CN110825032A - 一种基于机器学习的离子束刻蚀速率优化匹配方法 - Google Patents

一种基于机器学习的离子束刻蚀速率优化匹配方法 Download PDF

Info

Publication number
CN110825032A
CN110825032A CN201911127647.XA CN201911127647A CN110825032A CN 110825032 A CN110825032 A CN 110825032A CN 201911127647 A CN201911127647 A CN 201911127647A CN 110825032 A CN110825032 A CN 110825032A
Authority
CN
China
Prior art keywords
ion beam
beam etching
process parameter
etching rate
prediction model
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.)
Granted
Application number
CN201911127647.XA
Other languages
English (en)
Other versions
CN110825032B (zh
Inventor
景晓军
黄海
杨威
刁克明
吴胜
任国庆
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201911127647.XA priority Critical patent/CN110825032B/zh
Publication of CN110825032A publication Critical patent/CN110825032A/zh
Application granted granted Critical
Publication of CN110825032B publication Critical patent/CN110825032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01J—ELECTRIC DISCHARGE TUBES OR DISCHARGE LAMPS
    • H01J37/00—Discharge tubes with provision for introducing objects or material to be exposed to the discharge, e.g. for the purpose of examination or processing thereof
    • H01J37/30—Electron-beam or ion-beam tubes for localised treatment of objects
    • H01J37/305—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating, or etching
    • H01J37/3053—Electron-beam or ion-beam tubes for localised treatment of objects for casting, melting, evaporating, or etching for evaporating or etching
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Analytical Chemistry (AREA)
  • Mathematical Physics (AREA)
  • Plasma & Fusion (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Drying Of Semiconductors (AREA)

Abstract

本发明实施例提供了一种离子束刻蚀加工的工艺参数确定方法、装置及电子设备，方法包括：从预先设置的工艺参数数据集中获取工艺参数组；将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率；将所述离子束刻蚀速率中大于所述预设离子束刻蚀速率的离子束刻蚀速率去除；确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。应用本发明实施例，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。

