CN115034692B - 数据漂移的跟踪方法、装置、终端设备及存储介质 - Google Patents
数据漂移的跟踪方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN115034692B CN115034692B CN202210958282.0A CN202210958282A CN115034692B CN 115034692 B CN115034692 B CN 115034692B CN 202210958282 A CN202210958282 A CN 202210958282A CN 115034692 B CN115034692 B CN 115034692B
- Authority
- CN
- China
- Prior art keywords
- processing data
- drift
- model
- semiconductor processing
- semiconductor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 239000004065 semiconductor Substances 0.000 claims abstract description 261
- 238000012545 processing Methods 0.000 claims abstract description 153
- 238000009826 distribution Methods 0.000 claims abstract description 117
- 238000004519 manufacturing process Methods 0.000 claims abstract description 74
- 230000008569 process Effects 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000005137 deposition process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种数据漂移的跟踪方法，装置、终端设备及计算机可读存储介质，所述数据漂移的跟踪方法包括：根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪，相比于传统的方式，本发明能够实现半导体制造过程中跟踪半导体加工数据的漂移，从而提高预测半导体加工数据漂移的准确率。
Description
技术领域
本发明属于半导体技术领域，尤其涉及一种数据漂移的跟踪方法、装置、终端设备及计算机可读存储介质。
背景技术
在半导体制造以及集成电路制造过程中，容易出现材料数据或者测量数据飘忽不定的问题，因此，利用各种数据挖掘和机器学习技术来构建虚拟量测模型，针对计算机程序估计产品或者制造过程中难以量测得参数进行研究。
现有技术中通过多元线性回、最小绝对收缩和选择算子、人工神经网络和高斯过程回归应用于化学气象沉积过程进行比较研究，还通过一些数据驱动的模型，如偏最小二乘回归和支持向量回归应用于虚拟量测模型的研究。
传统技术中的神经网络模型的结构非常复杂同时该神经网络模型的解释性也比较差，并且大多数数据驱动的模型都是由离线数据训练的，因此，无法实现该神经网络模型针对经验机理的结合，导致无法应对生产制造过程中的漂移问题。
发明内容
本发明的主要目的在于提供一种数据漂移的跟踪方法、装置、终端设备及计算机可读存储介质。旨在实现半导体制造过程中跟踪半导体加工数据的漂移，从而提高了预测半导体加工数据漂移的准确率。
为了实现上述目的，本发明提供一种数据漂移的跟踪方法，其特征在于，所述数据漂移的跟踪方法包括：
根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；
根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；
针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
可选地，在所述根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型的步骤之前，所述方法还包括：
根据所述半导体加工数据的特征和计量值确定半导体加工数据样本；
根据多个所述半导体加工数据样本确定所述半导体加工数据样本集。
可选地，在根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型的步骤之前，所述方法还包括：
根据所述半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
可选地，所述根据贝叶斯规则确定所述模型参数的第一后验分布的步骤，包括：
根据贝叶斯规则确定所述模型参数的第一先验分布；
根据所述第一先验分布确定观测所述半导体加工数据样本时的所述模型参数的第二后验分布；
针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布。
可选地，所述针对所述第二后验分布进行迭代更新的步骤，包括：
将所述第二后验分布作为观测所述半导体加工数据样本集里下一个半导体加工数据样本时的所述模型参数的第二先验分布，以针对所述第二后验分布进行迭代更新。
可选地，所述针对所述贝叶斯自回归外生模型进行递归更新的步骤，包括：
根据预设的时间间隔针对所述模型参数进行更新；
根据更新之后的模型参数针对所述贝叶斯自回归外生模型进行递归更新。
可选地，在所述针对半导体制造过程中的半导体加工数据进行漂移的跟踪的步骤之后，所述方法还包括：
确定所述半导体加工数据的特征是否与所述半导体加工数据样本集里的半导体加工数据样本的特征相似；
若否，则根据所述半导体加工数据针对所述半导体加工数据样本集进行更新。
此外，为实现上述目的，本发明还提供一种数据漂移的跟踪装置，其特征在于，所述数据漂移的跟踪装置包括：
建立模块，用于根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；
第一确定模块，用于根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；
第一更新模块，用于针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据漂移的跟踪程序，所述数据漂移的跟踪程序被所述处理器执行时实现如上所述的数据漂移的跟踪方法的步骤。
此外，为实现上述目的，本发明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数据漂移的跟踪程序，所述数据漂移的跟踪程序被处理器执行时实现如上所述的数据漂移的跟踪方法的步骤。
本发明实施例提出的一种数据漂移的跟踪方法、装置、终端设备及计算机可读存储介质，所述数据漂移的跟踪方法包括：根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
本发明技术方案通过根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型，然后根据贝叶斯规则确定该模型参数的第一后验分布，进一步根据该第一后验分布和该自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型，针对该贝叶斯自回归外生模型进行递归更新，最后通过该递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
相比于传统的通过偏最小二乘回归和支持向量回归针对数据的漂移进行跟踪的方式，本发明通过半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型，然后根据贝叶斯规则和该自回归外生模型确定贝叶斯自回归外生模型，进一步针对该贝叶斯自回归外生模型进行递归更新，最后，根据该递归更新后的贝叶斯自回归外生模型针对半导体制造过程中的半导体加工数据进行漂移的跟踪，从而，本发明旨在实现半导体制造过程中跟踪半导体加工数据的漂移，从而提高了预测半导体加工数据漂移的准确率。
附图说明
图1是本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图；
图2为本发明数据漂移的跟踪方法第一实施例的流程示意图；
图3为本发明数据漂移的跟踪方法一实施例所涉及的模型参数的迭代更新示意图；
图4为本发明数据漂移的跟踪系统的结构关系示意图；
本发明目的的实现、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
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图。
本发明实施例终端设备可以是集成跟踪数据漂移的设备，还可以是智能手机、PC（Personal Computer，个人计算机）、平板电脑、便携计算机等等。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及数据漂移的跟踪程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，并执行以下操作：
根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；
根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；
针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
根据所述半导体加工数据的特征和计量值确定半导体加工数据样本；
根据多个所述半导体加工数据样本确定所述半导体加工数据样本集。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
根据所述半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
根据贝叶斯规则确定所述模型参数的第一先验分布；
根据所述第一先验分布确定观测所述半导体加工数据样本时的所述模型参数的第二后验分布；
针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
将所述第二后验分布作为观测所述半导体加工数据样本集里下一个半导体加工数据样本时的所述模型参数的第二先验分布，以针对所述第二后验分布进行迭代更新。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
根据预设的时间间隔针对所述模型参数进行更新；
根据更新之后的模型参数针对所述贝叶斯自回归外生模型进行递归更新。
可选地，处理器1001可以用于调用存储器1005中存储的数据漂移的跟踪程序，还执行以下操作：
确定所述半导体加工数据的特征是否与所述半导体加工数据样本集里的半导体加工数据样本的特征相似；
若否，则根据所述半导体加工数据针对所述半导体加工数据样本集进行更新。
基于上述的终端设备，提出本发明数据漂移的跟踪方法的各实施例。在本发明数据漂移的跟踪方法的各实施例中，本发明数据漂移的跟踪方法应用于数据漂移的跟踪。
请参照图2，图2为本发明数据漂移的跟踪方法第一实施例的流程示意图。在本发明数据漂移的跟踪方法的第一实施例中，所述数据漂移的跟踪方法包括：
步骤S10：根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；
在本实施例中，终端设备针对半导体加工数据的漂移进行跟踪时，根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型。
示例性地，在本实施例中，终端设备通过虚拟量测系统针对数据的漂移进行跟踪时，首先根据半导体加工数据样本集和半导体制造过程的模型参数θ建立一个一阶的跟踪半导体加工数据的漂移的自回归外生模型，该自回归外生模型具体为：
应当理解的是最近的计量值，/>为从当前样本中提取的d维特征，Ɛ是服从高斯分布的过程噪声。
可选地，在一些可行的实施例中，步骤S10之前，还可以包括以下步骤：
步骤S40：根据所述半导体加工数据的特征和计量值确定半导体加工数据样本；
在本实施例中，针对半导体制造过程中的加工数据的漂移进行跟踪时，终端设备根据半导体加工数据的特征和该半导体加工数据的计量值确定半导体加工数据样本。
示例性地，在本实施例中，针对半导体制造过程中的加工数据的漂移进行跟踪时，终端设备根据半导体加工数据的特征x和该半导体加工数据的计量值y确定半导体加工数据样本(x，y)。
步骤S50：根据多个所述半导体加工数据样本确定所述半导体加工数据样本集。
在本实施例中，终端设备根据半导体加工数据的特征和计量值确定半导体加工数据样本之后，根据多个该半导体加工数据样本确定半导体加工数据样本集。
可选地，在一些可行的实施例中，步骤S10之前，还可以包括以下步骤：
步骤S60：根据所述半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
在本实施例中，针对半导体制造过程中的加工数据的漂移进行跟踪时，终端设备根据半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
示例性地，在本实施例中，针对半导体制造过程中的加工数据的漂移进行跟踪时，终端设备根据半导体加工数据的特征x和计量值y之间的关系确定半导体制造过程的模型参数θ。
步骤S20：根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；
在本实施例中，终端设备根据半导体加工数据样本集和半导体制造过程的模型参数，建立跟踪半导体加工数据的漂移的自回归外生模型之后，根据贝叶斯规则确定该模型参数的第一后验分布，然后进一步根据该模型参数的第一后验分布和该自回归外生模型，确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型。
示例性地，在本实施例中，终端设备根据半导体加工数据样本集和半导体制造过程的模型参数θ建立跟踪半导体加工数据的漂移的自回归外生模型之后，根据贝叶斯规则确定该模型参数θ的第一后验分布，然后进一步根据该模型参数的第一后验分布/>和该自回归外生模型/>，确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型的预测性分布，该贝叶斯自回归外生模型的预测性分布具体为：
其中，是/>前一步的观测值，n为已经观测到的半导体加工数据样本个数。
可选地，在一些可行的实施例中，步骤S20中的所述“根据贝叶斯规则确定所述模型参数的第一后验分布”的步骤，还可以包括以下步骤：
步骤S201：根据贝叶斯规则确定所述模型参数的第一先验分布；
在本实施例中，终端设备根据贝叶斯规则确定半导体制造过程的模型参数的第一先验分布。
示例性地，在本实施例中，终端设备根据贝叶斯规则确定半导体制造过程的模型参数θ的第一先验分布，其中，/>代表正态分布，/>分别代表正态分布的均值与协方差。
步骤S202：根据所述第一先验分布确定观测所述半导体加工数据样本时的所述模型参数的第二后验分布；
在本实施例中，终端设备根据贝叶斯规则确定半导体制造过程的模型参数的第一先验分布之后，根据该第一先验分布确定观测半导体加工数据样本时的该模型参数的第二后验分布。
示例性地，在本实施例中，终端设备根据贝叶斯规则确定半导体制造过程的模型参数的第一先验分布之后，根据该第一先验分布/>和似然函数/>确定观测半导体加工数据样本时的该模型参数的第二后验分布。
步骤S203：针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布。
在本实施例中，终端设备根据参数模型的第一先验分布得到该参数模型的第二后验分布之后，针对该第二后验分布进行迭代更新后得到半导体制造过程的模型参数的最终的第一后验分布。
示例性地，在本实施例中，终端设备根据参数模型的第一先验分布得到该参数模型的第二后验分布之后，针对该第二后验分布进行迭代更新后得到半导体制造过程的模型参数的最终的第一后验分布。
需要说明的是，在本实施例中，似然函数具体为：，根据该似然函数/>和第一先验分布/>确定的第一后验分布/>具体为：
可选地，在一些可行的实施例中，步骤S203，还可以包括以下步骤：
步骤S2031：将所述第二后验分布作为观测所述半导体加工数据样本集里下一个半导体加工数据样本时的所述模型参数的第二先验分布，以针对所述第二后验分布进行迭代更新。
在本实施例中，终端设备根据半导体制造的参数模型的第一先验分布确定该模型参数的第二后验分布之后，将该第二后验分布作为观测半导体加工数据样本集里下一个半导体加工数据样本时的模型参数的第二先验分布，以针对该第二后验分布进行迭代更新。
示例性地，如图3所示的参数模型的迭代更新示意图，在本实施例中，终端设备根据半导体制造的模型参数θ的第一先验分布确定该模型参数θ的第二后验分布之后，将该第二后验分布作为观测半导体加工数据样本集里下一个半导体加工数据样本时的模型参数θ的第二先验分布，以针对该第二后验分布进行迭代更新。
步骤S30：针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
在本实施例中，终端设备在确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型之后，针对该贝叶斯自回归外生模型进行递归更新，然后通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
示例性地，在本实施例中，终端设备在确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型之后，针对该贝叶斯自回归外生模型/>进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
可选地，在一可行的实施例中，步骤S30中的所述“针对所述贝叶斯自回归外生模型进行递归更新”的步骤，还可以包括以下步骤：
步骤S301：根据预设的时间间隔针对所述模型参数进行更新；
在本实施例中，终端设备在确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型之后，根据预设的时间间隔针对半导体制造过程的模型参数进行更新；
示例性地，在本实施例中，终端设备在确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型之后，半导体制造过程的模型参数θ随时间变化，以跟随半导体制造过程中的变化，进一步根据该模型参数θ按照预设的时间间隔针对半导体制造过程的模型参数θ进行更新。
需要说明的是，终端设备从时间k到k+1的针对半导体制造过程的模型参数进行更新之后，从时间k到k+1的模型参数的后验分布为：
步骤S302：根据更新之后的模型参数针对所述贝叶斯自回归外生模型进行递归更新。
在本实施例中，终端设备预设的时间间隔针对半导体制造过程的模型参数进行更新之后，进一步根据更之后的模型参数针对贝叶斯自回归外生模型进行递归更新。
示例性地，在本实施例中，终端设备从时间k到k+1的针对半导体制造过程的模型参数进行更新之后，然后确定该模型参数的后验分布。进一步根据更之后的模型参数的后验分布针对贝叶斯自回归外生模型进行递归更新，
通过矩阵求逆引理，递归更新之后的贝叶斯自回归外生模型为：
其中，是为了简化计算进行的数学变换。
可选地，在一些可行的实施例中，步骤S30之后，还可以包括一下步骤：
步骤S70：确定所述半导体加工数据的特征是否与所述半导体加工数据样本集里的半导体加工数据样本的特征相似；
在本实施例中，终端设备通过贝叶斯自回归外生模型在线跟踪半导体制造加工数据漂移时，确定该半导体加工数据的特征是否与半导体加工数据样本集里的半导体加工数据样本的特征相似。
步骤S80：若否，则根据所述半导体加工数据针对所述半导体加工数据样本集进行更新。
在本实施例中，终端设备确定该半导体加工数据的特征是否与半导体加工数据样本集里的半导体加工数据样本的特征相似之后，若确定该半导体加工数据的特征和该半导体加工数据样本集里的半导体加工数据样本的特征不相识，则将该半导体加工数据作为样本加入到半导体加工数据样本集以更新该半导体加工数据的样本集，应当理解的是，通过更新之后的半导体加工数据的样本集更新贝叶斯自回归外生模型。
如此，在本实施例中，终端设备通过虚拟量测系统针对数据的漂移进行跟踪时，根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；之后，终端设备根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型之后，根据贝叶斯规则确定该模型参数的第一后验分布，然后进一步根据该模型参数的第一后验分布和该自回归外生模型，确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型；最后，终端设备在确定跟踪半导体加工数据的漂移的贝叶斯自回归外生模型之后，针对该贝叶斯自回归外生模型进行递归更新，然后通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
从而，本发明通过半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型，然后根据贝叶斯规则和该自回归外生模型确定贝叶斯自回归外生模型，进一步针对该贝叶斯自回归外生模型进行递归更新，最后，根据该递归更新后的贝叶斯自回归外生模型针对半导体制造过程中的半导体加工数据进行漂移的跟踪，从而，本发明旨在实现半导体制造过程中跟踪半导体加工数据的漂移，从而提高了预测半导体加工数据漂移的准确率。
此外，本发明实施例还提供一种数据漂移的跟踪装置，请参照图4，图4为本发明自数据漂移的跟踪装置一实施例的功能模块示意图，如图4所示，本发明数据漂移的跟踪装置包括：
建立模块10，用于根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型；
第一确定模块20，用于根据贝叶斯规则确定所述模型参数的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型；
第一更新模块30，用于针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
可选地，本发明数据漂移的跟踪装置，包括：
第二确定模块，用于根据所述半导体加工数据的特征和计量值确定半导体加工数据样本；
第三确定模块，用于根据多个所述半导体加工数据样本确定所述半导体加工数据样本集。
可选地，本发明数据漂移的跟踪装置，还包括：
第四确定模块，用于根据所述半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
可选地，第一确定模块20，包括：
第一确定单元，用于根据贝叶斯规则确定所述模型参数的第一先验分布；
第二确定单元，用于根据所述第一先验分布确定观测所述半导体加工数据样本时的所述模型参数的第二后验分布；
迭代更新单元，用于针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布。
可选地，迭代更新单元，包括：
确定子单元，用于将所述第二后验分布作为观测所述半导体加工数据样本集里下一个半导体加工数据样本时的所述模型参数的第二先验分布，以针对所述第二后验分布进行迭代更新。
可选地，更新模块30，包括：
更新单元，用于根据预设的时间间隔针对所述模型参数进行更新；
递归更新单元，用于根据更新之后的模型参数针对所述贝叶斯自回归外生模型进行递归更新。
可选地，本发明数据漂移的跟踪装置，还包括：
第五确定模块，用于确定所述半导体加工数据的特征是否与所述半导体加工数据样本集里的半导体加工数据样本的特征相似；
第二更新模块，用于若否，则根据所述半导体加工数据针对所述半导体加工数据样本集进行更新。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有数据漂移的跟踪程序，上述数据漂移的跟踪程序被处理器执行时实现如以上任一项实施例所述的数据漂移的跟踪方法的步骤。
本发明计算机可读存储介质的具体实施例与上述数据漂移的跟踪方法各实施例基本相同，在此不作赘述。
本发明还提供一种计算机程序产品，所述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以上任一项实施例所述的数据漂移的跟踪方法的步骤。
本发明计算机存储介质的具体实施例与上述数据漂移的跟踪方法各实施例基本相同，在此不作赘述。
需要说明的是，在本文中，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过程、方法、物品或者系统不仅包括那些要素，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过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种数据漂移的跟踪方法，其特征在于，所述数据漂移的跟踪方法包括：
根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型，所述自回归外生模型的计算公式如下：，其中，θ为所述模型参数，θ为针对预设的半导体参数进行以/>为均值和以/>为协方差的正态分布得到，/>为/>，/>为最近的计量值，/>为从当前样本中提取的d维特征，/>为针对半导体过程噪声进行以/>为方差的高斯分布得到；
根据贝叶斯规则确定所述模型参数的第一先验分布，根据所述第一先验分布确定观测所述半导体加工数据样本集里的半导体加工数据样本时的所述模型参数的第二后验分布，针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型，其中，所述第一先验分布的计算公式如下：，/>代表正态分布，所述第一后验分布的计算公式如下：/>，，/>，/>，/>，所述贝叶斯自回归外生模型的预测性分布公式如下：/>，，/>是/>前一步的观测值，n为已经观察到的半导体加工数据样本个数；
针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
2.如权利要求1所述的数据漂移的跟踪方法，其特征在于，在所述根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型的步骤之前，所述方法还包括：
根据所述半导体加工数据的特征和计量值确定半导体加工数据样本；
根据多个所述半导体加工数据样本确定所述半导体加工数据样本集。
3.如权利要求1所述的数据漂移的跟踪方法，其特征在于，在根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型的步骤之前，所述方法还包括：
根据所述半导体加工数据的特征和计量值之间的关系确定半导体制造过程的模型参数。
4.如权利要求3所述的数据漂移的跟踪方法，其特征在于，所述针对所述第二后验分布进行迭代更新的步骤，包括：
将所述第二后验分布作为观测所述半导体加工数据样本集里下一个半导体加工数据样本时的所述模型参数的第二先验分布，以针对所述第二后验分布进行迭代更新。
5.如权利要求1所述的数据漂移的跟踪方法，其特征在于，所述针对所述贝叶斯自回归外生模型进行递归更新的步骤，包括：
根据预设的时间间隔针对所述模型参数进行更新；
根据更新之后的模型参数针对所述贝叶斯自回归外生模型进行递归更新。
6.如权利要求1所述的数据漂移的跟踪方法，其特征在于，在所述针对半导体制造过程中的半导体加工数据进行漂移的跟踪的步骤之后，所述方法还包括：
确定所述半导体加工数据的特征是否与所述半导体加工数据样本集里的半导体加工数据样本的特征相似；
若否，则根据所述半导体加工数据针对所述半导体加工数据样本集进行更新。
7.一种数据漂移的跟踪装置，其特征在于，所述数据漂移的跟踪装置包括：
建立模块，用于根据半导体加工数据样本集和半导体制造过程的模型参数建立跟踪半导体加工数据的漂移的自回归外生模型，所述自回归外生模型的计算公式如下：，其中，θ为所述模型参数，θ为针对预设的半导体参数进行以/>为均值和以/>为协方差的正态分布得到，/>为/>，/>为最近的计量值，为从当 前样本中提取的d维特征，/>为针对半导体过程噪声进行以/>为方差的高斯分布得到；
第一确定模块，用于根据贝叶斯规则确定所述模型参数的第一先验分布，根据所述第一先验分布确定观测所述半导体加工数据样本集里的半导体加工数据样本时的所述模型参数的第二后验分布，针对所述第二后验分布进行迭代更新后得到所述模型参数的最终的第一后验分布，根据所述第一后验分布和所述自回归外生模型，确定跟踪所述半导体加工数据的漂移的贝叶斯自回归外生模型，其中，所述第一先验分布的计算公式如下：，/>代表正态分布，所述第一后验分布的计算公式如下：，/>，，/>，/>，所述贝叶斯自回归外生模型的预测性分布公式如下：/>，，/>是/>前一步的观测值，n为已经观察到的半导体加工数据样本个数；
第一更新模块，用于针对所述贝叶斯自回归外生模型进行递归更新，通过递归更新后的贝叶斯自回归外生模型，针对半导体制造过程中的半导体加工数据进行漂移的跟踪。
8.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的数据漂移的跟踪程序，所述数据漂移的跟踪程序被所述处理器执行时实现如权利要求1至6中任一项所述的数据漂移的跟踪方法的步骤。
9.一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数据漂移的跟踪程序，所述数据漂移的跟踪程序被处理器执行时实现如权利要求1至6中任一项所述的数据漂移的跟踪方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958282.0A CN115034692B (zh) | 2022-08-11 | 2022-08-11 | 数据漂移的跟踪方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210958282.0A CN115034692B (zh) | 2022-08-11 | 2022-08-11 | 数据漂移的跟踪方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034692A CN115034692A (zh) | 2022-09-09 |
| CN115034692B true CN115034692B (zh) | 2023-09-26 |
Family
ID=83131300
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210958282.0A Active CN115034692B (zh) | 2022-08-11 | 2022-08-11 | 数据漂移的跟踪方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034692B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6484064B1 (en) * | 1999-10-05 | 2002-11-19 | Advanced Micro Devices, Inc. | Method and apparatus for running metrology standard wafer routes for cross-fab metrology calibration |
| CN114708307A (zh) * | 2022-05-17 | 2022-07-05 | 北京航天晨信科技有限责任公司 | 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9828241D0 (en) * | 1998-12-22 | 1999-02-17 | Ncr Int Inc | Estimating a missing observation in a database |
| TWI492188B (zh) * | 2008-12-25 | 2015-07-11 | Univ Nat Chiao Tung | 利用多攝影機自動偵測與追蹤多目標的方法及系統 |
| US8590061B1 (en) * | 2011-03-22 | 2013-11-19 | Iowa State University Research Foundation, Inc. | Optimal excitation force design indentation-based rapid broadband nanomechanical spectroscopy |
| CN103745273B (zh) * | 2014-01-06 | 2017-01-18 | 北京化工大学 | 一种半导体制造过程的多性能预测方法 |
| CN104833964A (zh) * | 2015-04-28 | 2015-08-12 | 南京邮电大学 | 针对雷达/声呐系统的目标检测跟踪一体化方法和装置 |
| WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
| CN114662535B (zh) * | 2022-03-15 | 2022-11-11 | 中国矿业大学 | 一种基于变分贝叶斯学习的井下传感器网络目标跟踪方法 |
-
2022
- 2022-08-11 CN CN202210958282.0A patent/CN115034692B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6484064B1 (en) * | 1999-10-05 | 2002-11-19 | Advanced Micro Devices, Inc. | Method and apparatus for running metrology standard wafer routes for cross-fab metrology calibration |
| CN114708307A (zh) * | 2022-05-17 | 2022-07-05 | 北京航天晨信科技有限责任公司 | 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034692A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khare et al. | A convex pseudolikelihood framework for high dimensional partial correlation estimation with convergence guarantees | |
| CN105788593B (zh) | 生成对话策略的方法及系统 | |
| CN109740113B (zh) | 超参数阈值范围确定方法、装置、存储介质及电子设备 | |
| CN112990312A (zh) | 模型训练方法、图像识别方法、装置、设备及存储介质 | |
| US10762163B2 (en) | Probabilistic matrix factorization for automated machine learning | |
| CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| CN111275205A (zh) | 虚拟样本的生成方法、终端设备及存储介质 | |
| CN115034692B (zh) | 数据漂移的跟踪方法、装置、终端设备及存储介质 | |
| Castro-Arvizu et al. | Received signal strength–based indoor localization using a robust interacting multiple model–extended Kalman filter algorithm | |
| CN110824496B (zh) | 运动估计方法、装置、计算机设备和存储介质 | |
| CN110392115B (zh) | 区块链节点管理方法、装置和可读存储介质 | |
| CN113641767B (zh) | 实体关系抽取方法、装置、设备及存储介质 | |
| CN116307216A (zh) | 神经网络模型的不确定性估计方法及其相关设备 | |
| CN113640791B (zh) | 一种基于距离和瞬时速度的空间目标三维姿态重构方法 | |
| CN113782092B (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
| Dutordoir et al. | Deep Gaussian process metamodeling of sequentially sampled non-stationary response surfaces | |
| CN117521018B (zh) | 基于扩展观测的融合估计方法、装置、设备及存储介质 | |
| CN116469498B (zh) | 材料去除率的预测方法、装置、终端设备及存储介质 | |
| US20210224681A1 (en) | Learning device, forecasting device, method, and program | |
| CN112734307A (zh) | 一种在线实时企业画像生成方法、装置、设备及存储介质 | |
| CN111310794A (zh) | 目标对象的分类方法、装置和电子设备 | |
| Hoerger et al. | Multilevel Monte Carlo for solving POMDPs on-line | |
| Vijaysai et al. | Identification on demand using a blockwise recursive partial least-squares technique | |
| KR102327029B1 (ko) | Poi 추천 방법 및 이를 수행하는 추천 제공 시스템 | |
| CN115631798B (zh) | 一种基于图对比学习的生物分子分类方法及装置 |
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 |