予測する。同じ層において、ツール内のロボットごとの１つのニューラル・ネットワークを訓練し、様々なプロセスに関する搬送時間を予測する。モデルの次の層において、最初の層からのニューラル・ネットワークの出力（即ち、プログラム実行時間及び搬送時間の推測）を、スケジューラレベルのニューラル・ネットワークを含む次の層に入力する。
【0181】
スケジューラレベルのニューラル・ネットワークの入力は、他のツール構成、レシピ種のミックス、プロセス時間、ウエハ上で処理すべき多重層、スケジューラ・モード等に拡張される。モジュール・レベルのニューラル・ネットワークと結合する（即ち、入れ子にする）と、入力を拡張したスケジューラレベルのニューラル・ネットワークは、最良の製品／レシピ／ウエハ・ミックスに対する推奨をもたらし、最高のツール／ツール群の利用率を達成し、ツールの所有費用を低減させる。即ち、様々なツール・ハードウェア構成及び様々なレシピ種を使用して訓練する入れ子型ニューラル・ネットワークベースの動的スケジューラは、今や、所与の１つ又は複数のレシピに対する最適ツール構成を推奨することができる。そのような推奨は、単独のシミュレータベースの訓練を使用してもたらすことができる。
【0182】
第３の段階は、オンラインでのリアルタイム教師なし学習を含む。機械学習を使用するオンラインでの連続ニューラル・ネットワーク訓練は、１つのツール又はツール群からの実際の製造データに基づく。オンライン訓練は、前述のようにシミュレータを使用してオフラインで訓練したニューラル・ネットワークへの入力の重みを動的に調節するために使用される。処理レシピ及び／又はハードウェアが変化し得るため、連続（即ち、継続）訓練が必要である。そのような変化が生じた際、モデルを変化に適合させる必要があり、このことは、連続訓練によって達成することができる。したがって、動的スケジューラは教師あり機械学習から教師なし機械学習に成長し、誤りから学習能力を発展させ、次回、より良好に訓練された推測を行う。
【0183】
訓練が連続性であるため、ツールが生成するデータは、自動分類され、繰り返し行われる訓練を可能にする。即ち、１セットのウエハを現在のプロセスで処理した後、現在のプロセスからのデータは、自動的に分類され、以前のプロセスからの対応するデータに加えて又はこのデータの代わりに、このデータを使用し、繰り返し学習できるようにする。動的スケジューラのこれら及び他の態様を以下で詳細に説明する。
【0184】
図１４～図１５Ｂを参照して使用するように、待機時間とは、処理モジュール内でウエハ処理が完了した後、ウエハ処理を次の処理モジュールで開始できるまでウエハが待機しなければならない時間量である。待機時間は、次の処理モジュールでウエハを処理する準備ができていない場合に生じる（例えば、次の処理モジュールがまだ完了しておらず、依然として他のウエハを処理しているため）。プログラム実行時間又は処理時間とは、処理モジュールがウエハの処理を完了するのにかかる時間量である。ロボット搬送時間とは、ロボットがウエハをＡ点からＢ点まで（例えば、ある処理モジュールから別の処理モジュールまで、又はエアロックから処理モジュールまで、及びツール搭載ステーションからエアロックまで）移動させるのにかかる時間量である。
【0185】
図１４は、オフライン・シミュレータ１４０４及びツール１４０６（例えば、図１６に示すツール１６００）からのオンライン・リアルタイム・データを使用して、入れ子型ニューラル・ネットワークによりモデル１４０２を訓練し、ツール１４０６内でのウエハ処理をスケジュール設定し、ペース調整するシステム１４００を示す。モデル１４０２は、複数のモジュール・レベルのニューラル・ネットワークと、スケジュール・レベルのニューラル・ネットワークとを備える。