CN112904821A - 一种基于遗传算法模型的数据分析方法及装置 - Google Patents
一种基于遗传算法模型的数据分析方法及装置 Download PDFInfo
- Publication number
- CN112904821A CN112904821A CN202110117640.0A CN202110117640A CN112904821A CN 112904821 A CN112904821 A CN 112904821A CN 202110117640 A CN202110117640 A CN 202110117640A CN 112904821 A CN112904821 A CN 112904821A
- Authority
- CN
- China
- Prior art keywords
- wafer product
- genetic algorithm
- algorithm model
- machine
- characteristic
- 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.)
- Pending
Links
- 230000002068 genetic effect Effects 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000007405 data analysis Methods 0.000 title claims abstract description 20
- 229940095676 wafer product Drugs 0.000 claims abstract description 133
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 239000004065 semiconductor Substances 0.000 claims description 8
- 235000012431 wafers Nutrition 0.000 description 10
- 239000013256 coordination polymer Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 108090000623 proteins and genes Proteins 0.000 description 5
- 210000000349 chromosome Anatomy 0.000 description 3
- 230000006866 deterioration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种基于遗传算法模型的数据分析方法及装置,该方法包括:获取预设时段内至少一个晶圆产品的输入数据;调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。通过实施本申请,能解决现有方案中存在的无法预估特征值的上限、耗时较长及精度不高等问题。
Description
技术领域
本申请涉及工业大数据技术领域,涉及基于遗传算法模型在集成电路制造产业中的应用,特别是涉及一种基于遗传算法模型的数据分析方法及装置。
背景技术
对于成熟的半导体工艺制程而言,产品质量如良率(Circuit Probing,CP)或终测(Final Test,FT)主要取决于工艺机台的性能表现和其过货路径。通常评估机台好坏的方法是分析上述某一类数据,通过共通性(commonality)以及工程师的经验来判定机台表现的好坏差异。
例如,过货某一机台的一批晶圆产品的CP值相对于其他机台明显偏低,则认为该机台性能表现较差,对该机台进行突出(highlight),调配工程师进行应对、微调处理事件(case),从而使产品质量稳定,并不能得出产品的一个最优路径(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问题的能力,存在一定的主观性和片面性。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CP(即特征值),但截至目前并没有任何方法可以预估其特征值上限是多少,且寻找问题机台是由工程师一系列的数据分析及综合经验判断得出,耗时较长、分析精度不高。此外对处理问题的工程师有很高的要求,时间和人力成本投入较大,且问题复杂时效率明显下降厉害。
发明内容
为克服上述现有技术存在的不足,本申请之目的在于提供一种基于遗传算法模型的数据分析方法及装置,能解决现有方案中存在的无法预估特征值的上限、耗时较长及精度不高等问题。
为达上述及其它目的,本申请提出一种基于遗传算法模型的数据分析方法,包括如下步骤:
获取预设时段内至少一个晶圆产品的输入数据,所述输入数据包括所述晶圆产品的初始过货路径、机台数据及特征值,所述初始过货路径指半导体生产过程中,所述晶圆产品经过所有生产机台所形成的路径;
调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据;
其中,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。
可选的,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征上限值。
可选的,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的最优过货路径。
可选的,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径、机台数据及特征值进行正向进化,并对特征值低于预设值的机台进行进化分析,预测输出被突出的问题机台。
可选的,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征下限值。
为达上述及其它目的,本申请还提出一种基于遗传算法模型的数据分析装置,包括:
获取单元,用于获取预设时段内至少一个晶圆产品的输入数据,所述输入数据包括所述晶圆产品的初始过货路径、机台数据及特征值,所述初始过货路径指半导体生产过程中,所述晶圆产品经过所有生产机台所形成的路径;
分析单元,用于调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据;
其中,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。
可选的,所述分析单元具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征上限值。
可选的,所述分析单元具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的最优过货路径。
可选的,所述分析单元具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径、机台数据及特征值进行正向进化,并对特征值低于预设值的机台进行进化分析,预测输出被突出的问题机台。
可选的,所述分析单元具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征下限值。
由上可见本申请提供了一种基于遗传算法模型的数据分析方法及装置,能达到以下有益效果:通过优化已建立的遗传算法模型一方面寻找晶圆产品过货的最优过货路径,同时预测该晶圆产品基于现在机况下的特征上限值,为线上机台管控和优化提供参考,提高产品质量;另一方面可突出问题机台(bad tool),预测晶圆产品基于当前机况下的特征下限值(即恶化下限值),为线上机台管控及调整提供参考,保证产品质量稳定。同时,也能解决现有方案中存在的无法预估产品特征上限值、寻找问题机台中存在的耗时较长、投入较大及精度不高等问题。
附图说明
图1是本申请实施例提供的一种基于遗传算法模型的数据分析方法的流程示意图。
图2是本申请实施例提供的一种特征上限值的进化示意图。
图3是本申请实施例提供的一种特征下限值的进化示意图。
图4是本申请实施例提供的一种基于遗传算法模型的数据分析装置的结构示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本申请的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本申请的其它优点与功效。本申请亦可通过其它不同的具体实例加以施行或应用,本说明书中的各项细节亦可基于不同观点与应用,在不背离本申请的精神下进行各种修饰与变更。
本申请涉及的遗传算法(Genetic Algorithm,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和蒙代尔的遗传变异理论;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(基因型)是某种基因组合,它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。初代中裙产生之后,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(或特征值)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。通过建立与FBA实际相结合的遗传算法模型,并进行多项优化形成较成熟的算法模型。本申请是主要介绍该模型在集成电路制造产业中的具体多项应用,可输出该段区间内晶圆产品的最优过货路径、特征上限值、突出的问题机台,预测该晶圆产品基于当前机况下的特征下限值,为线上机台管控及优化提供参考,保持产品质量稳定,同时大大减少人力付出。
请参见图1,是本申请实施例提供的一种基于遗传算法模型的数据分析方法的流程示意图。如图1所示的方法包括如下实施步骤。
S101、获取预设时段内至少一个晶圆产品的输入数据,该输入数据包括晶圆产品的初始过货路径、各机台数据及每个晶圆产品的特征值,该初始过货路径是指半导体生产过程中晶圆产品经过所有生产机台所形成的路径。
S102、调用遗传算法模型对至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到晶圆产品的输出数据。该输出数据包括以下中的至少一项:晶圆产品的特征上限值、特征下限值、最优过货路径或突出的问题机台。
本申请遗传算法模型的输入数据可以是一批晶圆(产品)的初始过货路径、每片晶圆(产品)的特征值及各机台数据。其中,特征值是指半导体生产过程中与晶圆产品有关的CP值或Bin值。通过优化已建立的遗传算法模型对输入数据进行进化和预测分析,在不同应用场景下可输出相应地输出数据,例如寻找产品过货的最优过货路径,预测产品基于当前机况下的特征上限值或特征下限值,为线上机台管控及优化提供参考,提高产品质量。下面介绍遗传算法模型在制造产业中的应用,具体可例如在集成电路制造产业中的应用。
应用场景1:正向预测极值
在一种可能的实施方式中,本申请可调用遗传算法模型对至少一个晶圆产品的初始过货路径和特征值CP/Bin进行正向进化,调整选择最优机台过货使得晶圆产品的特征值趋于稳定,输出此时晶圆产品的特征上限值。具体地,算法模型的正向进化,具有预测的功能,输入一批晶圆产品的初始过货路径以及特征值(CP/Bin),以特征值往好的方向进化为基准,通过当前机况条件下,不断选择最优的机台过货,产品的质量会持续攀升而后趋于稳定,最终特征值趋于的稳定值即为该当前机况条件下该晶圆产品所能达到的质量最优值。请参见图2示出一种可能的特征上限值进化变化示意图。如图2所示,以特征值为良率CP为例,晶圆产品的初始良率为97.8%,带入遗传算法模型通过不断进化输出该晶圆产品在当前机况条件下的最终良率可达到98.15%。
应用场景2:最优过货路径
