在半导体处理设备中使用径向基函数网络与超立方体进行偏离分类的制作方法
【技术领域】
[0001] 本公开内容涉及人工神经网络，且更特定而言，涉及用于分析系统的径向基函数 网络。
【背景技术】
[0002] 人工神经网络可用于根据系统的已知数值分析系统中的操作。举例而言，使用者 可对分析传感器数据有兴趣，比如来自半导体处理设备的传感器数据。径向基函数（Radial BasisFunction，RBF)网络是使用径向基函数作为激活函数的人工神经网络。在典型RBF 网络中，RBF节点或神经元可用于确定节点的激活值，其中每一个节点都具有多个输入与 一个输出。RBF网络一般仅能区分正常值与异常值。RBF网络分析中的误差往往是误否定 (falsenegative)，且错误的结果往往随着维度数量（例如传感器数量）增加而增加。
【发明内容】
【附图说明】
[0003] 在附图的图示中，通过举例的方式、而非通过限制的方式来对本公开内容加以说 明。
[0004] 图1示出了网络架构的一个【具体实施方式】。
[0005] 图2示出了一种RBF网络与超立方体分析方法的一个实施方式。
[0006] 图3示出了一种RBF网络与超立方体分析方法的另一实施方式。
[0007] 图4示出了一种示例性RBF网络。
[0008] 图5示出了一种用于半导体处理设备的示例性RBF网络。
[0009] 图6示出了RBF网络的误否定结果。
[0010] 图7示出了RBF网络的误肯定（falsepositive)结果。
[0011] 图8示出了RBF网络与超立方体分析的实施方式。
[0012] 图9示出了RBF网络与超立方体分析中的偏离（excursion)的实施方式。
[0013] 图10示出了RBF网络与超立方体分析中的偏离的实施方式。
[0014] 图11示出了RBF网络和超立方体分析中的偏离的实施方式。
[0015] 图12示出产生超立方体与超球体的实施方式。
[0016] 图13示出了可信度预估的实施方式。
[0017] 图14A、图14B、图14C、图14D与图14E示出示例性传感器数据。
[0018] 图15A与图15B示出示例性传感器数据。
[0019] 图16示出示例性RBF网络。
[0020] 图17示出示例性计算机系统。
[0021] 图18示出可信度预估的实施方式。
【具体实施方式】
[0022] 本发明的实施方式涉及数据的RBF网络与超立方体分析的方法和系统。举例而 言，数据样本可以是来自半导体处理设备的传感器数据。在一实施方式中，所述方法与系统 能检测样本是否指示了附属系统中的"正常"与"异常"操作、若异常偏离能被标记则对指示 "异常"行为的样本分类、以及若能得到关于根本原因与解决方案的信息则判定并修正"异 常"行为。本发明的实施方式是可延伸的，因为可将另外辨识的偏离加入至所述系统。
[0023]RBF函数可定义为满足以下方程式的任何函数：
[0024] §C^) ? 方程式 1
[0025]RBF网络为位于n-维空间中的RBF函数的集合。在图4所示的一个RBF网络中有 两层，包括输入层401与RBF层403。此网络具有3个输入和4个RBF节点。在此，每一个 节点都位于n-维空间中，其中输入的数量即定义了n(例如在图4中，n= 3)。每一个节点 都可利用n-元向量来定义，且至每一个节点的输入也可为n-元向量。图4中所示的网络 能区分出5种独特的偏离或类别。每一个节点都代表一独特的偏离或类别。未知样本可属 于节点1至4或不属于任何节点。
[0026] 举例而言，输入样本可以是标准化数值，其中所述样本被表示为已知参考集 合（referenceset)、工艺中的指定运转次数或来自指定天数的所有运转之间的标准差 (sigmadifference)，其应提供高于90 %的精确度。
[0027] 然而，误差随着RBF网络中的维度的增加而增加。举例而言，对于1-维正常分布 的数据而言，预期99. 7%的样本是在+/-3 〇内。对于2-维正常分布的数据而言，会有较 多的样本落在+广3 〇外部。对于3-维正常分布的数据而言，则甚至会有更多的样本落在 +/-3〇外部。随着维度增加，单元超球体的体积趋近于零，因而导致误差数量增加。因此， 如图6所示，原生RBF网络将具有误否定误差，其中样本601在所述样本为正常时被辨识为 异常。在此，样本601在RBF函数圆外部、但在+/-3〇边界内部。因此，当样本601由于样 本601落在所述+/-3 〇边界内而实际上为正常时，原生RBF网络指示样本601是在节点外 部（在此情况中为正常）。
[0028] 在一个实施方式中，这个问题通过增加节点超球体的半径而克服。虽然仍存在误 差，但如图7所示，所述误差现在是误肯定，其中样本701在所述样本应该被辨识为未知时 却被辨识为"正常"。对于已确定的样本类别，这些样本可被指定较低可信度预估值。
[0029] 在此，产生一节点，且为所述节点确定超立方体。然后，所述系统确定样本是否存 在于所述超立方体内。若所述样本不存在于所述超立方体内，则所述系统确定所述样本是 否存在于超球体内（所述超球体具有与所述超立方体的对角线相等的半径）。所述系统接 着根据所述样本是否存在于所述超立方体内（正常）、超球体内（正常但可信度较低）、或 皆不在其内（异常）而确定可能的样本类别，例如正常或异常。
[0030] 在一实施方式中，任何给定节点的最大误差都沿着单一轴，且可被计算以用于评 估所述网络或误差是否为可容许的。在一个实施方式中，可通过在轴上添加具有相关标签 的其他节点（例如偏离）来使误差最小化。
[0031] 图1示出了根据一实施方式的网络架构100。一开始，RBF网络与超立方体系统 102辨识限定系统（比如物理处理系统104)的数据源106 (例如传感器）。使用者可通过 客户端机器110而从数据源106中的不同数据源选择（例如通过图形化使用者介面（GUI)) 数据（例如样本）。系统102从此数据导出RBF网络与超立方体。举例而言，如图5的RBF 网络所示，气体总流量501、腔室压力503以及TGV位置505的传感器数据可用于特征化压 力控制系统。
[0032] 在一实施方式中，使用者也可通过客户端机器110选择偏离108 (亦即，异常系统 行为的限定参数），且偏离108可由系统102储存于持久储存单元112中。
[0033] 举例而言，物理处理系统104可包括制造工具，或可直接或通过网络（例如局域网 (LAN))而连接至制造工具。制造工具的实例包括用于电子装置制造的半导体制造工具，比 如蚀刻器、化学气相沉积反应炉等。制造这类装置可包括涉及不同类型的制造工艺的数十 道制造步骤（也称为配方（recipe))。
[0034] 物理处理系统104可包括任何类型的计算装置以控制系统，所述计算装置包括台 式计算机、膝上型计算机、手持式计算机或类似的计算装置。数据源1〇6(例如传感器）可 以是物理处理系统104和/或制造工具的一部分，或者可连接至物理处理系统104和/或 制造工具（例如，通过网络）。
[0035] 在另一实例中，客户端机器110可为任何类型的计算装置，包括台式计算机、膝上 型计算机、行动通讯装置、手机、智能手机、手持式计算机或类似的计算装置。
[0036] 在一实施方式中，物理处理系统104、数据源106、持久储存单元112以及客户端机 器110被连接至系统102,所述连接可为直接连接或者是经由硬件界面（未示）或经由网络 (未示）的间接连接。所述网络可为局域网（LAN)(比如在公司内的企业内部网络）、无线 网络、移动通讯网络或广域网（WAN)(比如因特网或类似的通讯系统）。网络可包括任何数 量的连网与计算装置，比如有线与无线装置。
[0037] 上述功能区分仅为例示。在其他实施方式中，所述功能可结合于单一部件中，或再 分到任何部件组合。举例而言，客户端机器110与系统102可驻留在单一计算机系统上、在