Description

一种基于机器学习的离子束刻蚀速率优化匹配方法
技术领域
本发明涉及离子束刻蚀加工技术领域，特别是涉及一种基于机器学习的离子束刻蚀速率优化匹配方法。
背景技术
离子束刻蚀加工技术作为一种新型的物理刻蚀技术，具有刻蚀速率可控性好、刻蚀材料广泛、方向性好以及图形分辨率高等优点，已经广泛应用于现代微电子器件的加工制造和研究中。
在离子束刻蚀加工中，加工设备可以通过高能量的离子轰击工件上的待刻蚀区域，工件上待刻蚀区域的原子被轰击后，可以获得动能逸出，从而达到刻蚀目的。其中，加工设备在单位时间内去除材料的厚度即为离子束刻蚀速率。
在目前的离子束刻蚀加工过程中，为了保证离子束刻蚀加工质量，离子束刻蚀速率一般较低，这会降低离子束刻蚀加工效率。离子束刻蚀加工的工艺参数可以影响离子束刻蚀速率，为了在保证离子束刻蚀加工质量的前提下确定最大的离子束刻蚀速率对应的最佳的工艺参数，提高离子束刻蚀设备的加工效率，工作人员可以人工调整离子束刻蚀加工的工艺参数，然后判断调整工艺参数后的离子束刻蚀速率是否提高。
由于影响离子束刻蚀速率的工艺参数存在多种，工作人员根据以上方法进行操作时，工作效率低下，难以在保证离子束刻蚀加工质量的前提下确定最佳工艺参数。
发明内容
本发明实施例的目的在于提供一种离子束刻蚀加工的工艺参数确定方法、装置及电子设备，以方便确定较高的离子束刻蚀速率对应的工艺参数。具体技术方案如下：
第一方面，本发明实施例提供了一种离子束刻蚀加工的工艺参数确定方法，所述方法包括：
从预先设置的工艺参数数据集中获取工艺参数组；
将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率，其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系；
将所述离子束刻蚀速率中大于所述预设离子束刻蚀速率的离子束刻蚀速率去除；
确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
可选的，所述工艺参数数据集包括多种工艺参数的参数集合，所述工艺参数组包括多种工艺参数；
所述从预先设置的工艺参数数据集中获取工艺参数组的步骤，包括：
基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；
对所述抽样工艺参数进行组合，得到所述工艺参数组。
可选的，所述离子束刻蚀速率预测模型的训练方式，包括：
获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
可选的，所述工艺参数至少包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
第二方面，本发明实施例提供了一种离子束刻蚀加工的工艺参数确定装置，所述装置包括：
工艺参数组获取模块，用于从预先设置的工艺参数数据集中获取工艺参数组；
刻蚀速率确定模块，用于将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率，其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系，所述离子束刻蚀速率预测模型为模型训练模块基于工艺参数组样本及其标定标签预先训练完成的；
目标工艺参数确定模块，用于确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
可选的，所述工艺参数数据集包括多种工艺参数的参数集合，所述工艺参数组包括多种工艺参数；
所述工艺参数获取模块包括：
采样子模块，用于基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；
组合子模块，用于对所述抽样工艺参数进行组合，得到所述工艺参数组。
可选的，所述模型训练模块包括：
样本获取子模块，用于获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
标定标签确定子模块，用于确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
预测标签确定子模块，用于将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
参数调整子模块，用于基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
可选的，所述工艺参数至少包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
第三方面，本发明实施例提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述任一项所述的离子束刻蚀加工的工艺参数确定方法步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的离子束刻蚀加工的工艺参数确定方法步骤。
本发明实施例提供的方案中，电子设备可以从预先设置的工艺参数数据集中获取工艺参数组，然后将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率，进而将离子束刻蚀速率中大于预设离子束刻蚀速率的离子束刻蚀速率去除，便可以确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，电子设备可以通过离子束刻蚀速率预测模型确定工艺参数组对应的离子束刻蚀速率，进而确定目标工艺参数，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的一种离子束刻蚀加工的工艺参数确定方法的流程图；
图2为基于图1所示实施例的离子束刻蚀速率预测模型的训练方式的具体流程图；
图3为本发明实施例所提供的一种离子束刻蚀加工的工艺参数确定装置的结构示意图；
图4为本发明实施例所提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了提高离子束刻蚀加工效率，确定最佳的工艺参数，本发明实施例提供了一种离子束刻蚀加工的工艺参数确定方法、装置、电子设备及计算机可读存储介质。
下面首先对本发明实施例所提供的一种离子束刻蚀加工的工艺参数确定方法进行介绍。其中，在本发明实施例所提供的离子束刻蚀加工的工艺参数确定方法中，工艺参数是基于速率预测模型，通过最大的离子刻蚀速率与工艺参数组进行匹配确定的，也就是说，所述离子束刻蚀加工的工艺参数确定方法就是一种基于机器学习的离子束刻蚀速率优化匹配方法。
本发明实施例所提供的一种离子束刻蚀加工的工艺参数确定方法可以应用于任意需要确定离子束刻蚀加工的工艺参数的电子设备，例如，可以为电脑、处理器等，在此不做具体限定。为了描述方便，后续简称电子设备。
如图1所示，一种离子束刻蚀加工的工艺参数确定方法，所述方法可以包括：
S101，从预先设置的工艺参数数据集中获取工艺参数组；
S102，将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率；
其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系。
S103，将所述离子束刻蚀速率中大于所述预设离子束刻蚀速率的离子束刻蚀速率去除；
S104，确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
可见，本发明实施例所提供的方案中，电子设备可以从预先设置的工艺参数数据集中获取工艺参数组，然后将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率，进而将离子束刻蚀速率中大于预设离子束刻蚀速率的离子束刻蚀速率去除，便可以确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，电子设备可以通过离子束刻蚀速率预测模型确定工艺参数组对应的离子束刻蚀速率，进而确定目标工艺参数，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。
在上述步骤S101中，电子设备可以从预先设置的工艺参数数据集中获取工艺参数组。其中，上述工艺参数数据集中预先存储有包括离子束刻蚀加工中的工艺参数的工艺参数组。
其中，上述离子束刻蚀加工中的工艺参数可以包括离子束入射能量、离子束流密度、射频功率、工作气体流量等。
在一种实施方式中，电子设备可以分别计算离子束刻蚀加工中各种工艺参数与离子束刻蚀速率之间的皮尔逊相关系数，然后可以通过预设的相关系数阈值或者根据每种工艺参数对应的皮尔逊相关系数大小进行排序，从上述各种工艺参数中确定与离子束刻蚀速率相关性较强的工艺参数，进而电子设备可以根据上述相关性较强的工艺参数，设置工艺参数数据集。
在另一种实施方式中，电子设备可以根据上述工艺参数的取值范围，对工艺参数进行采样，然后对采样获得的工艺参数进行组合，得到多个工艺参数组，作为工艺参数数据集。
在获取上述工艺参数组后，为了确定离子束刻蚀设备根据每个工艺参数组包括的工艺参数进行加工时的离子束刻蚀速率，电子设备可以执行上述步骤S102，将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率。
在一种实施方式中，电子设备可以将工艺参数组输入随机森林回归模型，随机森林回归模型可以根据工艺参数组包括的工艺参数，确定工艺参数组对应的离子束刻蚀速率。
离子束刻蚀加工过程中，当离子束刻蚀速率过大时，离子束刻蚀加工的质量很难保证。为了保证离子束刻蚀加工的质量，电子设备在获取的上述每个工艺参数组对应的离子束刻蚀速率后，可以执行上述步骤S103，将离子束刻蚀速率中大于预设离子束刻蚀速率的离子束刻蚀速率去除。
其中，上述预设离子束刻蚀速率为保证离子束刻蚀加工质量的前提下最高的离子束刻蚀速率，可以根据加工精度要求等因素进行设定。
当离子束刻蚀速率大于上述预设离子束刻蚀速率时，说明离子束刻蚀设备根据该离子束刻蚀速率对应的工艺参数进行加工时，得到的产品质量很可能不合格，那么，离子束刻蚀设备便无需根据该离子束刻蚀速率对应的工艺参数进行加工。这样，电子设备便可以将该离子束刻蚀速率去除。
去除大于预设离子束刻蚀速率的离子束刻蚀速率后，电子设备便可以执行上述步骤S104，确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
当工艺参数组对应的离子束刻蚀速率最大时，离子束刻蚀设备根据该工艺参数组包括的工艺参数进行加工所耗费的时间是最短的，也就是说，离子束刻蚀设备根据该工艺参数组包括的工艺参数进行加工时的效率最高。那么，电子设备获得每个工艺参数组对应的离子束刻蚀速率后，便可以执行上述步骤S104，确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，可以提高离子束刻蚀设备的加工效率。
作为本发明实施例的一种实施方式，上述工艺参数数据集可以包括多种工艺参数的参数集合，上述工艺参数组可以包括多种工艺参数。
影响离子束刻蚀速率的工艺参数存在多种，并且每种工艺参数都存在对应的取值范围，也就是参数集合，因此，上述工艺参数数据集可以包括多种工艺参数的参数集合，上述工艺参数组可以包括多种工艺参数。
上述从预先设置的工艺参数数据集中获取工艺参数组的步骤，可以包括：
基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；对每种所述抽样工艺参数进行组合，得到所述工艺参数组。
上述预设采样间隔可以根据工艺参数的取值范围、工艺参数的种类等因素进行设定。电子设备可以根据预设采样间隔，对每种工艺参数的参数集合中包括的工艺参数进行采样，得到每种工艺参数的抽样工艺参数。其中，上述参数集合即为工艺参数的取值范围对应的区间。
例如，预设采样间隔为0.1，工艺参数A的参数集合为[0.5,1]，那么，工艺参数A对应的抽样工艺参数即为0.5、0.6、0.7、0.8、0.9及1。
在获得每种工艺参数的抽样工艺参数后，电子设备便可以将对每种抽样工艺参数进行组合，得到工艺参数组。例如，工艺参数A对应的抽样工艺参数为A1、A2，工艺参数B对应的抽样工艺参数为B1、B2，那么，对工艺参数A及工艺参数B对应的抽样工艺参数进行组合，得到的工艺参数组可以为工艺参数组(A1，B1)、工艺参数组(A1，B2)、工艺参数组(A2，B1)及工艺参数组(A2，B2)。
可见，本发明实施例所提供的方案中，电子设备可以基于预设采样间隔，对每种工艺参数的参数集合进行采样，得到每种工艺参数的抽样工艺参数，然后对每种抽样工艺参数进行组合，得到所述工艺参数组。这样，能够减少确定目标工艺参数所需的运算量，可以提高工作效率。
作为本发明实施例的一种实施方式，如图2所示，上述离子束刻蚀速率预测模型的训练方式，可以包括：
S201，获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
上述初始离子束刻蚀速率预测模型可以为随机森林回归模型、线性回归模型等机器学习模型，其参数可以随时初始化，对于初始离子束刻蚀速率预测模型的结构不做具体限定。
在一种实施方式中，电子设备可以在保证刻蚀图形轮廓的准确度的前提下，收集离子束刻蚀加工过程中不同的工艺参数组以及不同工艺参数组对应的离子束刻蚀速率，将这些数据作为原始数据。然后，电子设备可以基于上述原始数据包括的工艺参数组确定上述原始数据对应的特征矩阵。其中，上述特征矩阵的每行元素为上述原始数据包括的每个工艺参数组包括的工艺参数，上述特征矩阵的每列元素表示不同种类的工艺参数。
例如，原始数据包括工艺参数组A1＝(a1,b1,c1)、工艺参数组A2＝(a2,b2,c2)及工艺参数组A3＝(a3,b2,c3)。其中，(a1、a2、a3)、(b1、b2、b3)、(c1、c2、c3)为三种工艺参数的取值。那么，原始数据对应的特征矩阵T1即为：
Figure BDA0002277352590000091
上述工艺参数组包括的每种工艺参数的单位不同，取值范围存在着巨大的差异，为了便于数据处理，电子设备可以对上述特征矩阵每列的元素进行最小最大值归一化处理。
具体来说，电子设备可以根据如下所示公式对上述特征矩阵每列的元素进行最小最大值归一化处理：
Figure BDA0002277352590000092
其中，
Figure BDA0002277352590000093
为元素xi最小最大值归一化处理后对应的数值，xi∈X，X＝(x0,x1,x2,…,xN-1)表示特征矩阵的每列对应的向量，max＝max(X)表示向量X中数值最大的元素，min＝min(X)表示向量X中数值最小的元素。这样，经过最小最大值归一化处理后，上述每种工艺参数的取值范围即为[0,1]，电子设备便可以将经过最小最大值归一化处理后的特征矩阵作为工艺参数组样本。
在另一种实施方式中，电子设备在获取收集离子束刻蚀加工过程中不同的工艺参数组以及不同工艺参数组对应的离子束刻蚀速率后，可以计算工艺参数组包括的各种工艺参数与离子束刻蚀速率之间的皮尔逊相关系数，然后可以通过预设的相关系数阈值或者根据每种工艺参数对应的皮尔逊相关系数大小进行排序，从上述各种工艺参数中确定与离子束刻蚀速率相关性较强的工艺参数，作为工艺参数组样本。
S202，确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
