CN107369635B - 一种基于深度学习的智能半导体装备系统 - Google Patents
一种基于深度学习的智能半导体装备系统 Download PDFInfo
- Publication number
- CN107369635B CN107369635B CN201710425032.XA CN201710425032A CN107369635B CN 107369635 B CN107369635 B CN 107369635B CN 201710425032 A CN201710425032 A CN 201710425032A CN 107369635 B CN107369635 B CN 107369635B
- Authority
- CN
- China
- Prior art keywords
- intelligent
- data
- product
- semiconductor equipment
- processing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且智能半导体装备能够进行N个工序的加工，还包括智能数据采集模块、智能算法处理模块和智能半导体装备控制中心，智能数据采集模块采集智能半导体装备中N个工序的产品数据，并将上述数据传输至所述智能算法处理模块中进行自主深度学习形成最优参数模型，并可以将最优参数反馈至智能半导体装备控制中心，用于设置所述智能半导体装备对同一种类产品的加工数据。本发明提供的一种基于深度学习的智能半导体装备系统，用于解决复杂和不确定的半导体设备智能问题，同时智能半导体装备系统深度学习可以一定程度上降低技术难度，提高生产的智能性。
Description
技术领域
本发明涉及人工智能技术领域，具体涉及一种基于深度学习的智能半导体装备系统。
背景技术
半导体高端装备是集成电路技术和产业发展的核心基础。一代设备决定着一代制造技术，一代制造技术又决定着一代集成电路产品，这种理念已成为世界集成电路技术和产业发展的普遍规律。随着全球半导体市场竞争的日益加剧，目前发展高端设备已成为世界集成电路产业国际竞争的一个制高点。
近几年来，全球半导体设备已经进入12英寸16/14nm甚至10nm领域。每年世界半导体产业600亿美元总的投资金额中70％用于购置高端设备。半导体高端设备产业越来越显示出其独特的发展趋势，主要有：一是半导体高端设备之间的技术和价值差异化日益严重。二是全球半导体设备市场日益被巨头厂商垄断，“大者恒大”趋势愈益明显。三是半导体设备厂商开始向专门化领域分化，专门化设备厂商的地位越显重要。四是设备与工艺技术的深度融合，半导体设备已渐成为工艺技术和知识产权的物化硬件。
目前，按照集成电路产业链的划分，半导体设备可分为以下三大类：半导体材料加工设备，晶圆制作设备，封装测试设备及先进封装设备，这类设备的主要特点是精度高，过程复杂，对操作人员以及设备的要求较高，但是在过程中，由于半导体制造的环境很多都是在高温，高压，高湿度，酸性等严苛的条件下，半导体设备存在着特别复杂和不确定性，其中任何一个环节的问题都会造成产品的良率降低。
尤其是针对同一种类产品在严苛的生产环境中进行大批量的生产时，设备的不确定性使得工程师无法准确判断产品的最佳生产工艺参数，并且针对大批量的同类产品，每次加工都需要手动输入设备参数，使得整个产品的生产效率低下，且不能保证设备输入参数是否为最佳参数。
发明内容
本发明所要解决的技术问题是提供基于深度学习的智能半导体装备系统，用于解决复杂和不确定的半导体设备智能问题，同时智能半导体装备系统深度学习可以一定程度上降低技术难度，提高生产的智能性。
为了实现上述目的，本发明采用如下技术方案：一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且所述智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其中，还包括：智能数据采集模块，用于采集产品的产品数据，并检测产品的种类，所述产品数据包括加工数据；智能数据处理模块，连接所述智数据采集模块和智能算法处理模块，用于处理所述智能数据采集模块采集到的产品数据；智能算法处理模块，包括能够模拟人脑进行分析学习的神经网络和云数据库，所述云数据库中存储不同种类产品的产品数据以及最优参数模型；智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；当产品进入所述智能半导体装备未开始工序加工时，所述智能数据采集模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至所述智能数据处理模块中进行处理，处理之后的产品数据传输至所述智能算法处理模块中进行存储，并通过神经网络进行自主深度学习形成最优参数模型，存储在云数据库中；若云数据库中有该种类产品的产品数据，则所述智能算法处理模块将该产品的最优参数模型中的最优参数发送至所述智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
