特表 2024-536774 深層ニューラルネットワークを使用した基板マッピング

(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】2024-10-08

(54)【発明の名称】深層ニューラルネットワークを使用した基板マッピング

(51)【国際特許分類】

   H01L 21/68 20060101AFI20241001BHJP

   H01L 21/02 20060101ALI20241001BHJP

   H01L 21/677 20060101ALI20241001BHJP

   G06N 3/0464 20230101ALI20241001BHJP

   H01L 21/673 20060101ALI20241001BHJP

【ＦＩ】

H01L21/68 F

H01L21/02 Z

H01L21/68 A

G06N3/0464

H01L21/68 T

【審査請求】有

【予備審査請求】未請求

(21)【出願番号】P 2024516901

(86)(22)【出願日】2022-09-15

(85)【翻訳文提出日】2024-05-15

(86)【国際出願番号】 US2022076461

(87)【国際公開番号】W WO2023044367

(87)【国際公開日】2023-03-23

(31)【優先権主張番号】17/476,195

(32)【優先日】2021-09-15

(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】516312501

【氏名又は名称】オントゥー イノヴェイション インコーポレイテッド

(74)【代理人】

【識別番号】100094569

【弁理士】

【氏名又は名称】田中 伸一郎

(74)【代理人】

【識別番号】100103610

【弁理士】

【氏名又は名称】▲吉▼田 和彦

(74)【代理人】

【識別番号】100109070

【弁理士】

【氏名又は名称】須田 洋之

(74)【代理人】

【識別番号】100067013

【弁理士】

【氏名又は名称】大塚 文昭

(74)【代理人】

【識別番号】100120525

【弁理士】

【氏名又は名称】近藤 直樹

(74)【代理人】

【識別番号】100139712

【弁理士】

【氏名又は名称】那須 威夫

(74)【代理人】

【識別番号】100141553

【弁理士】

【氏名又は名称】鈴木 信彦

(74)【代理人】

【識別番号】100151987

【弁理士】

【氏名又は名称】谷口 信行

(72)【発明者】

【氏名】レミラード ジェイソン ポール

(72)【発明者】

【氏名】ネヴィン ジョン ディー

(72)【発明者】

【氏名】イントゥ スティーヴン ダブリュ

【テーマコード（参考）】

5F131

【Ｆターム（参考）】

5F131AA02

5F131BA01

5F131BA11

5F131BA17

5F131CA42

5F131DA42

5F131DD43

5F131DD76

5F131GA14

5F131GA53

5F131GA63

5F131GA69

5F131GA83

5F131GA85

5F131GA88

5F131HA33

5F131HA37

5F131KA14

5F131KA51

5F131KB09

5F131KB33

5F131KB58

(57)【要約】

様々な例は、基板キャリア内の基板（例えば、ウェハカセット内のシリコンウェハなど）をマッピングするためのシステム及びネットワークと、各基板の状態の分類と、中に基板が配置されるキャリアと、を含む。本明細書で提供される様々な例では、カメラなどの画像取得システムが、キャリア内の基板の複数の画像を取得する。画像（単数又は複数）は、次いで、空のスロット、占有されたスロット（例えば、適切にロードされたスロット）、二重ロードされたスロット、クロススロット挿入、及び突出（基板がスロット内に完全にロードされていない場合）を含む、基板スロットに対する基板の状態を分類するために、深層畳み込みニューラルネットワークを用いて処理される。

【特許請求の範囲】

【請求項1】

基板キャリア内の複数の位置内の複数の基板の状態を分類するための方法であって、前記方法が、
前記基板キャリア内の前記複数の基板の少なくとも一部分を検出することであって、前記検出することが、前記複数の基板の前記部分及び前記複数の基板の前記部分に近接する前記複数の位置の１つ以上の画像を捕捉することを含む、検出することと、
前記１つ以上の画像を、事前訓練された深層畳み込みニューラルネットワークに転送することと、
前記事前訓練された深層畳み込みニューラルネットワークを使用して、前記１つ以上の画像から前記基板キャリア内の前記複数の位置内の前記複数の基板の前記部分の前記状態を分類することと、
前記複数の基板の前記部分に近接する前記基板キャリア内の前記複数の位置の各々の自動タグ付けを提供することと、を含む、方法。

【請求項2】

基板位置の状態を分類するように、前記ニューラルネットワークを訓練することを更に含む、請求項１に記載の方法。

【請求項3】

前記自動タグ付けが、前記複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、請求項１に記載の方法。

【請求項4】

前記複数の基板の前記部分の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別することを更に含み、前記少なくとも１つの特性が、前記複数の基板のうちの１つ以上を用いてロボットエンドエフェクタの場所を調整するために提供される、請求項１に記載の方法。

【請求項5】

前記分類することが、前記複数の基板の前記部分から前記基板キャリア内の複数の基板タイプを識別することを更に含む、請求項１に記載の方法。

【請求項6】

前記基板キャリア内の前記基板の反射特性、前記基板キャリア内の前記基板の透過特性、及び前記基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて、前記１つ以上の画像を捕捉する際に使用される光源の波長を選択することを更に含む、請求項１に記載の方法。

【請求項7】

前記光源の放射の入射角、偏光状態、及び強度を選択することを更に含む、請求項６に記載の方法。

【請求項8】

前記１つ以上の画像の各々を訓練されたｃｏｎｖｎｅｔサイズにスケーリングすることを更に含む、請求項１に記載の方法。

【請求項9】

基板マッピングシステムであって、
基板キャリア内の基板の１つ以上の画像及び基板の潜在的な位置を収集するカメラであって、前記１つ以上の画像が、前記基板と、前記基板キャリア内の複数の基板スロットに対する前記基板の位置との関係を含む、カメラと、
データ収集及び制御システムと、を備え、前記データ収集及び制御システムが、前記カメラに結合された機械の１つ以上のハードウェアベースのプロセッサを含み、前記データ収集及び制御システムが、
前記１つ以上の画像を深層畳み込みニューラルネットワークに転送し、
前記深層畳み込みニューラルネットワークを使用して、前記１つ以上の画像から、前記基板キャリア内の前記基板の前記位置内の前記基板のうちの撮像された前記基板の前記部分の状態を分類し、かつ
前記基板のうちの前記撮像された基板の前記部分に近接する前記基板キャリア内の前記基板の前記位置の各々の自動タグ付けを提供する、基板マッピングシステム。

【請求項10】

前記基板のうちの少なくともいくつか及び前記基板キャリア内の前記基板の前記潜在的な位置を照明する光源を更に備える、請求項９に記載の基板マッピングシステム。

【請求項11】

前記光源が、広帯域光源である、請求項１０に記載の基板マッピングシステム。

【請求項12】

前記光源が、単色光源である、請求項１０に記載の基板マッピングシステム。

【請求項13】

前記光源から放出される光の波長が、前記基板キャリア内の前記基板の反射特性、前記基板キャリア内の前記基板の透過特性、及び前記基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて選択される、請求項１０に記載の基板マッピングシステム。

【請求項14】

前記光源の１つ以上の特性が、放射の入射角、偏光状態、及び強度の選択を含む、請求項１０に記載の基板マッピングシステム。

【請求項15】

前記自動タグ付けが、前記複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、請求項９に記載の基板マッピングシステム。

【請求項16】

前記データ収集及び制御システムが、
撮像された前記基板の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別し、かつ
前記基板特性のうちの１つ以上により、転送ロボットのエンドエフェクタと前記基板のうちの選択された１つの基板との間の位置的場所を調整するために、前記少なくとも１つの基板特性を前記転送ロボットに送信するように更に構成されている、請求項９に記載の基板マッピングシステム。

【請求項17】

前記基板キャリアのサイズを特徴付けることを更に含む、請求項９に記載の基板マッピングシステム。

【請求項18】

前記システムが、事前訓練された深層畳み込みニューラルネットワークを生み出すように、前記１つ以上の画像に基づいて訓練モードで最初に訓練され、続いて、基板マッピングシステムが、前記事前訓練された深層畳み込みニューラルネットワークに基づいて製造設備内の基板キャリア内の基板の配置を検出するように、前記製造設備内で通常動作モードで使用されるように構成される、請求項９に記載の基板マッピングシステム。

【請求項19】

前記データ収集及び制御システムが、前記１つ以上の画像の各々を、訓練されたｃｏｎｖｎｅｔサイズにスケーリングするように更に構成されている、請求項９に記載の基板マッピングシステム。

【請求項20】

命令を含むコンピュータ可読媒体であって、前記命令が、機械によって実行されると、前記機械に、
基板キャリア内の複数の基板の少なくとも一部分を検出することであって、前記検出することが、前記複数の基板の前記部分及び前記複数の基板の前記部分に近接する複数の位置の１つ以上の画像を捕捉することを含む、検出することと、
前記１つ以上の画像を、事前訓練された深層畳み込みニューラルネットワークに転送することと、
前記事前訓練された深層畳み込みニューラルネットワークを使用して、前記１つ以上の画像から前記基板キャリア内の前記位置内の前記複数の基板の前記部分の状態を分類することと、
前記複数の基板の前記部分に近接する前記基板キャリア内の前記複数の位置の各々の自動タグ付けを提供することと、を含む、動作を実行させる、コンピュータ可読媒体。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本出願は、２０２１年９月１５日に出願された米国特許出願第１７／４７６，１９５号に対する優先権の利益を主張し、その内容は、参照によりその全体が本明細書に組み込まれる。

【0002】

（発明の分野）
開示される主題は、概して、半導体産業及び関連産業（例えば、フラットパネルディスプレイ及び太陽電池生産設備）において使用される基板検査及び計測ツールの分野に関する。より具体的には、様々な実施形態において、開示される主題は、基板キャリア（例えば、ウェハカセット）を有する基板（例えば、ウェハ）の分類状態を決定することができるマッピングシステムに関する。