複数のモジュール・レベルのニューラル・ネットワークは、ツール１４０６内の各処理モジュール（例えば、図１６に示す処理モジュール１６０２）に対する１つのニューラル・ネットワークと、ツール１４０６内の各ロボット（例えば、図１６に示すロボット１６１０及び１６１４）に対する１つのニューラル・ネットワークとを含む。これらのニューラル・ネットワークは、１４１０－１、・・・及び１４１０－Ｎとして示され、Ｎは２以上の整数であり、集合的にニューラル・ネットワーク１４１０と呼び得る。ニューラル・ネットワーク１４１０は、処理モジュール（例えば、図１６に示す処理モジュール１６０２）に関するプログラム実行時間に対する予測、及びロボット（例えば、図１６に示すロボット１６１０及び１６１４）の搬送時間に対する予測を出力する。
【0186】
スケジューラレベルのニューラル・ネットワークは、１４１２として示され、ニューラル・ネットワーク１４１０の出力を入力として受信する。スケジューラレベルのニューラル・ネットワーク１４１２は、ツール内の処理モジュール間のウエハ・ルーティングをスケジュール設定し、次の対のウエハをいつ処理ツールに搬送すべきかについて予測を出力する。ニューラル・ネットワーク１４１０及びスケジューラレベルのニューラル・ネットワーク１４１２は、最初に、シミュレータ１４０４上での訓練中、次に、ツール１４０６上での実際の使用及び連続訓練中（例えば、図１６に示すシステム制御器１６１６によって実施した場合、又はシステム制御器１６１６と一体化した場合、それぞれの予測を出力する。
【0187】
ほんの例として、シミュレータ１４０４は、１つ又は複数のハードウェア・プロセッサ（例えばＣＰＵ）と、１つ若しくは複数のコンピュータ・プログラムを記憶する１つ又は複数のメモリ・デバイスとを備えるコンピュータ等の計算デバイスを使用して実施してよく、コンピュータ・プログラムは、ツール（例えばツール１４０６）の動作及び処理環境をコンピュータ上でシミュレーションする。コンピュータ・プログラムは、図１５Ａ及び図１５Ｂを参照して以下で説明するように、モデル１４０２のニューラル・ネットワーク１４１０及びスケジューラレベルのニューラル・ネットワーク１４１２をシミュレータ１４０４上で生成、訓練、検証する命令を更に含む。１つ又は複数のハードウェア・プロセッサは、１つ又は複数のコンピュータ・プログラムを実行する。
【0188】
シミュレータ１４０４及びツール１４０６は、１つ又は複数のネットワークによって通信可能に相互接続し得る。例えば、ネットワークは、ＬＡＮ、ＷＡＮ、インターネット、クラウドベースのネットワーク・システム、又はあらゆる他の分散通信システム（例えば、クライアントサーバ・アーキテクチャベースのネットワーク・システム）を含み得る。
【0189】
例えば、シミュレータ１４０４は、図１８に示す工場データ収集システム１８００を使用して、ツール１４０６からデータを収集／受信し得る。図１４ではただ１つのツールを示すが、データは、２つ以上のツールから収集／受信してよい。１つ又は複数のツールは、顧客の同じ場所に位置してよい。１つ又は複数のツールは、同じ顧客の異なる場所に位置してよい。１つ又は複数のツールは、様々な顧客の場所に位置してよい。ツールから収集するデータは、顧客の所有権及び機密データを除外するが、モデルの生成、訓練に使用し得る全ての他の動作データを含む。
【0190】
ほんの例として、データを収集するツール１４０６は、多数の並行材料堆積（例えばめっき）処理を実施してよく、以下の構成を有してよい。ツールは、最大２つのデッキと２つのロボットとを備えてよく、各デッキは、多数の処理モジュールを備える。例えば、多数の処理モジュールは、１つの前処理モジュールと、１つの後処理モジュールと、めっき処理を実施する４つの処理モジュールとを含んでよい。ツールは、ツール内でのウエハ処理を制御するスケジューラを更に備えてよい。処理は、単層めっき又は多層めっきを含んでよい。
【0191】