进一步地，所述产品数据还包括产品的输入数据和输出数据，其中，所述智能数据采集模块采集产品的输入数据，并根据云数据库中存储的输入数据判断该产品的种类。
进一步地，所述输入数据和输出数据包括输入图像和输出图像，所述智能数据采集模块包括机器视觉模块，用于采集产品的输入图像和输出图像，并根据输入图像和输出图像得出对应产品的状态信息。
进一步地，所述智能数据处理模块可以对产品数据进行筛选、按照工序分类和压缩。
进一步地，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。
进一步地，尺寸，厚度和晶向均相同的晶圆为同一种类的产品。
本发明提供的另外一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且所述智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其中，还包括：智能数据采集模块，包括N个智能数据采集子模块，分别用于采集N个工序中产品的产品数据，并检测产品的种类，所述产品数据包括加工数据；智能数据处理模块，包括N个智能数据处理子模块和1个智能数据处理总模块，所述智能数据处理子模块分别和对应的智能数据采集子模块和智能算法处理子模块连接，用于处理所述智能数据采集子模块采集到的产品数据；智能算法处理模块，包括N个智能算法处理子模块，所述智能算法处理子模块包含能够模拟人脑进行分析学习的神经网络和云数据库，所述云数据库中存储不同种类产品的产品数据以及最优参数子模型；智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；当产品进入所述智能半导体装备未开始工序加工时，所述智能数据采集子模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集子模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至对应的所述智能数据处理子模块中进行处理，处理之后的产品数据传输至对应的所述智能算法处理子模块中进行存储，并通过神经网络进行自主深度学习形成该产品在对应工序上的最优参数子模型，并存储在对应的云数据库中；若云数据库中有该种类产品的产品数据，则所述智能算法处理子模块将该产品的最优参数子模型传输至智能数据处理总模块中组合成最优参数模型，并将该最优参数模型中的最优参数发送至所述智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
进一步地，所述产品数据还包括产品的输入数据和输出数据，其中，所述第一工序对应的智能数据采集子模块采集产品的输入数据，并根据云数据库中存储的输入数据判断该产品的种类。
进一步地，所述输入数据和输出数据包括输入图像和输出图像，所述智能数据采集模块包括机器视觉模块，用于采集产品的输入图像和输出图像，并根据输入图像和输出图像得出对应产品的状态信息。
进一步地，所述智能数据处理子模块可以对产品数据进行筛选和压缩
进一步地，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。
进一步地，尺寸，厚度和晶向均相同的晶圆为同一种类的产品。
本发明的有益效果为：本发明利用智能数据处理的方法，在认知交互的基础上，通过自我学习来提升制造效率和产品的良品率，从而降低生产成本，提升产品的性能，实现更优性能。本发明提供的一套基于深度学习的智能半导体装备系统，尤其适合于解决特别复杂和不确定的半导体设备智能问题，同时半导体装备深度学习可以一定程度上降低技术难度，提高生产的智能性。
附图说明
图1为实施例1中基于深度学习的智能半导体装备系统的结构框架图。
图2为实施例2中基于深度学习的智能半导体装备系统的结构框架图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明的核心思想之一为：
一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其中，还包括：智能数据采集模块，用于采集产品的产品数据，并检测产品的种类，产品数据包括加工数据；智能数据处理模块，连接智数据采集模块和智能算法处理模块，用于处理智能数据采集模块采集到的产品数据；智能算法处理模块，包括能够模拟人脑进行分析学习的神经网络和云数据库，云数据库中存储不同种类产品的产品数据以及最优参数模型；智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；当产品进入智能半导体装备未开始工序加工时，智能数据采集模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至智能数据处理模块中进行处理，处理之后的产品数据传输至智能算法处理模块中进行存储，并通过神经网络进行自主深度学习形成最优参数模型，存储在云数据库中；若云数据库中有该种类产品的产品数据，则智能算法处理模块将该产品的最优参数模型中的最优参数发送至智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
