CN114841378B - 晶圆特征参数预测方法、装置、电子设备及可读存储介质 - Google Patents

晶圆特征参数预测方法、装置、电子设备及可读存储介质 Download PDF

Info

Publication number
CN114841378B
CN114841378B CN202210776800.7A CN202210776800A CN114841378B CN 114841378 B CN114841378 B CN 114841378B CN 202210776800 A CN202210776800 A CN 202210776800A CN 114841378 B CN114841378 B CN 114841378B
Authority
CN
China
Prior art keywords
wafer
characteristic
parameter
target
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.)
Active
Application number
CN202210776800.7A
Other languages
English (en)
Other versions
CN114841378A (zh
Inventor
徐晓顺
李�杰
刘斌
郭宇翔
傅慧初
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ax Industries Ltd
Original Assignee
Exxon Industries Guangdong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Exxon Industries Guangdong Co ltd filed Critical Exxon Industries Guangdong Co ltd
Priority to CN202210776800.7A priority Critical patent/CN114841378B/zh
Publication of CN114841378A publication Critical patent/CN114841378A/zh
Application granted granted Critical
Publication of CN114841378B publication Critical patent/CN114841378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本申请公开了晶圆特征参数预测方法、装置、电子设备及可读存储介质，应用于数据处理技术领域，所述晶圆特征参数预测方法包括：获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。本申请解决了晶圆的生产效率低的技术问题。

Description

晶圆特征参数预测方法、装置、电子设备及可读存储介质
技术领域
本申请涉及数据处理技术领域，尤其涉及一种晶圆特征参数预测方法、装置、电子设备及可读存储介质。
背景技术
随着科技的高速发展，晶圆加工技术也发展地越来越成熟，目前，在晶圆生产制造中通过测量设备对晶圆进行测量，测量设备大多昂贵且运维成本高，而晶圆的量测数据不是一成不变的，需要人工定时通过测量设备对晶圆进行测量，从而导致晶圆的生产效率低。
发明内容
本申请的主要目的在于提供一种晶圆特征参数预测方法、装置、电子设备及可读存储介质，旨在解决现有技术中晶圆的生产效率低的技术问题。
为实现上述目的，本申请提供一种晶圆特征参数预测方法，应用于晶圆特征参数预测设备，所述晶圆特征参数预测方法包括：
获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；
对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。
为实现上述目的，本申请还提供一种晶圆特征参数预测装置，所述晶圆特征参数预测装置应用于晶圆特征参数预测设备，所述晶圆特征参数预测装置包括：
获取模块，用于获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；
提取模块，用于对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
预测模块，用于依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。
本申请还提供一种电子设备，所述电子设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述晶圆特征参数预测方法的程序，所述晶圆特征参数预测方法的程序被处理器执行时可实现如上述的晶圆特征参数预测方法的步骤。
本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有实现晶圆特征参数预测方法的程序，所述晶圆特征参数预测方法的程序被处理器执行时实现如上述的晶圆特征参数预测方法的步骤。
本申请还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的晶圆特征参数预测方法的步骤。
本申请提供了一种晶圆特征参数预测方法、装置、电子设备及可读存储介质，相比于在晶圆生产制造中通过测量设备对晶圆进行测量，本申请通过获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种，通过对传感器数据、生产机台对应的机台属性信息以及晶圆对应的晶圆属性信息，对晶圆的特征参数进行确定，实现了无需另设测量设备，避免了在晶圆生产制造中通过测量设备对晶圆进行测量时，由于测量设备大多昂贵且运维成本高，而晶圆的量测数据不是一成不变的，需要人工定时通过测量设备对晶圆进行测量的技术缺陷，从而提高了晶圆的生产效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请晶圆特征参数预测方法第一实施例的流程示意图；
图2为本申请实施例中晶圆特征参数预测方法涉及的硬件运行环境的设备结构示意图。
本申请目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，均属于本申请保护的范围。
实施例一
本申请实施例提供一种晶圆特征参数预测方法，在本申请晶圆特征参数预测方法的第一实施例中，参照图1，所述晶圆特征参数预测方法包括：
步骤S10，获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据以及所述目标晶圆对应的属性信息；
步骤S20，对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
步骤S30，依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。
在本实施例中，需要说明的是，所述沉积膜厚度为晶圆的基片与通过沉积技术得到的薄膜的厚度，所述薄膜厚度为晶圆的基片与薄膜的厚度，所述刻蚀深度为晶圆的刻蚀过程的深度，所述减薄厚度为对晶圆减薄后的厚度，所述掺杂深度为晶圆的衬底掺杂的深度。所述传感器数据用于表征所述生产机台的检测信息，所述传感器数据包括各所述工序步骤对应的名称、各所述工序步骤对应的处理时间、各所述工序步骤对应的所述生产机台的温度、各所述工序步骤对应的所述生产机台的压力、各所述工序步骤对应的所述生产机台腔室内的反应气体参数以及各所述工序步骤对应的所述生产机台腔室内的反应液体参数中的任一种。所述晶圆特征向量包括所述由目标特征参数确定的目标特征。所述预设晶圆特征参数预测模型为预先设置的用于确定目标晶圆的目标特征参数的模型，所述预设晶圆特征参数预测模型可以为随机森林模型，也可以为CNN（Convolutional NeuralNetwork，卷积神经网络），还可以为RNN（Recurrent Neural Network，循环神经网络）等任一种神经网络。
示例性地，步骤S10至步骤S30包括：通过传感器获取所述生产机台的传感器数据，依据所述生产机台，确定所述生产机台对应的机台属性信息，以及依据所述目标晶圆，确定所述目标晶圆对应的晶圆属性信息，得到所述晶圆参数数据；依据所述目标特征参数的类型，确定所述晶圆参数数据对应的提取特征，依据所述提取特征，提取所述晶圆参数数据中的晶圆特征信息，依据所述晶圆特征信息，构建所述目标晶圆的晶圆特征向量；将所述晶圆特征向量输入所述预设晶圆特征参数预测模型，将所述晶圆特征向量映射为所述目标晶圆的目标特征参数，所述质量参数可以由用户设置，还可以根据目标晶圆的质量要求确定。
可选地，所述获取目标晶圆的晶圆参数数据的步骤还包括：通过各所述传感器获取所述生产机台在生产过程中各工序步骤对应的传感器数据；确定所述目标晶圆对应的配方信息以及对应的产品信息，得到所述晶圆属性信息，依据所述生产机台的属性，确定所述生产机台中腔室对应的腔室信息，得到所述机台属性信息；将所述传感器数据、所述机台属性信息与所述晶圆属性信息整合得到所述晶圆参数数据。
其中，在步骤S20中，所述机台属性信息包括机台属性特征向量，所述晶圆属性信息包括晶圆属性特征向量，所述传感器数据至少包括一传感器测量值，
所述对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量的步骤包括：
步骤S21，获取各所述工序步骤上的传感器测量得到的传感器测量值；
步骤S22，根据各所述工序步骤的时序顺序，构建各所述传感器测量值对应的时序特征数据；
步骤S23，将所述时序特征数据由时域转换至频域，得到频域特征数据；
步骤S24，依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
示例性地，步骤S21至步骤S24包括：依据所述机台属性信息，生成所述生产机台对应的机台属性特征向量，以及依据所述晶圆属性信息，生成所述晶圆机台对应的晶圆属性特征向量；获取各所述工序步骤上的传感器测量得到的传感器测量值；确定各所述工序步骤上的传感器数据的特征参数，得到所述传感器数据在各所述工序步骤对应的时序特征数据，其中，所述特征参数包括均值、标准差、方差、极大值、峰度、偏度以及极小值中至少一种，将所述时序特征数据转化为对应的频域特征数据，其中，转化方式可以为通过傅里叶变换对所述时序特征数据中各特征进行转化，提取角度和模长作为对应的频域特征数据，将所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据拼接，得到所述晶圆特征向量。
其中，在步骤S24中，所述依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量的步骤包括：
步骤A10，获取各所述工序步骤上生产机台的腔室中的内容物数据，其中，所述内容物数据至少包括各所述内容物的类型、各所述内容物的用量以及各所述内容物的流速中的一种；
步骤A20，依据所述内容物数据、所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
示例性地，步骤A10至步骤A20包括：获取各所述工序步骤对应的处理时间；所述内容物数据包括反应气体数据和反应液体数据，获取各所述工序步骤上生产机台的腔室中的反应气体的气体类型、所述反应气体的气体用量以及所述反应气体的气体流速，得到所述反应气体数据，获取各所述工序步骤上生产机台的腔室中的反应液体的液体类型、所述反应液体的液体用量以及所述反应液体的液体流速，得到所述反应液体数据；确定所述反应气体数据以及所述反应液体数据在所述处理时间下的数值积分，得到所述传感器数据在各所述工序步骤对应的内容物数据；将所述内容物数据、所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据拼接得到所述晶圆特征向量。
由于目标晶圆的薄膜厚度受到多种因素影响，本申请实施例依据所述时序特征数据、所述频域特征数据、所述内容物数据、所述机台属性特征向量以及所述晶圆属性特征向量，为目标晶圆匹配对应的晶圆特征向量，充分考虑了各种因素对目标特征参数的影响，而晶圆特征向量为用于预测目标晶圆的目标特征参数的输入值，所以为预测目标晶圆的目标特征参数提供了更多的决策依据，提升了目标晶圆的目标特征参数预测的准确度，而目标特征参数的确定结果与晶圆的生产有关，因此提高了晶圆的生产效率。
本申请实施例提供了一种晶圆特征参数预测方法，相比于在晶圆生产制造中通过测量设备对晶圆进行测量，本申请实施例通过获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种，通过对传感器数据、生产机台对应的机台属性信息以及晶圆对应的晶圆属性信息，对晶圆的特征参数进行确定，实现了无需另设测量设备，避免了在晶圆生产制造中通过测量设备对晶圆进行测量时，由于测量设备大多昂贵且运维成本高，而晶圆的量测数据不是一成不变的，需要人工定时通过测量设备对晶圆进行测量的技术缺陷，从而提高了晶圆的生产效率。
实施例二
进一步地，基于本申请第一实施例，在本申请另一实施例中，与上述实施例一相同或相似的内容，可以参考上文介绍，后续不再赘述。在此基础上，其中，在步骤S30之前，在所述依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数的步骤之前，还包括：
步骤B10，获取训练样本、测试样本、各所述训练样本对应的第一真实特征参数以及各所述测试样本对应的第二真实特征参数；
示例性地，步骤B10包括：获取生产参照样本的生产机台对应的参照机台属性信息以及所述参照样本对应的参照晶圆属性信息，依据参照机台属性信息以及所述参照晶圆属性信息，确定所述参照样本在预设样本类型对应的样本占比，在各所述样本占比种存在目标样本占比小于预设占比阈值时，则去除所述目标样本占比对应的样本类型对应的参照样本，并判断所述参照样本的数量是否满足预设参照数量阈值，在各所述样本占比种存在目标样本占比不小于预设占比阈值时，则执行步骤：判断所述参照样本的数量是否满足预设参照数量阈值；若所述参照样本的数量满足预设参照数量阈值，则将所述参照样本按预设比例分为训练样本和测试样本；若所述参照样本的数量不满足预设参照数量阈值，则获取更新参照样本，并返回执行步骤：获取生产参照样本的生产机台对应的参照机台属性信息以及所述参照样本对应的参照晶圆属性信息；依据所述目标晶圆的质量参数，通过量测机台对训练样本的不同位置进行测量，得到各所述位置的量测数据，获取各所述量测数据的平均值，得到所述训练样本的第一目标量测数据，作为第一真实特征参数；依据所述目标晶圆的质量参数，通过量测机台对测试样本的不同位置进行测量，得到各所述位置的量测数据，获取各所述量测数据的平均值，得到所述测试样本的第二目标量测数据，作为第二真实特征参数，其中，所述预设占比阈值为预先设置的判定样本占比较少的样本占比临界值，所述预设参照数量阈值为预先设置的判定参照样本数量足够的样本数量临界值，所述预设比例可以为7：3，也可以为2：8，还可以为任一比例，所述训练样本的数量大于所述测试样本的数量。
步骤B20，依据所述训练样本中各训练特征与所述第一真实特征参数之间的相关系数，对所述训练样本进行筛选，得到第一训练样本；
示例性地，步骤B20包括：获取所述训练样本对应的晶圆特征向量，确定所述晶圆特征向量中各训练特征与所述第一真实特征参数之间的相关系数，判断各所述相关系数中是否存在目标相关系数的绝对值大于或等于预设相关系数阈值，若各所述相关系数中存在目标相关系数的绝对值大于或等于预设相关系数阈值，则去除所述目标相关系数对应的训练特征，得到所述第一训练样本，若各所述相关系数中不存在目标相关系数的绝对值大于或等于预设相关系数阈值，则直接将所述训练样本作为所述第一训练样本。
步骤B30，依据所述第一训练样本，构建第一晶圆参数模型；
示例性地，步骤B30包括：构建所述第一训练样本对应的决策树，依据各所述决策树，确定所述第一训练样本对应的第一晶圆参数模型。
所述第一训练样本具体可以为：
Figure 695679DEST_PATH_IMAGE001
其中，
Figure 431423DEST_PATH_IMAGE002
为所述第一训练样本，
Figure 519464DEST_PATH_IMAGE003
为所述第一训练样本中第一个样本特征和对应的标签值，
Figure 724181DEST_PATH_IMAGE004
为所述第一训练样本中第
Figure 923081DEST_PATH_IMAGE005
个样本特征和对应的标签值，
Figure 326380DEST_PATH_IMAGE006
为所述第一训练样本中第
Figure 273739DEST_PATH_IMAGE008
个样本特征和对应的标签值，
Figure 28068DEST_PATH_IMAGE009
，
Figure 702763DEST_PATH_IMAGE010
，
Figure 226149DEST_PATH_IMAGE011
，
Figure 842944DEST_PATH_IMAGE012
是所述第一训练样本的特征维度。
通过将输入空间划分为M个单元，且各所述单元对应输出值，构建所述第一训练样本对应的决策树的具体步骤可以为：
Figure 756673DEST_PATH_IMAGE013
其中，
Figure 297376DEST_PATH_IMAGE014
为决策树模型，
Figure 940847DEST_PATH_IMAGE015
为划分单元，
Figure 961499DEST_PATH_IMAGE016
为所述输出值，
Figure 690420DEST_PATH_IMAGE017
为所述输入空间，
Figure 769235DEST_PATH_IMAGE018
为属于输入空间的特征取值。
Figure 204895DEST_PATH_IMAGE019
其中，
Figure 710963DEST_PATH_IMAGE020
为属于输入空间的特征取值，
Figure 927181DEST_PATH_IMAGE021
为不属于输入空间的特征取值，
Figure 996637DEST_PATH_IMAGE017
为所述输入空间。
通过平方误差最小准则，确定各单元的最优输出值，具体可以为：
Figure 349121DEST_PATH_IMAGE022
其中，
Figure 229352DEST_PATH_IMAGE023
为所述最优输出值，
Figure 667287DEST_PATH_IMAGE024
为属于输入空间的特征
Figure 776319DEST_PATH_IMAGE025
，
Figure 248889DEST_PATH_IMAGE026
为所述第一训练样本中第
Figure 34442DEST_PATH_IMAGE025
个样本特征在所述决策树下的输出值，
Figure 959673DEST_PATH_IMAGE027
为所述第
Figure 183981DEST_PATH_IMAGE025
个样本特征对应的标签值。
通过最优输出值，对输入空间进行划分，具体可以为：
Figure 698008DEST_PATH_IMAGE028
其中，
Figure 982359DEST_PATH_IMAGE029
为第一区域，
Figure 332568DEST_PATH_IMAGE030
为第二区域，
Figure 94988DEST_PATH_IMAGE031
为切分点。
通过第一区域和第二区域的参数，确定第一区域对应的最优输出值和第二区域对应的最优输出值，具体可以为：
Figure 276571DEST_PATH_IMAGE032
其中，
Figure 417309DEST_PATH_IMAGE033
为所述最优输出值，
Figure 317132DEST_PATH_IMAGE034
为所述第一区域对应的参数，
Figure 820925DEST_PATH_IMAGE035
为所述第二区域对应的参数，
Figure 857014DEST_PATH_IMAGE036
为属于第一区域的样本特征
Figure 483168DEST_PATH_IMAGE025
，
Figure 57237DEST_PATH_IMAGE037
为属于第二区域的样本特征
Figure 161460DEST_PATH_IMAGE025
，
Figure 317635DEST_PATH_IMAGE038
为所述第
Figure 52372DEST_PATH_IMAGE025
个样本特征对应的标签值。
通过最优输出值和输入空间，构建回归决策树，具体可以为：
Figure 661208DEST_PATH_IMAGE039
其中，
Figure 523116DEST_PATH_IMAGE040
为所述回归决策树，
Figure 533797DEST_PATH_IMAGE033
为所述最优输出值，
Figure 501753DEST_PATH_IMAGE041
为所述输入空间。
步骤B40，依据所述第一晶圆参数模型中各决策树对应的特征重要性，对所述第一训练样本进行筛选，得到第二训练样本；
示例性地，步骤B40包括：依据所述第一晶圆参数模型中各决策树对应的特征和切分点，确定各决策树对应的不纯度，依据所述不纯度，确定各决策树对应的特征重要性，判断各所述特征重要性中是否存在目标特征重要性小于预设重要性阈值，若各所述特征重要性中存在目标特征重要性小于预设重要性阈值，则去除所述目标特征重要性对应的特征，得到第二训练样本；若各所述特征重要性中不存在目标特征重要性小于预设重要性阈值，则将所述第一训练样本作为所述第二训练样本。
所述确定不纯度具体可以为：
Figure 535569DEST_PATH_IMAGE042
其中，
Figure 981593DEST_PATH_IMAGE043
为所述不纯度，
Figure 112360DEST_PATH_IMAGE044
为属于输入空间的样本特征
Figure 438168DEST_PATH_IMAGE025
，
Figure 21596DEST_PATH_IMAGE045
为所述第一训练样本中第
Figure 271312DEST_PATH_IMAGE025
个样本特征在所述决策树下的输出值，
Figure 194269DEST_PATH_IMAGE046
为所述第
Figure 504027DEST_PATH_IMAGE025
个样本特征对应的标签值。
所述确定特征重要性具体可以为：
Figure 283675DEST_PATH_IMAGE047
其中，
Figure 337082DEST_PATH_IMAGE048
为所述特征重要性，
Figure 176862DEST_PATH_IMAGE049
为所述输入空间，
Figure 595205DEST_PATH_IMAGE050
为所述不纯度，
Figure 887646DEST_PATH_IMAGE051
为第一区域包含的样本量占所述第一训练样本的样本量的占比，
Figure 931694DEST_PATH_IMAGE052
为第二区域包含的样本量占所述第一训练样本的样本量的占比，
Figure 625981DEST_PATH_IMAGE053
为所述第一区域，
Figure 277542DEST_PATH_IMAGE054
为所述第二区域。
步骤B50，依据所述第二训练样本、所述测试样本以及所述第二真实特征参数，构建至少一个第二晶圆参数模型，在各所述第二晶圆参数模型中确定所述预设晶圆特征参数预测模型。
其中，在步骤B50中，所述第二晶圆参数模型包括晶圆特征参数单模型和晶圆特征参数融合模型，所述依据所述第二训练样本、所述测试样本以及所述第二真实特征参数，构建至少一个第二晶圆参数模型，在各所述第二晶圆参数模型中确定所述预设晶圆特征参数预测模型的步骤包括：
步骤B51，依据所述第二训练样本，确定用于构建所述第二晶圆参数模型的超参数；
步骤B52，依据各所述超参数以及所述第二训练样本，构建晶圆特征参数单模型和晶圆特征参数融合模型；
在本实施例中，需要说明的是，所述超参数可以为决策树的深度，也可以为集成的回归树的个数。
示例性地，步骤B51至步骤B52包括：依据所述第二训练样本，确定用于构建所述第二晶圆参数模型的超参数范围，得到各所述超参数；依据各所述超参数以及所述第二训练样本，确定用于构建所述晶圆特征参数单模型的第一超参数，以及用于构建所述晶圆特征参数融合模型的至少一个第二超参数，依据所述第一超参数，构建所述晶圆参数单模，以及依据各所述第二超参数，构建所述晶圆特征参数融合模型。
步骤B53，获取所述测试样本通过所述晶圆特征参数单模型预测的第一特征参数以及所述测试样本通过所述晶圆特征参数融合模型预测的第二特征参数；
示例性的，步骤B53包括：将所述测试样本输入所述晶圆特征参数单模型，得到预测所述测试样本的第一特征参数，将所述测试样本输入所述晶圆特征参数融合模型，得到预测所述测试样本的第二特征参数。
步骤B54，依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
其中，在步骤B52中，所述依据各所述超参数以及所述第二训练样本，构建晶圆特征参数单模型和晶圆特征参数融合模型的步骤包括：
步骤C10，在各所述超参数中选取最优超参数，依据所述最优超参数，构建所述晶圆特征参数单模型；
步骤C20，将所述第二训练样本划分为预设划分数量的子样本；
步骤C30，依据各所述子样本，构建预设划分数量的子晶圆参数模型；
步骤C40，将各所述子晶圆参数模型聚合得到所述晶圆特征参数融合模型。
示例性地，步骤C10至步骤C40包括：确定各所述超参数对应的所述训练样本的预测特征参数与所述第一真实特征参数之间的相似度，在各所述相似度中选取最大相似度对应的目标超参数作为所述最优超参数，依据所述最优超参数，构建所述晶圆特征参数单模型；将所述第二训练样本划分为预设划分数量的子样本；依据各所述子样本对应的超参数，构建预设划分数量的子晶圆参数模型；将各所述子晶圆参数模型聚合得到所述晶圆特征参数融合模型，例如，所述预设划分数量可以为2，也可以为5，还可以为任意大于或等于2的整数，当预设划分数量为2时，构建2个子晶圆参数模型，其中，所述聚合的方式可以为求平均值，也可以为加权求和，还可以为加权平均。
其中，在步骤B54中，所述依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型的步骤包括：
步骤D10，依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，确定所述晶圆特征参数单模型在预设评估指标类型的第一评估指标组以及所述晶圆特征参数融合模型在所述预设评估指标类型的第二评估指标组；
步骤D20，依据各所述预设评估指标类型对应的优先度，对所述第一评估指标组和所述第二评估指标组进行比对，得到比对结果；
步骤D30，依据所述比对结果，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
在本实施例中，需要说明的是，所述预设评估指标类型包括均值误差、平均绝对值误差、平均绝对百分比误差以及方差解释程度中的至少一种。
示例性地，步骤D10至步骤D30包括：依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，确定所述晶圆特征参数单模型在预设评估指标类型的第一评估指标组以及所述晶圆特征参数融合模型在所述预设评估指标类型的第二评估指标组；依据各所述预设评估指标类型对应的优先度，对各所述预设评估指标类型进行排序，得到评估指标排序结果；依据所述评估指标排序结果，确定所述第一评估指标组中第一评估指标和所述第二评估指标组中第二评估指标之间的差值，判断所述差值是否大于预设差值阈值，若所述差值大于预设差值阈值，则选取所述晶圆特征参数融合模型作为所述预设晶圆特征参数预测模型；若所述差值小于预设差值阈值，则选取所述晶圆特征参数单模型作为所述预设晶圆特征参数预测模型；若所述差值等于预设差值阈值，则返回执行步骤：依据所述评估指标排序结果，确定所述第一评估指标组中第一评估指标和所述第二评估指标组中第二评估指标之间的差值，例如，当预设评估指标类型包括平均绝对百分比误差以及方差解释程度，且平均绝对百分比误差比方差解释程度的优先度高时，比较第一评估指标组中的第一平均绝对百分比误差与第二评估指标组中的第二平均绝对百分比误差之间的大小，第一平均绝对百分比误差小于第二平均绝对百分比误差时，选取晶圆特征参数单模型作为预设晶圆特征参数预测模型；第一平均绝对百分比误差大于第二平均绝对百分比误差时，选取晶圆特征参数融合模型作为预设晶圆特征参数预测模型；第一平均绝对百分比误差等于第二平均绝对百分比误差时，比较第一评估指标组中的第一方差解释程度与第二评估指标组中的第二方差解释程度之间的大小，第一方差解释程度小于第二方差解释程度时，选取晶圆特征参数单模型作为预设晶圆特征参数预测模型；第一方差解释程度大于第二方差解释程度时，选取晶圆特征参数融合模型作为预设晶圆特征参数预测模型；第一方差解释程度等于第二方差解释程度时，则选取晶圆特征参数融合模型或者晶圆特征参数单模型作为预设晶圆特征参数预测模型。
获取所述均值误差的步骤具体可以为：
Figure 260541DEST_PATH_IMAGE055
其中，
Figure 655751DEST_PATH_IMAGE056
为所述均值误差，
Figure 892959DEST_PATH_IMAGE057
为所述目标特征参数的数量，
Figure 981001DEST_PATH_IMAGE058
为预测特征参数，
Figure 248034DEST_PATH_IMAGE038
为真实特征参数。
获取所述平均绝对值误差的步骤具体可以为：
Figure 119038DEST_PATH_IMAGE059
其中，
Figure 787917DEST_PATH_IMAGE060
为所述平均绝对值误差，
Figure 233811DEST_PATH_IMAGE057
为所述目标特征参数的数量，
Figure 722561DEST_PATH_IMAGE058
为预测特征参数，
Figure 725152DEST_PATH_IMAGE038
为真实特征参数。
获取所述平均绝对百分比误差的步骤具体可以为：
Figure 186220DEST_PATH_IMAGE061
其中，
Figure 350485DEST_PATH_IMAGE062
为所述平均绝对百分比误差，
Figure 277597DEST_PATH_IMAGE057
为所述目标特征参数的数量，
Figure 818299DEST_PATH_IMAGE058
为预测特征参数，
Figure 196191DEST_PATH_IMAGE038
为真实特征参数。
获取所述方差解释程度的步骤具体可以为：
Figure 734620DEST_PATH_IMAGE063
其中，
Figure 197962DEST_PATH_IMAGE064
为所述方差解释程度，
Figure 729306DEST_PATH_IMAGE057
为所述目标特征参数的数量，
Figure 227284DEST_PATH_IMAGE058
为预测特征参数，
Figure 733352DEST_PATH_IMAGE038
为真实特征参数，
Figure 887252DEST_PATH_IMAGE065
为真实特征参数的平均值。
获取所述真实特征参数的平均值的步骤具体可以为：
Figure 769758DEST_PATH_IMAGE066
其中，
Figure 810657DEST_PATH_IMAGE065
为所述真实特征参数的平均值，
Figure 487626DEST_PATH_IMAGE057
为所述目标特征参数的数量，
Figure 925561DEST_PATH_IMAGE038
为真实特征参数。
本申请实施例提供了一种晶圆特征参数预测方法，相比于在晶圆生产制造中通过测量设备对晶圆进行测量，本申请实施例通过获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种，通过对传感器数据、生产机台对应的机台属性信息以及晶圆对应的晶圆属性信息，对晶圆的特征参数进行确定，实现了无需另设测量设备，避免了在晶圆生产制造中通过测量设备对晶圆进行测量时，由于测量设备大多昂贵且运维成本高，而晶圆的量测数据不是一成不变的，需要人工定时通过测量设备对晶圆进行测量的技术缺陷，从而提高了晶圆的生产效率。
实施例三
本申请实施例还提供一种晶圆特征参数预测装置，所述晶圆特征参数预测装置应用于晶圆特征参数预测设备，所述晶圆特征参数预测装置包括：
获取模块，用于获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；
提取模块，用于对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
预测模块，用于依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。
可选地，所述机台属性信息包括机台属性特征向量，所述晶圆属性信息包括晶圆属性特征向量，所述传感器数据至少包括一传感器测量值，所述提取模块还用于：
获取各所述工序步骤上的传感器测量得到的传感器测量值；
根据各所述工序步骤的时序顺序，构建各所述传感器测量值对应的时序特征数据；
将所述时序特征数据由时域转换至频域，得到频域特征数据；
依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
可选地，所述提取模块还用于：
获取各所述工序步骤上生产机台的腔室中的内容物数据，其中，所述内容物数据至少包括各所述内容物的类型、各所述内容物的用量以及各所述内容物的流速中的一种；
依据所述内容物数据、所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
可选地，在所述依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数的步骤之前，所述晶圆特征参数预测装置还用于：
获取训练样本、测试样本、各所述训练样本对应的第一真实特征参数以及各所述测试样本对应的第二真实特征参数；
依据所述训练样本中各训练特征与所述第一真实特征参数之间的相关系数，对所述训练样本进行筛选，得到第一训练样本；
依据所述第一训练样本，构建第一晶圆参数模型；
依据所述第一晶圆参数模型中各决策树对应的特征重要性，对所述第一训练样本进行筛选，得到第二训练样本；
依据所述第二训练样本、所述测试样本以及所述第二真实特征参数，构建至少一个第二晶圆参数模型，在各所述第二晶圆参数模型中确定所述预设晶圆特征参数预测模型。
可选地，所述第二晶圆参数模型包括晶圆特征参数单模型和晶圆特征参数融合模型，所述晶圆特征参数预测装置还用于：
依据所述第二训练样本，确定用于构建所述第二晶圆参数模型的超参数；
依据各所述超参数以及所述第二训练样本，构建晶圆特征参数单模型和晶圆特征参数融合模型；
获取所述测试样本通过所述晶圆特征参数单模型预测的第一特征参数以及所述测试样本通过所述晶圆特征参数融合模型预测的第二特征参数；
依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
可选地，所述晶圆特征参数预测装置还用于：
在各所述超参数中选取最优超参数，依据所述最优超参数，构建所述晶圆特征参数单模型；
将所述第二训练样本划分为预设划分数量的子样本；
依据各所述子样本，构建预设划分数量的子晶圆参数模型；
将各所述子晶圆参数模型聚合得到所述晶圆特征参数融合模型。
可选地，所述晶圆特征参数预测装置还用于：
依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，确定所述晶圆特征参数单模型在预设评估指标类型的第一评估指标组以及所述晶圆特征参数融合模型在所述预设评估指标类型的第二评估指标组；
依据各所述预设评估指标类型对应的优先度，对所述第一评估指标组和所述第二评估指标组进行比对，得到比对结果；
依据所述比对结果，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
本申请提供的晶圆特征参数预测装置，采用上述实施例中的晶圆特征参数预测方法，解决了晶圆的生产效率低的技术问题。与现有技术相比，本申请实施例提供的晶圆特征参数预测装置的有益效果与上述实施例提供的晶圆特征参数预测方法的有益效果相同，且该晶圆特征参数预测装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
实施例四
本申请实施例提供一种电子设备，所述电子设备包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述实施例中的晶圆特征参数预测方法。
下面参考图2，其示出了适于用来实现本公开实施例的电子设备的结构示意图。本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA（个人数字助理）、PAD（平板电脑）、PMP（便携式多媒体播放器）、车载终端（例如车载导航终端）等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图2示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图2所示，电子设备可以包括处理装置（例如中央处理器、图形处理器等），其可以根据存储在只读存储器（ROM）中的程序或者从存储装置加载到随机访问存储器（RAM）中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线彼此相连。输入/输出（I/O）接口也连接至总线。
通常，以下系统可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、图像传感器、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置；包括例如磁带、硬盘等的存储装置；以及通信装置。通信装置可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种系统的电子设备，但是应理解的是，并不要求实施或具备所有示出的系统。可以替代地实施或具备更多或更少的系统。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置从网络上被下载和安装，或者从存储装置被安装，或者从ROM被安装。在该计算机程序被处理装置执行时，执行本公开实施例的方法中限定的上述功能。
本申请提供的电子设备，采用上述实施例中的晶圆特征参数预测方法，解决了晶圆的生产效率低的技术问题。与现有技术相比，本申请实施例提供的电子设备的有益效果与上述实施例提供的晶圆特征参数预测方法的有益效果相同，且该电子设备中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
实施例五
本实施例提供一种计算机可读存储介质，具有存储在其上的计算机可读程序指令，计算机可读程序指令用于执行上述实施例中的晶圆特征参数预测方法的方法。
本申请实施例提供的计算机可读存储介质例如可以是U盘，但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。计算机可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
上述计算机可读存储介质可以是电子设备中所包含的；也可以是单独存在，而未装配入电子设备中。
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被电子设备执行时，使得电子设备：获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该单元本身的限定。
本申请提供的计算机可读存储介质，存储有用于执行上述晶圆特征参数预测方法的计算机可读程序指令，解决了晶圆的生产效率低的技术问题。与现有技术相比，本申请实施例提供的计算机可读存储介质的有益效果与上述实施提供的晶圆特征参数预测方法的有益效果相同，在此不做赘述。
实施例六
本申请还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的晶圆特征参数预测方法的步骤。
本申请提供的计算机程序产品解决了晶圆的生产效率低的技术问题。与现有技术相比，本申请实施例提供的计算机程序产品的有益效果与上述实施例提供的晶圆特征参数预测方法的有益效果相同，在此不做赘述。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利处理范围内。

Claims (8)

1.一种晶圆特征参数预测方法，其特征在于，所述晶圆特征参数预测方法包括：
获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；
对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种；
所述机台属性信息包括机台属性特征向量，所述晶圆属性信息包括晶圆属性特征向量，所述传感器数据至少包括一传感器测量值，所述传感器数据包括各工序步骤对应的名称、各所述工序步骤对应的处理时间、各所述工序步骤对应的所述生产机台的温度、各所述工序步骤对应的所述生产机台的压力、各所述工序步骤对应的所述生产机台腔室内的反应气体参数以及各所述工序步骤对应的所述生产机台腔室内的反应液体参数中的任一种，
所述对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量的步骤包括：
获取各工序步骤上的传感器测量得到的传感器测量值；
根据各所述工序步骤的时序顺序，构建各所述传感器测量值对应的时序特征数据；
将所述时序特征数据由时域转换至频域，得到频域特征数据；
依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量；
所述依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量的步骤包括：
获取各所述工序步骤上生产机台的腔室中的内容物数据，其中，所述内容物数据至少包括各所述内容物的类型、各所述内容物的用量以及各所述内容物的流速中的一种；
依据所述内容物数据、所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
2.如权利要求1所述晶圆特征参数预测方法，其特征在于，在所述依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数的步骤之前，还包括：
获取训练样本、测试样本、各所述训练样本对应的第一真实特征参数以及各所述测试样本对应的第二真实特征参数；
依据所述训练样本中各训练特征与所述第一真实特征参数之间的相关系数，对所述训练样本进行筛选，得到第一训练样本；
依据所述第一训练样本，构建第一晶圆参数模型；
依据所述第一晶圆参数模型中各决策树对应的特征重要性，对所述第一训练样本进行筛选，得到第二训练样本；
依据所述第二训练样本、所述测试样本以及所述第二真实特征参数，构建至少一个第二晶圆参数模型，在各所述第二晶圆参数模型中确定所述预设晶圆特征参数预测模型。
3.如权利要求2所述晶圆特征参数预测方法，其特征在于，所述第二晶圆参数模型包括晶圆特征参数单模型和晶圆特征参数融合模型，
所述依据所述第二训练样本、所述测试样本以及所述第二真实特征参数，构建至少一个第二晶圆参数模型，在各所述第二晶圆参数模型中确定所述预设晶圆特征参数预测模型的步骤包括：
依据所述第二训练样本，确定用于构建所述第二晶圆参数模型的超参数；
依据各所述超参数以及所述第二训练样本，构建晶圆特征参数单模型和晶圆特征参数融合模型；
获取所述测试样本通过所述晶圆特征参数单模型预测的第一特征参数以及所述测试样本通过所述晶圆特征参数融合模型预测的第二特征参数；
依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
4.如权利要求3所述晶圆特征参数预测方法，其特征在于，所述依据各所述超参数以及所述第二训练样本，构建晶圆特征参数单模型和晶圆特征参数融合模型的步骤包括：
在各所述超参数中选取最优超参数，依据所述最优超参数，构建所述晶圆特征参数单模型；
将所述第二训练样本划分为预设划分数量的子样本；
依据各所述子样本，构建预设划分数量的子晶圆参数模型；
将各所述子晶圆参数模型聚合得到所述晶圆特征参数融合模型。
5.如权利要求3所述晶圆特征参数预测方法，其特征在于，所述依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型的步骤包括：
依据所述第一特征参数、所述第二特征参数与所述第二真实特征参数，确定所述晶圆特征参数单模型在预设评估指标类型的第一评估指标组以及所述晶圆特征参数融合模型在所述预设评估指标类型的第二评估指标组；
依据各所述预设评估指标类型对应的优先度，对所述第一评估指标组和所述第二评估指标组进行比对，得到比对结果；
依据所述比对结果，在所述晶圆特征参数单模型和所述晶圆特征参数融合模型中选取目标模型作为所述预设晶圆特征参数预测模型。
6.一种晶圆特征参数预测装置，其特征在于，所述晶圆特征参数预测装置包括：
获取模块，用于获取目标晶圆的晶圆参数数据，其中，所述晶圆参数数据包括生产所述目标晶圆的生产机台对应的传感器数据、所述生产机台对应的机台属性信息以及所述目标晶圆对应的晶圆属性信息；
提取模块，用于对所述晶圆参数数据进行晶圆特征提取，得到所述目标晶圆的晶圆特征向量；
预测模块，用于依据所述晶圆特征向量和预设晶圆特征参数预测模型，预测所述目标晶圆的目标特征参数，其中，所述目标特征参数至少包括沉积膜厚度、薄膜厚度、刻蚀深度、减薄厚度以及掺杂深度中的一种；
其中，所述机台属性信息包括机台属性特征向量，所述晶圆属性信息包括晶圆属性特征向量，所述传感器数据至少包括一传感器测量值，所述提取模块还用于：
获取各工序步骤上的传感器测量得到的传感器测量值；
根据各所述工序步骤的时序顺序，构建各所述传感器测量值对应的时序特征数据；
将所述时序特征数据由时域转换至频域，得到频域特征数据；
依据所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量；
其中，所述提取模块还用于：
获取各所述工序步骤上生产机台的腔室中的内容物数据，其中，所述内容物数据至少包括各所述内容物的类型、各所述内容物的用量以及各所述内容物的流速中的一种；
依据所述内容物数据、所述机台属性特征向量、所述晶圆属性特征向量、所述时序特征数据和所述频域特征数据，构建所述晶圆特征向量。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5中任一项所述的晶圆特征参数预测方法的步骤。
8.一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上存储有实现晶圆特征参数预测方法的程序，所述实现晶圆特征参数预测方法的程序被处理器执行以实现如权利要求1至5中任一项所述晶圆特征参数预测方法的步骤。
CN202210776800.7A 2022-07-04 2022-07-04 晶圆特征参数预测方法、装置、电子设备及可读存储介质 Active CN114841378B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210776800.7A CN114841378B (zh) 2022-07-04 2022-07-04 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210776800.7A CN114841378B (zh) 2022-07-04 2022-07-04 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Publications (2)

Publication Number Publication Date
CN114841378A CN114841378A (zh) 2022-08-02
CN114841378B true CN114841378B (zh) 2022-10-11

Family

ID=82573664

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210776800.7A Active CN114841378B (zh) 2022-07-04 2022-07-04 晶圆特征参数预测方法、装置、电子设备及可读存储介质

Country Status (1)

Country Link
CN (1) CN114841378B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115451877A (zh) * 2022-09-29 2022-12-09 天津大学 超音速分离器液滴沉积量与沉积位置声学预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101581930A (zh) * 2008-02-05 2009-11-18 台湾积体电路制造股份有限公司 实现自动虚拟量测的创新方法
CN113761782A (zh) * 2020-06-04 2021-12-07 郑芳田 预测机台加工事件发生的方法与其虚拟量测应用
WO2022121736A1 (zh) * 2020-12-11 2022-06-16 上海集成电路装备材料产业创新中心有限公司 一种基于机器学习的cdsem图像虚拟测量方法

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101118423A (zh) * 2006-08-01 2008-02-06 力晶半导体股份有限公司 虚拟测量预估模型的适用性选择方法与系统
US8437870B2 (en) * 2009-06-05 2013-05-07 Taiwan Semiconductor Manufacturing Company, Ltd. System and method for implementing a virtual metrology advanced process control platform
CN108268987B (zh) * 2016-12-30 2021-08-06 郑芳田 多样式产品的品质推估方法
EP3352013A1 (en) * 2017-01-23 2018-07-25 ASML Netherlands B.V. Generating predicted data for control or monitoring of a production process
TWI700598B (zh) * 2019-04-22 2020-08-01 崛智科技有限公司 晶圓特性預測方法與電子裝置
TWI713085B (zh) * 2019-05-16 2020-12-11 國立交通大學 半導體製程結果預測方法
CN112433472B (zh) * 2019-08-26 2022-10-18 长鑫存储技术有限公司 半导体生产控制方法及控制系统
CN110782546A (zh) * 2019-09-25 2020-02-11 上海众壹云计算科技有限公司 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法
CN110705807B (zh) * 2019-10-23 2023-11-03 哈工大机器人（合肥）国际创新研究院 基于现场数据的半导体生产质量预测方法及系统
US20220414499A1 (en) * 2019-11-15 2022-12-29 Semiconductor Energy Laboratory Co., Ltd. Property prediction system for semiconductor element
JP7412150B2 (ja) * 2019-11-29 2024-01-12 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
CN112989550A (zh) * 2019-12-18 2021-06-18 鸿富锦精密电子(天津)有限公司 虚拟量测方法、装置及计算机可读存储介质
CN113094893A (zh) * 2021-04-06 2021-07-09 江苏大学 晶圆品质虚拟测量方法、装置、计算机设备和存储介质
CN113609790B (zh) * 2021-10-11 2021-12-03 成都数联云算科技有限公司 产品虚拟量测方法及系统及装置及介质
CN114021448A (zh) * 2021-10-29 2022-02-08 长江存储科技有限责任公司 半导体设备的检测方法、处理器与半导体设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101581930A (zh) * 2008-02-05 2009-11-18 台湾积体电路制造股份有限公司 实现自动虚拟量测的创新方法
CN113761782A (zh) * 2020-06-04 2021-12-07 郑芳田 预测机台加工事件发生的方法与其虚拟量测应用
WO2022121736A1 (zh) * 2020-12-11 2022-06-16 上海集成电路装备材料产业创新中心有限公司 一种基于机器学习的cdsem图像虚拟测量方法

Also Published As

Publication number Publication date
CN114841378A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
WO2016079972A1 (ja) 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム
CN114841378B (zh) 晶圆特征参数预测方法、装置、电子设备及可读存储介质
WO2022121801A1 (zh) 信息处理方法、装置和电子设备
JP2023545423A (ja) 点群分割方法、装置、機器および記憶媒体
CN115311730B (zh) 一种人脸关键点的检测方法、系统和电子设备
US20210191375A1 (en) Method for carrying out measurements on a virtual basis, device, and computer readable medium
CN112037223B (zh) 图像缺陷检测方法、装置及电子设备
WO2023134550A1 (zh) 特征编码模型生成方法、音频确定方法以及相关装置
CN111291715B (zh) 基于多尺度卷积神经网络的车型识别方法、电子设备及存储介质
CN114385869A (zh) 检测数据异常的方法、装置、存储介质及计算机设备
WO2023134188A1 (zh) 指标确定方法、装置、电子设备和计算机可读介质
CN112182067A (zh) 个体身高预测方法、装置、电子设备及存储介质
CN113112497A (zh) 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质
CN115825313A (zh) 色谱信息检测方法、装置、电子设备和计算机可读介质
CN114638411A (zh) 二氧化碳浓度预测方法、装置、设备及介质
CN115932144B (zh) 色谱仪性能检测方法、装置、设备和计算机介质
JP7127697B2 (ja) 情報処理装置、制御方法、及びプログラム
WO2023184281A9 (zh) 一种检测参数分析方法及装置
KR102486460B1 (ko) 시계열 데이터의 특징값을 기반으로 예측값 및 특징 중요도 산출을 수행하는 가상 계측 방법 및 그를 위한 장치
CN114168657A (zh) 风电功率异常数据实时检测方法、系统、设备及介质
CN115641306A (zh) 产品缺陷检测方法、装置、电子设备及可读存储介质
CN115600131B (zh) 基于图形化测试平台的自动测试系统
CN114116238B (zh) 数据处理优化方法、装置、电子设备及可读存储介质
CN114021654A (zh) 铝电解槽过热度识别方法、系统、设备及介质
CN113672675B (zh) 数据检测方法、装置和电子设备

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
CP03 Change of name, title or address

Address after: 401,121 Building 4, No. 101, Zizhu Road, Liangjiang New District, Yubei District, Chongqing

Patentee after: Ax Industries Ltd.

Address before: 518000 room 701, building 6, Shenzhen Bay science and technology ecological park, no.6, Gaoxin South 9th Road, high tech Zone community, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Patentee before: Exxon industries (Guangdong) Co.,Ltd.

CP03 Change of name, title or address