用于衬底处理系统的自动化控制及检测的集成式硬件-软件计算机视觉系统的制作方法

用于衬底处理系统的自动化控制及检测的集成式硬件-软件计算机视觉系统
相关申请的交叉引用
1.本技术要求于2019年7月29日申请的美国临时申请no. 62/879,741的优先权。上述引用的申请其全部公开内容都通过引用合并于此。
技术领域
2.本公开总体上涉及衬底处理系统，更具体而言涉及用于衬底处理系统的实时原位检测和控制的集成式计算机视觉系统。


背景技术：

3.这里提供的背景描述是为了总体呈现本公开的背景的目的。当前指定的发明人的工作在其在此背景技术部分以及在提交申请时不能确定为现有技术的说明书的各方面中描述的范围内既不明确也不暗示地承认是针对本公开的现有技术。
4.衬底处理系统通常包含多个处理室(也称为处理模块)以进行衬底(例如半导体晶片)的沉积、蚀刻、及其他处理。可在衬底上进行的示例性处理包含但不限于等离子体增强化学气相沉积(pecvd)处理、化学增强等离子体气相沉积(cepcd)处理、以及溅射物理气相沉积(pvd)处理。可以在衬底上进行的额外示例性处理包含但不限于蚀刻(如化学蚀刻、等离子体蚀刻、反应性离子蚀刻等)以及清洁处理。
5.在处理期间，可以将衬底放置在衬底处理系统的处理室中的衬底支撑件(如基座、静电卡盘(esc)等)上。在沉积期间，包含一或多种前体的气体混合物被导入处理室中，然后激励等离子体以活化化学反应。在蚀刻期间，包含蚀等离子体气体的气体混合物被导入处理室中，然后激励等离子体以活化化学反应。计算机控制的机械手通常按顺序将衬底从一处理室传输至另一处理室，衬底在处理室中进行处理。


技术实现要素：

6.一种衬底处理系统包括：处理器；以及储存指令的存储器，所述指令由所述处理器执行以处理由衬底和所述衬底处理系统的部件中的至少一者的相机所捕获的图像。所述部件与在所述衬底处理系统的处理室之间或在所述衬底处理系统与第二衬底处理系统之间运送所述衬底相关联。所述相机沿着所述衬底处理系统中所述衬底在所述处理室之间的行进路径设置。所述指令还配置所述处理器以通过网络从所述图像传送第一数据至远程服务器；以及响应于传送所述第一数据至所述远程服务器，通过所述网络从所述远程服务器接收第二数据。所述指令还配置所述处理器以根据所述第二数据来操作所述衬底处理系统。
7.在其他特征中，响应于所述图像是所述部件的且所述部件包括位于所述衬底处理系统的装载锁中的垫，所述垫用于支撑所述衬底、与所述衬底相关联的边缘耦合环、或运送所述衬底的机械手，所述第二数据包括以下的一或更多者：所述垫的状况的指示；以及关于所述垫维修与更换的一或更多者的建议。所述指令还使所述处理器响应于包含有关于所述
垫维修与更换中的一或更多者的所述建议的所述第二数据而产生用于维修与更换所述垫中的一或更多者的计划。
8.在其他特征中，响应于所述图像是所述衬底的且所述衬底在清洁所述衬底处理系统中的所述处理室中的一者期间使用，所述第二数据包括以下的一或更多者：所述衬底是属于在清洁所述衬底处理系统中的所述处理室中的所述一者期间所使用的类型的指示；所述衬底的状况的指示；关于更换所述衬底的建议；以及关于在所述处理室中的所述一者中选择配方的建议。所述指令进一步使所述处理器响应于包含有关于选择所述配方的所述建议的所述第二数据而在所述处理室中的所述一者中选择所述配方。
9.在其他特征中，响应于所述图像是所述衬底的，所述第二数据包括以下的一或更多者：所述衬底的类型的指示；以及用于选择处理所述衬底的配方的指示。所述指令进一步使所述处理器响应于包含有关于选择所述配方的所述指示的所述第二数据而选择用于处理所述衬底的所述配方。
10.在其他特征中，响应于所述图像是所述衬底的，所述第二数据包括以下的一或更多者：所述衬底的类型的指示；在所述处理室中的一者中在所述衬底上执行的处理的指示；处理所述衬底的所述处理室中的所述一者的状况的指示；以及用于选择清洁处理所述衬底的所述处理室中的所述一者的配方的指示。所述指令进一步使所述处理器：响应于包含有所述处理室中的所述一者的所述状况的所述指示的所述第二数据，安排对所述处理室中的所述一者的维修。所述指令进一步使所述处理器：响应于包含有关于选择所述配方的所述指示的所述第二数据，选择所述配方以清洁处理所述衬底的所述处理室中的所述一者。
11.在其他特征中，响应于所述图像是所述衬底的且由位于所述衬底处理系统的装载锁中的所述相机所捕获，所述第二数据包括以下的一或更多者：由机械手从处理所述衬底的所述处理室中的所述一者运送所述衬底而导致的所述衬底在所述装载锁中的位置漂移的指示；以及关于维修所述机械手或处理所述衬底的所述处理室中的所述一者的建议。所述指令进一步使所述处理器：响应于包含有关于维修所述机械手的所述建议的所述第二数据，产生用于维修所述机械手的计划。所述指令进一步使所述处理器：响应于包括有关于维修处理所述衬底的所述处理室中的所述一者的所述建议的所述第二数据，在所述处理室中的所述一者中执行与释放所述衬底至所述机械手有关的调整。
12.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室中的一者接收到的所述衬底相关联的边缘耦合环，所述第二数据包括以下的一或更多者：所述边缘耦合环的序号；以及关于对所述处理室中的所述一者用具有正确序号的第二边缘耦合环来更换所述边缘耦合环的建议。所述指令进一步使所述处理器响应于包含有所述建议的所述第二数据而产生用于对所述处理室中的所述一者用具有所述正确序号的所述第二边缘耦合环来更换所述边缘耦合环的计划。
13.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室中的一者接收到的所述衬底相关联的边缘耦合环，所述第二数据包括以下的一或更多者：所述边缘耦合环不正确的指示；与处理所述衬底相关的问题是由于所述边缘耦合环不正确的指示；以及对所述处理室中的所述一者用正确的边缘耦合环更换所述边缘耦合环的建议。所述指令进一步使所述处理器响应于包含有所述建议的所述第二数据而产生用于对所述处理室中的所述一者用所述正确的边缘耦合环来更换所述边缘耦合环的计划。
14.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室的一者接收到的所述衬底相关联的边缘耦合环，所述第二数据包括以下的一或更多者：所述处理室中的所述一者中的蚀刻速率的指示；以及对用于所述处理室中的所述一者中的配方进行调整的指示。所述指令进一步使所述处理器响应于包含有关于所述调整的所述指示的所述第二数据来调整用于所述处理室中的所述一者中的所述配方。
15.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室的一者接收到的所述衬底相关联的边缘耦合环，所述第二数据包括以下项：响应于所述边缘耦合环对所述处理室中的所述一者是正确的、所述处理室使用相同配方、且所述边缘耦合环呈现出与所述衬底处理系统中其他处理室中的边缘耦合环不同的变化，调整用于所述处理室中的所述一者中的所述边缘耦合环与配方中的至少一者的指示。所述指令进一步使所述处理器调整用于所述处理室中的所述一者中的所述边缘耦合环与所述配方中的至少一者。
16.在还有的其他特征中，一种系统包括：处理器；以及储存指令的存储器，所述指令由所述处理器执行以：通过网络从由衬底和衬底处理系统的部件中的至少一者的相机所捕获的图像接收数据。所述部件与在所述衬底处理系统的处理室之间或在所述衬底处理系统与第二衬底处理系统之间运送所述衬底相关联。所述相机沿着所述衬底处理系统中所述衬底在所述处理室之间的行进路径设置。所述指令进一步配置所述处理器以：输入所述数据的一部分至被训练以提供对操作所述衬底处理系统有用的输出的模型；以及通过所述网络将所述输出从所述模型传送至所述衬底处理系统。
17.在其他特征中，响应于所述图像是所述部件的且所述部件包括位于所述衬底处理系统的装载锁中的垫，所述垫用于支撑所述衬底、与所述衬底相关联的边缘耦合环、或运送所述衬底的机械手，所述模型的所述输出指示所述垫的状况并且包含有关于所述垫的维修与更换中的一或更多者的建议。
18.在其他特征中，响应于所述图像是所述衬底的且所述衬底在清洁所述衬底处理系统中的所述处理室中的一者期间使用，所述模型的所述输出包括以下的一或更多者：所述衬底是属于在清洁所述衬底处理系统中的所述处理室中的所述一者期间所使用的类型的指示；所述衬底的状况的指示；关于更换所述衬底的建议；以及关于在所述处理室中的所述一者中选择配方的建议。
19.在其他特征中，响应于所述图像是所述衬底的，所述模型的所述输出包括以下的一或更多者：所述衬底的类型的指示；以及用于选择处理所述衬底的配方的指示。
20.在其他特征中，响应于所述图像是所述衬底的，所述模型的所述输出包括以下的一或更多者：所述衬底的类型的指示；在所述处理室中的一者中在所述衬底上执行的处理的指示；处理所述衬底的所述处理室中的所述一者的状况的指示；以及用于选择清洁处理所述衬底的所述处理室中的所述一者的配方的指示。
21.在其他特征中，响应于所述图像是所述衬底的且由位于所述衬底处理系统的装载锁中的所述相机所捕获，所述模型的所述输出包括以下的一或更多者：由机械手从处理所述衬底的所述处理室中的所述一者运送所述衬底而导致的所述衬底在所述装载锁中的位置漂移的指示；以及关于维修所述机械手或处理所述衬底的所述处理室中的所述一者的建议。
22.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室中的
一者接收到的所述衬底相关联的边缘耦合环，所述模型的所述输出包括以下的一或更多者：所述边缘耦合环的序号；以及关于对所述处理室中的所述一者用具有正确序号的第二边缘耦合环来更换所述边缘耦合环的建议。
23.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室中的一者接收到的所述衬底相关联的边缘耦合环，所述模型的所述输出包括以下的一或更多者：所述边缘耦合环不正确的指示；与处理所述衬底相关的问题是由于所述边缘耦合环不正确的指示；以及对所述处理室中的所述一者用正确的边缘耦合环更换所述边缘耦合环的建议。
24.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室的一者接收到的所述衬底相关联的边缘耦合环，所述模型的所述输包括以下的一或更多者：所述处理室中的所述一者中的蚀刻速率的指示；以及对用于所述处理室中的所述一者中的配方进行调整的指示。
25.在其他特征中，响应于所述图像是所述部件的且所述部件为与从所述处理室的一者接收到的所述衬底相关联的边缘耦合环，所述模型的所述输出包括：响应于所述边缘耦合环对所述处理室中的所述一者是正确的、所述处理室使用相同配方、且所述边缘耦合环呈现出比所述衬底处理系统中其他处理室中的边缘耦合环较多的变化，调整用于所述处理室中的所述一者中的所述边缘耦合环与配方中的至少一者的指示。
26.在还有的其他特征中，一种系统包括：处理器；以及储存指令的存储器，所述指令由所述处理器执行以从布置在衬底处理系统中的一或更多个相机接收数据。所述衬底处理系统包括多个处理模块和机械手，所述机械手被配置成在所述处理模块之间以及在所述衬底处理系统与第二衬底处理系统之间运送衬底。所述指令使所述处理器基于从布置于所述衬底处理系统中的所述一或更多个相机接收到的所述数据，自动配置所述衬底处理系统。
27.在其他特征中，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动识别安装于所述衬底处理系统中的一或更多个子系统，并基于所述经识别的子系统以自动配置所述衬底处理系统。
28.在其他特征中，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动识别安装于所述衬底处理系统中的一或更多个子系统，并基于所述经识别的子系统以自动配置所述衬底处理系统的用户接口。
29.在其他特征中，所述指令使所述处理器响应于所述衬底处理系统被开启电源，基于从所述一或更多个相机接收到的所述数据以自动配置所述衬底处理系统。
30.在其他特征中，所述指令使所述处理器响应于所述衬底处理系统被维修，基于从所述一或更多个相机接收到的所述数据以自动配置所述衬底处理系统。
31.在其他特征中，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动识别被增加的子系统或所述子系统的部件，并基于被增加的经识别的所述子系统或所述子系统的所述部件以自动配置所述衬底处理系统。
32.在其他特征中，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动识别被移除的子系统或所述子系统的部件，并基于被移除的经识别的所述子系统或所述子系统的所述部件以自动配置所述衬底处理系统。
33.在还有的其他特征中，一种系统包括：处理器；以及储存指令的存储器，所述指令
由所述处理器执行以从布置在衬底处理系统中的一或更多个相机接收数据。所述衬底处理系统包括多个处理模块和机械手，所述机械手被配置成在所述处理模块之间以及在所述衬底处理系统与第二衬底处理系统之间运送衬底。所述指令使所述处理器基于从布置于所述衬底处理系统中的所述一或更多个相机接收到的所述数据，自动识别所述衬底处理系统中的一或更多个子系统的状态。
34.在其他特征中，从所述一或更多个相机接收到的所述数据包括视频数据，所述指令使所述处理器通过实时处理所述视频数据来自动识别一或更多个子系统的所述状态。
35.在其他特征中，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动识别和追踪所述衬底处理系统中的对象的移动，并基于所述衬底处理系统中的所述对象的所述移动以自动识别所述衬底处理系统中的一或更多个子系统的所述状态。所述对象包括所述机械手、所述衬底的一者、与所述衬底一起使用的边缘耦合环、所述处理模块中的一者的门、所述衬底处理系统的装载锁模块的门、或所述衬底处理系统的装载端口模块的门。
36.在其他特征中，响应于所述状态为是错误的，所述指令使所述处理器基于从所述一或更多个相机接收到的所述数据以自动更正所述错误。
37.在其他特征中，所述处理器配置成通过网络与远程计算设备通信，且响应于所述状态是错误，所述指令使所述处理器基于通过所述网络从所述远程计算设备接收到的数据以自动更正所述错误。
38.在其他特征中，所述处理器被配置成通过网络将从所述一或更多个相机接收到的所述数据传送至远程计算设备，且所述指令使所述处理器允许所述远程计算设备基于从所述一或更多个相机接收到的所述数据以通过所述网络控制所述衬底处理系统。
39.在其他特征中，所述处理器配置成通过网络而与远程计算设备通信，且所述指令使所述处理器允许所述远程计算设备控制所述衬底处理系统，且在所述远程计算设备通过所述网络控制所述衬底处理系统时不允许对所述衬底处理系统进行人工控制。
40.在其他特征中，所述处理器被配置成通过网络而与远程计算设备通信，且所述指令使所述处理器在所述衬底处理系统被人工控制时不允许所述远程计算设备控制所述衬底处理系统。
41.在其他特征中，响应于所述状态为与所述子系统中的一者相关联的错误，所述指令使所述处理器自动禁用所述子系统中的所述一者。
42.在其他特征中，一种系统包括：处理器；以及储存指令的存储器，所述指令由所述处理器执行以通过布置于衬底处理系统中的单个相机接收从边缘耦合环捕获的数据；使用三角测量法处理所述数据，以产生代表所述边缘耦合环的厚度轮廓的三维点云；以及基于所述厚度轮廓确定所述边缘耦合环的腐蚀量。
43.在其他特征中，所述指令使所述处理器确定所述腐蚀量是否大于或等于预定阈值，并产生所述腐蚀量的指示。
44.在其他特征中，所述指令使所述处理器通过比较所述厚度轮廓与所述边缘耦合环首次安装在所述衬底处理系统中时建立的先前的三维点云所产生的先前厚度轮廓来确定所述腐蚀量。
45.根据详细描述、权利要求和附图，本公开内容的适用性的进一步的范围将变得显
而易见。详细描述和具体示例仅用于说明的目的，并非意在限制本公开的范围。
附图说明
46.根据详细描述和附图将更充分地理解本公开，其中：
47.图1示出了衬底处理工具的示例；
48.图2示出了制造设施中衬底处理工具的示例性布置；
49.图3a-3i示出了衬底处理工具的多种示例性配置；
50.图4示出了衬底处理工具的示例；
51.图5a至5d根据本公开内容的某些特征示出了衬底处理工具的多种示例性配置平面图；
52.图6a至6c根据本公开内容的某些特征示出了衬底处理工具的示例性配置平面图；
53.图7a-7c根据本公开内容的某些特征示出了包含多种处理室的衬底处理系统的功能框图；
54.图7d根据本公开内容的某些特征示出了边缘耦合环在处理室中的示例；
55.图8a根据本公开内容的某些特征示出了计算机视觉系统的高阶架构；
56.图8b-8d根据本公开内容的某些特征示出了实现这些系统和方法的客户端-服务器架构；
57.图9a-9f根据本公开内容的某些特征示出了工具中安装用于计算机视觉系统中的相机的位置的示例；
58.图10a示出了位于工具中装载锁中可由图9a至图9d所示的相机中的一者观察到的部件的示意图；
59.图10b根据本公开内容的某些特征示出了用于捕获三维图像的两个相机的布置；
60.图11示出了使用图8a-8d的客户端-服务器架构并使用图9a
‑ꢀ
9f所示的相机布置而实现的计算机视觉系统的示例性框图；
61.图12a-12f示出了基于计算机视觉系统从多种工具所捕获的图像而使用机器学习来训练多种模型的方法的示例性流程图；