本发明的核心思想之二为：
本发明提供的另外一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其中，还包括：智能数据采集模块，包括N个智能数据采集子模块，分别用于采集N个工序中产品的产品数据，并检测产品的种类，产品数据包括加工数据；智能数据处理模块，包括N个智能数据处理子模块和1个智能数据处理总模块，智能数据处理子模块分别和对应的智能数据采集子模块和智能算法处理子模块连接，用于处理智能数据采集子模块采集到的产品数据；智能算法处理模块，包括N个智能算法处理子模块，智能算法处理子模块包含能够模拟人脑进行分析学习的神经网络和云数据库，云数据库中存储不同种类产品的产品数据以及最优参数子模型；智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；当产品进入智能半导体装备未开始工序加工时，智能数据采集子模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集子模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至对应的智能数据处理子模块中进行处理，处理之后的产品数据传输至对应的智能算法处理子模块中进行存储，并通过神经网络进行自主深度学习形成该产品在对应工序上的最优参数子模型，并存储在对应的云数据库中；若云数据库中有该种类产品的产品数据，则智能算法处理子模块将该产品的最优参数子模型传输至智能数据处理总模块中组合成最优参数模型，并将该最优参数模型中的最优参数发送至智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
以下结合具体实施例对本发明进行进一步的解释说明：
实施例1
如图1所示，一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且智能半导体装备能够进行N个工序的加工，还包括智能数据采集模块、智能数据处理模块、智能算法处理模块和智能半导体装备控制中心。
智能数据采集模块采集的产品数据包括输入数据、加工数据和输出数据。在产品输入智能半导体装备还未开始加工的时候，采集该产品的输入信息，并根据智能算法处理模块中云数据库中存储的不同产品的输入数据来判断该产品的种类。智能数据采集模块在各个工序上装有温度传感器、湿度传感器，采集当时设备上的状态数据数据，形成文本模式。其中，智能数据采集模块在各个工序上都装有机器视觉模块，如摄像头，采集当时工序的输入、输出产品图像，为后面深度学期提供图像分析。机器视觉模块可以根据输入图像和输出图像得出对应产品的状态信息，并根据输入图像对应的状态信息判断输入产品的种类，除了判断输入产品的种类之外，机器视觉模块还可以从输入图像和输出图像中得出该产品的加工形状、颜色变化以及是否有外观缺陷等等相关的状态信息。在各个工序端对工程师的加工数据进行实时采集，存储成文本模式，进行分析。同时智能数据采集模块还可以包括其他的数据采集设备或者传感器，具体安装的采集设备根据整个系统的需求不同而具体安装。
智能数据处理模块用来处理智能数据采集模块采集到的产品数据。智能数据采集模块采集到的数据由于采集数据文件繁多，以及视频数据过大，所以在智能数据处理模块中对数据按照工序不同进行分类处理，将每个工序的加工数据存储为一个文件夹。并对所需要的整套工艺中各个工序的数据进行提取，再将上述整套工艺数据进行压缩传输，减少数据传输时间。
智能算法模块可以实现智能半导体装备地深度学习。这一功能的实现需要人类使用者提供丰富的半导体制备设备的使用经验，基于深度学习算法，建立模拟人脑进行分析学习的神经网络，其中，神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。神经网络可以模仿人脑的机制来解释数据，例如图像和文本，通过研究工程师的参数数据，各个设备的状态数据，以及通过图像来智能识别各个工序的输出状态好坏的判断，形成自主学习分析数据能力，针对不同的输入产品，自动学习最优的参数设置。目前，通过神经网络形成最优参数模型常用的计算模型为SVM支持向量机、RNN循环神经网络、RBM限制玻尔兹曼机、OBNs深信度网络等。
在智能半导体装备进行加工产品的过程中，智能数据处理模块将上述N个工序的产品数据压缩之后传输至智能算法处理模块中，并通过神经网络进行自主深度学习形成最优参数模型，该最优参数模型按照产品的种类存储在云数据库中，并且该最优参数模型将最优参数发送至智能半导体装备控制中心。
智能半导体装备控制中心用于控制该智能半导体装备中各个工序的加工数据，其中，加工数据包括加工参数以及加工过程中智能半导体装备的运行状态以及其所处的环境数据，智能半导体装备控制中心可以手动输入各工序的加工数据，也可以用智能算法处理模块发送的最优参数直接定义智能半导体装备的加工数据。当云数据库中存储的最优参数模型固定不变时，该最优参数模型通过智能半导体装备控制中心控制智能半导体装备系统进行相同种类产品的加工，当云数据库中存储的最优参数模型处于学习变化过程中时，该最优参数模型作为辅助参数控制智能半导体装备系统进行相同种类产品的加工。其中，最优参数模型中提取出来的最优参数包括加工数据以及环境参数的控制数据等。
