CN113130016B - 一种基于人工智能的晶片质量分析评价方法 - Google Patents
一种基于人工智能的晶片质量分析评价方法 Download PDFInfo
- Publication number
- CN113130016B CN113130016B CN202010499126.3A CN202010499126A CN113130016B CN 113130016 B CN113130016 B CN 113130016B CN 202010499126 A CN202010499126 A CN 202010499126A CN 113130016 B CN113130016 B CN 113130016B
- Authority
- CN
- China
- Prior art keywords
- wafer
- data
- quality
- artificial intelligence
- data set
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000011156 evaluation Methods 0.000 title claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 6
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 229910010271 silicon carbide Inorganic materials 0.000 claims abstract description 6
- 238000002360 preparation method Methods 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 claims 2
- 238000004140 cleaning Methods 0.000 claims 2
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 claims 1
- PMHQVHHXPFUNSP-UHFFFAOYSA-M copper(1+);methylsulfanylmethane;bromide Chemical compound Br[Cu].CSC PMHQVHHXPFUNSP-UHFFFAOYSA-M 0.000 claims 1
- 229910003460 diamond Inorganic materials 0.000 claims 1
- 239000010432 diamond Substances 0.000 claims 1
- AJNVQOSZGJRYEI-UHFFFAOYSA-N digallium;oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Ga+3].[Ga+3] AJNVQOSZGJRYEI-UHFFFAOYSA-N 0.000 claims 1
- 229910001195 gallium oxide Inorganic materials 0.000 claims 1
- 239000011787 zinc oxide Substances 0.000 claims 1
- 239000013078 crystal Substances 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 239000000758 substrate Substances 0.000 abstract description 3
- 238000013441 quality evaluation Methods 0.000 abstract description 2
- 239000004065 semiconductor Substances 0.000 abstract description 2
- 241000282414 Homo sapiens Species 0.000 abstract 1
- 102000029749 Microtubule Human genes 0.000 abstract 1
- 108091022875 Microtubule Proteins 0.000 abstract 1
- 210000004688 microtubule Anatomy 0.000 abstract 1
- 238000012795 verification Methods 0.000 abstract 1
- 235000012431 wafers Nutrition 0.000 description 35
- 239000000463 material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
Abstract
本发明公开了一种基于人工智能的晶片质量分析评价方法，具体涉及到半导体领域，尤其是碳化硅衬底的质量评价领域。晶片经过晶体的生长和晶体、晶片的加工工序后，其品质的好坏需要进行质量检测以及外延验证，最终基于晶片质量等级的评价系统进行品级分类。整个过程一般都是人工操作，由于晶片中存在的缺陷类型较多，微管缺陷、碳包裹体、晶型夹杂、层错、划伤、亚损伤等，不单工作量大、而且由于人类的主观意识等原因使得晶片的品级分类存在些偏差。所以引入基于人工智能的晶片质量分析评价方法，可快速精准地判断出晶片评级属性，并可标注晶片落入某等级的关键因素以及其对应的制备工序。
Description
技术领域
本发明公开了基于人工智能的晶片质量分析评价方法，具体涉及到半导体领域，尤其是碳化硅晶片的质量评价领域。