获取上述多个工艺参数组样本后，由于训练得到的离子束刻蚀速率预测模型需要根据工艺参数组包括的工艺参数确定工艺参数组对应的离子束刻蚀速率，所以，电子设备可以确定每个工艺参数组样本对应的离子束刻蚀速率，作为每个工艺参数组样本的标定标签。
在一种实施方式中，电子设备可以将每个工艺参数组样本包括的工艺参数输入离子束刻蚀设备，确定每个工艺参数组样本对应的离子束刻蚀速率，作为每个工艺参数组样本的标定标签。
在另一种实施方式中，电子设备可以收集离子束刻蚀加工过程中不同的工艺参数组以及不同工艺参数组对应的离子束刻蚀速率，然后将上述不同的工艺参数组包括的工艺参数作为矩阵的元素，得到特征矩阵，作为工艺参数组样本，然后将上述不同工艺参数组对应的离子束刻蚀速率作为矩阵的元素，得到目标矩阵，作为工艺参数组样本的标定标签。
S203，将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
获取上述每个工艺参数组样本的标定标签后，电子设备可以将工艺参数组样本输入上述初始离子束刻蚀速率预测模型，初始离子束刻蚀速率预测模型可以基于当前参数，根据工艺参数组样本包括的工艺参数确定离子束刻蚀速率，也就是预测标签。
S204，基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
由于初始离子束刻蚀速率预测模型还无法准确对工艺参数组样本包括的工艺参数进行处理得到准确的输出结果，所以得到上述预测标签及标定标签后，电子设备可以将上述预测标签与对应的标定标签进行对比，进而根据预测标签与对应的标定标签之间的差异，调整初始离子束刻蚀速率预测模型的参数，以使初始离子束刻蚀速率预测模型的参数更加合适。其中，调整初始离子束刻蚀速率预测模型的参数的方式可以为梯度下降算法、随机梯度下降算法等模型参数调整方式，在此不做具体限定及说明。
如果初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，说明当前初始离子束刻蚀速率预测模型已经可以对工艺参数组进行处理得到准确的输出结果，所以此时可以停止训练，得到上述离子束刻蚀速率预测模型。
其中，上述预设次数可以根据预测要求、模型结构等因素设定，例如，可以为500次、1000次、1500次等，在此不做具体限定。上述预设值可以根据评价要求、模型结构等因素限定，例如可以为96.8％、97.5％、98.1％等，在此不做具体限定。
在一种实施方式中，上述离子束刻蚀速率预测模型可以为随机森林回归模型。电子设备可以预先收集离子束刻蚀加工过程中不同的工艺参数组以及不同工艺参数组对应的离子束刻蚀速率，然后将上述工艺参数组及工艺参数组对应的离子束刻蚀速率划分为10份，以其中7份数据作为训练样本，建立并进行训练初始随机森林回归模型，得到训练完成的随机森林回归模型。
在随机森林回归模型中，特征数量参数的数值决定了每棵决策树的规模，太多会导致每棵决策树差别不大，产生过拟合现象；太少则不能从数据中有效学习。决策树数量参数的数值太多会浪费很多时间进行计算，太少则预测效果很差。因此，为了提高随机森林回归模型的预测效果，电子设备可以将剩余的3份数据作为测试样本，用于确定合适的特征数量参数及决策树数量参数。
上述特征数量参数可以表示生成一棵决策树时用到的工艺参数的种类的数量，一般默认为m。其中，
Figure BDA0002277352590000111
M表示上述训练样本中工艺参数的种类的总数量。上述决策树数量参数可以表示随机森立回归模型中决策树的数量。电子设备可以利用Bootstrap采样技术，通过有放回抽样从上述训练样本中选出k个工艺参数组，然后利用每个工艺参数组来训练单棵决策树的模型，并由此构建由k棵决策树组成的初始随机森林回归模型。其中，k的默认值可以根据预测效果要求、训练样本数量等因素进行设定。
在建立并训练初始随机森林回归模型的过程中，电子设备可以根据每个工艺参数组建立对应的决策树，对于决策树的每个节点，可以按照节点不纯度最小原则，从m个工艺参数中选取工艺参数进行充分生长，不进行剪枝操作，然后对k棵决策树模型的预测结果求均值，作为随机森林回归模型的总预测结果。
电子设备可以将上述测试样本输入随机森林回归模型，然后根据十折交叉验证方法，确定合适的特征数量参数m及决策树数量参数k。例如，决策树数量参数k的择优范围是1～80，步长为5，特征数量参数m的择优范围是1～10，步长为1，那么，电子设备首先可以将其他参数设置为常数，然后将上述测试样本输入随机森林回归模型，根据十折交叉验证方法，确定合适的决策树数量参数k为61，然后便可以将决策树数量参数k设置为61，根据十折交叉验证方法，确定合适的特征数量参数m为5。
这样，电子设备便可以调整随机森林回归模型的特征数量参数及决策树数量参数，提高随机森林回归模型的预测效果。
可见，在本发明实施例所提供的方案中，电子设备可以根据可以按照上述方式对初始离子束刻蚀速率预测模型训练，得到上述离子束刻蚀速率预测模型。这样，电子设备可以对比上述标定标签和上述预测标签，根据比较结果调整初始离子束刻蚀速率预测模型的参数，得到符合要求的离子束刻蚀速率预测模型。
作为本发明实施例的一种实施方式，上述工艺参数至少可以包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