当产品进入智能半导体装备未开始工序加工时，智能数据采集模块采集该产品的输入数据并根据云数据库中存储的数据判断该产品的种类，若云数据库中无该种类产品的数据，通过智能半导体装备控制中心设置该产品的加工数据，智能数据采集模块再采集该产品加工过程中N个工序的加工数据以及输出数据，并将上述输入数据、加工数据和输出数据传输至智能数据处理模块中进行处理，处理之后的数据传输至智能算法处理模块中进行存储，并通过神经网络进行自主深度学习形成最优参数模型，存储在云数据库中；若云数据库中有该种类产品的数据，则智能算法处理模块将该产品的最优参数模型中的最优参数发送至智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
实施例2
如图2所示，一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且智能半导体装备能够进行N个工序的加工，还包括智能数据采集模块、智能数据处理模块、智能算法处理模块和智能半导体装备控制中心。
智能数据采集模块包括N个智能数据采集子模块，每个智能数据采集模块采集的产品数据包括输入数据、加工数据和输出数据。在产品输入智能半导体装备还未开始加工的时候，第一工序对应的智能数据采集子模块采集产品的输入数据，并根据云数据库中存储的输入数据判断该产品的种类。每个智能数据采集子模块对应智能半导体设备的一个工序，智能数据采集子模块在每个工序上装有温度、湿度等传感器，采集当时设备上的状态数据数据，形成文本模式。每个工序对应的智能数据采集子模块中均装有机器视觉模块，如摄像头，采集当时工序的输入、输出产品图像，为后面深度学期提供图像分析。机器视觉模块可以根据输入图像和输出图像得出对应产品的状态信息，并根据输入图像对应的状态信息判断输入产品的种类，除了判断输入产品的种类之外，机器视觉模块还可以从输入图像和输出图像中得出该产品的加工形状、颜色变化以及是否有外观缺陷等等相关的状态信息。。在每个工序端的系统中植入独立的人工智能算法模块，同时对工程师的加工数据进行实时采集，存储成文本模式，并完成初步的智能分析。同时智能数据采集模块还可以包括其他的数据采集设备或者传感器，具体安装的采集设备根据整个系统的需求不同而具体安装。
智能数据处理模块包括N个智能数据处理子模块和1个智能数据处理总模块，其中，N个智能数据处理子模块分别和N个智能数据采集子模块连接，智能数据采集子模块将对应工序上的输入数据、加工数据和输出数据传输至对应的智能数据处理子模块中进行处理，并对所需要的产品数据进行提取，再将上述需要进行计算的产品数据进行压缩传输，减少数据传输时间。
智能算法处理模块中包括N个智能算法处理子模块，分别连接上述N个智能数据处理子模块，每个智能算法子模块可以实现智能半导体装备地深度学习。这一功能的实现需要人类使用者提供丰富的半导体制备设备的使用经验，基于深度学习算法，建立模拟人脑进行分析学习的神经网络，其中，神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。神经网络可以模仿人脑的机制来解释数据，例如图像和文本，通过研究工程师的参数数据，各个设备的状态数据，以及通过图像来智能识别各个工序的输出状态好坏的判断，形成自主学习分析数据能力，针对不同的输入产品，自动学习最优的参数设置。目前，通过神经网络形成最优参数模型常用的计算模型为SVM支持向量机、RNN循环神经网络、RBM限制玻尔兹曼机、OBNs深信度网络等。
N个智能算法处理模块的输出端连接智能数据处理总模块，因此，N个智能算法处理模块中通过自主深度学习之后形成的对应工序上的最优参数子模型传输至智能数据处理总模块，智能数据处理总模块将各个工序的最优参数子模型组成一套最优参数模型，并传输至智能半导体装备控制中心。
智能半导体装备控制中心用于控制该智能半导体装备中各个工序的加工数据，其中，加工数据包括加工参数以及加工过程中智能半导体装备的运行状态以及其所处的环境数据，智能半导体装备控制中心可以手动输入各工序的加工数据，也可以用智能算法处理模块发送的最优参数直接定义为智能半导体装备的加工数据。当云数据库中存储的最优参数模型固定不变时，该最优参数模型通过智能半导体装备控制中心控制智能半导体装备系统进行相同种类产品的加工，当云数据库中存储的最优参数模型处于学习变化过程中时，该最优参数模型作为辅助参数控制智能半导体装备系统进行相同种类产品的加工。其中，最优参数模型中提取出来的最优参数包括加工数据以及环境参数的控制数据等。
