1.本发明实施例涉及半导体制造系统、行为辨识装置及半导体的制造方法。
背景技术：2.半导体装置的制造涉及许多操作，包含沉积、光刻、蚀刻及类似者。上述操作中的每一者可包含数个不同子操作，且这些子操作可在多腔室型(multi
‑
chamber type)集群半导体制造设备中执行。多腔室型集群半导体制造设备可用于同时处置多个晶片，借此提高处理量。多腔室型集群半导体制造设备包含用于执行不同操作或子操作的一系列异质制造单元，且多腔室型集群半导体制造设备的操作是非常复杂的。因此，难以捕捉生产率损失的根源。
技术实现要素：3.本发明的实施例涉及一种半导体制造系统，其包括：至少一个半导体制造设备，其包括：一系列制造单元，其经配置以对晶片执行制造操作；第一控制单元，其经配置以控制所述一系列制造单元的所述制造操作，且产生记录所述一系列制造单元的所述制造操作的日志数据；及第一存储装置，其协同连接到所述第一控制单元且经配置以存储从所述第一控制单元传送的所述日志数据；及行为辨识装置，其协同连接到所述半导体制造设备，所述行为辨识装置包括：第二存储装置，其协同连接到所述半导体制造设备的所述第一控制单元，且经配置以存储从所述第一控制单元传送的所述日志数据；及第二控制单元，其协同连接到所述第二存储装置，且经配置以从所述第二存储装置接收所述日志数据，且建立转移状态模型以基于所述日志数据分析与所述一系列制造单元的所述制造操作有关的行为。
4.本发明的实施例涉及一种半导体制造方法，其包括：由存储装置接收记录对多个晶片执行的至少一个半导体制造设备的一系列制造单元的制造操作的日志数据的输入；及由控制单元基于所述日志数据建立转移状态模型以：基于所述日志数据分析与所述一系列制造单元的所述制造操作的晶片传送序列及活动有关的行为；产生所述行为的行为属性；及基于所述行为属性捕捉不良行为的根源。
5.本发明的实施例涉及一种用于辨识半导体制造设备的行为的行为辨识装置，其包括：存储装置，其经配置以存储所述半导体制造设备的日志数据；控制单元，其协同连接到所述存储装置，且经配置以基于日所述志数据建立转移状态模型，以分析与所述半导体制造设备的多个制造单元的晶片传送序列及制造操作有关的行为。
附图说明
6.当结合附图阅读时，从以下[实施方式]容易理解本揭露的实施例的方面。应注意，根据工业中的标准实践，各种结构未按比例绘制。事实上，为清楚论述，各种结构的尺寸可任意增大或减小。
[0007]
图1是说明根据本揭露的一些实施例的多腔室型集群半导体制造设备的示意图。
[0008]
图2是说明根据本揭露的一些实施例的半导体制造系统的示意图。
[0009]
图3a是根据本揭露的一些实施例的机器学习模型的示意图。
[0010]
图3b是根据本揭露的一些实施例的图3a的机器学习模型的转移状态(transition state)的示意图。
[0011]
图4是说明良好/不良序列与正常/异常序列之间的关系及良好/不良活动与正常/异常活动之间的关系的示意图。
[0012]
图5是说明根据本揭露的一些实施例的atm机器人在装载端口(load port)与承载室(load lock)之间的工作执行顺序的示意图。
[0013]
图6是说明根据本揭露的一些实施例的承载室的工作执行顺序的示意图。
[0014]
图7是说明根据本揭露的一或多个实施例的各种方面的半导体制造方法的流程图。
[0015]
图8是说明根据本揭露的一些实施例的模拟器的方案的示意图。
具体实施方式
[0016]
以下揭露提供用于实施所提供标的物的不同特征的许多不同实施例或实例。在下文描述元件及布置的特定实例以简化本揭露。当然，这些仅为实例且并不希望为限制性的。例如，在以下的描述中，第一构件形成于第二构件上方或上可包含其中第一及第二构件形成为直接接触的实施例，且还可包含其中额外构件可形成于第一构件与第二构件之间使得第一及第二构件可未直接接触的实施例。另外，本揭露可在各个实例中重复元件符号及/或字母。此重复是出于简单及清楚的目的且本身并不指定所论述的各种实施例及/或配置之间的关系。
[0017]
此外，为便于描述，本文中可使用例如“在
……
下面”、“在
……
下方”、“下”、“在
……
上面”、“在
……
上方”、“上”、“在
……
上”及类似者的空间相对术语来描述一个元件或构件与如图中所说明的另一(些)元件或构件的关系。空间相对术语除图中所描绘的定向之外还希望涵盖装置在使用或操作中的不同定向。设备可以其它方式定向(旋转90度或成其它定向)且因此可同样解释本文中所使用的空间相对描述符。
[0018]
如本文中所使用，例如“第一”、“第二”及“第三”的术语描述各种元件、组件、区、层及/或区段，这些元件、组件、区、层及/或区段不应受这些术语限制。这些术语可仅用于区分一个元件、组件、区、层或区段与另一元件、组件、区、层或区段。例如“第一”、“第二”及“第三”的术语在于本文中使用时并不暗示序列或顺序，除非上下文有清楚指示。
[0019]
如本文中所使用，术语“大约”、“基本上”、“实质”及“约”用于描述及说明小变动。当结合事件或状况使用时，所述术语可指代其中精确发生所述事件或状况的例子以及其中紧密接近发生所述事件或状况的例子。
[0020]
参考图1。图1是说明根据本揭露的一些实施例的多腔室型集群半导体制造设备的示意图。如图1中所展示，多腔室型集群半导体制造设备1可包含经配置以执行不同操作或实施不同功能的一系列异质制造单元。在一些实施例中，制造单元可包含装载端口(例如foup)10、atm机器人f1、f2、对准器x、承载室l1、l2、vtm机器人v1、v2、第一处理腔室(例如腔室a1、a2)及第二处理腔室(例如腔室b1、b2)。装载端口10经配置以放置用于存储晶片的卡匣。atm机器人f1、f2经配置以在大气环境中在装载端口10与承载室l1、l2之间传送晶片。
vtm机器人v1、v2经配置以在真空环境中传送晶片。在传送到承载室l1或l2之前，将晶片传送到对准器x用于校准晶片的定向。承载室l1、l2是经配置以载入(load
‑
in)且载出(load
‑
out)晶片的空间。当载入晶片时，承载室l1或l2的前门敞开以从atm机器人f1或f2接纳晶片。接着闭合前门，且将承载室l1或l2泵送到真空环境。接着，承载室l1或l2的后门敞开，且通过vtm机器人v1或v2将晶片传送到腔室a1或a2。当载出晶片时，承载室l1或l2的后门敞开以从vtm机器人v1或v2接纳晶片。接着闭合承载室l1或l2的后门，且使承载室l1或l2通气到大气环境。接着，承载室l1或l2的前门敞开，且通过atm机器人f1或f2将晶片传送到装载端口10。在一些实施例中，第一处理腔室a1、a2及第二处理腔室b1、b2包含用于执行不同操作的不同类型的处理腔室，且可与中心腔室12连通。
[0021]
在一些实施例中，多腔室型集群半导体制造设备1可包含(但不限于)例如沉积设备，例如物理气相沉积(pvd)设备。第一处理腔室a1、a2可经配置以预热晶片。第二处理腔室b1、b2可经配置以对晶片执行pvd操作。在一些其它实施例中，多腔室型集群半导体制造设备1可包含化学气相沉积(cvd)设备、蚀刻设备、光刻设备或类似者。
[0022]
如图1中所展示，多腔室型集群半导体制造设备1可同时及/或连续对多个晶片执行制造操作。在一时间点，一些晶片可在第一处理腔室a1、a2及第二处理腔室b1、b2中处理，一些晶片可由atm机器人f1、f2及vtm机器人v1、v2处置，一些晶片可在承载室l1及l2中，且一些晶片可正等待加载。多腔室型集群半导体制造设备1的制造操作是复杂的且连续执行。一旦晶片的制造操作的一者停顿(idled)，就影响其它晶片的制造操作，且非常难以捕捉停顿的根源。
[0023]
在本揭露的一或多个实施例中，使用协同连接到一或多个半导体制造设备的行为辨识装置来处理一或多个半导体制造设备的日志数据，且分析与一或多个半导体制造设备的制造单元的制造操作有关的行为。行为辨识装置可实时接收一或多个半导体制造设备的日志数据，只要其在执行制造操作期间产生。
[0024]
行为辨识装置可实时处理日志数据，且自动建立机器学习模型，例如转移状态模型。机器学习模型可自动辨识所有制造单元的行为，且产生每一晶片的行为属性。因此，机器学习模型可识别良好/不良行为且以高准确度捕捉不良行为的根源。即，可学习行为属性。
[0025]
如本文中所使用，良好/不良行为可依据生产率来识别。良好/不良行为可包含良好/不良序列及良好/不良活动。良好序列指代具有较高转移机率的晶片传送序列及/或晶片传送序列的标准环路，而不良序列指代具有较低转移机率的晶片传送序列及/或冗余环路。良好活动指代具有较低时间消耗及/或与其它制造单元的活动一致的制造单元的活动，而不良活动指代具有较高时间消耗及/或与其它制造单元的活动不一致的制造单元的活动。
[0026]
行为辨识装置可进一步基于转移状态模型执行模拟。在一些实施例中，可将转移状态模型输出到模拟器，可在模拟器中再现包含良好行为及不良行为的所有行为，且可通过调整不良行为的控制规则而模拟转移状态模型中的制造操作。当模拟结果展示调整控制规则可能修正不良行为时，可采用经调整控制规则来以经调整控制规则对新批次的晶片执行制造操作。
[0027]
图2是说明根据本揭露的一些实施例的半导体制造系统的示意图。如图2中所展
示，半导体制造系统50可包含至少一个半导体制造设备1及行为辨识装置。半导体制造设备1可包含如图1中所说明的多腔室型集群半导体制造设备1。行为辨识装置2协同连接到半导体制造设备1。例如，如图2中所展示，行为辨识装置2协同连接到两个半导体制造设备1。半导体制造设备1的数目不受限制。
[0028]
除图1中所说明的制造单元之外，半导体制造系统50还可包含第一控制单元34及第一存储装置32。第一控制单元34经配置以基于控制规则控制所述一系列制造单元的制造操作。在一些实施例中，控制规则可包含制造单元的工作处置序列、晶片传送序列、操作参数等。第一控制单元34还经配置以产生记录所述一系列制造单元的制造操作的日志数据。在一些实施例中，半导体制造系统50的控制规则是由供货商设置，且制造商可并非完全已知。然而，日志数据可记录每一制造操作，例如每一制造单元做了什么及每一制造操作持续多少时间。第一存储装置32协同连接到第一控制单元34且经配置以存储从第一控制单元34传送的日志数据。
[0029]
行为辨识装置2包含第二存储装置42及第二控制单元44。第二存储装置42协同连接到半导体制造设备1的第一控制单元34且经配置以存储从第一控制单元34传送的日志数据。在一些实施例中，第一控制单元34不仅将日志数据传送到半导体制造设备1的第一存储单元32，而且复制日志数据且将其传送到行为辨识装置2的第二存储装置42。第一控制单元34可在产生日志数据时以实时方式或以延迟方式将日志数据传送到行为辨识装置2的第二存储装置42及半导体制造设备1的第一存储装置32。第二控制单元44协同连接到第二存储装置42，且经配置以从第二存储装置42接收日志数据。第二控制单元44还可建立转移状态模型以基于日志数据分析与所述一系列制造单元的制造操作有关的行为。
[0030]
在一些实施例中，第一控制单元34及第二控制单元44是两个微型控制单元(mcu)，且其各自可包含处理器，例如中央处理单元(cpu)。第一控制单元34及第二控制单元44各自可进一步包含用于存储指令的嵌入式存储器。在一些实施例中，第一存储装置32及第二存储装置42是两个存储装置，例如硬盘或类似者。在一些实施例中，行为辨识装置2的第二存储装置42可包含网络附接存储器(nas)。第二存储装置42可以有线方式或无线方式连接到半导体制造设备1。
[0031]
在一些实施例中，代替处理第一存储装置32中的日志数据，第二控制单元44处理第二存储单元42中的日志数据。此将最小化第一控制单元34及第一存储装置32的工作负载，且因此将降低半导体制造设备1中发生过载的风险。在一些其它实施例中，第一控制单元34及第二控制单元44可为控制单元，及/或第一存储装置32及第二存储装置42可为存储装置，只要计算及数据存取能力足够高以同时执行制造操作及日志数据分析两者。
[0032]
在一些实施例中，行为辨识装置2可进一步包含协同连接到第二存储装置42及第二控制单元44的数据传输单元46。数据传输单元46可包含经配置以依实时方式或以延迟方式将半导体制造设备1的日志数据从第二存储装置42传送到第二控制单元44的接口。
[0033]
在一些实施例中，不同制造单元及/或不同半导体制造设备1的日志数据可以不同格式记录。行为辨识装置2的第二控制单元44可进一步包含剖析器48，剖析器48经配置以将以不同格式记录制造单元的制造操作的日志数据转换为一致格式以作为第二控制单元44的输入。在一些实施例中，剖析器48可由硬件装置实施。额外地或替代地，剖析器可通过软件或固件实施。
[0034]
参考图3a。图3a是根据本揭露的一些实施例的机器学习模型的示意图。如图3a中所展示，机器学习模型包含经配置以执行不同学习过程的多个阶层。机器学习模型可采用基于神经网络的算法。在一些实施例中，机器学习模型包含第一阶层(阶层1)、第二阶层(阶层2)及第三阶层(阶层3)。阶层1可经配置以从每一晶片的角度(晶片视角)执行单元关联学习。在阶层1中，学习基于日志数据的制造单元中的晶片中的每一者的晶片传送序列及时间消耗，以建构晶片传送序列的转移状态模型。阶层2可经配置以从每一制造单元的角度(单元视角)学习每一制造单元的活动。在阶层1中，可基于晶片传送序列的转移机率及/或环路来识别正常序列及异常序列。
[0035]
在阶层2中，学习在晶片到达之前及之后的每一制造单元的制造操作以建构制造单元操作的转移状态模型。例如，学习制造单元中的每一者(例如atm机器人f1或f2、vtm机器人v1或v2、第一处理腔室a1或a2、第二处理腔室b1或b2、承载室l1或l2)的制造操作。在阶层2中，还可学习制造单元的晶片传送序列与制造操作之间的映射。在阶层2中，可学习制造单元的制造操作的制造周期及制造周期中的每一活动的时间消耗，且可基于时间消耗及制造周期来识别正常活动及异常活动。
[0036]
阶层3可经配置以分析与所述一系列制造单元的制造操作有关的行为。在阶层3中，可从正常/异常序列识别良好/不良序列，且可依据生产率从正常/异常活动识别良好/不良活动。例如，假使序列或活动与其它序列或活动相比导致生产率损失，那么可确认此序列或活动为不良序列或不良活动。此外，阶层3可进一步学习不良行为的行为属性，且基于行为属性捕捉不良行为的根源。阶层3可经配置以学习良好行为及不良行为的控制规则，以在阶层1及阶层2训练多个晶片之后通过阶层1与阶层2之间的交叉学习建构转移状态模型。在一些实施例中，在阶层1、阶层2及/或阶层3中建构的转移状态模型可包含(但不限于)例如马可夫链(markov chain)模型。
[0037]
如图3a中所展示，机器学习模型是由多个学习平面(例如，阶层1及阶层2)及一个交叉学习平面(例如，阶层3)建构，使得机器学习模型还可被称为3d自扩展级联机器学习模型。
[0038]
参考图3b。图3b是说明根据本揭露的一些实施例的图3a的机器学习模型的转移状态的示意图。在阶层1中，学习基于日志数据的制造单元中的晶片中的每一者的晶片传送序列及时间消耗以建构晶片传送序列的转移状态模型。例如，从日志数据学习atm机器人f1、承载室l1及l2以及vtm机器人v1间的晶片传送序列及上述制造单元间的晶片的时间消耗以建构转移状态模型，例如马可夫链模型。在马可夫链模型中，晶片的每一位置表示状态，且可从日志数据学习马可夫程序从一个状态改变为另一状态(由箭头指示)的机率。
[0039]
在阶层2中，学习每一制造单元的每一制造操作的活动以建构另一转移状态模型。例如，从日志数据学习承载室l2的活动。承载室l2可处于其中承载室l2在大气状态中的状态a中，且可在承载室l2处于状态a中时执行数个活动。承载室l2可从状态a转移到其中承载室l2的前门敞开以发送晶片的状态a1。承载室l2可从状态a转移到其中承载室l2的前门敞开以接纳晶片的状态a2。承载室l2可从状态a转移到其中泵送承载室l2的状态p。承载室l2可从状态p转移到其中承载室l2被抽真空的状态v。承载室l2可从状态v转移到其中承载室l2的后门敞开以发送晶片的状态v1。承载室l2可从状态v转移到其中承载室l2的后门敞开以接纳晶片的状态v2。承载室l2可从状态v转移到其中承载室l2通气的状态d。承载室l2可
从状态d转移到其中承载室l2处于大气状态中的状态a。在一些实施例中，基于日志数据，承载室l2可从状态p转移到其中承载室l2中的压力不稳定的状态s。基于来自日志数据的发生机率及/或时间消耗，状态s可被识别为异常行为。类似于承载室l2的活动，可学习其它制造单元的活动以建构转移状态模型。
[0040]
在阶层3中，交叉参考阶层1及阶层2的转移状态模型以建构转移模型，以从自阶层1学习的正常/异常序列识别良好/不良序列且从来自阶层2的正常/异常活动识别良好/不良活动。阶层3还可学习包含制造单元的工作处置序列、操作参数、时间消耗等的控制规则。
[0041]
图4是说明良好/不良序列与正常/异常序列之间的关系及良好/不良活动与正常/异常活动之间的关系的示意图。如图4中所展示，在阶层3中识别的不良序列可在阶层1中识别为正常序列或异常序列中的任一者，且在阶层3中识别的不良活动可在阶层2中识别为正常活动或异常活动中的任一者。
[0042]
机器学习模型可基于日志数据输出半导体制造设备的制造单元的控制规则，且可评估制造单元的行为以找到异常行为的根源。
[0043]
参考图5。图5是说明根据本揭露的一些实施例的atm机器人在装载端口(例如，foup)与承载室之间的工作执行顺序的示意图。如图5中所展示，工作1是由atm机器人f1将晶片w1从装载端口10a传送到承载室l1的活动，且工作2是由atm机器人f1将晶片w2从承载室l2传送到装载端口10b的活动。在一些实施例中，晶片w1可在工作1中通过对准器x对准，且晶片w2可在工作2中在冷却站y中冷却。在一些实施例中，atm机器人f1的默认位置被设置为更靠近装载端口10a、10b。
[0044]
表1基于从日志数据学习的机器学习模型的输出列出工作1及工作2的控制规则以及不同工作顺序中的浪费时间。
[0045]
表1
[0046]
工作队列工作顺序控制规则浪费时间1工作1工作1到达；工作2未到达0秒1工作1工作2到达；工作1未到达0.3秒2工作2工作2之到达比工作1提前短于或等于6秒6.7秒2工作2工作2之到达比工作1提前长于6秒0.4秒
[0047]
如表1中所展示，控制规则展示工作1的较高优先级造成6.7秒的浪费时间。因此，可重新考虑此控制规则以减少浪费时间。
[0048]
参考图6。图6是说明根据本揭露的一些实施例的承载室的工作执行顺序的示意图。承载室l可包含堆叠承载室，其可容纳两个晶片w3及w4。如图6中所展示，晶片w3是待传送到主框架(例如半导体制造设备的中心腔室12)的未处理晶片，且晶片w4是待从中心腔室12传送到装载端口10的经处理晶片。承载室l处于真空状态中，且晶片w3及w4在承载室l中。工作1是使承载室l保持抽真空且在可用时传送到可用制造单元的活动。工作2是将承载室l通气到大气状态且将晶片w4传送到装载端口10的活动。
[0049]
表2基于从日志数据学习的机器学习模型的输出列出工作1及工作2的控制规则以及不同工作顺序中的浪费时间。
[0050]
表2
[0051]
工作队列工作顺序控制规则浪费时间
1晶片w3>晶片w4晶片w4未到达0秒2晶片w4>晶片w3晶片w4达到17.4秒
[0052]
如表2中所展示，控制规则展示当任何经处理晶片到达时，控制单元将把承载室l从大气状态切换到抽真空状态，此造成17.4秒的浪费时间。因此，可重新考虑此控制规则以减少浪费时间。
[0053]
在本揭露的一些实施例中，协同连接到半导体制造设备的行为辨识装置可基于日志数据建构转移状态模型以自动辨识行为(包含所有晶片的序列及所有制造单元的活动)，且产生每一晶片的行为属性。因此，机器学习模型可识别晶片的良好/不良序列及制造单元的良好/不良活动，且以高准确度捕捉不良行为的(若干)根源。机器学习模型可进一步学习与不良行为有关的控制规则及与不良活动有关的控制规则，借此捕捉根源。
[0054]
参考图7。图7是说明根据本揭露的一或多个实施例的各种方面的半导体制造方法的流程图。方法200可以操作210其后接着方法100进行，其中将所有制造单元的转移状态模型输出到模拟器。方法200继续进行操作212，其中在模拟器中基于转移状态模型再现不良行为。方法200继续进行操作214，其中通过改变转移状态模型而找到对不良行为的解决方案。方法200继续进行操作216，其中基于模拟的结果而用经调整控制规则对多个晶片执行制造单元的制造操作。
[0055]
方法200仅为实施例，且并不希望将本揭露限制在权利要求书中所明确陈述的内容以外。可在方法200之前、期间及之后提供额外操作，且可针对方法的额外实施例替换、消除或四处移动所描述的一些操作。
[0056]
行为辨识装置可进一步基于转移状态模型执行模拟。在一些实施例中，转移状态模型可输出到模拟器，可在模拟器中再现包含异常行为的所有行为，且可通过调整异常行为的控制规则而模拟转移状态模型中的制造操作。当模拟结果展示调整控制规则可修正异常行为时，可采用经调整控制规则来以经调整控制规则对新批次的晶片执行制造操作。
[0057]
图8是说明根据本揭露的一些实施例的模拟器的方案的示意图。如图8中所展示，可将基于日志数据建构的转移状态模型输出到模拟器60。在一些实施例中，半导体制造设备的制造单元的制造操作、选用参数及控制规则可使用通用工具命令语言(tcl)应用程序或接口来存储，且配置为角色脚本文件。模拟器60可包含控制单元以执行模拟，且包含存储装置以存储转移状态模型。在一些实施例中，模拟器60的控制单元及/或存储装置可不同于行为辨识装置的控制单元及/或存储装置。在一些其它实施例中，模拟器60及行为辨识装置可共享共同控制单元及/或存储装置。模拟可由模拟器60的执行器执行以再现半导体制造设备的制造单元的行为。半导体制造设备的制造单元的行为的再现可经配置以校准模拟器60。当模拟结果类似于制造单元的制造操作时，可通过调整制造单元的控制规则而在转移状态模型中模拟制造操作。当经调整控制规则改进模拟结果中的性能(例如，减少浪费时间)时，可采用经调整控制规则来在实际制造中对多个晶片执行所述一系列制造单元的制造操作。
[0058]
在本揭露的一些实施例中，使用协同连接到一或多个半导体制造设备的行为辨识装置来处理所述一或多个半导体制造设备的日志数据，且分析与所述一或多个半导体制造设备的制造单元的晶片传送序列及制造操作有关的行为。行为辨识装置可自动建立机器学习模型，例如转移状态模型。机器学习模型可自动辨识所有晶片及制造单元的行为，且产生
每一晶片的行为属性及每一制造单元的每一活动。因此，机器学习模型可依据生产率损失识别制造单元的良好行为及不良行为，捕捉不良行为的(若干)根源，且学习制造单元的控制规则。行为辨识装置可进一步基于转移状态模型执行模拟。
[0059]
在一些实施例中，一种半导体制造系统包含至少一个半导体制造设备及行为辨识装置。所述至少一个半导体制造设备包含一系列制造单元、第一控制单元及第一存储单元。所述一系列制造单元经配置以对晶片执行制造操作。第一控制单元经配置以控制所述一系列制造单元的制造操作，且产生记录所述一系列制造单元的制造操作的日志数据。第一存储装置协同连接到第一控制单元且经配置以存储从第一控制单元传送的日志数据。行为辨识装置协同连接到半导体制造设备。行为辨识装置包含第二存储装置及第二控制单元。第二存储装置协同连接到半导体制造设备的第一控制单元，且经配置以存储从第一控制单元传送的日志数据。第二控制单元协同连接到第二存储装置，且经配置以从第二存储装置接收日志数据，且建立转移状态模型以基于日志数据分析与所述一系列制造单元的制造操作有关的行为。
[0060]
在一些实施例中，一种半导体制造方法包含以下操作。由存储装置接收记录对多个晶片执行的至少一个半导体制造设备的一系列制造单元的制造操作的日志数据的输入。由控制单元基于日志数据建立转移状态模型。转移状态模型执行基于日志数据分析与所述一系列制造单元的制造操作的晶片传送序列及活动有关的行为，产生行为的行为属性，且基于行为属性捕捉不良行为的根源。
[0061]
在一些实施例中，一种用于辨识半导体制造设备的行为的行为辨识装置包含存储装置、控制单元。存储装置经配置以存储半导体制造设备的日志数据。控制单元协同连接到存储装置，且经配置以基于日志数据建立转移状态模型，以分析与半导体制造设备的多个制造单元的晶片传送序列及制造操作有关的行为。
[0062]
前文概述数种实施例的结构，使得所属领域的技术人员可更佳理解本揭露的方面。所属领域的技术人员应了解，其可容易使用本揭露作为设计或修改其它过程及结构用于实行本文中所引入的实施例的相同目的及/或实现其相同优点的基础。所属领域的技术人员还应认识到，这些等效建构不脱离本揭露的精神及范围，且其可在不脱离本揭露的精神及范围的情况下在本文中作出各种改变、替代及更改。
[0063]
符号说明
[0064]
1:多腔室型半导体制造设备/半导体制造设备
[0065]
2:行为辨识装置
[0066]
10:装载端口
[0067]
10a:装载端口
[0068]
10b:装载端口
[0069]
12:中心腔室
[0070]
32:第一存储装置/第一存储单元
[0071]
34:第一控制单元
[0072]
42:第二存储装置/第二存储单元
[0073]
44:第二控制单元
[0074]
46:数据传输单元
[0075]
48:剖析器
[0076]
50:半导体制造系统
[0077]
60:模拟器
[0078]
200:方法
[0079]
210:操作
[0080]
212:操作
[0081]
214:操作
[0082]
216:操作
[0083]
a1:第一处理腔室
[0084]
a2:第一处理腔室
[0085]
b1:第二处理腔室
[0086]
b2:第二处理腔室
[0087]
f1:atm机器人
[0088]
f2:atm机器人
[0089]
l:承载室
[0090]
l1:承载室
[0091]
l2:承载室
[0092]
v1:vtm机器人
[0093]
v2:vtm机器人
[0094]
w1:晶片
[0095]
w2:晶片
[0096]
w3:晶片
[0097]
w4:晶片
[0098]
x:对准器
[0099]
y:冷却站。