CN115202311A - 一种半导体生产排程方法、系统、设备及存储介质 - Google Patents

一种半导体生产排程方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN115202311A
CN115202311A CN202211049113.1A CN202211049113A CN115202311A CN 115202311 A CN115202311 A CN 115202311A CN 202211049113 A CN202211049113 A CN 202211049113A CN 115202311 A CN115202311 A CN 115202311A
Authority
CN
China
Prior art keywords
machine
processing
wafer
processed
wafers
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
Application number
CN202211049113.1A
Other languages
English (en)
Inventor
蓝景堂
林东洋
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.)
Changxin Memory Technologies Inc
Original Assignee
Changxin Memory Technologies Inc
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 Changxin Memory Technologies Inc filed Critical Changxin Memory Technologies Inc
Priority to CN202211049113.1A priority Critical patent/CN115202311A/zh
Publication of CN115202311A publication Critical patent/CN115202311A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

本公开实施例公开一种半导体生产排程方法、系统、设备及存储介质，所述方法包括：形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；计算初始排程和多个调整排程中所有机台的平均产能及良率；基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。利用本公开的示例性实施例，通过在数据收集端实时量化数据，可以更为便利地利用大量的侦测数据。对获取的大量数据进行分类处理，使得对所有侦测数据进行准确、高效的内容捕捉，提高了数据的综合利用效率，节省了人力。

Description

一种半导体生产排程方法、系统、设备及存储介质
技术领域
本公开实施例涉及大数据技术领域，具体涉及一种半导体生产排程方法、系统、设备及存储介质。
背景技术
目前自动化半导体工厂主要运行方式是通过设置大量的传感器、检测器等获取指定的数据信息，经专业人员手动分析数据，设置监控规则，对机台和产品数据进行分析，依据监控结果再调整后续的产品排程，以保证对产品加工效率的实时调整。
上述自动化半导体加工方式会遭遇到以下问题：所设定的排程规则高度依赖员工经验，难以适应量产型、流程复杂型及多样性产品研发的工厂机台排程需求；生成排程流程复杂，过度依赖规则，导致系统鲁棒性差，系统错误极易发生。
发明内容
本公开实施例提供一种半导体生产排程方法、系统、设备及存储介质，以解决或缓解现有技术中的以上一个或多个技术问题。
根据本公开的一个方面，提供一种半导体生产排程方法，包括：
形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；
计算初始排程和多个调整排程中所有机台的平均产能及良率；
基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
在一种可能的实现方式中，所述的形成初始排程包括：
获取待加工晶圆的数目n；
确定n个待加工晶圆的作业类型；
根据n个待加工晶圆的作业类型确定晶圆加工工序；
根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；
将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。
在一种可能的实现方式中，所述的不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程包括：
基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；
初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。
在一种可能的实现方式中，所述的计算初始排程和多个调整排程中所有机台的平均产能及良率包括：
建立并训练融合特征神经网络，得到训练后的融合特征神经网络；
获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；
将所述当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。
在一种可能的实现方式中，所述的建立并训练融合特征神经网络，得到训练后的融合特征神经网络包括：
根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，所述历史数据包括晶圆缺陷图片和文本数据；
融合所述机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；
基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练所述融合特征神经网络，得到训练后的融合特征神经网络。
在一种可能的实现方式中，根据历史数据获取机台晶圆缺陷率包括：
构建图片特征提取模型；
通过晶圆缺陷图片对所述图片特征提取模型进行训练，形成训练后的图片特征提取模型；
将所述机台晶圆图片输入至训练后的图片特征提取模型；
通过所述训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。
在一种可能的实现方式中，所述文本数据包括加工因素组以及机台加工状态、产能和良率；所述加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量。
在一种可能的实现方式中，还包括：
晶圆加工参数包括：待加工晶圆数量，晶圆加工工序、加工工序对应的机台类型，每一机台类型对应的机台数量，每一机台的加工时间列表；每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
根据本公开的一个方面，提供一种半导体生产排程系统，包括：
初始排程形成单元，用于形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
调整排程形成单元，用于不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；
计算单元，用于计算初始排程和多个调整排程中所有机台的平均产能及良率；
筛选单元，用于基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
在一种可能的实现方式中，所述初始排程形成单元包括：
第一获取模块，用于获取待加工晶圆的数目n；
第一确定模块，用于确定n个待加工晶圆的作业类型；
第二确定模块，用于根据n个待加工晶圆的作业类型确定晶圆加工工序；
第三确定模块，用于根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；排列模块，用于将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。
在一种可能的实现方式中，所述调整排程形成单元包括：
调整模块，用于基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；
记录模块，用于当初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。
在一种可能的实现方式中，所述计算单元包括：
建立模块，用于建立并训练融合特征神经网络，得到训练后的融合特征神经网络；
第二获取模块，用于获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；
输入模块，用于将所述当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。
在一种可能的实现方式中，所述建立模块包括：
获取子模块，用于根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，所述历史数据包括晶圆缺陷图片和文本数据；
融合子模块，用于融合所述机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；
训练子模块，用于基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练所述融合特征神经网络，得到训练后的融合特征神经网络。
在一种可能的实现方式中，所述获取子模块包括：
构建组件，用于构建图片特征提取模型；
训练组件，用于通过晶圆缺陷图片对所述图片特征提取模型进行训练，形成训练后的图片特征提取模型；
输入组件，用于将所述机台晶圆图片输入至训练后的图片特征提取模型；
识别组件，用于通过所述训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。
在一种可能的实现方式中，所述文本数据包括加工因素组以及机台加工状态、产能和良率；所述加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量。
在一种可能的实现方式中，晶圆加工参数包括：
待加工晶圆数量，晶圆加工工序、加工工序对应的机台类型，每一机台类型对应的机台数量，每一机台的加工时间列表；
每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
根据本公开的一个方面，提供一种半导体生产排程设备，包括：
处理器以及存储器；
所述存储器用于存储计算机程序，所述处理器调用所述存储器存储的计算机程序，以执行上述任一项所述的方法。
根据本公开的一个方面，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程序，当所述计算机程序被处理器执行时，使得所述处理器能够执行上述任一项所述的方法。
本公开的示例性实施例具有以下有益效果：利用本公开的示例性实施例，通过在数据收集端实时量化数据，实时分析数据特点，可以更为便利地利用大量的侦测数据。对获取的大量数据进行分类处理，使得对所有侦测数据进行准确、高效的内容捕捉，及时对获得的数据与机台加工状态结合，及时调整待加工产品的等待队列，提高了数据的综合利用效率，最大化机台产能。
本申请的一个或多个实施例的细节在下面的附图和描述中提出。本申请的其它特征和优点将从说明书附图以及权利要求书变得明显。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本示例性实施例的一种半导体生产排程方法的流程图；
图2是本示例性实施例的对晶圆缺陷图片进行特征提取的流程示意图；
图3是本示例性实施例的对文本类型的数据进行特征提取的流程示意图；
图4是本示例性实施例的融合因素组的示意图；
图5是本示例性实施例的训练融合特征神经网络的流程示意图；
图6是本示例性实施例的多目标进行中的交叉进化示意图；
图7是本示例性实施例的多目标进行中的变异示意图；
图8是本示例性实施例的整体流程示意图之一；
图9是本示例性实施例的整体流程示意图之二。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。
此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件单元或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。
此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或子模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或子模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或子模块。
图1是本示例性实施例的一种半导体生产排程方法的流程图，如图1所示，本公开的示例性实施例提供了一种半导体生产排程方法，包括：
S1形成初始排程，初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
本实施例中，形成初始排程包括步骤：S10获取待加工晶圆的数目n；S11确定n个待加工晶圆的作业类型；S12根据n个待加工晶圆的作业类型确定晶圆加工工序；S13根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；S14将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。
依据待加工晶圆数目、晶圆加工参数与加工机台数目，形成完成晶圆加工的初始排程。
其中，初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
晶圆加工参数包括待加工晶圆数量、晶圆加工工序、加工工序对应的机台类型、每一机台类型对应的机台数量以及每一机台的加工时间列表；
每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
机台在加工晶圆过程中，按批次加工，同一批次晶圆的加工对象相同，加工参数基本相同，不同批次所含的晶圆数目可以相同或不同，在上述实施例中，待加工晶圆的数目n为待加工的晶圆批次数目，每批次待加工晶圆包括至少一个晶圆。
S2不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程。
本实施例中，形成调整排程包括：S20基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；S21初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。
本实施例中，基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。即，通过多目标优化算法调整初始排程中晶圆加工机台，不断调整每个晶圆加工工序所对应的排队机台，每次排队机台变化后为一调整机台，不断获得多个调整排程，计算每个调整排程的产能及良率。
示例性地，通过多目标优化NSGA-II算法建立多目标优化模型；NSGA-II算法是一类模拟生物自然选择与自然进化的随机搜索算法，NSGA-II算法是带精英策略的非支配排序遗传算法，降低了计算非支配序的复杂度。通过引入精英策略，扩大了采样空间，提高优化结果的准确度。通过引入拥挤度和拥挤度比较算子，使得准Pareto域中的种群个体能均匀扩展到整个Pareto域，从而保证了种群的多样。
本公开的其中一种实施例采用NSGA-II算法进行优化，并不对优化的模型进行限制，应当知道的是，其他对预测加工矩阵进行多目标优化的模型及方法均应属于本公开的保护范围，下面以NSGA-II算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台为例展开说明：
首先，随机产生规模为N的初始种群，非支配排序后通过遗传算法的选择、交叉、变异三个基本操作得到第一代子代种群；其次，从第二代开始，将父代种群与子代种群合并，进行快速非支配排序，同时对每个非支配层中的个体进行拥挤度计算，根据非支配关系以及个体的拥挤度选取合适的个体组成新的父代种群；最后，通过遗传算法的基本操作产生新的子代种群：依此类推，直到满足程序结束的条件。
多目标优化模型调整初始排程包括：初始化种群并预设进化代数；对初始种群重复进行选择、交叉和变异计算，生成子代种群，直至达到预设的进化代数；将达到预设的进化代数时生成的最终子代种群作为调整排程输出。
示例性的，根据多目标优化模型获得P类晶圆的调整排程举例为：
B1-ReticleY-C2-ReticleL-D2；
B2-ReticleY-C1-ReticleL-D2；
B2-ReticleY-C1-ReticleL-D3；
B2-ReticleY-C2-ReticleL-D3。
获得初始排程及调整排程后，由于机台并不处于闲置状态，且待加工晶圆批次为多个，无法及时进行机台加工，不仅需要计算待加工晶圆在机台上的加工时间，还需要待加工晶圆在对应机台的排队时间，以确定待加工晶圆的总加工时间。其中，待加工晶圆的加工时间以及待加工晶圆的排队时间均通过融合特征神经网络基于机台特性和晶圆需求预测得出。
多目标优化模型调整初始排程前，避免对加工机台随机调整，还需要增加调整时的约束条件：所有机台在停机修整外必须同时进行晶圆加工作业需求，每个作业需求必须按照预定的先后顺序加工。
示例性的，所有机台可同时加工C个作业需求，某批次待加工晶圆加工下一步具有C1的作业需求，另一批次待加工晶圆下一步具有C2的作业需求，C1作业需求具有有A1-A3-A2个工序，C2作业需求具有有A4-A2-A5个工序，工序Ai使用的机台类型为Bi，Bi机台对应不同数量，即多个Bi机台均可完成同一工序，不同机台具有不同数量的等待晶圆，使得各工序对应的机台具有不同排队加工时间列表Ei。如：A1对应的B1类型机台，具有3台，每台的排队时间分别为1h、1.1h及1.5h，形成的B1机台排队加工时间列表E1为[1，1.1，1.5]，其他类型加工机台同样具有对应排队加工时间列表Ei。根据晶圆作业需求以及机台类型，获得待加工晶圆的参数矩阵如下表所示。
Figure BDA0003823017760000101
Figure BDA0003823017760000111
多目标优化排程模型根据待加工晶圆的参数矩阵不断调整所有晶圆作业需求的加工调度，约束条件被满足的同时，使产能，良率等指标得到优化。
在获得加工矩阵后，使用多目标优化NSGA-II算法进行建模；
优化目标：以晶圆为个体，设定产能，良率最大化函数为Max F(x)＝[f1(xj)，f2(xj)，f3(xj)，…，fm(xj)]，其中fi(xj)表示第j片晶圆在第i个加工步骤的机台选择，计算所有待加工晶圆的总时长和总良率，加工时长越短，产能越大。
初始化种群P0：在机台限制条件下，根据晶圆加工特性在每个工序选择的机台为随机，个体xj初始化为f1(xj)，f2(xj)，f3(xj)，…，fm(xj)。晶圆个数N即为种群大小N。
选择：以轮盘赌进行选择，将种群中所有个体的适应度与和比较作为该个体的选择概率。个体适应度越高保存下来的概率越高。如下式所示：
Figure BDA0003823017760000112
其中，θj表示该个体的选择概率，F(xj)表示种群中第j种个体的适应度，F(x1)+F(x2)+F(x3)+…+F(xj)+…+F(xm)表示种群中所有个体的适应度和。
如图6所示，交叉进化：模拟自然界中染色体换位现象，用于生成新的个体。交叉率0.8。
如图7所示，变异：变异是模拟生物的基因变异，同交叉一样，用于生成新的个体。f1,2(xj)表示重新随机生成第j片晶圆在第i个加工步骤的机台选择。变异率0.05。
重复上述选择、交叉进化和变异的步骤生成下一代种群，直到最大化目标函数为Max F(x)。最后一代种群即为产能最大良率最高的最优排程结果。
S3计算初始排程和多个调整排程中所有机台的平均产能及良率；
本实施例中，计算初始排程和多个调整排程中所有机台的平均产能及良率包括：
S30建立并训练融合特征神经网络，得到训练后的融合特征神经网络；
S300根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，历史数据包括晶圆缺陷图片和文本数据；本实施例中，分析机台历史数据，获取不同融合因素组下机台的加工状态、产能及良率。示例性地，通过自动获取和计算众多及时数据采集系统的历史数据，众多及时数据采集系统包括但不限于传感器、摄像头、工作日志，也就是说，可以通过传感器、摄像头、工作日志等其中一种或多种方式实现半导体厂历史数据的获取。
由于在晶圆的生产过程中，时刻都会有大量的数据产生。因此需要对各种数据进行量化，其中，不同类型的数据包括但不限于图形类型的数据、文本类型的数据以及温度、湿度、压力类型的矢量数据。本实施例针对不同类型的数据采用不同的方法进行特征提取。
S301融合机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；
S302基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练融合特征神经网络，得到训练后的融合特征神经网络。
S31获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；
S32将当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。
示例性地，根据每一待加工晶圆需求，确定每一待加工晶圆的融合因素组，带入融合训练模型，获得每一晶圆的机台加工的产能及良率；计算所有待加工晶圆的所有加工工序所对应的机台产能及良率平均值，即为初始排程的产能及良率。
构建图片特征提取模型识别晶圆缺陷图片，获取机台晶圆缺陷率；构建训练模型并以含机台加工状态、产能和良率的文本数据作为训练集，获得机台加工状态、产能和良率的第二映射关系。构建图片特征提取模型识别晶圆缺陷图片获取机台晶圆缺陷率包括：构建用于图形识别的残差网络模型，识别晶圆缺陷图片中的晶圆缺陷；通过历史晶圆缺陷图片对残差网络模型进行训练，获得机台加工晶圆缺陷概率。
示例性地，图2是本示例性实施例的对晶圆缺陷图片进行特征提取的流程示意图；示例性地，如图2所示，对图形类型的数据进行特征提取包括：
根据历史数据中的晶圆缺陷图片获取机台晶圆缺陷率，示例性地，包括步骤：S3001构建图片特征提取模型；S3002通过晶圆缺陷图片对图片特征提取模型进行训练，形成训练后的图片特征提取模型；S3003将机台晶圆图片输入至训练后的图片特征提取模型；S3004通过训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。
在一些实施例中，构建图片特征提取模型；本实施例中的图片特征提取模型采用ResNet(残差神经网络)，通过ResNet实现网络深度加深时减小梯度消失现象，提高网络精度。ResNet的搭建步骤包括：使用VGG公式搭建Plain VGG网络，在Plain VGG的卷积网络之间插入Identity Mapping。另外，ResNet由一些列残差块组成，残差块包括直接映射部分和残差部分。
应当说明的是，本公开的实施例并不对识别图形的网络模型进行限制，其他用于识别图形的神经网络均应属于本公开的保护范围。
通过晶圆缺陷图片对图片特征提取模型进行训练，形成训练后的图片特征提取模型包括：将样本晶圆图片输入至图片特征提取模型；值得说明的是，样本晶圆图片是指用于训练图片特征提取模型的图形类的数据，需要时，在将样本晶圆图片输入至图片特征提取模型之前，先对将样本晶圆图片进行预处理，例如对样本图形进行修剪、标注、二值化、灰度化处理等。
训练完成后，将机台晶圆图片输入至训练后的图片特征提取模型；通过训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。示例性地，将机台晶圆图片输入至训练后的图片特征提取模型，提取机台晶圆图片中的特征，对该特征重复设定次数的降维、残差、卷积、下采样和分类处理。
采用已知缺陷的晶圆图片对ResNet进行训练，ResNet对图片进行拆解分析，获取各类缺陷特征，如芯片残缺，器件倒塌，沟槽连续等特征，确定缺陷识别准确率达到80％，即可作为训练后的图片特征提取模型识别机台近期加工晶圆图片，通过对机台近期加工的所有晶圆图片进行快速识别，确定其中晶圆缺陷图片，获得该机台加工晶圆的缺陷率。
值得说明的是，在完成图片特征提取模型的训练完成后，还可以输入测试图形，进行测试，并进行参数的调整，以提升图片特征提取模型计算的精确度。文本数据包括加工因素组以及机台加工状态、产能和良率；加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量，构建训练模型并以含机台产能和良率的文本数据作为训练集，获得机台产能和良率的第二映射关系，包括：每一机台加工状态、产能和良率对应一加工因素组；以加工因素组、机台加工状态、产能和良率进行训练，获得在对应加工因素组下机台加工状态、产能和良率关的第二映射关系。当前加工因素组输入训练模型，输出当前加工因素组对应的机台产能和良率。
对文本类型的数据进行特征提取包括：
构建用于识别文本类型的数据的神经网络模型；神经网络模型指由大量的神经元互相连接而形成的复杂网络结构，按照一定规则将许多神经元连接在一起，并行的处理外接输入信息。神经网络模型的每一层都有若干神经元并用可变权重的有向弧连接。神经网络主要分为前项神经网络和反馈神经网络：前项神经网络包括：单层感知机、自适应性网络和BP神经网络等；反馈神经网络有：Hopfield网络等，本公开的其中一个实施例中，以BP神经网络模型为例，对文本类型的数据进行提取，以下展开通过BP神经网络模型对文本类型的数据进行提取的描述，值得说明的是，以下描述并不对本公开识别文本类型的数据的网络模型进行限制，应当知道的是，用于识别文本类型的数据的神经网络均应属于本公开的保护范围。
图3是本示例性实施例的对文本类型的数据进行特征提取的流程示意图；示例性地，晶圆生产数据的变动会影响晶圆加工的良率和产能。如，某个加工步骤的时间，配方，加工路线，机台保养时程，机台的数量等均会影响晶圆良率和产能。以多元组<A，X，O>构建训练集，其中A表示单一数据或多个数据的组合如加工路线、加工配方等单一因素，加工时间与加工配方组合因素，X表示产能，O表示良率等。如图3所示，通过样本文本数据对神经网络模型进行训练；其中，样本文本数据是经过预处理的用于对BP神经网络模型进行训练的数据。图3中，βj表示第j种数据或数据组合对产能良率等综合影响。
在对文本类型的数据进行特征提取前，需要先通过样本文本数据对神经网络模型进行训练，包括：
初始化神经网络模型；BP神经网络模型包括输入层、输出层和多层隐层，每一层均包括多个神经元，输入层中的每一个神经元接受输入X，通过带权重w的连接进行传递，将总输入信号与神经元的阈值进行比较，最后通过激活函数处理确定是否激活，并将激活后的计算结果y输出，本实施例中的对神经网络模型进行训练中的训练是指对权重w进行训练，将各层连接，输入层和输出层拼接形成M-P神经元，构成感知机，输入层与输出层之间的所有层神经元为隐藏层；神经元会对化学物质的刺激进行，当达到一定程度的时候，神经元才会兴奋，并向其他神经元发送信息。神经网络中的激活函数就是用来判断我们所计算的信息是否达到了往后面传输的条件，激活函数包括0-1激活函数、sigmoid函数、tanh函数、ReLU函数、Leaky Relu函数和ELU函数。初始化神经网络模型包括：设置输入分量的维度、各个输入分量连接到感知机的权重、阈值、激活函数。
将样本文本数据由神经网络模型的输入层输入，逐级前传至隐层、输出层进行计算，并由输出层输出计算结果；
根据计算结果与期望输出值计算输出误差，并将输出误差反向传播；通过对连接权值不断调整，使输出结果逐步逼近期望值，反向传播目的是通过链式法则对参数进行一层一层的求导，需要注意的是要对参数进行随机初始化而不是全部置为0。
调整输入层、隐层和输出层的参数，直至输出误差降低至设定值；
样本文本类型的数据从BP神经网络的输入层进入网络，经隐层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播过程；如果输出层的实际输出与期望输出相同或网络不再收敛，结束学习算法。在误差反向传播的过程中，计算结果与期望输出值之间的输出误差将按原路反传计算，即通过隐层反向传播至输入层。在该过程中，误差将会被分配给各层神经元，获得各层神经元的误差信号，并将其作为修正各子模块权值的根据。整个过程基于梯度下降法实现，不停地调整各层神经元的权值和阈值，使误差信号降低最低。
训练完成后，将文本类型的数据输入至训练后的神经网络模型，提取文本特征。例如，将当前加工因素组输入训练模型，输出当前加工因素组对应的机台产能和良率。
以上，本实施例中，通过BP神经网络模型识别文本类型的数据，BP神经网络模型的学习表达能力更强，可以有效学习更复杂的任务，其将复杂任务分解多个简单任务，提高求解效率和成功率，其采用灵活的组合方式表达数据特征，特征的泛化性更强。其特征由多层抽象而来，便于任务迁移。由于晶圆加工步骤繁多，某个加工步骤的时间，配方，加工路线，机台保养时程，机台的数量等数据均是排程所需考虑的因素，因此根据庞大且繁杂的数据智能生成最优排程需要参数空间、学习空间大的神经网络模型，而BP神经网络模型的参数空间大，学习空间大，因而可有效利用半导体生产所产生的大数据。
另外，本公开的其中一个实施例，对不同类型的数据采用不同的计算模型进行特征提取，一方面使得计算结果更加准确，一方面节省了计算时间。
在根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率之后，融合机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组。
融合机台加工因素和机台环境因素，得到多个融合因素组，包括：每一机台产能和良率还对应的环境因素组；通过连接算法将环境因素组/加工因素组以及晶圆缺陷率作为影响每一机台产能和良率的融合因素组；建立融合特征神经网络训练，以融合因素组，每一融合因素组对应的晶圆缺陷、加工产能和良率为训练对象，确定融合因素组与历史加工状态、机台加工效率及机台加工良率之间的第一映射关系，获得已知融合因素组时，机台的晶圆缺陷率、加工产能和良率。
图4是本示例性实施例的融合因素组的示意图；示例性地，如图4所示，采用contact函数对向量化处理后的图形特征、文本特征和矢量数据进行拼接，生成融合特征向量，矢量数据包括通过机台产能和良率量化的机台加工因素与环境因素。contact函数的计算式为：
Figure BDA0003823017760000181
其中，αn表示第n种晶圆缺陷概率，βm表示第m种数据或数据组合对产能良率等综合影响，γk表示第k种经过归一化的矢量数据。
在对生产中形成的各种数据进行量化之后，再加上温度、湿度、压力等矢量数据，使用Contact方法形成向量。则向量即可作为当前生产状态的各种影响因素的统一量化特征：
图4中，αn表示第n种晶圆缺陷概率，βm表示第m种数据或数据组合对产能良率等综合影响，γk表示第k种经过归一化的矢量数据。由各类数据经过特征量化之后，令n+m+k＝d，则经过如上方式生成的融合特征向量X∈Rd。再进行融合特征神经网络的训练，目标是预测在各种影响因素下特定机台的加工状态、加工效率以及良率等。
基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练融合特征神经网络，得到训练后的融合特征神经网络。
图5是本示例性实施例的训练融合特征神经网络的流程示意图；如图5所示，以某个生产步骤的若干台机台来说，使用二元组<X，y>作为训练集，其中y表示这些机台在当前给定的融合因素组X下的加工状态、加工效率以及良率的综合数值，通过历史机台表现，预测在影响因素X下特定机台的加工状态、加工效率以及良率等。
S4基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
依据待加工晶圆需求，确定每一机台的融合因素组，获得每一机台的产能及良率，计算初始排程及多个调整排程中所有机台的平均产能及良率，筛选产能值最大良率值最大的排程。
获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；将当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的产能及良率。
基于约束条件和所有机台的产能及良率，从初始排程和调整排程中筛选出最优排程。示例性地，约束条件为产能值和良率值最大条件，即依据待加工晶圆需求，确定每一机台的融合因素组，获得每一机台的产能及良率，计算初始排程及多个调整排程中所有机台的平均产能及良率，筛选产能值最大和良率值最大的排程作为最优排程。
通过程序编排形成编排排程；本实施例中，设置编排排程介入接口，在一些特殊情况下，经专业人员分析众多及时数据采集系统的数据，在编排排程介入接口进行程序编排形成编排排程。可以这么理解，最优排程是一种自动获取数据并自动根据数据计算的排程，编排排程相对于最优排程，则为自动化程度较低的，经过分析机台和产品数据，人为设定和调整的排程；编排排程按照设定的切换条件可以随时介入最优排程，以应对特殊情况。最优排程随时调整应对编程排程的介入的影响。在最优排程下编程排程可以随时介入，以应对特殊情况。最优排程随时调整应对编程排程的介入的影响。
根据切换条件，基于最优排程和编排排程形成最终的决策。切换条件是完成最优排程和编排排程协调动作的规则，也就是说，根据切换条件，可以在最优排程和编排排程之间做出选择，示例性地，切换条件为最优排程与编排排程的优先级；值得说明的是，本实施例中的最优排程和编排排程包括一个或多个，示例性的，最优排程为一个，编排排程为三；例如，可以设置三个编排排程的优先级均高于最优排程，也就是说，当在最优排程中介入编排排程时，先按照三个编排排程加工，然后再按照最优排程加工，或者，仅选择其中一个编排排程，放弃其他编排排程和最优排程。
以上，本实施例基于最优排程和编排排程，实现了一种可切换的智能决策方法，一方面达到最优的机台、产品排程，同时又可适应特定情况下需要的人工编程干预。
本公开的示例性实施例提供了一种半导体生产排程系统，执行如图8、图9所示的流程，包括：初始排程形成单元，用于形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；调整排程形成单元，用于不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；计算单元，用于计算初始排程和多个调整排程中所有机台的平均产能及良率；筛选单元，用于基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
其中，初始排程形成单元包括：第一获取模块，用于获取待加工晶圆的数目n；第一确定模块，用于确定n个待加工晶圆的作业类型；第二确定模块，用于根据n个待加工晶圆的作业类型确定晶圆加工工序；第三确定模块，用于根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；排列模块，用于将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。调整排程形成单元包括：调整模块，用于通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；记录模块，用于当初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。所述计算单元包括：建立模块，用于建立并训练融合特征神经网络，得到训练后的融合特征神经网络；第二获取模块，用于获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；输入模块，用于将所述当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。建立模块包括：获取子模块，用于根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，所述历史数据包括晶圆缺陷图片和文本数据；融合子模块，用于融合所述机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；训练子模块，用于基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练所述融合特征神经网络，得到训练后的融合特征神经网络。获取子模块包括：构建组件，用于构建图片特征提取模型；训练组件，用于通过晶圆缺陷图片对所述图片特征提取模型进行训练，形成训练后的图片特征提取模型；输入组件，用于将所述机台晶圆图片输入至训练后的图片特征提取模型；识别组件，用于通过所述训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。文本数据包括加工因素组以及机台加工状态、产能和良率；所述加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量。晶圆加工参数包括：待加工晶圆数量，晶圆加工工序、加工工序对应的机台类型，每一机台类型对应的机台数量，每一机台的加工时间列表；每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
本公开的示例性实施例提供了一种半导体生产排程设备，包括：处理器以及存储器；所述存储器用于存储计算机程序，所述处理器调用所述存储器存储的计算机程序，以执行上述半导体生产排程方法。
本公开的示例性实施例提供了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程序，当所述计算机程序被处理器执行时，使得所述处理器能够执行上述半导体生产排程方法。
综上，本公开的示例性实施例，在数据收集端建立神经网络，实现实时数据的采集，过滤，以及特征量化。在对数据收集端不同类型数据的量化特征进行融合后，构建一个特征融合神经网络，通过对整合结果进行评分，用以预测机台生产状态，加工效率等信息。构建一个可切换的全智能化/程序决策系统，使得既能智能化地决策机台和产品生产流程，也能够适应特殊情况下需要进行的程序干预。
由此，利用本公开的示例性实施例，大大缩短了排程时间，提高了排程效率。
利用本公开的示例性实施例，在进行半导体智能工厂建造时：通过在数据收集端实时量化数据，可以更为便利地利用大量的侦测数据。利用特征融合神经网络和边缘神经网络结合的方法，使得对所有侦测数据进行准确的内容捕捉。提高了数据的综合利用效率，节省了人力。智能化的机台/产品决策系统，帮助工厂提升效率。可切换的编程排程干预系统，适应于特殊情景下的自定义分配方案。
以上仅是本公开的优选实施方式，本公开的保护范围并不仅局限于上述实施例，凡属于本公开思路下的技术方案均属于本公开的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本公开原理前提下的若干改进和润饰，应视为本公开的保护范围。

Claims (18)

1.一种半导体生产排程方法，其特征在于，包括：
形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；
计算初始排程和多个调整排程中所有机台的平均产能及良率；
基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
2.根据权利要求1所述的半导体生产排程方法，其特征在于，所述形成初始排程包括：
获取待加工晶圆的数目n；
确定n个待加工晶圆的作业类型；
根据n个待加工晶圆的作业类型确定晶圆加工工序；
根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；
将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。
3.根据权利要求1或2所述的半导体生产排程方法，其特征在于，所述不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程包括：
基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；
初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。
4.根据权利要求1所述的半导体生产排程方法，其特征在于，所述计算初始排程和多个调整排程中所有机台的平均产能及良率包括：
建立并训练融合特征神经网络，得到训练后的融合特征神经网络；
获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；
将所述当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。
5.根据权利要求4所述的半导体生产排程方法，其特征在于，所述建立并训练融合特征神经网络，得到训练后的融合特征神经网络包括：
根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，所述历史数据包括晶圆缺陷图片和文本数据；
融合所述机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；
基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练所述融合特征神经网络，得到训练后的融合特征神经网络。
6.根据权利要求5所述的半导体生产排程方法，其特征在于，根据历史数据获取机台晶圆缺陷率包括：
构建图片特征提取模型；
通过晶圆缺陷图片对所述图片特征提取模型进行训练，形成训练后的图片特征提取模型；
将机台晶圆图片输入至训练后的图片特征提取模型；
通过所述训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。
7.根据权利要求5所述的半导体生产排程方法，其特征在于，所述文本数据包括加工因素组以及机台加工状态、产能和良率；所述加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量。
8.根据权利要求3所述的半导体生产排程方法，其特征在于，
晶圆加工参数包括：待加工晶圆数量、晶圆加工工序、加工工序对应的机台类型、每一机台类型对应的机台数量以及每一机台的加工时间列表；
其中，每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
9.一种半导体生产排程系统，其特征在于，包括：
初始排程形成单元，用于形成初始排程，所述初始排程中n个待加工晶圆的任意加工工序均对应有目标机台；
调整排程形成单元，用于不断调整初始排程中n个待加工晶圆的任意加工工序对应的目标机台，形成多个调整排程；
计算单元，用于计算初始排程和多个调整排程中所有机台的平均产能及良率；
筛选单元，用于基于约束条件和所有机台的平均产能及良率，从初始排程和调整排程中筛选出产能及良率最大的最优排程。
10.根据权利要求9所述的半导体生产排程系统，其特征在于，所述初始排程形成单元包括：
第一获取模块，用于获取待加工晶圆的数目n；
第一确定模块，用于确定n个待加工晶圆的作业类型；
第二确定模块，用于根据n个待加工晶圆的作业类型确定晶圆加工工序；
第三确定模块，用于根据每道晶圆加工工序确定晶圆加工机台的类型，以及每一类型晶圆加工机台的数目m，m台晶圆加工机台即为目标机台；排列模块，用于将n个待加工晶圆随机排列在任意一目标机台的队列中，至n个待加工晶圆的任意加工工序均对应有目标机台，形成初始排程。
11.根据权利要求9或10所述的半导体生产排程系统，其特征在于，所述调整排程形成单元包括：
调整模块，用于基于晶圆加工参数，通过多目标优化算法调整初始排程中n个待加工晶圆的任意加工工序对应的排队机台；
记录模块，用于当初始排程中n个待加工晶圆的任意加工工序对应的排队机台变化后记为一个调整排程，以此获得多个调整排程。
12.根据权利要求9所述的半导体生产排程系统，其特征在于，所述计算单元包括：
建立模块，用于建立并训练融合特征神经网络，得到训练后的融合特征神经网络；
第二获取模块，用于获取初始排程和多个调整排程中的当前机台加工因素和当前机台环境因素；
输入模块，用于将所述当前机台加工因素和当前机台环境因素输入至训练后的融合特征神经网络，获取初始排程和多个调整排程中所有机台的平均产能及良率。
13.根据权利要求12所述的半导体生产排程系统，其特征在于，所述建立模块包括：
获取子模块，用于根据历史数据获取机台晶圆缺陷率、机台加工因素、机台环境因素以及机台历史加工状态、产能和良率，所述历史数据包括晶圆缺陷图片和文本数据；
融合子模块，用于融合所述机台晶圆缺陷率、机台加工因素和机台环境因素形成融合因素组；
训练子模块，用于基于融合因素组与机台历史加工状态、产能和良率之间的映射关系训练所述融合特征神经网络，得到训练后的融合特征神经网络。
14.根据权利要求13所述的半导体生产排程系统，其特征在于，所述获取子模块包括：
构建组件，用于构建图片特征提取模型；
训练组件，用于通过晶圆缺陷图片对所述图片特征提取模型进行训练，形成训练后的图片特征提取模型；
输入组件，用于将机台晶圆图片输入至训练后的图片特征提取模型；
识别组件，用于通过所述训练后的图片特征提取模型识别机台晶圆图片，获取机台晶圆缺陷率。
15.根据权利要求13所述的半导体生产排程系统，其特征在于，所述文本数据包括加工因素组以及机台加工状态、产能和良率；所述加工因素组包括加工时间、加工参数、加工路线、机台保养时程和机台数量。
16.根据权利要求11所述的半导体生产排程系统，其特征在于，晶圆加工参数包括：
待加工晶圆数量，晶圆加工工序、加工工序对应的机台类型，每一机台类型对应的机台数量，每一机台的加工时间列表；
每一机台加工时间列表为待加工晶圆的排队时间，根据机台当前工作时的融合因素组，确定机台当前加工产能，根据当前加工产能确定待加工晶圆的排队时间。
17.一种半导体生产排程设备，其特征在于，包括：
处理器以及存储器；
所述存储器用于存储计算机程序，所述处理器调用所述存储器存储的计算机程序，以执行权利要求1至8任一项所述的方法。
18.一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程序，当所述计算机程序被处理器执行时，使得所述处理器能够执行权利要求1至8任一项所述的方法。
CN202211049113.1A 2022-08-30 2022-08-30 一种半导体生产排程方法、系统、设备及存储介质 Pending CN115202311A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211049113.1A CN115202311A (zh) 2022-08-30 2022-08-30 一种半导体生产排程方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211049113.1A CN115202311A (zh) 2022-08-30 2022-08-30 一种半导体生产排程方法、系统、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115202311A true CN115202311A (zh) 2022-10-18

Family

ID=83572158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211049113.1A Pending CN115202311A (zh) 2022-08-30 2022-08-30 一种半导体生产排程方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115202311A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994457A (zh) * 2023-03-22 2023-04-21 中国电子工程设计院有限公司 一种半导体工艺产线设备配置方法及装置
CN116562514A (zh) * 2023-07-12 2023-08-08 苏州简诺科技有限公司 基于神经网络的企业生产状况即时分析方法及系统
CN116629578A (zh) * 2023-07-11 2023-08-22 工业富联(佛山)创新中心有限公司 一种制造工厂排程计算的方法及系统
CN117917652A (zh) * 2024-03-20 2024-04-23 深圳市昇维旭技术有限公司 晶圆跨厂流片方法及装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115994457A (zh) * 2023-03-22 2023-04-21 中国电子工程设计院有限公司 一种半导体工艺产线设备配置方法及装置
CN115994457B (zh) * 2023-03-22 2023-06-09 中国电子工程设计院有限公司 一种半导体工艺产线设备配置方法及装置
CN116629578A (zh) * 2023-07-11 2023-08-22 工业富联(佛山)创新中心有限公司 一种制造工厂排程计算的方法及系统
CN116629578B (zh) * 2023-07-11 2024-03-22 工业富联(佛山)创新中心有限公司 一种制造工厂排程计算的方法及系统
CN116562514A (zh) * 2023-07-12 2023-08-08 苏州简诺科技有限公司 基于神经网络的企业生产状况即时分析方法及系统
CN116562514B (zh) * 2023-07-12 2023-09-15 苏州简诺科技有限公司 基于神经网络的企业生产状况即时分析方法及系统
CN117917652A (zh) * 2024-03-20 2024-04-23 深圳市昇维旭技术有限公司 晶圆跨厂流片方法及装置
CN117917652B (zh) * 2024-03-20 2024-05-28 深圳市昇维旭技术有限公司 晶圆跨厂流片方法及装置

Similar Documents

Publication Publication Date Title
CN115202311A (zh) 一种半导体生产排程方法、系统、设备及存储介质
US10607331B1 (en) Image segmentation into overlapping tiles
US11650968B2 (en) Systems and methods for predictive early stopping in neural network training
US20210224611A1 (en) Boosting ai identification learning
CN113239897A (zh) 基于时空特征组合回归的人体动作评价方法
CN118469352B (zh) 深度学习驱动的电网线损动态预测与优化控制方法
CN115936241A (zh) 一种电力施工作业节奏预测方法及系统
CN116340726A (zh) 一种能源经济大数据清洗方法、系统、设备及存储介质
Gao et al. Neuron synergy based explainable neural network for manufacturing cycle time forecasting
He et al. GA-based optimization of generative adversarial networks on stock price prediction
Fawwaz et al. The Optimization of CNN Algorithm Using Transfer Learning for Marine Fauna Classification
Janikova et al. Prediction of production line performance using neural networks
Lee et al. A sequential search framework for selecting weights of dispatching rules in manufacturing systems
CN111885146A (zh) 一种新能源汽车驱动电机装配生产线的工业数据云端服务平台数据传输方法
Tuunainen et al. A comparative study on the application of Convolutional Neural Networks for wooden panel defect detection
Chang et al. Evolving CBR and data segmentation by SOM for flow time prediction in semiconductor manufacturing factory
CN118643955B (zh) 基于大数据分析的建筑能耗优化管理系统及方法
CN117291845B (zh) 一种点云地面滤波方法、系统、电子设备及存储介质
CN113965467B (zh) 一种基于神经网络的电力通信系统可靠性评估方法及系统
CN117273359A (zh) 一种水务行业工单智能分配方法及系统
Colla et al. Genetic algorithms applied to discrete distribution fitting
Skakalina Hybridization of the genetic algorithm with the apparatus of fuzzy sets
Muasya et al. APPLICATION OF ARTIFICIAL NEURAL NETWORK TO EVALUATE EXTEND OF NON LINEARITY AMONG EXPLANATORY VARIABLES WITHIN AND BETWEEN GENOTYPES AND PHENOTYPES
AL_GHZAWI et al. Using Fuzzy Cognitive Maps to predict the economic sustainability of Jordan Social Security
Raska et al. USING ADAPTIVE NEURAL NETWORKS FOR OPTIMISING DISCRETE EVENT SIMULATION.

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