シミュレータ１４０４は、ツール構成をシミュレーションし、ツール内でのウエハの処理をシミュレーションする。シミュレータ１４０４は、１つ又は複数のシステムを備え、システムは、機械学習を使用し、ウエハ処理のシミュレーションによってシミュレータ１４０４によって生成されたデータを使用して、モデル１４０２のニューラル・ネットワーク１４１０及び１４１２を生成、訓練、検証する。訓練モデル１４０２を使用すると、ツール・スケジューラは、ウエハの処理をスケジュール設定する一方で、最良のスループット及び待機時間を提供することができる。訓練モデル１４０２は、所与の用途で使用すべきツールの最適ハードウェア構成を推奨することもできる。
【0192】
図１５Ａ及び図１５Ｂは、オフライン・シミュレータ及びオンライン・リアルタイム・ツール・データを使用して、入れ子型ニューラル・ネットワークによりモデルを生成、訓練し、ツール内のウエハ処理をスケジュール設定し、ペース調整する方法１５００を示す。例えば、図１４に示すシステム１４００のシミュレータ１４０４及びツール１４０６（例えば図１６に示す要素１６１６）のシステム制御器の１つ又は複数は、方法１５００の以下のステップの１つ又は複数を実行し得る。
【0193】
１５０２において、方法１５００は、ツールのハードウェア構成、及びツールのウエハ上で実施すべき処理レシピ（例えば多層めっき）に関するデータを得る。１５０４において、シミュレータを使用し、得られたデータに基づき、方法１５００は、ウエハを処理する様々な経路設定及びスケジュール設定シナリオをシミュレーションする。１５０６において、シミュレータを使用し、方法１５００は、様々な経路設定及びスケジュール設定シナリオを使用してウエハ処理をシミュレーションする。
【0194】
１５０８において、方法１５００は、シミュレータを使用してシミュレーションしたウエハ処理からデータを収集する。１５１０において、収集したデータを使用して、方法１５００は、複数のニューラル・ネットワークを設計、訓練する。複数のネットワークは、ツール内の処理モジュールのそれぞれに対する１つのニューラル・ネットワークと、ツール内の各ロボットに対する１つのニューラル・ネットワークと、ツールによって使用されるスケジューラに対する１つのニューラル・ネットワークとを含み、ツール内でウエハを経路設定し、ツール内で次のセットのウエハをいつ処理するかについてスケジュール設定する。例えば、ニューラル・ネットワークを生成、訓練する方法は、図６～図１１を参照して説明した方法と同様のものであってよい。
【0195】
１５１２において、方法１５００は、それぞれのニューラル・ネットワークを使用して、各処理モジュールに対するプログラム実行時間を予測し、ロボット搬送時間を予測する。１５１４において、方法１５００は、ツールから得たデータを使用して、処理モジュール及びロボットのためのニューラル・ネットワークを検証する。
【0196】
１５１６において、方法１５００は、処理モジュール及びロボットのためのニューラル・ネットワークの検証が成功したかどうかを決定する。例えば、ニューラル・ネットワークを検証する方法は、図６～図１１を参照して説明した方法と同様のものであってよい。例えば、検証基準は、ニューラル・ネットワークの集束特性がどのくらい正確にプログラム実行時間及びロボット搬送時間を予測できるかに基づいてよい。処理モジュール及びロボットのためのニューラル・ネットワークの検証が成功しない場合、方法１５００は更なる訓練のために１５０８に戻る。
【0197】
１５１８において、処理モジュール及びロボットのためのニューラル・ネットワークの検証が成功した場合、シミュレータを使用し、方法１５００は、スケジューラレベルのニューラル・ネットワークに、ニューラル・ネットワークが生成した予測時間及び重みを入力し、スループット及び待機時間を最適化する。１５２０において、スケジューラレベルのニューラル・ネットワークを使用して、方法１５００は、ウエハの経路設定及びスケジュール設定データを予測し、スケジュール・データは、次のセットのウエハの処理をツール内でいつスケジュールすべきかを含む。
【0198】
１５２４において、スケジューラレベルのニューラル・ネットワークを検証する方法は、図６～図１１を参照して説明した方法と同様のものであってよい。例えば、検証基準は、スケジューラレベルのニューラル・ネットワークがウエハ・ルーティング及びスケジュールをどのくらい正確に予測できるかに基づいてよい。スケジューラレベルのニューラル・ネットワークの検証が成功しない場合、方法１５００は１５１８に戻り、シミュレータを使用してスケジューラレベルのニューラル・ネットワークを更に訓練する。
【0199】
１５２６において、スケジューラレベルのニューラル・ネットワークの検証が成功した場合、処理モジュールのニューラル・ネットワーク、ロボット及びスケジューラの全てを備えるモデルは、ツール制御器（例えば図１６に示す要素１６１６）に組み込まれる。次に、モデルは、ツール上でのプログラム実行時間、ロボット搬送時間、並びにウエハの経路設定及びスケジュール設定を予測することができる。
【0200】
１５２８において、モデルは、ツールからの実際の製造データを使用して、オンラインで（即ち、現場で、ツール上で）繰り返し訓練を継続する。以前のセットのウエハの処理からの対応するデータに加えて、又はこのデータの代わりに、現在のセットのウエハの処理からの自動分類データを使用し、ツール上でモデルを繰り返し、連続的に訓練する。
【0201】
図１６は、複数の処理モジュール１６０２を備えるツール１６００の一例を示す。例えば、ツール１６００は、下側デッキと上側デッキとを備えてよい。各デッキは、ツール１６００が合計８つの処理モジュール１６０２を備え得るように、４つの処理モジュール１６０２を備えてよい。代替的に、各デッキは、ツール１６００が合計１６個の処理モジュール１６０２を備え得るように、８つの処理モジュール１６０２を備えてよい（１つのデッキのみを図示する）。例えば、処理モジュール１６０２は、電気めっきセルを含んでよい（例えば図１７を参照）。更に、各デッキは、複数の前処理モジュール及び後処理モジュール１６０４を備えてもよい。電気めっきに加えて、ツール１６００は、スピン・リンス、スピン乾燥、ウェット・エッチング、前エッチング、後化学処理、無電解析出、還元、焼鈍、フォトレジスト剥離、表面予備活性化等を実施してよい。
【0202】
複数の基板１６０６は、フロント・オープニング・ユニファイド・ポッド（ＦＯＵＰ）１６０８を通じてツール１６００に供給される。フロントエンド・ロボット１６１０は、ＦＯＵＰ１６０８からスピンドル１６１２に基板１６０６を搬送し、次に、前処理モジュール１６０４の１つに搬送する。前処理後、バックエンド・ロボット１６１４は、前処理モジュール１６０４から処理モジュール１６０２の１つ又は複数に基板１６０６を搬送し、電気めっきする。その後、バックエンド・ロボット１６１４は、基板１６０６を後処理モジュール１６０４の１つに搬送する。
【0203】
ツール１６００は、システム制御器１６１６を更に備え、システム制御器１６１６は、フロントエンド・ロボット１６１０及びバックエンド・ロボット１６１４、並びに処理モジュール１６０２、１６０４内で実施される処理を制御する。制御器１６１６は、上記した訓練モデル１４０２及び動的スケジューラのペース調整方法を使用して、基板１６０６の処理をスケジュール設定し、制御する。
【0204】
図１７は、処理モジュール１６０２の一例を示す。例えば、処理モジュール１６０２は、電気めっきセル１７００を備える。電気めっきセル１７００は、分離陽極チャンバ（ＳＡＣ）１７０４内に陽極１７０２を備える。ＳＡＣ１７０４は、電気めっきセル１７００の残りからメンブレンによって分離されている。ＳＡＣ１７０４は、電気めっきセル１７００の残りにおける第２の液体とは化学的性質が異なる第１の液体を含む。
【0205】
電気めっきセル１７００は、高抵抗仮想陽極（ＨＲＶＡ）１７０６を更に備える（取付け組立体は図示しない）。電気めっきの間、ＨＲＶＡ１７０６は、ウエハを電気めっきセル１７００の上部から電気めっきセル１７００に降下させた際、第２の液体の流れをウエハ部品（図示せず）に向ける。主浴槽（槽）１７０８は、ポンプ１７１０及びフィルタ１７１２を介して第２の液体を電気めっきセル１７００に供給する。塔１７１４は、ポンプ１７１６を使用してＳＡＣ１７０４に第１の液体を充填する。処理モジュール１６０２は、あらゆる他の種類の電気めっきセルを備えてよい。
【0206】
図１８は、工場データ収集システム１８００の一例を示す。例えば、システム１８００は、ホスト・コンピュータ１８０２と、データ収集器１８０４と、監視コンピュータ１８０６とを備え、これらは、ツール１６００等の１つ又は複数のツールを使用する半導体製造施設内の工場ローカル・エリア・ネットワーク（ＬＡＮ）１８０８に接続される。ホスト・コンピュータ１８０２は、１つ又は複数のツール（例えばツール１６００）と通信する。ホスト・コンピュータ１８０２はオペレータによって使用され、ツール１６００に命令を発行し、レシピ等を提供する。
【0207】
データ収集器１８０４は、ホスト・コンピュータ１８０２とツール１６００との通信に干渉せずに、ツール１６００から様々な種類のデータを受信する。監視コンピュータ１８０６は、ツールの性能を閲覧、監視するために使用される。監視コンピュータ１８０６は、ツールの設定をグラフィックで示し、様々なツールのパラメータ値を読み出す。監視コンピュータ１８０６は、ツール１６００に関する問題を解決するために使用される。ホスト・コンピュータ１８０２は、データ収集器１８０４及び監視コンピュータ１８０６と通信する。
【0208】
システム１８００は、機器ＬＡＮ１８１２を介してツール１６００に接続したサーバ１８１０を更に備える。サーバ１８１０は、工場ＬＡＮ１８０８を介してホスト・コンピュータ１８０２と通信する。サーバ１８１０は、ツール１６００からデータを収集し、データをホスト・コンピュータ１８０２に供給する。１つ又は複数のユーザ・インターフェース（ＵＩ）コンピュータ１８１４は、ツール１６００のローダ側とは反対のツール１６００の側に位置する。ローダ側は、クラス１００清浄度である一方で、オペレータがツール１６００を操作するＵＩコンピュータ側は、クラス１０００のクリーン度である。ＵＩコンピュータ１８１４は、機器ＬＡＮ１８１２に接続される。監視コンピュータ１８１６は、機器ＬＡＮ１８１２を介してツール１６００に接続される。監視コンピュータ１８１６は、ツール１６００を監視し、工場ＬＡＮ１８０８を介して監視コンピュータ１８０６と通信する。
【0209】
ツール１６００のシステム制御器１８１８（例えばシステム制御器１６１６）は、ツール１６００を制御する。複数のモジュール制御器１８２０は、個々の処理モジュール１６０２、１６０４を制御する。複数の入出力（Ｉ／Ｏ）制御器１８２２は、処理モジュール１６０２、１６０４の個々の動作を制御する。システム制御器１８１８は、（例えば、ロボット１６１０、１６１４を制御し、ツールの処理モジュール１６０２、１６０４以外の特徴を制御するために）Ｉ／Ｏ制御器１８２２の１つ又は複数とも通信する。様々なスイッチ１８２４を使用し、適切なＩ／Ｏ制御器１８１８にアクセスする。
【0210】
図１４～図１７を参照して上記した機能及び動作は、システム制御器１８１８、監視コンピュータ１８１６、又はこれら両方によって実施してよい。追加又は代替として、図１８を参照して説明した他の計算デバイスが、図１４～図１７を参照して上記した機能及び動作の少なくとも一部を実施してもよい。
【0211】
上記の説明は、本質的に例示的にすぎず、本開示、用途又は使用法を限定することを意図しない。本開示の広範な教示は、様々な形態で実施し得る。したがって、本開示は特定の例を含む一方で、本開示の真の範囲は、そのように限定すべきではない。というのは、図面、本明細書及び以下の特許請求の範囲を研究すれば他の修正形態が明らかになるためである。
【0212】
方法内の１つ又は複数のステップは、本開示の原理を改変することなく、異なる順序で（又は同時に）実行してよいことを理解されたい。更に、実施形態のそれぞれを特定の特徴を有するものとして上記で説明したが、本開示のあらゆる実施形態に対して説明したあらゆる１つ又は複数のこうした特徴は、他の実施形態のいずれかの特徴内で実施し得る、及び／又は組合せが明示的に説明されていない場合でさえ、こうした特徴と組み合わせることができる。言い換えれば、説明した実施形態は、相互に排他的ではなく、１つ又は複数の実施形態の互いに対する並べ替えは、本開示の範囲内に入る。
【0213】
要素間（例えば、モジュール、回路要素、半導体層等の間）の空間的及び機能的な関係は、「接続」、「係合」、「結合」、「隣接」、「～の隣」、「～の上」、「上」、「下」及び「配設」を含む様々な用語を使用して説明する。「直接的」関係として明示的に説明しない限り、第１の要素と第２の要素との間の関係を上記開示で説明する場合、この関係は、他の介在要素が第１の要素と第２の要素との間に存在しない直接的な関係は、１つ又は複数の介在要素が（空間的又は機能的に）第１の要素と第２の要素との間に存在する間接的な関係とすることもできる。本明細書で使用する句、少なくとも１つのＡ、Ｂ及びＣは、非排他的論理ＯＲを使用した論理（Ａ ＯＲ Ｂ ＯＲ Ｃ）を意味すると解釈すべきであり、「少なくとも１つのＡ、少なくとも１つのＢ、及び少なくとも１つのＣ」を意味すると解釈すべきではない。
【0214】
いくつかの実装形態では、制御器は、システムの一部であり、上記例の一部であってよい。そのようなシステムは、処理構成要素及び／又は特定処理構成要素（ウエハ・ペデスタル、ガス流システム等）のための１つ又は複数の処理ツール、１つ又は複数のチャンバ、１つ又は複数のプラットフォームを含め、半導体処理機器を備えることができる。これらのシステムは、半導体ウエハ又は基板を処理する前、その間、及びその後に動作を制御する電子機器と統合してよい。こうした電子機器は、「制御器」と呼ぶことがあり、１つ又は複数のシステムの様々な構成要素又は下位部品を制御し得る。
【0215】
例えば、制御器は、処理要件及び／又はシステムの種類に応じて、処理ガスの送出、温度設定（例えば加熱及び／又は冷却）、圧力設定、真空設定、電力設定、無線周波（ＲＦ）生成器設定、ＲＦ整合回路設定、周波数設定、流量設定、流体送出設定、位置及び動作設定、ツール間のウエハ搬送、並びに他の搬送ツール及び／又はロードロックを含め、本明細書で開示するプロセスのいずれかを制御するようにプログラムしてよく、これらは、特定のシステムに接続又はインターフェース接続される。
【0216】
広範に言うと、制御器は、様々な集積回路、論理、メモリ及び／又はソフトウェアを有する電子機器と定義してよく、これらは、命令を受信し、命令を発行し、動作を制御し、洗浄動作を可能にし、エンドポイント測定を可能にする、等である。集積回路は、プログラム命令を記憶するファームウェア、デジタル信号プロセッサ（ＤＳＰ）、特定用途向け集積回路（ＡＳＩＣ）として定義されるチップ、及び／又はプログラム命令（例えばソフトウェア）を実行する１つ又は複数のマイクロプロセッサ若しくはマイクロコントローラの形態のチップを含んでよい。
【0217】