当产品进入智能半导体装备未开始工序加工时，第一工序对应的智能数据采集子模块采集该产品的输入数据，并根据第一工序对应的智能算法处理模块的云数据库中存储的数据判断该产品的种类，若云数据库中无该种类产品的数据，通过智能半导体装备控制中心设置该产品的加工数据，第一工序对应的智能数据采集子模块再采集该产品在第一工序上的加工数据和输出数据，并且第2-N个工序对应的智能数据采集子模块再分别采集该产品加工过程中在对应工序中的输入数据、加工数据和输出数据，并传输至对应的智能数据处理子模块中进行处理，处理之后的加工数据传输至对应的智能算法处理子模块中进行存储，并通过神经网络进行自主深度学习形成该产品在对应工序上的最优参数子模型，并存储在对应的云数据库中；若云数据库中有该种类产品的数据，则智能算法处理子模块将该产品的最优参数子模型传输至智能数据处理总模块中组合成最优参数模型，并将该最优参数模型中的最优参数发送至智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
其中，在本实施例中，第一工序对应的智能数据采集模块对输入产品进行产品种类检测之后，若第一工序对应的云数据库中无该种类产品的数据，则第2-N个工序中对应的智能数据采集模块可以在该输入产品分别进入对应工序时通过采集到的输入数据进行检测产品种类，也可以省略检测判断步骤，只采集该产品的产品数据进行自主深度学习。该产品的种类在整个加工工序不会发生变化，因此，只在第一工序进行产品种类的检测可以减少整个产品的加工时间，提高生产效率。
以上所述仅为本发明的优选实施例，所述实施例并非用于限制本发明的专利保护范围，因此凡是运用本发明的说明书及附图内容所作的等同结构变化，同理均应包含在本发明所附权利要求的保护范围内。
Claims (12)
1.一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且所述智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其特征在于，还包括：
智能数据采集模块，用于采集产品的产品数据，并检测产品的种类，所述产品数据包括产品的输入数据和加工数据；所述智能数据采集模块采集产品的输入数据，并根据云数据库中存储的输入数据判断该产品的种类；所述加工数据包括加工参数以及加工过程中智能半导体装备的运行状态以及其所处的环境数据；
智能数据处理模块，连接所述智能数据采集模块和智能算法处理模块，用于处理所述智能数据采集模块采集到的产品数据；
智能算法处理模块，包括能够模拟人脑进行分析学习的神经网络和云数据库，所述云数据库中存储不同种类产品的产品数据以及最优参数模型；
智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；
当产品进入所述智能半导体装备未开始工序加工时，所述智能数据采集模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至所述智能数据处理模块中进行处理，处理之后的产品数据传输至所述智能算法处理模块中进行存储，并通过神经网络进行自主深度学习形成最优参数模型，存储在云数据库中；
若云数据库中有该种类产品的产品数据，则所述智能算法处理模块将该产品的最优参数模型中的最优参数发送至所述智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
2.根据权利要求1所述的基于深度学习的智能半导体装备系统，其特征在于，所述产品数据还包括产品的输出数据。
3.根据权利要求2所述的基于深度学习的智能半导体装备系统，其特征在于，所述输入数据和输出数据包括输入图像和输出图像，所述智能数据采集模块包括机器视觉模块，用于采集产品的输入图像和输出图像，并根据输入图像和输出图像得出对应产品的状态信息。
4.根据权利要求1所述的基于深度学习的智能半导体装备系统，其特征在于，所述智能数据处理模块对产品数据进行筛选、按照工序分类和压缩。
5.根据权利要求1所述的基于深度学习的智能半导体装备系统，其特征在于，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。
6.根据权利要求1所述的基于深度学习的智能半导体装备系统，其特征在于，尺寸，厚度和晶向均相同的晶圆为同一种类的产品。
7.一种基于深度学习的智能半导体装备系统，包括智能半导体装备，且所述智能半导体装备能够进行N个工序的加工，N为大于等于1的整数，其特征在于，还包括：
智能数据采集模块，包括N个智能数据采集子模块，分别用于采集N个工序中产品的产品数据，并检测产品的种类，所述产品数据包括产品的输入数据和加工数据；第一工序对应的智能数据采集子模块采集产品的输入数据，并根据云数据库中存储的输入数据判断该产品的种类；所述加工数据包括加工参数以及加工过程中智能半导体装备的运行状态以及其所处的环境数据；
智能数据处理模块，包括N个智能数据处理子模块和1个智能数据处理总模块，所述智能数据处理子模块分别和对应的智能数据采集子模块和智能算法处理子模块连接，用于处理所述智能数据采集子模块采集到的产品数据；
智能算法处理模块，包括N个智能算法处理子模块，所述智能算法处理子模块包含能够模拟人脑进行分析学习的神经网络和云数据库，所述云数据库中存储不同种类产品的产品数据以及最优参数子模型；
智能半导体装备控制中心，用于设置智能半导体装备N个工序的加工数据；
