CN113536572A - 晶圆循环时间的确定方法和装置 - Google Patents
晶圆循环时间的确定方法和装置 Download PDFInfo
- Publication number
- CN113536572A CN113536572A CN202110811860.3A CN202110811860A CN113536572A CN 113536572 A CN113536572 A CN 113536572A CN 202110811860 A CN202110811860 A CN 202110811860A CN 113536572 A CN113536572 A CN 113536572A
- Authority
- CN
- China
- Prior art keywords
- machine
- random number
- wafer
- downtime
- sample data
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06C—DIGITAL COMPUTERS IN WHICH ALL THE COMPUTATION IS EFFECTED MECHANICALLY
- G06C3/00—Arrangements for table look-up, e.g. menstruation table
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Factory Administration (AREA)
Abstract
本申请实施例提供一种晶圆循环时间的确定方法和装置,获取多个站点的机台的实际生产数据,根据多个站点的机台的实际生产数据,建立随机数表,该随机数表中包括各机台的样本数据,样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,使用Monte Carlo算法和随机数表,模拟晶圆在各种机台组合下的生产过程得到模拟器,模拟过程中晶圆经过每个机台时生成的随机数属于随机数表中的随机数区间,随机数用于选择机台的状态,将机台组合、晶圆数量以及模拟次数输入模拟器,得到晶圆的循环时间。该方式能够准确的模拟出晶圆的循环时间,且针对任何机台组合、晶圆数量以及模拟次数均能够得到晶圆的循环时间,应用更加灵活。
Description
技术领域
本申请涉及半导体领域,尤其涉及一种晶圆循环时间的确定方法和装置。
背景技术
晶圆(wafer)在半导体行业中的制程极其复杂,有上千道制作流程。每片wafer从开始生产到结束生产会依次经过上千个站点,每个站点将对应不同的机台数。
wafer从进入第一个站点开始至最后一个站点的结束时间称为wafer 的循环时间(cycle time)。cycle time主要是用来确定机器的生产能力,某产品从放入机器到加工完成,所需机器的加工时间,是生产效率的指标。然而在实际生产中,由于制程站点数太多,机台组合的情况多种多样,测量不同机台组合下的wafer生产的cycle time比较困难,且代价巨大。
发明内容
根据一些实施例,本申请第一方面提供一种晶圆循环时间的确定方法,包括:
获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1;
根据所述多个站点的机台的实际生产数据,建立随机数表,所述随机数表中包括各机台的样本数据,所述样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小达到排列,其中,所述随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,所述样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连;
使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,所述模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于所述随机数表中的随机数区间,所述随机数用于选择机台的状态;
将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间。
可选的,所述使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,包括:
针对每个机台组合,当晶圆经过所述机台组合的每个机台时,根据所述随机数生成方式生成一个随机数;
根据所述随机数表,确定所述随机数所属的样本数据;
根据所述随机数所属的样本数据确定所述机台对应的晶圆的处理时间和宕机修复时间;
将晶圆在所述机台的等待时间、所述机台对应的晶圆的处理时间和宕机修复时间相加得到晶圆在所述机台的总停留时间;
将晶圆在所述机台组合下经过的各个机台的总停留时间相加得到晶圆的循环时间。
可选的,针对所述每个机台组合,分别模拟一片晶圆以及多片晶圆连续生产的生成过程。
可选的,当模拟多片晶圆连续生产时,多片晶圆在经过的每个站点服从先到先处理的原则。
可选的,所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为同一机台的所有在前样本数据的机台宕机概率之和,最大值为最小值与样本数据的机台宕机概率之和。