【背景技術】

【0003】

半導体ウェハなどの様々なタイプの基板は、典型的には、製造設備（例えば、集積回路製造設備など）内での処理及び計測動作のために、ウェハカセットなどの様々なタイプの基板キャリア内に配置される。しかしながら、動作を開始する前に、キャリア内の全ての基板がキャリア内に適切にロードされているかどうか、及びキャリア内のどの基板スロットが基板によって占有されているかを知ることが望ましい。

【発明の概要】

【0004】

本文献は、とりわけ、基板キャリア内の基板のマッピング、及び各基板の状態の分類、並びに中に基板が配置されるキャリアについて記載している。本明細書に提供される様々な例では、カメラなどの画像取得システムが、キャリア内の基板の１つ以上の画像を取得する。画像は、次いで、空のスロット、占有されたスロット（例えば、適切にロードされたスロット）、二重ロードされたスロット、クロススロット挿入、及び突出（基板がスロット内に完全にロードされていない場合）を含む、キャリアの基板スロットの状態を分類するために、深層畳み込みニューラルネットワークを用いて処理される。

【0005】

様々な実施形態では、開示される主題は、基板キャリア内の位置内のいくつかの基板の状態を分類するための方法である。方法は、基板キャリア内の基板の少なくとも一部分を検出することを含む。検出することは、基板の部分及び基板の部分に近接する位置の１つ以上の画像を捕捉することと、１つ以上の画像を事前訓練された深層畳み込みニューラルネットワークに転送することと、事前訓練された深層畳み込みニューラルネットワークを使用して、画像から基板キャリア内の位置内の基板の部分の状態を分類することと、複数の基板の部分に近接する基板キャリア内の複数の位置の各々の自動タグ付けを提供することと、を含む。

【0006】

様々な実施形態では、開示される主題は、基板マッピングシステムである。基板マッピングシステムは、基板及び基板キャリア内の基板の潜在的な位置の１つ以上の画像を収集するカメラと、データ収集及び制御システムと、を含む。１つ以上の画像は、基板と基板キャリア内のいくつかの基板スロットに対する基板の位置との関係を含む。データ収集及び制御システムは、カメラに結合された機械の１つ以上のハードウェアベースのプロセッサを含み、１つ以上の画像を深層畳み込みニューラルネットワークに転送し、深層畳み込みニューラルネットワークを使用して、１つ以上の画像から基板キャリア内の基板の位置内の基板のうちの撮像された基板の部分の状態を分類し、基板のうちの撮像された基板の部分に近接する基板キャリア内の基板の位置の各々の自動タグ付けを提供するように構成されている。

【0007】

様々な実施形態では、開示される主題は、コンピュータ可読媒体であり、コンピュータ可読媒体は、機械によって実行されると、機械に、基板キャリア内の基板の少なくとも一部分を検出することを含む動作を実行させる命令を含む。検出することは、基板の部分及び基板の部分に近接する位置の１つ以上の画像を捕捉することと、１つ以上の画像を事前訓練された深層畳み込みニューラルネットワークに転送することと、事前訓練された深層畳み込みニューラルネットワークを使用して、画像から基板キャリア内の位置内の基板の部分の状態を分類することと、複数の基板の部分に近接する基板キャリア内の複数の位置の各々の自動タグ付けを提供することと、を含む。

【0008】

添付の図面の様々な図面は、本開示の例示的な実装形態を単に例解するものであり、その範囲を限定するものとみなされるべきではない。

【図面の簡単な説明】

【0009】

【図1A】開示される主題の様々な実施形態とともに使用可能な基板キャリアを示す。

【図1B】開示される主題の様々な実施形態とともに使用可能な前面開口一体化ポッド（front-opening unified-pod、ＦＯＵＰ）を示す。

【図2A】基板キャリア内にロードされた基板を含む基板キャリアの断面部分を示す。

【図2B】基板を含む基板キャリアの断面部分を示し、基板のうちの１つが、基板キャリア内でクロススロット挿入である。

【図2C】基板キャリア内に適切にロードされる基板とともに、基板が欠落している基板キャリア内の場所を含む基板キャリアの断面部分を示す。

【図2D】基板キャリア内に適切にロードされる基板とともに、二重ロードされた基板を含む基板キャリアの断面部分を示す。

【図3】開示される主題の実施形態による基板マッピングシステムの例を示す。

【図4A】開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る前処理システムの例を示す。

【図4B】開示される主題の様々な実施形態による、図３の基板マッピングシステムから取得された画像からキャリア内の基板ロードエラーを検出するフレームワークの例を示す。

【図4C】開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る複数ネットワーク前処理システムの例を示す。

【図4D】開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る単一ネットワーク前処理システムの例を示す。

【図5A】開示される主題の様々な実施形態による、図３の基板マッピングシステムを訓練するための例示的な方法を示す。

【図5B】開示される主題の様々な実施形態による、通常動作モードで図３の基板マッピングシステムを使用するための例示的な方法を示す。

【図6】本明細書で考察される技法（例えば、方法論）のうちのいずれか１つ以上が実行され得る機械を備える例のブロック図を示す。

【発明を実施するための形態】

【0010】

開示される主題は、基板キャリア（例えば、ウェハカセット又は前面開口一体化ポッド（ＦＯＵＰ）など）内の基板（例えば、シリコンウェハ）を検出及びマッピングすることに関する。現代の基板－キャリアマッピングソリューションは、製造環境（例えば、半導体ファブ）においてうまく機能しないことが多い。例えば、化合物ファブは、広範囲の基板直径（例えば、７５ｍｍ、１００ｍｍ、１２５，ｍｍ、１５０ｍｍ、２００ｍｍ、及び３００ｍｍ）、基板タイプ（例えば、シリコン、サファイア、ガリウムヒ素（ＧａＡｓ）、炭化ケイ素（ＳｉＣ）、並びに他のＩＩＩ－Ｖ及びＩＩ－ＶＩ化合物半導体、接合ウェハなど）、並びに基板厚さ（例えば、１５０μｍ以下から２０００μｍ以上）を有する。接合基板を使用する配線後工程（back-end of line、BEOL）プロセスはまた、単一の基板キャリア内に様々な異なる基板を有し得る。

【0011】

現在、基板マッピングソリューションにおいて様々な試みが存在する。しかしながら、基板キャリア（例えば、シリコンウェハカセットなど）の現在のマッピングソリューションは、例えば、前工程化合物製造設備（ファブ）及び後工程ファブに対してはうまく機能しない。

【0012】

例えば、１つの手法は、基板をキャリアから取り出し、キャリア内に配置するために使用されるロボットエンドエフェクタに取り付けられた光センサを使用する。エンドエフェクタに取り付けられた光センサは、特定の状況では動作するが、ロボットハンドリングシステムによって実行される追加の掃引ステップを必要とするため、構成が遅く、時間を消費する。

【0013】

特定の他の手法は、ロードポートドアに取り付けられた光センサを使用する。しかしながら、ロードポートに取り付けられた光センサは、（１）光学系が固定された場所にあり、（２）光学系が光の固定波長に依存するので、基板のタイプ及び厚さの多様性に対処することができない。また、ほとんどの複合、ファブは、ファブのスペースに制約があるため、キャリアを手動でロードしている。したがって、センサを取り付けることができる可動ロードポートは存在しない。

【0014】

特定の他の手法は、基板のキャリア全体を同時に観察するためのカメラを使用する。カメラベースのシステムは、カメラをロードポートに取り付ける必要がないので、手動でロードされるシステムとともに使用することもできる。例えば、カラーカメラは、製造環境において周辺光で動作すること、並びに全ての又はほとんどの広域スペクトル専用照明で機能することができるので、カメラベースのシステムの照明要件は最小限である。しかしながら、試行されてきたカメラベースのソリューションは、シリコンウェハなどの基板のエッジ検出が古典的な画像処理アルゴリズムにとって克服できない問題を提起する場合があるので、成功しないことが多かった。例えば、多くの基板は鏡面反射性が高く、キャリア内の隣接する基板とファブの部屋の両方からの反射が画像に現れる。更に、基板のエッジの形状は様々であり得る。例えば、丸みを帯びたエッジは、画像においてはっきりとしたぎらつきを有する。丸みを帯びたエッジとは対照的に、基板の正方形のエッジは黒く見える。更に、基板の結晶面方位を識別するために使用される、基板上の基準は、画像内の任意の位置に現れる可能性がある。また、上述したように、基板キャリア内のスロットは、かなりの量の公差が設計されている（すなわち、スロットは概して、過度に大きくなるように生産されている）。その結果、大きなスロットは、各ロード部上の同じ位置にある基板のエッジに依存することを困難にする。

【0015】

本明細書に開示されるように、深層畳み込み人工ニューラルネットワーク（本明細書では、表記を簡潔にするために深層畳み込み型システム又はｃｏｎｖｎｅｔとして識別される）は、キャリアタイプ及びその中に含まれる全ての基板を分類することができる。一般化された深層畳み込みタイプのシステムを以下に詳細に説明する。しかしながら、開示される主題を読んで理解することに基づいて、当業者は、任意のタイプの深層畳み込みタイプのシステムが、本明細書に記載される開示される主題とともに使用され得ることを認識するであろう。同じ又は類似のタイプの深層畳み込みタイプのシステムを使用して、キャリア内の各スロットの状態（例えば、適切なロード、二重スロット挿入、クロススロット挿入、欠落など）を分類することができる。開示される主題の様々な実施形態は、２秒未満で基板キャリア全体（例えば、２５枚のウェハを有するウェハカセット）を走査し、特徴付けることができる。

【0016】

深層畳み込みニューラルネットワークを使用すると、その最も単純な形態では、所与の入力又は入力セットに対して、所与の出力が生み出される。この場合、キャリア内の基板（例えば、カセット内のウェハ）の取得されたいくつかの画像からなる入力は、基板の各々の分類状態を示す出力を生み出す。例えば、基板の分類状態は、空のスロット、占有されたスロット（例えば、適切にロードされたスロット）、二重ロードされたスロット、クロススロット挿入、及び突出（基板がスロット内に完全にロードされていない場合）を含む、キャリア内の各基板スロット内の基板を含むことができる。入力と出力との関係は、深層畳み込みニューラルネットワークを訓練することから得られる。そのような訓練動作が本明細書に記載されている。