プログラム命令は、様々な個々の設定（又はプログラム・ファイル）の形態で制御器と通信し、半導体ウエハ上で若しくは半導体ウエハのために若しくはシステムに対して特定のプロセスを実行する動作パラメータを定義する命令であってよい。動作パラメータは、いくつかの実施形態では、１つ又は複数の層、材料、金属、酸化物、ケイ素、二酸化ケイ素、面、回路及び／又はウエハ・ダイの作製中、１つ又は複数の処理ステップを達成するようにプロセス技師によって定義されたレシピの一部であってよい。
【0218】
制御器は、いくつかの実装形態では、コンピュータの一部、又はコンピュータに結合してよく、コンピュータは、システムと統合されるか、システムに結合されるか、又はシステムにネットワーク化されるか、又はそれらの組合せである。例えば、制御器は、「クラウド」、工場ホスト・コンピュータ・システムの全て又は一部内にあってもよく、ウエハ処理に遠隔でアクセス可能にすることができる。コンピュータは、システムへの遠隔アクセスを可能にし、製造動作に対する現在の進行を監視し、過去の製造動作履歴を調査し、複数の製造動作から傾向又は性能測定基準を調査し、現在の処理パラメータを変更し、処理ステップを設定し、現在の処理に追従するか、又は新たなプロセスを開始してよい。
【0219】
いくつかの例では、遠隔コンピュータ（例えばサーバ）は、ローカル・ネットワーク又はインターネットを含んでよいネットワーク上で処理レシピをシステムに提供することができる。遠隔コンピュータは、パラメータ及び／又は設定の入力又はプログラミングを可能にするユーザ・インターフェースを含んでよく、パラメータ及び／又は設定は、遠隔コンピュータからシステムに伝達される。いくつかの例では、制御器は、命令をデータの形態で受信し、データは、１つ又は複数の動作の間に実施すべき処理ステップのそれぞれに対するパラメータを指定する。パラメータは、実施すべきプロセスの種類、及び制御器がインターフェース接続又は制御するように構成されるツールの種類に固有であってよいことを理解されたい。
【0220】
したがって、上記のように、制御器は、一緒にネットワーク化し、本明細書で説明するプロセス及び制御等の共通の目的に向けて働く１つ又は複数の個別の制御器を備える等によって分散してよい。そのような目的の分散制御器の一例は、チャンバ上でのプロセスを制御するように組み合わせた（プラットフォームレベルで、又は遠隔コンピュータの一部として）遠隔に位置する１つ又は複数の集積回路と通信する、チャンバ上の１つ又は複数の集積回路である。
【0221】
限定はしないが、例示的システムは、プラズマ・エッチング・チャンバ又はモジュール、堆積チャンバ又はモジュール、スピンリンス・チャンバ又はモジュール、金属めっきチャンバ又はモジュール、洗浄チャンバ又はモジュール、斜縁エッチング・チャンバ又はモジュール、物理蒸着（ＰＶＤ）チャンバ又はモジュール、化学蒸着（ＣＶＤ）チャンバ又はモジュール、原子層堆積（ＡＬＤ）チャンバ又はモジュール、原子層エッチング（ＡＬＥ）チャンバ又はモジュール、イオン注入チャンバ又はモジュール、トラック・チャンバ又はモジュール、並びに半導体ウエハの作製及び／又は製造に関連し得る又は作製及び／又は製造で使用し得るあらゆる他の半導体処理システムを含んでよい。
【0222】
上記のように、ツールによって実施すべき１つ又は複数の処理ステップに応じて、制御器は、他のツール回路又はモジュール、他のツール構成要素、クラスタ・ツール、他のツール・インターフェース、隣接ツール、近接ツール、向上全体を通じて位置するツール、主コンピュータ、別の制御器、又はウエハ容器を半導体製造工場内のツール場所及び／若しくはロード・ポート間で運搬する材料搬送で使用されるツールの１つ又は複数と通信してよい。
【図1】
【図2】
【図3】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15A】
【図15B】
【図16】
【図17】
【図18】
【国際調査報告】