CN115114852A - 基于lstm的半导体制造机台虚拟量测装置 - Google Patents
基于lstm的半导体制造机台虚拟量测装置 Download PDFInfo
- Publication number
- CN115114852A CN115114852A CN202210714746.3A CN202210714746A CN115114852A CN 115114852 A CN115114852 A CN 115114852A CN 202210714746 A CN202210714746 A CN 202210714746A CN 115114852 A CN115114852 A CN 115114852A
- Authority
- CN
- China
- Prior art keywords
- lstm
- module
- semiconductor manufacturing
- data
- window moving
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 239000004065 semiconductor Substances 0.000 title claims abstract description 55
- 238000005259 measurement Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 22
- 230000007774 longterm Effects 0.000 claims abstract description 10
- 235000012431 wafers Nutrition 0.000 claims description 38
- 238000000605 extraction Methods 0.000 claims description 7
- 238000000151 deposition Methods 0.000 claims description 6
- 229910052581 Si3N4 Inorganic materials 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 claims description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 229910052814 silicon oxide Inorganic materials 0.000 claims description 3
- QDGIAPPCJRFVEK-UHFFFAOYSA-N (1-methylpiperidin-4-yl) 2,2-bis(4-chlorophenoxy)acetate Chemical compound C1CN(C)CCC1OC(=O)C(OC=1C=CC(Cl)=CC=1)OC1=CC=C(Cl)C=C1 QDGIAPPCJRFVEK-UHFFFAOYSA-N 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 description 11
- 239000010408 film Substances 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000000427 thin-film deposition Methods 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明公开了一种基于LSTM的半导体制造机台虚拟量测装置包括：LSTM模块，用于根据输入的半导体制造机台的数据来输出量测数据预测值；窗口移动LSTM模块，用于捕获半导体制造机台的过程变量和量测数据的长期漂移信息，以更新LSTM模块的模型参数。本发明能根据生产机台数据自动预测一些关键量测参数且能提高预测精度的稳定性，如能在不同工艺腔、不同时期上都有稳定的预测精度，能及时发现制造过程中的异常，节省量测效益，实现批次的控制。
Description
技术领域
本发明涉及一种半导体集成电路制造机台设备，特别是涉及一种基于长短期记忆人工神经网络(Long Short Term Mermory network，LSTM)的半导体制造机台虚拟量测(Virtual Metrology)装置。
背景技术
虚拟量测在基于无法实际量测或为节省量测资源的情况下，利用生产机台参数与量测参数数据建模，推估其晶圆的关键指标结果，以实现晶圆实时的产品品质预测，机台效能监控及生产制程改善；如此可即时发现异常，避免重大损失。
现有虚拟量测装置具有如下一些问题：
预测能力:一个关键的要求是虚拟量测的精度即预测精度。现有虚拟量测装置的预测能力需要进一步提高。
稳定性：预测精度应保持稳定，然而，即使是轻微的参数变化和选点过程中的漂移，在制造过程中随时间发生的缓慢漂移特性会限制VM模型的预测精度。现有虚拟量测装置的预测精度的稳定性需要进一步提高。
没有有效利用已有量测数据，仅根据机台感测(sensor)数据使预测精度较低。现有虚拟量测装置的需要进一步提升对已有量测数据的利用，以提升预测精度。
发明内容
本发明所要解决的技术问题是提供一种基于LSTM的半导体制造机台虚拟量测装置，能根据生产机台数据自动预测一些关键量测参数且能提高预测精度的稳定性，如能在不同工艺腔(chamber)、不同时期上都有稳定的预测精度，能及时发现制造过程中的异常，节省量测效益，实现批次(run-to-run)的控制。
为解决上述技术问题，本发明提供的基于LSTM的半导体制造机台虚拟量测装置包括：
LSTM模块，用于根据输入的半导体制造机台的数据来输出量测数据预测值；所述量测数据预测值为完成所述半导体制造机台的制造工艺的晶圆的量测数据的预测值。
窗口移动LSTM模块，用于捕获所述半导体制造机台的过程变量和量测数据的长期漂移信息，以更新所述LSTM模块的模型参数，从而提高所述LSTM模块的预测精度的稳定性。
进一步的改进是，所述LSTM模块的初始模型参数通过对已知的所述半导体制造机台的数据和对应的所述晶圆的量测数据进行学习得到。
进一步的改进是，所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块所捕获的所述半导体制造机台的过程变量为错误侦测分类(fault detectionclassification，FDC)数据以及所述晶圆的量测数据为前几片晶圆的量测数据。
进一步的改进是，所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块获取的所述晶圆的量测数据为前3片～5片所述晶圆的量测数据。
进一步的改进是，所述窗口移动LSTM模块包括标准化模块以及主成分分析(Principal Components Analysis，PCA)模块。
所述标准化模块用于对所述FDC数据进行标准化处理。
所述PCA模块用于对经过标准环处理后的所述FDC数据进行特征提取。
进一步的改进是，所述PCA模块从批量的所述FDC数据中进行特征提取。
进一步的改进是，所述PCA模块采用多线性主成分分析(Multilinear PrincipalComponents Analysis，MPCA)实现。
进一步的改进是，所述窗口移动LSTM模块根据所述晶圆的量测数据计算更新前的所述LSTM模块的长期漂移信息，所述长期漂移信息为由所述晶圆的量测数据和更新前的所述LSTM模块的量测数据预测值之间的残差值。
进一步的改进是，所述窗口移动LSTM模块还包括量测数据顺序输入模块，所述窗口移动LSTM模块工作时，所述量测数据顺序输入模块使所述晶圆的量测数据按顺序输入到更新前的所述LSTM模块中。
进一步的改进是，所述LSTM模块包括多个LSTM模型单元。
更新所述LSTM模块的模型参数时，所述窗口移动LSTM模块依次对各所述LSTM模型单元的模型参数进行更新，从而得到更新后的所述LSTM模块。
进一步的改进是，所述LSTM模块工作时，输入的所述半导体制造机台的数据采用PCA模块进行特征提取。
进一步的改进是，所述半导体制造机台包括薄膜沉积机台。
进一步的改进是，所述薄膜沉积机台包括CVD机台。
所述CVD机台用于沉积介质膜。
所述介质膜包括氧化硅，氮化硅。
所述晶圆的量测数据包括沉积在所述晶圆上的所述介质膜的厚度量测数据。
进一步的改进是，所述窗口移动LSTM模块在所述半导体制造机台生产一定时间后工作，使所述LSTM模块在不同时间周期内的预测精度稳定。
进一步的改进是，所述半导体制造机台包括多个相同的工艺腔，所述窗口移动LSTM模块在所述半导体制造机台的工艺腔切换时工作，使所述LSTM模块在不同工艺腔上的预测精度稳定。
本发明能根据生产机台数据自动预测一些关键量测参数且具有较高预测精度以及能提高预测精度的稳定性，如能在不同工艺腔、不同时期上都有稳定的预测精度，能及时发现制造过程中的异常，节省量测效益，实现批次的控制。
本发明能节省量测时间和量测成本：
本发明模型通过机台Sensor数据及初始量测数据即可预测量测结果，不仅节省实际量测时间、减少循环时间(Cycle Time)，还能实现实时监控晶圆品质，节省生产效益。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明：
图1是本发明实施例基于LSTM的半导体制造机台虚拟量测装置的结构示意图；
图2是LSTM的链式结构示意图。
具体实施方式
如图1所示，是本发明实施例基于LSTM的半导体制造机台虚拟量测装置的结构示意图；本发明实施例基于LSTM的半导体制造机台虚拟量测装置包括：
LSTM模块，用于根据输入的半导体制造机台的数据来输出量测数据预测值；所述量测数据预测值为完成所述半导体制造机台的制造工艺的晶圆的量测数据的预测值。
窗口移动LSTM模块，用于捕获所述半导体制造机台的过程变量和量测数据的长期漂移信息，以更新所述LSTM模块的模型参数，从而提高所述LSTM模块的预测精度的稳定性。
图1中，标记103对应的LSTMⅠ表示更新前的所述LSTM模块，标记110对应的LSTMⅡ表示更新后的所述LSTM模块。
本发明实施例，所述LSTM模块的初始模型参数通过对已知的所述半导体制造机台的数据和对应的所述晶圆的量测数据进行学习得到。
所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块所捕获的所述半导体制造机台的过程变量为FDC数据以及所述晶圆的量测数据为前几片晶圆的量测数据。
图1中，标记104对应的FDC data表示FDC数据，FDC数据接收的来自耦接至半导体制造机台的不同感测器的即时感测数据。
标记101对应的Measurement data表示所述晶圆的量测数据。所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块获取的所述晶圆的量测数据为前3片～5片所述晶圆的量测数据。
所述窗口移动LSTM模块包括标准化模块105以及PCA模块106。
所述标准化模块105用于对所述FDC数据进行标准化处理。图1中，所述标准化模块105也采用Min-max normalization表示。
所述PCA模块106用于对经过标准环处理后的所述FDC数据进行特征提取。本发明实施例中，所述PCA模块106从批量的所述FDC数据中进行特征提取。图1中，所述PCA模块106也采用Batch-wise PCA表示。
在一些较佳实施例中，所述PCA模块106采用MPCA实现。
所述PCA模块106实现PCA分析即主成分分析，旨在利用降维的思想，把多指标转换为少数几个综合指标；其中，MPCA则是多线性主成分分析，是PCA到多维的一个延伸。PCA是投影向量(Vector)到向量，而MPCA是投影张量(Tensor)到张量，投影的结构相对简单，另外运算在较低维度的空间进行，因此处理高维度数据时有低运算量的优势。
本发明实施例中，所述窗口移动LSTM模块还包括量测数据顺序输入模块102，所述窗口移动LSTM模块工作时，所述量测数据顺序输入模块102使所述晶圆的量测数据按顺序输入到更新前的所述LSTM模块中。图1中，所述量测数据顺序输入模块102也采用Inputsequence general表示。
所述窗口移动LSTM模块根据所述晶圆的量测数据计算更新前的所述LSTM模块的长期漂移信息，所述长期漂移信息为由所述晶圆的量测数据和更新前的所述LSTM模块的量测数据预测值之间的残差值。本发明实施例中，所述残差值通过标记107对应的计算模块实现，图1中，所述残差值的计算模块107也采用Calculate residual表示。
如图2所示，是LSTM的链式结构示意图。所述LSTM模块包括多个LSTM模型单元201。LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟非常长的重要事件。通过门控单元(gate)可以对细胞(cell)添加和删除信息。通过gate可以有选择地决定信息是否通过。
由图2所示可知，LSTM模型单元201的细胞状态通过三个gate实现，分别为：忘记门202、输入门203和输出门205。忘记门202、输入门203和输出门205都对应一层神经网络层，激活函数都采用sigmoid函数即σ函数实现，具有各自的权重和偏置，权重和偏置都是需要通过学习得到的模型参数。神经网络层204用于更新细胞信息，采用tanh函数实现，tanh函数也具有对应的权重和偏置，权重和偏置为需要通过学习得到的模型参数。
Xt-1、Xt和Xt+1表示不同时刻的输入数据的特征值，ht-1、ht和ht+1表示不同时刻的预测值。图2中，仅显示了t时刻对应的LSTM模型单元201的具体结构，t-1和t+1时刻的LSTM模型单元201的结构和t时刻的结构相同。
更新所述LSTM模块的模型参数时，所述窗口移动LSTM模块依次对各所述LSTM模型单元201的模型参数进行更新，从而得到更新后的所述LSTM模块110。
更新后的所述LSTM模块110工作时，输入的所述半导体制造机台的数据采用PCA模块112进行特征提取。图1中，输入的所述半导体制造机台的数据如标记111中的Next stepdata input所示。输入的所述半导体制造机台的数据能采用FDC数据。PCA模块112也采用Batch-wise PCA表示。
本发明实施例中，所述半导体制造机台包括薄膜沉积机台。所述薄膜沉积机台包括CVD机台。
所述CVD机台用于沉积介质膜。
所述介质膜包括氧化硅，氮化硅。
所述晶圆的量测数据包括沉积在所述晶圆上的所述介质膜的厚度量测数据。
所述窗口移动LSTM模块在所述半导体制造机台生产一定时间后工作，使所述LSTM模块在不同时间周期内的预测精度稳定。
所述半导体制造机台包括多个相同的工艺腔，所述窗口移动LSTM模块在所述半导体制造机台的工艺腔切换时工作，使所述LSTM模块在不同工艺腔上的预测精度稳定。
本发明实施例模型预测精度高，满足工艺要求：
以对CVD机台沉积氮化硅薄膜的预测为例，本发明实施例在建模阶段预测的均方误差在6埃以内，测试阶段均方误差在9埃以内。而氮化硅薄膜沉积的配方(recipe)工艺误差要求是20埃以内，而测量机台之间的测量误差约为5埃。所以，本发明实施例能满足工艺要求。
本发明实施例的同一模型应用长时间跨度数据预测，预测效果仍保持：
本发明实施例采用前四个月份的数据建立模型，对后四个月的数据进行预测，预测效果仍然保持。也即，本发明实施例的所述LSTM模块的初始模型参数能通过之前较久的数据进行学习训练得到，同时不会对对现有生产的数据预测精度产生太大影响。
本发明实施例能节省量测时间和量测成本：
本发明实施例模型通过机台Sensor数据及初始量测数据即可预测量测结果，不仅节省实际量测时间、减少Cycle Time，还能实现实时监控晶圆品质，节省生产效益。
以上通过具体实施例对本发明进行了详细的说明，但这些并非构成对本发明的限制。在不脱离本发明原理的情况下，本领域的技术人员还可做出许多变形和改进，这些也应视为本发明的保护范围。
Claims (15)
1.一种基于LSTM的半导体制造机台虚拟量测装置，其特征在于，包括：
LSTM模块，用于根据输入的半导体制造机台的数据来输出量测数据预测值；所述量测数据预测值为完成所述半导体制造机台的制造工艺的晶圆的量测数据的预测值；
窗口移动LSTM模块，用于捕获所述半导体制造机台的过程变量和量测数据的长期漂移信息，以更新所述LSTM模块的模型参数，从而提高所述LSTM模块的预测精度的稳定性。
2.如权利要求1所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述LSTM模块的初始模型参数通过对已知的所述半导体制造机台的数据和对应的所述晶圆的量测数据进行学习得到。
3.如权利要求2所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块所捕获的所述半导体制造机台的过程变量为FDC数据以及所述晶圆的量测数据为前几片晶圆的量测数据。
4.如权利要求3所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块工作时，所述窗口移动LSTM模块获取的所述晶圆的量测数据为前3片～5片所述晶圆的量测数据。
5.如权利要求3所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块包括标准化模块以及PCA模块；
所述标准化模块用于对所述FDC数据进行标准化处理；
所述PCA模块用于对经过标准环处理后的所述FDC数据进行特征提取。
6.如权利要求5所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述PCA模块从批量的所述FDC数据中进行特征提取。
7.如权利要求6所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述PCA模块采用MPCA实现。
8.如权利要求4所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块根据所述晶圆的量测数据计算更新前的所述LSTM模块的长期漂移信息，所述长期漂移信息为由所述晶圆的量测数据和更新前的所述LSTM模块的量测数据预测值之间的残差值。
9.如权利要求8所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块还包括量测数据顺序输入模块，所述窗口移动LSTM模块工作时，所述量测数据顺序输入模块使所述晶圆的量测数据按顺序输入到更新前的所述LSTM模块中。
10.如权利要求8所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述LSTM模块包括多个LSTM模型单元；
更新所述LSTM模块的模型参数时，所述窗口移动LSTM模块依次对各所述LSTM模型单元的模型参数进行更新，从而得到更新后的所述LSTM模块。
11.如权利要求1或10所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述LSTM模块工作时，输入的所述半导体制造机台的数据采用PCA模块进行特征提取。
12.如权利要求1所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述半导体制造机台包括薄膜沉积机台。
13.如权利要求12所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述薄膜沉积机台包括CVD机台；
所述CVD机台用于沉积介质膜；
所述介质膜包括氧化硅，氮化硅；
所述晶圆的量测数据包括沉积在所述晶圆上的所述介质膜的厚度量测数据。
14.如权利要求1所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述窗口移动LSTM模块在所述半导体制造机台生产一定时间后工作，使所述LSTM模块在不同时间周期内的预测精度稳定。
15.如权利要求1所述的基于LSTM的半导体制造机台虚拟量测装置，其特征在于：所述半导体制造机台包括多个相同的工艺腔，所述窗口移动LSTM模块在所述半导体制造机台的工艺腔切换时工作，使所述LSTM模块在不同工艺腔上的预测精度稳定。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714746.3A CN115114852A (zh) | 2022-06-22 | 2022-06-22 | 基于lstm的半导体制造机台虚拟量测装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210714746.3A CN115114852A (zh) | 2022-06-22 | 2022-06-22 | 基于lstm的半导体制造机台虚拟量测装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115114852A true CN115114852A (zh) | 2022-09-27 |
Family
ID=83328295
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210714746.3A Pending CN115114852A (zh) | 2022-06-22 | 2022-06-22 | 基于lstm的半导体制造机台虚拟量测装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115114852A (zh) |
-
2022
- 2022-06-22 CN CN202210714746.3A patent/CN115114852A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10409231B2 (en) | Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology | |
| CN100578747C (zh) | 用于模型预测的动态适应性取样率 | |
| KR101380515B1 (ko) | 반도체 제조의 ｆａｂ 프로세스를 개선하기 위한 툴 기능의 신규한 설계 | |
| CN112241608A (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| CN112433472B (zh) | 半导体生产控制方法及控制系统 | |
| CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
| KR20020087047A (ko) | 마이크로전자 디바이스들의 제조시 최적의 공정 목표들을결정하는 방법 | |
| US8504186B2 (en) | Method for automatic generation of throughput models for semiconductor tools | |
| Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
| CN111190393B (zh) | 半导体制程自动化控制方法及装置 | |
| CN112734002A (zh) | 一种基于数据层和模型层联合迁移学习的寿命预测方法 | |
| Tin et al. | Virtual metrology in semiconductor fabrication foundry using deep learning neural networks | |
| CN111177970A (zh) | 基于高斯过程和卷积神经网络的多阶段半导体过程虚拟计量方法 | |
| Tin et al. | A realizable overlay virtual metrology system in semiconductor manufacturing: Proposal, challenges and future perspective | |
| CN118056164A (zh) | 制造系统处的时间约束管理 | |
| TW201824100A (zh) | 大量客製化產品的品質預測方法 | |
| TWI446402B (zh) | 基於資訊可信度之增進的狀態估計 | |
| KR101290199B1 (ko) | 반도체 제조 설비에서 런-투-런 제어를 위한 컨텍스트 오프셋들을 추정하기 위한 방법 및 시스템 | |
| Lenz et al. | Virtual metrology in semiconductor manufacturing by means of predictive machine learning models | |
| Tchatchoua et al. | 1D ResNet for fault detection and classification on sensor data in semiconductor manufacturing | |
| Leng et al. | Multi-layer parallel transformer model for detecting product quality issues and locating anomalies based on multiple time‑series process data in Industry 4.0 | |
| CN115114852A (zh) | 基于lstm的半导体制造机台虚拟量测装置 | |
| Prabhu et al. | A new state estimation method for high-mix semiconductor manufacturing processes | |
| US6098024A (en) | System for process data association using LaPlace Everett interpolation | |
| Hirai et al. | Application of locally weighted partial least squares to design of semiconductor virtual metrology |
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 |