62.图13a-13f示出了基于在生产期间所捕获的图像并使用经训练的模型而在工具中执行的方法的示例性流程图；
63.图14a-14i根据本公开内容的某些特征示出了使用计算机视觉系统而执行用于改善工具操作的额外的基于模型的方法的示例性流程图；
64.图15a、15b和15c示出了用于产生、训练并验证模型的方法的示例性流程图；
65.图16a和16b示出了用于产生模型的示例性递归神经网络的图形表示；
66.图17a示出了配置成在图1-6c所示的衬底处理系统中执行自动配置以及自动错误检测与错误恢复的系统的示例；
67.图17b示出了用于图17a的衬底处理系统中而在工具的多个位置处设有相机的工具的示例；
68.图17c示出了使用图17a的系统以执行衬底处理系统的自动配置的示例性方法的流程图；
69.图17d示出了使用图17a的系统以在衬底处理系统中执行自动错误恢复的示例性
方法的流程图；
70.图18a-18d根据本公开内容的某些特征示出了使用单个相机以执行立体图像处理的系统的示例；以及
71.图18e根据本公开内容的某些特征示出了使用单个相机以执行立体图像处理的示例性方法的流程图。
72.在附图中，可以重复使用附图标记来标识相似和/或相同的组件。
具体实施方式
73.本公开内容涉及系统和方法，其捕获例如半导体晶片(以下称为晶片)的衬底的图像以及晶片在处理模块之间和/或工具之间(例如，气锁中)运送时暂时存放处的周围设备的一部分的图像。图像经过处理以用于特征识别以及特征提取。捕获图像并且对其进行一段时间处理，以产生用于使用机器学习来训练多种模型的数据。经训练的模型接着用于确定处理模块、工具及其构件的健康，并实时调整处理模块及工具，以改善产量、良率及晶片上的处理质量。
74.这些系统和方法补偿通常用于确定处理模块和工具健康并且建议措施以控制工具并改善产量、良率及晶片上的处理质量的各种传感器、计算机视觉算法和反馈机制。这些系统和方法持续从不断捕获的图像中学习。这些系统和方法使通常需要人工干预的一些预防和校正任务的执行自动化。这些系统和方法监督半导体厂中机群各处的工具操作，并对工具的自动化控制提供反馈。
75.本公开内容的计算机视觉系统包括检测器和/或传感器，例如相机，且进一步包括图像处理算法、感知算法、传感器融合算法、使用机器学习训练的模型、以及封闭式回路控制算法。在本公开内容整篇中，相机仅用作检测器/传感器的示例，并且应当理解的是，可替代地使用任何其他检测器/ 传感器。本公开内容的计算机视觉系统取代通常用于检测晶片及工具并且诊断机群各处的处理模块及工具中的问题的昂贵且费时的计量装备和处理，并且使用封闭式回路算法使工具的控制自动化。此外，计算机视觉系统比人和计量系统更有效地执行以下所述的这些以及更多任务。本公开内容的这些以及其他特征于下详细描述。组织
76.本公开内容组织如下。最初，参考图1-7d示出并描述了衬底处理工具、其配置及其中所使用的处理室的许多示例。提供这些图以及相应描述，以说明可以在不同晶片上执行的多种处理以及晶片在不同室与工具之间行进的多种路径。此外，提供这些图，以说明通常可从室和工具中的各种传感器收集到的数据的复杂性、多样性及广泛性。数据用于诊断、校正并防止问题，并在室及工具中执行各种调整、校准和预防性维护程序。
77.本公开内容的系统和方法可独立地或与这些传感器以及从其收集到的数据结合操作，并且可以显着改善在室和工具中所执行的诊断、校正及预防程序。这些图提供对室和工具的操作的理解，其有助于理解本公开内容的系统和方法所执行的操作的范围。
78.图8a根据本公开内容的某些特征示出了计算机视觉系统的高阶架构。图8b-8d示出了可用于实施本公开内容的系统和方法的示例性客户端-服务器架构。图9a-9f示出了工具中可放置一或更多检测器(例如，本公开内容的计算机视觉系统的相机)的位置的示例。图10a示出了位于工具中装载锁中的部件的示意图，其可由图9a-9f中所示的相机中的一者
来捕获。图 10b示出至少两个相机的布置，其用于捕获图10a中所示的部件的二维图像。图11示出了使用图8a-8d的客户端-服务器架构并且使用图9a-9f所示的相机布置而实施的计算机视觉系统的示例。
79.图12a-12f示出了基于计算机视觉系统从多种工具所捕获的图像而使用机器学习来训练多种模型的方法的示例。图13a-13f示出了基于实时(即，在快速或生产过程中正使用工具以处理晶片时)捕获的图像并使用经训练的模型而执行的方法的示例。图14a-14i示出了使用计算机视觉系统而执行用于改善工具操作的基于模型的方法的额外示例。图15a-16b示出了使用机器学习来训练模型的方法的示例。
80.图17a-17d示出了在图1-6c所示的衬底处理系统中执行自动配置以及自动错误检测与错误恢复的系统和方法的示例。图18a-18e示出了使用单个相机来执行立体图像处理的示例性系统和方法。工具的示例
81.图1示出了衬底处理工具100的示例的俯视图。衬底处理工具 100包含多个处理模块104。仅举例而言，每个处理模块104可被配置成在衬底上进行一或多种各自的处理。待处理的衬底通过设备前端模块(efem)108 的装载站的端口被装载到衬底处理工具100中，接着被传送至处理模块104 中的一或更多个。例如，衬底可被连续地装载至处理模块104中的每一个中。
82.图2示出了包含多个衬底处理工具208(例如衬底处理工具100) 的制造室204的示例性配置200。图3a-3i示出了其中可以布置多个衬底处理工具208(例如衬底处理工具100)的配置的多个示例。在这些示例中，晶片经过不同路径。因此，用于通过这些路径运送晶片的机械手的配置和操作有所不同。此外，各种传感器使用于这些示例中，以感测机械手和晶片的各个方面。另外，如将参考图9a-11详细解释的，在这些示例中，一或更多检测器 (例如计算机视觉系统的相机)可放置于任何地方。
83.图3a根据本公开的某些实施方案示出了包含第一衬底处理工具304与第二衬底处理工具308的第一示例性配置300。第一衬底处理工具304与第二衬底处理工具308按顺序配置且通过真空下的传送台312连接。如图所示，传送台312包含枢轴传送机构，枢轴传送机构被配置成在第一衬底处理工具304的真空传送模块(vtm)316与第二衬底处理工具308的vtm320 之间传送衬底。在其他示例中，传送台312可包含其他合适的传送机构，例如线性传送机构。
84.仅举例而言，vtm316的第一机械手(未显示)可以将衬底放置到设置在第一位置中的支撑件324上，支撑件324枢转至第二位置，然后 vtm320的第二机械手(未显示)从第二位置中的支撑件324取回衬底。在一些示例中，第二衬底处理工具308可以包含被配置成在处理阶段之间储存一或更多个衬底的储存缓冲件328。传送机构也可以堆叠以在衬底处理工具308 与304之间提供两个或更多个传送系统。传送台324也可以具有多个狭槽以便一次传送或缓冲多个衬底。在配置300中，第一衬底处理工具304与第二衬底处理工具308被配置成共享单一设备前端模块(efem)332。
85.图3b示出了第二示例性配置400，其包含按顺序排列并通过传送台412连接的第一衬底处理工具404与第二衬底处理工具408。配置400类似于图3a的配置300，不同的是，在配置400中去掉了efem。因此，衬底可通过气锁装载站416被直接装载到第一衬底处理工具408
中(例如，使用储存或传输载具，例如真空晶片载具、前开式晶片传送盒(foup)、或其他合适的机构)。该配置中的传感器和相机的布置可相应地不同于配置300。
86.图3c示出了第三示例性配置500，其包括衬底处理工具504。该配置500删去了efem，并仅使用单个装载站508，使得能使用更多数量 (例如7个)的处理模块512。在装载站508处，衬底可以通过气锁装载站 416(例如，使用例如真空晶片载具、前开式晶片传送盒(foup)等储存或传送盒或者其他合适机构)直接装载至衬底处理工具504中。因此，该配置中的传感器和相机的布置可相应地不同于配置300和400。
87.图3d示出了第四示例性配置600，其包括共享单个efem 612 的第一衬底处理工具604和第二衬底处理工具608。更具体地，第一衬底处理工具604和第二衬底处理工具608通过相应装载站616和620连接至 efem 612的相应端。装载站616和620可各自具有堆叠配置，其可包括合适的传感器和相机。
88.图3e示出了第五示例性配置700，其包括共享单个efem 712 的第一衬底处理工具704和第二衬底处理工具708。第一衬底处理工具704 和第二衬底处理工具708通过相应装载站716和720连接至efem 712的相应端。装载站716和720可各自具有堆叠配置，其可包括合适的传感器和相机。
89.图3f示出了第六示例性配置800，其包括一或更多排按顺序布置的衬底处理工具804、808等。在配置800中，每排可包括通过相应传送台 812连接的3个或更多个衬底处理工具。传送台812可包括枢转传送机构、线性传送机构等。第一efem 816提供在该成排的衬底处理工具804、808的第一端，而第二efem820提供在该成排的衬底处理工具804、808的第二端。例如，衬底可以在第一efem816处装载，通过衬底处理工具804、808的各个处理模块按顺序处理并且传送，接着从第二efem820卸除/取走。在一些示例中，传送台812内的传送机构可竖直地堆叠，以在相邻衬底处理工具之间提供两个或更多个传送系统。传送台812还可以具有多个槽，以一次地移动或缓冲多个衬底。如能理解的，配置800中传感器和相机的布置可不同于其他配置中传感器的布置。
90.图3g示出了第七示例性配置900，其包括衬底处理工具904。在配置900中，衬底处理工具904包括例如8个处理模块908，并且删去 efem及任何外部装载站。反而，一或更多运送载具(例如，真空晶片载具)912提供在衬底处理工具904的内部916中。例如，可以使用自动化运送系统，例如自动化材料处理系统(amhs)，从衬底处理工具904上方传送载具 912。机械手920从载具912取出衬底并将衬底传送至处理模块908。如能理解的，配置900中传感器和相机的布置可以与其他配置中的不同。
91.图3h示出了第八示例性配置1000，其包括具有多个处理模块 1008的衬底处理工具1004。衬底处理工具1004包括线性vtm 1012以及配置成在efem 1020与处理模块1008之间传送衬底的机械手1016。vtm 1012 被配置成调整机械手1016相对于处理模块1008的线性位置(即，调整机械手 1016相对于vtm 1012的端部到端部的位置)。
92.图3i示出了第九示例性配置1100，其包括衬底处理工具1104。衬底处理工具1104包括处理模块1108的集群布置，以及可选的末端处理模块1112。处理模块1108共享单个efem 1116。此外，配置1000和1100中的传感器和相机的布置可以不同于其他配置。
93.在一些示例中，本文所述的任何处理工具可实施具有堆叠配置的装载站。例如，如图3c和3e所示的装载站508、716、720等可实施堆叠配置。换言之，在堆叠配置中，装载站可
包括两个或更多竖直堆叠的装载站。在一些示例中，堆叠配置还可以包括与一或更多装载站竖直堆叠的处理模块或室(例如，集成式关键带(ics)室)。根据某些实施方案，额外的传感器和相机可用于这些堆叠配置中。工具的额外示例
94.图4示出了衬底处理工具1150的又一示例的俯视图。衬底处理工具1150包括多个处理模块1154。例如，处理模块1154中的每一者可配置成在衬底上执行一或更多个相应处理。待处理的衬底通过大气-真空(atv)传送模块(例如设备前端模块(efem)1158)的装载站的端口而装载至衬底处理工具1150中，接着传送至处理模块1154中的一或更多者中。例如，传送机械手1162被布置成将衬底从装载站1166传送至气锁或装载锁1170，而真空传送模块1174的真空传送机械手1178被布置成将衬底从装载锁1170传送至各个处理模块1154。
95.例如，衬底处理工具的设备前端模块(efem)可包括一或更多传送机械手，以用于在efem与装载锁之间传送衬底，装载锁布置于efem与真空传送模块(vtm)之间。efem的内部容积必须足以容纳传送机械手。因此，装载锁通常位于设备前端模块(efem)占用空间的外部而在efem与 vtm之间。在一些示例中，efem可包括传送机械手，其具有允许气锁至少部分地位于efem内的配置。图2所示的制造室204可包括多个衬底处理工具1150。
96.图5a-6c示出了其中可布置该多个衬底处理工具(例如衬底处理工具1150)的配置的多种示例。在这些示例中，晶片经过不同路径。因此，用于通过这些路径传送晶片的机械手的配置和操作有所不同。此外，各种传感器使用于这些示例中，以感测机械手和晶片的各个方面。另外，如将参考图 9a-11详细解释的，在这些示例中，一或更多检测器(例如计算机视觉系统的相机)可放置于任何地方。
97.图5a-5d示出了第一衬底处理工具1200-1、第二衬底处理工具 1200-2和第三衬底处理工具1200-3(统称为衬底处理工具1200)的示例性配置的平面图。类似于衬底处理工具1150，衬底处理工具1200中的每一者包括经修改的设备前端模块(efem)1204，其被配置成容纳装载锁1208的至少一部分。换言之，取代了位于efem 1204外部而在efem 1204与真空传送模块(vtm)1212之间的间隙中，装载锁1208延伸至efem 1204内部。
98.因此，efem 1204可以位于更靠近vtm 1212处，从而减少总体占用空间并增加衬底处理工具1200的间距。例如，efem 1204的传送机械手1216布置成比efem 1204的背壁1224(例如第二侧)更靠近前壁(例如，第一侧)上的装载站1220，以提供用于装载锁1208延伸至efem 1204内部的空间。在一些示例中，装载锁1208可配置为如图5d中衬底处理工具1200-3的另一布置所示。仅作为示例，装载站1220可对应于前开式晶片传送盒 (foup)。
99.如图所示，衬底处理工具1200包括六个处理模块1228。然而，衬底处理工具1200的其他配置可包括多于六个的处理模块1228。例如， vtm1212的长度可扩展以容纳额外处理模块1228。类似地，vtm 1212可包括具有多种配置的真空传送机械手1232。例如，衬底处理工具1200-1包括三个真空传送机械手1232，而衬底处理工具1200-2包括两个真空传送机械手 1232。在衬底处理工具1200-1和1200-2中，机械手1232对准于vtm 1212 的中心纵向轴线。
100.相反，衬底处理工具1200-3包括单个真空传送机械手1232，其布置为相对于vtm 1212的中心纵向轴线偏离中心(即，偏向处理模块1228 左边或右边)。换言之，衬底处理工具1200-3中的机械手1232的主要枢轴点偏离中心。虽然显示为具有一或两个臂，但机械手
1216和1232中的每一者可以具有包含有一个、两个或更多个臂的配置。在一些示例中，机械手1232 可以在每一臂上包括两个末端执行器1234，如图5c和5d所示。
101.衬底处理工具1200可包括一或更多个储存缓冲件1236，其配置成在处理阶段之间储存一或更多个衬底。在一些示例中，一或更多个储存缓冲件1240可以位于vtm 1212内。在一些示例中，一或更多个储存缓冲件 1240可用处理模块或其他构件来代替。
102.在一些示例中，efem 1204、装载锁1208、vtm 1212以及处理模块1228中的一或更多者可具有堆叠配置。例如，处理模块1228的每一者可对应于呈竖直堆叠配置的两个处理模块1228(即，一处理模块1228布置于另一者上方/下方)，vtm 1212可对应于呈竖直堆叠配置的两个vtm 1212，装载锁1208中的每一者可对应于呈竖直堆叠配置的两个装载锁1208，且装载站1220中的每一者可对应于呈竖直堆叠配置的两个装载站1220。可增加 efem 1204的高度以允许机械手1216升高和下降至efem 1204内的不同水平，以访问装载站1220和装载锁1208的多个水平。如能理解的，这些配置中的传感器和相机的布置可相应地变化。
103.图6a-6c示出了另一衬底处理工具1600的示例性配置的平面图。衬底处理工具1600包括经修改的设备前端模块(efem)1604，其被配置成容纳一或更多个装载锁1608的至少一部分。换言之，取代完全位于efem1604外部而在efem 1604与真空传送模块(vtm)1612间的间隙中，装载锁 1608延伸至efem 1604内部。因此，efem 1604可以位于更靠近vtm 1612 处，从而减少总体占用空间并增加多个衬底处理工具1600的间距。
104.如图所示，衬底处理工具1600包括十个处理模块1616。然而，衬底处理工具1600的其他配置可包括多于十个的处理模块1616。例如， vtm 1612的长度可扩展以容纳额外的处理模块1616。类似地，vtm 1612可以包括具有各种配置的一或更多个真空传送机械手1620(例如，传送机械手 1620-1、1620-2、1620-3、1620-4和1620-5)。如图6a所示，在每一配置中，传送机械手1620包括具有三个臂段1628的一个臂1624和一个末端执行器 1632。在其他配置中，传送机械手1620可包括一个、两个或更多臂1624。在一些示例中，机械手1620可以在每一臂1624上包括两个末端执行器1632。
