CN112956035A - 处理半导体结构的图像的方法及借助语义数据压缩的工艺过程表征和工艺过程优化的方法 - Google Patents

Abstract

本公开涉及处理太阳能电池的半导体结构的在采用成像方法下生成的图像的方法。相应的方法包括借助经训练的神经网络处理半导体结构的图像以生成该图像的语义表现，其中该语义表现的数据大小小于该图像的数据大小。该方法还包括存储对应于该半导体结构的语义表现，作为用于确定太阳能电池性能和/或用于太阳能电池半导体结构的晶体分析的图像的相关信息的信息载体。其它方面涉及改进半导体工艺过程的方法、评估半导体结构的空间分辨质量图像中的遮蔽区域的方法以及预测太阳能电池的至少一个性能的方法。

Description

处理半导体结构的图像的方法及借助语义数据压缩的工艺过 程表征和工艺过程优化的方法

技术领域

实施例涉及用在太阳能电池工艺过程中的方法。示例涉及处理在使用成像方法的情况下生成的太阳能电池的半导体结构的图像的方法、改进半导体工艺过程的方法、评估半导体结构的空间分辨质量图像的方法和预测太阳能电池的至少一个性能的方法。

背景技术

在半导体晶圆和太阳能电池的生产中需要监测工序和所用材料的质量并获得有关工序影响的信息。这可用于评估太阳能电池的各种参数或将太阳能电池划分为某个质量等级。例如，可以执行电测量以确定太阳能电池的电流-电压参数。

也可行的是，使用成像测量方法来测量晶圆和太阳能电池。但是，测量结果因为变化的空间分布和变化的图像结构组合而有时无法相互比较。此外，因为相应高的图像分辨率，相应的数据组需要很大的存储容量并且可能出现相应长时间的数据处理。此外，难以将不同测量系统的结果相互关联。

然而，因为太阳能电池批量生产中的高生产率而需要提供快速高效的数据处理以监测生产过程。因此，人工评估测量结果尤其可能不合适。借助按照单纯人类标准来量化图像结构的算法的评估和分类通常很耗时、易出错且通常说服力差。单独太阳能电池的电接触也可能很耗时，以至无法在批量生产中进行太阳能电池质检。

为了分类太阳能电池，可以通过已知方式记录电流-电压特性曲线的测量结果。但这种方法费时，因为它总是需要单独太阳能电池的相应接触。例如，基于单纯电测量，还只能有限地识别太阳能电池质量低下的原因。

本发明的任务因此是提供一种用于太阳能电池生产的方法，其允许高效监测所用半导体工艺过程或所用材料的质量和/或优化所用半导体工艺过程。

发明内容

该任务根据独立权利要求来完成。本发明的其它优点可以通过所公开的方法的如从属权利要求所述的改进方案以及通过以下说明书和附图的实施例来得到。

相应地，描述了一种处理用成像方法生成的太阳能电池半导体结构的图像的方法。该方法包括借助经训练的神经网络对半导体结构的图像进行处理以产生图像的语义表现。根据该方法所生成的语义表现的数据大小在此小于该图像的数据大小。此外，该方法还包括存储分配给半导体结构的语义表现。该语义表现提供相关图像信息的信息载体，该信息可被用于太阳能电池的性能或参数的确定和/或用于太阳能电池半导体结构的晶体分析。由此例如可以实现使用语义表现来预测太阳能电池参数或基于晶体分析推断所用材料或太阳能电池生产中所执行的半导体工艺过程。

与本发明相关地示出的神经网络例如可以通过处理器(例如通用CPU)、FPGA、ASIC或类似的计算装置来执行和/或训练。

与此相应，其图像可根据该方法进行处理的太阳能电池的半导体结构例如是半导体晶圆、诸如仅部分经处理的半导体结构的太阳能电池前体或者已经完成的太阳能电池本身。相关的半导体结构可以相应地不仅包括由半导体材料构成的区域，也包括例如包含由导电材料构成的触点接通结构的太阳能电池区域。半导体结构还可以包括例如可被分成晶圆的半导体块(砖：brick)。

所用的半导体结构的图像可以借助成像方法来生成，或者在语义表现生成之前生成。合适的方法例如包括使用电致发光测量、光致发光测量或温度记录。此外，反射信号测量或透射信号测量也可被用来生成半导体结构的图像。半导体结构的图像例如可以是黑白图像或彩色图像。

相应地，该方法可以包括使用上述方法之一或本领域技术人员已知的合适替代方法生成对应的图像。例如在生成语义表现之前可以就图像分辨率而言将图像降低到相同的分辨率或标准分辨率，或者可以修正图像坐标以按照相同坐标或图像中的标准坐标来统一定位和缩放样本，以提高图像可比性和各图像的位置特定信息。在该网络内，输入图像可以在不同的子网中被预处理，随后才以相同的分辨率被组合。可以进行在先(在生成语义表现之前)依据同一坐标系的数据对齐/校准。

例如，基于图像本身，无法或只能很困难地评估半导体结构的质量或参数。因此本发明规定，使用经训练的神经网络来生成图像的语义表现。语义表现的生成例如可被称为数据压缩。在此可以通过神经网络从图像中提取语义上有意义的参数，或者换句话说，具有就材料质量、太阳能电池质量和/或过程质量而言具有意义或说服力的那些参数。不同于图像的特定光学图像信息，语义表现可以包含图像的抽象特征，这些抽象特征使得能够推断出半导体结构的参数。该神经网络可以是卷积神经网络或其它神经网络，如递归神经网络。

语义表现可以包含神经网络层权重的权重分布。视所用神经网络的类型的不同，神经网络的不同层可以就其深度来表示该语义表现。所使用的层可以表示语义表现的信息内容与语义表现的数据大小之间的折中。例如，神经网络的最后一层可用于语义表现，或者是被布置成与靠近神经网络输入层相比更靠近神经网络输出层的一层。还可行的是，该语义表现可以基于神经网络的例如彼此相邻的两个以上层的权重的权重分布。

被用于语义表现的网络层可以是能从这一层借助线性或非线性分类方法或回归方法来预测参数(如一个或更多个目标值)的层。语义表现可以是在网络最后线性回归之前的神经网络层的值。

在一个示例中，可以使用具有编码器-解码器结构的神经网络的层，该层处于网络瓶颈区域中，即例如是具有最少数量权重的且进而数据大小最小的层。由此可允许特别高效的数据压缩，其中，相应的语义表现在数据大小较小的情况下包括所有的图像相关参数。例如，语义表现具有多个向量，每个向量都配属有一个待预测的太阳能电池参数。

因此可行的是，通过生成语义表现可实现图像信息的压缩存储。例如，语义表现具有图像数据大小的最多10％、最多1％或最多0.1％的数据大小。如此从图像压缩中得到语义(如语义表现的说服力)，即，它关于在光伏发电价值供应链内的一个或更多个质量参数方面具备说服力。

语义表现可以基于太阳能电池的半导体结构的借助神经网络处理的至少两个图像，这些图像借助不同的成像方法生成。尤其可以使用三个、四个或更多的图像来生成语义表现。由此例如可以提高基于语义表现的参数预测或确定的半导体结构参数的预测质量。可能的是，两个不同的图像分别包含关联信息。如果例如存在不同的半导体结构图像，则可以借助语义表现在单个语义表现中甚至更有效地压缩存储关于半导体结构的信息，并且可放弃存储多个单独图像。在关联信息的情况下，可以更高效地执行该方法。

此外，在不同的输入图像与补充信息的组合情况下，所述表现的语义也可被提高。在补充信息情况下，语义表现可变得更有说服力和/或更高效。因此在用于高效存储和分析测量值的表现中，测量数据组合输入到网络中是有利的。对此，例如可以将这些效果彼此区分开，它们例如根据在半导体结构中出现的缺陷的类型而在至少其中一个记录中不同地出现。在太阳能电池输出测试中，这例如可能是热成像和发光记录的组合，该组合被训练以预测电流-电压参数(IV参数)。语义表现在此使得能够区分仅在其中一个记录中看不到的许多缺陷。由此，可以放弃人工评估许多不同图像，取而代之地以时间高效方式评估一个语义表现。例如，短路可能由边缘绝缘不良或裂纹引起的。短路可以通过在热成像中增大的信号来识别。此缺陷的起因可通过发光测量中的表象来确定，其中，两种缺陷类型表示不同的图像标志。在初始测试中的材料评估情况下，这可能是光致发光记录与反射或透射测量的组合，例如用于区分开复合活性晶界和非复合活性晶界。

因此，语义表现提供在太阳能电池生产期间可被调查的数据的可理解或语义上有意义的显示。为了获得对工艺过程和材料的消息，可能需要这种可理解的数据准备。因此，可以通过该方法以特别合适的方式压缩和存储测量数据，以便能将它们相互比较并能从中汲取相关信息。尤其是，可以从图像或图形(测量数据)中提取相关特征(表现)，以便能确定例如生产所用的材料或所用的工序的质量变化和过程变化。

此外，因为在半导体生产或太阳能电池生产中有高的产量或高的单位时间生产件数，故需要测量数据的快速压缩，这可通过使用神经网络来确保。语义表现可被用来例如有效存储图像数据。语义表现还能允许包含有意义的语义特征的定量数据分析以监测结晶和生产过程。因此，所述表现可被用于预测太阳能电池的参数。这种预测能允许无需接触式测量方法即可确定太阳能电池的参数和/或太阳能电池的质量等级，进而减少在表征太阳能电池半导体结构时所需的时间。

有利地，根据本发明的方法因此可被用来高效存储和/或压缩数据，同时使得关于半导体结构的可理解显示和信息内容是可访问的并通过所产生的可比性来提高数据值。该方法的改进方案可以允许预测和/或分类太阳能电池质量(如将包括相应半导体结构的太阳能电池划分至一个质量等级)，相互区分半导体结构的过程缺陷和材料缺陷和/或分析半导体结构的结晶。基于此，例如能监测和/或优化半导体工艺过程。

本发明方法的一个优点可以是，在分析数据时使用语义表现，该语义表现隐含包含关于期望质量特征的相关图像信息。例如也可以在语义上将在该表现内的多个图像数据组合。在此情况下，可以高效保存数据、高效相互比较并且优化工艺过程。该方法可被用于分析和优化结晶过程、分析和优化太阳能电池工艺过程、监测太阳能电池生产过程和/或借助非接触式成像方法快速确定太阳能电池的分类。

为了实现该方法，例如可以首先训练神经网络。为此可以测量半导体结构的参数(例如在允许确定单独IV参数的每次单独电测量中)，所述参数随后应使用神经网络来预测(例如基于唯一的成像测量而不是大量单独电气测量)。相应的参数例如可以被称为目标参数。相应地，方法可以包括使用各半导体结构或太阳能电池的多个图像作为输入数据以及使用分配给相应图像的各太阳能电池的许多测量性能作为输出数据来训练神经网络。被测参数可以与各半导体结构的各种不同图像结合使用以训练神经网络。大量数据可以允许能更详细确定例如太阳能电池的参数变化的起因。

如已经提到地，所存储的语义表现可以被用于预测或确定半导体结构的特征，如太阳能电池的参数(IV参数)或结晶特征。例如，可以提供一种用于分析太阳能电池的半导体结构的晶体结构的方法，并且该方法为此可以包括借助所提及的成像方法来生成太阳能电池的半导体结构的图像。该方法还可以包括基于该图像并使用经训练的神经网络来生成语义表现以及使用该语义表现来确定太阳能电池的半导体结构的结晶特征。

因此，语义表现可以就像被用于表征单纯半导体晶圆或太阳能电池前体那样被用于表征太阳能电池。

本发明的一个方面涉及一种确定太阳能电池的至少一个性能的方法。该方法包括使用太阳能电池或太阳能电池的半导体结构的借助成像方法所生成的图像的语义表现，其中，该语义表现借助神经网络来生成，该方法还包括基于该语义表现确定所述太阳能电池的至少一个性能。

换句话说，该方法可被用于基于半导体结构的图像和语义表现的使用来确定太阳能电池的参数或性能。语义表现的使用可以允许参数的更高效确定。所述参数可以在使用神经网络情况下被确定。例如可以使用被用来生成语义表现的神经网络。

待确定的参数或性能可能涉及太阳能电池的太阳能电池参数。所述至少一个性能可例如包括空载电压、短路电流、短路电流密度、效率、占空因数、暗饱和电流和/或全局太阳能电池参数，例如像太阳能电池的串联电阻。

串联电阻例如可以借助太阳能电池的光致发光成像来确定，其中，电池被部分遮蔽。在此，在被照亮部分中所产生的电荷载流子流入未被照亮的部分。因此，出现内部电流流过太阳能电池的串联电阻，这在发光图像中可见。将产生第二记录，其中，被照亮区域和未被照亮区域与第一记录互补。通过将照亮区域合并，所述结果由两个记录汇总，其中尤其可能需要与照明相关的计算步骤。通过使用语义表现而可以代替两个单独记录或图像地在单个语义表现中呈现和存储串联电阻信息。

根据方法待确定的至少一个性能例如涉及太阳能电池的空间分辨质量标准。例如，暗饱和电流可被预测。该方法的目的通常可以是生成语义表现，完善语义表现并通过仅需在训练期间使用它们来替换费时的空间分辨测量。可以借助编码器-解码器架构来进行语义表现的生成，在这里，例如输入图像(输入)由在太阳能电池工艺过程期间的在线测量结构组成，并且输出图像是太阳能电池的质量图像。在一个具体示例中，电致发光记录和热成像记录可以与串联电阻图像的预测和/或暗饱和电流图像相关地被压缩。在全局质量值和局部质量值的组合评估(借助使用包括编码器-解码器架构的混合模型同时还有回归/分类模型)中，可以从关于所有预测参数的网络优化中完成表现的生成。这例如可以通过损失函数加权来获得。损失的权重可能随学习过程而变。特别是，可以合并来自不同预测参数的表现的组合，该组合随后可被优选以预测另一个质量参数。不同损失函数的权重可以随时间而变。例如可以从短路电流预测中推导出部分表现，而从断路钳电压和占空因数的预测中推导出另一预测。另外，这些特征可以与效率预测相关地被组合优化。

例如，该方法可以包括基于借助该方法所确定的至少一个性能将太阳能电池分配给一个质量等级。优点是可基于图像进行分类，进而可放弃用于将太阳能电池归类至不同质量等级的漫长的接触式测量。

例如该方法可被用于表征太阳能电池、概括地讲半导体结构和/或晶圆。此时可以从晶圆的特性或特征(如裂缝、晶界等)中回推出太阳能电池参数。

与之相关，示例涉及太阳能电池的表征。图像例如发光记录(电致发光/光致发光)、热成像记录和反射记录可以包含关于太阳能电池工艺过程的有价值的信息，这些信息未被充分量化以进行对图像的经验分析。例如在太阳能电池表征中的一个目的可能是预测表示一些单独参数的参数(预测参数)。例如在卷积神经网络中，为此训练一个用于预测IV参数(IV：电流-电压)的预测模型。从神经网络的一层或多层中取得该数据的语义表现并进行存储。这在用于预测所有IV参数的多元网络中例如可以是在每个预测参数的最后一个回归步骤之前的层。或者，预测参数可以包含空间分辨预测。与此相应地，该网络例如可以关于一个或更多个空间分辨质量参数(如暗饱和电流)的预测被优化。暗饱和电流密度的预测例如加强了与太阳能电池相关的且具有强物质关系的复合活性结构的测知。例如串联电阻图像的预测增强电阻效果的表现。

另选地，预测参数可以包括组合测量。所述预测可以关于多个单独的和/或空间分辨的测量的组合预测被优化。在此情况下，来自网络的不同部分的表现可被组合。因此例如可如此设计该网络，即，语义表现的不同部分被优化以用于预测空间分辨信息或全局信息，并且被组合优化以预测另一个参数、如预测太阳能电池的效率。

所述语义表现允许比较例如太阳能电池的不同样本，因为可通过语义表现来计算样本之间距离。因此，可借助统计方法例如监督和无监督机器学习方法来分析数据。在此情况下，IV数据也可被考虑用于分析。例如可以通过聚类分析来识别特定缺陷现象。可以考虑使用诸如分层聚类方法、k-means聚类、EM算法、自组织图、嵌入技术(例如t-SNE)之类的分析方法或其它方法进行分析。

通过分析或表征半导体结构可以确定现象。在此，可能出现的现象有：接触时的测量误差、由泳透引起的太阳能电池短路、由裂纹引起的太阳能电池短路、由栅线中断或导体线轨错误接触太阳能电池的半导体结构引起的串联电阻降低、影响效率和空载电压的不同材料影响因素(如过量电荷载流子的使用寿命)、由错位引起的复合活性干扰结构的分布、因缩短过量电荷载流子使用寿命的坩埚污染引起的材料缺陷的分布、和/或防反射涂层或因接触单元宽度而引起的遮蔽对短路电流的影响。

例如，由半导体工艺过程变化引起的现象可能是太阳能电池串联电阻减小。根据该方法的分析可允许给该现象分派存在栅线中断的起因。相应地，该信息可被用于消除该起因来源，由此又改进半导体工艺过程。

换句话说，基于语义表现的半导体结构即太阳能电池或晶圆的分析允许更准确或更详细地视为仅基于IV参数。这归结于以下事实，即，语义表现含有大量关于可被用来确定IV参数的半导体结构的附加信息。但是，所提供的附加信息例如允许也能确定可解释相应IV参数出现的原因或现象。

使用语义表现和神经网络来确定现象的优点还可能是，因为可被处理的数据量和图像信息大，故能确定基于人工图像评估还不能被揭示的现象。由此，本发明的方法可以改进半导体结构的表征或分析。

还可行的是，使用可视化技术来分析所述表现。由此例如能以易理解的方式呈现效果或参数变化起因以用于人工评估或识别。在嵌入技术的范围内还能进一步减小所述表现的尺寸，在这里，所述表现之间的距离在压缩数据空间中得以保留。在低维嵌入空间中，比如能可视化相邻的记录和质量值。在监督学习方法中，可以考虑使用目标参数来对所述表现进行分组。

例如可行的是也将该方法用于表征晶圆，比如用于检查材料质量。在锯切过程之后的晶圆表征中，一般将光致发光吸收以及透射和反射测量连带变化的照明结构例如照明角度考虑作为网络用输入值。光致发光吸收在此测知复合活性缺陷。透射吸收测知裂纹和金属夹杂。反射测量测知晶粒结构。

因此，语义表现可以包含有关半导体结构或晶圆的信息，该信息在别的地方只在多个单独图像中可获得和被存储。

例如，可对晶圆的一些单独参数进行预测(预测参数＝单独参数)。网络例如被训练以预测质量参数，其中，空载电压或效率是合适的参数。或者，可执行空间分辨测量(预测参数＝空间分辨测量)。可以关于一个或更多个空间分辨质量参数的预测来优化该网络。暗饱和电流密度的预测例如加强了与太阳能电池相关的复合活性结构的测知。晶界检测增强了晶粒分布表现。或者，可执行组合式测量(预测参数＝组合式测量)。可以关于多个单独的空间分辨测量的组合预测来优化该预测。在此情况下，来自网络不同部分的表现可被组合。

在分析晶圆语义表现时可被确定的现象例如是：由复合活性干扰点造成的材料缺陷、复合活性晶界、非复合活性晶界、由坩埚造成的污染、由边缘污染造成的载流子寿命缩短、金属夹杂和/或在表面上的强烈锯痕或晶粒分布均匀性类型。

例如单纯基于半导体结构图像可能难以将不同的半导体结构相互比较。因此，根据该方法在一个实施例中规定，使用语义表现来将这个半导体结构与另一半导体结构进行比较。例如，这在使用与另一半导体结构相对应的语义表现情况下进行，以确定该半导体结构的和/或用于加工半导体结构的半导体工艺过程的信息。

换句话说，根据该方法的语义表现的使用能既允许将不同的半导体结构的现象相互比较，也允许确定工序对半导体结构的影响。为此可采用一个或更多个半导体结构或样本的语义表现。可能可行的是，将基于不同成像方法的图像的语义表现相互比较。基于语义表现的半导体结构比较允许快速高效地比较相关特征(例如关于太阳能电池的质量或太阳能电池参数)。

相应地，在该方法的一个实施例中规定了在半导体工艺过程中加工半导体结构。该方法包括：生成包含在半导体工艺过程之后的半导体结构的另一个图像，以及除了所述图像外还使用所述另一个图像来生成语义表现。该方法还包括使用语义表现来确定半导体工艺过程的参数。

因此，该方法允许基于语义表现的使用来快速评估半导体工艺过程或半导体工艺过程的一些步骤。尤其是能以有效方式确定一个半导体工序或几个半导体工序对太阳能电池的或晶圆的参数有什么影响。

本发明的另一方面涉及一种表征半导体工艺过程的方法。该方法包括使用各太阳能电池的半导体结构和在半导体工艺过程中以预定的过程参数加工该半导体结构。该方法还包括生成包含各半导体结构的图像的分配给半导体结构的各语义表现和与预定过程参数结合地使用语义表现来确定过程现象。

因此，可以在半导体工艺过程的一个工序之前和之后生成半导体结构的各自图像，并且可基于此来生成语义表现或各自语义表现。例如存在用于根据一个或更多个工序之前和之后的测量结果来确定过程影响的第二模型。基于在该工序之前和之后的半导体结构的语义表现的比较和/或处理和/或分析，可以表征该工序。换句话说，该方法可允许确定构成一个工序的参数。例如可以识别出某个工序对某个太阳能电池参数有何种影响。通过比较可以确定能表示半导体工序影响的预测误差。

例如，在各不同工序中的半导体结构的图像在语义表现范围内可被关联以预测工艺过程现象。过程现象可能来自工艺过程之前的预测值与真实质量值的比较。例如也可以将工艺过程前的预测值与工艺过程后的预测值相比较。

基于半导体工艺的表征，可以提供一种用于改进或优化半导体工艺过程或用于工艺过程优化的方法。与此相应，该方法可以包括用先前确定的过程现象来调整过程参数。表征半导体结构的方法和优化半导体工艺过程的方法都可以基于在语义表现之间的各相似性。

当例如在工序之后的语义表现表明太阳能电池参数质量因该工序而降低时，可调整一个或更多个过程参数以提高该工序之后的太阳能电池参数质量。例如，为此可以基于先验知识来设置或调整相应的过程参数。或者，可以连续改变过程参数(强化学习；例如增加或减少)，并且观察在该工序后的语义表现的各自改变。由此可以找出哪种过程参数调整允许提高太阳能电池参数(或半导体结构的其它参数)的质量。

例如可能的是输出过程错误信息，比如在半导体工艺过程之后出现太阳能电池性能与标准性能的差异，尽管基于在该半导体工艺过程之前所生成的太阳能电池半导体结构图像的语义表现对应于标准表现。例如，标准表现可以表示这种半导体结构的平均语义表现，其被分配给某种、例如高的质量等级。由此例如可以将过程错误与材料错误区分开。如果在半导体工艺过程之前的语义表现指明半导体结构具有高品质或高质量并且在半导体工艺过程之后的语义表现指明质量较低(例如附加地或替代地可以使用样本或半导体结构本身的测量值)，则假定很可能有过程错误，而例如可排除基本的材料错误。

存在关于测定的过程表征或过程优化的可能方法的其它示例。语义表现例如允许表征在制造过程的不同阶段中的太阳能电池。用于工艺过程的表现可被相互比较。它们随时间、预工艺过程的所选过程参数、材料质量等变化。为了进行过程分析，可以在考虑其它参数如过程时间、过程参数、在工艺舟内的位置或结晶时的晶圆位置的情况下进行研究。

还可行的是分析结晶过程。晶圆的语义表现允许比较结晶过程。为此，可以将不同结晶的晶圆的语义表现相互比较。特别是，在这里可总是将来自砖的同一区域的样本进行比较。可以通过各语义表现之间的距离来分析结晶相似性和过程的均一性。也可以识别在砖的不同区域内的偏差。

例如可对半导体晶圆进行分析。晶圆表现(晶圆语义表现)例如允许评估结晶过程。为此，可以在考虑高度信息的情况下比较砖的样本。例如，相邻样本之间的小距离指明均一过程。而大的梯度可以指明过程中的事件。当在两个先后创建的语义表现之间出现很大差异时，例如可以进行过程的更仔细检查以便能排除可能的错误源。

例如可以分析太阳能电池工艺过程。太阳能电池表现(太阳能电池的语义表现)允许比较太阳能电池工艺过程。为此，可以将具有自然或目的明确的工艺过程变化(半导体工艺过程的过程参数的不同设置)的太阳能电池的表现相互比较。为了分析过程稳定性，可以在考虑过程时刻情况下将语义表现相互比较。例如，时间相邻的样本的语义表现之间的小距离表示均一过程。而大的梯度可表明工艺过程中的事件。该事件在考虑所分析的现象的情况下被评估。所述表现例如可表示材料影响。

半导体工艺过程例如可被优化。例如在太阳能电池工艺过程的优化中力求提高太阳能电池质量。为此进行过程调整(过程参数的作用/调整)，其以提高太阳能电池质量的方式改变当前状态。在强化学习的示例中，了解状态-动作配对的效果对优化过程至关重要。但是，有关当前过程配置的单纯信息可能不足以有教益地描述当前状态。通过网络的语义表现允许在过程优选时必须加以考虑的附加信息(例如与单纯IV参数不同)。例如，除了过程参数外，太阳能电池的仅四个电流-电压参数可供用于常规工艺过程优化。而语义表现可包含可能影响太阳能电池质量的大量半导体结构附加信息。这例如可以是包含在晶圆表现中的材料质量。在太阳能电池的语义表现情况下，所述测量不仅记录与材料相关的现象，也记录与过程相关的现象。

概括地讲，该方法的一个方面涉及将不同的半导体结构的语义表现相互比较。两个语义表现之间的相似性或差异可被用于完成半导体结构的表征(例如与具有标准表现的标准结构的相似或差异)或完成工艺过程优化。

因此，可通过该方法实现对晶圆前体、晶圆、太阳能电池前体或太阳能电池的分析。相应地，可对太阳能电池生产的一些单独阶段的过程进行优化。总之，因此可通过该方法例如改进整个太阳能电池工艺过程的质量。

本发明的另一方面涉及一种用于评估半导体结构的空间分辨质量图像中的遮蔽区域的方法。相应方法包括使用半导体结构的质量图像的语义表现和在神经网络中处理该语义表现以生成第一和第二信号输出。此外，通过分析包含半导体结构的非遮蔽区域的信息的第一信号输出来确定至少一个局部参数，和通过分析包含整个半导体结构的信息的第二信号输出来确定至少一个全局参数。该方法包括使用至少一个局部参数和至少一个全局参数来确定遮蔽区域的至少一个特征。

因此可行的是，基于该方法也预测因被遮盖或遮蔽而在图像中未被示出的区域的参数。从全局信息和半导体结构未遮蔽区域的信息中，例如可以推断遮蔽区域。由此，例如可以避免对半导体结构的进一步测量，但还是能提供在图像中被遮盖的区域的空间分辨参数或关于遮盖区域的信息。例如当将遮蔽区域的学习关联到语义表现时，还可以从用于预测遮蔽区域和非遮蔽区域的模型中推导出语义表现，该语义表现由于遮蔽区域内的附加信息而更有价值。

这个参数的预测或多个参数的同时预测可以借助在唯一的步骤中使用语义表现和神经网络来进行，因为可以借助神经网络依据所述图像一下子确定所有的参数。因此，高的时间需求可被推迟，并且仅例如在调查训练数据组以及在神经网络训练时才出现这种高的时间需求。相反，基于语义表现的半导体结构参数的确定可以在十分之几秒内、例如在不到100毫秒内进行。

例如，该方法可被用来实现半导体工艺过程效果的预测。一个工序的影响可以通过在该工序之前和之后的测量结果的组合来确定。例如，在一个工序中的加工处理对太阳能电池质量(反射，IV参数等)的影响可被研究。为此，例如调查具有不同过程特性或自然工艺过程散差的数据。接着，可以在真正工艺过程之前用有说服力的测量结果来训练用于质量预测的模型或神经网络。由此可以确定预测误差。预测误差例如表示后续过程的可能有的过程影响。接着，可以使用在该工序之前和之后所调查的组合测量数据来训练用于预测过程影响的模型。

借助语义表现，在此能以有利的方式获知因过程而产生的主要差异。表征方法可被用于识别不同的过程结果/现象。现象的局部起因也可以通过激活地图来识别。因此可以改进过程表征并还可以更精确地确定错误源位置。

例如，在晶圆状态(特别是未加工或未处理的晶片)下的光致发光测量结果尤其反映材料特性。在此阶段例如只能有限地实现太阳能电池质量预测。在预测太阳能电池效率或其它IV参数时可能会出错。因此该方法规定，用于预测空载电压的模型被训练以便由此确定用于晶圆光致发光记录的预测误差。然后，可以如此训练神经网络，即，晶圆光致发光记录和太阳能电池记录例如太阳能电池上的电致发光或光致发光的输入被组合，以预测由过程或测量决定的过程影响并进而与材料影响区分开。

另一个示例涉及短路电流分析。在半导体结构的表面结构化(纹理化)后的一个工序中，可以通过测量样本的漫反射来分析对短路电流的影响。依据漫反射测量的短路电流预测误差可以是后续过程的过程影响。在抗反射涂覆后，可再次在选定波长下测量反射性能。如果将该测量结果与纹理化后的测量结果组合以作为用于短路电流预测的神经网络的输入，则可以提供用于预测过程影响的模型。该模型的语义表现可被用于分析和比较抗反射涂覆过程。

该方法的一个示例涉及太阳能电池的至少一个性能的预测。该方法相应地包括在太阳能电池生产过程中在一个或不同的工序之后借助成像方法生成太阳能电池半导体结构的至少一个图像，其中该图像至少提供关于半导体结构复合活性缺陷、关于制造中的工艺缺陷、关于在不同激发条件下的太阳能电池电流输入或关于太阳能电池串联电阻的信息。该方法还包括借助在使用接触式性能测量的测量结果情况下经训练的神经网络来预测所述性能，以便借助非接触式测量来预测太阳能电池性能，其中该性能包括太阳能电池效率、太阳能电池短路电流、太阳能电池空载电压或太阳能电池占空因数中的至少一者。

通过使用神经网络来预测太阳能电池参数，例如可以在确定参数时放弃电气测量，并且所述参数可以仅基于半导体结构的图像来确定。例如，所述方法在使用网络或神经网络下允许使用成像方法的测量结果来表征或分析半导体结构，而不是采用半导体结构的电接触测量或物理接触测量。这例如使得能够缩短用于半导体结构表征的持续时间。神经网络训练用时可能只要一次即可。例如，可以基于单个图像而一次性确定多个参数。因此，该方法使得能够实现批量生产中的半导体结构的表征或质量确定，因为可以满足严格的时间设定。

附图说明

下面参照附图仅示例性详细说明装置和/或方法的几个示例，其中：

图1是用于处理半导体结构的图像的方法的流程图；

图2是用于确定太阳能电池的性能的方法的流程图；

图3是用于改进半导体工艺过程的方法的流程图；

图4是用于评估空间分辨质量图像的方法的流程图；

图5是用于预测太阳能电池的性能的方法的流程图；

图6a至图6c是具有语义表现的神经网络的架构；

图7是示出用于校准空间分辨质量测量的方法的示意图；

图8是示出用于评估空间分辨质量图像中的遮蔽区域的方法的示意图；

图9是训练用于确定过程影响的模型的方法；

图10是用于确定或分析过程影响的方法。

具体实施方式

现在将参照示出几个示例的附图来明确描述各示例。在附图中，为了说明起见而可能夸大了线、层和/或区域的大小。

相应地，尽管存在其它示例适用于各种不同的修改和替代形式，但在图中仅示出了几个特定示例并且将在下文中进行明确描述。但是，该详细描述不将其它示例局限于所述特定形式。其它示例可以涵盖落入本文范围的所有修改、等同和替代。在整个附图描述中，相同的或相似的附图标记涉及相同的或相似的零部件，其在彼此对照时能彼此相同地或以改动的形式来实现，但它们提供相同的或相似的功能。

显然，当一个元件被称为“连接”或“接合”到另一个元件时，这些元件可以直接地或通过一个或更多个中间元件连接或接合。当使用“或”来组合两个元件A和B时，这是指公开了所有可能组合，即只有A、只有B以及有A和B，除非另有明确或隐含限定。用于相同组合的替代表达是“A和B中的至少一个”或“A和/或B”。伴随必要变通，这也适用于超过两个的元件的组合。

在此被用来描述特定示例的术语并非想要对其它示例进行限制。当采用单数形式例如“一个”、“一”、“这个”并且单个元件的使用既未明确、也未暗含地被限定为强制性时，其它示例也可使用多个元件来实现相同的功能。当一项功能以下被描述为用多个元件来实现时，其它示例可以使用单个元件或单个处理实体来实现相同功能。还不言而喻的是，术语“包括”、“包含”、“具有”和/或“具备”在使用时明确说明存在所指出的特征、整数、步骤、操作、过程、元件、组成部件和/或其组，但并未排除存在或添加一个或更多个其它的特征、整数、步骤、操作、过程、元件、组成部件和/或其组。

除非另有定义，否则本文中的所有术语(包括技术和科学术语)均以其在领域中的正常含义来使用，属于示例。

图1示出了用于处理使用成像方法生成的太阳能电池半导体结构的图像的方法100。方法100包括借助经训练的神经网络对半导体结构的图像进行处理110以生成图像的语义表现。根据该方法生成的语义表现的数据大小在此小于图像的数据大小。方法100还包括存储120与半导体结构相对应的语义表现。在此，该语义表现提供相关图像信息的信息载体，所述信息可被用于太阳能电池性能的确定和/或用于太阳能电池半导体结构的晶体分析。

半导体结构例如可以是用于制造太阳能电池的晶圆。该图像可以是晶圆的光致发光记录。为了基于切割后的晶圆上的光致发光记录来预测太阳能电池参数而可采用如下方法，根据该方法来提取人工限定的某些特征。根据该示例性方法，所述特征间接地依据预测而被学习，并且采用中间表现来存储/压缩120数据并进行监测和分类。

此外，根据示例性方法100，可以采用来自太阳能电池的电致发光测量或光致发光测量的人工限定特征来发现过程错误。它们例如是栅线中断、裂纹、晶体结构缺陷等。

例如为此使用神经网络、卷积神经网络或深度学习方法。深度学习方法是机器学习方法，其产生在输入数据(如图像)和输出数据(如质量等级或图像)之间的端到端关联。通常，对网络进行优化以使损失函数最小化。例如这可以是分配给一个类。对此，通过在网络中对结构描述编码以随后再将其解码(编码器-解码器架构)的方式，也能压缩数据。在自动编码器的情况下，损失函数此时通常是重构数据和测量数据(输入图像)之间的差异。但也可使用其它图像。

卷积神经网络依据一个或更多个输入图像学会对质量参数的预测。在训练中，卷积神经网络基于输入数据和目标参数真实测量值的配对学会对目标参数的预测。在应用场合(测试)中，网络被用于预测这些参数。在此情况下仅还需要质量参数用于评估。当经过网络时，输入数据被逐步越来越多地压缩，从而出现数据的减少、抽象和语义有价值的表现。所述表现可以自网络针对每个样本来生成并从网络中被读取。

所述表现或语义表现例如由特征向量或多维特征组合构成，其一般出现在网络终端用于分类或回归。例如，分级相当于分类，而回归相当于连续值的预测。然后，依据特征向量发生质量参数的预测。它不仅关于质量参数具有说服力，还表示图像中结构的压缩。当还预测空间分辨结构时，说服力可以更高(图3)。在编码器-解码器架构的情况下，例如在编码器之后或在网络终端处在解码器之后获取在瓶颈区域中的语义表现。但是，所述表现也可以是网络的不同特征的组合。

本发明的一个方面是将数据的抽象表现用于压缩存储120数据。此外，可以结合压缩表现来比较图像。然后，根据输入和输出数据，可以分析结晶、比较/监测工艺过程、区分材料和过程特性以及分类数据。

存在许多卷积神经网络架构。所述架构可能就其是预测空间分辨质量数据(参见图6b)、还是预测一个或一组不同参数(分类模型或回归模型，参见图6a)而区分开。基本上，在此所讨论的模型由卷积层、非线性单元例如ReLU(线性整流函数)和下采池化层组成。可选地，上采层、归一化步骤以及拆分和跳采连接以及类似层可以是网络的一部分。在训练时可以使用数据增强方法例如坐标变换、随机边缘截切或噪声来扩展数据组并提高模型鲁棒性。在训练中还可以借助所谓的辍学层来提高模型鲁棒性。这些层能以截然不同的方式进行组合。

图2示出了用于确定太阳能电池的性能的方法200的流程图。该方法200包括使用210借助成像方法生成的太阳能电池的图像的语义表现，其中，该语义表现借助神经网络来生成，并且该方法还包括基于语义表现确定220太阳能电池的至少一个性能。

图3示出了用于改进半导体工艺过程的方法300的流程图。该方法包括：使用310各太阳能电池的半导体结构，在半导体工艺过程中以预定过程参数加工320该半导体结构，从包含各半导体结构的图像中生成330对应于半导体结构的各语义表现，与预定过程参数结合地使用340语义表现来确定过程现象，以及在采用先前确定的过程现象的情况下调整350过程参数。

还结合图9和图10给出方法100、方法200和/或方法300的其它示例和详细说明。

图4示出了用于评估空间分辨质量图像的方法400的流程图。该方法400包括：使用410半导体结构的质量图像的语义表现，在神经网络中对语义表现进行处理420以生成第一信号输出和第二信号输出，通过分析包含半导体结构的非遮蔽区域的信息的第一信号输出来确定430至少一个局部参数，通过分析包含整个半导体结构的信息的第二信号输出来确定440至少一个全局参数，以及使用所述至少一个局部参数和所述至少一个全局参数来确定450遮蔽区域的至少一个特征。

图5示出了用于预测太阳能电池的性能的方法500的流程图。该方法500包括在太阳能电池生产期间的一个或不同工序之后借助成像方法生成510太阳能电池的半导体结构的至少一个图像，其中，该图像至少包含关于半导体结构的复合活性缺陷、关于生产过程中工艺错误、关于在不同激发条件下的太阳能电池电流输入或关于太阳能电池串联电阻的信息，并且该方法还包括借助在使用接触式性能测量的测量结果的情况下被训练的神经网络来预测520所述性能以便借助非接触式测量来预测太阳能电池的性能。

图6a至图6c示出了具有语义表现的神经网络架构。所示架构可被用于处理半导体结构的图像610。根据图6a的示例，图像610被输入到神经网络612的输入端以生成语义表现620。语义表现620可以具有各种特征622和各特征的激活状态624。可以在使用回归模型或分类模型630的情况下对语义表现620进行处理以生成输出参数640，例如太阳能电池的IV参数或IV类别。

根据图6b，使用CNN(CNN:卷积神经网络)编码器614来处理图像610以生成表现620。语义表现620可以在CNN解码器632中被处理成例如预测位置分辨质量数据的初始数据642。

图6c示出了混合模型的架构，其包括CNN编码器614、CNN解码器632和回归模型630。利用根据图6c的混合模型，不仅可预测空间分辨质量数据642，也可预测几个参数640或一组参数640(例如IV参数)。

图7示出了用于校准空间分辨质量测量的方法的示意图。该方法基于网络训练中全局损失函数和局部损失函数的组合。在网络中，太阳能电池参数的空间分辨预测710被预测。依据分析/经验模型720，可以从空间分辨质量参数710中自电流-电压特性曲线计算出一个参数730的值。在训练网络时，如此优化用于预测空间分辨参数的模型，即，不仅保留空间分辨质量参数的局部结构(损失函数740)，又将全局质量值的预测误差最小化(损失函数750)。该校准方法可基本对应于遮蔽阴影区域的评估的点。

根据图7的示例，输入610是在太阳能电池和/或太阳能电池前体处的测量结果，例如太阳能电池的电致发光记录和/或光致发光记录。在其中可以看到串联电阻效应，但不能马上将其与其它缺陷如复合缺陷区分开。该网络应预测串联电阻的图像。相同样本的测量结果710a被确定用于网络训练。此外，可以通过分析模型从太阳能电池的全局串联电阻中推导出全局串联电阻。其根据电流-电压特性来确定。全局串联电阻是关于串联电阻图像的平均值。现在，就串联电阻图像和全局串联电阻的预测而言对网络进行优化。类似地，也可以从输入图像610中预测用于暗饱和电流密度图像或全局短路电流密度与暗饱和电流密度之比图像的模型。由此可以通过分析模型根据单二极管模型来计算空载电压。在优化时，又将短路电流密度与暗饱和电流密度之比的局部预测误差最小化(损失函数740)，并且可以根据电流-电压特性曲线计算出全局空载电压误差(损失函数740)。

图8示出了评估空间分辨质量图像中的遮蔽区域的方法的示意图。该方法基于在考虑遮蔽区域下在网络训练中全局和局部损失函数的组合。在质量测量中，太阳能电池的某些区域例如可能因为印刷过程而被遮蔽，由此它们无法被测量。在输入网络614时以及在进行训练以最小化损失函数840时都可以考虑导致遮蔽的掩模800。该方法的目的是确定遮蔽区域的空间分辨值。该网络由两个输出端810、830(参见图7)组成，其中，有关遮蔽区域的信息也可被加入该模型中。所述概念现在是，在局部分辨的损失函数840中仅考虑非遮蔽区域。而关于整个图像来计算用于预测全局参数的损失函数850。当输入图像在遮蔽区域中包含信息时，这是特别值得关注的，因为它在遮蔽之前已被记录。

网络的输入是在晶圆上的光致发光记录610或太阳能电池的发光测量610。网络被训练以便预测短路电流密度与暗饱和电流密度之比(损失函数840)并通过附加分析模型预测空载电压(损失函数850)。在掩模中，在光学测量中无法被测量的太阳能电池的母线和栅线区域被标记。它们在损失函数840中未予以考虑，因此可以通过损失函数850进行优化。

可以从该模型中推导出用于太阳能电池生产的样本的最佳取向，因为在金属化下的质量还可能取决于材料质量。这适用于在此时掩模随之而来或训练时的轮转总是相同的全部训练过程。因此，描述了一种用于预测材料质量的模型。例如可以从晶圆的PL图像和掩模相关信息中确定空载电压，其中，该掩模提供有关模型中印刷图像的信息。

图9示出了用于训练用来确定过程影响的模型的方法，例如第一子方法900a。

所示步骤尤其可被用在预定方法中，该预定方法包括生成包含在半导体工艺过程后的半导体结构的另一个图像、除使用该图像外还使用所述另一个图像来生成语义表现和/或在采用语义表现的情况下确定半导体工艺过程的参数。

该预定方法可以在第一子方法中提供用于预测质量参数的所需预测模型。特别是，预测误差(例如过程现象)可能是相关的，其可被用在该预定方法的第二子方法中(参见图10)。在第一个子方法中，可以使用工艺过程之前的记录和工艺过程之后的质量。例如该语义表现在此不是绝对必要的。过程现象可能是主要结果。例如过程现象对应于预测误差。

例如第一子方法包括：在工艺过程之前生成901半导体结构的至少一个图像；以及执行902工艺过程/过程顺序；在工艺过程或过程顺序之后生成903半导体结构的至少一个图像；可选地执行904其它工艺过程；确定905用于过程优化的质量数据；创建906用于利用工艺过程之前的至少一个图像评估质量参数的预测模型；通过计算模型的预测误差来确定907过程影响；训练908模型，用于根据在工艺过程之前的至少一个图像和在工艺过程之后的至少一个图像来确定过程影响。

此外，可以从第一子方法900a中提供用于预测该预测误差(如过程影响)的方法。该模型例如利用工艺过程之前和工艺过程之后的图像进行工作。然后，该语义表现可被用于分析。例如，过程现象对应于半导体工艺过程的参数。

图10示出了用于确定和/或分析过程影响的相应的第二子方法900b。第二子方法900b包括：在工艺过程之前生成909半导体结构的至少一个图像；在工艺过程之后生成910半导体结构的至少一个图像；根据用于确定在工艺过程之前和之后的测量和过程影响的模型来计算911语义表现；以及可选地通过模型确定912过程影响。

第一子方法900a和第二子方法900b尤其可以与用于处理太阳能电池半导体结构的在使用成像方法情况下所生成的图像的、还全部或部分包括在半导体工艺过程中加工半导体结构(个别方法步骤)的方法100相关地、与方法200和/或用于改进半导体工艺过程的方法300相关地执行。通常，单纯示例地对应于某种方法的一些方法步骤同样也可以被用在其它所示方法中，以便例如进一步改进该方法。

在其它示例中描述了本发明的其它方面或改进方案，它们例如与前述方面结合地可以带来优点。

一个示例涉及太阳能电池检查以及用于预测电流-电压参数(IV参数)的相应方法。根据该方法的示例，借助卷积神经网络来训练预测模型，卷积神经网络已被优化以便从在材料输入检查、太阳能电池生产和太阳能检查期间在样本上出现的成像参数化数据中预测一个或更多个IV参数(例如还有串联电阻)，并且可从该模型推导出该网络的语义表现。在此情况下，成像测量结果可以合并到具有不同通道的矩阵中和/或可被输入到不同的子网中然后再被合并。

在该方法的示例中，语义表现可被用于有效存储输入数据。输入数据在此可以由成像测量的任何组合组成，例如像存在光致发光、电致发光、太阳能电池上的温度记录以及晶圆上的测量。

例如将生成样本表现，该样本表现包含语义表现的部分并且据此就过程和材料来分析该样本。在此情况下，样本表现也可以包含IV值和/或可以关于此进行分析。因此，可以借助机器学习方法例如像聚类方法、回归方法或分类方法来识别典型的缺陷现象和过程错误。为了识别现象，就样本表现的典型数据分布而言将这些样本分类，借此可以将样本分类。这可以在无监督的情况下(对神经网络的无监督学习)进行，例如依据数据分布，和/或被监督(神经网络的监督学习)，依据其它质量数据如IV数据或标注的缺陷类别来进行。此外，可以经此获得关于材料缺陷、工艺过程缺陷和测量误差如接触误差的消息。这些“现象类别”的原型能被可视化并且可被分派缺陷原因。

可以例如借助错误信息信号来提供错误探测(故障探测)。尽管有相似的样本表现，但效率偏差也指明例如样本中的异常或过程错误。另外，对于包含语义表现的类似描述，也可通过比较测定效率来分析过程发展。

该方法的一个示例涉及在没有接触测量情况下的太阳能电池参数的预测。特别有利的是未使用需要费时地接触太阳能电池的测量系统。输入参数可以是：用于识别复合活性缺陷的测量，例如在晶圆、太阳能电池或太阳能电池前体上的PL记录；用于识别太阳能电池或太阳能电池前体上的过程错误的测量，例如在各过程步骤中的PL记录、在晶圆上的IR透射光测量；用于确定电流输入的测量，例如在不同激发条件下在太阳能电池上的PL记录(SunsPL)；和/或用于确定串联电阻的测量，例如在太阳能电池上的部分遮蔽的PL记录。此外，用于确定准静态光电导性的测量也是可能的。输出参数可以是：与太阳能电池分类相关的参数，尤其是从IV参数中推导出的短路电流密度J_sc、效率和空载电压V_oc或质量等级。

可能的是还补充其它的测量或省掉测量。例如可加入用于分类的颜色测量。

一个示例涉及如下方法，在此，卷积神经网络还将被优化以预测空间分辨质量标准如串联电阻图像或暗饱和电流图像。语义表现在此可以是特征的组合，所述组合一方面被用于预测一个图像和预测另一个图像并且以在不同组合中被用于预测某些IV参数。

例如提供一种方法，其中，由此出现的语义表现流入样本表现中并且经此实现过程参数的优化。在此情况下，所述优化通过依据所出现的表现的参数化来实现。

一个示例涉及一种方法、例如用于材料和结晶评估的方法，其中，卷积神经网络被训练以预测IV参数或由此推导出的质量等级，其中，所采用的测量结果出现在砖上结晶之后和/或在晶圆上的切片之后。这尤其可以包括允许分析晶粒分布的测量例如像反射光测量、红外透射光测量，用于确定电荷载流子复合活性/寿命的测量，例如在晶圆和砖上的光致发光测量，或者光电导性测量、用于例如通过晶圆上的红外(IR)透射光方法识别夹杂的测量，以及可在晶圆和砖上测量的电阻的测量。例如，碳化硅夹杂可通过在砖上的传输信号或在晶圆上的传输信号以空间分辨的方式来测量。

一个示例还涉及如下方法，其中，由此出现的语义表现流入样本表现中，并且例如类似于前述方法地被用于评估结晶。样本表现允许样本比较。为了分析，例如可以与一定的结晶标准、例如砖起源、所用原料的类型、结晶方法或晶种工艺将硅晶圆彼此区分开，并且可以与均质性在其中一个组内比较所述样本，或者借助样本表现来比较类别之间的相似性。为了分析，可以采用监督学习方法和无监督学习方法。

一个示例还涉及如下方法，其中，通过以下事实确定太阳能电池过程的异常和改进：预测的太阳能电池质量与预期的太阳能电池质量不符，或者具有相同表现的样本导致不同的太阳能电池结果。

一个示例还涉及如下方法，其中，还优化卷积神经网络以预测位置分辨质量标准，例如串联电阻图像或暗饱和电流图像。

一个示例涉及工艺过程的表征。在工艺过程或半导体工艺过程的分析中，可以使用语义表现的空间或特征空间来识别类似现象。例如，可以使用数据分析方法(例如聚类)来识别数据中的未知关系。特别是，所述信息超出纯IV测量的信息内容。可以根据分析的类型来识别不同的现象。在结晶分析中，例如可以识别出不同的材料缺陷。在太阳能电池表征中，可以识别例如材料性能和/或工艺过程特性。

一个示例涉及半导体工艺过程的优化。在过程优化中，总是可以与附加信息相关地或与附加信息组合地考虑予以表现和从中推导出的表现之间距离。附加信息可以考虑过程参数或其它信息，例如像在结晶过程优化中的样本或半导体结构在砖内的位置；或者与工艺过程时间和/或过程参数相关的太阳能电池在载体或携载体中的位置。

总之，通过本发明提供以下方法，其利用语义表现。它可以允许有效地存储或分析参数，例如通过分析语义表现或者将语义表现与一个或更多个其它的语义表现相比较。

与一个或更多个先前所详述的示例和附图一起描述的方面和特征也可以与一个或更多个其它示例组合，以代替其它示例的相同特征或以将该特征附加引入其它示例中。

此外，示例可以是或涉及具有程序代码的计算机程序，其当计算机程序在计算机或处理器上运行时用于执行上述方法中的一个或更多个。上述各种方法的步骤、操作或过程可以通过编程的计算机或处理器来执行。示例也可以涵盖程序存储装置例如数字数据存储介质，其是可机读的、处理器读取的或计算机可读的并且编码所述指令的机器可运行的、处理器可运行的或计算机可运行的程序。所述指令执行上述方法中的几个步骤或所有步骤或致使其执行。程序存储装置可以例如是或包括数字存储器、磁存储介质例如像磁盘和磁带、固盘驱动器或光学可读数字数据存储介质。其它示例也可以涵盖被编程以执行上述方法的步骤的计算机、处理器或控制单元，或者被编程以执行上述方法的步骤的(现场)可编程逻辑阵列((F)PLA＝(现场)可编程逻辑阵列)或(现场)可编程门阵列((F)PGA＝(现场)可编程门阵列)。

通过说明书和附图，仅说明本文的原理。此外，在此列出的所有示例原则上明确地仅用于说明目的，以支持读者理解本文的原理和发明人为改进技术所贡献的概念。关于本文的原理、方面和示例的所有在此陈述以及具体示例包括其等同。

被称为用于执行特定功能的“机构”的功能块可能涉及如下电路，该电路设计用于执行特定功能。因此，“用于某事的机构”能以“设计用于或适用于某事的机构”来实现，部件或电路设计用于或适用于各个任务。

包含被称为“机构”、“用于提供信号的机构”、“用于产生信号的机构”等的每个功能块在内的、如图所示的各种零部件的功能能以专用硬件如“信号提供装置”、“信号处理单元”、“处理器”、“控制器”等的形式以及以能与所属软件结合地执行软件的硬件的形式实现。在由处理器提供时，该功能可以通过单独的专用处理器、单独的共享处理器或多个独立处理器来提供，其中的一些或全部是可共享使用的。但是，术语“处理器”或“控制器”绝不限于只能执行软件的硬件，而是可以包括数字信号处理器硬件(DSP硬件；DSP＝数字信号处理器)、网络处理器、专用集成电路(ASIC)、现场可编程逻辑组件(FPGA＝现场可编程门阵列)、用于存储软件的只读存储器(ROM)、直接存取存储器(RAM随机存取存储器)和非易失存储器(存储)。也可以包含其它常规和/或客户定制的硬件。

框图例如可表示实现本文原理的粗略电路图。通过类似方式，流程图、过程图、状态转换图、伪代码等可表示各种过程、操作或步骤，它们例如基本上在计算机可读介质中被表示且因此通过计算机或处理器来执行，无论这种计算机或处理器是否被明确示出。在说明书或权利要求书中公开的方法可以通过具有用于执行该方法的各个步骤中每个步骤的机构的部件来实现。

显然，说明书或权利要求书所公开的多个步骤、过程、操作或功能不应被解释为是按照规定的顺序，除非例如出于技术原因而明确地或隐含地另行指出。因此，除非出于技术原因这些步骤或功能不可互换，否则它们没有因公开了几个步骤或功能而被限制到特定顺序。此外，在一些示例中，单个步骤、功能、过程或操作可包含和/或分为多个子步骤、子功能、子过程或子操作。除非被明确排除，否则这些子步骤可被包括在内，并且是所述单独步骤的公开内容的一部分。

此外，以下的权利要求兹被纳入详细描述中，在此每个权利要求可自己代表独立示例。尽管每项权利要求可自己代表单独示例，但应注意的是，尽管在权利要求书中的从属权利要求可能涉及与一个或更多个其它权利要求的特定组合，但其它示例也可以包含从属权利要求与每个其它从属权利要求的或独立权利要求的主题的组合。除非明确指出不打算使用某种组合，否则在此明确建议使用这些组合。此外，一项权利要求的特征也应对于每项其它独立权利要求被包含进来，即便这项权利要求没有直接引用该项独立权利要求。

Claims (15)

1.一种处理太阳能电池的半导体结构的图像(610)的方法(100)，所述图像(610)是在使用成像方法的情况下生成的，所述方法(100)包括：

借助经训练的神经网络对所述半导体结构的所述图像(610)进行处理(110)，以生成所述图像(610)的语义表现(620)，其中，所述语义表现(620)的数据大小小于所述图像(610)的数据大小；以及

存储(120)与所述半导体结构相对应的语义表现(620)，作为所述图像(610)的用于确定所述太阳能电池的性能和/或用于所述太阳能电池的半导体结构的晶体分析的相关信息的信息载体。

2.根据权利要求1所述的方法(100)，其中，所述语义表现(620)基于所述太阳能电池的所述半导体结构的借助神经网络处理的至少两个图像(610)，所述至少两个图像(610)是借助不同的成像方法生成的。

3.一种确定太阳能电池的至少一个性能的方法(200)，所述方法包括：

使用(210)所述太阳能电池的借助成像方法生成的图像(610)的语义表现(620)，其中，所述语义表现(620)是借助神经网络生成的；以及

基于所述语义表现(620)确定(220)所述太阳能电池的至少一个性能。

4.根据权利要求3所述的方法(200)，其中，所述性能在使用神经网络的情况下被确定。

5.根据权利要求3或4所述的方法(200)，其中，所述至少一个性能包括所述太阳能电池的空载电压、短路电流、短路电流密度、效率、占空因数和/或串联电阻。

6.根据权利要求3至5中的一项所述的方法(200)，其中，所述至少一个性能涉及所述太阳能电池的空间分辨质量标准。

7.根据权利要求3至6中的一项所述的方法(200)，所述方法还包括：基于所述至少一个性能将所述太阳能电池分配给一个质量等级。

8.根据前述权利要求中的一项所述的方法(200)，其中，所述语义表现(620)包括所述神经网络的层的权重的权重分布。

9.根据前述权利要求中的一项所述的方法(200)，其中，所述语义表现(620)所基于的图像(610)在使用电致发光、光致发光或温度吸收的情况下建立。

10.根据前述权利要求中的一项所述的方法(200)，所述方法包括：使用所述语义表现(620)在使用与另一半导体结构相对应的语义表现的情况下将所述半导体结构与所述另一半导体结构进行比较，以确定所述半导体结构的信息和/或用于加工所述半导体结构的半导体工艺过程的信息。

11.根据前述权利要求中的一项所述的方法(200)，所述方法还包括：

在半导体工艺过程中加工所述半导体结构；

生成另一图像，所述另一图像包括在所述半导体工艺过程之后的半导体结构；

除了使用所述图像(610)外，还使用所述另一图像来生成语义表现(620)；以及

在使用该语义表现(620)的情况下确定所述半导体工艺过程的参数。

12.一种改进半导体工艺过程的方法(300)，所述方法包括：

使用(310)各太阳能电池的半导体结构；

在半导体工艺过程中以预定的过程参数来加工(320)所述半导体结构；

生成(330)包含各半导体结构的图像(610)的对应于该半导体结构的各语义表现(620)；

与所述预定的过程参数相结合地使用(340)所述语义表现(620)来确定过程现象；以及

在使用在先确定的所述过程现象的情况下调整(350)所述过程参数。

13.根据权利要求12所述的方法(300)，所述方法还包括：在半导体工艺过程之后出现所述太阳能电池的性能与标准性能的偏差的情况下输出过程错误信息，即使基于所述太阳能电池的所述半导体结构的在所述半导体工艺过程之前生成的图像的语义表现(620)符合标准表现。

14.一种评估半导体结构的空间分辨质量图像(610)的方法(400)，所述方法包括：

使用(410)所述半导体结构的质量图像(610)的语义表现(620)；

在神经网络中对所述语义表现(620)进行处理(420)，以生成第一信号输出和第二信号输出；

通过评估包含所述半导体结构的未遮蔽区域的信息的所述第一信号输出确定(430)至少一个局部参数；

通过评估包含整个所述半导体结构的信息的所述第二信号输出确定(440)至少一个全局参数；以及

在使用所述至少一个局部参数和所述至少一个全局参数的情况下确定(450)遮蔽区域的至少一个特征。

15.一种预测太阳能电池的至少一个性能的方法(500)，所述方法包括：

在所述太阳能电池的制造期间，在一个或各不同的工艺步骤之后借助成像方法生成(510)所述太阳能电池的半导体结构的至少一个图像(610)，其中，所述图像(610)至少包含关于所述半导体结构的复合活性缺陷、关于制造的工艺缺陷、关于在不同激发条件下所述太阳能电池的电流输入或者关于所述太阳能电池的串联电阻的信息；以及

借助在使用接触式性能测量的测量结果的情况下训练的神经网络预测(520)所述性能，以借助无接触测量来预测所述太阳能电池的所述性能，

其中，所述性能包括所述太阳能电池的效率、所述太阳能电池的短路电流、所述太阳能电池的空载电压和所述太阳能电池的占空因数中的至少一者。

Images