当产品进入所述智能半导体装备未开始工序加工时，所述智能数据采集子模块采集该产品的产品数据并根据云数据库中存储的产品数据判断该产品的种类，若云数据库中无该种类产品的产品数据，通过智能半导体装备控制中心设置该产品的加工数据，再由智能数据采集子模块采集该产品加工过程中N个工序的产品数据，并将上述产品数据传输至对应的所述智能数据处理子模块中进行处理，处理之后的产品数据传输至对应的所述智能算法处理子模块中进行存储，并通过神经网络进行自主深度学习形成该产品在对应工序上的最优参数子模型，并存储在对应的云数据库中；
若云数据库中有该种类产品的产品数据，则所述智能算法处理子模块将该产品的最优参数子模型传输至智能数据处理总模块中组合成最优参数模型，并将该最优参数模型中的最优参数发送至所述智能半导体装备控制中心，通过智能半导体装备控制中心设置智能半导体装备N个工序的加工数据。
8.根据权利要求7所述的基于深度学习的智能半导体装备系统，其特征在于，所述产品数据还包括产品的输出数据。
9.根据权利要求8所述的基于深度学习的智能半导体装备系统，其特征在于，所述输入数据和输出数据包括输入图像和输出图像，所述智能数据采集模块包括机器视觉模块，用于采集产品的输入图像和输出图像，并根据输入图像和输出图像得出对应产品的状态信息。
10.根据权利要求7所述的基于深度学习的智能半导体装备系统，其特征在于，所述智能数据处理子模块对产品数据进行筛选和压缩。
11.根据权利要求7所述的基于深度学习的智能半导体装备系统，其特征在于，所述神经网络采用代码或者具有深度学习算法功能的芯片来实现自主深度学习算法的功能。
12.根据权利要求7所述的基于深度学习的智能半导体装备系统，其特征在于，尺寸，厚度和晶向均相同的晶圆为同一种类的产品。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710425032.XA CN107369635B (zh) | 2017-06-06 | 2017-06-06 | 一种基于深度学习的智能半导体装备系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710425032.XA CN107369635B (zh) | 2017-06-06 | 2017-06-06 | 一种基于深度学习的智能半导体装备系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107369635A CN107369635A (zh) | 2017-11-21 |
| CN107369635B true CN107369635B (zh) | 2020-06-09 |
Family
ID=60304814
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710425032.XA Active CN107369635B (zh) | 2017-06-06 | 2017-06-06 | 一种基于深度学习的智能半导体装备系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107369635B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI845444B (zh) * | 2018-04-03 | 2024-06-11 | 美商應用材料股份有限公司 | 針對墊子厚度使用機器學習及補償的拋光裝置、拋光系統、方法及電腦儲存媒體 |
| US11120333B2 (en) | 2018-04-30 | 2021-09-14 | International Business Machines Corporation | Optimization of model generation in deep learning neural networks using smarter gradient descent calibration |
| EP3974906A1 (en) * | 2018-11-07 | 2022-03-30 | ASML Netherlands B.V. | Determining a correction to a process |
| CN109338325B (zh) * | 2018-11-19 | 2021-06-18 | 立讯电子科技（昆山）有限公司 | 一种镀膜设备的控制方法及系统，镀膜设备及存储介质 |
| JP7059990B2 (ja) * | 2019-08-27 | 2022-04-26 | Ｊｆｅスチール株式会社 | 形状予測モデルの生成方法、圧延形状予測方法、金属板の圧延方法、金属板の製造方法、及び金属板の圧延設備 |
| CN117900999A (zh) | 2020-06-24 | 2024-04-19 | 应用材料公司 | 使用研磨垫磨损补偿的基板层厚度确定 |
| CN112016676B (zh) * | 2020-08-18 | 2021-07-02 | 武汉大学 | 一种神经网络模型预测的半导体薄膜工艺参数优化系统 |
| WO2022185380A1 (ja) * | 2021-03-01 | 2022-09-09 | 株式会社日立ハイテク | 実験ポイント推薦装置、実験ポイント推薦方法及び半導体装置製造システム |
| CN114326620B (zh) * | 2021-12-25 | 2022-09-27 | 北京国控天成科技有限公司 | 一种全流程自动控制方法、装置及电子设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6792373B2 (en) * | 2001-05-24 | 2004-09-14 | Test Advantage, Inc. | Methods and apparatus for semiconductor testing |
| CN103050421A (zh) * | 2011-10-17 | 2013-04-17 | 中芯国际集成电路制造(上海)有限公司 | 刻蚀控制方法 |
| CN105225979A (zh) * | 2014-06-19 | 2016-01-06 | 中芯国际集成电路制造(上海)有限公司 | 一种半导体器件制程预测系统和方法 |
| TWI571908B (zh) * | 2014-08-15 | 2017-02-21 | 力晶科技股份有限公司 | 製程控制方法與製程控制系統 |
-
2017
- 2017-06-06 CN CN201710425032.XA patent/CN107369635B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107369635A (zh) | 2017-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107369635B (zh) | 一种基于深度学习的智能半导体装备系统 | |
| CN108890652B (zh) | 一种变电站巡检机器人及变电站设备巡检方法 | |
| CN111046948B (zh) | 点云仿真和深度学习的工件位姿识别及机器人上料方法 | |
| JP2019087181A (ja) | 画像検査装置および方法 | |
| CN110909762B (zh) | 基于多传感器融合的机器人姿态识别方法及装置 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| CN108672316A (zh) | 一种基于卷积神经网络的微小零件质量检测系统 | |
| CN110136101A (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
| CN109754089A (zh) | 一种模型训练系统及方法 | |
| CN203196911U (zh) | 一种基于工业ccd的视觉识别分拣系统 | |
| CN116563293B (zh) | 一种基于机器视觉的光伏载具生产质量检测方法及系统 | |
| CN112017172A (zh) | 一种基于树莓派的深度学习产品缺陷检测系统及方法 | |
| WO2022142426A1 (zh) | 基于深度学习的集成电路测试异常分析系统及其方法 | |
| CN107481244A (zh) | 一种工业机器人视觉语义分割数据库制作方法 | |
| CN112016462A (zh) | 一种基于深度学习模型的回收瓶分类方法 | |
| CN110827355B (zh) | 一种基于视频图像坐标的移动目标快速定位方法及系统 | |
| CN113705445A (zh) | 一种基于事件相机的人体姿态识别的方法及设备 | |
| CN104952754A (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
| CN103544473B (zh) | 一种基于机器视觉的电子连接器检测方法 | |
| CN113012228B (zh) | 一种工件定位系统及基于深度学习的工件定位方法 | |
| CN114863311A (zh) | 一种变电站机器人巡检目标自动跟踪方法及系统 | |
| CN113681552A (zh) | 一种基于级联神经网络的机器人混杂物体五维抓取方法 | |
| Gao et al. | Electronic components detection for PCBA based on a tailored YOLOv3 network with image pre-processing | |
| CN116645111A (zh) | 一种三元锂方形电池电池码缺失检测筛出的方法和系统 | |
| Li et al. | Robot vision model based on multi-neural network fusion |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |