CN110516807B - 半导体产品良品率极值计算方法及其极值计算系统 - Google Patents

半导体产品良品率极值计算方法及其极值计算系统 Download PDF

Info

Publication number
CN110516807B
CN110516807B CN201910808747.2A CN201910808747A CN110516807B CN 110516807 B CN110516807 B CN 110516807B CN 201910808747 A CN201910808747 A CN 201910808747A CN 110516807 B CN110516807 B CN 110516807B
Authority
CN
China
Prior art keywords
semiconductor product
yield
calculating
semiconductor
extremum
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
Application number
CN201910808747.2A
Other languages
English (en)
Other versions
CN110516807A (zh
Inventor
陆晶晶
俞微
陈旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Original Assignee
Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Huali Integrated Circuit Manufacturing Co Ltd filed Critical Shanghai Huali Integrated Circuit Manufacturing Co Ltd
Priority to CN201910808747.2A priority Critical patent/CN110516807B/zh
Publication of CN110516807A publication Critical patent/CN110516807A/zh
Application granted granted Critical
Publication of CN110516807B publication Critical patent/CN110516807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于遗传算法实现的半导体产品良品率极值计算方法，包括对半导体产品生产过程中的所有生产机台编号；定义半导体产品计算个体；每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；根据生产机台编号对所有半导体产品计算个体的过货路径编码；通过指定的适应度函数计算每个半导体产品计算个体的适应度；赋值选择算子、交叉算子和变异算子；建立遗传算法模型；将计算周期内，半导体产品计算个体过货路径编码、各机台数据和适应度作为输入值带入遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。本发明还公开了一种基于遗传算法实现的半导体产品良品率极值计算系统。

Description

半导体产品良品率极值计算方法及其极值计算系统
技术领域
本发明涉及一种半导体生产领域，特别是涉及一种基于遗传算法实现的半导体产品良品率极值计算方法。本发明还涉及一种基于遗传算法实现的半导体产品良品率极值计算系统。
背景技术
对于成熟的半导体工艺制程，产品质量(CP良品率/FT产品终测)主要取决于工艺机台的性能表现以及其过货路径。通常评估机台好坏的方法是分析上述某一类型的数据，通过共通性以及工程师的经验来判定机台表现的好坏差异。例如：过货某一机台的lot(25片硅片)的CP相对其他机台明显偏低，则认为该机台性能表现较差，对该机台进行标注(highlight)，调配工程师进行应对微调处理解事件，从而使产品质量稳定，并不能得出一个最优路径(golden path)，且上述所有评估以及处理动作都是基于工程师具备一定处理事件(case)的能力，存在一定的主观性以及片面性。同时，对于一个产品而言，工程师所做的是通过各种方法提高良率，但截止目前并没有任何方法可以预估其良率上限是多少。
发明内容
本发明要解决的技术问题是提供一种基于遗传算法实现的半导体产品良品率极值计算方法。
本发明要解决的另一技术问题是提供一种基于遗传算法实现的半导体产品良品率极值计算系统。
为解决上述技术问题，本发明提供基于遗传算法实现的半导体产品良品率极值计算方法，包括以下步骤：
S1，对半导体产品生产过程中的所有生产机台编号；
S2，定义半导体产品计算个体；
每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
将问题的候选解用染色体表示，实现解空间向编码空间的映射过程。遗传算法不直接处理解空间的决策变量，而是将其转换成由基因按一定结构组成的染色体。编码方式有很多，如二进制编码、实数向量编码、整数排列编码、通用数据结构编码等等。本文将采用二进制编码的方式，将十进制的变量转换成二进制，用0和1组成的数字串模拟染色体，可以很方便地实现基因交叉、变异等操作。
S3，根据生产机台编号对所有半导体产品计算个体的过货路径编码；
产生代表问题可能潜在解集的一个初始群体(编码集合)。种群规模设定主要有以下方面的考虑：从群体多样性方面考虑，群体越大越好，避免陷入局部最优；从计算效率方面考虑，群体规模越大将导致计算量的增加。应该根据实际问题确定种群的规模，在二进制编码的前提下，若个体长度为L，则种群规模的最优值为2*(L/2)。
S4，通过指定的适应度函数计算每个半导体产品计算个体的适应度；
利用适应度函数计算各个半导体产品计算个体的适应度大小。适应度函数(Fitness Function)的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个半导体产品计算个体的适应程度来指导搜索。
S5，赋值选择算子；
S6，赋值交叉算子；
S7，赋值变异算子；
通过选择、交叉、变异，产生出代表新的解集的群体。选择(selection)：根据个体适应度大小，按照优胜劣汰的原则，淘汰不合理的个体；交叉(crossover)：编码的交叉重组，类似于染色体的交叉重组；变异(mutation)：编码按小概率扰动产生的变化，类似于基因突变。
S8，建立遗传算法模型；
S9，将计算周期内，每个工艺步骤每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码和适应度作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
计算周期内的N个体形成种群(N根据实际产量决定，N是大于的自然数)，末代种群中的最优个体经过解码实现从编码空间向解空间的映射，可以作为问题的近似最优解。这是整个遗传算法的最后一步，经过若干次的进化过程，种群中适应度最高的个体代表问题的最优解。
可选择的，进一步改进所述的半导体产品良品率计算方法，还包括步骤：
S10，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S3时，将半导体产品计算个体的过货路径通过二进制编码表示。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S5时，通过下述公式赋值选择算子；
Figure BDA0002184447400000031
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S6时，赋值交叉算子是0.5-0.95。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S7时，赋值交叉算子变异算子小于0.01。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S9时，进化的预设次数大于等于500次。
可选择的，进一步改进所述的半导体产品良品率计算方法，实施步骤S9时，每个工艺步骤每个机台编号赋值范围是0-32，每个机台编号转换为5位数的二进制编码。
本发明提供一种基于遗传算法实现的半导体产品良品率计算系统，包括：
定义模块，其适用于对半导体产品生产过程中的所有生产机台编号，还适用于定义半导体产品计算个体；
其中，每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
编码模块，其适用于根据生产机台编号对所有半导体产品计算个体的过货路径编码；
适应度计算模块，其适用于通过指定的适应度函数计算每个半导体产品计算个体的适应度；
进化模块，其适用于赋值选择算子、交叉算子和变异算子；
算法模块，其适用于建立遗传算法模型；
计算模块，其适用于在计算周期内，每个工艺步骤每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码和适应度(等于半导体产品计算个体的良品率,良品率越高,适应度越大)作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，计算模块，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，编码模块，将半导体产品计算个体的过货路径通过二进制编码表示。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，进化模块，通过下述公式赋值选择算子；
Figure BDA0002184447400000041
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，进化模块，赋值交叉算子是0.5-0.95。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，进化模块，赋值交叉算子变异算子小于0.01。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，计算模块，进化的预设次数大于等于500次。
可选择的，进一步改进所述的半导体产品良品率极值计算系统，计算模块，对每个工艺步骤的每个机台编号赋值范围是0-32，每个机台编号转换为5位数的二进制编码。
遗传算法(GA)是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术。它模拟达尔文的自然进化论与蒙代尔的遗传变异理论，具有坚实的生物学基础；它提供从智能生成过程观点对生物智能的模拟，具有鲜明的认知学意义；它适合于无表达或有表达的任何类函数，具有可实现的并行计算行为；它能解决任何类实际问题，具有广泛的应用价值。遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个体实际上是染色体带有特征的尸体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，他决定了个体的形状的外部表现，如黑头发的特征是有染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，一般会进行简化，如二进制编码。初代种群产生之后，按照适者生存的优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小挑选个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。(参考文献：王小平著《遗传算法理论、应用与软件实现》；张文修梁怡著《遗传算法的数学基础》)
本发明通过建立FAB实际生产数据相结合的遗传算法模型，将产品过货模拟生物进化形式，可计算获得该段区间(监测周期)内该半导体产品过货的最优路径(goldenpath)，且可以预测该半导体产品基于现在的机况的良率上限，为线上机台管控及优化提供参考，从而不断提高产品良率，保持产品质量稳定，同时可大大减少人力付出
附图说明
下面结合附图与具体实施方式对本发明作进一步详细的说明：
图1是遗传算法模型示意图。
图2是本发明具体实施例的效果示意图，其显示通过本发明对某FAB的某产品数据执行1000次进化计算获得产量。
具体实施方式
以下通过特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所公开的内容充分地了解本发明的其他优点与技术效果。本发明还可以通过不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点加以应用，在没有背离发明总的设计思路下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
参考图1所示，本发明提供基于遗传算法实现的半导体产品良品率极值计算方法第一实施例，包括以下步骤：
S1，对半导体产品生产过程中的所有生产机台编号；
S2，定义半导体产品计算个体；
每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
S3，根据生产机台编号对所有半导体产品计算个体的过货路径编码；
S4，通过指定的适应度函数计算每个半导体产品计算个体的适应度；
S5，赋值选择算子；
S6，赋值交叉算子；
S7，赋值变异算子；
S8，建立遗传算法模型；
S9，将计算周期内，每个工艺步骤每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码(备注:若有300步,则编码长度为5*300的二进制字符串)和适应度(适应度是已出货产品的良品率测试结果,是已知的参数)作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
可选择的，增加步骤S10，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
参考图2所示，将本发明上述第一实施例，用于某FAB的某产品，3个工作日作为监测周期，以25片(硅片)作为一个半导体产品计算个体，计算该产品所有机台的最优路径和良率上限(收敛良率)。
对该产品生产过程中的所有生产机台编号；
将所有半导体产品计算个体过货路径转换为二进制编码；
通过适应度函数计算每个半导体产品计算个体对应的适应度(CP值)
选择算子计算，选择算子：即是在一个种群中选择一个体，它是随机映射；
Figure BDA0002184447400000071
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
交叉算子，是母体空间到个体空间的映射；交叉算子：0.5-0.95
变异算子，是个体空间到个体空间的映射；变异算子：小于0.01
遗传算法模型建立完成后程序化；
输入：选取特定时间段内的该产品过货路径、各机台数据以及适应度数据作为输入值；进行1000次进化。
输出最优个体/种群的过货路径(即golden path)作为最优路径，输出最优个体/种群的良品率作为收敛良率(良率上限)。
本发明提供基于遗传算法实现的半导体产品良品率极值计算方法第二实施例，包括以下步骤：
S1，对半导体产品生产过程中的所有生产机台编号；
S2，定义半导体产品计算个体；
每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
S3，根据生产机台编号对所有半导体产品计算个体的过货路径通过二进制编码表示；
S4，通过指定的适应度函数计算每个半导体产品计算个体的适应度；
S5，赋值选择算子；通过下述公式赋值选择算子；
Figure BDA0002184447400000072
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值；
S6，赋值交叉算子是0.5-0.95；
S7，赋值交叉算子变异算子小于0.01；
S8，建立遗传算法模型；
S9，将计算周期内，每个工艺步骤每个机台编号转换为预设位数(例如5位数)的二进制编码,赋予半导体产品计算个体完整过货路径编码(备注:若有300步,则编码长度为5*300的二进制字符串)和适应度(适应度是已出货产品的良品率测试结果,是已知的参数)作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
S10，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
本发明提供一种基于遗传算法实现的半导体产品良品率极值计算系统第一实施例，包括：
定义模块，其适用于对半导体产品生产过程中的所有生产机台编号，还适用于定义半导体产品计算个体；
其中，每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
编码模块，其适用于根据生产机台编号对所有半导体产品计算个体的过货路径编码；
适应度计算模块，其适用于通过指定的适应度函数计算每个半导体产品计算个体的适应度；
进化模块，其适用于赋值选择算子、交叉算子和变异算子；
算法模块，其适用于建立遗传算法模型；
计算模块，其适用于在计算周期内，每个工艺步骤每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码(备注:若有300步,则编码长度为5*300的二进制字符串)和适应度(适应度是已出货产品的良品率测试结果,是已知的参数)作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
本发明提供一种基于遗传算法实现的半导体产品良品率极值计算系统第二实施例，包括：
定义模块，其适用于对半导体产品生产过程中的所有生产机台编号，还适用于定义半导体产品计算个体；
其中，每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
编码模块，其适用于根据生产机台编号对所有半导体产品计算个体的过货路径通过二进制编码表示；
适应度计算模块，其适用于通过指定的适应度函数计算每个半导体产品计算个体的适应度；
进化模块，其适用于赋值选择算子、交叉算子和变异算子；
通过下述公式赋值选择算子；
Figure BDA0002184447400000091
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
赋值交叉算子是0.5-0.95；
赋值交叉算子变异算子小于0.01；
算法模块，其适用于建立遗传算法模型；
计算模块，其适用于在计算周期内，每个工艺步骤每个机台编号转换为预设位数(例如，5位数)的二进制编码,赋予半导体产品计算个体完整过货路径编码(备注:若有300步,则编码长度为5*300的二进制字符串)和适应度(适应度是已出货产品的良品率测试结果,是已知的)作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
以上通过具体实施方式和实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。

Claims (16)

1.一种半导体产品良品率极值计算方法，基于遗传算法实现，其特征在于，包括以下步骤：
S1，对半导体产品生产过程中的所有生产机台编号；
S2，定义半导体产品计算个体；
每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
S3，根据生产机台编号对所有半导体产品计算个体的过货路径编码；
S4，通过指定的适应度函数计算每个半导体产品计算个体的适应度；
S5，赋值选择算子；
S6，赋值交叉算子；
S7，赋值变异算子；
S8，建立遗传算法模型；
S9，将计算周期内，每个工艺步骤、每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码和适应度作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
2.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于，还包括步骤：
S10，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
3.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S3时，将半导体产品计算个体的过货路径通过二进制编码表示。
4.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S5时，通过下述公式赋值选择算子；
Figure FDA0004128139180000011
P为选择算子,f(x)为选择函数,Xi表示不同的半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
5.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S6时，赋值交叉算子是0.5-0.95。
6.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S7时，赋值交叉算子变异算子小于0.01。
7.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S9时，进化的预设次数大于等于500次。
8.如权利要求1所述的半导体产品良品率极值计算方法，其特征在于：实施步骤S9时，每个工艺步骤每个机台编号赋值范围是0-32，每个机台编号转换为5位数的二进制编码。
9.一种半导体产品良品率极值计算系统，基于遗传算法实现，其特征在于，包括：
定义模块，其适用于对半导体产品生产过程中的所有生产机台编号，还适用于定义半导体产品计算个体；
其中，每个半导体产品计算个体包括：多个生产工艺相同且过货路径相同的半导体产品；过货路径是半导体生产过程中，该半导体产品经过所有生产机台所形成的路径；
编码模块，其适用于根据生产机台编号对所有半导体产品计算个体的过货路径编码；
适应度计算模块，其适用于通过指定的适应度函数计算每个半导体产品计算个体的适应度；
进化模块，其适用于赋值选择算子、交叉算子和变异算子；
算法模块，其适用于建立遗传算法模型；
计算模块，其适用于在计算周期内，每个工艺步骤、每个机台编号转换为预设位数的二进制编码,赋予半导体产品计算个体完整过货路径编码和适应度作为输入值带入步骤S8的遗传算法模型执行预设次数进化，将适应度最高的半导体产品计算个体良品率作为良品率上限。
10.如权利要求9所述的半导体产品良品率极值计算系统，其特征在于：
计算模块，将适应度最高的半导体产品计算个体过货路径作为生产最优路径。
11.如权利要求9所述的半导体产品良品率极值计算系统，其特征在于：
编码模块，将半导体产品计算个体的过货路径通过二进制编码表示。
12.如权利要求9所述的半导体产品良品率极值计算系统，其特征在于：
进化模块，通过下述公式赋值选择算子；
Figure FDA0004128139180000031
P为选择算子,f(x)为选择函数,Xi表示不同的每个半导体产品计算个体,i是半导体产品计算个体编号，i是大于1的自然数，CP为每个计算个体的良品率的值。
13.如权利要求12所述的半导体产品良品率极值计算系统，其特征在于：
进化模块，赋值交叉算子是0.5-0.95。
14.如权利要求13所述的半导体产品良品率极值计算系统，其特征在于：
进化模块，赋值交叉算子变异算子小于0.01。
15.如权利要求9所述的半导体产品良品率极值计算系统，其特征在于：
计算模块，进化的预设次数大于等于500次。
16.如权利要求9所述的半导体产品良品率极值计算系统，其特征在于：计算模块，对每个工艺步骤的每个机台编号赋值范围是0-32，每个机台编号转换为5位数的二进制编码。
CN201910808747.2A 2019-08-29 2019-08-29 半导体产品良品率极值计算方法及其极值计算系统 Active CN110516807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910808747.2A CN110516807B (zh) 2019-08-29 2019-08-29 半导体产品良品率极值计算方法及其极值计算系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910808747.2A CN110516807B (zh) 2019-08-29 2019-08-29 半导体产品良品率极值计算方法及其极值计算系统

Publications (2)

Publication Number Publication Date
CN110516807A CN110516807A (zh) 2019-11-29
CN110516807B true CN110516807B (zh) 2023-06-16

Family

ID=68628173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910808747.2A Active CN110516807B (zh) 2019-08-29 2019-08-29 半导体产品良品率极值计算方法及其极值计算系统

Country Status (1)

Country Link
CN (1) CN110516807B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111144569A (zh) * 2019-12-25 2020-05-12 上海华力集成电路制造有限公司 一种基于遗传算法的良率提升适用模型的优化方法
CN112904821A (zh) * 2021-01-28 2021-06-04 上海华力微电子有限公司 一种基于遗传算法模型的数据分析方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000040106A (ja) * 1998-07-22 2000-02-08 Zexel Corp 生産システムの工程編成方法及び生産システムの工程編成装置並びに生産システムの工程編成プログラムを記録した記録媒体
CN107545101A (zh) * 2017-08-03 2018-01-05 西南交通大学 一种设计目标与设计变量均为区间的优化设计方法
CN109176009A (zh) * 2018-11-06 2019-01-11 重庆大学 精密圆理减速器智能装配系统
CN109472105B (zh) * 2018-11-22 2023-09-19 上海华力微电子有限公司 半导体产品良率上限分析方法

Also Published As

Publication number Publication date
CN110516807A (zh) 2019-11-29

Similar Documents

Publication Publication Date Title
Vikhar Evolutionary algorithms: A critical review and its future prospects
Chen et al. An adaptive resource allocation strategy for objective space partition-based multiobjective optimization
CN109784603B (zh) 一种基于混合鲸鱼群算法求解柔性作业车间调度的方法
Gan et al. A hybrid algorithm to optimize RBF network architecture and parameters for nonlinear time series prediction
CN110516807B (zh) 半导体产品良品率极值计算方法及其极值计算系统
Yadav et al. An overview of genetic algorithm and modeling
CN112700060A (zh) 站所终端负荷预测方法和预测装置
CN112381343A (zh) 一种基于遗传-骨干粒子群混合算法的柔性作业车间调度方法
Cai et al. A hybrid of decomposition and domination based evolutionary algorithm for multi-objective software next release problem
CN105512755A (zh) 一种基于分解的多目标分布估计优化方法
CN104732067A (zh) 一种面向流程对象的工业过程建模预测方法
Al-Salami Evolutionary algorithm definition
CN110135707B (zh) 一种服装缝制流水线优化方法
Zhou et al. Evolutionary computation on multicriteria production process planning problem
Damia et al. Adaptive genetic algorithm based on mutation and crossover and selection probabilities
CN106611213A (zh) 一种求解作业车间调度问题的混合粒子群算法
CN111144569A (zh) 一种基于遗传算法的良率提升适用模型的优化方法
CN106503793A (zh) 一种基于改进差分算法的神经网络短期风速预测方法
CN113141272B (zh) 基于迭代优化rbf神经网络的网络安全态势分析方法
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法
Al Kattan et al. Performance analysis of flowshop scheduling using genetic algorithm enhanced with simulation
CN103974388B (zh) 一种无线传感器网络数据融合方法及装置
Choudhary et al. Part selection and operation-machine assignment in a flexible manufacturing system environment: a genetic algorithm with chromosome differentiation-based methodology
Nie et al. Hyper heuristic method based on improved GEP for scheduling problems in shop floor
Rodríguez León et al. Performance comparison between a classic particle swarm optimization and a genetic algorithm in manufacturing cell design

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