【0017】

例えば、特定の例示的な実施形態では、深層畳み込みニューラルネットワークは、ＲｅｓＮｅｔ－１８を備え得る。ＲｅｓＮｅｔのこの実装形態では、アーキテクチャ内に１８個の残差ブロックがあり、ネットワークの訓練期間中に数百万個までの画像を使用し得る。例えば、ＲｅｓＮｅｔは、非常に深い残差ネットワークによって引き起こされる劣化問題を回避するために、より少数の層（例えば、他のネットワークタイプにおける数百の層とは対照的に、数十の層）を使用し得る。非常に深い残差ネットワークにおける劣化問題は、多くの場合、より高い誤り率で収束し、それによってネットワークモデルの性能を劣化させる。ＲｅｓＮｅｔでは、劣化問題は、概して、ブロックの中間層がブロック入力を参照して残存機能を学習する残差ブロックを導入することによって改善される。概して、層への入力は、直接、又はショートカット（「スキップ接続」）として別の層に渡され得る。残差関数は、入力特徴マップがより高品質の特徴に対して調整される精緻化ステップと考えることができる。これは、各層が新しい別個の特徴マップを学習することが期待される単純なネットワークと比較される。精緻化が必要とされない場合、中間層は、残差ブロックが恒等関数を表すように、それらの重みをゼロに向かって徐々に調整するように学習することができる。

【0018】

ただし、ＲｅｓＮｅｔ－１８の使用は一例に過ぎない。ニューラルネットワークのより一般化された例を、図４Ａ～図４Ｄを参照して以下で詳細に説明する。

【0019】

上述のように、開示される主題は、深層畳み込みニューラルネットワークを使用し、各基板を分類問題として扱う。基板及び周囲領域（例えば、基板キャリア）のカメラ画像は、システムを訓練するために使用される元の画像サイズと一致する訓練されたｃｏｎｖｎｅｔサイズの画像にトリミング及び／又はスケーリングされる。実施形態では、トリミング又はスケーリングされた画像は、基板スロットごとに１つの画像として、又はいくつかのスロット（例えば、３つ以上のスロット）を含む画像として分割される。画像（単数又は複数）は、次いで、空のスロット、占有されたスロット（例えば、適切にロードされたスロット）、二重ロードされたスロット、クロススロット挿入、及び突出（基板がスロット内に完全にロードされていない場合）を含む、基板スロットの状態を分類するために、深層畳み込みニューラルネットワークを用いて処理される。

【0020】

例えば、ここで図１Ａを参照すると、開示される主題の様々な実施形態とともに使用可能な基板キャリア１００が示されている。基板キャリア１００は、多くの場合、基板処理（例えば、堆積及びエッチング動作）又は計測動作（例えば、基板上に製造される計画された特徴部のフィルム厚さ及び限界寸法（critical dimension、ＣＤ）の測定）などの半導体製造動作中に基板（例えば、シリコンウェハ）を保管又は搬送するために使用される。基板キャリア１００は、キャリア本体１０３と、基板がロードされ得るいくつかのスロット１０１と、を含む。キャリア本体１０３は、ポリエーテルエーテルケトン（ＰＥＥＫ）、ポリプロピレン、又はペルフルオロアルコキシアルカン（ＰＦＡ）などのプラスチック材料を含み得る。具体例では、基板キャリア１００は、最大２５枚のシリコンウェハ（例えば、直径７５ｍｍ～２００ｍｍ）がロードされ得る２５スロットのカセットである。

【0021】

図１Ｂは、開示される主題の様々な実施形態とともに使用可能な前面開口一体化ポッド（ＦＯＵＰ）１５０を示し、示される。ＦＯＵＰ１５０は、典型的には、３００ｍｍウェハを保管又は搬送するために使用される。ＦＯＵＰ１５０は、いくつかのスロット１５９を有するＦＯＵＰキャリア本体１５１と、基板ドアリテーナ１５３と、ＦＯＵＰドア１５５と、基板中央リテーナ１５７と、を含むように示されている。基板ドアリテーナ１５３及び基板中央リテーナ１５７は、ＦＯＵＰ１５０内にロードされた基板が過度に移動しないように保持するのを助け、それによって基板への損傷を最小限に抑えるか又は防止する。ＦＯＵＰは、図１Ａの基板キャリア１００と同様の目的のために使用されるが、基板ドアリテーナ１５３及び基板中央リテーナ１５７などの特徴部により、ＦＯＵＰ１５０は、図１Ａの基板キャリア１００で起こり得るような、図２Ａ～図２Ｄを用いて後述するような不適切な基板の配置及びロードに関する多くの問題の発生を概ね防止することができる。

【0022】

ＦＯＵＰ１５０は、例えば３００ｍｍのシリコンウェハを制御された環境内で確実かつ安全に保持するように設計された特殊なプラスチック（例えばポリカーボネート）筐体である。ＦＯＵＰ１５０は、典型的には自動化された材料ハンドリングシステムによって、処理及び測定のために機械（例えば、処理ツール及び計測ツール）間で基板を転送することを可能にすることができる。

【0023】

図２Ａは、基板キャリア内にロードされた基板２０５を含む基板キャリア（例えば、図１Ａの基板キャリア１００と類似又は同じ）の断面部分２００を示す。基板キャリアの本体２０３は、基板がロードされ得るいくつかの基板スロット２０１（この例では５対のスロットが示されている）を含む。基板２０５のうちの３つが、基板スロット２０１のそれぞれの適切な基板スロットにロードされる。

【0024】

図２Ｂは、基板キャリア内にロードされた基板２０５を含む基板キャリアの断面部分２１０を示す。図２Ｂはまた、基板キャリア内に「クロススロット挿入」の基板２０７を示す。すなわち、基板２０７は、左端が基板キャリアの左側の基板スロット２０１のうちの（最上部のスロットから）２番目に取り付けられており、基板２０７の右端は、基板キャリアの右側の基板スロット２０１のうちの最上部の基板スロットに取り付けられている。基板２０７のクロススロット挿入の取り付けにより、ロボット（例えば、転送ロボット）のエンドエフェクタ、又は他の自動化された基板抽出ツールは、基板２０７が方向付けられる角度のため、概して、キャリアから基板２０７を取り出すことができないであろう。

【0025】

図２Ｃは、基板スロット２０１のそれぞれの適切なスロットにロードされた基板２０５のうちの２つを含む基板キャリアの断面部分２２０、及び基板が位置するべき領域２０９を示す位置（基板が欠落している）を示す。基板が領域２０９にロードされないので、欠落している基板を搬送するように設計されたロボットは、時間及び労力を浪費する。

【0026】

図２Ｄは、二重ロードされた基板２１１を含む基板キャリアの断面部分２３０を示す（２つの基板が同じ高さで一組の基板スロットにロードされる。基板２０５のうちの２つが、基板スロット２０１のそれぞれの適切な基板スロットにロードされる。しかしながら、図２Ｂの基板キャリアと同様に、ロボットのエンドエフェクタ又は他の自動化された基板抽出ツールは、概して、二重ロードのためにキャリアから二重ロードされた基板２１１のいずれかを取り出すことができないか、又は二重ロードされた基板２１１のうちの底部の基板をロードすることができる場合がある。二重ロードされた基板２１１のうちの頂部の基板は、少なくとも部分的に引き出されることがあり、又は単に処理若しくは計測ツール内に不適切にロードされることがある。他の場合には、二重ロードされた基板２１１のうちの頂部の基板は、少なくとも部分的に引き出されることがあり、後に落下することがある。いずれにしても、ロボットは、その後、二重ロードされた基板２１１のうちの単一の基板を同じ対のスロット２０１に戻すことができない。

【0027】

上述の起こり得る問題に加えて、図２Ａ～図２Ｄに示される基板キャリアの断面部分２００、２１０、２２０、２３０のうちのいずれか１つは、基板２０５、２０７、２１１のうちの１つ以上が基板スロット２０１のそれぞれの中に完全にロードされていない場合がある。すなわち、基板２０５、２０７、２１１のうちの１つ以上は、基板キャリアから突出していることがある（すなわち、図面ページから外にある）。したがって、ロボットのエンドエフェクタが基板（例えば、基板２０５）に装着することができる場合であっても、エンドエフェクタは、基板上の非常に後方の基板に装着される場合があり、プロセス又は計測ツール上の適切な配置を困難又は不可能にする。開示される主題の態様はまた、以下に記載されるように、基板のうちの突出した基板を検出することができる。

【0028】

上記で識別されたこれら及び他の問題を検出するために、開示される主題は、画像取得システムによって捕捉された画像を分類するために、いくつかの画像に基づいて深層畳み込みニューラルネットワークを使用する。何百万もの画像を収集しなければならないことを回避するために、転移学習が使用され得る。例では、ネットワークを訓練するために典型的に使用される画像の数は、約５，０００画像～約５０，０００画像であり得る。訓練は、事前訓練されたネットワークから開始する。実施形態では、最後の５～１０層は、限られた量の画像データを使用して訓練される。このような訓練方式は、より複雑な深層畳み込みニューラルネットワークシステムにおいて頻繁に遭遇する計算要件を制限する。

【0029】

訓練は、様々なタイプのキャリア内の様々なタイプの基板の画像を含む例示的な画像と、キャリア内の基板スロットに対する基板の関係との混合から開始することができる。画像は、所与の基板の複数の画像、又はキャリアの複数のスロット（例えば、画像が基板キャリア全体を含み得る場合であっても、例えばクロススロット挿入の基板を検出するための３つのスロット）をカバーする複数の画像を含むことができる。キャリアサイズは、キャリア内の基板の厚さ（単数又は複数）と同様に分類され得る。また、本明細書に記載される分類ステータスに加えて、基板の厚さ、基板の湾曲、基板の反り、（例えば、薄くされた基板からの）基板の垂下などの基板の他の特性が、基板特性のうちの１つ以上に起因して、ロボットのエンドエフェクタと基板との間の位置的場所（例えば、ピックする場所）を調整するために留意され得る。特性は、例えば、基板特性のうちの１つ以上に起因するロボットのエンドエフェクタと基板との間の衝突を回避するために留意され得る。したがって、訓練は、特定の基板タイプに至るまで、画像の一般化から開始し、次いで、上述したような各基板の分類ステータス（例えば、二重スロット挿入、欠落、突出）に従って基板に自動タグ付けすることができる。各基板の自動タグ付けは、深層畳み込みニューラルネットワークからの出力に基づく。

【0030】

分類ステータスに加えて、自動タグ付けはまた、所与のキャリア内の各基板に関連付けられた識別（例えば、ＩＤ番号）と、複数の基板の部分に近接する基板キャリア内の複数の位置の各々の自動タグ付けとを含むことができる。

【0031】

図３は、開示される主題の実施形態による、基板マッピングシステム３００の例を示す。基板マッピングシステム３００は、本明細書に図示及び説明される１つ以上の技法を実行するために使用することができ、例えば、基板キャリア（例えば、図１の基板キャリア１００など）内の基板の配置（正確な配置と不正確な配置の両方）を検出するシステムを含む。基板マッピングシステム３００は、機械学習ネットワークの少なくとも一部分を含む。

【0032】

基板マッピングシステム３００は、まず、機械学習ネットワークを訓練するために訓練モードで使用され得、その後、例えば、基板キャリア内の基板の配置を検出するために通常動作モードで使用され得る。様々な例では、訓練モードは、基板マッピングシステム３００の製造業者によって実行され得る。訓練モードから得られたデータは、次に、通常動作モードにおける実際の分類状態（例えば、図２Ａ～図２Ｄを参照して上述したような、適切にロードされた基板、クロスロードされた基板、二重ロードされた基板、又は突出した基板）を決定するために、例えば製造設備において使用され得る。基板マッピングシステム３００からのデータを使用する例示的なフレームワークを、図４Ａ～図４Ｄを参照して以下で説明する。訓練モード及び通常動作モードを使用する方法の例については、図５Ａ及び図５Ｂを参照して後述する。

【0033】

例示的な実施形態では、基板マッピングシステム３００は、基板キャリア３０５と、基板キャリア３０５内の基板を照明するための任意の光源３０１と、カメラ３０３と、を含むように示されている。様々な実施形態では、任意選択の光源３０１及びカメラ３０３の両方は、データ収集及び制御システム３１０に結合されている。様々な実施形態では、カメラ３０３は、２つ以上のカメラを含み得る。例えば、基板キャリア３０５からの基板突出を検出するために、第２のカメラが望ましい場合がある。また、カメラ３０３は、異なるロードポートをカバーするための複数のカメラを備え得る。例えば、ロードポートＡのための１つ以上のカメラ、及びロードポートＢのための１つ以上のカメラの第２のセットである。様々な実施形態では、リモートデータ記憶及び処理ユニット３３０も使用することが可能であり得る。リモートデータ記憶及び処理ユニット３３０は、例えば、サーバ、クラウド処理システム、データウェアハウス、ラップトップ、タブレット、スマートフォン、又はデスクトップコンピュータなどのような汎用コンピューティングデバイスの１つ以上のインスタンス化を含み得る。

【0034】

任意選択の光源３０１は、広帯域光源、いくつかの主に単色（例えば、単一波長）の光源、又は広帯域光源と単色光源との組み合わせを含み得る。任意選択の光源３０１はまた、１つ以上の入射角で、異なる偏光状態、及び放射強度などで基板に入射する光源を含み得る。任意選択の光源３０１の選択は、基板キャリア３０５内の基板の特定の反射及び／又は透過特性に基づいて使用され得る。任意選択の光源３０１は、基板上の様々なフィルム又はコーティングと協働するように構成することもできる。例えば、黄色光（例えば、およそ５７７ｎｍの波長を有する）が、フォトレジストの露光を回避するために、フォトレジストコーティングを有する基板とともに使用され得る。他の実施形態では、光の波長は、基板上の１つ以上のフィルムの化学反応を引き起こすことを回避するために、画像の捕捉中に基板を照明するように選択され得る。しかしながら、様々な実施形態では、ファブ内からの周辺光は、基板キャリア３０５内の基板を照明するのに十分であり得る。

【0035】

カメラ３０３は、１つ以上のレンズ（例えば、単一の可変焦点距離レンズ又は複数の単一焦点距離レンズが存在し得る）と、画像センサ（例えば、ＣＣＤアレイ、ＣＭＯＳベースのセンサ、アクティブ画素センサ、又は他のセンサタイプ）と、画像抽出を容易にするための関連回路を有するカメラ基板と、を備え得る。一例では、カメラ３０３は、カラーカメラであり、これはキャリアの検出を助けることもできる。基板キャリアは、キャリア内にロードされた基板とは異なるカラーであることが多いため、カラーカメラが役立つので、カラーカメラが望ましい場合がある。また、一般的なネットワークは、カラー画像に対して訓練されることが多く、そうでない場合は、単色カメラから収集されたグレースケール画像に対する統合課題を引き起こす。しかしながら、グレースケール画像を使用して訓練されたネットワークを使用する既知のキャリアタイプでは、単色カメラも同様に使用され得る。実施形態では、上述のように複数のカメラが使用され得る。例えば、２つのカメラを使用してステレオ画像を捕捉することができ、これは、基板が基板キャリア３０５から突出しているかどうかなどの分類ステータスの決定を行う際に有用であり得る。

【0036】

データ収集及び制御システム３１０は、中央処理ユニット（central processing unit、ＣＰＵ）３１１、グラフィック処理ユニット（graphics processing unit、ＧＰＵ）３１９、フィールドプログラマブルゲートアレイ（field programmable gate array、ＦＰＧＡ）３１７（又は他の好適なハードウェア、例えば、特定用途向け集積回路（application-specific integrated circuit、ＡＳＩＣ）又はデータ処理ユニット（data processing unit、ＤＰＵ）、及び人工ニューロンネットワーク（artificial neuron network、ＡＮＮ）など）、メモリ３２１、ディスプレイ３１３、入力デバイス３２３、並びに通信インターフェース３１５（例えば、高性能ネットワーク（high performance network、ＨＰＮ））を含むように示されている。

【0037】

データ収集及び制御システム３１０はまた、例えば、送信信号チェーン、受信信号チェーン、スイッチ回路、デジタル回路、アナログ回路などのフロントエンド回路を含むことができる。実施形態では、送信信号チェーンは、任意選択の光源３０１に制御信号を提供し得る。受信信号チェーンは、カメラ３０３から画像信号を受信し得る。フロントエンド回路構成は、ＣＰＵ３１１、ＧＰＵ３１９、及びＦＰＧＡ３１７などの１つ以上のプロセッサ回路に結合され、かつそれらによって制御され得る。ＣＰＵ３１１は、１つ以上のマルチコアプロセッサとして実装され得る。ＧＰＵ３１９及びＦＰＧＡ３１７は、本明細書で説明されるように、カメラ３０３から収集された画像データの処理及び機械学習ネットワークの性能を高速化するために使用され得る。本明細書に図示及び説明される技法は、例えば、より速い処理のためにＧＰＵ３１９とともに作動するＣＰＵ３１１によって実行され得る。

【0038】

ＣＰＵ３１１及びＧＰＵ３１９、並びにデータ収集及び制御システム３１０の他の構成要素は、例えば、データ収集及び制御システム３１０に、光源照明、画像取得（以下でより詳細に説明する）、処理、若しくは画像取得に関するデータの記憶のうちの１つ以上を実行させる命令を実行するように、又は本明細書に図示及び説明される技法を別様に実行するように、メモリ３２１に結合され得る。データ収集及び制御システム３１０は、例えば、通信インターフェース３１５の有線又は無線バージョンを使用して、基板マッピングシステム３００の他の部分と通信可能に結合され得る。

【0039】

本明細書に図示及び説明されるような１つ以上の技法の実行は、データ収集及び制御システム３１０において、又は他の処理又は記憶設備を使用して、例えば、リモートデータ記憶及び処理ユニット３３０を使用して達成されることができる。例えば、データ収集及び制御システム３１０で実行すると望ましくないほど遅いか、又はデータ収集及び制御システム３１０の能力を超える可能性がある処理タスクは、例えば、データ収集及び制御システム３１０からの要求に応答して、リモートで（例えば、別個のシステム上で）実行され得る。同様に、撮像データ又は中間データの記憶は、データ収集及び制御システム３１０に通信可能に結合されたリモート設備を使用して達成され得る。データ収集及び制御システム３１０はまた、例えば、構成情報又は結果の提示のためのディスプレイ３１３と、オペレータコマンド、構成情報、又はクエリに対する応答を受信するための、例えば、キーボード、トラックボール、ファンクションキー又はソフトキー、マウスインターフェース、タッチスクリーン、スタイラスなどのうちの１つ以上を含む入力デバイス３２３と、を含み得る。

【0040】

上述したように、データ収集及び制御システム３１０は、基板キャリア３０５内の基板の１つ以上の画像、並びに基板キャリア３０５内の基板及び基板の潜在的な位置の画像（欠落した基板が存在するかどうかを決定するため）を受信し得る。画像はまた、基板と、基板キャリア内の基板スロット２０１（図２Ａを参照）に対する基板の潜在的な位置との関係を含む。データ収集及び制御システム３１０は、基板及びキャリアを分類するために、本明細書に図示及び説明されるような１つ以上の技法を実行し得る。更に、データ収集及び制御システム３１０のいくつか又は全ての態様は、リモートで実行及び制御することができる。

【0041】

図４Ａは、開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る前処理システム４００の例を示す。開示される主題を読んで理解すると、当業者は、残差ニューラルネットワーク（上述のＲｅｓＮｅｔ－１８などのＲｅｓＮｅｔ）などのいくつかの異なる深層畳み込みニューラルネットワークが、以下で説明する図４Ａの例示的な前処理システム、又は図４Ｃ若しくは図４Ｄの例示的な前処理システムの代わりに、又はそれに加えて使用され得ることを認識するであろう。図３のカメラ３０３は、基板キャリア３０５内の基板の多数の生画像を得るために使用される。画像の各々は、次いで、同時に又は順次処理され得る。例えば、基板の生画像４０１は、様々な技法によって操作され得る。一例では、生画像は、抽象ヒルベルト空間において変換画像を形成するために、変換技法を使用して操作され得る。例えば、変換は、フーリエ変換、ラプラス変換、又は他の好適な変換技法を含み得る。カラー画像の場合、これらのプロセスは、カメラ３０３によって提供される元の色の１つ又は組み合わせに適用することができる。

【0042】

次いで、生画像４０１（又は変換画像）は、線形フィルタ及び非線形フィルタを含む、実空間及び／又はヒルベルト空間における１つ以上のフィルタによってフィルタリングされ得る。例えば、生画像４０１（又は変換画像）は、第１のフィルタ４２１（フィルタ１）によってフィルタリングされて、中間画像４０３、４０５の第１のセットを生成し得る（図４Ａの例は２つの中間画像のみを示すが、必要に応じて任意の数の中間画像が生成され得る）。第１のフィルタ４２１は、例えば、光の異なる帯域幅における１つ以上の線形フィルタとして提供され得る。中間画像４０３、４０５の第１のセットは、次いで、組み合わせられ、第２のフィルタ４２３（フィルタ２）によってフィルタリングされて、第２の中間画像４０７を生成し得る。第２のフィルタ４２３は、１つ以上の線形フィルタ又は他のタイプのフィルタとして提供され得る。第２の中間画像４０７は、前処理済み画像４０９を生成するために、第３のフィルタ４２５（フィルタ３）によってフィルタリングされ得る。第３のフィルタ４２５は、１つ以上の非線形フィルタ又は他のタイプのフィルタとして提供され得る。前処理は、画像内のコントラストをより顕著にするか、又はエッジ検出を増加させ、したがって、本明細書に記載されるように、基板の場所を検出及び分類することを補助し得る。

【0043】

図４Ｂは、開示される主題の様々な実施形態による、図３の基板マッピングシステムから取得された画像からキャリア内の基板ロードエラーを検出するフレームワーク４５０の例を示す。上述したように、フレームワーク４５０は、機械学習ネットワークを訓練するために訓練モードで使用され得、次いで、製造環境において基板を分類するために通常動作モードで使用され得る。訓練モード及び通常動作モードの例については、図５Ａ及び図５Ｂを参照して後述する。

【0044】

図４Ｂに示されるように、フレームワーク４５０は、プリプロセッサ４５３及び機械学習ネットワーク４６０を含むように示されている。生画像４５１が、プリプロセッサ４５３に提供される。この例では、プリプロセッサ４５３は、図４Ａを参照しながら上述したように、生画像４５１をフィルタリング又は他の方法で処理して、例えば、生画像４５１をトリミング、スケーリング、又は他の方法で変更若しくは強調して、前処理済み画像４５５を生成する。

【0045】

次いで、前処理済み画像４５５は、機械学習ネットワーク４６０に入力され得る。機械学習ネットワーク４６０は、多層機械学習モデルとして提供され得る。例えば、機械学習ネットワーク４６０は、入力層４５９、特徴抽出層４６１、特徴関係層４６３、及び判定層４６５を含む４つの層を含み得る。前処理済み画像４５５からの画素情報は、入力層４５９に送られ得る。入力層４５９内の各ノードは、前処理済み画像４５５の画素に対応し得る。機械学習ネットワーク４６０は、反復方式で、層４５９～４６５のうちの１つ以上において訓練され得る。判定層４６５は、所与の基板の分類に関する判定を出力し得る。次いで、分類結果４６７が生成される。分類結果４６７は、生画像４５１から検出された分類のタイプを抽出し得る。分類結果４６７は、分類状態（例えば、適切にロードされた基板、クロスロードされた基板、二重ロードされた基板、又は突出した基板）を示すテキスト指示を提供し得る。実施形態では、分類結果４６７は、ロボットに、潜在的に誤って配置された又は欠落した基板で機能するように（例えば、キャリアから突出している場合に真空を適用する前に基板上を更に前方に移動するように、欠落した基板スロットをスキップするように、など）指示するコマンドとして入力され得る。

【0046】

上述したように、フレームワーク４５０は、まず、機械学習ネットワーク４６０を訓練して基板の状態を分類するために訓練モードで使用され得る。フレームワーク４５０は、次いで、製造環境において基板を分類するために、通常動作モードで使用され得る。機械学習ネットワーク４６０の訓練は、教師ありプロセスであり得、分類プロセスが実行される場所のオフサイトで実行され得る。訓練は、機械学習ネットワーク４６０を訓練するために、既知の分類状態を有する訓練画像（例えば、１つ以上の訓練画像）のセットを使用し得る。

【0047】

図４Ｃは、開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る、複数ネットワーク前処理システム４７０の例を示す。開示される主題を読んで理解すると、当業者は、残差ニューラルネットワーク（上述のＲｅｓＮｅｔ－１８などのＲｅｓＮｅｔ）などのいくつかの異なる深層畳み込みニューラルネットワークが、図４Ｃの例示的な前処理システムの代わりに、又はそれに加えて使用され得ることを認識するであろう。複数ネットワーク前処理システム４７０は、生画像入力ブロック４７２と、フィルタリングブロック４７４と、ｃｏｎｖｎｅｔ基板キャリアサイズ処理ブロック４７６と、ｃｏｎｖｎｅｔ基板検出処理ブロック４７８と、基板キャリア内の全ての基板スロット（例えば、２５スロット）がいつ処理されたかを決定する判定ブロック４８０と、を含むように示されている。

【0048】

図３のカメラ３０３は、基板キャリア３０５内の基板の少なくとも１つの生画像（又は、複数ネットワーク前処理システム４７０が訓練目的で使用されている場合は多数の生画像）を取得するために使用される。次いで、画像の各々が、順次処理され得る（画像の同時処理の例は、図４Ｄを参照して以下に提供される）。例えば、基板の生画像は、入力として生画像入力ブロック４７２に提供される。生画像は、次いで、様々な技法によって操作され得る。一例では、生画像は、トリミング画像ブロック４７１において、基板キャリアの物理的構造に従って大まかな位置にトリミングされる。スケール画像ブロック４７３において、トリミングされた画像は、訓練されたｃｏｎｖｎｅｔサイズに内挿又は外挿され、元の機械学習ネットワークにおいて使用された訓練サイズに関係が戻る。スケーリングされた画像は、次いで、再スケーリングブロック４７５内で、浮動小数点範囲の０～１から整数範囲に再スケーリングされる。整数範囲は、所与の精度値を有するように（例えば、８ビットカラー深度に対する２５６個の離散ステップのうちの１つとして）選択することができる。

【0049】

フィルタリング４７４内の動作が完了した後、フィルタリングされた画像は、基板キャリアの物理的サイズの決定（例えば、基板の最大直径又はキャリア内のスロットの数の決定）を行うｃｏｎｖｎｅｔ基板キャリアサイズ処理ブロック４７６に入力される。当業者は、開示される主題を読んで理解すると、基板キャリアサイズの決定は、基板のキャリアの処理ごとに１回実行される必要があるだけであることを認識するであろう。しかしながら、決定は、動作の各ループについて検証され得る。

【0050】

次いで、ｃｏｎｖｎｅｔ基板検出処理ブロック４７８は、元の訓練データに基づいて、基板が各スロット内に位置しているか、クロススロット挿入であるか、突出しているか、若しくは二重スロット挿入であるかどうか、又は複数ネットワーク前処理システム４７０が訓練された任意の他のパラメータを決定する。次いで、判定ブロック４８０において、基板キャリア内の全ての基板スロット（例えば、２５個のスロット）が処理されたかどうかが決定される。処理すべき基板が更に存在する場合（例えば、２５個の基板が処理されていない場合）、動作は生画像入力ブロック４７２に戻る。全ての基板が処理された場合、複数ネットワーク前処理システム４７０の動作は終了ブロック４８２に進む。

【0051】

図４Ｄは、開示される主題の様々な実施形態による、図３の基板マッピングシステムとともに使用され得る単一ネットワーク前処理システム４９０の例を示す。開示される主題を読んで理解すると、当業者は、残差ニューラルネットワーク（上述のＲｅｓＮｅｔ－１８などのＲｅｓＮｅｔ）などのいくつかの異なる深層畳み込みニューラルネットワークが、図４Ｄの例示的な前処理システムの代わりに、又はそれに加えて使用され得ることを認識するであろう。しかしながら、図４Ｄの様々な構成要素の各々は、もしあれば、図４Ｃの複数ネットワーク前処理システム４７０の同等の構成要素と同じ又は類似であり得る。しかしながら、例示的な動作では、図４Ｃの複数ネットワーク前処理システム４７０は、単一ネットワーク前処理システム４９０とともに使用され得る訓練画像の総数のおよそ１０％以下で機能し得る。

【0052】

図３のカメラ３０３は、基板キャリア３０５内の基板の少なくとも１つの生画像（又は、複数ネットワーク前処理システム４９０が訓練目的で使用されている場合は多数の生画像）を取得するために使用される。画像の各々は、次いで、同時に処理され得る。例えば、基板の生画像は、入力として生画像入力ブロック４９２に提供される。生画像は、次いで、様々な技法によって操作され得る。一例では、生画像は、フィルタリングブロック４９４内のトリミング画像ブロック４９１において、基板キャリアの物理的構造に従って大まかな位置にトリミングされる。スケール画像ブロック４９３において、トリミングされた画像は、訓練されたｃｏｎｖｎｅｔサイズに内挿又は外挿され、元の機械学習ネットワークにおいて使用された訓練サイズに関係が戻る。スケーリングされた画像は、次いで、再スケーリングブロック４９５内で、浮動小数点範囲の０～１から整数範囲に再スケーリングされる。整数範囲は、所与の精度値を有するように（例えば、８ビットカラー深度に対する２５６個の離散ステップのうちの１つとして）選択することができる。

【0053】

フィルタリング４９４内の動作が完了した後、フィルタリングされた画像は、ｃｏｎｖｎｅｔ基板キャリアサイズ／スロット／基板検出及び処理ブロック４９６に入力され、これは、基板キャリアの物理的サイズの決定（例えば、基板の最大直径又はキャリア内のスロットの数の決定）、並びに元の訓練データに基づく、基板が各スロット内に位置するか、クロススロット挿入であるか、突出しているか、若しくは二重スロット挿入であるか、又は単一ネットワーク前処理システム４９０が訓練された任意の他のパラメータの決定を行う。次に、ブロック４９８において、全てのスロット（例えば、２５個全てのスロット）内の全ての基板の決定が出力される。

【0054】

ここで図５Ａを参照すると、開示される主題の様々な実施形態による、図３の基板マッピングシステムを訓練するための例示的な方法５００が示されている。訓練プロセスの例示的な方法５００は、訓練画像のセットを用いて複数回実行され得る。動作５０１において、訓練画像が受信され、上述したように前処理され得る。訓練画像は、通常動作モード中に遭遇する同じ又は類似のタイプの基板分類の画像に対応し得る。訓練画像は、特定のタイプの基板分類状態（例えば、適切にロードされた基板、クロスロードされた基板、二重ロードされた基板、又は突出した基板）の存在に基づいて選択され得る。前処理は、上述のような基板の分類の決定を支援するための一連のフィルタリング動作（少なくともその一部が上述されている）を含み得る。

【0055】

動作５０９において、前処理済み画像に関連するラベル（例えば、スロット番号）が受信され得る。実施形態では、ラベルは、手動プロセスによって生成され得る。動作５１１において、前処理済み画像は、本明細書に記載されるように、機械学習ネットワーク（例えば、機械学習ネットワーク４６０）に入力され得る。動作５１３において、ラベルに基づく参照出力が生成され、機械学習ネットワークに提供され得る。

【0056】

動作５１５において、機械学習ネットワークは、機械学習ネットワークの出力が、ラベルの各々についての分類タイプに基づいて参照出力と一致するか、又は実質的に一致するまで、反復動作を実行し得る。ラベルは、既知の分類タイプ（例えば、適切にロードされた基板、クロスロードされた基板、二重ロードされた基板、又は突出した基板）と関連付けられ得る。開示される主題を読んで理解すると、当業者は、基板キャリアから突出するクロスロードされた基板又は二重ロードされかつクロスロードされた基板など、２つ以上の分類タイプが適用され得ることを認識するであろう。

【0057】

例示的な方法５００は、機械学習ネットワークを訓練するために訓練画像のセットに対して繰り返され得る。訓練画像は、分類タイプを用いて異なるタイプの基板（例えば、各々が異なる直径及び／又は厚さと組み合わされた元素、化合物、接合基板など）を検出するように機械学習ネットワークを訓練するための異なる分類タイプを含み得る。機械学習ネットワークが訓練プロセスを完了した後、機械学習ネットワークは、例えば、製造又は計測プロセス中に基板の分類タイプを検出するように、通常動作モードで使用することができる。

【0058】

図５Ｂは、開示される主題の様々な実施形態による、通常動作モードで図３の基板マッピングシステムを使用するための例示的な方法５５０を示す。動作５５１において、検査対象のデバイスの少なくとも１つの画像が受信され、上述したように前処理され得る。画像は、図３を参照して上述したように、カメラ３０３によって捕捉され得る。前処理は、上述したように、いくつかのフィルタリング技法であり得る。

【0059】

動作５５３において、前処理済み画像は、本明細書に記載されるように、機械学習ネットワークに入力され得る。動作５５５において、機械学習ネットワーク（例えば、図４の機械学習ネットワーク４６０）は、その訓練に基づいて、前処理済み画像から各基板分類状態に関する判定を出力する動作を実行し得る。

【0060】

本明細書に図示及び説明される技法は、図３に示されるような基板マッピングシステム３００の一部分又は全体を使用して、又は別様に図６に関連して以下で考察されるような機械６００を使用して、実行され得る。図６は、本明細書で考察される技法（例えば、方法論）のうちのいずれか１つ以上が実行され得る機械６００を備える例示的なブロック図を示す。様々な例では、機械６００は、スタンドアロンデバイスとして動作し得るか、又は他の機械に接続（例えば、ネットワーク化）され得る。ネットワーク化された展開では、機械６００は、サーバマシン、クライアントマシン、又はサーバクライアントネットワーク環境では両方の容量で動作し得る。一例では、機械６００は、ピアツーピア（peer-to-peer、Ｐ２Ｐ）（又は他の分散型）ネットワーク環境におけるピアマシンとして機能し得る。機械600は、パーソナルコンピュータ（personal computer、ＰＣ）、タブレットデバイス、セットトップボックス（set-top box、ＳＴＢ）、パーソナルデジタルアシスタント（personal digital assistant、ＰＤＡ）、携帯電話、ウェブアプライアンス、ネットワークルータ、スイッチ若しくはブリッジ、又はその機械によって取られるアクションを指定する命令（順次的な、若しくは別様の）を実行することができる任意の機械であり得る。更に、単一の機械のみが例解されているが、「機械」という用語は、クラウドコンピューティング、サービスとしてのソフトウェア（software as a service、ＳａａＳ）、他のコンピュータクラスタ構成など、本明細書で考察される方法論のうちのいずれか１つ以上を実行するために、命令のセット（又は複数のセット）を個別に又は共同で実行する機械の任意の集合を含むものとする。

【0061】

本明細書に説明される例は、論理若しくは多数の構成要素若しくは機構を含み得るか、又はそれらによって動作し得る。回路構成は、ハードウェア（例えば、単純な回路、ゲート、論理など）を含む有形のエンティティに実装された回路の集合体である。回路構成メンバーシップは、時間及び基礎となるハードウェアの変動性に対してフレキシブルであり得る。回路構成は、単独で又は組み合わせで、動作時に、指定された動作を実行し得る部材を含む。一例では、回路構成のハードウェアは、特定の動作を実施するように不変に設計され（例えば、配線され）得る。一例では、回路構成を備えるハードウェアは、特定の動作の命令を符号化するために、（例えば、物理的状態の変化又は別の物理的特性の変換などを介して磁気的に、電気的になど）物理的に変更されるコンピュータ可読媒体を含む、可変的に接続された物理的構成要素（例えば、実行ユニット、トランジスタ、単純回路など）を含み得る。物理的構成要素を接続する際に、ハードウェア構成要素の基礎となる電気的特性が、例えば、絶縁特性から導電性特性に、又はその逆に変更され得る。命令は、埋め込まれたハードウェア（例えば、実行ユニット又はロード機構）が、動作時に特定の動作の一部分を実施するために、可変接続を介してハードウェア内に回路構成のメンバーを作成することを可能にする。したがって、コンピュータ可読媒体は、デバイスが動作しているときに、回路構成の他の構成要素に通信可能に結合される。一例では、物理的構成要素のうちのいずれかが、２つ以上の回路構成の２つ以上のメンバーで使用され得る。例えば、動作中、実行ユニットは、ある時点で第１の回路構成の第１の回路で使用され、第１の回路構成内の第２の回路によって、又は異なる時間に第２の回路構成内の第３の回路によって、再使用され得る。

【0062】

機械６００（例えば、コンピュータシステム）は、ハードウェアプロセッサ６０２（例えば、中央処理ユニット（ＣＰＵ）、グラフィック処理ユニット（ＧＰＵ）、ハードウェアプロセッサコア、又はそれらの任意の組み合わせ）、メインメモリ６０４、及び静的メモリ６０６を含み得、それらのうちのいくつか又は全てが、インターリンク６３０（例えば、バス）を介して互いに通信し得る。機械６００は、表示デバイス６０９、入力デバイス６１１（例えば、英数字キーボード）、及びユーザインターフェース（user interface、ＵＩ）ナビゲーションデバイス６１３（例えば、マウス）を更に含み得る。一例では、表示デバイス６０９、入力デバイス６１１、及びＵＩナビゲーションデバイス６１３は、タッチスクリーンディスプレイの少なくとも一部分を含み得る。機械６００は、記憶デバイス６２０（例えば、駆動ユニット）、信号生成デバイス６１７（例えば、スピーカ）、ネットワークインターフェースデバイス６５０、及び全地球測位システム（global positioning system、ＧＰＳ）センサ、コンパス、加速度計、又は他のセンサなどの１つ以上のセンサ６１５を付加的に含み得る。機械６００は、例えば、シリアルコントローラ若しくはインターフェース（例えば、ユニバーサルシリアルバス（universal serial bus、ＵＳＢ））、並列コントローラ若しくはインターフェース、又は他の有線若しくは無線（例えば、赤外線（infrared、ＩＲ）コントローラ若しくはインターフェース、近距離無線通信（near field communication、ＮＦＣ）など、１つ以上の周辺デバイス（例えば、プリンタ、カードリーダなど）を通信又は制御するように結合された出力コントローラ６１９を含み得る。

【0063】

記憶デバイス６２０は、本明細書に説明される技法又は機能のうちのいずれか１つ以上を具現化するか、又はそれらによって利用されるデータ構造若しくは命令６２４（例えば、ソフトウェア若しくはファームウェア）のうちの１つ以上のセットが記憶される機械可読媒体を含み得る。命令６２４はまた、機械６００によるその実行中に、メインメモリ６０３内、静的メモリ６０５内、大容量記憶デバイス６０７内、又はハードウェアベースのプロセッサ６０１内に、完全に又は少なくとも部分的に存在し得る。一例では、ハードウェアベースのプロセッサ６０１、メインメモリ６０３、静的メモリ６０５、又は記憶デバイス６２０のうちの１つ、又はそれらの任意の組み合わせが、機械可読媒体を構成し得る。