可选的,所述随机数表中还包括宕机累计概率,所述机台的宕机累计概率等于同一机台当前样本数据以及所有在前样本数据的宕机概率之和;
所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为前一样本数据的宕机累计概率,最大值为所述样本数据的宕机累计概率。
可选的,所述晶圆数量等于模拟次数N,其中,第i次模拟的晶圆数量等于i,i的取值为1-N。
可选的,所述将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间,包括:
当模拟次数为N时,第i次模拟i片晶圆,将所述机台组合和所述i片晶圆输入所述模拟器,得到第i次模拟的晶圆的平均循环时间;
根据N次模拟得到的晶圆的平均循环时间,得到循环时间的趋势图,所述循环时间的趋势图的横轴为晶圆数量,纵轴为平均循环时间。
根据一些实施例,本申请第二方面提供一种晶圆循环时间的确定装置,包括:
获取模块,用于获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1;
建立模块,用于根据所述多个站点的机台的实际生产数据,建立随机数表,所述随机数表中包括各机台的样本数据,所述样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小达到排列,其中,所述随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,所述样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连;
模拟模块,用于使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,所述模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于所述随机数表中的随机数区间,所述随机数用于选择机台的状态;
确定模块,用于将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间。
根据一些实施例,本申请第三方面提供一种电子设备,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如本申请第一方面所述的方法。
根据一些实施例,本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如本申请第一方面所述的方法。
根据一些实施例,本申请第五方面提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如本申请第一方面所述的方法。
本申请实施例提供一种晶圆循环时间的确定方法和装置,获取多个站点的机台的实际生产数据,根据多个站点的机台的实际生产数据,建立随机数表,该随机数表中包括各机台的样本数据,样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,其中,随机数表中的随机数区间基于相同的随机数生成方式得到,使用Monte Carlo算法和随机数表,模拟晶圆在多个站点形成的各种机台组合下的生产过程得到模拟器,模拟过程中晶圆经过每个机台时生成的随机数属于随机数表中的随机数区间,随机数用于选择机台的状态,将机台组合、晶圆数量以及模拟次数输入模拟器,得到晶圆的循环时间。本申请实施例的方法至少具有以下优点:能够准确的模拟出晶圆的循环时间,且针对任何机台组合、晶圆数量以及模拟次数均能够得到晶圆的循环时间,应用更加灵活。
附图说明
图1为本申请实施例一提供的晶圆循环时间的确定方法的流程图;
图2为模拟多片晶圆连续生产时的平均循环时间的趋势图;
图3为Monte Carlo算法的模拟过程的流程示意图;
图4为本申请实施例三提供的晶圆循环时间的确定装置的结构示意图;
图5为本发明实施例四提供的电子设备的一种结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
wafer即为晶圆,由纯硅(Si)构成。一般分为6英寸、8英寸、12英寸规格不等,晶圆是指硅半导体集成电路制作所用的硅晶片,由于其形状为圆形,故称为晶圆。
晶圆的制程及其复杂,每片晶圆从生产开始到结束会依次经过上千个站点,每个站点用于对晶圆进行不同的处理,每个站点可以包括一个或者多个机台,各站点包括的机台数可能不同。当一个站点包括多个机台时,该多个机台对晶圆的处理是相同的,晶圆达到该站点之后,可以选择任意一个空闲的机台对晶圆处理,如果站点处所有机台都忙,那么晶圆处于等待状态,等到有空闲机台了,再对该晶圆进行处理。
为了了解机器的生成效率,需要统计晶圆生产的循环时间(cycle time)。目前由于制程的站点较多,难以统计晶圆的循环时间。为了解决现有技术的问题,本申请一实施例提供一种晶圆循环时间的确定方法,通过Monte Carlo (Monte Carlo)算法模拟晶圆的生成过程,得到模拟器,使用模拟器可以得到任意机台组合下晶圆的循环时间。
