CN114707357A - 半导体工艺周期的静态仿真方法、系统、设备及存储介质 - Google Patents
半导体工艺周期的静态仿真方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114707357A CN114707357A CN202210467913.9A CN202210467913A CN114707357A CN 114707357 A CN114707357 A CN 114707357A CN 202210467913 A CN202210467913 A CN 202210467913A CN 114707357 A CN114707357 A CN 114707357A
- Authority
- CN
- China
- Prior art keywords
- controlled
- estimated
- time
- determining
- model
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
Abstract
本公开提供一种半导体工艺周期的静态仿真方法、系统、设备及存储介质,涉及半导体技术领域,所述方法包括:获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;根据随机函数产生第一随机数,获取目标批次在执行所述目标工艺步骤中被控的随机概率;判断所述随机概率是否大于所述被控概率阈值;若否,则根据所述被控参考时间确定所述目标批次在执行所述目标工艺步骤中的预估被控时间;根据所述标准周期时间和所述预估被控时间之和,确定预估周期时间。本公开实施例可精准确定产品是否被控,并精准确定预估周期时间,精确模拟半导体的生产过程,提高产能预估准确度。
Description
技术领域
本公开涉及半导体技术领域,尤其涉及一种半导体工艺周期的静态仿真方法、系统、设备及存储介质。
背景技术
半导体生产过程中通常会有多个生产状态,包括待加工状态(active)、正在加工状态(run)、暂停状态(hold)等。例如,在发生产品问题、设备问题或其它工程问题需要工程师处理时,会有较长时间的中止等待过程。
为预估半导体的生产效率和产能,需要对半导体生产过程进行模拟仿真。在传统的静态仿真中,没有hold过程进行模拟,因此存在高估待加工数量的问题,导致生产预估与实际产能差别较大。
发明内容
以下是对本公开详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。
本公开提供一种半导体工艺周期的静态仿真方法、系统、设备及存储介质。
根据本公开实施例的第一方面,提供一种半导体工艺周期的静态仿真方法,所述静态仿真方法包括:
获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
根据随机函数产生第一随机数,获取目标批次在执行所述目标工艺步骤中被控的随机概率;
判断所述随机概率是否大于所述被控概率阈值;
若否,则根据所述被控参考时间确定所述目标批次在执行所述目标工艺步骤中的预估被控时间;
根据所述标准周期时间和所述预估被控时间之和,确定预估周期时间。
根据本公开的一些实施例,若所述随机概率大于所述被控概率阈值,确定所述标准周期时间为预估周期时间。
根据本公开的一些实施例,根据所述被控参考时间获取所述目标批次在执行所述目标工艺步骤中的预估被控时间,包括:
确定所述目标批次在执行所述目标工艺步骤中的标准模型;
获取所述被控参考时间内的历史参考数据;
根据所述标准模型和所述历史参考数据,确定预估模型;
根据所述预估模型,确定所述预估被控时间。
根据本公开的一些实施例,根据所述标准模型和所述历史参考数据,确定预估模型,包括:
根据所述历史参考数据,确定调整系数;
根据所述标准模型和所述调整系数,确定所述预估模型。
根据本公开的一些实施例,所述标准模型包括标准正态分布模型,所述预估模型包括预估正态分布模型;
根据所述预估模型,确定所述预估被控时间,包括:
根据所述预估正态分布模型产生第二随机数;
根据所述第二随机数的绝对值,确定所述预估被控时间。
根据本公开的一些实施例,根据所述历史参考数据,确定调整系数,包括:
根据所述历史参考数据,确定参考正态分布模型;
根据所述参考正态分布模型,确定所述调整系数;
其中,所述调整系数包括平均数系数和标准差系数。
本公开的第二方面提供一种半导体工艺周期的静态仿真系统,所述静态仿真系统包括:
第一获取模块,被配置为,获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
第二获取模块,被配置为,根据随机函数产生第一随机数,获取目标批次在执行所述目标工艺步骤中被控的随机概率;
判断模块,被配置为,判断所述随机概率是否大于所述被控概率阈值;
第一确定模块,被配置为,若所述判断模块的判断结果为否,则根据所述被控参考时间确定所述目标批次在执行所述目标工艺步骤中的预估被控时间;
第二确定模块,被配置为,根据所述标准周期时间和所述预估被控时间之和,确定预估周期时间。
根据本公开的一些实施例,所述第一确定模块还被配置为,若所述判断模块的判断结果为是,则确定所述标准周期时间为预估周期时间。
根据本公开的一些实施例,所述第一确定模块包括:
第一确定单元,被配置为,确定所述目标批次在执行所述目标工艺步骤中的标准模型;
第一获取单元,被配置为,获取所述被控参考时间内的历史参考数据;
第二确定单元,被配置为,根据所述标准模型和所述历史参考数据,确定预估模型;
第三确定单元,被配置为,根据所述预估模型,确定所述预估被控时间。
根据本公开的一些实施例,所述第二确定单元被配置为:
根据所述历史参考数据,确定调整系数;
根据所述标准模型和所述调整系数,确定所述预估模型。
根据本公开的一些实施例,所述标准模型包括标准正态分布模型,所述预估模型包括预估正态分布模型;
所述第三确定单元被配置为:
根据所述预估正态分布模型产生第二随机数;
根据所述第二随机数的绝对值,确定所述预估被控时间。
根据本公开的一些实施例,所述第二确定单元被配置为:
根据所述历史参考数据,确定参考正态分布模型;
根据所述参考正态分布模型,确定所述调整系数;
其中,所述调整系数包括平均数系数和标准差系数。
根据本公开实施例的第三方面,提供一种半导体工艺周期的静态仿真设备,所述半导体工艺周期的静态仿真设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行根据以上内容所述的半导体工艺周期的静态仿真方法。
根据本公开实施例的第四方面,提供一种非临时性计算机可读存储介质,当所述存储介质中的指令由半导体工艺周期的静态仿真设备的处理器执行时,使得所述工艺周期的静态仿真设备能够执行根据以上内容所述的半导体工艺周期的静态仿真方法。
本公开实施例所提供的半导体工艺周期的静态仿真方法、系统、设备及存储介质中,用随机函数产生第一随机数,据此获取目标工艺步骤中被控的随机概率,结合被控概率阈值,确定产品是否被控;并结合被控参考时间确定预估被控参考时间,再结合标准周期时间,精准确定预估周期时间,精确模拟半导体的生产过程,提高产能预估准确度。
在阅读并理解了附图和详细描述后,可以明白其他方面。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本公开的实施例,并且与描述一起用于解释本公开实施例的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本公开的一些实施例,而不是全部实施例。对于本领域技术人员来讲,在不付出创造性劳动的前提下,可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种半导体工艺周期的静态仿真方法的流程图;
图2是根据一示例性实施例示出的图1中步骤S400的实施流程图;
图3是根据一示例性实施例示出的图2中步骤S430的实施流程图;
图4是根据一示例性实施例示出的图2中步骤S440的实施流程图;
图5是根据一示例性实施例示出的图3中步骤S431的实施流程图;
图6是根据一示例性实施例示出的一种半导体工艺周期的静态仿真系统的框图;
图7是根据一示例性实施例示出的一种半导体工艺周期的静态仿真设备的框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本公开保护的范围。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互任意组合。
在半导体产品生产管理中,在实际生产之前,需要对产品生产过程进行模拟仿真,以便于制定合理的生产计划,确定生产周期,提高生产效率。
在半导体产品的生产状态管理体系中,同一批次的产品在同一个时间点只有一个状态,例如,可以开始加工但未加工的状态,即待加工状态active;正在加工状态run;暂停状态hold。其中,发生暂停状态的原因通常是出现工程问题需要等待工程师处理,甚至需要一个较长的时间进行处理,因此,在hold状态下,半导体产品被工程师人为控制或者被机台系统程序控制住,即发生半导体产品被控。
hold状态发生与否、以及hold状态发生时的产品被控时间,对半导体产品的生产周期、产能产生严重影响。而在相关技术中,对产品生产过程进行模拟仿真时,并没有hold过程的模拟,往往导致高估产能和生产效率,工艺周期时间预估不够准确,对实际生产进度的控制产生不利影响。
本公开提供了一种半导体工艺周期的静态仿真方法,利用随机函数获取目标工艺步骤中目标批次的产品被控的随机概率,结合被控概率阈值,确定是否发生产品被控;并结合被控参考时间,确定预估被控时间,进而确定预估周期时间,实现生产周期的精准确定,精确模拟半导体生产过程,提高产能预估准确度。
图1示出了本公开一种示例性实施例中的半导体工艺周期的静态仿真方法的流程图,参照图1所示,该静态仿真方法包括以下步骤:
步骤S100,获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
步骤S200,根据随机函数产生第一随机数,获取目标批次在执行目标工艺步骤中被控的随机概率;
步骤S300,判断随机概率是否大于被控概率阈值;
步骤S400,若否,则根据被控参考时间确定目标批次在执行目标工艺步骤中的预估被控时间;
步骤S500,根据标准周期时间和预估被控时间之和,确定预估周期时间。
由于hold状态,即产品被控,可能发生与半导体产品在生产过程中的各个工艺步骤中,因此,本公开实施例的静态仿真方法,可以针对半导体产品的任一工艺步骤进行静态仿真。
在步骤S100中,获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间。其中,目标工艺步骤的标准周期时间,为该目标工艺步骤顺利生产,即在不发生产品被控的情况下的周期时间;被控概率阈值为该目标工艺步骤中可能发生产品被控的最大概率;被控参考时间,为该目标工艺步骤中以被控概率阈值的概率发生产品被控时,其产品被控时间参考值。
示例性地,被控参考时间可以依据该目标工艺步骤的历史生产数据中,一个生产周期中发生产品被控的时间值,或者多个发生产品被控的生产周期中产品被控时间的平均值,或者按照多个生产周期中的产品被控时间的分布情况以预设计算方式计算的时间值。
在步骤S200中,通过随机函数产生第一随机数,根据第一随机数获取目标批次的产品在执行该目标工艺步骤中发生被控的随机概率。
示例性地,通过随机函数产生第一随机数Z1,0≤Z1≤100,例如50,Z1/100即为目标批次的产品在该目标工艺步骤中发生被控的随机概率。
在步骤S300中,将步骤S200中获取的产品发生被控的随机概率与该目标工艺步骤的被控概率阈值进行对比,判断被控的随机概率是否大于被控概率阈值,从而确定该目标工艺步骤中是否会发生产品被控。
假设,被控概率阈值为75%的情况下,第一随机数Z1=50时,即随机概率为50%,此时随机概率50%小于被控概率阈值75%,则可确定该目标批次的产品在该目标工艺步骤中发生被控;反之,若随机概率Z1/100大于被控概率阈值,则不发生被控。
在步骤S400中,若步骤S300中的判断结果为否,即被控的随机概率小于或等于被控概率阈值,则在该目标工艺步骤中发生产品被控,并且发生产品被控的随机概率在被控概率阈值之内。这种情况下,可依据被控参考时间确定目标批次的产品在该目标工艺步骤中的预估被控时间。示例性地,预估被控时间可以小于或等于被控参考时间。也就是说,在这种情况下,预估被控时间的最大值与被控参考时间相等。
由于对目标工艺步骤生产过程的仿真中,只需确定是否发生被控以及预估被控时间,即仿真的目标工艺步骤的生产过程包括正常生产和产品被控,因此其生产周期时间包括正常生产时间(即标准周期时间)和预估被控时间。在步骤S500中,可以基于步骤S400中确定的预估被控时间,确定目标批次的产品在目标工艺步骤中的预估周期时间为标准周期时间与预估被控时间之和。
在一些实施例中,为保证该目标工艺步骤的周期时间充足且不会预估过长,可视为预估被控时间等于被控参考时间。此时,在步骤S500中,可以确定目标批次的产品在目标工艺步骤中的预估周期时间为标准周期时间与预估被控时间之和,即为标准周期时间与被控参考时间之和。
在本公开实施例中,通过随机函数产生第一随机数的方式,获取产品被控的随机概率,并通过与被控概率阈值进行比较,确定目标批次的产品在目标工艺步骤中是否发生被控,并结合标准周期时间,确定预估周期时间。本公开实施例能够对产品在目标工艺步骤中是否发生被控进行精准仿真,可精准确定目标工艺步骤中的预估被控时间,进而精确预估周期时间,提高仿真精度,提高生产效率。
在一些实施例中,步骤S400还包括,若随机概率大于被控概率阈值,确定标准周期时间为预估周期时间。
当步骤S300中的判断结果为是时,即被控的随机概率大于被控概率阈值,可确定目标批次的产品在目标工艺步骤中不发生被控。例如,在被控概率阈值为60%的情况下,第一随机数Z1=72时,即随机概率为72%,大于被控概率阈值60%,则可确定该目标批次的产品在该目标工艺步骤中不发生被控。
在这种情况下,由于产品在目标工艺步骤中不发生被控,即确定预估被控时间为0,因此,可以确定标准周期时间为预估周期时间。
在本公开实施例中,基于被控的随机概率大于被控概率阈值,可对产品在目标工艺步骤中不发生被控的情况进行精准仿真,精确预估周期时间为标准周期时间,提高仿真精度。
图2是一些示例性实施例中步骤S400的实施流程图,参照图2所示,在一些实施例中,根据被控参考时间获取目标批次在执行目标工艺步骤中的预估被控时间,包括如下步骤:
步骤S410,确定目标批次在执行目标工艺步骤中的标准模型;
步骤S420,获取被控参考时间内的历史参考数据;
步骤S430,根据标准模型和历史参考数据,确定预估模型;
步骤S440,根据预估模型,确定预估被控时间。
在确定目标批次的产品在目标工艺步骤中发生被控后,在步骤S410中,确定目标批次在执行目标工艺步骤中的标准模型,例如,依据被控的随机概率确定标准模型。示例性地,标准模型可以为标准正态分布模型。
在步骤S420中,获取被控参考时间内的历史参考数据,即获取该目标工艺步骤历史生产数据记录中,产品发生被控的被控时间在被控参考时间内的历史参考数据,包括但不限于该目标工艺步骤的历史周期时间、发生被控的历史被控时间、历史被控概率等。例如,选取一个被控参考时间(24小时)内的实际生产数据作为历史参考数据。
在步骤S430中,根据步骤S420中获取的历史参考数据,以及步骤S410中确定的标准模型,确定预估模型。示例性地,若标准模型为标准正态分布模型,则预估模型可以为预估正态分布模型。例如,根据历史参考数据的平均值和方差,或者平均值和标准差,建立预估正态分布模型。
步骤S440中,根据步骤S430确定的预估模型,可确定预估被控时间。示例性地,可通过预估模型,结合被控的随机概率,确定预估被控时间。
在本公开实施例中,通过被控参考时间内历史参考数据和目标工艺步骤的标准模型,确定精准的预估模型,进而精确预估被控时间,提高仿真精确度。
图3是一些示例性实施例中步骤S430的实施流程图,参照图3所示,在一些实施例中,根据标准模型和历史参考数据,确定预估模型,包括:
步骤S431,根据历史参考数据,确定调整系数;
步骤S432,根据标准模型和调整系数,确定预估模型。
示例性地,若选取一个被控时间阈值(例如24h)内的生产数据作为历史参考数据,获取历史参考数据的平均数和方差或标准差,建立标准正态分布模型,作为标准模型。然后通过历史参考数据调整期望μ和标准差σ,得到调整后的模型,调整后的模型与调整前的模型的各参数之间的系数,即为调整系数。
本公开实施例中,通过历史参考数据确定调整系数,可以使预估模型更接近真实数据,提高预估模型的可靠性,提高仿真精度。
在一些实施例中,标准模型包括标准正态分布模型,预估模型包括预估正态分布模型。图4是一些示例性实施例中步骤S440的实施流程图,参照图4所示,根据预估模型,确定预估被控时间,包括:
步骤S441,根据预估正态分布模型产生第二随机数;
步骤S442,根据第二随机数的绝对值,确定预估被控时间。
在本实施例中,以标准模型为标准正态分布模型为例,确定的预估模型为预估正态分布模型。此时依据该预估正态分布模型可以产生第二随机数Y,并根据该第二随机数Y的绝对值,确定预估被控时间。
示例性地,假设历史参考数据中99.73%的被控时间都小于24h,且假设历史参考数据的平均值μ1=aμ+b=1h,则其单边的正态分布μ1+3σ1=24h,3σ1=23,其标准差σ1=aσ=7.67,若依据标准正态分布,将μ和σ分别取0和1,则b=1h,a=7.67;第二随机数落在[μ1-3σ1,μ1+3σ1]即[-22,24]的概率为0.9973。
在本公开实施例中,以预估模型,例如调整后的正态分布模型,产生第二随机数Y,再以该第二随机数Y的绝对值作为预估被控时间,贴近真实数据,提高仿真精度。
图5是一些示例性实施例中步骤S431的实施流程图,参照图5所示,在一些实施例中,根据历史参考数据,确定调整系数,包括:
步骤S431a,根据历史参考数据,确定参考正态分布模型;
步骤S431b,根据参考正态分布模型,确定调整系数。其中,该调整系数包括平均数系数和标准差系数。
示例性地,若选取一个被控时间阈值(例如24h)内的生产数据作为历史参考数据,获取历史参考数据的平均数和方差或标准差,建立标准正态分布模型,作为标准模型。
然后,建立一个初始正态分布模型(标准正态分布)X~N(μ,σ2),作为参考正态分布模型,其期望(平均数)μ为0,标准差σ为1;再通过历史参考数据调整期望μ和标准差σ,得到调整后的模型为aX+b~N(aμ+b,(aσ)2)作为预估模型,其中,a和b为调整系数。其中,a为平均数系数,b为标准差系数。
本公开实施例通过实际生产中的历史参考数据,建立参考正态分布模型,用以确定调整系数,可进一步提升预估模型的可靠性,提高仿真精度。
本公开还提供一种半导体工艺周期的静态仿真系统,图6示出了一种示例性实施例中半导体工艺周期的静态仿真系统的框图,参照图6所示,该半导体工艺周期的静态仿真系统600包括:第一获取模块610、第二获取模块620、判断模块630、第一确定模块640以及第二确定模块650。其中,
第一获取模块610被配置为,获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
第二获取模块620被配置为,根据随机函数产生第一随机数,获取目标批次在执行目标工艺步骤中被控的随机概率;
判断模块630被配置为,判断随机概率是否大于被控概率阈值;
第一确定模块640被配置为,若判断模块的判断结果为否,则根据被控参考时间确定目标批次在执行目标工艺步骤中的预估被控时间;
第二确定模块650被配置为,根据标准周期时间和预估被控时间之和,确定预估周期时间。
第一获取模块610所获取的目标工艺步骤的标准周期时间,为该目标工艺步骤顺利生产,即在不发生产品被控的情况下的周期时间;被控概率阈值为该目标工艺步骤中可能发生产品被控的最大概率;被控参考时间,为该目标工艺步骤中以被控概率阈值的概率发生产品被控时,其被控时间的参考值。
示例性地,第二获取模块620获取的目标工艺步骤中发生被控的随机概率为第一随机函数与100的比值。
判断模块630将第二获取模块620获取的随机概率与第一获取模块610获取的被控概率阈值进行对比,判断被控的随机概率是否大于被控概率阈值,从而确定该目标工艺步骤中是否会发生产品被控。
第一确定模块640根据判断模块630的判断结果,确定预估被控时间。其中,被控的随机概率小于或等于被控概率阈值,则在该目标工艺步骤中发生产品被控,并且发生产品被控的随机概率在被控概率阈值之内。这种情况下,可依据被控参考时间确定目标批次的产品在该目标工艺步骤中的预估被控时间。示例性地,预估被控时间可以小于或等于被控参考时间。
第二确定模块650则根据第一确定模块640确定的预估被控时间,结合第一获取模块610获取的标准周期时间,确定预估周期时间。
由于在目标工艺步骤的执行过程中,包括正常生产和发生产品被控,因此,其生产周期时间包括正常生产时间(即标准周期时间)和预估被控时间,即预估周期时间为标准周期时间与预估被控时间之和。
在本公开实施例中,第二获取模块620通过随机函数产生第一随机数的方式,获取产品被控的随机概率;判断模块630将随机概率与被控概率阈值进行比较,确定目标批次的产品在目标工艺步骤中是否发生被控;第一确定模块640确定预估被控时间,由第二确定模块将预估被控时间结合标准周期时间,确定预估周期时间。本公开实施例能够对产品在目标工艺步骤中是否发生被控进行精准仿真,可精准确定目标工艺步骤中的预估被控时间,进而精确预估周期时间,提高仿真精度,提高生产效率。
在一些实施例中,第一确定模块640还被配置为,若判断模块630的判断结果为是,则确定标准周期时间为预估周期时间。
若判断模块630的判断结果为是,即若随机概率大于被控概率阈值,可确定目标批次的产品在目标工艺步骤中不发生被控。在这种情况下,由于产品在目标工艺步骤中不发生被控,即确定预估被控时间为0,因此,可以确定标准周期时间为预估周期时间。
在本公开实施例中,第一确定模块640基于被控的随机概率大于被控概率阈值,可对产品在目标工艺步骤中不发生被控的情况进行精准仿真,精确预估周期时间为标准周期时间,提高仿真精度。
在一些实施例中,第一确定模块640包括:第一确定单元641、第一获取单元642、第二确定单元643和第三确定单元644。其中,
第一确定单元641被配置为,确定目标批次在执行目标工艺步骤中的标准模型;
第一获取单元642被配置为,获取被控参考时间内的历史参考数据;
第二确定单元643被配置为,根据标准模型和历史参考数据,确定预估模型;
第三确定单元644被配置为,根据预估模型,确定预估被控时间。
在本公开实施例中,通过被控参考时间内历史参考数据和目标工艺步骤的标准模型,确定精准的预估模型,进而精确预估被控时间,提高仿真精确度。
在一些实施例中,第二确定单元643被配置为:
根据历史参考数据,确定调整系数;
根据标准模型和调整系数,确定预估模型。
本公开实施例中,通过历史参考数据确定调整系数,可以使预估模型更接近真实数据,提高预估模型的可靠性,提高仿真精度。
在一些实施例中,标准模型包括标准正态分布模型,预估模型包括预估正态分布模型;
第三确定单元644被配置为:
根据预估正态分布模型产生第二随机数;
根据第二随机数的绝对值,确定预估被控时间。
在本实施例中,以标准模型为标准正态分布模型为例,确定的预估模型为预估正态分布模型。此时依据该预估正态分布模型可以产生第二随机数Y,并根据该第二随机数Y的绝对值,确定预估被控时间。
在本公开实施例中,以预估模型,例如调整后的正态分布模型,产生第二随机数,再以该第二随机数的绝对值作为预估被控时间,贴近真实数据,提高仿真精度。
在一些实施例中,第二确定单元643被配置为:
根据历史参考数据,确定参考正态分布模型;
根据参考正态分布模型,确定调整系数;
调整系数包括平均数系数和标准差系数。
本公开实施例通过实际生产中的历史参考数据,建立参考正态分布模型,用以确定调整系数,可进一步提升预估模型的可靠性,提高仿真精度。
关于上述实施例中的半导体工艺周期的静态仿真系统,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图7是根据一示例性实施例示出的一种半导体工艺周期的静态仿真设备,即计算机设备700的框图。例如,计算机设备700可以被提供为终端设备。参照图7,计算机设备700包括处理器710,处理器的个数可以根据需要设置为一个或者多个。计算机设备700还包括存储器720,用于存储可由处理器710的执行的指令,例如应用程序。存储器的个数可以根据需要设置一个或者多个。其存储的应用程序可以为一个或者多个。处理器710被配置为执行指令,以执行上述方法。
本领域技术人员应明白,本公开的实施例可提供为方法、装置(设备)、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外,本领域技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
在示例性实施例中,提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器720,上述指令可由计算机设备700的处理器710执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由半导体工艺周期的静态仿真设备的处理器执行时,使得该半导体工艺周期的静态仿真设备能够执行如以上实施例所述的半导体工艺周期的静态仿真方法。
本公开是参照根据本公开实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本公开中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。
尽管已描述了本公开的优选实施例,但本领域技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。
显然,本领域技术人员可以对本公开进行各种改动和变型而不脱离本公开的精神和范围。这样,倘若本公开的这些修改和变型属于本公开权利要求及其等同技术的范围之内,则本公开的意图也包含这些改动和变型在内。
Claims (14)
1.一种半导体工艺周期的静态仿真方法,其特征在于,所述静态仿真方法包括:
获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