105.在图6a中，衬底处理工具1600包括单个真空传送机械手 1620-1，其布置为相对于vtm 1612的中心纵向轴线偏离中心(即，偏向处理模块1616左边或右边)。换言之，机械手1620-1的主要枢轴点偏离中心。机械手1620-1被定位成并配置成访问十个处理模块1616和装载锁1608中的每一者。在衬底处理工具1600包括储存缓冲件1636和/或储存缓冲件1640的配置中，机械手1620-1还配置成访问储存缓冲件1636/1640。
106.在图6b和6c中，衬底处理工具1600分别包括两个真空传送机械手1620-2和1620-3或1620-4和1620-5，其布置为相对于vtm 1612的中心纵向轴线偏离中心(即，偏向处理模块1616左边或右边)。机械手1620-2 和1620-4被定位成且配置成访问十个处理模块1616和装载锁1608中的选定者。相反地，机械手1620-3和1620-5被定位成且配置成访问十个处理模块 1616中的其他。在衬底处理工具1600包括储存缓冲件1636和/或储存缓冲件 1640的配置中，机械手1620-3和1620-5也可配置成到达储存缓冲件1636，而图6b中的机械手1620-2和1620-3两者以及图6c中的机械手1620-4和 1620-5两者都配置成访问储存缓冲件1640。
107.例如，如图6b所示，机械手1620-2与处理模块1616中的相应一者对准(例如，在其水平轴上置中)，而机械手1620-3布置于在处理模块 1616中的相邻者之间置中。相反，如图6c中所示，机械手1620-4与1620-5 的每一者对准处理模块1616中的相应者。如能理解的，
这些配置中传感器和相机的布置可相应地变化。室的示例
108.图7a-7c示出了可用于图1-6c中所示工具中的处理模块(pm) 的不同示例。除了计算机视觉系统的相机外，这些处理室也可配置有一或更多个独立的相机。然而，这些位于pm的窗口外部的相机用于监测pm内部。这些相机(未示出)是传感器的一部分，通常用于感测pm及工具的各种操作。计算机视觉系统与这些传感器和相机协同操作，如下将参考图9a-11所解释的。图7a-7c中所述的控制器可以与计算机视觉系统交换数据，并且可以基于从计算机视觉系统接收的数据来操作各个pm，如下将参考图9a-11所解释的。
109.图7a示出了包括处理室1702的衬底处理系统1700的示例。尽管该示例是在等离子体增强化学气相沉积(pecvd)背景下进行描述，但本公开内容的教导可应用于其他类型的衬底处理，例如原子层沉积(ald)、等离子体增强ald(peald)、cvd、或其他处理，包括蚀刻处理。该系统1700 包括处理室1702，其包围系统1700的其他部件并含有射频(rf)等离子体(如果使用的话)。处理室1702包括上部电极1704和静电卡盘(esc)1706或其他衬底支撑件。在操作期间，将衬底1708布置在esc 1706上。
110.例如，上部电极1704可包括引入并且分配处理气体的气体分配设备1710，例如喷头。气体分配设备1710可包括杆部，其一端连接至处理室1702的顶表面。喷头的基部一般为圆柱形，并在与处理室1702的顶表面隔开的位置处从杆部的相对端径向朝外延伸。喷头的基部的面向衬底的表面或面板包括多个孔，汽化的前体、处理气体或清扫气体流过这些孔。替代地，上部电极1704可包括导电板，且处理气体可以另一方式被引入。
111.esc 1706包括用作下部电极的基板1712。基板1712支撑加热板1714，其可对应于陶瓷多区加热板。热阻层1716可布置于加热板1714与基板1712之间。基板1712可包括一或更多个通道1718，其用于使冷却剂流过基板1712。
112.如果使用等离子体，rf产生系统1720产生并输出rf电压至上部电极1704与下部电极(例如，esc1706的基板1712)中的一者。上部电极 1704与基板1712中的另一者可以是dc接地、ac接地或浮动。例如，rf产生系统1720可以包括rf产生器1722，其产生由匹配和分配网络1724供至上部电极1704或基板1712的rf功率。在其他示例中，等离子体可感应地或远程地产生。
113.气体输送系统1730包括一或更多个气体源1732-1、1732-2、
…
和1732-n(统称为气体源1732)，其中n为大于零的整数。气体源1732通过阀1734-1、1734-2、
…
和1734-n(统称为阀1734)以及质量流量控制器1736-1、 1736-2、...和1736-n(统称为质量流量控制器1736)连接至歧管1740。蒸汽输送系统1742将汽化前体供应至歧管1740或连接至处理室1702的另一歧管 (未示出)。歧管1740的输出供应至处理室1702。
114.温度控制器1750可以连接至布置于加热板1714中的多个热控制组件(tce)1752。温度控制器1750可用于控制该多个tce1752，以控制esc1706和衬底1708的温度。温度控制器1750可以与冷却剂组件1754连通，以控制流过通道1718的冷却剂流。例如，冷却剂组件1754可包括冷却剂泵、贮存器以及一或更多个温度传感器(未示出)。温度控制器1750操作冷却剂组件1754，以使冷却剂选择性地流过通道1718以冷却esc 1706。阀1756和泵 1758可用于从处理室1702中排出反应物。系统控制器1760控制系统1700的部件。
115.图7b示出了衬底处理系统1800的另一示例。衬底处理系统 1800包括线圈驱动电
路1811。在一些示例中，线圈驱动电路1811包括rf源 1812、脉冲电路1814以及调谐电路(即，匹配电路)1813。脉冲电路1814控制由rf源1812所产生的rf信号的变压器耦合等离子体(tcp)包络，并且使 tcp包络的工作周期在操作期间在1％与99％之间变化。如能理解的，脉冲电路1814与rf源1812可合并或分开。
116.调谐电路1813可以直接连接至感应线圈1816。尽管衬底处理系统1810使用单个线圈，但是，一些衬底处理系统可以使用多个线圈(例如，内部和外部线圈)。调谐电路1813将rf源1812的输出调谐至所期望的频率和/或所期望的相位，并且匹配线圈1816的阻抗。
117.介电窗1824沿着处理室1828的顶侧布置。处理室1828包括衬底支撑件(或基座)1832，以支撑衬底1834。衬底支撑件1832可包括静电卡盘 (esc)、或机械卡盘或其他类型的卡盘。处理气体被供应至处理室1828，且等离子体1840在处理室1828内部产生。等离子体1840蚀刻衬底1834的暴露表面。rf源1850、脉冲电路1851和偏压匹配电路1852可以用于在操作期间偏置衬底支撑件1832以控制离子能量。
118.气体输送系统1856可以用于将处理气体混合物供应至处理室 1828。气体输送系统1856可以包括处理和惰性气体源1857、气体计量系统 1858(例如阀和质量流量控制器)以及歧管1859。气体注入器1863可以布置于介电窗1824的中心，并且用于将来自气体输送系统1856的气体混合物注入至处理室1828中。附加地或替代地，气体混合物可从处理室1828的侧面注入。
119.加热器/冷却器1864可以用于加热/冷却衬底支撑件1832至预定温度。排出系统1865包括阀1866和泵1867，以控制处理室中的压力和/或通过清扫或抽空从处理室1828中去除反应物。
120.控制器1854可以用于控制蚀刻处理。控制器1854监测系统参数并控制气体混合物的输送；激励、维持并且熄灭等离子体；去除反应物；供应冷却气体；等等。另外，如下所述，控制器1854可以控制线圈驱动电路 1810、rf源1850以及偏置匹配电路1852等等的各个方面。
121.图7c示出了用于蚀刻衬底的层的处理室1900。处理室1900包括下部室区域1902和上部室区域1904。下部室区域1902由室侧壁表面1908、室底表面1910和气体分配设备1914的下表面限定。
122.上部室区域1904由气体分配设备1914的上表面和圆顶1918的内表面限定。在一些示例中，圆顶1918搁置在第一环形支撑件1921上。在一些示例中，第一环形支撑件1921包括一或更多个隔开孔1923，以输送处理气体至上部室区域1904。在一些示例中，处理气体通过一或更多个隔开孔 1923沿相对于包括气体分配设备1914的平面呈锐角的向上方向来输送，但可使用其他角度/方向。在一些示例中，第一环形支撑件1921中的气流通道 1934供应气体至一或更多隔开孔1923。
123.第一环形支撑件1921可搁置于第二环形支撑件1925上，其限定一或更多个隔开孔1927，其用于将处理气体从气流通道1929输送至下部室区域1902。在一些示例中，气体分配设备1914中的孔1931对准孔1927。在其他示例中，气体分配设备1914具有较小直径，且不需要孔1931。在一些示例中，处理气体是通过一或更多个隔开孔1927沿相对于包括气体分配设备1914的平面呈锐角的向下方向朝衬底1926来输送，但可使用其他角度/方向。在其他示例中，上部室区域1904为具有平坦顶表面的圆柱形，且可使用一或更多个平坦感应线圈。在
其他示例中，单个室可以与位于喷头与衬底支撑件之间的间隔件一起使用。
124.衬底支撑件1922布置于下部室区域1904中。在一些示例中，衬底支撑件1922包括静电卡盘(esc)，但可使用其他类型的衬底支撑件。在蚀刻期间，衬底1926被布置在衬底支撑件1922的上表面上。在一些示例中，衬底1926的温度可通过加热器板1930、具有流体通道的可选冷却板、以及一或更多个传感器(未示出)来控制，但可以使用任何其他合适的衬底支撑件温度控制系统。
125.在一些示例中，气体分配设备1914包括喷头(例如，具有多个隔开孔1927的板1928)。该多个隔开孔1927从板1928的上表面延伸至板 1928的下表面。在一些示例中，隔开孔1927具有0.4”至0.75”范围内的直径，且喷头由导电材料(例如铝)或具有嵌入电极(由导电材料所制成)的非导电材料 (例如陶瓷)制成。
126.一或更多个感应线圈1940布置于圆顶1918的外部周围。当通电时，一或更多个感应线圈1940在圆顶1918内部产生电磁场。在一些示例中，使用上部线圈和下部线圈。气体注入器1942注入来自气体输送系统 1950-1的一或更多种气体混合物。
127.在一些示例中，气体输送系统1950-1包括一或更多个气体源 1952、一或更多个阀1954、一或更多个质量流量控制器(mfc)1956、以及混合歧管158，但可使用其他类型的气体输送系统。气体分流器(未示出)可用于改变气体混合物的流速。另一气体输送系统1950-2可用于供应蚀刻气体或蚀刻气体混合物至气流通道1929和/或1934(附加于或代替来自气体注入器1942 的蚀刻气体)。
128.在一些示例中，气体注入器1942包括引导气体朝向下方向的中央注入位置以及相对于向下方向呈一定角度注入气体的一或更多个侧方注入位置。在一些示例中，气体输送系统1950-1以第一流速将气体混合物的第一部分输送至中央注入位置，并且以第二流速将气体混合物的第二部分输送至气体注入器1942的侧方注入位置。在其他示例中，不同的气体混合物通过气体注入器1942来输送。在一些示例中，气体输送系统1950-1将调谐气体输送至气流通道1929与1934和/或处理室中的其他位置，将如下文所述的。
129.等离子体产生器1970可以用于产生输出至一或更多个感应线圈 1940的rf功率。等离子体1990在上部室区域1904中产生。在一些示例中，等离子体产生器1970包括rf产生器1972及匹配网络1974。匹配网络1974 将rf产生器1972的阻抗与一或更多个感应线圈1940的阻抗匹配。在一些示例中，气体分配设备1914连接至参考电位，例如接地。阀1978和泵1980可用于控制下部及上部室区域1902、1904内部的压力以及排出反应物。
130.控制器1976与气体输送系统1950-1与1950-2、阀1978、泵 1980以及等离子体产生器1970通信，以控制处理气体的流动、清扫气体的流动、rf等离子体以及室压力。在一些示例中，等离子体通过一或更多个感应线圈1940维持在圆顶1918内部。一或更多种气体混合物使用气体注入器 1942(和/或孔1923)从室的顶部引入，且使用气体分配设备1914而将等离子体约束在圆顶1918内。
131.将等离子体约束在圆顶1918中允许等离子体物质的体复合 (volume recombination)并通过气体分配设备1914流出所期望的蚀刻剂物质。在一些示例中，无rf偏置施加至衬底1926。因此，衬底1926上无活性鞘层 (active sheath)，且离子未以任何有限能量撞击衬底。一些离子量将通过气体分配设备1914扩散离开等离子体区域。然而，扩散的等离子体量比位于圆顶 1918内部的等离子体低一个数量级。等离子体中大多数离子在
高压下因体复合而损耗。气体分配设备1914的上表面处的表面复合损耗也降低气体分配设备1914下方的离子密度。
132.在其他示例中，提供rf偏置产生器1984，其包括rf产生器 1986以及匹配网络1988。rf偏置可以用于在气体分配设备1914与衬底支撑件之间产生等离子体，或在衬底1926上产生自偏置以吸引离子。控制器 1976可用于控制rf偏置。
133.边缘耦合环可用于调整衬底径向外边缘附近的等离子体的蚀刻速率和/或蚀刻轮廓。边缘耦合环通常位于衬底的径向外边缘周围基座上。衬底径向外边缘处的处理条件可通过改变边缘耦合环的位置、边缘耦合环的内边缘的形状或轮廓、边缘耦合环相对于衬底的上表面的高度、边缘耦合环的材料等来改变。
134.图7d示出了环绕基座1871的边缘耦合环1870的示例。边缘耦合环1870可包括单个部分或两个或更多部分。在所示的示例中，边缘耦合环1870包括布置在衬底1873径向外侧的第一环形部分1872。第二环形部分 1874从第一环形部分1872径向偏内地位于衬底1873下方。第三环形部分 1876布置于第一环形部分1872下方。在使用期间，等离子体1875被引导至衬底1873处，以蚀刻衬底1873的暴露部分。边缘耦合环1870被布置成帮助等离子体成形，从而进行衬底1873的均匀蚀刻。在已使用边缘耦合环1870 后，边缘耦合环1870的径向内部的上表面可能出现侵蚀(例如，在1878处)。因此，等离子体1875可能倾向于以比蚀刻其径向内部的更快速率蚀刻衬底 1873的径向外部边缘，而衬底1873的不均匀蚀刻可能发生在衬底1873的径向外部边缘附近。
135.边缘耦合环1870的一或更多部分可相对于衬底或基座1871竖直和/或水平移动。该移动在蚀刻或其他衬底处理期间改变了等离子体1875 相对于衬底1873的边缘耦合效应，而无需打开处理室。致动器1880可布置于各种位置，以使边缘耦合环1870的一或更多部分相对于衬底1873移动。仅作为示例，致动器1880可布置在边缘耦合环1870的第一环形部分1872与第三环形部分1876之间。在一些示例中，致动器1880可以包括压电致动器、步进马达、气动驱动器或其他合适的致动器。在一些示例中，使用一个、两个、三个或四个或更多个致动器。在其他示例中，多个致动器可均匀地布置在边缘耦合环1870周围。致动器可以布置在处理室的内部或外部。
136.致动器1880用于移动边缘耦合环60的一或更多个部分，以改变边缘耦合环1870的一或更多个部分的位置。例如，致动器1880可以用于移动边缘耦合环1870的第一环形部分1872。在该示例中，致动器1880沿向上或竖直方向移动边缘耦合环1870的第一环形部分1872，使得边缘耦合环 1870的第一环形部分1872的边缘相对于衬底1873的径向外边缘更高。因此，衬底1873的径向外边缘附近的蚀刻均匀性获得改善。
137.致动器1880可沿其他方向(例如水平、对角线等)移动。可执行边缘耦合环1870的该部分的水平移动，以使边缘耦合效应相对于衬底1873 置中。例如，致动器1880可布置在边缘耦合环1870的径向外侧。另外，致动器1880可沿竖直(或上/下)方向及水平(或左右)方向移动。当衬底的蚀刻显示边缘耦合环1870相对于衬底水平偏移时，可使用水平重新定位。水平偏移可以在不打开处理室下进行校正。同样，可通过以不同于其他致动器的方式致动一些致动器以校正或产生左右不对称来执行边缘耦合环1870的倾斜。计算机视觉系统
138.从以上描述中可以理解，存在对多种类型的晶片上执行多种类型的处理。晶片是
在具有不同配置的处理模块布置工具中进行处理。取决于所执行的处理和工具的配置，晶片经常在室和工具之间行进(即，运送)。使用设置在室和工具中各种位置的传感器，从这些室和工具收集各种类型的数据。另外，一或更多个检测器(例如相机)可布置在处理室周围，以观察并提供关于处理室内各种部件的额外数据。
139.可以使用广泛的计算机视觉检测器(传感器)硬件，其可以在不同波长(例如，光学相机、ir相机、x射线成像等)下以不同配置(分辨率、景深、光圈大小等)，使用不同镜头类型(例如，视野、焦距、滤镜等)，并且用不同通信协议(usb，mipi等)来工作。可以使用具有不同波长的各种类型的光源和照明配置。诸多技术(包括核对器板(checker)或带有图案的晶片)都可以用于相机的原位校准，以解决镜头变形、相机安装可变性、照明可变性等。从检测器及传感器收集到的数据被用于验证处理是否正确执行、是否需变更处理和/或室/工具中的任何部件、是否需执行任何预防性维护或需更换任何部件等等。
140.根据本公开内容的某些实施方案的计算机视觉系统包括放置在工具中的一或更多位置处(例如，在工具的气锁上、机械臂上、对准器上等等) 的一或更多检测器，例如相机。这些相机是通常用于观察处理模块内部的相机的补充并与其分开。替代地，这些相机是当晶片正在平台内、在工具的处理模块之间或在工具之间运送时捕获晶片的图像。
141.例如，这些相机捕获进入/离开晶片、置于气锁中的边缘耦合环、 atm和vtm机械手末端执行器以及气锁指垫的图像。这使得晶片处理系统能原位检测、实现工具自意识功能和机群识别，并且提供工具适应(adaptation) 特征。这些相机收集到的图像在嵌入式处理器或外部印刷电路板上进行处理，用于特征提取。提取的特征传送至并收集在整个机群分布式计算和通信系统上，该系统能够储存来自晶片厂中的各种工具的大数据，使用机器学习来建立并训练模型以关联数据来确定工具健康、机群识别、以及用于机群各处工具的实时闭循环控制。
142.因此，使用图像处理技术训练的模型使得能对半导体装备进行原位工具检测和健康监测，其也实现实时自适应能力。能理解的是，计算机视觉系统通过使各种维护、故障排除以及工具控制任务自动化，来实现对机群各处半导体工具的自动化操作和控制。
143.计算机视觉系统可以提供许多益处。以下仅是使用情形的几个示例。例如，计算机视觉系统可以用于监测机械手末端执行器和气锁指垫、在气锁中随时间推移检测垫磨损(例如形状、大小、颜色等变化)、并预测垫更换时间并向用户发出警报以更换垫。例如，计算机视觉系统可用于监测晶片边缘，以确定气锁中晶片放置精度及其随时间推移的潜在漂移。随时间推移观察到的漂移可用于确定atm/vtm机械手健康，并建议预防性维护计划。随时间推移观察到的不同晶片放置漂移图案/轮廓可关联于不同机械手子系统故障，其可指导操作人员进行维护，并可减少故障排除的成本和时间。例如，可对该系统中的机械手末端执行器位置使用不同类型的边缘检测算法。
144.例如，计算机视觉系统可用于通过确定晶片上的管芯图案来识别进入晶片的类型(例如，逻辑、存储器、3d nand等)，并将工具健康关联于进入晶片的类型以及在处理模块中使用的配方类型。例如，通过使用对象检测算法来识别管芯图案，并通过分析不同rgb通道(rgb channel)中的灰度值直方图，即可识别不同晶片类型类别。例如，计算机视觉系统可用于监测 cwac晶片随时间推移的颜色变化，并基于此来预测cwac晶片更换。
145.例如，计算机视觉系统可用于监测气锁中边缘耦合环的厚度及边缘轮廓，以确定
进入的边缘耦合环是新的或是使用过的。例如，计算机视觉系统可用于监测气锁中边缘耦合环的厚度和边缘腐蚀轮廓，以确定离开的边缘耦合环的状况。例如，计算机视觉系统可用于基于进入/离开的边缘耦合环边缘腐蚀轮廓之间的变化来确定处理模块中的蚀刻速率。该数据可用于自动调整处理模块的配方，或通过升降销自动调整卡盘上方边缘耦合环的高度，以实现工具与工具间的处理模块匹配。设想许多其他使用情况。环境
146.以下是可实施本公开内容的系统和方法的分布式计算环境的简化示例。在整篇描述中，引用例如服务器、客户端设备、应用程序等术语仅出于说明目的。术语服务器和客户端设备应广义地理解为表示具有配置成执行机器可读指令的一或更多处理器和存储器的计算设备。术语应用程序和计算机程序应广义地理解为代表可由计算设备执行的机器可读指令。
147.图8a示出根据本公开内容的计算机视觉系统1770的高阶架构。计算机视觉系统1770包括通信连接至分布式计算系统1774的多个机群1772
‑ꢀ
1、1772-2、
…
及1772-n(统称为机群1772)。例如，工具机群可类似于图2所示的制造设施中的工具布置。每一机群1772包括一或更多个检测器(例如相机)1780、图像处理器1782、感知算法1784、控制器1786、机械手1788、致动器1790及配方1792。计算机视觉系统1770的概述在下文呈现。计算机视觉系统1770的细节随后参考图9a来描述。
148.简言之，检测器1780捕获机群1772中工具的各种部件的图像。图像处理器1784处理图像。例如，图像处理器1784可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡化、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
149.根据某些实施方案，分布式计算系统1774包括多个服务器(例如，参见图8b-8d和图11)。分布式计算系统1774训练多种模型，其可用于自动执行机群1772中的特定任务。分布式计算系统1774基于随时间推移从机群1172的图像收集到的数据来训练各种模型。分布式计算系统1774使用感知、传感器融合及机器学习算法训练各种模型。
150.使用时，在机群1772的操作期间，将图像数据发送至分布式计算系统1774中的经训练的模型。作为响应，机群1772中的控制器1786实时接收经训练的模型的输出作为输入，以自动执行机群1772中工具的部件的操作，例如调整、清洁、维修等等，如下文进一步详细描述的。在一些实施方案中，控制器1786可包括边缘计算设备。
151.图8b示出了分布式计算系统2000的简化示例。分布式计算系统2000包括分布式通信系统2010、一或更多个客户端设备2020-1、2020
‑ꢀ
2、
…
和2020-m(统称为客户端设备2020)、一或更多个服务器2030-1、2030
‑ꢀ
2、
…
和2030-n(统称为服务器2030)。m及n为大于或等于1的整数。分布式通信系统2010可包括局域网络(lan)、例如因特网之类的广域网(wan)、或其他类型的网络。客户端设备2020和服务器2030可位于不同地理位置，并通过分布式通信系统2010相互通信。客户端设备2020和服务器2030使用无线和/或有线连接而连接至分布式通信系统2010。
152.客户端设备2020可包括一或更多个工具、控制工具的系统计算机、pm以及控制pm的控制器。客户端设备2020还可以包括工具的操作员所使用的智能型手机、个人数字助理(pda)、平板计算机、膝上型计算机、个人计算机(pc)等。服务器2030可以向客户端设备2020
提供多个服务。例如，服务器2030可执行由一或更多个供货商开发的软件及机器学习应用程序。服务器2030可托管多个数据库，软件应用程序在向客户端设备2020的用户提供服务时依赖于该多个数据库。服务器2030及数据库可被托管于云中、本地(on premise)或在此两者中。
153.在一些示例中，一或更多客户端设备2020或服务器2030执行一或更多个应用程序，其处理安装在工具上的相机所捕获的图像。应用程序还使用机器学习技术以基于从图像中收集到的数据来训练一或更多个模型。此外，应用程序从工具和pm中的各个传感器接收并分析数据。这些应用程序使用这些模型来分析从图像和传感器收集到的数据、执行例如对工具和 pm中出现问题的根本原因进行诊断和故障排除之类的各种功能、调整pm中运行的处理等等。这些应用程序可被实现作为软件即服务(saas)。
154.图8c示出了客户端设备2120-1的简化示例。客户端设备2120
‑ꢀ
1通常可以包括一或更多个中央处理单元(cpu)、一或更多个图形处理单元 (gpu)以及一或更多张量处理单元(tpu)(统称为处理器2150)、一或更多输入设备2152(例如，小键盘、触摸板、鼠标、触控屏幕、检测器或传感器，例如相机等)、包括显示器2156的显示子系统2154、网络接口2158、存储器2160 以及大容量储存装置2162。
155.网络接口2158通过分布式通信系统2110将客户端设备2120-1 连接至分布式计算系统2000。例如，网络接口2158可以包括有线接口(例如，以太网、ethercat或rs-485接口)和/或无线接口(例如wi-fi、蓝牙、近场通信(nfc)或其他无线接口)。存储器2160可包括挥发性或非挥发性存储器、高速缓存或其他类型的存储器。大容量储存装置2162可包括闪存存储器、磁硬盘驱动机(hdd)以及其他大容量储存设备。
156.客户端设备2120-1的处理器2150执行操作系统(os)2164和一或更多个客户端应用程序2166。客户端应用程序2166包括通过分布式通信系统2110访问服务器2130的应用程序。客户端应用程序2166可包括由控制工具的系统计算机执行的应用程序。客户端应用程序2166还可以包括处理安装在工具上的相机所捕获的图像的应用程序以及运行感知算法(其是最简单的人工神经网络类型)的应用程序。它是单个神经元的模型，其可用于两类分类问题，并对大型机器学习算法提供数据。
157.图8d示出了服务器2130-1的简化示例。服务器2130-1通常包括一或更多个cpu/gpu或处理器2170、网络接口2178、存储器2180及大容量储存装置2182。在一些实施方式中，服务器2130-1可以是通用服务器，并且可包括一或更多个输入设备2172(例如，小键盘、触摸板、鼠标等)以及包括显示器2176的显示子系统2174。
158.网络接口2178将服务器2130-1连接至分布式通信系统2110。例如，网络接口2178可以包括有线接口(例如，以太网或ethercat接口)和/ 或无线接口(例如wi-fi、蓝牙、近场通信(nfc)或其他无线接口)。存储器 2180可包括挥发性或非挥发性存储器、高速缓存或其他类型的存储器。大容量储存装置2182可以包括闪存存储器、一或更多个磁硬盘驱动器(hdd)、或其他大容量储存设备。
159.服务器2130-1的处理器2170执行一或更多个操作系统 (os)2184以及一或更多个服务器应用程序2186，其可以被置于具有共享存储器的虚拟机控制器(virtual machine hypervisor)或容器化架构(containerizedarchitecture)中。大容量储存装置2182可储存一或更多个数据库2188，其储存由服务器应用程序2186用来执行相应功能的数据结构。
服务器应用程序 2186可以包括处理安装在工具上的相机所捕获的图像的应用程序、运行感知算法的应用程序、使用机器学习技术基于从图像收集到的数据来训练一或更多个模型的应用程序、以及从工具及pm中的各个传感器接收数据并分析数据的传感器融合应用程序。如下文所解释的，仅有相机数据可能不足以确定工具中的问题。使用传感器融合应用程序，可以将工具中其他传感器的数据结合相机数据一起使用，以确定问题的源头细节或根本原因。服务器应用程序2186可以包括使用模型来分析从图像和传感器收集到的数据的应用程序，以确定工具和pm中的问题的根本原因，并使用这些数据作为工具的闭循环自动化控制的反馈且调整在pm中运行的处理等等，如下详述的。框图
160.图9a-9f示出了相机安装在工具中多个位置处的示例。在图9a 中，仅作为示例，相机2200布置(朝下)在气锁盖2204的观察端口2202上。盖体2206环绕相机2200以阻挡外部光。图9b示出了盖体2206安装在相机 2200周围。此外，用于容纳紧固件的成组的插孔2208布置于气锁盖2204上，用于在维修期间将一个盖堆叠在另一盖上。图9c示出了另一相机2210，其可布置于装载锁的一侧(其一部分示于2214处)的观察端口2212上。图9d示出了用于安装相机2210的安装组件2216。相机2210可用作相机2200的替代或与其组合。
161.图9e和9f示意性地示出了相机2220，其安装在具有板载对准器的机械手2222上作为工具中相机放置的另一示例。图9e示出了具有板载对准器的机械手2222的侧视图。相机2220可朝下放置在对准器头上，如图 9f所示。
162.应该理解的是，一或更多个相机可布置于工具中晶片行进路径中的任何位置。应进一步理解的是，这些相机并非通常位于邻近pm以监测 pm内部的相机。这些相机不与集成在工具或在工具外部的任何计量装置相关联。
163.图10a示出了位于工具的装载锁中的部件(由相机2200监测)示意图。画出竖直虚线以表示仅示出部件的右侧，而部件的对称重复部分存在于虚线的左侧。气锁指2300、2302分别包括指垫2304、2306。晶片2308由机械手运送至装载锁中并留置于指垫2304上。机械手的末端执行器2310具有垫2312。边缘耦合环2314留置于指2300上的垫2316上。
164.位于气锁盖上的相机2200捕获晶片2308和边缘耦合环2314的图像(照片)。当晶片2308不存在于装载锁中时，相机2200还捕获垫2304、 2306、2312、2316的图像。例如，除了捕获晶片2308及边缘耦合环2314表面图像外，相机2200还捕获晶片2308的外径(od)、边缘耦合环2314的内径(id)、机械手的末端执行器2310和垫2304、2306、2312、2316的图像。
165.图10b示出了用于捕获图10a中所示的部件的三维图像的相机布置。对于需要三维图像(例如，以获取边缘耦合环的完整3d图像)的立体应用，则需要一或更多个相机来获取深度信息。包括至少两个相机(例如，相机 2200和2201)的布置的示例(如图所示)提供了获取用于这种立体应用的完整 3d图像所需要的深度信息。在另一实施方案中，仅用一个相机的立体图像处理可用于建立边缘耦合环的厚度轮廓的3d点云，如下参考图18所述。
166.图11示出了根据某些实施方案的计算机视觉系统2400，其处理由安装在工具2404(例如，图1-6c中所示的任何工具)中的一或更多个相机 2402(例如，图9a-10b所示的组件2200、2201及2210)所捕获的图像。尽管仅为了示例而只示出了一个工具，但计算机视觉系统2400包括类似于工具 2404的多个工具。相机2402捕获一或更多个工具部件2406的图像，例如以上参考图10a和10b所述的彼者。在工具2404呈黑暗的区域中(例如装载锁)，光源
2407被布置成照射工具部件2406，使得相机2402可以捕获其图像。尽管仅示出一个光源2407作为示例，但可使用多种类型的光源以及具有不同波长的照明配置。此外，尽管未示出，但工具2404在晶片于处理期间所行进的路径中包括一或更多传感器。
167.图像处理器2408处理相机2402所捕获的图像。例如，图像处理器2408可清晰化和/或格式化图像。例如，图像处理器2408可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。图像处理器2408可位于相机2402上(例如嵌入相机2402内)，或者可在相机2402外部(例如，在pcb上)。
168.系统计算机2410控制工具2404。在一实施方式中，原始图像可被发送至远程数据中心2412以进行处理和/或分析。可替代地，在另一实施方式中，图像由图像处理器2408处理，图像处理器2408可位于相机2402 中或相机2402外部的pcb上，且仅一些经分析数据被发送至系统计算机 2410和/或远程数据中心2412。系统计算机2410可通过图8b-8d所示的分布式通信系统2010而实时或成批地将图像发送至远程数据中心2412。另外，系统计算机2410可将从工具2404中的其他传感器和工具2404的pm中的传感器收集到的数据发送至远程数据中心2412。在一些实施方案中，系统计算机2410可以包括边缘计算设备。
169.例如，远程数据中心2412可以包括图8b-8d所示的多个服务器2030。在远程数据中心2412处，使用机器学习，基于从该多个工具(例如工具2404)收集到的数据来训练数个模型。模型的训练及功能在下文详细描述。使用从远程数据中心2412接收到的经训练的模型，系统计算机2410基于从新图像收集到的数据来操作工具2404，如下所述。
170.在一些实施方案中，系统计算机2410在工具2404上执行经训练的模型所建议的各种操作。例如，这些操作包括执行预防性维护(例如，改变参考图10a和10b所述的一或更多垫、改变cwac晶片、执行机械手维护等)。系统计算机2410通过识别晶片上的管芯图案，将工具2404的健康关联至进入晶片的类型(逻辑/存储器/3d nand等)以及用于工具2404的pm中的配方类型，如下文所述。
171.例如，该信息可用于确定：基于所用配方及进入晶片类型可使用湿式清洁、无晶片自动清洁(wac)、覆盖晶片区域清洁(cwac)程序的最佳时间段。例如，该信息可用于基于进入晶片类型而通过调整升降销来微调卡盘上方边缘耦合环的高度。例如，对于进入和离开晶片的rgb相机上不同通道的灰度值分配的变化可用于量化晶片上处理结果的质量。测量这些量并监测其随时间推移的漂移可用于识别工具健康并执行校正措施以解决这种漂移并且实现pm匹配。
172.在一些实施方案中，系统计算机2410执行由经训练的模型建议的诸多适应(adaptation)。例如，系统计算机2410监测气锁中晶片放置的准确度，并在机械手将新晶片放置在气锁中时实时校正(如果有的话)。系统计算机2410基于进入和离开边缘耦合环的厚度的减小来自动调整用于pm中的配方。系统计算机2410基于检测到的内径变化(即，边缘腐蚀轮廓的变化)或进入/离开边缘耦合环的厚度来确定pm中的蚀刻速率。系统计算机2410使用该信息来自动调整pm中的配方，以用于工具与工具间的pm匹配，或者通过调整升降销来调整卡盘上方边缘耦合环的高度。现在详细描述计算机视觉系统2400基于相机2402所捕获的图像而执行的这些及其他功能。
173.在整个本公开内容中，如果晶片尚未处理，且该晶片来自efem并将进入vtm，则该
晶片称为进入晶片；如果晶片已在pm中处理并将离开vtm移向efem，则该晶片称为离开晶片。
174.使用时，以上参考图10a和图10b所示及所述的各种垫的形状随时间变化。相机2402针对工具2404中所处理的每个晶片捕获这些垫的图像。根据随时间推移所捕获(在相机2402、相机2402附近的pcb上的图像处理器2408、系统计算机2410或数据中心2412处执行)的这些图像的分析(例如，相关性)，计算机视觉系统2400可检测垫是否污染、是否需清洁或更换。计算机视觉系统2400监测这些垫上的磨损，且从其随时间推移而变化的图像中学习，并训练模型(在数据中心2412)以预测这些垫的维修和/或更换。计算机视觉系统2400继续从每一图像学习更多关于这些垫上的磨损，并且改进模型以改善预测。这些预测可改善这些垫的维修和/或更换程序，从而可降低成本并改善工具的效率。
175.例如，如果计算机视觉系统2400确定机械手末端执行器垫需清洁，则可开发自动化程序，其中将末端执行器放置在位于装载锁的顶板上的装载锁清扫端口下方。气体(例如n2)以高流速从清扫端口吹向末端执行器，其可从机械手末端执行器及垫上除去颗粒。应理解的是，该程序以闭循环方式使机械手末端执行器的清洁完全自动化。
176.cwac晶片随时间推移而改变颜色。在一些实施方案中，计算机视觉系统2400也配置成捕获这些晶片的图像。计算机视觉系统2400监测这些晶片的颜色变化，且从其随时间变化的图像中学习，并训练模型(在数据中心2412)以预测这些晶片的更换时间。计算机视觉系统2400继续从每一图像学习更多关于这些晶片的颜色变化，并改进模型以改善预测。这些预测可改善这些晶片的更换程序，从而可降低成本并改善工具的效率。
177.在一些实施方案中，计算机视觉系统2400观察每一进入晶片和离开晶片的外边缘。随时间推移的晶片边缘漂移可以表示atm/vtm机械手有问题。然而，该问题可能因升降销、夹持力等等问题使vtm机械手未正确地从pm拾取晶片而发生。例如，在具有六个pm的工具中，通过vtm机械手从五个pm移出的晶片可能会如监测晶片边缘所示地正确放置在装载锁中，而由同一vtm从一pm移出的晶片可能在放置于装载锁时会稍微偏移。从计算机视觉系统2400所捕获的图像的分析中而获得的该信息可帮助识别偏移源头，其可能是由于一pm中的升降销，而不是由于vtm机械手有任何问题。
178.工具2404中的动态对准传感器也监测晶片放置。通过相机 2402对晶片边缘所收集到的数据可通过传感器融合算法与来自动态对准(da) 传感器的数据一起使用，以更好地识别问题的源头。来自这些传感器的数据也有助于解决工具2404中的问题。此外，在工具2404的这些部件上执行若干校准程序，使得基于传感器数据的故障排除可具准确性，而不导致错误警报。从图像所捕获的数据可补充来自工具2404中这些传感器与其他传感器以及来自校准及故障排除程序的数据，并且会有助于指出问题的根本原因。例如，晶片从pm行进到工具2404中装载锁的路径中的许多传感器及致动器可提供数据，其可关联至图像所捕获的数据。基于该相关性，可识别导致该问题的确切传感器或致动器。
179.在一些实施方案中，计算机视觉系统2400可训练模型，以识别工具2404所处理的每一晶片的类型。可使用制造设施中的几个工具(例如，参见图2)，在不同晶片上制造不同设备(例如，存储器、处理器等)。了解晶片的类型会有助于识别工具中的问题。晶片的类型可以通过处理晶片的图像来识别(例如，晶片是存储器晶片、处理器晶片等)。例如，晶片的图像可以显示管芯图案，包括具有不同形状(例如，正方形、矩形等)、不同尺寸、不同颜色等
等的特征。可通过对象检测算法找出晶片上的管芯图案，且对其进行监测和学习，并且可以使用一段时间内所捕获的晶片图像来训练模型以识别每一晶片的类型。
180.随后，使用经训练的模型，来自pm或工具种的一者的晶片上的管芯图案的任何偏差可基于从这些晶片的图像所收集到的数据并将数据关联于经学习的管芯图案来检测。此外，使用经学习的图案(即，使用经训练的模型)，连同从晶片和/或其他(例如，基于传感器的)诊断系统的图像收集到的其他数据，即可识别特定工具中的特定pm的问题和/或pm或工具中的特定部件的问题。
181.例如，经常使用配方来调节(例如清洁)pm。在执行配方时，使用非生产晶片(例如，虚拟晶片或调节晶片)。虚拟晶片没有任何管芯图案。发送虚拟晶片以经过与生产晶片将经过的晶片流程和处理配方相同的晶片流程和处理配方。现今系统无法区别这些虚拟晶片与生产晶片。计算机视觉系统2400(其可基于晶片上的管芯图案来识别晶片的类型)可以区分这些虚拟晶片与生产晶片，并且在处理开始前得知晶片的类型。此外，可进一步训练用于识别晶片类型的同一模型，并且也用于识别虚拟晶片。
182.在一些工具中，传感器可用于确定晶片是否具有管芯图案。然而，在这些工具中，传感器在处理的终点处检测管芯图案。如果检测到的管芯图案与为其设定的配方不同，则表示配方失灵，并触发相应的校正程序。当因虚拟晶片上不存在管芯图案而被误判为缺陷晶片时，这种失灵实际上可能不是失灵，而可能不必要地触发配方校正。可基于得知计算机视觉系统 2400所提供的晶片类型及晶片分类来自动防止这种失灵。
183.例如，使用计算机视觉系统2400所训练的模型，可将进入晶片的图像用于识别晶片的类型，且可自动向工具2404中的pm通知关于进入晶片的类型。pm可接着自动选择合适的配方和/或对其调整以处理进入晶片。当晶片被处理并离开工具2404时，再次捕获离开晶片的图像，并将其与经过类似处理的晶片先前捕获图像的数据库进行比较，以确认离开晶片是否被正确处理。例如，数据库可保留在数据中心2412、计算机系统2410、或者至少部分地在数据中心2412与计算机系统2410两者处。
184.例如，取决于处理的类型及阶段，简单指标(例如，进入晶片与离开晶片的颜色)可指示离开晶片的类型、将被pm选择以处理进入晶片的配方的类型、以及处理是否成功。在其他示例中，用于识别晶片类型并确定晶片是否被成功处理的标记也可以包括不同像素处的晶片图像的灰度值(光强度)、晶片上的特征、晶片上某些特征的尺寸及颜色等等。
185.基于随时间推移所捕获的若干晶片的图像，可观察到许多晶片类别并将其储存在数据库中。对新晶片的图像与来自多晶片类别的图像进行比较可改善对晶片类型及经处理(及待处理)的晶片的微小变化的检测。可基于随时间推移所捕获的每一晶片类型的若干图像，随时间推移确定例如晶片某些区域的尺寸及颜色的特征。可进一步训练用于分类晶片类型的模型，以接收从进入晶片或离开晶片提取的特征，并基于接收到的特征与通过观察许多晶片而随时间推移建立的特征数据库的比较来输出晶片类型。该数据库可保留于数据中心2412、计算机系统2410或至少部分地在两者上。
186.例如，晶片的分类可基于晶片上所观察到的特征的类型。当晶片到达相机2402的视野时，无论是在处理之前还是之后，都捕获晶片的图像，从图像中提取一或更多个特征，比较这些特征并关联于储存在数据库中的特征，并且可以确定晶片的类型和/或在晶片上所执行的处理为成功或失败。可使用类似方法，以选择配方来处理经识别的晶片。显然，所
有这些操作都可以使用计算机视觉系统2400所训练的模型来自动执行(即，无需人工干预)。
187.注意，不仅计算机视觉系统2400使用气锁中的相机来捕获晶片的图像，计算机视觉系统2400还可以结合位于工具2404中的许多其他系统 (例如，传感器、与pm相关联的相机)所收集到的其他数据进行操作。为了计算机视觉系统2400具可靠性，许多因素(例如照明、相机方向和整平等等)需为相对恒定。为了允许这些因素有任何变化(其有时是无法避免的)，计算机视觉系统2400所收集到的数据可使用这些其他系统所收集到的数据进行归一化，以最小化或消除这些因素的差异的影响。
188.以此方式，计算机视觉系统2400不仅识别进入晶片的类型，还验证离开晶片是否被适当地处理。此外，如果因工具2404中某处的故障导致离开晶片未被适当地处理，则计算机视觉系统2400可使用历史标记数据所训练的模型来识别故障的根本原因。此外，计算机视觉系统2400可以(例如，基于观察垫、晶片等)防止发生问题(例如，建议更换部件、预防性维护等)，且也可通过指出问题的根本原因来建议校正操作。
189.一些工具包括集成式计量模块，其在处理之前和之后分析晶片。然而，计算机视觉系统2400不仅在处理之前和之后(即，在两处理之间)分析晶片(其消除了计量需要)，还分析晶片传送机构(机械手、垫、相关传感器等) 以及pm本身的性能，其是计量模块无法执行的。计算机视觉系统2400使用来自晶片及其他构件(例如各种垫)的捕获的图像的数据并且使用来自其他机构(例如工具和pm中的传感器)的操作以及诊断数据来执行这些功能，其提高工具(即工具中的传送机构)以及pm的性能。
190.相机2402可放置在工具2404中的其他位置。这些相机2402是分开的且是除了放置在pm附近的任何相机和计量装置所使用的那些(无论其是整合在工具2404中或是在工具2404外部)以外额外有的。此外，相机2402 可放置在整个工具机群的工具中。这可扩大所捕获的图像的数据库，其可改善基于图像数据而在数据中心2412处建立的模型的训练，并且可以使模型更加强大。强大的模型可以增加的统计置信度(statistical confidence)来执行计算机视觉系统2400的功能，其可改善pm、工具以及工具机群的整体性能。
191.计算机视觉系统2400也可以协助pm匹配。在处理一定数量的晶片后，应定期清洁pm。然而，不同的进入晶片类型可以有经除气的不同材料进入pm中。另外，在pm中对晶片执行的不同处理在pm中留下不同副产物，其需要被清除。对于所有进入晶片类型使用相同的清洁配方可能无法充分清洁室以处理下一个进入晶片。计算机视觉系统2400基于所捕获的离开晶片的图像而得知pm中所执行的处理。计算机视觉系统2400可以利用在 pm上执行的清洁处理的过去数据，并且可以帮助pm选择用于清洁pm的合适配方，使得pm处于能处理下一个进入晶片的状态。
192.由于在工具2404中拍摄每一晶片，且模型在数据中心2412处不断改进，因此工具2404可以基于计算机视觉系统2400收集到的数据而被优化。例如，可使工具2404中的pm的清洁循环次数优化。例如，可基于在该pm中处理的离开晶片的图像，推迟或延迟工具2404中pm的清洁，尽管其是工具2404中的另一机构所建议的。显然，这些图像是实时可用的，并通过计算机视觉系统2400实时或几乎实时地分析。因此，可快速地执行工具 2404的优化。这种优化无法使用传统计量来执行，传统计量会需要数小时或数天才能提供结果。使用计算机视觉系统2400，可以在数据中心2412处训练模型，以接收在pm中处理的离开晶片的图像
作为输入，并提供控制何时可以在pm中执行清洁的输出。可理解的是，该程序以闭循环方式通过wac 或cwac完全自动执行pm清洁。
193.作为另一示例，可增加工具2404中的一或更多机械手的速度，直到基于晶片的图像观察到性能略微下降为止。换言之，工具2404的产量可以在不执行计量下实时地或几乎实时地自动增加。此外，处理之间的晶片等待时间可基于最近的图像数据来优化。因此，计算机视觉系统2400可使用非计量光学件(即，不执行晶片的光谱分析，并以执行晶片或晶片一部分的图像的光学分析来取代)来提供优于计量级的性能。显然，计算机视觉系统2400 不仅比计量法更快，还比计量法较不昂贵。
194.计算机视觉系统2400还可以分析边缘耦合环。边缘耦合环通常是从efem传送至气锁再到pm，边缘耦合环在pm中放置于esc周围。边缘耦合环具有特定的厚度、内径和轮廓。边缘耦合环的这些以及其他参数通过在边缘耦合环被传送至pm前捕获边缘耦合环的图像来进行观察。在pm 中，边缘耦合环暴露于晶片上所执行的处理。因此，边缘耦合环的一或更多个参数可能改变。边缘耦合环被设计使用一定rf小时数。类似的边缘耦合环可用于在类似持续时间(即，rf小时数)中执行类似处理的pm中。
195.随后，当边缘耦合环被完全使用时，其通过装载锁从工具中移出。捕获来自这些pm的离开边缘耦合环的图像，并通过计算机视觉系统 2400测量并且关联几何参数。例如，一个边缘耦合环可呈现出比其他更多的变化(例如，图像中不同的灰度值，表示相对于其他有不同表面粗糙度)。该一边缘耦合环中的变化可选地连同其他数据(例如，来自工具2404中的其他传感器)一起进行分析，以识别变化的根本原因或控制pm的操作条件，从而实现最佳的晶片上处理质量或pm匹配。
196.例如，基于对变化的分析，其指示pm中的一者操作不同(即，在边缘耦合环上产生不同的影响)，但是在该pm中是以相同rf小时数执行与其他pm中相同的处理。在该pm中执行的处理的配方可使用计算机视觉系统2400所训练的模型来调整。替代地，边缘耦合环在该pm中的定位(高度、倾斜角等)可使用计算机视觉系统2400所训练的模型来调整。此外，不同的pm可使用具有不同参数的边缘耦合环。对进入边缘耦合环的分析也可用于确认该pm中是否使用正确类型的边缘耦合环。
197.使用计算机视觉系统2400，可以训练不同的模型以执行这些不同的功能。充分训练后，这些模型可以接收边缘耦合环的图像作为输入，并且可以提供输出，例如将对配方做的调整、将对边缘耦合环的升降销的高度做的调整等等。进行中的训练使这些模型的输出改进(即改善其准确性)。可以理解的是，这样的系统允许通过边缘耦合环高度测量及控制而对工具进行自动化控制以实现pm匹配。
198.边缘耦合环也可以通过从其图像捕获其序号来追踪。通常，一边缘耦合环将用于一种特定pm类型中。即，边缘耦合环可能不会跨pm类型移动。对于边缘耦合环序号的监测可以用于验证各个pm中是否使用正确的边缘耦合环。该确定也可以有助于隔离可能由于边缘耦合环的切换而引起的一些问题，并确保不会因传感器故障、配方不当等出现问题。序号追踪也可以帮助确定边缘耦合环是否由第三方供应，其也可能是某些问题的原因。模型可以在接收到边缘耦合环的图像作为输入时即进行训练，以输出边缘耦合环的序号，其可用于故障排除。
199.此外，在pm中执行清洁后，见证晶片(witness wafer)可以在边缘耦合环后发送至
pm。通过在晶片处理之前和之后捕获见证晶片的图像，即可自动检测pm中所执行的清洁质量。在边缘耦合环使用一段时间后，可通过使用计算机视觉系统2400分析边缘耦合环的图像来对pm进行类似检测。再次，可以训练模型，以基于边缘耦合环的图像(作为模型的输入)识别该处理对边缘耦合环的影响，并且提供指示pm中所执行的清洁质量的输出或建议何时及何种类型的清洁可在pm中执行的输出。
200.此外，如下文详细解释的，pm中的边缘耦合环通常可以在pm 中两次连续清洁操作之间的时间段期间以及在pm中对晶片本身进行处理期间来调整。检测晶片处理后的边缘耦合环的图像，连同关于在pm中对晶片进行处理期间对边缘耦合环进行调整的数据，即可提供pm健康的指示。模型可以在接收到边缘耦合环的图像作为输入时即进行训练，以输出pm健康的指示。
201.通过参考图8a、10b和11详细解释此程序。一些边缘耦合环可以更好地控制蚀刻pm内的等离子体场，以获得最佳的晶片上处理结果。这些边缘耦合环可通过传送模块(tm)自动从efem传送至pm，其可达成长时间(例如，长达一年)连续生产而无需打开pm。然而，由于工具内部或不同工具之间的pm状况不同，故晶片上的结果并非总是类似的。
202.为了实现pm与pm之间的匹配，需要有技术来测量不同工具之间的蚀刻速率、监测其随时间推移的漂移、记录其在维护(例如，湿式清洁、 cwac)后的变化、以及建立程序以自动调整pm的蚀刻处理参数(例如配方、esc温度、气体流量、时间段等)，以校正这种变化。本文概述一项新技术，其允许自动测量入站/出站(新的/使用过的)边缘耦合环参数及用于自动化pm 与pm之间的匹配的相应系统(参见图8a、10b和11)。该系统测量进入pm 的新边缘耦合环与在其寿命结束时离开pm的相同边缘耦合环之间的厚度变化。该系统亦自动调整pm的处理参数以实现pm与pm之间的匹配。
203.该系统包括两个相机，其放置在tm中新的/使用过的边缘耦合环将穿过的位置(例如，气锁、对准器、机械手等)。这使得能精确测量使用过的边缘耦合环的厚度减小。得知边缘耦合环的使用历史(例如，边缘耦合环已使用的rf小时数)及其厚度减小，即可确定pm的腐蚀速率。图10a示意性地示出了气锁中的相机是如何地放置于边缘耦合环上方。图8a和11示出用于自动调整pm处理参数以实现pm与pm之间的匹配的总体数据流基础架构。
204.根据某些实施方案，相机测量边缘耦合环的厚度的变化并将其发送至系统计算机。系统计算机储存前1-3个月的数据，并将数据实时发送至主机/云(例如，数据中心)。主机包括基础架构(例如服务器、储存器等)大数据分析。主机根据进入/离开边缘耦合环之间的厚度变化来确定pm的蚀刻速率。主机使用每天/每周运行相同配方的所有类似pm的数据(数据科学基础架构)来训练基于机器学习(例如，神经网络、tensor流等)的模型。主机使用经训练的模型及实时数据来建议对pm处理参数进行调整，以实现pm与pm 之间的匹配。系统计算机在pm上执行建议操作，以自动调整pm处理参数而实现pm与pm之间的匹配。
205.一般而言，工具包括可以使用计算机视觉系统2400进行监测 (观察)的数个控制参数。基于关于这些参数的观测数据，计算机视觉系统 2400可训练模型以确定工具2404中所采用的自动处理控制回路是否正确地操作。因此，计算机视觉系统2400可以使用经训练的模型来自动管理机群中工具的许多部件。例如，计算机视觉系统2400可使用经训练的模型来自动调整边缘耦合环的高度、cwac持续时间和间隔、机械手末端执行器清洁等等，其改善整体性能、效率、产量以及工具的寿命。
流程图和模型
206.图12a-13f示出了图11所示的服务器2030及系统计算机2410 所执行的多种方法的示例。图12a-12f示出了服务器2030所执行的方法，以基于从多种工具捕获的图像并使用感知、传感器融合和机器学习算法来训练多种模型。图13a-13f示出了服务器2030和系统计算机2410所执行的方法，其基于实时(即，快速地或在生产期间使用工具以处理晶片时)捕获的图像并使用训练过的模型。
207.图12a示出了根据一些实施方案从多种工具捕获晶片、多种垫以及边缘耦合环的图像并基于所捕获的图像而使用感知、传感器融合及机器学习算法来训练多种模型的方法2500。在2502，方法2500在例如装载锁之类的位置处捕获晶片、边缘耦合环及多种垫的图像。在2504，方法2500处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，方法2500可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别以及追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。此外，可从捕获的图像中识别并提取可用于确定晶片类型、确定边缘耦合环的状况、确定多种垫的状况的特征，并可将其储存在一或更多个数据库中。
208.在2506，该方法2500使用感知、传感器融合以及机器学习算法，基于随时间推移从处理过的图像中所收集到的数据，来训练多种模型以执行特定任务。例如，任务可包括但不限于确定晶片类型、确定边缘耦合环的状况、确定多种垫的状况、确定预防性维护及清洁计划、确定例如垫及调节晶片之类的部件的更换计划、确定蚀刻速率、调整pm配方等等。在2508，该方法2500持续使用经训练的模型并基于所捕获且处理的图像，继续改进 (即，进一步训练)这些模型。
209.图12b根据某些实施方案示出了训练模型以检测垫磨损并预测装载锁中的垫更换的方法2520。在2522，该方法2520捕获装载锁中的晶片垫、边缘耦合环垫及机械手末端执行器垫的图像。在2524，该方法2520处理图像。例如，图像可被清晰化以及格式化。此外，可调控图像的亮度、对比度等等。例如，该方法2520可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别以及追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。此外，从捕获的图像中识别并提取可用于确定多种垫的状况的特征，并可将其储存在一或更多个数据库中。
210.在2526，该方法2520训练模型，以确定多种垫的状况、确定预防性维护计划以及确定多种垫的更换或自动清洁计划。例如，如果该方法 2520识别出机械手末端执行器垫需清洁，则开发自动化程序，其中末端执行器被放置在位于装载锁顶板上的装载锁清扫端口下方。气体(例如n2)以高流速从清扫端口吹向末端执行器，其可从机械手末端执行器及垫上除去颗粒。应理解的是，该程序以死循环方式使机械手末端执行器的清洁完全自动化。在2528，该方法2520持续使用经训练的模型并基于所捕获且处理的图像，继续改进(即，进一步训练)该模型。
211.图12c根据某些实施方案示出了训练模型以检测装载锁中晶片放置的漂移并且预测机械手健康及预防性维护计划的方法2540。在2542，该方法2540捕获装载锁中晶片边缘的图像。在2544，该方法2540处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2540可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检
测、深度估计等等。
212.此外，从捕获的图像中识别并提取可用于确定装载锁中晶片放置的漂移的特征，并可将其储存在一或更多个数据库中。在2546，该方法 2540训练用于检测装载锁中晶片放置的漂移并预测机械手健康及预防性维护计划的模型。在2548，该方法2540持续使用经训练的模型并基于所捕获且处理的图像，继续改进(即，进一步训练)该模型。
213.图12d根据某些实施方案示出了用于训练模型以检测晶片上的管芯图案并基于该图案确定晶片的类型的方法2560。在2562，该方法2560 捕获装载锁中晶片的图像。在2564，该方法2560处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法 2560可以调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
214.此外，从捕获的图像中识别并提取可用于检测晶片上的管芯图案并基于该图案确定晶片类型的特征，并可将其储存在一或更多个数据库中。在2566，该方法2560训练用于检测晶片上的管芯图案并基于该图案确定晶片类型的模型。在2568，该方法2560持续使用经训练的模型并基于所捕获且处理的图像，继续改进(即，进一步训练)该模型。
215.图12e根据某些实施方案示出了用于训练模型以检测调节晶片的颜色变化并预测调节晶片的更换时间的方法2570。在2572，该方法2570 捕获装载锁中的晶片边缘的图像。在2574，该方法2570处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2570可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
216.此外，可从捕获的图像中识别并提取可用于检测调节晶片的颜色变化并预测调节晶片的更换时间的特征，并可将其储存在一或更多个数据库中。在2576，该方法2570训练模型，以检测调节晶片的颜色变化并预测调节晶片的更换时间。在2578，该方法2570持续使用经训练的模型并基于所捕获且处理的图像，继续改进(即，进一步训练)该模型。
217.图12f根据某些实施方案示出了训练模型以检测边缘耦合环的状况、确定pm中的蚀刻速率以及调整pm中的配方以实现工具与工具之间的匹配的方法2580。在2582，该方法2580捕获装载锁中的边缘耦合环的图像。在2584，该方法2580处理图像。例如，图像可被清晰化和格式化。此外，可调整图像的亮度、对比度等。例如，该方法2580可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
218.此外，可从捕获的图像中识别并提取可用于检测边缘耦合环的状况、确定pm中的蚀刻速率以及调整pm中的配方以实现工具与工具之间的匹配的特征，并可将其储存在一或更多个数据库中。在2586，该方法2580 训练模型，以检测边缘耦合环的状况、确定pm中的蚀刻速率以及调整pm 中的配方以实现工具与工具之间的匹配。在2588，该方法2580持续使用经训练的模型并基于所捕获且处理的图像，继续改进(即，进一步训练)该模型。
219.图13a示出了示例性方法2600，用于从多种工具捕获晶片、多种垫以及边缘耦合环的图像，并使用经训练的模型，确定晶片类型、确定边缘耦合环的状况、确定多种垫的状况、确定预防性维护计划、确定部件(例如垫和调节晶片)的更换计划、确定蚀刻速率、调整pm配
方等等。在2602，该方法2600在例如装载锁之类的位置处捕获晶片、边缘耦合环及多种垫的图像。
220.在2604，该方法2600处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2600可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。此外，可从捕获的图像中识别并提取可用于确定晶片类型、确定边缘耦合环的状况、确定多种垫的状况的特征。
221.在2606，使用多种经训练的模型，该方法2600基于从图像收集到的数据来执行多种任务。例如，任务可以包括但不限于确定晶片类型、确定边缘耦合环的状况、确定多种垫的状况、确定预防性维护计划、确定部件(例如垫和调节晶片)的更换计划、确定蚀刻速率、调整pm配方等等。在 2608，该方法2600使用经训练的模型并基于从所捕获且处理的图像收集到的数据来更新(即，进一步训练)这些经训练的模型。
222.图13b示出了示例性方法2620，其用于使用经训练的模型来检测装载锁中的垫磨损并预测垫更换(如参考图12b所述)。在2622，该方法 2620捕获装载锁中的晶片垫、边缘耦合环垫以及机械手末端执行器垫的图像。在2624，该方法2620处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2620可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
223.此外，可从捕获的图像中识别并提取可用于确定多种垫的状况的特征。在2626，使用经训练的模型，该方法2620确定多种垫的状况、确定预防性维护计划、并确定多种垫的更换计划。在2628，该方法2620使用经训练的模型并基于从所捕获且处理的图像收集到的数据来更新(即，进一步训练)该经训练的模型。
224.图13c示出了示例性方法2640，其用于使用经训练的模型来检测装载锁中的晶片放置的漂移并预测机械手健康及预防性维护计划(如参考图 12c所述)。在2642，该方法2640捕获装载锁中的晶片边缘的图像。在2644，该方法2640处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2640可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
225.此外，可从捕获的图像中识别并提取可用于确定装载锁中的晶片放置的漂移的特征。在2646，使用经训练的模型，该方法2640检测装载锁中的晶片放置的漂移并预测机械手健康及预防性维护计划。在2648，该方法2640使用经训练的模型并基于从所捕获且处理的图像收集到的数据来更新 (即，进一步训练)该经训练的模型。
226.图13d示出了示例性方法2660，其用于使用经训练的模型来检测晶片上的管芯图案并基于该图案确定晶片的类型(如参考图12d所述)。在 2662，该方法2660捕获装载锁中的晶片的图像。在2664，该方法2660处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2660可以调整亮度、增强对比度并且执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
227.此外，可以从捕获的图像中识别并提取可用于检测晶片上的管芯图案并且基于该
图案确定晶片的类型的特征。在2666，使用经训练的模型，该方法2660检测晶片上的管芯图案并且基于该图案确定晶片的类型。在 2668，该方法2660使用经训练的模型并且基于从所捕获且处理的图像收集到的数据来更新(即，进一步训练)该经训练的模型。
228.图13e示出了示例性方法2670，其用于使用经训练的模型来检测调节晶片的颜色变化并且预测调节晶片的更换时间(如参考图12e所述)。在2672，该方法2670捕获装载锁中的调节晶片的图像。在2674，该方法 2670处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法2670可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
229.此外，可从捕获的图像中识别并且提取可用于检测调节晶片的颜色变化并且预测调节晶片的更换时间的特征。在2676，使用经训练的模型，该方法2670检测调节晶片的颜色变化并且预测调节晶片的更换时间。在2678，该方法2670使用经训练的模型并且基于从所捕获且处理的图像收集到的数据来更新(即，进一步训练)该经训练的模型。
230.图13f示出了示例性方法2680，其用于使用经训练的模型来检测边缘耦合环的状况、确定pm中的蚀刻速率、以及调整pm中的配方以实现工具与工具之间的匹配(如参考图12f所述)。在2682，该方法2680捕获装载锁中边缘耦合环的图像。在2684，该方法2680处理图像。例如，图像可被清晰化以及格式化。此外，可调整图像的亮度、对比度等。例如，该方法 2680可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
231.此外，可从捕获的图像中识别并提取可用于检测边缘耦合环的状况、确定pm中的蚀刻速率、以及调整pm中的配方以实现工具与工具之间的匹配的特征。在2686，使用经训练的模型，该方法2680检测边缘耦合环的状况、确定pm中的蚀刻速率、以及调整pm中的配方以实现工具与工具之间的匹配。在2688，该方法2680使用经训练的模型并基于从所捕获且处理的图像收集到的数据来更新(即，进一步训练)该经训练的模型。额外模型
232.图14a-14i示出了服务器2030及系统计算机2410使用经训练的模型以基于实时(即，快速地或在生产期间使用工具以处理晶片时)捕获的图像而执行的方法的多种额外示例。这些方法所使用的模型可使用计算机视觉系统2400进行训练，并且可用于执行多种操作。这些是非限制性示例。设想其他使用情形。
233.在这些示例中，使用从图像收集到的数据以执行所述功能并使用感知、传感器融合及机器学习算法的各个模型的训练(包括经训练的模型的持续更新)类似于以上参考图12a-12f所述的模型的训练。因此，下述方法中所使用的模型的训练是推定的且不再描述以求简洁。使用时，类似于参考图 13a-13f所述的模型，这些模型从图像接收数据作为输入并输出结果，例如安排维修、更换等等。
234.图14a根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法来训练)以安排装载锁中的多种垫的维护的方法2700。在 2702，该方法2700捕获并处理垫(例如，与晶片、边缘耦合环或将晶片移入并移出装载锁的机械手末端执行器相关联的垫)的图像。例如，该方法2700 可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度
估计等等。从经处理的图像中提取例如对诊断垫健康有用的特征的数据，并将其输入至被训练以用于诊断垫健康的模型中。
235.在2704，基于数据，该方法2700使用经训练的模型来确定垫是否脏。在2706，如果垫脏，则该方法2700使用经训练的模型来排程垫的清洁。在2708，如果垫不脏，则该方法2700使用经训练的模型来确定垫是否磨损。在2710，如果垫磨损，则该方法2700使用经训练的模型来排程垫的更换。在2712，如果垫既不脏也未磨损，则该方法2700使用经训练的模型来预测垫的自动清洁及更换计划。
236.例如，如果该方法2700确定机械手末端执行器垫需清洁，则开发自动化程序，其中末端执行器被放置在位于装载锁顶板上的装载锁清扫端口下方。气体(例如n2)以高流速从清扫端口吹向末端执行器，其可从机械手末端执行器及垫上除去颗粒。应理解的是，该程序以闭循环方式使机械手末端执行器的清洁完全自动化。
237.图14b根据某些实施方案示出了使用模型(其利用感知、传感器融合以及机器学习算法来训练)以诊断调节晶片的健康以及安排调节晶片的更换的方法2720。在2722，该方法2720在调节晶片运送至装载锁时捕获并处理调节晶片的图像。例如，该方法2720可调整亮度、增强对比度并执行图像的操作，例如噪音过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。从经处理的图像中提取例如对诊断调节晶片健康有用的特征(例如颜色)的数据，并将其输入至训练用于诊断调节晶片健康的模型中。
238.在2724，基于数据，该方法2720使用经训练的模型来确定调节晶片的颜色是否已改变以及颜色变化的程度。在2726，如果颜色变化的程度大于预定阈值，则该方法2720使用经训练的模型来安排调节晶片的更换。在2728，如果颜色变化未超过预定阈值，则该方法2720使用经训练的模型来预测调节晶片的更换计划。
239.图14c根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法来训练)以诊断将晶片移进或移出装载锁的机械手的健康以及安排对机械手或pm进行维修的方法2730。在2732，该方法2730在晶片从pm运送至装载锁时捕获并处理晶片边缘的图像。例如，该方法2730可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。从经处理的图像中提取例如对检测装载锁中晶片位置漂移有用的特征的数据，并将其输入至训练用于检测该漂移的模型中。
240.在2734，基于数据，该方法2730使用经训练的模型来确定晶片的位置是否随时间漂移。在2736，如果晶片的位置随时间漂移，则该方法 2730使用模型(利用传感器融合演算进行训练)来确定是从多于一个pm运送来的晶片的位置漂移还是仅来自一个pm的晶片的位置漂移。动态对准(da) 传感器可用于传感器融合算法中。da传感器指示从pm中移出晶片时，晶片位于离机械手末端执行器中心有多远。
241.在2738，如果仅来自一个pm的晶片的位置漂移，则该方法 2730使用经训练的模型来安排对该pm的维修，其是由于来自该pm的该晶片的位置是因该pm的问题而非因机械手的问题而出现漂移。在2740，如果来自超过一个pm的晶片的位置漂移，则该方法2730使用经训练的模型安排对机械手的维修，因为来自超过一个的pm的晶片的位置是因机械手的问题而非因pm的问题而出现漂移。该方法2730也可向机械手发送命令，以闭循环方式对晶片放置
执行实时校正。
242.图14d根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)来识别晶片类型并且基于晶片类型选择pm配方的方法2750。在2752，该方法2750捕获并处理将被运送至pm的装载锁中的晶片的图像。例如，该方法2750可以调整亮度、增强对比度并执行图像的操作，例如噪音过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。从经处理的图像中提取例如对晶片类型有用的特征(例如颜色、形状等)的数据，并将其输入至训练用于检测晶片类型的模型中。
243.在2754，基于数据，该方法2750使用经训练的模型来识别晶片上的管芯图案，其包括确定晶片上是否存在管芯图案。在2756，该方法 2750使用经训练的模型来确定晶片类型。例如，经训练的模型可确定晶片是 pm清洁期间所使用的生产晶片(例如，用于生产存储器或处理器的晶片)或非生产晶片(例如，调节晶片或虚拟晶片)。在2758，基于检测到的晶片类型，该方法2750使用经训练的模型来选择要在pm中使用的配方。例如，如果晶片是生产晶片，则所选配方可进一步处理晶片，或者如果晶片为调节晶片，则可以是清洁pm的配方。
244.图14e根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)来确定晶片是否在pm中被成功处理以及是否安排对pm进行维修的方法2760。在2762，该方法2760捕获并处理从pm 运送至装载锁的晶片的图像。例如，该方法2760可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。在2764，该方法2760从经处理的图像中识别并提取数据，例如对于确定晶片是否在pm 中被成功处理(例如，在处理晶片中是否有任何差异或变化)有用的特征(例如，晶片的一部分的颜色、光强度等)。该方法2760输入数据至被训练用于确定晶片是否在pm中被成功处理的模型中。在2766，基于数据，该方法2760使用经训练的模型来确定晶片是否在pm中被成功处理。在2768，如果晶片未在pm中被成功处理，则该方法2760使用经训练的模型来自动安排对pm进行的维修。
245.图14f根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)来识别进入晶片的类别类型及pm中所执行的处理列表中的处理的类别，并选择pm的适当清洁配方的方法2770。在2772，该方法2770捕获并处理从pm运送至装载锁的晶片的图像。例如，该方法 2770可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
246.在2774，该方法2770从经处理的图像中提取数据，例如对从 pm中所执行的处理列表中识别处理类别有用的特征。该方法2770输入数据至被训练用于从pm中所执行的处理列表中识别处理类别的模型。基于数据，经训练的模型可识别在pm中对晶片执行的处理。在2776，基于在pm中所执行的处理，该方法2770使用经训练的模型自动选择用于pm的清洁配方。
247.图14g根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)并通过观察边缘耦合环来确定pm的清洁质量并且安排对pm进行的维修的方法2780。为了将清洁质量量化，可将见证非生产晶片发送至pm中，且可执行处理，接着可将晶片运送至装载锁以捕获图像。长时间收集并标记整个机群的大量数据组以实现该目的。
248.在2782，该方法2780捕获并处理从pm运送至装载锁的边缘耦合环的图像。例如，该方法2780可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。在2784，该方法2780 从经处理的图像中提取数据，例如对于确定pm的清洁质量有用的特征。该方法2780输入数据至被训练用于确定pm清洁质量的模型中。基于数据，经训练的模型确定pm中所执行的清洁的质量。在2786，基于所确定的质量，该方法2780使用经训练的模型来自动安排何时及何种类型的清洁可在pm中执行。因此，省去了对pm的检测。
249.在下述图14h及14i所示的方法中，边缘耦合环在彻底使用并离开pm后进行检测，以推测pm问题。在一工具上检测一个边缘耦合环将可能不足以实现该目的。反而，为实现该目的，长时间地收集整个机群的数据。在该段时间期间，可人工地标记收集到的数据，其中用户对每一边缘耦合环的图像的标记(signature)分配标签。例如，标签可指示pm中哪个子系统故障而导致pm的边缘耦合环有哪种标记等。
250.图14h根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)通过观察边缘耦合环来诊断pm中所使用的边缘耦合环及配方的多种问题的方法2790。在2792，该方法2790捕获并处理从使用相同配方的工具的pm运送至工具的装载锁的边缘耦合环图像。例如，该方法2790可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。在2794，该方法2790从经处理的图像中提取对诊断边缘耦合环以及pm的多种问题有用的数据。该方法2790输入数据至被训练用于诊断多种问题的模型中。
251.在2794，基于数据，经训练的模型确定，尽管所有pm都使用相同配方来处理晶片，但是来自一pm的边缘耦合环是否比来自其他pm的边缘耦合环呈现更多变化。在2796，如果一边缘耦合环呈现更多变化，则该方法2790使用经训练的模型来确定该pm中是否使用正确的边缘耦合环(例如，该pm中是否使用另一pm的环或是不同供货商所制造的环)。在2798，如果在pm中使用不正确或不适当的边缘耦合环，则该方法2790使用经训练的模型来安排在pm中正确或新的环的安装。在2800，如果在pm中使用正确或适当的边缘耦合环，则该方法2790使用经训练的模型来调整pm中所使用的配方。
252.图14i根据某些实施方案示出了使用模型(其利用感知、传感器融合及机器学习算法进行训练)通过观察边缘耦合环来诊断pm中的晶片处理的多种问题的方法2810。在边缘耦合环装入pm前，验证边缘耦合环的序号，以确保未装入错误的边缘耦合环。这无需机器学习即可完成。替代地，该方法2810可如下执行。在2812，该方法2810捕获并处理从pm运送至装载锁的边缘耦合环的图像。例如，该方法2810可调整亮度、增强对比度并执行图像的操作，例如噪声过滤、直方图均衡、边缘检测、对象识别和追踪、图像分割、图像去模糊、几何变换、特征检测、深度估计等等。
253.在2814，该方法2810从经处理的图像中提取对诊断pm中的晶片处理的多种问题有用的边缘耦合环的序号及其他数据。该方法2810输入数据至被训练用于诊断多种问题的模型中。基于该数据，该方法2810使用经训练的模型来确定pm中晶片处理是否有任何问题。在2816，如果检测到 pm中的晶片处理有任何问题，则该方法2810使用经训练的模型来确定边缘耦合环的序号是否正确。在2818，如果序号不正确，则该方法2810使用经训练的模型来安排在pm中正确或新的环的安装。在2820，如果序号正确，则该方法2810使用经训练的模型来
安排对pm进行的维修。
254.在一些实现方案中，计算机视觉系统2400可将来自工具的原始图像发送至云中的数据中心，且所有图像的处理及模型的训练可在云中执行。此外，工具使用期间的图像处理以及由经训练的模型所进行的建议可以在云中执行。在这些实现方案中，计算机视觉系统2400可部署在云中作为软件即服务(saas)。模型训练及验证
255.图15a-15c示出用于产生、训练并验证模型(如上参考图12a
‑ꢀ
14i所述的那些)的方法示例。这些方法由服务器2030(其在以下方法描述中称为控制)所执行的一或更多应用程序来执行。
256.图15a根据一些实施方案示出了产生模型的方法2900。在 2902，控制选择机器学习模型(例如，监督或非监督分类模型、深度神经网络、张量流等)网络拓扑以定义并建立模型。机器学习模型不需要是神经网络。可使用任何分类方法。可使用的机器学习算法的一些示例包括k-近邻法、支持向量、k均值分群法、深度神经网络等。例如，控制可通过对递归神经网络 (recurrent neural network)选择网络拓扑来定义模型。
257.递归神经网络的示例示于图16a中。例如，选择网络拓扑包括选择输入数量、神经元数量及递归神经网络的层数。图16a与16b及以下相应描述进一步详细解释模型产生。在2904，控制训练模型。图15b及以下相应描述进一步详细解释模型训练。在2906，控制验证模型。在2908，控制以闭循环方式反复地微调模型参数。图15c及以下相应描述进一步详细解释模型验证。
258.图15b根据一些实施方案示出了训练模型的方法2950。在2952，控制根据训练数据(例如，来自几个月内收集到的图像中的数据)运行模型。在2954，控制对照标记的训练数据来检查模型所预测的输出。在2956，控制调整模型的参数和/或网络拓扑，以在模型的预测与实际数据之间产生较佳匹配(例如，将模型预测与训练数据之间的误差最小化)。在2958，控制确定模型是否满足一些预定的训练标准。如果模型不符合预定的训练标准，则控制返回2952。如果模型符合预定的训练标准，则控制结束。
259.图15c根据一些实施方案示出了验证模型的方法2970。方法 2970称为k折验证(k-fold validation)方法，并且仅呈现作为示例。可采用其他验证模型的方法作为替代以验证上述参考图12a-14i的多种模型。
260.在2972，控制将用于验证的数据(例如，一些未用于训练的数据)划分为k个分区，其中k为大于1的整数。在2974，控制实例化多个相同的模型。在2976，对于每一实例化的模型，控制在一分区上训练模型，并在其余分区上评估模型。对每一评估分配验证分数。在2978，控制将模型的 k个验证分数的平均值确定为模型的验证分数。在2980，控制选择模型中的具有最高验证分数的一者以供使用。
261.其他验证方法可用于验证模型。例如，可以使用n折交叉验证 (n-fold cross-validation)方法。在该方法中，数据集被分为一个最终测试集和 n个其他子集，其中n为大于1的整数。每一模型在除了一个以外的子集上进行训练，以获得n个不同的验证错误率估计。选择验证错误率最低的模型以供使用。
262.图16a和16b示出了递归神经网络的示例，其用于使用机器学习技术来产生模型(例如上述参考图12a-14i的那些)。机器学习是用于设计有助于预测(例如，用于安排维修
以及上述部件更换的预测)的复杂模型和算法的方法。使用机器学习(例如上述参考图12a-14i的那些)所产生的模型可产生可靠、可重复的决策以及结果，并通过从数据的历史关系及趋势中学习来发现隐藏的洞察力(insights)。
263.如上文参考图12a至图15b所述使用基于递归神经网络的模型并使用机器学习来训练模型的目的是为了直接预测因变量(dependentvariables)，而无需将变量之间的关系转换为数学形式。神经网络模型包括大量并行操作且分层排列的虚拟神经元。第一层是输入层，并接收原始输入数据。每一连续层修改来自前一层的输出，并将其发送至下一层。最后一层为输出层，并产生系统的输出。
264.图16a示出了完全连接的神经网络，其中给定层中的每一神经元都连接至下一层中的每一神经元。在输入层中，每一输入节点与一数值关联，该数值可以是任何实数。在每一层中，每一从输入节点出发的连接具有与其有关的权重，该权重也可以是任何实数(请参见图16b)。在输入层中，神经元的数量等于数据集中特征(列)的数量。输出层可以具有多个连续输出。
265.输入与输出层之间的层为隐藏层。隐藏层的数量可以是一或更多个(一个隐藏层对大多数应用可能就足够了)。没有隐藏层的神经网络可表示线性可分函数(linear separable function)或决策。具有一个隐藏层的神经网络可执行从一有限空间到另一有限空间的连续映射。具有两个隐藏层的神经网络可使任何光滑映像接近于任何精确度。
266.可以将神经元的数量优化。在训练开始时，网络配置很可能会有过多的节点。在训练期间，可从网络中删除不会明显影响网络性能的节点。例如，可删除训练后权重接近零的节点(此过程称为修剪)。神经元的数量可能会导致不足拟合(无法充分获取数据集中的信号)或过度拟合(不足以训练所有神经元的信息；网络在训练数据集上执行良好，但在测试数据集上执行不佳)。
267.多种方法及标准可用于测量模型的性能。例如，均方根误差 (rmse)测量观测值与模型预测之间的平均差距。决定系数(r2)测量观测结果与预测结果之间的相关性(而非准确性)。如果数据有大的差异，则此方法可能不可靠。其他性能测量包括不可约噪音(irreducible noise)、模型偏差(model bias)及模型方差(model variance)。模型的较高模型偏差表示该模型无法获取预测子与结果之间的真实关系。模型方差可表示模型是否不稳定(数据中的微小扰动会显著改变模型拟合)。
268.除了捕获并处理衬底及工具中周围装置的一部分的图像以用于特征识别及特征提取外，下述本公开内容的系统和方法可自动配置工具并对操作期间工具中可能发生的一些错误(例如，可恢复的错误)执行自动错误检测及错误恢复。具体地，根据本公开内容的系统可在工具(例如，图1-6c所示的工具)中实施，并可包括安装在工具中多种位置处的多个相机，以在工具设定时(即，在安装并设定工具时)捕获工具的多种子系统的图像。该系统可使用计算机视觉算法来自动识别子系统，并且基于子系统的捕获图像来确定工具配置，接着基于所识别的子系统自动配置工具。例如，系统可自动识别工具的配置细节，其包括但不限于安装在工具中的缓冲件的数量及类型、装载锁(ll)/装载端口模块(lpm)、机械手、末端执行器(ee)、设备前端模块 (efem)、缓冲站等。可接着在初始安装或设定时、或在对该工具执行更新或维修后(在其中添加、删除、替换或更新一或更多个子系统后)，使用此数据以自动配置该工具。
269.根据某些实施方案，使用实时视频处理(使用例如基于区域卷积神经网络(r-cnn)、单次检测(ssd)、你只看一次(yolo)之类的算法所执行的对象追踪及定位)，该系统可追踪工具中移动对象的位置及状态(例如，机械手位置、机械手末端执行器的伸出/缩回、ll/lpm门开启/关闭、ee上存在的衬底/边缘耦合环等)。如果对象(例如，机械手)的操作有错误，以及如果工具停止操作(例如，衬底的传送)，则系统可识别工具状态，并可自动采取校正措施以恢复操作(如果可能的话)。该校正措施可远程启动。此外，如果在工具上人工执行校正措施，则系统可识别人工干预并防止该工具被远程控制，或者可协调该工具的人工干预及远程控制。系统的这些及其他额外功能将在下文详细描述。
270.在整个下文描述中，一或更多个光源设置于工具的暗区中，使得相机可捕获对象的图像和/或视频，如下所述。例如，如上参考图11所示出以及所描述的，在工具呈黑暗的区域(例如装载锁)中，光源布置成照射工具部件，使得相机可捕获其图像/视频。可使用具有不同波长的多种光源类型及照明配置。例如，该工具可包括efem中的一光源，每一ll中的一光源、以及vtm的两光源。对于ll及vtm，光源位于相机附近。对于具有感光材料的衬底，使用具适当波长的光源，以避免来自光源的光影响衬底的外膜层。相应地使用具有适当光谱响应(可见光、近红外线、红外线)的相机，以捕获高质量图像和视频。
271.图17a根据本公开内容的某些实施方案示出了可以在工具3000 上执行自动配置以及自动错误检测与错误恢复的系统。例如，该系统可以在图1-6c所示的任何工具(即，工具3000可包括图1-6c所示的任何工具)中实现。该工具3000包括多个子系统3002、多个相机3004、用于照射子系统 3002的对象的光源3005、对象检测模块3006、配置模块3008、错误检测模块3010以及错误恢复模块3012。该工具3000通过分布式通信系统3016(例如，图8a-8c所示的元件2010)与远程计算设备3014(例如，图8a-8c所示的组件2130)通信。
272.子系统3002的非限制性示例包括安装在工具3000中的缓冲件、装载锁(ll)/装载端口模块(lpm)、机械手、末端执行器(ee)、设备前端模块 (efem)等等。相机3004可放置在工具3000中的多个位置。相机3004的数量及位置可取决于工具3000的配置。例如，参见示出多种工具配置的图1
‑ꢀ
6c，取决于工具配置，其每一者可能需不同数量的相机布置在不同位置处。
273.图17b示出了图17a的系统中所使用的工具3000的示例，其相机布置于工具中的多个位置处。显示两种类型的相机：第一，图像处理相机；第二，视频流以及视频处理相机(称为摄像机)。例如，摄像机3030位于工具的装载端口模块(lpm)中。三个摄像机3032、3034及3036位于工具的设备前端模块(efem)中。两个摄像机3038及3040位于工具的气锁(al)中。另外，两个图像处理相机3042及3044位于工具的气锁(al)中。三个摄像机 3046、3048及3049位于工具的真空传送模块(vtm)中。可设想不同数量的每一类型相机处于不同位置处的多种其他布置，具体取决于工具配置。
274.在图17a中，对象检测模块3006使用多种实时视频处理算法 (如下所述)以实时检测对象(例如，子系统3002及其部件)的移动及其在工具3000中的位置。对象检测模块3006所执行的对象检测的质量取决于许多因素。例如，这些因素可包括所使用的算法的类型。这些因素可包括相机3004 的能力(例如，分辨率)。这些因素还可以包括相机3004的数量和位置。
275.例如，对象检测模块3006所执行的对象检测的质量可以与相机 3004的数量成比
例。在一些工具配置中，如果相机可放置在工具中的关键位置(例如，当一或更多个相机可观察工具的较大部分时)，则可用很少的相机执行相对高质量的对象检测。在一些工具配置中，如果一些相机无法放置在工具中的关键位置，则可能需要相对大量的相机。
276.在一些实施方案中，对象检测模块3006处理子系统3002的图像并且识别子系统3002。例如，对象检测模块3006可识别工具3000中安装多少缓冲件、装载锁(ll)/装载端口模块(lpm)、机械手、末端执行器(ee)、设备前端模块(efem)等等。另外，对象检测模块3006可识别这些子系统 3002的类型。
277.根据一些实施方案，基于这些识别，该配置模块3008可自动配置工具3000。例如，配置模块3008可载入用于操作并控制所识别的子系统 3002的软件模块。例如，配置模块3008可自动配置工具3000的用户界面 (ui)3018。例如，配置模块3008可在ui3018的下拉菜单中自动启用一些功能，以用于操作并控制所识别的子系统3002，并且关闭不适用于所识别的子系统3002或与其不兼容的其他功能。例如，取决于所识别的子系统3002，配置模块3008可自动地仅允许某些处理/操作(例如，可在所识别的子系统 3002上执行或使用所识别的子系统3002执行的处理/操作)的执行，并禁止其他处理(例如，无法在所识别的子系统3002上执行或使用所识别的子系统 3002执行的处理/操作)的执行。
278.根据一些实施方案，错误检测模块3010基于对象检测模块 3006通过监测对象(例如，机械手、衬底、边缘耦合环、pm/ll/lpm的门等) 在工具3000中的移动及位置而执行的对象检测，来检测工具3000中的错误 (参见以下示例)。错误恢复模块3012自动更正错误检测模块3010所检测到的一些错误。例如，错误恢复模块3012仅自动更正错误检测模块3010所检测到的可恢复错误。
279.在一些实现方案中，错误恢复模块3012可通过分布式通信系统 3016而与远程计算设备3014通信。远程计算设备3014可通过与工具3000进行通信(通过错误恢复模块3012)来远程校正一些错误。在通过远程计算设备 3014对工具3000进行远程控制期间，可通过配置模块3008来禁止工具3000 中的人工干预。相反，如果错误需要人工干预，则可禁止远程计算设备3014 对工具3000的远程控制，以确保维修工具3000的维修人员的安全。相机 3004可检测到工具3000中的人工干预(例如，维修人员的身体部位)，而配置模块3008可禁止远程计算设备3014对工具3000的远程控制，以确保维修人员的安全。在一些实现方案中，使用ui3018，维修人员能够通过人工干预以及通过远程计算设备3014来协调错误校正。
280.以下是错误检测模块3010以及错误恢复模块3012所执行的错误检测及错误恢复的一些非限制性示例。例如，由于工具3000中处理模块 (pm)中的衬底未成功脱附，或者由于pm中的升降销故障，衬底可能在pm 中的衬底支撑件(esc)上偏离中心。当vtm机械手进入pm移走衬底时，pm 中的动态对准(da)传感器可能会检测到超出指定范围的偏移。因此，工具 3000可产生或指示错误，且vtm机械手停止衬底的移动，以避免衬底碰撞 pm的壁/门。
281.在以上示例中，基于从监测vtm机械手的相机3004接收到的数据，对象检测模块3006识别工具状态，包括机械手位置、机械手末端执行器(ee)位置以及pm门状态(打开/关闭)。如果相机3004识别出pm门打开且衬底仍在ee上，则错误检测模块3010识别该错误，而错误恢复模块312使机械手重新进入pm，将衬底放置在升降销上，并以da传感器所计算出的新的正确偏移量再次拾取衬底。该恢复程序目前是人工执行，且需维修人员出现在工具3000处。此外，该程序可能需打开vtm或pm，其增加工时成本及工具操作的停机时间。相反，
通过自动更正错误，图17a所示的系统免去打开pm的需要，其降低工时成本及停机时间。
282.在另一示例中，当vtm机械手将已处理的衬底放入工具3000 中的气锁中时，如果衬底的温度太高和/或如果ee垫是粘性的，则衬底可能无法正确地放置在气锁指上。因此，衬底可能从气锁指上滑动且垂下。如果气锁门关闭，则衬底可能会卡在气锁门之间并且可能损坏。替代地，当atm 机械手进入气锁以拾取衬底时，如果衬底是交叉槽式的(cross slotted)，则ee 可能会损坏晶片。
283.在以上示例中，基于从相机3004接收到的数据，对象检测模块 3006可检测到不合适的衬底放置，并可识别衬底中心及平面。错误检测模块 3010检测因不正确的衬底放置所引起的错误。错误恢复模块3012将衬底中心与平面传送至机械手。如果可能的话，机械手以实时闭循环方式在x/y/z 坐标中找出拾取衬底的路径。替代地，该操作可使用远程计算设备3014，以通过在正确方向上缓慢地移动机械手并观看从错误恢复模块3012接收到的实况视频流来执行。这使得不需要维修人员出现在工具3000处，不需要打开 ll，并减少工具停机时间及人工成本。
284.在一些实施方案中，错误检测模块3010、错误恢复模块3012 以及配置模块3008可根据错误的类型以其他方式响应错误。例如，如果子系统3002的错误是不可恢复的(例如，如果需更换部件而该部件却无法取得)，则配置模块3008可暂时关闭子系统3002。例如，配置模块3008可关闭 ui3018中的子系统3002的菜单选择。例如，配置模块3008可改变衬底的处理顺序，以回避子系统3002。例如，配置模块3008可关闭子系统3002以避免其被无意间使用到，直到对其进行维修。
285.图17c根据本公开内容的某些实施方案示出了自动配置工具的方法3050。例如，图17a中所示的系统可如下执行该方法3050。在3052，该方法3050确定是否打开工具3000的电源。如果打开工具3000的电源，则在3054，该方法3050使用安装在工具3000中多个位置处的相机3004来捕获工具3000的子系统3002的图像。在3056，该方法3050基于相机3004所检测到的子系统3002来自动配置工具3000，如上参考图17a详细描述的。
286.图17d根据本公开内容的某些实施方案示出了自动更正工具中所检测到的误差的方法3070。例如，图17a所示的系统可如下执行方法 3070。在3072，该方法3070使用安装在工具3000中多个位置处的相机3004 以实时监测工具3000的子系统3002。在3074，该方法3070(例如，如上文参考图17a详细描述的使用相机3004、对象检测模块3006及错误检测模块3010)确定是否在工具300中检测到错误。如果未检测到错误，则该方法3070 继续使用相机3004实时监测工具3000的子系统3002。
287.如果在3076检测到错误，则该方法3070确定该错误是否为自动可校正无需人工干预。如果该错误为自动可校正无需人工干预，则在3078，该方法3070自动更正该错误，如上参考图17a详细描述的。如果该错误不是自动可校正的，则在3080，该方法3070安排/要求维修(例如，通过ui3018 通知工具操作员)。
288.图10b示出了使用至少两个相机2200及2201的立体图像处理系统。如下参考m18a-18e所解释的，在一些实现方案中，使用单个相机(例如2200或2201)的立体图像处理可用于建立边缘耦合环的厚度轮廓的3d点云。例如，单个相机(2200或2201)可用于捕获边缘耦合环2314(示于图10b 中)的一或更多个图像。接着，使用立体图像处理技术，边缘耦合环的厚度轮廓的3d点云可从相机所捕获的图像来建立。
289.3d点云是空间中对象(例如，图10b中的边缘耦合环2314)或其一部分的成组的数据点。根据一些实施方案，3d点云通过测量边缘耦合环 2314的外表面上的许多点来产生。可直接分析3d点云，或可将其转换为网格、表面模型或3d模型。3d点云接着可对准边缘耦合环2314是新的(即没有腐蚀)时所产生的边缘耦合环2314模型，并进行比较以确定差异。边缘耦合环2314的腐蚀量可基于该差异来确定。例如，该差异可指示尺寸的变化，例如因腐蚀导致边缘耦合环2314的厚度下降。
290.3d点云也可用于表示边缘耦合环2314的体积数据，其接着可被用于确定边缘耦合环2314因腐蚀而导致的厚度下降。参考图11所述的计算机视觉系统2400的图像处理器2408可执行立体图像处理，包括3d点云产生、基于点云数据的厚度轮廓产生、以及对边缘耦合环的厚度轮廓的分析，以评估边缘耦合环2314的腐蚀量。
291.图18a根据某些实施方案示出了使用单个相机来执行立体图像处理的系统3100的示例。系统3100仅使用一个相机来建立边缘耦合环的3d 点云。在一些实施方案中，机械手移动装载锁中的边缘耦合环，且装载锁中的单个相机捕获边缘耦合环的一张图像。接着，机械手将边缘耦合环移动预定距离，且相机捕获边缘耦合环的另一张图像。之后，图像处理器使用这两张图像执行三角测量法(triangulation)，以计算3d点云。机械手可额外地将边缘耦合环移动预定距离，并且在每次移动后，相机可捕获额外图像以进行点云计算，其可提高测量的准确性。
292.在所示的示例中，系统3100包括控制机械手3104的系统计算机3102。机械手3104移动装载锁3108中的边缘耦合环3106。光源3110照射边缘耦合环3106。每当机械手3104将边缘耦合环3106移动预定距离时，单个相机3112即捕获边缘耦合环3106的图像，如图18b所示。耦合至相机 3112的图像处理器3114使用如图18c所示的三角测量法来处理图像，以计算3d点云。图像处理器3114基于3d点云产生如图18d所示的边缘耦合环 3106的表面轮廓(即，厚度轮廓)。图像处理器3114执行立体图像处理，包括使用三角测量法的3d点云产生、基于3d点云数据的厚度轮廓产生、以及边缘耦合环的厚度轮廓的分析，以评估边缘耦合环3106的腐蚀量。在一些实施方案中，图像处理器3114和相机3112可类似于图11所示的计算机视觉系统 2400的图像处理器2408以及相机2402。在一些实现方案中，系统计算机 3102可包括边缘计算设备。
293.图18d示出了可使用等式z＝f(r)将边缘耦合环3106的表面轮廓 z描述为边缘耦合环3106的半径r的函数。图18b示出边缘耦合环3106沿着 x轴从x1到x2移动预定距离d1。p1＝(x1，z1)以及p2＝(x2，z2)分别表示相机 3112所捕获的边缘耦合环3106上的两个点。x1’和x2’为这些点沿x轴在相机 3112中的图像传感器上的投影。图像传感器一般用x1’和x2’线表示。图18c 示出了图像处理器3114使用数据p1和p2所执行的三角测量法。
294.图18e根据一些实施方案示出了使用单个相机(例如，图18a 中所示的相机3112)执行立体图像处理的方法3200。该方法3200可用于建立边缘耦合环的厚度轮廓的3d点云。例如，该方法3200可通过图18a所示的图像处理器3114和相机3112、或者通过图11所示的计算机视觉系统2400的图像处理器2408和相机2402来执行。
295.在3202，该方法3200通过使用机械手3104将边缘耦合环3106 移动预定距离并使用相机3112来捕获边缘耦合环3106的图像，如图18b所示且如上所述。在不同位置处捕获至少两张图像。在3204，该方法3200通过对来自相机3112所捕获的图像的数据进行三角测量
法来产生3d点云，如图18c所示且如上所述。在3206，该方法3200产生边缘耦合环3106的厚度轮廓，如图18d所示且如上所述。
296.在3208，该方法3200比较边缘耦合环3106的厚度轮廓与边缘耦合环3106是新的时的先前厚度轮廓(其也是使用相同技术来产生)。在3210，该方法3200基于该比较来确定边缘耦合环3106的腐蚀量。
297.在3212，该方法3200确定边缘耦合环3106的腐蚀量是否大于或等于预定阈值。若边缘耦合环3106的腐蚀量不大于或等于预定阈值，则在 3214，该方法3200继续使用边缘耦合环3106，且方法返回3202。如果边缘耦合环3106的腐蚀量大于或等于预定阈值，则在3216，该方法3200确定边缘耦合环3106应以新的边缘耦合环替换，且该方法在更换后返回3202。
298.前面的描述本质上仅仅是说明性的，绝不旨在限制本公开、其应用或用途。本公开的广泛教导可以以各种形式实现。因此，虽然本公开包括特定示例，但是本公开的真实范围不应当被如此限制，因为在研究附图、说明书和所附权利要求时，其他修改方案将变得显而易见。应当理解，在不改变本公开的原理的情况下，方法中的一个或多个步骤可以以不同的顺序(或同时地)执行。
299.此外，虽然每个实施方案在上面被描述为具有某些特征，但是相对于本公开的任何实施方案描述的那些特征中的任何一个或多个，可以在任何其它实施方案的特征中实现和/或与任何其它实施方案的特征组合，即使该组合没有明确描述。换句话说，所描述的实施方案不是相互排斥的，并且一个或多个实施方案彼此的置换保持在本公开的范围内。
300.使用各种术语来描述元件之间(例如，模块之间、电路元件之间、半导体层之间等)的空间和功能关系，各种术语包括“连接”、“接合”、“耦合”、“相邻”、“紧挨”、“在...顶部”、“在...上面”、“在...下面”和“设置”。除非将第一和第二元件之间的关系明确地描述为“直接”，否则在上述公开中描述这种关系时，该关系可以是直接关系，其中在第一和第二元件之间不存在其它中间元件，但是也可以是间接关系，其中在第一和第二元件之间(在空间上或功能上)存在一个或多个中间元件。
301.如本文所使用的，短语“a、b和c中的至少一个”应当被解释为意味着使用非排他性逻辑或(or)的逻辑(a或b或c)，并且不应被解释为表示“a中的至少一个、b中的至少一个和c中的至少一个”。
302.在一些实现方式中，控制器是系统的一部分，该系统可以是上述示例的一部分。这样的系统可以包括半导体处理设备，半导体处理设备包括一个或多个处理工具、一个或多个室、用于处理的一个或多个平台、和/或特定处理部件(晶片基座、气体流系统等)。这些系统可以与用于在半导体晶片或衬底的处理之前、期间和之后控制它们的操作的电子器件集成。
303.电子器件可以被称为“控制器”，其可以控制一个或多个系统的各种部件或子部件。根据处理要求和/或系统类型，控制器可以被编程以控制本文公开的任何处理，包括处理气体的输送、温度设置(例如加热和/或冷却)、压力设置、真空设置、功率设置、射频(rf)产生器设置、rf匹配电路设置、频率设置、流率设置、流体输送设置、位置和操作设置、晶片转移进出与具体系统连接或通过接口连接的工具和其他转移工具和/或装载锁。
304.概括地说，控制器可以定义为电子器件，电子器件具有接收指令、发出指令、控制
操作、启用清洁操作、启用端点测量等的各种集成电路、逻辑、存储器和/或软件。集成电路可以包括存储程序指令的固件形式的芯片、数字信号处理器(dsp)、定义为专用集成电路(asic)的芯片、和/或一个或多个微处理器、或执行程序指令(例如，软件)的微控制器。
305.程序指令可以是以各种单独设置(或程序文件)的形式发送到控制器的指令，单独设置(或程序文件)定义用于在半导体晶片或系统上或针对半导体晶片或系统执行特定处理的操作参数。在一些实施方案中，操作参数可以是由工艺工程师定义的配方的一部分，以在一或多个(种)层、材料、金属、氧化物、硅、二氧化硅、表面、电路和/或晶片的管芯的制造期间完成一个或多个处理步骤。
306.在一些实现方式中，控制器可以是与系统集成、耦合到系统、以其它方式联网到系统或其组合的计算机的一部分或耦合到该计算机。例如，控制器可以在“云”中或是晶片厂(fab)主机系统的全部或一部分，其可以允许对晶片处理的远程访问。计算机可以实现对系统的远程访问以监视制造操作的当前进展、检查过去制造操作的历史、检查多个制造操作的趋势或性能标准，以改变当前处理的参数、设置处理步骤以跟随当前的处理、或者开始新的处理。
307.在一些示例中，远程计算机(例如服务器)可以通过网络(其可以包括本地网络或因特网)向系统提供处理配方。远程计算机可以包括使得能够输入或编程参数和/或设置的用户界面，然后将该参数和/或设置从远程计算机发送到系统。在一些示例中，控制器接收数据形式的指令，其指定在一个或多个操作期间要执行的每个处理步骤的参数。应当理解，参数可以特定于要执行的处理的类型和工具的类型，控制器被配置为与该工具接口或控制该工具。
308.因此，如上所述，控制器可以是例如通过包括联网在一起并朝着共同目的(例如本文所述的处理和控制)工作的一个或多个分立的控制器而呈分布式。用于这种目的的分布式控制器的示例是在与远程(例如在平台级或作为远程计算机的一部分)的一个或多个集成电路通信的室上的一个或多个集成电路，其组合以控制在室上的处理。
309.示例系统可以包括但不限于等离子体蚀刻室或模块、沉积室或模块、旋转漂洗室或模块、金属电镀室或模块、清洁室或模块、倒角边缘蚀刻室或模块、物理气相沉积(pvd)室或模块、化学气相沉积(cvd)室或模块、原子层沉积(ald)室或模块、原子层蚀刻(ale)室或模块、离子注入室或模块、轨道室或模块、以及可以与半导体晶片的制造和/或制备相关联或用于半导体晶片的制造和/或制备的任何其它半导体处理系统。
310.如上所述，根据将由工具执行的一个或多个处理步骤，控制器可以与一个或多个其他工具电路或模块、其它工具部件、群集工具、其他工具接口、相邻工具、邻近工具、位于整个工厂中的工具、主计算机、另一控制器、或在将晶片容器往返半导体制造工厂中的工具位置和/或装载口运输的材料运输中使用的工具通信。