电子设备可以根据工艺参数确定对应的离子束刻蚀速率。在离子束刻蚀加工中，离子束入射能量、离子束流密度、射频功率、工作气体流量一般对离子束刻蚀的影响较大。因此，为了准确预测工艺参数组对应的的离子束刻蚀速率，上述工艺参数至少可以包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
如果工艺参数包括的种类越多，说明电子设备获取的工艺参数组中包括的工艺参数越详细。当工艺参数组包括详细的工艺参数时，电子设备可以根据工艺参数组包括的工艺参数，准确地预测工艺参数组对应的的离子束刻蚀速率。
可见，在本发明实施例所提供的方案中，上述工艺参数至少可以包括离子束入射能量、离子束流密度、射频功率、工作气体流量。这样，工艺参数组可以包括详细的工艺参数，电子设备便可以准确的预测工艺参数组对应的离子束刻蚀速率。
相应于上述离子束刻蚀加工的工艺参数确定方法，本发明实施例还提供了一种离子束刻蚀加工的工艺参数确定装置。下面对本发明实施例所提供的一种离子束刻蚀加工的工艺参数确定装置进行介绍。
如图3所示，一种离子束刻蚀加工的工艺参数确定装置，所述装置可以包括：
工艺参数组获取模块301，用于从预先设置的工艺参数数据集中获取工艺参数组；
刻蚀速率确定模块302，用于将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率，其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系，所述离子束刻蚀速率预测模型为模型训练模块基于工艺参数组样本及其标定标签预先训练完成的；
目标工艺参数确定模块303，用于确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
可见，本发明实施例所提供的方案中，电子设备可以从预先设置的工艺参数数据集中获取工艺参数组，然后将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率，进而确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，电子设备可以通过离子束刻蚀速率预测模型确定工艺参数组对应的离子束刻蚀速率，进而确定目标工艺参数，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。
作为本发明实施例的一种实施方式，上述工艺参数数据集可以包括多种工艺参数的参数集合，上述工艺参数组可以包括多种工艺参数。
上述工艺参数获取模块301可以包括：
采样子模块(图3中未示出)，用于基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；
组合子模块(图3中未示出)，用于对所述抽样工艺参数进行组合，得到所述工艺参数组。
作为本发明实施例的一种实施方式，上述模型训练模块可以包括：
样本获取子模块(图3中未示出)，用于获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
标定标签确定子模块(图3中未示出)，用于确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
预测标签确定子模块(图3中未示出)，用于将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
参数调整子模块(图3中未示出)，用于基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
作为本发明实施例的一种实施方式，上述工艺参数可以包括离子束入射能量、离子束流密度、射频功率、工作气体流量中的至少一种。
本发明实施例还提供了一种电子设备，如图4所示，包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信，
存储器403，用于存放计算机程序；
处理器401，用于执行存储器403上所存放的程序时，实现上述任一项实施例所述的离子束刻蚀加工的工艺参数确定方法的步骤。
可见，本发明实施例所提供的方案中，电子设备可以从预先设置的工艺参数数据集中获取工艺参数组，然后将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率，进而将离子束刻蚀速率中大于预设离子束刻蚀速率的离子束刻蚀速率去除，便可以确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，电子设备可以通过离子束刻蚀速率预测模型确定工艺参数组对应的离子束刻蚀速率，进而确定目标工艺参数，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项实施例所述的离子束刻蚀加工的工艺参数确定方法的步骤。
可见，本发明实施例所提供的方案中，计算机可读存储介质内存储的计算机程序被执行时，可以从预先设置的工艺参数数据集中获取工艺参数组，然后将每个工艺参数组输入离子束刻蚀速率预测模型，根据工艺参数组包括的工艺参数，确定每个工艺参数组对应的离子束刻蚀速率，进而将离子束刻蚀速率中大于预设离子束刻蚀速率的离子束刻蚀速率去除，便可以确定离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。这样，电子设备可以通过离子束刻蚀速率预测模型确定工艺参数组对应的离子束刻蚀速率，进而确定目标工艺参数，可以方便确定最高的离子束刻蚀速率对应的工艺参数，提高工作效率。
需要说明的是，对于上述装置、电子设备及计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
进一步需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种离子束刻蚀加工的工艺参数确定方法，其特征在于，所述方法包括：
从预先设置的工艺参数数据集中获取工艺参数组；
将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率，其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系；
将所述离子束刻蚀速率中大于所述预设离子束刻蚀速率的离子束刻蚀速率去除；
确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
2.根据权利要求1所述的方法，其特征在于，所述工艺参数数据集包括多种工艺参数的参数集合，所述工艺参数组包括多种工艺参数；
所述从预先设置的工艺参数数据集中获取工艺参数组的步骤，包括：
基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；
对所述抽样工艺参数进行组合，得到所述工艺参数组。
3.根据权利要求1所述的方法，其特征在于，所述离子束刻蚀速率预测模型的训练方式，包括：
获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述工艺参数至少包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
5.一种离子束刻蚀加工的工艺参数确定装置，其特征在于，所述装置包括：
工艺参数组获取模块，用于从预先设置的工艺参数数据集中获取工艺参数组；
刻蚀速率确定模块，用于将每个所述工艺参数组输入离子束刻蚀速率预测模型，根据所述工艺参数组包括的工艺参数，确定每个所述工艺参数组对应的离子束刻蚀速率，其中，所述刻蚀速率预测模型包括工艺参数与离子束刻蚀速率之间的对应关系，所述离子束刻蚀速率预测模型为模型训练模块基于工艺参数组样本及其标定标签预先训练完成的；
目标工艺参数确定模块，用于确定所述离子束刻蚀速率中最大的离子束刻蚀速率对应的工艺参数组包括的工艺参数，作为目标工艺参数。
6.根据权利要求5所述的装置，其特征在于，所述工艺参数数据集包括多种工艺参数的参数集合，所述工艺参数组包括多种工艺参数；
所述工艺参数获取模块包括：
采样子模块，用于基于预设采样间隔，对每种所述工艺参数的参数集合进行采样，得到每种所述工艺参数的抽样工艺参数；
组合子模块，用于对所述抽样工艺参数进行组合，得到所述工艺参数组。
7.根据权利要求5所述的装置，其特征在于，所述模型训练模块包括：
样本获取子模块，用于获取初始离子束刻蚀速率预测模型和多个工艺参数组样本；
标定标签确定子模块，用于确定每个所述工艺参数组样本对应的离子束刻蚀速率，作为每个所述工艺参数组样本的标定标签；
预测标签确定子模块，用于将所述工艺参数组样本输入所述初始离子束刻蚀速率预测模型，得到预测标签；
参数调整子模块，用于基于所述预测标签及对应的工艺参数组样本的标定标签，调整所述初始离子束刻蚀速率预测模型的参数，直到所述初始离子束刻蚀速率预测模型的迭代次数达到预设次数，或，所述初始离子束刻蚀速率预测模型输出的预测标签的准确度达到预设值，停止训练，得到所述离子束刻蚀速率预测模型。
8.根据权利要求5-7任一项所述的装置，其特征在于，所述工艺参数至少包括离子束入射能量、离子束流密度、射频功率、工作气体流量。
9.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4任一所述的方法步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的方法步骤。
CN201911127647.XA 2019-11-18 2019-11-18 一种基于机器学习的离子束刻蚀速率优化匹配方法 Active CN110825032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911127647.XA CN110825032B (zh) 2019-11-18 2019-11-18 一种基于机器学习的离子束刻蚀速率优化匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911127647.XA CN110825032B (zh) 2019-11-18 2019-11-18 一种基于机器学习的离子束刻蚀速率优化匹配方法

Publications (2)

Publication Number Publication Date
CN110825032A true CN110825032A (zh) 2020-02-21
CN110825032B CN110825032B (zh) 2020-07-31

Family

ID=69556315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911127647.XA Active CN110825032B (zh) 2019-11-18 2019-11-18 一种基于机器学习的离子束刻蚀速率优化匹配方法

Country Status (1)

Country Link
CN (1) CN110825032B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070080140A1 (en) * 2003-05-16 2007-04-12 Hoffman Daniel J Plasma reactor control by translating desired values of m plasma parameters to values of n chamber parameters
CN102194031A (zh) * 2011-05-24 2011-09-21 清华大学 一种等离子干法三维刻蚀模拟方法
CN103020349A (zh) * 2012-12-08 2013-04-03 清华大学 一种等离子体刻蚀工艺中刻蚀产额的建模方法
CN107978523A (zh) * 2016-10-24 2018-05-01 中芯国际集成电路制造(上海)有限公司 多区域差速刻蚀的控制方法
CN109165400A (zh) * 2018-07-06 2019-01-08 东南大学 一种聚焦离子束刻蚀加工工艺参数的设计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070080140A1 (en) * 2003-05-16 2007-04-12 Hoffman Daniel J Plasma reactor control by translating desired values of m plasma parameters to values of n chamber parameters
CN102194031A (zh) * 2011-05-24 2011-09-21 清华大学 一种等离子干法三维刻蚀模拟方法
CN103020349A (zh) * 2012-12-08 2013-04-03 清华大学 一种等离子体刻蚀工艺中刻蚀产额的建模方法
CN107978523A (zh) * 2016-10-24 2018-05-01 中芯国际集成电路制造(上海)有限公司 多区域差速刻蚀的控制方法
CN109165400A (zh) * 2018-07-06 2019-01-08 东南大学 一种聚焦离子束刻蚀加工工艺参数的设计方法

Also Published As

Publication number Publication date
CN110825032B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN109583561B (zh) 一种深度神经网络的激活量量化方法及装置
Ko et al. Response times in M/M/s fork-join networks
JP2000517473A (ja) 単一ステップフィードバックによる統計的シミュレーションを用いて製造プロセスを監視かつ分析するためのシステム
CN109426655B (zh) 数据分析方法、装置、电子设备及计算机可读存储介质
TW201432479A (zh) 製程參數的搜尋與分析方法及其電腦程式產品
Ghauri et al. System identification using LMS, NLMS and RLS
CN109982350B (zh) 一种小区覆盖自适应调整方法和装置
CN111857081B (zh) 基于Q-learning强化学习的芯片封装测试生产线性能控制方法
CN109814101B (zh) 一种航空器位置预测的方法及装置
CN113988398A (zh) 一种风电机组功率预测方法、装置、电子设备和存储介质
Shinma et al. Incorporating multi-event and multi-site data in the calibration of SWMM
CN112700050B (zh) 一种光伏电站超短期第1点功率预测方法及系统
CN110825032B (zh) 一种基于机器学习的离子束刻蚀速率优化匹配方法
CN115761648A (zh) 应用于变压器的渗油评估方法、装置、设备、介质及产品
CN111242158A (zh) 神经网络训练方法、图像处理方法及装置
CN111461329B (zh) 一种模型的训练方法、装置、设备及可读存储介质
CN109858667A (zh) 一种基于雷电气候对负荷影响的短期负荷聚类方法
US6615157B1 (en) System method and computer program product for automatically assessing experiment results
CN105138304B (zh) 数字信号的自适应量化方法及装置
CN112949203B (zh) 一种基于电参数和xgboost-nn算法的板材激光切割质量判断方法
CN102955363B (zh) 光学临近效应修正在线监控的方法
CN109887253A (zh) 石油化工装置报警的关联分析方法
CN110850812B (zh) 基于模型的离子束刻蚀速率控制方法及装置
Lavaud et al. Goodness-of-fit tests and selection methods for operational risk
Steland et al. Evaluation of photovoltaic modules based on sampling inspection using smoothed empirical quantiles

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