根据随机函数产生第一随机数,获取目标批次在执行所述目标工艺步骤中被控的随机概率;
判断所述随机概率是否大于所述被控概率阈值;
若否,则根据所述被控参考时间确定所述目标批次在执行所述目标工艺步骤中的预估被控时间;
根据所述标准周期时间和所述预估被控时间之和,确定预估周期时间。
2.根据权利要求1所述的半导体工艺周期的静态仿真方法,其特征在于,
若所述随机概率大于所述被控概率阈值,确定所述标准周期时间为预估周期时间。
3.根据权利要求1所述的半导体工艺周期的静态仿真方法,其特征在于,根据所述被控参考时间获取所述目标批次在执行所述目标工艺步骤中的预估被控时间,包括:
确定所述目标批次在执行所述目标工艺步骤中的标准模型;
获取所述被控参考时间内的历史参考数据;
根据所述标准模型和所述历史参考数据,确定预估模型;
根据所述预估模型,确定所述预估被控时间。
4.根据权利要求3所述的半导体工艺周期的静态仿真方法,其特征在于,根据所述标准模型和所述历史参考数据,确定预估模型,包括:
根据所述历史参考数据,确定调整系数;
根据所述标准模型和所述调整系数,确定所述预估模型。
5.根据权利要求4所述的半导体工艺周期的静态仿真方法,其特征在于,所述标准模型包括标准正态分布模型,所述预估模型包括预估正态分布模型;
根据所述预估模型,确定所述预估被控时间,包括:
根据所述预估正态分布模型产生第二随机数;
根据所述第二随机数的绝对值,确定所述预估被控时间。
6.根据权利要求5所述的半导体工艺周期的静态仿真方法,其特征在于,根据所述历史参考数据,确定调整系数,包括:
根据所述历史参考数据,确定参考正态分布模型;
根据所述参考正态分布模型,确定所述调整系数;
其中,所述调整系数包括平均数系数和标准差系数。
7.一种半导体工艺周期的静态仿真系统,其特征在于,所述静态仿真系统包括:
第一获取模块,被配置为,获取目标工艺步骤的标准周期时间、被控概率阈值以及被控参考时间;
第二获取模块,被配置为,根据随机函数产生第一随机数,获取目标批次在执行所述目标工艺步骤中被控的随机概率;
判断模块,被配置为,判断所述随机概率是否大于所述被控概率阈值;
第一确定模块,被配置为,若所述判断模块的判断结果为否,则根据所述被控参考时间确定所述目标批次在执行所述目标工艺步骤中的预估被控时间;
第二确定模块,被配置为,根据所述标准周期时间和所述预估被控时间之和,确定预估周期时间。
8.根据权利要求7所述的半导体工艺周期的静态仿真系统,其特征在于,所述第一确定模块还被配置为,若所述判断模块的判断结果为是,则确定所述标准周期时间为预估周期时间。
9.根据权利要求7所述的半导体工艺周期的静态仿真系统,其特征在于,所述第一确定模块包括:
第一确定单元,被配置为,确定所述目标批次在执行所述目标工艺步骤中的标准模型;
第一获取单元,被配置为,获取所述被控参考时间内的历史参考数据;
第二确定单元,被配置为,根据所述标准模型和所述历史参考数据,确定预估模型;
第三确定单元,被配置为,根据所述预估模型,确定所述预估被控时间。
10.根据权利要求9所述的半导体工艺周期的静态仿真系统,其特征在于,
所述第二确定单元被配置为:
根据所述历史参考数据,确定调整系数;
根据所述标准模型和所述调整系数,确定所述预估模型。
11.根据权利要求10所述的半导体工艺周期的静态仿真系统,其特征在于,所述标准模型包括标准正态分布模型,所述预估模型包括预估正态分布模型;
所述第三确定单元被配置为:
根据所述预估正态分布模型产生第二随机数;
根据所述第二随机数的绝对值,确定所述预估被控时间。
12.根据权利要求11所述的半导体工艺周期的静态仿真系统,其特征在于,所述第二确定单元被配置为:
根据所述历史参考数据,确定参考正态分布模型;
根据所述参考正态分布模型,确定所述调整系数;
其中,所述调整系数包括平均数系数和标准差系数。
13.一种半导体工艺周期的静态仿真设备,其特征在于,所述半导体工艺周期的静态仿真设备包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行根据权利要求1至6任一项所述的半导体工艺周期的静态仿真方法。
14.一种非临时性计算机可读存储介质,其特征在于,当所述存储介质中的指令由半导体工艺周期的静态仿真设备的处理器执行时,使得所述半导体工艺周期的静态仿真设备能够执行根据权利要求1至6任一项所述的半导体工艺周期的静态仿真方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467913.9A CN114707357A (zh) | 2022-04-29 | 2022-04-29 | 半导体工艺周期的静态仿真方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210467913.9A CN114707357A (zh) | 2022-04-29 | 2022-04-29 | 半导体工艺周期的静态仿真方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114707357A true CN114707357A (zh) | 2022-07-05 |
Family
ID=82176893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210467913.9A Pending CN114707357A (zh) | 2022-04-29 | 2022-04-29 | 半导体工艺周期的静态仿真方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114707357A (zh) |
-
2022
- 2022-04-29 CN CN202210467913.9A patent/CN114707357A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9910711B1 (en) | Method and computing device for managing size of thread pool dynamically | |
CN115774652B (zh) | 一种基于聚类算法的群控设备健康监测方法、设备及介质 | |
CN111752903B (zh) | 一种数据存储空间可使用时间的预测方法 | |
CN115081760B (zh) | 一种加工资源管理优化方法、装置、终端及存储介质 | |
CN117593464A (zh) | 一种电力数字孪生模型库的构建方法及系统 | |
CN111832693B (zh) | 神经网络层运算、模型训练方法、装置及设备 | |
CN116957577A (zh) | 交易中的Gas值预估方法、装置、存储介质及设备 | |
CN114707357A (zh) | 半导体工艺周期的静态仿真方法、系统、设备及存储介质 | |
CN114547917A (zh) | 仿真预测方法、装置、设备及存储介质 | |
CN116095305B (zh) | 用于对图像采集系统进行监测的方法、设备及介质 | |
CN116341839B (zh) | 一种针对家政服务人员的订单推送方法、设备及介质 | |
CN106855821B (zh) | 一种分布式事务处理方法及装置 | |
CN116432061A (zh) | 基于高斯混合模型的wat异常数据检测方法及系统 | |
CN113468384B (zh) | 网络情报源信息的处理方法、装置、存储介质及处理器 | |
CN114817209A (zh) | 监控规则的处理方法和装置、处理器及电子设备 | |
CN114118968A (zh) | 一种多审批节点的资源申请平台及方法 | |
CN117593463A (zh) | 一种电力数字孪生模型自动化构建方法及系统 | |
CN115718878A (zh) | 用于检测工况数据的方法、存储介质及处理器 | |
CN114338533B (zh) | 一种调整方法、电子设备及计算机存储介质 | |
CN115684811A (zh) | 抖频参数获取方法、装置、电磁干扰抑制装置及存储介质 | |
CN111398904A (zh) | 一种加速语音控制设备声源定位的方法及装置 | |
CN117523638B (zh) | 基于优先级筛选的人脸识别方法及系统 | |
CN115098373A (zh) | 测试问题单的处理方法及装置、电子设备、存储介质 | |
CN111539361B (zh) | 噪点的识别方法、装置、存储介质、处理器和运载工具 | |
CN116663730A (zh) | 交易结果预测方法、装置及处理器 |
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 |