背景技术
生长后的晶体经过多道加工工序后，制备成的晶片通常用于外延生长的衬底材料；不同品级的衬底材料对外延生长的影响也存在有差异，当划分等级的跨度比较大时，甚至在同一品级中也会因不同的影响因子而对下道工序产生不同的影响，所以对晶片给予客观的、合理的品质分级是对外延材料质量控制的保障条件之一。然而由于影响晶片品质分级的因素太多，微管缺陷、碳包裹体、晶型夹杂、层错、划伤、亚损伤等每一个因素都对晶片的品质有重要影响，同时对晶片的分级跨度不能太大，否则容易造成同一品级内的质量参差不齐；若是细分晶片分级，又因各个因素指标之间的复杂的关系而导致分级困难，有的因素间是相关关系，有的因素是非相关关系甚至于互斥关系；在人为分类时，此就容易造成错分、难分的客观现象；所以我们借助计算机科学，给予大数据训练的人工智能模型，建立晶片质量分析评价智能系统，不但可以客观地对晶片的品质进行分级，还有助于进行大量的产线检测。
对于晶片落入某一级别时，我们还想知道使得该晶片落入某一等级的关键因素是哪些，这样有助于我们将该因素匹配到晶片制备的某道工序，结合相关问题对该工序进行优化，提升该工序的制备水平，最终形成有机的高效反馈机制，闭环的控制更加有利于晶片品质的提升。
发明内容
本发明旨为晶片品质分级及相关分析工作构建一个晶片质量分析评价方法，本发明所采取的技术方案是：
提取数据特征并标注，构建数据集。从晶片指标中提取特征，并将晶片的品质等级映射为分类标签；同时，也将每一晶片的瓶颈指标或责任工序增设为标签，构建成特征-标签二维数据结构；将晶片指标参数和标签录入二维数据结构表中。
数据集预处理。首先将数据集按一定比例拆分为训练集和测试集，当存在分类值时，需要将其转换成独热编码形式；再对数据集规范化处理，合理数据的预处理方式可以增加模型的准确率和鲁棒性。
构建人工智能模型。可直接构建人工智能模型，也可借助现有的人工智能框架来构建人工智能模型。现有的人工智能开源框架主要有Tensorflow、Caffe、PyTorch、MXNet等。
模型训练。一般而言，晶片的数据量是比较多的，因此我们可以直接将已预处理的数据集进行模型训练；记录损失值和准确率，并把最优模型保存成可读取的格式。
模型应用。训练好的模型可以直接对已有指标值的晶片质量进行等级判定；并分析晶片落入某一等级的关键因素以及对应制备工序。
具体实施方式
以下结合实施例对本发明作进一步说明：
基于计算机科学构建碳化硅单晶片质量分析评价方法，具体步骤如下：
提取数据特征并标注，构建数据集。影响碳化硅晶体质量的指标有直径、厚度、翘曲度、平整度、偏角、主参考边长度、主参考边角度、副参考边长度、副参考边角度、微管、层错、有效面积、晶型、碳包裹体、六方空洞、螺位错、刃位错、基晶面位错等特征提取为数据特征条件，将指标参数录入到二维数据集表格中。
数据集预处理。为了增加模型训练的有效性和鲁棒性，我们需要对数据集进行预处理；首先按照8:2的比例将数据集拆分为训练集和测试集，对标签中的晶片质量的分级数据中的分类数据进行独热编码操作，原碳化硅晶片共分了“A”、“B”、“C”、“D”、“E”五个等级，则对其独热编码后，分别对应于[1,0,0,0,0]、[0,1,0,0,0]、[0,0,1,0,0]、[0,0,0,1,0]、[0,0,0,0,1]。在标签中我们还增加了决定晶片评级分值的关键指标，因此我们也需要将标签中的指标也独热编码，按特征顺序分别对应于[1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]、 [0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]···最后将数据集保存为“.CSV”文件格式。
构建人工智能模型。本示例中采用的是自己编写的人工智能模型，采用6层卷积神经网络和3层全连接层构建深度学习训练模型。其中卷积神经网络中所用的激活函数为“activation＝'relu'”。
模型训练。基于已处理好的晶片数据集对人工智能模型进行训练，记录测试集中的损失值和准确率，并择选模型训练过程中的最优模型进行保存。
模型应用。经过训练的模型可直接对晶片质量进行评级判定，并标注出影响晶片质量分级的关键因素，同时分析出对晶片评级影响较大的工序；最终将其保存为“.CSV”文件格式。
使用基于人工智能的晶片质量分析评价方法，晶片的评级分类准确率可达到99.99％，分析出影响晶片评级的关键因素及对应工序的准确率可达到99.98％。
Claims (4)
1.一种基于人工智能的晶片质量分析评价方法，其特征在于：包括以下步骤：（1）提取数据特征并标注，构建数据集；从晶片各指标参数中提取特征，并将晶片的品质等级映射为等级标签；同时，将每一晶片的瓶颈指标或责任工序增设为标签，构建成特征-标签二维数据结构；将晶片指标参数和标签录入二维数据结构表中；（2）数据集预处理；首先将数据集按一定比例拆分为训练集和测试集，当存在分类值时，需要将其转换成独热编码形式，并对数据集规范化处理；（3）构建人工智能模型；直接创建人工智能模型，或者借助其它人工智能框架来构建人工智能模型；现有的人工智能开源框架主要有Tensorflow、Caffe、PyTorch、MXNet；（4）模型训练；将已预处理的数据集进行模型训练；记录损失值和准确率，并把最优模型保存成可读取的格式；（5）模型应用；训练好的模型可以直接对已有指标值的晶片质量进行等级判定；并分析出晶片落入某等级的关键因素以及对应制备工序。
2.根据权利要求1所述的晶片质量分析评价方法，其特征在于：所述步骤（1）中，晶片指的是碳化硅晶片、氮化铝晶片、氧化镓晶片、氮化镓晶片、金刚石晶片、氧化锌晶片。
3.根据权利要求1所述的晶片质量分析评价方法，其特征在于：所述步骤（1）中，将晶片质量指标转变为数据集中的数据特征，将晶片质量分级转变为数据集的标签，构建二维数据结构，按照对应关系，将晶片指标参数和分级数据填入数据集中。