Monte Carlo方法又叫统计模拟方法,它使用随机数(或伪随机数)来解决计算的问题,是一类重要的数值计算方法。在解决实际问题时应用Monte Carlo方法主要有两部分内容:用Monte Carlo方法模拟某一过程时,需要产生各种概率分布的随机变量;用统计方法把模型的数字特征估计出来,从而得到实际问题的数值解。
Monte Carlo方法解决问题主要包括以下三个步骤。
步骤一,构造或描述概率过程:对于本身就具有随机性质的问题,如粒子输运问题,主要是正确描述和模拟这个概率过程,对于本来不是随机性质的确定性问题,必须事先构造一个人为的概率过程,它的某些参量正好是所要求问题的解。即要将不具有随机性质的问题转化为随机性质的问题。
步骤二,实现从已知概率分布抽样:构造了概率模型以后,由于各种概率模型都可以看作是由各种各样的概率分布构成的,因此产生已知概率分布的随机变量(或随机向量),就成为实现Monte Carlo方法模拟实验的基本手段,这也是Monte Carlo方法被称为随机抽样的原因。最简单、最基本、最重要的一个概率分布是(0,1)上的均匀分布(或称矩形分布)。随机数就是具有这种均匀分布的随机变量。产生随机数的问题,就是从这个分布抽样的问题。在计算机上,可以用物理方法产生随机数,但价格昂贵,不能重复,使用不便。另一种方法是用数学递推公式产生。这样产生的序列,与真正的随机数序列不同,所以称为伪随机数,或伪随机数序列。不过,经过多种统计检验表明,它与真正的随机数,或随机数序列具有相近的性质,因此可把它作为真正的随机数来使用。由已知分布随机抽样有各种方法,与从(0,1)上均匀分布抽样不同,这些方法都是借助于随机序列来实现的,也就是说,都是以产生随机数为前提的。由此可见,随机数是我们实现Monte Carlo模拟的基本工具。
步骤三,建立各种估计量,相当于对模拟实验的结果进行考察和登记,从中得到问题的解。
本申请一实施例中使用Monte Carlo进行近似模拟,如果要计算晶圆使用某一机台组合进行生产时的循环时间,需要考虑该机台组合下机台宕机的可能性、宕机后的修复时间的长短、机台的繁忙状况等可能会影响晶圆的循环时间的因素。所以,可以在模拟开始时设置这些条件,并运行模拟1000次或者更多次以获取估计的循环时间。通常情况下,模拟次数越多,估计就越准确。
图1为本申请实施例一提供的晶圆循环时间的确定方法的流程图,如图1所示,本实施例提供的方法包括以下步骤。
S101、获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1。
晶圆实际生产过程中,会产生大量的生产数据,通过收集晶圆的生产数据得到多个站点的机台的实际生产数据,该实际生产数据也称为历史生产数据。晶圆的处理时间(process time)是指机台对晶圆的实际处理时长,每个机台可能具有多个不同的宕机修改时间(recover time),不同宕机修复时间对应不同的宕机概率。如下所示,表一为处理时间表格,表二为修复时间表格。
表一
表二
机台ID | 修复时间 | 宕机概率 |
A | 0 | 0.97 |
A | 10 | 0.003 |
A | 20 | 0.006 |
A | 30 | 0.01 |
A | 40 | 0.006 |
A | 50 | 0.005 |
B | 0 | 0.6 |
B | 10 | 0.05 |
B | 20 | 0.21 |
…… | …… | …… |
S102、根据多个站点的机台的实际生产数据,建立随机数表。
该随机数表中包括各机台的样本数据,每个样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小到大排列,其中,随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连。
该随机数用于表示机台的状态,机台的状态是随机的,所以可以通过生成的随机数表示机台的状态。
一种示例性的方式中,随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为同一机台的所有在前样本数据的机台宕机概率之和,最大值为最小值与样本数据的机台宕机概率之和。
另一种示例性的方式中,该随机数表中还包括宕机累计概率(cumulativeratio),该机台的宕机累计概率等于同一机台当前样本数据以及所有在前样本数据的宕机概率之和。当随机数区间的取值为[0,1]时,相应的,任意样本数据的随机数区间的最小值为前一样本数据的宕机累计概率,最大值为样本数据的宕机累计概率。
参考表三,表三为随机数表的一种示意图。
表三
机台ID | 处理时间 | 修复时间 | 宕机概率 | 累计宕机概率 | 随机数区间 |
A | 10 | 0 | 0.97 | 0.97 | 0-0.97 |
A | 10 | 10 | 0.003 | 0.973 | 0.97-0.973 |
A | 10 | 20 | 0.006 | 0.979 | 0.973-0.979 |
A | 10 | 30 | 0.01 | 0.989 | 0.979-0.989 |
A | 10 | 40 | 0.006 | 0.995 | 0.989-0.995 |
A | 10 | 50 | 0.005 | 1 | 0.995-1 |
B | 20 | 0 | 0.6 | 0.6 | 0-0.6 |
B | 20 | 10 | 0.05 | 0.65 | 0.6-0.65 |
B | 20 | 20 | 0.21 | 0.86 | 0.65-0.86 |
…… | …… | …… | …… | …… | …… |
表三中每行代表一个样本数据,该随机数表中随机数的取值范围为0-1,随机数取小数点后三位数,所以0-1范围内总共有1000个随机数,例如,为 0.001、0.993、0.854等。可以理解,也可以对表中随机数乘以预设倍数得到新的随机数,例如,乘以1000,将随机数的范围该为0-1000,此时,原随机数区间0-0.97中共包括970个随机数,分别从0.000-0.970,而新的随机数区间为1-970。
可以理解,该随机数表中也可以不包括处理时间,机台的处理时间单独存储在一张表格中。
S103、使用Monte Carlo算法和随机数表,模拟晶圆在该多个站点形成的各种机台组合下的生产过程得到模拟器,该模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于该随机数表中的随机数区间,随机数用于选择机台的状态。
该多个站点可以形成多种机台组合,示例性的,一种机台组合表示为 1-2-1,该机台组合的含义是共有3个站点,第一个站点有一个机台,第二个站点有2个机台,第3个站点有1个机台。同一机台组合下,可以进行多次模拟,每次模拟生成的随机数不同,可能导致选择的机台的状态不同。
可选的,针对每个机台组合,分别模拟一片晶圆以及多片晶圆连续生产的生成过程。在实际生产过程中,通常会同时进行多片晶圆的连续生产。当模拟多片晶圆连续生产时,多片晶圆在经过的每个站点服从先到先处理的原则。当晶圆到达某个站点后,如果没有空闲机台,那么晶圆处于等待状态,晶圆的等待时间是不确定的。
S104、将机台组合、晶圆数量以及模拟次数输入模拟器,得到晶圆的循环时间。
通过多次模拟得到模拟器,后续用户可以灵活的输入任意的机台组合、晶圆数量以及模拟次数,都可以得到晶圆的循环时间。
一种可能的实现方式中,晶圆数量等于模拟次数N,其中,第i次模拟的晶圆数量等于i,i的取值为1-N。当模拟次数为N时,第i次模拟i片晶圆,在第i次模拟时,将机台组合和i片晶圆输入模拟器,得到第i次模拟的晶圆的平均循环时间,即第i次模拟时模拟器输出的结果为i个晶圆的平均循环时间。每次模拟均会得到一个平均循环时间,然后,根据N次模拟得到的晶圆的平均循环时间(即N个平均循环时间),得到循环时间的趋势图,该循环时间的趋势图的横轴为晶圆数量,纵轴为平均循环时间。
例如,共有100个晶圆,模拟次数为100,那么在该机台组合下,第1 次模拟1个晶圆的生产情况,得到该晶圆的循环时间,第2次模拟两个晶圆的生产情况,得到各晶圆的循环时间,依次类推,第100次模拟100个晶圆的生产情况,得到100个晶圆的循环时间。每次模拟之后,根据得到的各个晶圆的循环时间,得到多个晶圆的平均循环时间,例如第50次模拟时,将 50个晶圆的循环时间相加然后除以50得到本次模拟的平均循环时间。
表四为模拟多个晶圆生产时的平均循环时间的示意图,表四如下所示。
表四
图2为模拟多片晶圆连续生产时的平均循环时间的趋势图,如图2所示,该模拟结果是在机台组合1-2-1下的模拟结果,分别模拟得到了1片、2片、 3片……,100片晶圆连续生产时的平均循环时间,横轴为晶圆数据,纵轴为平均循环时间。通过表四以及图2,可以看到在一个机台组合下,随着晶圆数据的增大,晶圆的平均循环时间逐渐增大。可以理解,随着晶圆数据的增大,晶圆的平均循环时间的整体趋势是增大的,但是不排除局部数据的波动,例如,在100次模拟过程中,在50-58次模拟得到的平均循环时间都是递增的,但是第59次模拟得到的平均循环时间是减小的。
另一种可能的实现方式中,晶圆数量和模拟次数可以不相同,例如,晶圆数量为100,模拟次数为5次。那么总共需要模拟5次,每次模拟时都需要模拟100片晶圆连续生产的过程,每次模拟都会得到晶圆的一个平均循环时间,5次得到的晶圆的平均循环时间可能不同。或者,晶圆数量为100,模拟次数为1,那么只需要模拟一次。
本实施例中,获取多个站点的机台的实际生产数据,根据多个站点的机台的实际生产数据,建立随机数表,该随机数表中包括各机台的样本数据,样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,其中,随机数表中的随机数区间基于相同的随机数生成方式得到,使用Monte Carlo算法和随机数表,模拟晶圆在多个站点形成的各种机台组合下的生产过程得到模拟器,模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于随机数表中的随机数区间,随机数用于选择机台的状态,将机台组合、晶圆数量以及模拟次数输入模拟器,得到晶圆的循环时间。该方式能够准确的模拟出晶圆的循环时间,且针对任何机台组合、晶圆数量以及模拟次数均能够得到晶圆的循环时间,应用更加灵活。
在实施例一的基础上,本发明实施例二提供一种Monte Carlo算法的模拟过程,如图3所示,本实施例提供的方法包括以下步骤,本实施例是对实施例一中的步骤S103的一种实现方式。
S201、针对每个机台组合,当晶圆经过机台组合的每个机台时,根据随机数生成方式生成一个随机数。
生成的随机数表示机台的状态,机台的不同状态对应不同的处理时间和修复时间。
S202、根据随机数表,确定随机数所属的样本数据。
根据随机数表,确定生成的随机数所属的随机数区间,该随机数所属的随机数区间所在的样本数据即为随机数所属的样本数据。确定随机数所属的样本数据,即确定机台对应的晶圆的处理时间和宕机修复时间。
S203、根据随机数所属的样本数据确定机台对应的晶圆的处理时间和宕机修复时间。
S204、将晶圆在机台的等待时间、机台对应的晶圆的处理时间和宕机修复时间相加得到晶圆在机台的总停留时间。
在模拟过程中,存在多个晶圆连续生产的场景,多个晶圆连续生产时,晶圆到达某个机台后可能需要等待一段时间才能被处理。所以晶圆在一个机台的总停留时间由晶圆在机台的等待时间、机台对应的晶圆的处理时间和宕机修复时间相加得到。
S205、将晶圆在机台组合下经过的各个机台的总停留时间相加得到晶圆的循环时间。
将晶圆在各个机台的总停留时间相加得到晶圆的循环时间。
图4为本申请实施例三提供的晶圆循环时间的确定装置的结构示意图,如图4所示,本实施例提供的装置100包括以下模块。
获取模块11,用于获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1;
建立模块12,用于根据所述多个站点的机台的实际生产数据,建立随机数表,所述随机数表中包括各机台的样本数据,所述样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小达到排列,其中,所述随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,所述样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连;
模拟模块13,用于使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,所述模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于所述随机数表中的随机数区间,所述随机数用于选择机台的状态;
确定模块14,用于将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间。
可选的,所述模拟模块13具体用于:
针对每个机台组合,当晶圆经过所述机台组合的每个机台时,根据所述随机数生成方式生成一个随机数;
根据所述随机数表,确定所述随机数所属的样本数据;
根据所述随机数所属的样本数据确定所述机台对应的晶圆的处理时间和宕机修复时间;
将晶圆在所述机台的等待时间、所述机台对应的晶圆的处理时间和宕机修复时间相加得到晶圆在所述机台的总停留时间;
将晶圆在所述机台组合下经过的各个机台的总停留时间相加得到晶圆的循环时间。
可选的,针对所述每个机台组合,分别模拟一片晶圆以及多片晶圆连续生产的生成过程。
可选的,当模拟多片晶圆连续生产时,多片晶圆在经过的每个站点服从先到先处理的原则。
可选的,所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为同一机台的所有在前样本数据的机台宕机概率之和,最大值为最小值与样本数据的机台宕机概率之和。
可选的,所述随机数表中还包括宕机累计概率,所述机台的宕机累计概率等于同一机台当前样本数据以及所有在前样本数据的宕机概率之和;
所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为前一样本数据的宕机累计概率,最大值为所述样本数据的宕机累计概率。
可选的,所述晶圆数量等于模拟次数N,其中,第i次模拟的晶圆数量等于i,i的取值为1-N。
可选的,所述确定模块具体用于:
当模拟次数为N时,第i次模拟i片晶圆,将所述机台组合和所述i片晶圆输入所述模拟器,得到第i次模拟的晶圆的平均循环时间;
根据N次模拟得到的晶圆的平均循环时间,得到循环时间的趋势图,所述循环时间的趋势图的横轴为晶圆数量,纵轴为平均循环时间。
本实施例的装置,可用于执行上述实施例一或实施例二所述的方法,具体实现方式和技术效果类似,这里不再赘述。
需要说明的是,上述实施例提供的装置在晶圆循环时间的确定方法时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
图5为本发明实施例四提供的电子设备的一种结构示意图,如图5所示,该电子设备200包括:处理器21、存储器22和收发器23,所述存储器22用于存储指令,所述收发器23用于和其他设备通信,所述处理器21用于执行所述存储器中存储的指令,以使所述电子设备200执行如上述实施例一或实施例二所述的方法,具体实现方式和技术效果类似,这里不再赘述。
本发明实施例五提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上述实施例一或实施例二所述的方法,具体实现方式和技术效果类似,这里不再赘述。
本发明实施例六提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时,实现如上述实施例一或实施例二所述的方法,具体实现方式和技术效果类似,这里不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (12)
1.一种晶圆循环时间的确定方法,其特征在于,包括:
获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1;
根据所述多个站点的机台的实际生产数据,建立随机数表,所述随机数表中包括各机台的样本数据,所述样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小达到排列,其中,所述随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,所述样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连;
使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,所述模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于所述随机数表中的随机数区间,所述随机数用于选择机台的状态;
将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间。
2.根据权利要求1所述的方法,其特征在于,所述使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,包括:
针对每个机台组合,当晶圆经过所述机台组合的每个机台时,根据所述随机数生成方式生成一个随机数;
根据所述随机数表,确定所述随机数所属的样本数据;
根据所述随机数所属的样本数据确定所述机台对应的晶圆的处理时间和宕机修复时间;
将晶圆在所述机台的等待时间、所述机台对应的晶圆的处理时间和宕机修复时间相加得到晶圆在所述机台的总停留时间;
将晶圆在所述机台组合下经过的各个机台的总停留时间相加得到晶圆的循环时间。
3.根据权利要求2所述的方法,其特征在于,针对所述每个机台组合,分别模拟一片晶圆以及多片晶圆连续生产的生成过程。
4.根据权利要求3所述的方法,其特征在于,当模拟多片晶圆连续生产时,多片晶圆在经过的每个站点服从先到先处理的原则。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为同一机台的所有在前样本数据的机台宕机概率之和,最大值为最小值与样本数据的机台宕机概率之和。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述随机数表中还包括宕机累计概率,所述机台的宕机累计概率等于同一机台当前样本数据以及所有在前样本数据的宕机概率之和;
所述随机数区间的取值为[0,1],任意样本数据的随机数区间的最小值为前一样本数据的宕机累计概率,最大值为所述样本数据的宕机累计概率。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述晶圆数量等于模拟次数N,其中,第i次模拟的晶圆数量等于i,i的取值为1-N。
8.根据权利要求7所述的方法,其特征在于,所述将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间,包括:
当模拟次数为N时,第i次模拟i片晶圆,将所述机台组合和所述i片晶圆输入所述模拟器,得到第i次模拟的晶圆的平均循环时间;
根据N次模拟得到的晶圆的平均循环时间,得到循环时间的趋势图,所述循环时间的趋势图的横轴为晶圆数量,纵轴为平均循环时间。
9.一种晶圆循环时间的确定装置,其特征在于,包括:
获取模块,用于获取多个站点的机台的实际生产数据,每个机台的实际生产数据包括晶圆的处理时间、机台的宕机概率以及宕机修复时间,其中,每个机台具有多个不同宕机修复时间,不同宕机修复时间对应的宕机概率不同,每个机台的多个宕机概率的总和为1;
建立模块,用于根据所述多个站点的机台的实际生产数据,建立随机数表,所述随机数表中包括各机台的样本数据,所述样本数据包括晶圆的处理时间、机台宕机概率、宕机修复时间和随机数区间,同一机台的样本数据按照宕机修复时间从小达到排列,其中,所述随机数表中的随机数区间基于相同的随机数生成方式得到,样本数据的机台宕机概率越大,所述样本数据的随机数区间包括的随机数越多,不同样本数据的随机数区间不重叠,且相邻样本数据的随机数区间的随机数相连;
模拟模块,用于使用Monte Carlo算法和所述随机数表,模拟晶圆在所述多个站点形成的各种机台组合下的生产过程得到模拟器,所述模拟器的输出为晶圆经过机台组合的循环时间,模拟过程中晶圆经过每个机台时生成的随机数属于所述随机数表中的随机数区间,所述随机数用于选择机台的状态;
确定模块,用于将机台组合、晶圆数量以及模拟次数输入所述模拟器,得到晶圆的循环时间。
10.一种电子设备,其特征在于,包括:至少一个处理器和存储器;
所述存储器存储计算机执行指令;
所述至少一个处理器执行所述存储器存储的计算机执行指令,使得所述至少一个处理器执行如权利要求1至8任一项所述的方法。
11.一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中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1至8任一项所述的方法。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时,实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811860.3A CN113536572B (zh) | 2021-07-19 | 2021-07-19 | 晶圆循环时间的确定方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811860.3A CN113536572B (zh) | 2021-07-19 | 2021-07-19 | 晶圆循环时间的确定方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536572A true CN113536572A (zh) | 2021-10-22 |
CN113536572B CN113536572B (zh) | 2023-10-03 |
Family
ID=78128625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110811860.3A Active CN113536572B (zh) | 2021-07-19 | 2021-07-19 | 晶圆循环时间的确定方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536572B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020128810A1 (en) * | 2000-12-29 | 2002-09-12 | Adept Technology, Inc. | Systems and methods for simulation, analysis and design of automated assembly systems |
US20090276174A1 (en) * | 2008-04-30 | 2009-11-05 | Richard Good | Method and system for a two-step prediction of a quality distribution of semiconductor devices |
US20100138026A1 (en) * | 2008-03-08 | 2010-06-03 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US20110282475A1 (en) * | 2010-05-11 | 2011-11-17 | International Business Machines Corporation | Effective cycle time management employing a multi-horizon model |
US20130197875A1 (en) * | 2012-01-27 | 2013-08-01 | Carvin Glenn Shirley | Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits |
CN109426698A (zh) * | 2017-08-30 | 2019-03-05 | 三星电子株式会社 | 预测半导体集成电路良率的装置和半导体器件的制造方法 |
CN111191861A (zh) * | 2018-11-14 | 2020-05-22 | 长鑫存储技术有限公司 | 机台数量确定方法及装置、处理线、存储介质和电子设备 |
US20200333777A1 (en) * | 2016-09-27 | 2020-10-22 | Tokyo Electron Limited | Abnormality detection method and abnormality detection apparatus |
-
2021
- 2021-07-19 CN CN202110811860.3A patent/CN113536572B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020128810A1 (en) * | 2000-12-29 | 2002-09-12 | Adept Technology, Inc. | Systems and methods for simulation, analysis and design of automated assembly systems |
US20100138026A1 (en) * | 2008-03-08 | 2010-06-03 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
US20090276174A1 (en) * | 2008-04-30 | 2009-11-05 | Richard Good | Method and system for a two-step prediction of a quality distribution of semiconductor devices |
US20110282475A1 (en) * | 2010-05-11 | 2011-11-17 | International Business Machines Corporation | Effective cycle time management employing a multi-horizon model |
US20130197875A1 (en) * | 2012-01-27 | 2013-08-01 | Carvin Glenn Shirley | Copula-based system and method for management of manufacturing test and product specification throughout the product lifecycle for electronic systems or integrated circuits |
US20200333777A1 (en) * | 2016-09-27 | 2020-10-22 | Tokyo Electron Limited | Abnormality detection method and abnormality detection apparatus |
CN109426698A (zh) * | 2017-08-30 | 2019-03-05 | 三星电子株式会社 | 预测半导体集成电路良率的装置和半导体器件的制造方法 |
CN111191861A (zh) * | 2018-11-14 | 2020-05-22 | 长鑫存储技术有限公司 | 机台数量确定方法及装置、处理线、存储介质和电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113536572B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10290066B2 (en) | Method and device for modeling a long-time-scale photovoltaic output time sequence | |
Ma et al. | Data-driven $ I $–$ V $ feature extraction for photovoltaic modules | |
CN109462257B (zh) | 一种计及多元随机变量电网电压稳定的灵敏度辨识方法 | |
Lin et al. | A new framework for detection and identification of network parameter errors | |
Doukhan et al. | Inference and testing for structural change in general Poisson autoregressive models | |
CN102708260A (zh) | 电磁暂态仿真方法及装置 | |
CN111737249A (zh) | 基于Lasso算法的异常数据检测方法及装置 | |
Schreiber et al. | Cut size statistics of graph bisection heuristics | |
CN115616412A (zh) | 一种储能电池组建模方法、装置、设备及可读存储介质 | |
CN104615808B (zh) | 一种待测试硬件运算部件的测试方法及参考模型装置 | |
Zhou et al. | Online quantification of input uncertainty for parametric models | |
CN106651150B (zh) | 一种评估电网谐波影响的方法及装置 | |
CN110096730B (zh) | 一种电网电压快速评估方法及系统 | |
Tille et al. | Incremental solving techniques for SAT-based ATPG | |
CN109146060B (zh) | 一种基于卷积神经网络处理数据的方法及装置 | |
CN108932197B (zh) | 基于参数Bootstrap重抽样的软件失效时间预测方法 | |
CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN113536572B (zh) | 晶圆循环时间的确定方法和装置 | |
CN111782507B (zh) | 数据测试方法、装置、存储介质及电子设备 | |
CN111262248B (zh) | 一种随机潮流解析计算方法和系统 | |
CN116302344A (zh) | 一种批量生成硬件仿真自动化过程的方法及系统 | |
US20170242937A1 (en) | Sensitivity analysis systems and methods using entropy | |
CN113419706A (zh) | 一种快速的任意分布随机数产生方法、系统及其检验方法、系统 | |
Le et al. | Probabilistic assessment of power systems with renewable energy sources based on an improved analytical approach |
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 |