WO2022200862 - REAL-TIME AI-BASED QUALITY ASSURANCE FOR SEMICONDUCTOR PRODUCTION MACHINES
National phase entry:
Publication Number
WO/2022/200862
Publication Date
29.09.2022
International Application No.
PCT/IB2022/000185
International Filing Date
26.03.2022
Title **
[English]
REAL-TIME AI-BASED QUALITY ASSURANCE FOR SEMICONDUCTOR PRODUCTION MACHINES
[French]
ASSURANCE QUALITÉ REPOSANT SUR AL EN TEMPS RÉEL POUR MACHINES DE PRODUCTION DE SEMI-CONDUCTEURS
Applicants **
LYNCEUS SAS
96bis Boulevard Raspail
75006 Paris, FR
Inventors
MEYER, David
Lynceus Sas
96bis Boulevard Raspail
75006 Paris, FR
MONTONE, Guglielmo
Lynceus Sas
96bis Boulevard Raspail
75006 Paris, FR
Priority Data
17/704,337
25.03.2022
US
63/166,744
26.03.2021
US
Application details
| Total Number of Claims/PCT | * |
| Number of Independent Claims | * |
| Number of Priorities | * |
| Number of Multi-Dependent Claims | * |
| Number of Drawings | * |
| Pages for Publication | * |
| Number of Pages with Drawings | * |
| Pages of Specification | * |
| * | |
| * | |
International Searching Authority |
EPO
* |
| Applicant's Legal Status |
Legal Entity
* |
| * | |
| * | |
| * | |
| * | |
| Entry into National Phase under |
Chapter I
* |
| Translation |
|
Recalculate
* The data is based on automatic recognition. Please verify and amend if necessary.
** IP-Coster compiles data from publicly available sources. If this data includes your personal information, you can contact us to request its removal.
Quotation for National Phase entry
| Country | Stages | Total | |
|---|---|---|---|
| China | Filing | 1312 | |
| EPO | Filing, Examination | 6344 | |
| Japan | Filing | 589 | |
| South Korea | Filing | 607 | |
| USA | Filing, Examination | 2710 |
Total: 11562 USD
The term for entry into the National Phase has expired. This quotation is for informational purposes only
Abstract[English]
The subject matter herein provides for Al-based prediction of production defects in association with a production system, such as a semiconductor manufacturing machine. In one embodiment, a method begins by receiving production data from the production system. The production data typically comprises non-homogeneous machine parameters and maintenance data, quality test data, and product and process data. Using the production data, a neural network is trained to model an operation of a given machine in the production system. Preferably, the training involves multi-task learning, transfer learning (e.g., using knowledge obtained with respect to a machine of the same type as the given machine), and a combination of multi-task learning and transfer learning. Once the model is trained, it is associated with the given machine operating environment, wherein it is used to provide quality assurance predictions.[French]
La présente invention concerne la prédiction reposant sur l'Al de défauts de production en association avec un système de production, tel qu'une machine de fabrication de semi-conducteurs. Dans un mode de réalisation, un procédé commence par la réception de données de production provenant du système de production. Les données de production comprennent typiquement des paramètres de machine non homogènes et des données de maintenance, des données de test de qualité, et des données de produit et de processus. À l'aide des données de production, un réseau neuronal est entraîné pour modéliser un fonctionnement d'une machine donnée dans le système de production. De préférence, l'entraînement implique un apprentissage multitâche, un apprentissage par transfert (par exemple, à l'aide de connaissances obtenues par rapport à une machine du même type que la machine donnée), et une combinaison d'apprentissage multitâche et d'apprentissage par transfert. Une fois que le modèle est entraîné, il est associé à l'environnement de fonctionnement de machine donné, dans lequel il est utilisé pour fournir des prédictions d'assurance qualité.