在另一种可能的实施方式中,本申请调用遗传算法模型对至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整最优机台过货使得晶圆产品的特征值趋于稳定,输出此时晶圆产品的最优过货路径。具体地,基于当前的机况条件,输入一批晶圆产品的初始过货路径和特征值(即初始值),利用模型不断调整选择最优过货的机台,从而特征值会逐渐升高直至趋于稳定值,此时产品的过货路径可定义为最优过货路径。
应用场景3:输出问题机台
在另一种可能的实施方式中,本申请调用遗传算法模型对至少一个晶圆产品的初始过货路径、各机台数据及特征值进行正向进化,对特征值较低(例如低于预设值)的机台进行进化分析,预测输出被突出的问题机台。具体地,基于当前的机况条件,输入初始值(一批晶圆产品的初始过货路径、各机台数据及特征值),利用模型不断调整选择最优过货机台,从而特征值会逐渐升高直至趋于稳定值,当每次选取适应度(即特征值)高的机台进化,但适应度低的机台并未被选出,可据每次未被选中的机台进行分析,每次进化选出被突出(highlight)的机台,多次进化后分析判断被突出的机台即为问题机台。
举例来说,参见下表1和表2示出某时间段内某晶圆产品出现问题,某个Bin值失效验证,通过遗传算法模型验证,模型输出的问题机台如下表1示出的步骤6(step6)的01号机台,和步骤14(step14)的04号机台。
表1
如上表1所示,模型预测的问题机台是step6中的01号机台和step14中的03号机台,对应机型分别是Alimia01和Athdpn04。step6中的01号机台的过货量是152个晶圆,过货率为63.1%;step14中的03号机台的过货量是34个晶圆,过货率为14.1%。
为验证遗传算法模型的准确性,工程师对此进行分析对比得出如下表2示出step14中部署的3个机台的特征值波动示意图。对比确定出的问题机台是step14中的04号机台。
表2
由上表2可知,step14中设置有3个机台,分别是Athdpn01、Athdpn02和Athdpn04。3个机台的特征值的平均值、波动范围及过货量如上表所示,其中Athdpn04的特征值的平均值及波动范围最大,可判断其出现故障/问题的几率最大,换言之Athdpn04机台即为问题机台。
应用场景4:方向预测极值
在另一种可能的实施方式中,本申请调用遗传算法模型对至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得晶圆产品的特征值趋于稳定,输出此时晶圆产品的特征下限值。具体地,算法模型的反向预测功能,指的是与正向进化相反,输入一批晶圆产品的初始过货路径以及每个晶圆产品的特征值CP/Bin,以特征值往差的方向进化为基准,即每次都会选择问题机台进行过货,则最后可输出基于当前的机况条件下该晶圆产品的特征最低值(即特征下限值)。请参见图3示出一种可能的特征下限值进化变化的示意图。如图3中,以特征值为Bin值为例,晶圆产品某Bin在某段时间的失效率为1.5%,若不做任何改善措施,基于当前的机况条件下该晶圆产品的Bin会最终恶化到3%,需提醒工程师及时反映,作出改善。
通过实施本申请实施例,通过优化已经建立的遗传算法模型,一方面寻找产品过货的最优过货路径,同时预测产品基于现在的机况条件的特征上限值,为线上机台管控及优化提供参考,提供产品质量;另一方面可突出问题机台,预测产品基于当前机况条件下的特征恶化下限值,为线上机台管控及调整提供参考,保证产品质量稳定,可大大减少时间及人力成本的投入。针对中等难度事件(case),如果利用工程师处理则需要1.5年以上工作经验的工程师以及2天时间来处理,如果利用遗传算法模型处理则需0.5年工作经验的工程师及0.5天时间来处理,大大降低时间和人力成本的投入。
请参见图4,是本申请实施例提供的一种基于遗传算法模型的数据分析装置的结构示意图。如图4所示的装置包括获取单元401和分析单元402。其中:
所述获取单元401,用于获取预设时段内至少一个晶圆产品的输入数据,所述输入数据包括所述晶圆产品的初始过货路径、机台数据及特征值,所述初始过货路径指半导体生产过程中,所述晶圆产品经过所有生产机台所形成的路径;
所述分析单元402,用于调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据;
其中,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。
可选的,所述分析单元402具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征上限值。
可选的,所述分析单元402具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的最优过货路径。
可选的,所述分析单元402具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径、机台数据及特征值进行正向进化,并对特征值低于预设值的机台进行进化分析,预测输出被突出的问题机台。
可选的,所述分析单元402具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征下限值。
由上可见本申请提供了一种基于遗传算法模型的数据分析方法及装置,能达到以下有益效果:通过优化已建立的遗传算法模型一方面寻找晶圆产品过货的最优过货路径,同时预测该晶圆产品基于现在机况下的特征上限值,为线上机台管控和优化提供参考,提高产品质量;另一方面可突出问题机台(bad tool),预测晶圆产品基于当前机况下的特征下限值(即恶化下限值),为线上机台管控及调整提供参考,保证产品质量稳定。同时,也能解决现有方案中存在的无法预估产品特征上限值、寻找问题机台中存在的耗时较长、投入较大及精度不高等问题。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何本领域技术人员均可在不违背本申请的精神及范畴下,对上述实施例进行修饰与改变。因此,本申请的权利保护范围,应如权利要求书所列。
Claims (10)
1.一种基于遗传算法模型的数据分析方法,其特征在于,包括:
获取预设时段内至少一个晶圆产品的输入数据,所述输入数据包括所述晶圆产品的初始过货路径、机台数据及特征值,所述初始过货路径指半导体生产过程中,所述晶圆产品经过所有生产机台所形成的路径;
调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据;
其中,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。
2.根据权利要求1所述的基于遗传算法模型的数据分析方法,其特征在于,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征上限值。
3.根据权利要求1所述的基于遗传算法模型的数据分析方法,其特征在于,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的最优过货路径。
4.根据权利要求1所述的基于遗传算法模型的数据分析方法,其特征在于,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径、机台数据及特征值进行正向进化,并对特征值低于预设值的机台进行进化分析,预测输出被突出的问题机台。
5.根据权利要求1所述的基于遗传算法模型的数据分析方法,其特征在于,所述调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据包括:
调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征下限值。
6.一种基于遗传算法模型的数据分析装置,其特征在于,包括:
获取单元,用于获取预设时段内至少一个晶圆产品的输入数据,所述输入数据包括所述晶圆产品的初始过货路径、机台数据及特征值,所述初始过货路径指半导体生产过程中,所述晶圆产品经过所有生产机台所形成的路径;
分析单元,用于调用遗传算法模型对所述至少一个晶圆产品的输入数据进行特定方向的进化和预测分析,得到所述晶圆产品的输出数据;
其中,所述输出数据包括以下中的至少一项:所述晶圆产品的特征上限值、特征下限值、最优过货路径或者问题机台。
7.根据权利要求6所述的基于遗传算法模型的数据分析装置,其特征在于,
所述分析单元,具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征上限值。
8.根据权利要求6所述的基于遗传算法模型的数据分析装置,其特征在于,
所述分析单元,具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行正向进化,调整选择最优机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的最优过货路径。
9.根据权利要求6所述的基于遗传算法模型的数据分析装置,其特征在于,
所述分析单元,具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径、机台数据及特征值进行正向进化,并对特征值低于预设值的机台进行进化分析,预测输出被突出的问题机台。
10.根据权利要求6所述的基于遗传算法模型的数据分析装置,其特征在于,
所述分析单元,具体用于调用遗传算法模型对所述至少一个晶圆产品的初始过货路径和特征值进行反向进化,调整选择问题机台过货使得所述晶圆产品的特征值趋于稳定,输出此时所述晶圆产品的特征下限值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117640.0A CN112904821A (zh) | 2021-01-28 | 2021-01-28 | 一种基于遗传算法模型的数据分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117640.0A CN112904821A (zh) | 2021-01-28 | 2021-01-28 | 一种基于遗传算法模型的数据分析方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112904821A true CN112904821A (zh) | 2021-06-04 |
Family
ID=76119574
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117640.0A Pending CN112904821A (zh) | 2021-01-28 | 2021-01-28 | 一种基于遗传算法模型的数据分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904821A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030117652A1 (en) * | 1999-09-17 | 2003-06-26 | Paul Lapstun | Rotationally symmetric tags |
TWI229915B (en) * | 2004-02-13 | 2005-03-21 | Taiwan Semiconductor Mfg | Method and system for analyzing wafer yield against uses of a semiconductor tool |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN110516807A (zh) * | 2019-08-29 | 2019-11-29 | 上海华力集成电路制造有限公司 | 半导体产品良品率极值计算方法及其极值计算系统 |
CN110909968A (zh) * | 2018-09-17 | 2020-03-24 | 长鑫存储技术有限公司 | 半导体产品良率分析方法、分析系统及计算机存储介质 |
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 |
-
2021
- 2021-01-28 CN CN202110117640.0A patent/CN112904821A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030117652A1 (en) * | 1999-09-17 | 2003-06-26 | Paul Lapstun | Rotationally symmetric tags |
TWI229915B (en) * | 2004-02-13 | 2005-03-21 | Taiwan Semiconductor Mfg | Method and system for analyzing wafer yield against uses of a semiconductor tool |
CN107479509A (zh) * | 2008-03-06 | 2017-12-15 | 应用材料公司 | 用于控制设备工程系统的良品率预测反馈 |
CN110909968A (zh) * | 2018-09-17 | 2020-03-24 | 长鑫存储技术有限公司 | 半导体产品良率分析方法、分析系统及计算机存储介质 |
CN110516807A (zh) * | 2019-08-29 | 2019-11-29 | 上海华力集成电路制造有限公司 | 半导体产品良品率极值计算方法及其极值计算系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20030171829A1 (en) | System and method for complex process optimization and control | |
Rosales-Pérez et al. | A hybrid surrogate-based approach for evolutionary multi-objective optimization | |
CN109861206B (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
CN112001526A (zh) | 一种基于优化小生境遗传算法的资源调度优化方法 | |
Salimpour et al. | Semi-robust layout design for cellular manufacturing in a dynamic environment | |
CN111199305A (zh) | 基于神经网络的生产能耗预测方法、系统、电子终端及存储介质 | |
CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
CN115470862A (zh) | 动态自适应负荷预测模型组合方法 | |
CN115831263A (zh) | 一种优化电解精炼高纯铟产品合格率的方法及系统 | |
CN110490446A (zh) | 一种基于改进遗传算法的模块化工艺重组方法 | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
CN117170980B (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
CN110675055A (zh) | 一种自动化生产线建模与布局规划方法及系统 | |
CN112904821A (zh) | 一种基于遗传算法模型的数据分析方法及装置 | |
Chan et al. | Modelling and optimization of fluid dispensing for electronic packaging using neural fuzzy networks and genetic algorithms | |
CN110516807B (zh) | 半导体产品良品率极值计算方法及其极值计算系统 | |
Grichi et al. | Optimization of obsolescence forecasting using new hybrid approach based on the RF method and the meta-heuristic genetic algorithm | |
CN114819391B (zh) | 基于历史数据集时间跨度优化的光伏发电功率预测方法及系统 | |
CN110399968B (zh) | 基于效用函数的系统级测试性设计多目标优化方法 | |
Ma et al. | Applying hierarchical genetic algorithm based neural network and multiple objective evolutionary algorithm to optimize parameter design with dynamic characteristics | |
CN112327097A (zh) | 一种电力故障线路定位方法 | |
Morandin et al. | An adaptive genetic algorithm based approach for production reactive scheduling of manufacturing systems | |
Liu et al. | Integrating preference based weighted sum into evolutionary multi-objective optimization | |
Huang et al. | Genetic algorithm to speed up modeling turn-around-time | |
Roeva | Multipopulation genetic algorithms: A tool for parameter optimization of cultivation processes models |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |