CN112301322B - 具有工艺参数智能调节功能的气相沉积设备及方法 - Google Patents
具有工艺参数智能调节功能的气相沉积设备及方法 Download PDFInfo
- Publication number
- CN112301322B CN112301322B CN202011514260.2A CN202011514260A CN112301322B CN 112301322 B CN112301322 B CN 112301322B CN 202011514260 A CN202011514260 A CN 202011514260A CN 112301322 B CN112301322 B CN 112301322B
- Authority
- CN
- China
- Prior art keywords
- vapor deposition
- data
- unit
- module
- parameter
- 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
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C14/00—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material
- C23C14/22—Coating by vacuum evaporation, by sputtering or by ion implantation of the coating forming material characterised by the process of coating
- C23C14/54—Controlling or regulating the coating process
-
- C—CHEMISTRY; METALLURGY
- C23—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; CHEMICAL SURFACE TREATMENT; DIFFUSION TREATMENT OF METALLIC MATERIAL; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL; INHIBITING CORROSION OF METALLIC MATERIAL OR INCRUSTATION IN GENERAL
- C23C—COATING METALLIC MATERIAL; COATING MATERIAL WITH METALLIC MATERIAL; SURFACE TREATMENT OF METALLIC MATERIAL BY DIFFUSION INTO THE SURFACE, BY CHEMICAL CONVERSION OR SUBSTITUTION; COATING BY VACUUM EVAPORATION, BY SPUTTERING, BY ION IMPLANTATION OR BY CHEMICAL VAPOUR DEPOSITION, IN GENERAL
- C23C16/00—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes
- C23C16/44—Chemical coating by decomposition of gaseous compounds, without leaving reaction products of surface material in the coating, i.e. chemical vapour deposition [CVD] processes characterised by the method of coating
- C23C16/52—Controlling or regulating the coating process
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Materials Engineering (AREA)
- Mechanical Engineering (AREA)
- Metallurgy (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
本发明提供一种具有工艺参数智能调节功能的气相沉积设备及方法。设备包括相互连接的气相沉积腔室、综合控制模块、工艺参数数据处理模块及模型训练与辅助加速模块;综合控制模块用于控制气相沉积腔室、工艺参数数据处理模块及模型训练与辅助加速模块;气相沉积腔室用于进行晶圆的气相沉积;工艺参数数据处理模块包括相互连接的第一微控单元、数据采集单元及第一数据存储单元;模型训练与辅助加速模块包括相互连接的第二微控单元、神经网络模型训练单元、硬件加速单元、第二数据存储单元及参数异常警报单元;还包括人工参数控制模块,与综合控制模块相连接。采用本发明,可以给现场工程师提供便捷、可控和有效的参数调整方法。
Description
技术领域
本发明涉及半导体制造技术领域,特别是涉及一种具有工艺参数智能调节功能的气相沉积设备,以及一种气相沉积方法。
背景技术
随着半导体高端装备与工艺技术的深度融合,半导体产品集成度和制造产能在不断提高,半导体制造工艺也随之变得越来越复杂,对半导体制造设备及其控制性能的要求也越来越高。批次控制技术作为影响半导体产品良率、再工次数的重要手段之一,其作用直接影响企业的产能和经济效益。目前,一方面,考虑到现有批次控制方法计算能力的限制以及测量成本,无法实时计算反馈值而造成预测生产参数时精度较差;另一方面,由于现有批次控制方法所参考的数据量巨大,这将会导致生产参数的反馈时间较长,进而引起生产过程中断,造成生产效能的损失。按集成电路产业链划分,气相沉积设备(PVD、CVD)和等离子体刻蚀设备均属于半导体材料加工类设备,该类设备的主要特点是工艺精度高,过程复杂,对操作人员以及设备的要求都非常高。在工艺过程中,由于晶圆薄膜沉积反应和等离子体刻蚀是在高真空、高温、高压、高密闭等严苛的条件下进行的,气相沉积等设备存在着高复杂性和不确定性,其中任何一个工艺环节或工艺参数有微弱的偏差都会造成晶圆覆膜良率的急剧降低,尤其是针对需要沉积同一类薄膜的晶圆在严苛的设备环境中进行大批量的生产时,气相沉积设备的不确定性使得工程师无法准确判断晶圆的最佳覆膜工艺参数,并且针对大批量的同类待覆膜晶圆,每次加工都需要手动输入设备参数,使得整个晶圆的覆膜的效率低下,且还不能保证设备输入的参数是否已达到最佳状态。
在沉积或刻蚀工艺过程中,半导体工艺设备需要在预定的响应时间内达到合适的工艺条件,以实现理想的薄膜沉积效果。半导体设备的工艺结果与多种工艺条件参数有关,通常包括工艺温度、工艺时间、工艺气体流量等参数,工艺条件的参数越多,多个工艺参数与多个工艺结果之间的关系就越复杂。由于这些工艺条件参数与工艺结果参数之间是非线性对应关系,因此某个或某些参数的变化均会对最后的半导体设备工艺结果参数产生巨大的影响,再加上半导体工艺设备在现场执行工艺过程中会遇到多种复杂情况,例如,当被处理的工艺工序更换时或穿插进行另一组工艺工序生产时,在同样的工艺参数条件下,经半导体设备处理过的晶圆的工艺结果就会相差较大。目前本领域技术人员多数是靠经验来预设工艺条件参数的具体初始值,由于需考虑的约束条件太多,如果工艺参数调整较频繁,现场工程师还是根据经验来调整工艺参数的话将会既费时又费力。在半导体工艺过程开始前,半导体设备工艺参数的调整时间很难精准控制,即设备往往很难在预定的响应时间内达到满足半导体工艺效果的工艺条件,以至于半导体设备的工艺效果(晶圆的覆膜合格率)无从保证。
因此,在进行半导体设备工艺参数调整时,怎样得到半导体工艺效果与工艺条件及工艺参数调整时间等的对应关系,给现场工程师提供快捷、可控和有效的参数调整方法,将是目前业界急需解决的问题。虽然现有公开的技术中已有相关利用深度神经网络、卷积神经网络、机器学习等人工智能技术对工艺参数进行预处理后再进行有效参数模型的训练,利用训练好的模型进一步辅助控制生成可靠的设备工艺参数,但是这些现有公开技术中,均未考虑到具体针对PVD、CVD和等离子体刻蚀设备经神经网络训练出的工艺参数生成模型的复杂性,并且随着大量工艺参数数据和工艺结果数据的积累,训练的过程对处理器和神经网络算法提出了更高的要求,当根据参数生成模型实际生成工艺参数集时,复杂的工艺参数设置与调节若仅依靠普通的处理器根本无法实时快速生成参数集并有序的进行控制,复杂的程序执行算法只会影响设备的执行效率,且对设备和处理的复杂性提出了极高的要求,现有公开的技术方案并未考虑到这类问题的存在,因此实际实施起来也将存在较大的问题。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种具有工艺参数智能调节功能的气相沉积设备,用于解决现有公开技术中具体针对PVD、CVD、等离子体刻蚀等设备使用神经网络等人工智能方式优化设备工艺参数以提高自动化控制效率时未考虑到设备处理器对于处理复杂的神经网络训练出来的参数模型困难之处,导致实际运用中根据神经网络训练模型生成高效工艺参数的效率较低等问题。
为实现上述目的及其他相关目的,本发明提供一种具有工艺参数智能调节功能的气相沉积设备,所述具有工艺参数智能调节功能的气相沉积设备包括相互连接的气相沉积腔室、综合控制模块、工艺参数数据处理模块及模型训练与辅助加速模块;
所述综合控制模块用于控制所述气相沉积腔室、工艺参数数据处理模块及模型训练与辅助加速模块;所述气相沉积腔室用于进行晶圆的气相沉积;
所述工艺参数数据处理模块包括相互连接的第一微控单元、数据采集单元及第一数据存储单元,所述工艺参数数据处理模块用于处理从所述气相沉积腔室运行过程中获取的各个工艺流程以及对应的所有工艺参数和工艺结果数据;
所述模型训练与辅助加速模块包括相互连接的第二微控单元、神经网络模型训练单元、硬件加速单元、第二数据存储单元及参数异常警报单元,所述模型训练与辅助加速模块用于对所述工艺参数数据处理模块生成的数据集进行模型训练、由训练得到的模型加速生成高效参数数据集、参数集异常判断与警报;
所述具有工艺参数智能调节功能的气相沉积设备还包括人工参数控制模块,与所述综合控制模块相连接;所述综合控制模块将所述人工参数控制模块输入的数据与所述模型训练与辅助加速模块的第二数据存储单元中存储的神经网络训练模型进行工艺参数集有效性的判断,或者经所述人工参数控制模块对由所述模型训练与辅助加速模块生成的工艺参数集以及对应的工艺结果数据进行校正;判断结果或校正结果经所述综合控制模块输送至所述气相沉积腔室以进行对应的工艺流程。
可选地,所述硬件加速单元包括多个ConvNetsFPGA单元,所述ConvNetsFPGA单元包括相互通信的控制单元、并行流水线向量算法逻辑单元、I/O 控制单元和存储器接口,所述模型训练与辅助加速模块基于如下方式加速生成高效参数数据集:
其中,xij是输入的工艺参数值,wmn是KxK卷积核的值,yij是待累加值,Zij是输出的工艺参数值。
可选地,所述工艺参数数据处理模块还包括数据清洗单元,所述数据清洗单元与所述第一微控单元、数据采集单元及第一数据存储单元相连接;在所述气相沉积腔室进行对应的工艺流程的过程中,所述数据采集单元在所述第一微控单元的控制下采集所述气相沉积腔室内实际的工艺参数数据集以及实时工艺结果数据集,所述数据清洗单元对采集到的数据进行数据清洗,去除无效或异常的工艺参数数据和工艺结果数据,同时对数据集进行优化处理,并将处理后的数据存储到所述第一数据存储单元;所述模型训练与辅助加速模块中的神经网络模型训练单元在所述第二微控单元的控制下对所述工艺参数数据处理模块中的所述第一数据存储单元中的有效数据集进行自动化模型训练,训练后的有效模型将存储到所述第二数据存储单元中,所述硬件加速单元调取所述第二数据存储单元中的神经网络模型进行硬件加速处理以快速生成有效的工艺参数数据集和工艺结果数据集。
更可选地,所述数据清洗单元对采集的数据依次进行缺失值清洗、格式内容清洗、逻辑错误清洗、需求数据清洗及关联性验证以确保处理后的数据高效性。
可选地,所述数据采集单元包括主处理器、存储器、实时时钟、上下行通信单元和电压采集器。
可选地,所述神经网络模型训练单元所使用的卷积神经网络模型包括LeNet、AlexNet、VGG、NiN、GooLeNet、ResNet、DenseNet及DarkNet中的一种或多种,所使用的训练框架包括Caffe、TensorFlow、Torch、及YOLO中的一种或多种。
可选地,所述硬件加速单元包括DNN硬件加速器和CNN硬件加速器中的一种或两种。
可选地,所述第一微控单元和第二微控单元均为ARM处理器。
本发明还提供一种气相沉积方法,所述气相沉积方法依上述任一方案中所述的具有工艺参数智能调节功能的气相沉积设备进行。
本发明还提供一种控制模块,其特征在于:包括:处理器及存储器;所述存储器用于存储计算机程序;所述处理器用于执行所述存储器存储的计算机程序,以使所述控制模块执行如上述任一方案中所述的气相沉积方法。
本发明还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一方案中的气相沉积方法。
如上所述,本发明的具有工艺参数智能调节系统的气相沉积设备及方法,具有以下有益效果:采用本发明,在进行半导体设备工艺参数调整时,可以更加方便地得到半导体工艺设备工艺效果与工艺条件及工艺参数调整时间等的对应关系,给现场工程师提供便捷、可控和有效的参数调整方法;利用深度神经网络、卷积神经网络、机器学习等人工智能技术对工艺参数进行预处理后再进行有效参数模型的训练,利用训练好的模型进一步辅助控制生成可靠的设备工艺参数,根据参数生成模型生成参数时,可进一步依靠硬件加速器快速得到有效的工艺参数数据集和工艺效果数据集,有助于提高气相沉积效率和工艺良率。
附图说明
图1显示为本发明提供的具有工艺参数智能调节功能的气相沉积设备的模块示意图。
图2显示为图1中的硬件加速单元的模块示意图。
图3显示为图2中的单个ConvNetsFPGA单元的架构图。
图4显示为本发明提供的控制装置的模块示意图
元件标号说明:1-综合控制模块;2-气相沉积腔室;3-工艺参数数据处理模块;31-第一微控单元;32-数据采集单元;33-第一数据存储单元;34-数据清洗单元;4-模型训练与辅助加速模块;41-第二微控单元;42-神经网络模型训练单元;43-硬件加速单元;431-ConvNetsFPGA单元;44-第二数据存储单元;45-参数异常警报单元;5-人工参数控制模块;61-处理器;62-控制器。
具体实施方式
以下通过特定的具体实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揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外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与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1及图4。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局形态也可能更为复杂。
为解决现有技术中具体针对PVD、CVD、等离子体刻蚀等设备使用神经网络等人工智能方式优化设备工艺参数以提高自动化控制效率时未考虑到设备处理器对于处理复杂的神经网络训练出来的参数模型困难之处,导致实际运用中根据神经网络训练模型生成高效工艺参数的效率较低等问题,本发明提出一种改善的具有工艺参数智能调节功能的气相沉积设备。具体地,如图1至图3所示,所述具有工艺参数智能调节功能的气相沉积设备包括相互连接的气相沉积腔室2、综合控制模块1、工艺参数数据处理模块3及模型训练与辅助加速模块4;所述综合控制模块1包括但不限于上位机,用于控制所述气相沉积腔室2、工艺参数数据处理模块3及模型训练与辅助加速模块4;所述气相沉积腔室2用于进行晶圆的气相沉积,包括但不限于化学气相沉积和物理气相沉积中的一种;所述工艺参数数据处理模块3包括相互连接的第一微控单元31、数据采集单元32及第一数据存储单元33,所述工艺参数数据处理模块3用于处理从所述气相沉积腔室2运行过程中获取的各个工艺流程以及对应的所有工艺参数和工艺结果数据,工艺参数包括但不限于工艺时间、气流流量、温度、射频功率等,工艺结果包括但不限于薄膜厚度、表面平坦度等;所述模型训练与辅助加速模块4包括相互连接的第二微控单元41、神经网络模型训练单元42、硬件加速单元43、第二数据存储单元44及参数异常警报单元45,所述模型训练与辅助加速模块4用于对所述工艺参数数据处理模块3生成的数据集进行模型训练、由训练得到的模型加速生成高效参数数据集、参数集异常判断与警报;所述具有工艺参数智能调节功能的气相沉积设备还包括人工参数控制模块5,与所述综合控制模块1相连接,所述人工参数控制模块5包括但不限于触摸屏;所述综合控制模块1将所述人工参数控制模块5输入的数据与所述模型训练与辅助加速模块4的第二数据存储单元44中存储的神经网络训练模型进行工艺参数集有效性的判断,或者经所述人工参数控制模块5对由所述模型训练与辅助加速模块4生成的工艺参数集以及对应的工艺结果数据进行校正;判断结果或校正结果经所述综合控制模块1输送至所述气相沉积腔室2以进行对应的工艺流程。具体地,所述综合控制模块1与模型训练与辅助加速模块4可进行双向全双工的数据传输,综合控制模块1可接受工程人员手动输入设置的工艺参数集,也可接受由模型训练与辅助加速模块4生成的智能工艺参数集:如果由工程人员手动输入设置的工艺参数集,则综合控制模块1首先会将对应的工艺参数发送到模型训练与辅助加速模块4中,根据第二数据存储单元44中存储的神经网络训练模型进行工艺参数集有效性的判断,判断的原则是首先由模型生成对应有效的参数数据集,然后将人工输入的工艺参数数据集与有效的工艺参数数据集进行比对,如果比对结果在预设的阈值范围内,则无异常提醒,允许综合控制模块1发送该组人工输入的工艺参数数据集到气相沉积腔室2以开始相应的气相沉积工艺;如果由模型训练与辅助加速模块4生成有效的工艺参数集以及对应的工艺结果数据集后输入到综合控制模块1中,工程人员也可进行手动的调整,调整后的工艺参数数据集以及对应的工艺结果数据集将会被再次传送到模型训练与辅助加速模块4进行同以上方式的有效性判断,如果人工不参与数据集的修改,则综合控制模块1直接将有效数据集发送到气相沉积腔室2以进行对应的工艺流程。采用本发明,在进行半导体设备工艺参数调整时,可以更加方便地得到半导体工艺设备工艺效果与工艺条件及工艺参数调整时间等的对应关系,给现场工程师提供便捷、可控和有效的参数调整方法;利用深度神经网络、卷积神经网络、机器学习等人工智能技术对工艺参数进行预处理后再进行有效参数模型的训练,利用训练好的模型进一步辅助控制生成可靠的设备工艺参数,有助于提高气相沉积效率和工艺良率。
作为示例,所述工艺参数数据处理模块3还包括数据清洗单元34,所述数据清洗单元34与所述第一微控单元31、数据采集单元32及第一数据存储单元33相连接;在所述气相沉积腔室2进行对应的工艺流程的过程中,所述数据采集单元32在所述第一微控单元31的控制下采集所述气相沉积腔室2内实际的工艺参数数据集以及实时工艺结果数据集,所述数据清洗单元34对采集到的数据进行数据清洗,去除无效或异常的工艺参数数据和工艺结果数据,同时对数据集进行优化处理,并将处理后的数据存储到所述第一数据存储单元33;所述模型训练与辅助加速模块4中的神经网络模型训练单元42在所述第二微控单元41的控制下对所述工艺参数数据处理模块3中的所述第一数据存储单元33中的有效数据集进行自动化模型训练,训练后的有效模型将存储到所述第二数据存储单元44中,所述硬件加速单元43调取所述第二数据存储单元44中的神经网络模型进行硬件加速处理以快速生成有效的工艺参数数据集和工艺结果数据集。所述硬件加速单元43和所述数据清洗单元34相互配合,可以有效提高程序运行的速率以及数据集生成的准确性,由此生成的有效工艺参数数据集和工艺结果数据集用于传输到综合控制模块1进行工艺流程的总体控制。
在一示例中,所述数据清洗单元34对采集的数据依次进行缺失值清洗、格式内容清洗、逻辑错误清洗、需求数据清洗及关联性验证以确保处理后的数据高效性。比如,缺失值清洗可以包括确定缺失值范围、去除不需要的字段、填充缺失内容等步骤,比如对工艺参数中的数据单位进行补充;格式内容清洗可以将不同格式记载的同一类数据处理为同一格式,比如对气体流量统一以sccm/min的格式记录;逻辑错误清洗则包括去重、去除不合理值和去除重复内容等,比如对工艺参数中脱离基准值一定倍数以上或以下的数据进行清除;需求数据清洗则是清除非需求数据的过程,而非需求数据则根据不同的工艺流程有不同的判断标准,具体不做详细展开。
本实施例中,所述数据采集单元32为批处理数据采集器离线式工作,采用的是工业数据采集器。在一具体示例中,所述数据采集单元32包括但不限于主处理器、存储器、实时时钟、上下行通信单元和电压采集器。主处理器通过下行通信单元(包括但不限于485总线、微功率无线或载波通信)读取气相沉积腔室2运行过程中的工艺参数数据集和工艺结果数据集,经过数据采集单元32和数据清洗单元34的处理后保存在第一存储单元中。
作为示例,所述神经网络模型训练单元42所使用的卷积神经网络模型包括但不限于LeNet、AlexNet、VGG、NiN、GooLeNet、ResNet、DenseNet及DarkNet中的一种或多种,所使用的训练框架包括但不限于Caffe、TensorFlow、Torch、及YOLO中的一种或多种。
作为示例,所述硬件加速单元43包括DNN(深度神经网络)硬件加速器和CNN(卷积神经网络)硬件加速器中的一种或两种,其构成包括但不限于滤波控制器、输入缓存器、输出缓存器、矢量算术逻辑单元、乘累加器等。具体地,可基于NVIDIA硬件平台进行加速。且具体地,可基于NVIDIA硬件平台进行加速。
下面示例性说明本实施例中进行硬件加速的过程:
CNN使用前馈处理用于工艺参数数据识别,反馈用于工艺参数模型训练,采用离线训练CNN,然后用训练好的CNN模型实现实时工艺参数的优化生成,因此,前馈计算速度非常重要,本实施例采用基于FPGA的加速器设计前馈计算加速,在高端FPGA 上高效实现卷积神经网络(ConvNets)的工作。利用ConvNets 内在并行性和 FPGA 上多个硬件乘累加单元,整个43-硬件加速单元使用多个包含存储器的FPGA实现,其框架架构如图2及图3所示。
从图2及图3可以看到,43-硬件加速单元包括多个ConvNetsFPGA单元431,每个ConvNetsFPGA单元431包括一个控制单元(CU,Control Unit),一个并行流水线向量算法逻辑单元(VALU,Vector Arithmetic and Logic Unit),一个 I/O 控制单元和一个存储器接口。另外还可以包括优先级管理器、多端口存储控制器、前馈/反馈处理器、内核管理器等,具体如图3所示,各单元之间可以相互通信。CU是一个64位软核 CPU,基于 PowerPC 架构,用于将 VALU 进行序列化操作,VALU 实现卷积网络相关操作,包括二维卷积,空域下采样,逐点非线性函数,以及其他通用向量操作(包括平方根,除法等)。VALU 包括其他指令(除法,平方根,乘法),用作工艺参数预处理。完整工艺参数训练与处理系统需要的其他运算可以在通用软核 CPU 上完成。
VALU 上二维卷积的实现:二维卷积器增加了后累加,允许将多个卷积器组合,在一个时钟周期内,完成如下计算:
其中,xij是输入的工艺参数值,wmn是KxK卷积核的值,yij是待累加值,Zij是输出的工艺参数值。
输入工艺参数值进入个片上 FIFO( First Input First Output),在 FIFO 中移动这些值等价于在输入工艺参数上移动卷积窗口。在每个时钟周期,送入一个值,输入工艺参数窗口与卷积核进行点积并行计算,即卷积器每个时钟周期内可同时执行次乘累加计算,完整卷积运算所需时钟周期数等于输出工艺参数值数目 + 填充 FIFO 必须的延迟。基于上述的硬件加速方式,使得本发明基本上可以实现实时性反应。
所有运算中卷积核都以 16 位定点数表示,中间累加值以 48 位保存在 FIFO中。高端 FPGA 有256个乘累加单元,最大实现16 x 16卷积核或两个11 x 1卷积核,相应理论最大速率为每秒14.6次运算(时钟为900 MHz),相应理论最大速率可达每秒168 G次运算。
作为示例,所述第一微控单元31和第二微控单元41均为ARM处理器,其具有执行效率高、低成本等优点。
需要说明的是,前述各模块可以集成在同一处或者根据需要集成在不同处或各模块以合适的方式组合。比如,所述模型训练与辅助加速模块4和所述工艺参数数据处理模块3可以集成在同一硬件上,所述人工参数控制模块5和综合控制模块1可以集成在同一硬件上,所述综合控制模块1和所述气相沉积腔室2可以位于同一空间内或不同的空间内,具体可以根据半导体制造厂内的需求而定。所述气相沉积腔室2可以是物理气相沉积腔室2或化学气相沉积腔室2,其具体的硬件结构与现有技术差异不大,由于此部分内容为本领域技术人员所熟知,对此不做详细展开。本发明通过对工艺参数进行优化,可以提高气相沉积效率和良率。
相应地,本发明还提供一种气相沉积方法,所述气相沉积方法基于上述任一方案中所述的具有工艺参数智能调节功能的气相沉积设备进行。对所述具有工艺参数智能调节功能的气相沉积设备的介绍还请参考前述内容,出于简洁的目的不赘述。所述气相沉积方法可以是化学气相沉积方法或物理气相沉积方法,基于前述具有工艺参数智能调节功能的气相沉积设备进行的气相沉积方法,沉积效率和良率可以显著提高。
如图4所示,本发明还提供一种控制模块,其包括处理器61及存储器62;所述存储器62用于存储计算机程序;所述处理器61用于执行所述存储器62存储的计算机程序,以使所述控制模块执行如前述任一方案中所述的气相沉积方法。
具体地,所述处理器61可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称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。
所述存储器62包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
需要说明的是,应理解以上模块的各个功能单元的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些单元可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分通过处理元件调用软件的形式实现,部分通过硬件的形式实现。例如,所述控制模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上控制模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(Digital Singnal Processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
本发明还提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述任一方案中所述的气相沉积方法。
具体地,所述存储介质包括ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
综上所述,采用本发明,在进行半导体设备工艺参数调整时,可以更加方便地得到半导体工艺设备工艺效果与工艺条件及工艺参数调整时间等的对应关系,给现场工程师提供便捷、可控和有效的参数调整方法;利用深度神经网络、卷积神经网络、机器学习等人工智能技术对工艺参数进行预处理后再进行有效参数模型的训练,利用训练好的模型进一步辅助控制生成可靠的设备工艺参数,根据参数生成模型生成参数时,可进一步依靠硬件加速器快速得到有效的工艺参数数据集和工艺效果数据集,有助于提高气相沉积效率和工艺良率。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述具有工艺参数智能调节功能的气相沉积设备包括相互连接的气相沉积腔室、综合控制模块、工艺参数数据处理模块及模型训练与辅助加速模块;
所述综合控制模块用于控制所述气相沉积腔室、工艺参数数据处理模块及模型训练与辅助加速模块;所述气相沉积腔室用于进行晶圆的气相沉积;
所述工艺参数数据处理模块包括相互连接的第一微控单元、数据采集单元及第一数据存储单元,所述工艺参数数据处理模块用于处理从所述气相沉积腔室运行过程中获取的各个工艺流程以及对应的所有工艺参数和工艺结果数据;
所述模型训练与辅助加速模块包括相互连接的第二微控单元、神经网络模型训练单元、硬件加速单元、第二数据存储单元及参数异常警报单元,所述模型训练与辅助加速模块用于对所述工艺参数数据处理模块生成的数据集进行模型训练、由训练得到的模型加速生成高效参数数据集、参数集异常判断与警报;
所述具有工艺参数智能调节功能的气相沉积设备还包括人工参数控制模块,与所述综合控制模块相连接;所述综合控制模块将所述人工参数控制模块输入的数据与所述模型训练与辅助加速模块的第二数据存储单元中存储的神经网络训练模型进行工艺参数集有效性的判断,或者经所述人工参数控制模块对由所述模型训练与辅助加速模块生成的工艺参数集以及对应的工艺结果数据进行校正;判断结果或校正结果经所述综合控制模块输送至所述气相沉积腔室以进行对应的工艺流程;
所述硬件加速单元包括多个ConvNetsFPGA单元,所述ConvNetsFPGA单元包括相互通信的控制单元、并行流水线向量算法逻辑单元、I/O 控制单元和存储器接口,所述模型训练与辅助加速模块基于如下方式加速生成高效参数数据集:
其中,xij是输入的工艺参数值,wmn是卷积核的值,yij是待累加值,zij是输出的工艺参数值。
2.根据权利要求1所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述工艺参数数据处理模块还包括数据清洗单元,所述数据清洗单元与所述第一微控单元、数据采集单元及第一数据存储单元相连接;在所述气相沉积腔室进行对应的工艺流程的过程中,所述数据采集单元在所述第一微控单元的控制下采集所述气相沉积腔室内实际的工艺参数数据集以及实时工艺结果数据集,所述数据清洗单元对采集到的数据进行数据清洗,去除无效或异常的工艺参数数据和工艺结果数据,同时对数据集进行优化处理,并将处理后的数据存储到所述第一数据存储单元;所述模型训练与辅助加速模块中的神经网络模型训练单元在所述第二微控单元的控制下对所述工艺参数数据处理模块中的所述第一数据存储单元中的有效数据集进行自动化模型训练,训练后的有效模型将存储到所述第二数据存储单元中,所述硬件加速单元调取所述第二数据存储单元中的神经网络模型进行硬件加速处理以快速生成有效的工艺参数数据集和工艺结果数据集。
3.根据权利要求2所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述数据清洗单元对采集的数据依次进行缺失值清洗、格式内容清洗、逻辑错误清洗、需求数据清洗及关联性验证以确保处理后的数据高效性。
4.根据权利要求1所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述数据采集单元包括主处理器、存储器、实时时钟、上下行通信单元和电压采集器。
5.根据权利要求1所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述神经网络模型训练单元所使用的卷积神经网络模型包括LeNet、AlexNet、VGG、NiN、GooLeNet、ResNet、DenseNet及DarkNet中的一种或多种,所使用的训练框架包括Caffe、TensorFlow、Torch、及YOLO中的一种或多种。
6.根据权利要求1所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述硬件加速单元包括DNN硬件加速器和CNN硬件加速器中的一种或两种。
7.根据权利要求1所述的具有工艺参数智能调节功能的气相沉积设备,其特征在于,所述第一微控单元和第二微控单元均为ARM处理器。
8.一种气相沉积方法,其特征在于,所述气相沉积方法依权利要求1-7任一项所述的具有工艺参数智能调节功能的气相沉积设备进行。
9.一种控制模块,其特征在于:包括处理器及存储器;
所述存储器用于存储计算机程序;
所述处理器用于执行所述存储器存储的计算机程序,以使所述控制模块执行如权利要求8所述的气相沉积方法。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求8所述的气相沉积方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514260.2A CN112301322B (zh) | 2020-12-21 | 2020-12-21 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011514260.2A CN112301322B (zh) | 2020-12-21 | 2020-12-21 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112301322A CN112301322A (zh) | 2021-02-02 |
CN112301322B true CN112301322B (zh) | 2021-04-13 |
Family
ID=74487482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011514260.2A Active CN112301322B (zh) | 2020-12-21 | 2020-12-21 | 具有工艺参数智能调节功能的气相沉积设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112301322B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114107935A (zh) * | 2021-11-29 | 2022-03-01 | 重庆忽米网络科技有限公司 | 一种基于ai算法的pvd镀膜厚度自动调节方法 |
CN114481077B (zh) * | 2022-01-20 | 2023-08-25 | 江苏南高智能装备创新中心有限公司 | 一种金属镀膜自动化控制装置及其方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104332435A (zh) * | 2014-11-17 | 2015-02-04 | 北京七星华创电子股份有限公司 | 一种半导体工艺设备的参数调整方法 |
CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
CN109002883A (zh) * | 2018-07-04 | 2018-12-14 | 中国科学院计算技术研究所 | 卷积神经网络模型计算装置及计算方法 |
CN109313724A (zh) * | 2016-06-01 | 2019-02-05 | 科磊股份有限公司 | 针对半导体应用并入神经网络及前向物理模型的系统及方法 |
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
CN111190393A (zh) * | 2018-11-14 | 2020-05-22 | 长鑫存储技术有限公司 | 半导体制程自动化控制方法及装置 |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
CN111797982A (zh) * | 2020-07-31 | 2020-10-20 | 北京润科通用技术有限公司 | 基于卷积神经网络的图像处理系统 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110766129A (zh) * | 2018-07-27 | 2020-02-07 | 杭州海康威视数字技术股份有限公司 | 一种神经网络训练系统及显示数据的方法 |
CN110472695B (zh) * | 2019-08-22 | 2022-10-18 | 李世鹏 | 一种工业生产过程的异常工况检测和分类方法 |
CN111464793B (zh) * | 2020-05-15 | 2022-06-10 | 哈尔滨工业大学 | 一种基于人工智能对实验装置进行监控预警的方法和系统 |
-
2020
- 2020-12-21 CN CN202011514260.2A patent/CN112301322B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104332435A (zh) * | 2014-11-17 | 2015-02-04 | 北京七星华创电子股份有限公司 | 一种半导体工艺设备的参数调整方法 |
CN109313724A (zh) * | 2016-06-01 | 2019-02-05 | 科磊股份有限公司 | 针对半导体应用并入神经网络及前向物理模型的系统及方法 |
CN106951395A (zh) * | 2017-02-13 | 2017-07-14 | 上海客鹭信息技术有限公司 | 面向压缩卷积神经网络的并行卷积运算方法及装置 |
CN109002883A (zh) * | 2018-07-04 | 2018-12-14 | 中国科学院计算技术研究所 | 卷积神经网络模型计算装置及计算方法 |
CN111190393A (zh) * | 2018-11-14 | 2020-05-22 | 长鑫存储技术有限公司 | 半导体制程自动化控制方法及装置 |
CN111209609A (zh) * | 2018-11-21 | 2020-05-29 | 长鑫存储技术有限公司 | 生产参数确定方法及装置、系统、存储介质和电子设备 |
CN110619322A (zh) * | 2019-10-18 | 2019-12-27 | 武汉大学 | 一种基于多流态卷积循环神经网络的多导联心电异常信号识别方法及系统 |
CN111797982A (zh) * | 2020-07-31 | 2020-10-20 | 北京润科通用技术有限公司 | 基于卷积神经网络的图像处理系统 |
CN112016676A (zh) * | 2020-08-18 | 2020-12-01 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112301322A (zh) | 2021-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112301322B (zh) | 具有工艺参数智能调节功能的气相沉积设备及方法 | |
WO2018058842A1 (zh) | 一种生产线设备的调度方法和装置 | |
May | Manufacturing ICs the neural way | |
WO2002067297A2 (en) | Run-to-run control method for proportional-integral-derivative (pid) controller tuning for rapid thermal processing (rtp) | |
CN111177970B (zh) | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 | |
US7324865B1 (en) | Run-to-run control method for automated control of metal deposition processes | |
CN110676852B (zh) | 考虑潮流特征的改进极限学习机快速概率潮流计算方法 | |
CN109659254B (zh) | 对被处理体进行处理的方法 | |
Mohammadi et al. | Tradeoffs between convergence rate and noise amplification for momentum-based accelerated optimization algorithms | |
CN101295325A (zh) | 为掩模设计执行数据准备的系统、方法和计算机可读媒体 | |
Jeong et al. | Going Deeper or Wider: Throughput Prediction for Cluster Tools with Machine Learning | |
LeBaron et al. | Optimizing robot algorithms with simulation | |
US20200096981A1 (en) | System and method for improving simulation accuracy of manufacturing plants | |
Ma et al. | Sigma-point and stochastic gradient descent approach to solving global self-optimizing controlled variables | |
CN111798037A (zh) | 一种基于堆叠式极限学习机框架的数据驱动最优潮流计算方法 | |
CN104298213A (zh) | 一种基于参考批次的指数时变增益型迭代学习控制算法 | |
US20230147976A1 (en) | Coded substrate material identifier communication tool | |
CN112506149B (zh) | 一种机台程式控制方法及装置 | |
CN112051983B (zh) | 一种基于流水线的有限域高斯约当消元装置 | |
Han et al. | Deep learning-based virtual metrology in multivariate time series | |
WO2001050208A1 (en) | Semiconductor production control | |
TWI795946B (zh) | 佇列時間判斷方法及佇列時間判斷系統 | |
JP2012151447A (ja) | 基板処理方法、基板処理装置 | |
US20220415682A1 (en) | Sequencer time leaping execution | |
Sznaier et al. | An LMI approach to the identification and (in) validation of LPV systems |
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 |