【0064】

機械可読媒体は、単一の媒体とみなされるが、「機械可読媒体」という用語は、１つ以上の命令６２４を記憶するように構成された単一の媒体又は複数の媒体（例えば、集中型若しくは分散型データベース、及び／又は関連付けられたキャッシュ及びサーバ）を含み得る。

【0065】

「機械可読媒体」という用語は、機械６００による実行のための命令を記憶、符号化、若しくは担持することができ、かつ機械６００に、本開示の技法のうちのいずれか１つ以上を実行させるか、又はそのような命令によって使用されるか、若しくはそのような命令に関連付けられたデータ構造を記憶、符号化、若しくは担持することができる任意の媒体を含み得る。非限定的な機械可読媒体の例としては、ソリッドステートメモリ、並びに光学及び磁気媒体が挙げられ得る。したがって、機械可読媒体は、一時的な伝搬信号ではない。大規模な機械可読媒体の具体例としては、半導体メモリデバイス（例えば、電気的にプログラム可能な読み取り専用メモリ（Electrically Programmable Read-Only Memory、ＥＰＲＯＭ）、電気的に消去可能なプログラム可能な読み取り専用メモリ（Electrically Erasable Programmable Read-Only Memory、ＥＥＰＲＯＭ））、及びフラッシュメモリデバイスなどの不揮発性メモリ、磁気又は他の相変化若しくは状態変化メモリ回路、内蔵ハードディスク及びリムーバブルディスクなどの磁気ディスク、磁気光学ディスク、並びにＣＤ－ＲＯＭディスク及びＤＶＤ－ＲＯＭディスクが、挙げられ得る。

【0066】

命令６２４は、いくつかの転送プロトコル（例えば、フレームリレー、インターネットプロトコル（internet protocol、ＩＰ）、伝送制御プロトコル（transmission control protocol、ＴＣＰ）、ユーザデータグラムプロトコル（user datagram protocol、ＵＤＰ）、ハイパーテキスト転送プロトコル（hypertext transfer protocol、ＨＴＴＰ）など）のうちのいずれか１つを利用するネットワークインターフェースデバイス６５０を介して、伝送媒体を使用して、通信ネットワーク６２１を介して更に送信又は受信され得る。例示的な通信ネットワークとしては、特に、ローカルエリアネットワーク（local area network、ＬＡＮ）、ワイドエリアネットワーク（wide area network、ＷＡＮ）、パケットデータネットワーク（例えば、インターネット）、携帯電話ネットワーク（例えば、セルラーネットワーク）、一般電話サービス（Plain Old Telephone、ＰＯＴＳ）ネットワーク、及び無線データネットワーク（例えば、Ｗｉ－Ｆｉ（登録商標）として既知の米国電気電子学会（the Institute of Electrical and Electronics Engineers、ＩＥＥＥ）８０２．２２ファミリの標準、ＷｉＭａｘ（登録商標）として既知のＩＥＥＥ８０２．２６ファミリの標準）、ＩＥＥＥ８０２．２５．４ファミリの標準、ピアツーピア（Ｐ２Ｐ）ネットワークが挙げられ得る。一例では、ネットワークインターフェースデバイス６５０は、通信ネットワーク６２６に接続するための１つ以上の物理的ジャック（例えば、イーサネット、同軸、又は電話ジャック）又は１つ以上のアンテナを含み得る。一例では、ネットワークインターフェースデバイス６５０は、単一入力多重出力（single-input multiple-output、ＳＩＭＯ）、複数入力多重出力（multiple-input multiple-output、ＭＩＭＯ）、又は複数入力単一出力（multiple-input single-output、ＭＩＳＯ）技法のうちの少なくとも１つを使用して無線通信するための複数のアンテナを含み得る。「伝送媒体」という用語は、機械６００による実行のための命令を記憶、符号化、又は担持することができる任意の無形媒体を含むものとし、そのようなソフトウェアの通信を容易にするためにデジタル又はアナログ通信信号若しくは他の無形媒体を含む。

【0067】

本明細書で使用される場合、「又は」という用語は、包含的又は排他的な意味で解釈され得る。更に、他の実施形態は、提供される開示を読んで理解することに基づいて、当業者によって理解されるであろう。更に、当業者は、本明細書で提供される技法及び実施例の様々な組み合わせが全て、様々な組み合わせで適用され得ることを容易に理解するであろう。

【0068】

本明細書全体を通して、複数のインスタンスは、単一のインスタンスとして説明される構成要素、動作、又は構造を実装し得る。個々の動作は別個の動作として例解及び説明されているが、個々の動作のうちの１つ以上は同時に実行されてもよく、特に明記しない限り、動作が必ずしも例解された順序で実行されることを必要とするものではない。例示的な構成において別個の構成要素として提示される構造及び機能は、組み合わされた構造又は構成要素として実装され得る。同様に、単一の構成要素として提示された構造及び機能は、別個のコンポーネントとして実装され得る。これら及び他の変形、修正、追加、及び改善は、本明細書に記載される主題の範囲内に入る。

【0069】

更に、明示的に示されていないが、当業者には理解可能であるが、要素の様々な配置、量、及び数の各々は、変更されてもよい（例えば、使用されるカメラ、レンズ、及び照明源の数）。また、様々な波長は、単に理解を助けるために提供される。更に、本明細書に図示及び説明される例の各々は、１つの可能な構成を単に表すものであり、本開示の範囲を限定するものとして解釈されるべきではない。

【0070】

様々な実施形態が別々に考察されるが、これらの別々の実施形態は、独立した技法又は設計として考慮されることを意図していない。上述したように、様々な部分の各々は、相互に関連付けられ得、各々、本明細書で考察される他の実施形態と別個に又は組み合わせて使用され得る。例えば、動作、システム、及びプロセスの様々な実施形態が説明されてきたが、これらの方法、動作、システム、及びプロセスは、別個に又は様々な組み合わせで使用され得る。

【0071】

したがって、本明細書に提供される開示を読んで理解すれば当業者には明らかであるように、多くの修正及び変形を行うことができる。本明細書に列挙されたものに加えて、本開示の範囲内の機能的に等価な方法及びデバイスは、前述の説明から当業者に明らかであろう。いくつかの実施形態の部分及び特徴は、他の実施形態の部分及び特徴に含まれ得るか、又はそれらと置き換えられ得る。そのような修正及び変形は、添付の特許請求の範囲内に入ることが意図される。したがって、本開示は、添付の特許請求の範囲、並びにそのような特許請求の範囲が権利を与えられる均等物の全範囲によってのみ限定されるべきである。また、本明細書で使用される用語は、特定の実施形態を説明することのみを目的としており、限定することを意図していないことも理解されたい。

【0072】

本開示の要約は、読者が、本技術的開示の性質を迅速に確認することを可能にするために提供される。要約は、特許請求の範囲を解釈又は限定するために使用されないことを理解した上で提出される。加えて、前述の詳細な説明では、本開示を簡素化する目的で、様々な特徴が単一の実施形態に一緒にグループ化されている場合があることが分かる。開示の方法は、特許請求の範囲を限定するものとして解釈されるべきではない。したがって、以下の特許請求の範囲は、各請求項が別個の実施形態としてそれ自体で成り立つ状態で、詳細な説明に組み込まれる。

【0073】

本明細書に提供される説明は、本明細書に記載される事項の様々な態様を具現化する例示的な例、デバイス、及び装置を含む。本明細書では、説明の目的で、考察される事項の様々な実施形態の理解を提供するために、多数の特定の詳細が記載される。しかしながら、開示される主題の様々な実施形態がこれらの具体的な詳細なしに実施され得ることは、当業者には明らかであろう。更に、例解された様々な実施形態を不明瞭にしないように、周知の構造、材料、及び技法は詳細に示されていない。本明細書で使用される場合、「約」、「およそ」、及び「実質的に」という用語は、例えば、所与の値又は値の範囲の±１０％以内である値を指し得る。
以下の番号付けされた実施例は、開示される主題の特定の実施形態である。

【0074】

実施例１：基板キャリア内の位置内のいくつかの基板の状態を分類するための方法。方法は、基板キャリア内の基板の少なくとも一部分を検出することを含む。検出することは、基板の部分及び基板の部分に近接する位置の１つ以上の画像を捕捉することと、１つ以上の画像を事前訓練された深層畳み込みニューラルネットワークに転送することと、事前訓練された深層畳み込みニューラルネットワークを使用して、画像から基板キャリア内の位置内の基板の部分の状態を分類することと、複数の基板の部分に近接する基板キャリア内の複数の位置の各々の自動タグ付けを提供することと、を含む。

【0075】

実施例２：基板位置の状態を分類するように、ニューラルネットワークを訓練することを更に含む、実施例１に記載の方法。

【0076】

実施例３：自動タグ付けが、複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、実施例１又は実施例２に記載の方法。

【0077】

実施例４：複数の基板の部分の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別することを更に含み、少なくとも１つの特性が、複数の基板のうちの１つ以上を用いてロボットエンドエフェクタの場所を調整するために提供される、実施例１～３のいずれか１つに記載の方法。

【0078】

実施例５：分類することが、複数の基板の部分から基板キャリア内の複数の基板タイプを識別することを更に含む、実施例１～４のいずれか１つに記載の方法。

【0079】

実施例６：基板キャリア内の基板の反射特性、基板キャリア内の基板の透過特性、及び基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて、１つ以上の画像を捕捉する際に使用される光源の波長を選択することを更に含む、実施例１～５のいずれか１つに記載の方法。

【0080】

実施例７：光源の放射の入射角、偏光状態、及び強度を選択することを更に含む、請求項６に記載の方法。

【0081】

実施例８：１つ以上の画像の各々を訓練されたｃｏｎｖｎｅｔサイズにスケーリングすることを更に含む、実施例１～７のいずれか１つに記載の方法。

【0082】

実施例９：基板マッピングシステムは、基板及び基板キャリア内の基板の潜在的な位置の１つ以上の画像を収集するカメラと、データ収集及び制御システムと、を含む。１つ以上の画像は、基板と基板キャリア内のいくつかの基板スロットに対する基板の位置との関係を含む。データ収集及び制御システムは、カメラに結合された機械の１つ以上のハードウェアベースのプロセッサを含み、１つ以上の画像を深層畳み込みニューラルネットワークに転送し、深層畳み込みニューラルネットワークを使用して、１つ以上の画像から基板キャリア内の基板の位置内の基板のうちの撮像された基板の部分の状態を分類し、基板のうちの撮像された基板の部分に近接する基板キャリア内の基板の位置の各々の自動タグ付けを提供するように構成されている。

【0083】

実施例１０：基板のうちの少なくともいくつか及び基板キャリア内の基板の潜在的な位置を照明する光源を更に備える、実施例９に記載の基板マッピングシステム。

【0084】

実施例１１：光源が、広帯域光源である、実施例１０に記載の基板マッピングシステム。

【0085】

実施例１２：光源が、単色光源である、実施例１０に記載の基板マッピングシステム。

【0086】

実施例１３：光源から放出される光の波長が、基板キャリア内の基板の反射特性、基板キャリア内の基板の透過特性、及び基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて選択される、実施例１０に記載の基板マッピングシステム。

【0087】

実施例１４：光源の１つ以上の特性が、放射の入射角、偏光状態、及び強度の選択を含む、実施例１０に記載の基板マッピングシステム。

【0088】

実施例１５：自動タグ付けが、複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、実施例９～１４のいずれか１つに記載の基板マッピングシステム。

【0089】

実施例１６：データ収集及び制御システムが、撮像された基板の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別し、かつ基板特性のうちの１つ以上により、転送ロボットのエンドエフェクタと基板のうちの選択された１つの基板との間の位置的場所を調整するために、少なくとも１つの基板特性を転送ロボットに送信するように更に構成されている、実施例９～１５のいずれか１つに記載の基板マッピングシステム。

【0090】

実施例１７：基板キャリアのサイズを特徴付けることを更に含む、実施例９～１６のいずれか１つに記載の基板マッピングシステム。

【0091】

実施例１８：システムが、事前訓練された深層畳み込みニューラルネットワークを生み出すように、１つ以上の画像に基づいて訓練モードで最初に訓練され、続いて、基板マッピングシステムが、事前訓練された深層畳み込みニューラルネットワークに基づいて製造設備内の基板キャリア内の基板の配置を検出するように、製造設備内で通常動作モードで使用されるように構成されている、実施例９～１７のいずれか１つに記載の基板マッピングシステム。

【0092】

実施例１９：データ収集及び制御システムが、１つ以上の画像の各々を、訓練されたｃｏｎｖｎｅｔサイズにスケーリングするように更に構成されている、実施例９～１８のいずれか１つに記載の基板マッピングシステム。

【0093】

実施例２０：機械によって実行されると、機械に、基板キャリア内の基板の少なくとも一部分を検出することを含む動作を実行させる命令を含む、コンピュータ可読媒体。検出することは、基板の部分及び基板の部分に近接する位置の１つ以上の画像を捕捉することと、１つ以上の画像を事前訓練された深層畳み込みニューラルネットワークに転送することと、事前訓練された深層畳み込みニューラルネットワークを使用して、画像から基板キャリア内の位置内の基板の部分の状態を分類することと、複数の基板の部分に近接する基板キャリア内の複数の位置の各々の自動タグ付けを提供することと、を含む。

【0094】

実施例２１：基板位置の状態を分類するように、ニューラルネットワークを訓練することを更に含む、実施例２０に記載のコンピュータ可読媒体。

【0095】

実施例２２：自動タグ付けが、複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、実施例２０又は実施例２０に記載のコンピュータ可読媒体。

【0096】

実施例２３：複数の基板の部分の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別することを更に含み、少なくとも１つの特性が、複数の基板のうちの１つ以上を用いてロボットエンドエフェクタの場所を調整するために提供される、実施例２０～２２のいずれか１つに記載のコンピュータ可読媒体。

【0097】

実施例２４：分類することが、複数の基板の部分から基板キャリア内の複数の基板タイプを識別することを更に含む、実施例２０～２３のいずれか１つに記載のコンピュータ可読媒体。

【0098】

実施例２５：基板キャリア内の基板の反射特性、基板キャリア内の基板の透過特性、及び基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて、１つ以上の画像を捕捉する際に使用される光源の波長を選択することを更に含む、実施例２０～２４のいずれか１つに記載のコンピュータ可読媒体。

【0099】

実施例２６：光源の放射の入射角、偏光状態、及び強度を選択することを更に含む、実施例２５に記載のコンピュータ可読媒体。

【0100】

実施例２７：１つ以上の画像の各々を訓練されたｃｏｎｖｎｅｔサイズにスケーリングすることを更に含む、実施例２０～２６のいずれか１つに記載のコンピュータ可読媒体。

【図1A】

【図1B】

【図2A】

【図2B】

【図2C】

【図2D】

【図3】

【図4A】

【図4B】

【図4C】

【図4D】

【図5A】

【図5B】

【図6】

【手続補正書】

【提出日】2024-05-15

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

基板キャリア内の複数の位置の複数の基板の状態を分類するための方法であって、前記方法が、
前記基板キャリア内の前記複数の基板の少なくとも一部分を検出することであって、前記検出することが、前記複数の基板の前記部分に近接する前記複数の位置の前記複数の基板の前記部分の１つ以上の画像を捕捉することを含む、検出することと、
前記１つ以上の画像を、事前訓練された深層畳み込みニューラルネットワークに転送することと、
前記事前訓練された深層畳み込みニューラルネットワークを使用して、前記１つ以上の画像から前記基板キャリア内の前記複数の位置の前記複数の基板の前記部分の前記状態を分類することと、
前記複数の基板の前記部分に近接する前記基板キャリア内の前記複数の位置の各々の前記状態を提供することと、を含む、方法。

【請求項2】

前記状態が、前記複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、請求項１に記載の方法。

【請求項3】

前記複数の基板の前記部分の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別することを更に含み、前記少なくとも１つの特性が、前記複数の基板のうちの１つ以上を用いてロボットエンドエフェクタの場所を調整するために提供される、請求項１に記載の方法。

【請求項4】

前記基板キャリア内の前記基板の反射特性、前記基板キャリア内の前記基板の透過特性、及び前記基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて、前記１つ以上の画像を捕捉する際に使用される光源の波長を選択することを更に含む、請求項１に記載の方法。

【請求項5】

前記光源の放射の入射角、偏光状態、及び強度を選択することを更に含む、請求項４に記載の方法。

【請求項6】

前記１つ以上の画像の各々を訓練されたｃｏｎｖｎｅｔサイズにスケーリングすることを更に含む、請求項１に記載の方法。

【請求項7】

基板マッピングシステムであって、
基板キャリア内の基板の複数の位置の複数の基板の一部分の１つ以上の画像を収集するカメラであって、前記１つ以上の画像が、前記複数の基板の前記部分と、前記基板キャリア内の複数の基板スロットに対する前記基板の前記複数の位置との関係を含む、カメラと、
データ収集及び制御システムと、を備え、前記データ収集及び制御システムが、前記カメラに結合された機械の１つ以上のハードウェアベースのプロセッサを含み、前記データ収集及び制御システムが、
前記１つ以上の画像を深層畳み込みニューラルネットワークに転送し、
前記深層畳み込みニューラルネットワークを使用して、前記１つ以上の画像から、前記基板キャリア内の前記複数の前記位置の前記複数の基板の前記部分の状態を分類し、かつ
前記基板のうちの前記撮像された基板の前記部分に近接する前記基板キャリア内の前記基板の前記位置の各々の前記状態を提供する、基板マッピングシステム。

【請求項8】

前記複数の基板のうちの少なくともいくつか及び前記基板キャリア内の前記基板の前記複数の位置を照明する光源を更に備える、請求項７に記載の基板マッピングシステム。

【請求項9】

前記光源が、広帯域光源と単色光源のうちの少なくとも１つである、請求項８に記載の基板マッピングシステム。

【請求項10】

前記光源から放出される光の波長が、前記基板キャリア内の前記基板の反射特性、前記基板キャリア内の前記基板の透過特性、及び前記基板上のフィルム又はコーティングのうちの少なくとも１つに基づいて選択される、請求項８に記載の基板マッピングシステム。

【請求項11】

前記光源の１つ以上の特性が、放射の入射角、偏光状態、及び強度の選択を含む、請求項８に記載の基板マッピングシステム。

【請求項12】

前記状態が、前記複数の位置の各々を、適切なロード、クロススロット挿入、二重ロード、突出、及び空を含むタイプから選択される少なくとも１つの分類タイプとして分類することを含む、請求項７に記載の基板マッピングシステム。

【請求項13】

前記データ収集及び制御システムが、
撮像された前記基板の各々を、基板の厚さ、基板の湾曲、基板の反り、及び基板の垂下から選択される特性を含む少なくとも１つの基板特性について識別し、かつ
前記基板特性のうちの１つ以上により、転送ロボットのエンドエフェクタと前記基板のうちの選択された１つの基板との間の位置的場所を調整するために、前記少なくとも１つの基板特性を前記転送ロボットに送信するように更に構成されている、請求項７に記載の基板マッピングシステム。

【請求項14】

前記基板キャリアのサイズを特徴付けることを更に含む、請求項７に記載の基板マッピングシステム。

【請求項15】

前記データ収集及び制御システムが、前記１つ以上の画像の各々を、訓練されたｃｏｎｖｎｅｔサイズにスケーリングするように更に構成されている、請求項７に記載の基板マッピングシステム。

【国際調査報告】