4.根据权利要求1所述的晶片质量分析评价方法，其特征在于：所述步骤（2）中，对晶片数据集的预处理包括对数据的有监督清洗、无监督清洗；晶片数据预处理的原则有空值的检查和处理，非法值的检测和处理，不一致数据的检测与处理，相似重复记录的检测和处理；对于噪声数据可以按照分箱、回归、聚类以及人机结合检查方式开展。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499126.3A CN113130016B (zh) | 2020-06-04 | 2020-06-04 | 一种基于人工智能的晶片质量分析评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010499126.3A CN113130016B (zh) | 2020-06-04 | 2020-06-04 | 一种基于人工智能的晶片质量分析评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113130016A CN113130016A (zh) | 2021-07-16 |
| CN113130016B true CN113130016B (zh) | 2024-02-02 |
Family
ID=76772110
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010499126.3A Active CN113130016B (zh) | 2020-06-04 | 2020-06-04 | 一种基于人工智能的晶片质量分析评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113130016B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5885875B1 (ja) * | 2015-08-28 | 2016-03-16 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、プログラム、および、記録媒体 |
| TWI606531B (zh) * | 2017-03-30 | 2017-11-21 | 義守大學 | 適用於三維晶片的缺陷測試方法及系統 |
| CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
| CN109242033A (zh) * | 2018-09-21 | 2019-01-18 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
| CN109830447A (zh) * | 2019-01-17 | 2019-05-31 | 深圳赛意法微电子有限公司 | 半导体晶圆芯片分选方法、半导体产品的封装方法及系统 |
| CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
| CN110895630A (zh) * | 2018-09-12 | 2020-03-20 | 长鑫存储技术有限公司 | 晶圆堆叠方法及装置、存储介质和电子设备 |
| CN110969175A (zh) * | 2018-09-29 | 2020-04-07 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
| CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
| CN111052332A (zh) * | 2017-09-01 | 2020-04-21 | 科磊股份有限公司 | 训练以学习为基础的缺陷分类器 |
| CN111201540A (zh) * | 2017-10-24 | 2020-05-26 | 国际商业机器公司 | 通过前馈工艺调整优化半导体分档 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201117128A (en) * | 2009-11-06 | 2011-05-16 | Inotera Memories Inc | Advanced WAT predict and warning system |
-
2020
- 2020-06-04 CN CN202010499126.3A patent/CN113130016B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5885875B1 (ja) * | 2015-08-28 | 2016-03-16 | 株式会社Ｕｂｉｃ | データ分析システム、データ分析方法、プログラム、および、記録媒体 |
| TWI606531B (zh) * | 2017-03-30 | 2017-11-21 | 義守大學 | 適用於三維晶片的缺陷測試方法及系統 |
| CN111052332A (zh) * | 2017-09-01 | 2020-04-21 | 科磊股份有限公司 | 训练以学习为基础的缺陷分类器 |
| CN107563999A (zh) * | 2017-09-05 | 2018-01-09 | 华中科技大学 | 一种基于卷积神经网络的芯片缺陷识别方法 |
| CN111201540A (zh) * | 2017-10-24 | 2020-05-26 | 国际商业机器公司 | 通过前馈工艺调整优化半导体分档 |
| CN110895630A (zh) * | 2018-09-12 | 2020-03-20 | 长鑫存储技术有限公司 | 晶圆堆叠方法及装置、存储介质和电子设备 |
| CN109242033A (zh) * | 2018-09-21 | 2019-01-18 | 长鑫存储技术有限公司 | 晶片缺陷模式分类方法及装置、存储介质、电子设备 |
| CN110969175A (zh) * | 2018-09-29 | 2020-04-07 | 长鑫存储技术有限公司 | 晶圆处理方法及装置、存储介质和电子设备 |
| CN109830447A (zh) * | 2019-01-17 | 2019-05-31 | 深圳赛意法微电子有限公司 | 半导体晶圆芯片分选方法、半导体产品的封装方法及系统 |
| CN110349125A (zh) * | 2019-06-17 | 2019-10-18 | 武汉大学 | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 |
| CN110991495A (zh) * | 2019-11-14 | 2020-04-10 | 国机智能技术研究院有限公司 | 生产制造过程中产品质量预测方法、系统、介质及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 碳化硅单晶片关键质量指标及评价方法研究;曹易;田欣;薛超;王一刚;郑风振;洪颖;;中国标准化(第S1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113130016A (zh) | 2021-07-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109635461B (zh) | 一种应用随钻参数来自动识别围岩级别的方法和系统 | |
| CN108564563A (zh) | 一种基于Faster R-CNN的轮胎X光病疵检测方法 | |
| CN110751186B (zh) | 一种基于监督式表示学习的跨项目软件缺陷预测方法 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN116228174B (zh) | 一种具有智能识别功能的印控仪管理方法 | |
| CN108952699B (zh) | 一种复杂地质钻进过程地层岩性智能识别方法 | |
| AU2009241409A1 (en) | System and method for interpretation of well data | |
| CN112529341A (zh) | 一种基于朴素贝叶斯算法的钻井漏失机率预测方法 | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及系统 | |
| CN111368863A (zh) | 一种智能化的岸桥关键机构健康状态评估方法 | |
| CN112904810A (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN113130016B (zh) | 一种基于人工智能的晶片质量分析评价方法 | |
| CN115936241A (zh) | 一种电力施工作业节奏预测方法及系统 | |
| CN103903009A (zh) | 一种基于机器视觉的工业品检测方法 | |
| CN111783544A (zh) | 加工陶瓷手机背板的金刚石铣磨头状态监测系统搭建方法 | |
| CN112085242A (zh) | 一种基于大数据深度学习方法的低阻层精准预测方法与装置 | |
| CN109447026A (zh) | 一种基于支持向量机的桩身完整性类别自动识别方法 | |
| CN110348510B (zh) | 一种基于深水油气钻井过程阶段性特征的数据预处理方法 | |
| CN117331913A (zh) | 一种工业园区水污染源荧光指纹数据库的构建方法 | |
| CN113523904A (zh) | 一种刀具磨损检测方法 | |
| CN113130017B (zh) | 基于人工智能的晶体生长分析方法及系统 | |
| CN115979602A (zh) | 一种基于多源域迁移学习的刀具状态智能监测方法 | |
| CN115456482A (zh) | 一种基于XGBoost的化工企业风险分级方法 | |
| CN109469112B (zh) | 基于支持向量机的桩身缺陷严重程度自动识别方法 | |
| CN111504944A (zh) | 基于近红外光谱的柠檬酸发酵液化清液的统计监控方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231018 Address after: Room JZ2467, Yard 2, Junzhuang Road, Junzhuang Town, Mentougou District, Beijing, 102399 (cluster registration) Applicant after: Beijing Xingyun Lianzhong Technology Co.,Ltd. Address before: 100176 courtyard 17, Tonghui Ganqu Road, Daxing Economic and Technological Development Zone, Beijing Applicant before: BEIJING CENTURY GOLDRAY SEMICONDUCTOR Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |