GENERATING DIGITAL TWINS OF SEMICONDUCTOR MANUFACTURING EQUIPMENT

• Main Authors: ROHAM, Sassan, DANEK, Michal, SAWLANI, Kapil
• Format: Patent
• Language: English; French
• Published: 21.07.2022
• Subjects: CALCULATING; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS; COMPUTING; COUNTING; PHYSICS

Various embodiments herein relate to systems, methods, and media for generating digital twins of semiconductor manufacturing equipment. In some embodiments, a digital twin of a process chamber of semiconductor manufacturing equipment is provided, comprising one or more non-transitory machine readable media comprising logic configured to implement: a first model of a first location of the process chamber; and a second model of a second location of the process chamber, wherein the first model is coupled to the second model, and wherein the first model and the second model are each of a model type that is one of: 1) an AI/ML model; 2) an HFS model; and 3) a closed-form solution, and wherein the first model and the second model each represent a class of physical phenomena that is one of: 1) thermal characteristics; 2) plasma characteristics; 3) fluid dynamics; 4) structural characteristics; and 5) chemical reactions. Divers modes de réalisation de l'invention se rapportent à des systèmes, à des procédés et à des supports permettant de générer des jumeaux numériques d'un équipement de fabrication de semi-conducteurs. Certains modes de réalisation concernent un jumeau numérique d'une chambre de traitement d'un équipement de fabrication de semi-conducteurs, comprenant un ou plusieurs supports lisibles par machine non transitoires comprenant une logique configurée pour mettre en oeuvre : un premier modèle d'un premier emplacement de la chambre de traitement ; et un second modèle d'un second emplacement de la chambre de traitement, le premier modèle étant couplé au second modèle, et le premier modèle et le second modèle étant chacun d'un type de modèle qui est l'un parmi les éléments suivants : 1) un modèle d'intelligence artificielle (AI)/d'apprentissage automatique (ML) ; 2) un modèle HFS ; et 3) une solution de forme fermée, et le premier modèle et le second modèle représentant chacun une classe de phénomènes physiques qui est l'un parmi les éléments suivants : 1) caractéristiques thermiques ; 2) caractéristiques de plasma ; 3) dynamique de fluide ; 4) caractéristiques structurales ; et 5) réactions chimiques.