CN115438586A - 虚拟量测方法、虚拟量测系统以及计算机存储介质 - Google Patents
虚拟量测方法、虚拟量测系统以及计算机存储介质 Download PDFInfo
- Publication number
- CN115438586A CN115438586A CN202211167963.1A CN202211167963A CN115438586A CN 115438586 A CN115438586 A CN 115438586A CN 202211167963 A CN202211167963 A CN 202211167963A CN 115438586 A CN115438586 A CN 115438586A
- Authority
- CN
- China
- Prior art keywords
- samples
- sample
- process parameters
- approximate
- input
- 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
- 238000000034 method Methods 0.000 claims abstract description 235
- 230000008569 process Effects 0.000 claims abstract description 205
- 238000005259 measurement Methods 0.000 claims description 41
- 230000009467 reduction Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 6
- 238000004519 manufacturing process Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/18—Manufacturability analysis or optimisation for manufacturability
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种虚拟量测方法、虚拟量测系统以及计算机存储介质，所述虚拟量测方法包括：提供历史数据集及输入样本的工艺过程参数的特征值；根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。本发明的技术方案使得能够应对工艺过程的突然变化，以及使得预测值更加准确且能判断预测值的可信度。
Description
技术领域
本发明涉及半导体集成电路制造领域，特别涉及一种虚拟量测方法、虚拟量测系统以及计算机存储介质。
背景技术
在半导体生产过程中，检测晶圆上的薄膜厚度并实现早期异常预警，对于实现工艺过程平稳控制并最终提升产品良率是极为重要的。然而，现有的检测手段没有办法在生产线上实时完成，只能采用抽检的方式进行检测，这样不仅会增加晶圆的生产周期，还会因为无法及时发现不良品而容易造成影响区间变大，增加生产成本。
虚拟量测技术是指输入工艺过程参数(X)和产品检测值(Y)，基于机器学习算法建立X与Y的模型，利用生产过程中的X自动实时预测Y，从而实现对产品的实时全检，并结合现有抽检系统，降低抽检率，进而降低生产周期且降低生产成本。
但是，现有采用虚拟量测技术检测薄膜厚度存在如下问题：(1)现有的虚拟量测技术是采用全局非线性预测模型，在实际生产应用中难以应对过程的突然变化；(2)现有虚拟量测技术中使用的机器学习方法可以得到目标检测值的预测值，但无法判断预测值的可信度；(3)在实际生产中，小样本高维度特征进行建模时，模型精度较低。
因此，需要对虚拟量测技术进行改进，以解决上述问题。
发明内容
本发明的目的在于提供一种虚拟量测方法、虚拟量测系统以及计算机存储介质，使得能够应对工艺过程的突然变化，以及使得预测值更加准确且能判断预测值的可信度。
为实现上述目的，本发明提供了一种虚拟量测方法，包括：
提供历史数据集及输入样本的工艺过程参数的特征值；
根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；
根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；
根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
可选地，构建所述近似样本集的步骤包括：
对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理；
从所述历史数据集中选择与所述输入样本的时间最相近的K1个第一样本；
从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；
根据所述第一样本和所述第二样本构建所述近似样本集。
可选地，在构建所述工艺过程参数的近似样本集之后且在根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，所述虚拟量测方法还包括：
对所述近似样本集中样本的工艺过程参数的特征进行降维。
可选地，在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，所述虚拟量测方法还包括：
对所述近似样本集进行标准化预处理。
可选地，所述虚拟量测方法还包括：
采用所述预测模型预测所述输入样本的尺寸预测值的置信区间。
可选地，根据所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。
可选地，所述虚拟量测方法还包括：
抽测获得抽样样本的工艺过程参数的特征值及对应的尺寸量测值，并存储于所述历史数据集中，以不断更新所述历史数据集。
可选地，所述虚拟量测方法还包括：
抽测获得所述输入样本的尺寸量测值，并判断所述尺寸量测值与所述尺寸预测值的差值是否超出设定规格，以监控抽测的准确性以及所述预测模型的准确性。
本发明还提供一种虚拟量测系统，包括：
输入单元，用于提供历史数据集及输入样本的工艺过程参数的特征值；
近似样本集构建单元，用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；
预测模型建立单元，用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；
预测单元，用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
可选地，所述近似样本集构建单元包括：
归一化处理模块，用于对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理；
第一样本选择模块，用于从所述历史数据集中选择与所述输入样本的时间最相近的K1个第一样本；
第二样本选择模块，用于从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；
构建模块，用于根据所述第一样本和所述第二样本构建所述近似样本集。
可选地，所述虚拟量测系统还包括：
降维单元，用于在构建所述工艺过程参数的近似样本集之后且在根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，对所述近似样本集中样本的工艺过程参数的特征进行降维。
可选地，所述虚拟量测系统还包括标准化预处理单元，用于在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，对所述近似样本集进行标准化预处理。
可选地，所述预测单元还用于采用所述预测模型预测所述输入样本的尺寸预测值的置信区间。
可选地，所述预测模型建立单元用于根据所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。
可选地，所述虚拟量测系统还包括历史数据集更新单元，用于抽测获得抽样样本的工艺过程参数的特征值及对应的尺寸量测值，并存储于所述历史数据集中，以不断更新所述历史数据集。
可选地，所述虚拟量测系统还包括：
误差监控单元，用于抽测获得所述输入样本的尺寸量测值，并判断所述尺寸量测值与所述尺寸预测值的差值是否超出设定规格，以监控抽测的准确性以及所述预测模型的准确性。
本发明还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被一处理器执行时能实现所述的虚拟量测方法。
与现有技术相比，本发明的技术方案具有以下有益效果：
1、本发明的虚拟量测方法，包括：提供历史数据集及输入样本的工艺过程参数的特征值；根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。本发明提供的虚拟量测方法能够应对工艺过程的突然变化，使得预测值更加准确且能判断预测值的可信度。
2、本发明的虚拟量测系统，包括：输入单元，用于提供历史数据集及输入样本的工艺过程参数的特征值；近似样本集构建单元，用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；预测模型建立单元，用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；预测单元，用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。本发明的虚拟量测系统能够应对工艺过程的突然变化，使得预测值更加准确且能判断预测值的可信度。
3、本发明的计算机存储介质，其上存储有计算机程序，能够使得虚拟量测系统的处理器执行，而实现所述虚拟量测方法。
附图说明
图1是本发明一实施例的虚拟量测方法的流程图；
图2是本发明一实施例的虚拟量测系统的系统框图。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下对本发明提出的虚拟量测方法、虚拟量测系统以及计算机存储介质作进一步详细说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。
本发明一实施例提供了一种虚拟量测方法，参阅图1，从图1中可看出，所述虚拟量测方法包括：
步骤S1，提供历史数据集及输入样本的工艺过程参数的特征值；
步骤S2，根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；
步骤S3，根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；
步骤S4，根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
下面对本实施例提供的虚拟量测方法进行详细说明。需要说明的是，下面提到的输入样本、抽样样本等样本均指晶圆样本。
按照步骤S1，提供历史数据集及输入样本的工艺过程参数的特征值。
所述历史数据集可以包括在实际生产过程中抽检获得的抽样样本的工艺过程参数的特征值及对应的尺寸量测值。
所述输入样本为实时输入的样本，使得所述输入样本的工艺过程参数的特征值也是实时变化的。
所述历史数据集中的样本和所述输入样本的工艺过程参数可以包括沉积时间、功率、温度、容抗、压力等参数。
所述尺寸可以包括沉积的膜厚、刻蚀去除的膜厚或化学机械研磨去除的膜厚等。
按照步骤S2，根据所述历史数据集及所述输入样本的工艺过程参数的特征值，实时构建工艺过程参数的近似样本集。
实时构建所述近似样本集的步骤可以包括：
首先，对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理，以使得所述历史数据集中的样本与所述输入样本的工艺过程参数的数值范围统一，进而便于后续从所述历史数据集中选择近似样本；其中，可以使得所述历史数据集中的样本与所述输入样本的工艺过程参数的数值范围统一为最小值均为0，且最大值均小于或等于1；
然后，从所述历史数据集中选择与所述输入样本的生产时间最相近的K1个第一样本；
然后，从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；其中，所述第二样本可以从所述历史数据集中除了所述第一样本以外的剩余的样本中选择；以所述输入样本为第10个样本，且K1为4、K2为3为例，则所述第一样本包含第6个至第9个样本，所述第二样本包含从第1个至第5个样本中与所述输入样本的工艺过程参数的特征最相似的3个样本；
然后，根据所述第一样本和所述第二样本构建所述近似样本集，其中，K1个所述第一样本和K2个所述第二样本共同构成了所述近似样本集。其中，所述近似样本集具有小样本的特点，即所述近似样本集中的样本数量很少，优选的，所述近似样本集中的样本数量为3个～20个(含3个和20个)。
其中，由于与所述输入样本的生产时间越相近，以及与所述输入样本的工艺过程参数的特征越相似，则构建的所述近似样本集越能够代表生产机台当前的生产状况，从而使得后续基于所述近似样本集建立的预测模型更加准确。
并且，优选的，在选择与所述输入样本的工艺过程参数的特征最相似的K2个所述第二样本时，可以采用球树的算法，以欧式距离衡量所述历史数据集中的样本的工艺过程参数的特征与所述输入样本的工艺过程参数的特征之间的相似度。其中，与所述输入样本的工艺过程参数的特征最相似的样本即为在球树算法中，与所述输入样本的欧式距离最短的样本。
并且，优选的，在所述步骤S2中构建所述工艺过程参数的近似样本集之后且在后续步骤S3中根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，所述虚拟量测方法还包括：对所述近似样本集中样本的工艺过程参数的特征进行降维，即减少所述近似样本集中样本的工艺过程参数的特征数量。
优选的，采用Lasso模型对所述近似样本集中样本的工艺过程参数的特征进行降维。其中，可以将所述近似样本集中样本的工艺过程参数的特征值以及对应的尺寸量测值输入至所述Lasso模型中，所述Lasso模型会将每个工艺过程参数的特征赋予权重，并删除权重很小(例如等于0或接近0)的特征，保留权重大的特征，从而使得所述近似样本集中样本的工艺过程参数的特征数量得到减少，实现降维。
以K1为4、K2为3，且每个所述第一样本和所述第二样本的工艺过程参数的特征数量均为50个为例，则所述近似样本集中样本的工艺过程参数的特征数量总共有(4+3)*50＝350个，将350个工艺过程参数的特征值以及对应的7个尺寸量测值输入至所述Lasso模型中，进行拟合降维之后，假设每个样本删除了40个特征，仅保留了10个特征，则所述近似样本集中样本的工艺过程参数的特征数量减少至(4+3)*10＝70个。
另外，在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，所述虚拟量测方法还包括：对所述近似样本集进行标准化预处理。其中，可以对所述近似样本集中样本的工艺过程参数的特征值及对应的尺寸量测值进行标准化预处理，以减小数据差异导致的干扰。
按照步骤S3，根据所述近似样本集中样本的工艺过程参数的特征建立预测模型。
优选的，根据降维之后的所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。其中，可以将降维之后的所述近似样本集中样本的工艺过程参数的特征及对应的尺寸量测值输入至所述高斯过程回归模型中，以建立所述预测模型。
由于所述高斯过程回归模型对接收到的每个样本均会进行计算，若接收到的样本量很大，会导致计算时间很久，从而影响实时的预测效果。因此，通过在所述步骤S2中，从所述历史数据集中的大量样本中筛选出与所述输入样本的工艺过程参数的特征值近似的样本构建了所述近似样本集，使得输入至所述高斯过程回归模型中的样本量得到减少；并且，通过对所述近似样本集中样本的工艺过程参数的特征进行了降维处理，使得输入至所述高斯过程回归模型中的工艺过程参数的特征的维度得到降低，进而使得输入至所述高斯过程回归模型中的数据具有小样本且低维度的特点，从而使得建立的所述预测模型为精度更高的局部模型，使得建立的所述预测模型精度更高以及所述预测模型输出的预测值更加准确。
按照步骤S4，根据所述输入样本的工艺过程参数的特征值，采用所述预测模型回归预测所述输入样本的尺寸预测值。
并且，优选的，还可以采用所述预测模型预测所述输入样本的尺寸预测值的置信区间，使得能够对预测的所述尺寸预测值的可信度进行判断。
其中，由于传统模型是全局建模，即是基于全体样本去建立预测模型，而全体样本是固定不变的，使得采用传统模型建立的预测模型也是固定不变的，进而使得输出的置信区间的长度也是基于全体样本的，即针对不同的输入样本，输出的置信区间的长度是固定不变的，导致预测模型预测的尺寸预测值的可信度是不准确的，无法准确判断每个所述输入样本的尺寸预测值的可信度。
而所述高斯过程回归模型是局部建模，即是基于小样本去建立预测模型，且小样本的所述近似样本集会随着所述输入样本的变化而变化，使得采用高斯过程回归模型建立的所述预测模型也能随着所述近似样本集的变化而得到更新，进而使得针对不同的输入样本，所述预测模型会输出不同的置信区间长度，每个输入样本均会有对应的置信区间长度，从而能够对每个输入样本对应的尺寸预测值的可信度进行准确判断，使得每个输入样本对应的尺寸预测值的可信度更加准确。在一些实施例中，也可以采用贝叶斯模型去建立所述预测模型。
因此，优选的，通过采用所述高斯过程回归模型建立所述预测模型，使得建立的所述预测模型预测的所述输入样本的尺寸预测值的置信区间更加准确。
其中，可以通过所述预测模型输出标准差来表示所述置信区间的长度，标准差越小，所述置信区间的长度越小，则说明所述预测模型预测的所述输入样本的尺寸预测值的可信度越强；标准差越大，所述置信区间的长度越大，则说明所述预测模型预测的所述输入样本的尺寸预测值的可信度越低。当标准差为0时，置信区间的长度为0，说明所述预测模型预测的所述输入样本的尺寸预测值的可信度为100％。
另外，若所述近似样本集中的样本的工艺过程参数的特征与所述输入样本的工艺过程参数的特征之间的差异越大，则所述预测模型的精度越低，导致所述预测模型预测的所述输入样本的尺寸预测值的置信区间的长度越大，使得预测的所述尺寸预测值的可信度越低。因此，通过所述尺寸预测值的置信区间的长度大小能够反映出所述近似样本集中的样本与所述输入样本的差异情况。
另外，所述虚拟量测方法还可包括：在生产过程中，对生产中实时输入的多个所述输入样本进行抽测，以获得抽样样本的工艺过程参数的特征值所对应的尺寸量测值，并将抽样样本的工艺过程参数的特征值及对应的尺寸量测值存储于所述历史数据集中，以不断更新所述历史数据集。
所述虚拟量测方法还包括：在生产过程中，对生产中实时输入的多个所述输入样本进行抽测，以获得所抽测的所述输入样本的尺寸量测值，并判断抽测的所述尺寸量测值与预测的所述尺寸预测值的差值是否超出设定规格，若二者的差值超出设定规格，则可进一步分析判断所述尺寸量测值和所述尺寸预测值的准确性，以监控抽测的准确性以及所述预测模型的准确性。
从上述内容可知，由于所述近似样本集是通过从所述历史数据集中的大量样本中筛选出与所述输入样本的工艺过程参数的特征值近似的样本构建而成，那么，当更换所述输入样本时，所述近似样本集也会发生变化，使得所述近似样本集能够得到实时更新；并且，由于所述历史数据集也在不断更新，也使得所述近似样本集能够得到不断更新。因此，由于所述预测模型是基于所述近似样本集建立而成，使得所述预测模型也能得到实时更新，从而使得能够应对工艺过程的突然变化，使得预测的尺寸预测值和置信区间更加准确，且能够实时监控产品的尺寸质量，避免批量产品异常。
综上所述，本发明提供的虚拟量测方法，包括：提供历史数据集及输入样本的工艺过程参数的特征值；根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。本发明提供的虚拟量测方法能够应对工艺过程的突然变化，使得预测值更加准确且能判断预测值的可信度。
本发明一实施例提供了一种虚拟量测系统，包括：输入单元，用于提供历史数据集及输入样本的工艺过程参数的特征值；近似样本集构建单元，用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；预测模型建立单元，用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；预测单元，用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
下面参阅图2详细描述本实施例提供的虚拟量测系统。
所述虚拟量测系统10包括输入单元11、近似样本集构建单元12、预测模型建立单元15和预测单元16。
所述输入单元11用于提供历史数据集及输入样本的工艺过程参数的特征值。
所述历史数据集可以包括在实际生产过程中抽检获得的抽样样本的工艺过程参数的特征值及对应的尺寸量测值。
所述输入样本为实时输入的样本，使得所述输入样本的工艺过程参数的特征值也是实时变化的。
所述历史数据集中的样本和所述输入样本的工艺过程参数可以包括沉积时间、功率、温度、容抗、压力等参数。
所述尺寸可以包括沉积的膜厚、刻蚀去除的膜厚或化学机械研磨去除的膜厚等。
所述近似样本集构建单元12用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，实时构建工艺过程参数的近似样本集。
其中，所述近似样本集构建单元12可以包括：
归一化处理模块121，用于对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理，以使得所述历史数据集中的样本与所述输入样本的工艺过程参数的数值范围统一，进而便于后续从所述历史数据集中选择近似样本；其中，可以使得所述历史数据集中的样本与所述输入样本的工艺过程参数的数值范围统一为最小值均为0，且最大值均小于或等于1；
第一样本选择模块122，用于从所述历史数据集中选择与所述输入样本的生产时间最相近的K1个第一样本；
第二样本选择模块123，用于从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；其中，所述第二样本可以从所述历史数据集中除了所述第一样本以外的剩余的样本中选择；以所述输入样本为第10个样本，且K1为4、K2为3为例，则所述第一样本包含第6个至第9个样本，所述第二样本包含从第1个至第5个样本中与所述输入样本的工艺过程参数的特征最相似的3个样本；
构建模块124，用于根据所述第一样本和所述第二样本构建所述近似样本集，其中，K1个所述第一样本和K2个所述第二样本共同构成了所述近似样本集。其中，所述近似样本集具有小样本的特点，即所述近似样本集中的样本数量很少，优选的，所述近似样本集中的样本数量为3个～20个(含3个和20个)。
其中，由于与所述输入样本的生产时间越相近，以及与所述输入样本的工艺过程参数的特征越相似，则构建的所述近似样本集越能够代表生产机台当前的生产状况，从而使得后续基于所述近似样本集建立的预测模型更加准确。
并且，优选的，所述第二样本选择模块123在选择与所述输入样本的工艺过程参数的特征最相似的K2个所述第二样本时，可以采用球树的算法，以欧式距离衡量所述历史数据集中的样本的工艺过程参数的特征与所述输入样本的工艺过程参数的特征之间的相似度。其中，与所述输入样本的工艺过程参数的特征最相似的样本即为在球树算法中，与所述输入样本的欧式距离最短的样本。
并且，优选的，所述虚拟量测系统还包括：
降维单元14，用于在构建所述工艺过程参数的近似样本集之后且在根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，对所述近似样本集中样本的工艺过程参数的特征进行降维，即减少所述近似样本集中样本的工艺过程参数的特征数量。
优选的，所述降维单元14用于采用Lasso模型对所述近似样本集中样本的工艺过程参数的特征进行降维。其中，可以将所述近似样本集中样本的工艺过程参数的特征值以及对应的尺寸量测值输入至所述Lasso模型中，所述Lasso模型会将每个工艺过程参数的特征赋予权重，并删除权重很小(例如等于0或接近0)的特征，保留权重大的特征，从而使得所述近似样本集中样本的工艺过程参数的特征数量得到减少，实现降维。
以K1为4、K2为3，且每个所述第一样本和所述第二样本的工艺过程参数的特征数量均为50个为例，则所述近似样本集中样本的工艺过程参数的特征数量总共有(4+3)*50＝350个，将350个工艺过程参数的特征值以及对应的7个尺寸量测值输入至所述Lasso模型中，进行拟合降维之后，假设每个样本删除了40个特征，仅保留了10个特征，则所述近似样本集中样本的工艺过程参数的特征数量减少至(4+3)*10＝70个。
所述虚拟量测系统10还包括标准化预处理单元13，用于在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，对所述近似样本集进行标准化预处理。其中，可以对所述近似样本集中样本的工艺过程参数的特征值及对应的尺寸量测值进行标准化预处理，以减小数据差异导致的干扰。
所述预测模型建立单元15用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型。
优选的，所述预测模型建立单元15用于根据降维之后的所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。其中，可以将降维之后的所述近似样本集中样本的工艺过程参数的特征及对应的尺寸量测值输入至所述高斯过程回归模型中，以建立所述预测模型。
由于所述高斯过程回归模型对接收到的每个样本均会进行计算，若接收到的样本量很大，会导致计算时间很久，从而影响实时的预测效果。因此，通过从所述历史数据集中的大量样本中筛选出与所述输入样本的工艺过程参数的特征值近似的样本构建了所述近似样本集，使得输入至所述高斯过程回归模型中的样本量得到减少；并且，通过对所述近似样本集中样本的工艺过程参数的特征进行了降维处理，使得输入至所述高斯过程回归模型中的工艺过程参数的特征的维度得到降低，进而使得输入至所述高斯过程回归模型中的数据具有小样本且低维度的特点，从而使得建立的所述预测模型为精度更高的局部模型，使得建立的所述预测模型精度更高以及所述预测模型输出的预测值更加准确。
所述预测单元16用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
并且，优选的，所述预测单元16还用于采用所述预测模型预测所述输入样本的尺寸预测值的置信区间，使得能够对预测的所述尺寸预测值的可信度进行判断。
其中，由于传统模型是全局建模，即是基于全体样本去建立预测模型，而全体样本是固定不变的，使得采用传统模型建立的预测模型也是固定不变的，进而使得输出的置信区间的长度也是基于全体样本的，即针对不同的输入样本，输出的置信区间的长度是固定不变的，导致预测模型预测的尺寸预测值的可信度是不准确的，无法准确判断每个所述输入样本的尺寸预测值的可信度。
而所述高斯过程回归模型是局部建模，即是基于小样本去建立预测模型，且小样本的所述近似样本集会随着所述输入样本的变化而变化，使得采用高斯过程回归模型建立的所述预测模型也能随着所述近似样本集的变化而得到更新，进而使得针对不同的输入样本，所述预测模型会输出不同的置信区间长度，每个输入样本均会有对应的置信区间长度，从而能够对每个输入样本对应的尺寸预测值的可信度进行准确判断，使得每个输入样本对应的尺寸预测值的可信度更加准确。在一些实施例中，也可以采用贝叶斯模型去建立所述预测模型。
因此，优选的，通过采用所述高斯过程回归模型建立所述预测模型，使得建立的所述预测模型预测的所述输入样本的尺寸预测值的置信区间更加准确。
其中，可以通过所述预测模型输出标准差来表示所述置信区间的长度，标准差越小，所述置信区间的长度越小，则说明所述预测模型预测的所述输入样本的尺寸预测值的可信度越强；标准差越大，所述置信区间的长度越大，则说明所述预测模型预测的所述输入样本的尺寸预测值的可信度越低。当标准差为0时，置信区间的长度为0，说明所述预测模型预测的所述输入样本的尺寸预测值的可信度为100％。
另外，若所述近似样本集中的样本的工艺过程参数的特征与所述输入样本的工艺过程参数的特征之间的差异越大，则所述预测模型的精度越低，导致所述预测模型预测的所述输入样本的尺寸预测值的置信区间的长度越大，使得预测的所述尺寸预测值的可信度越低。因此，通过所述尺寸预测值的置信区间的长度大小能够反映出所述近似样本集中的样本与所述输入样本的差异情况。
所述虚拟量测系统10还包括历史数据集更新单元17，用于在生产过程中，对生产中实时输入的多个所述输入样本进行抽测，以获得抽样样本的工艺过程参数的特征值所对应的尺寸量测值，并将抽样样本的工艺过程参数的特征值及对应的尺寸量测值存储于所述历史数据集中，以不断更新所述历史数据集。
所述虚拟量测系统还包括误差监控单元18，用于在生产过程中，对生产中实时输入的多个所述输入样本进行抽测，以获得所抽测的所述输入样本的尺寸量测值，并判断抽测的所述尺寸量测值与预测的所述尺寸预测值的差值是否超出设定规格，若二者的差值超出设定规格，则可进一步分析判断所述尺寸量测值和所述尺寸预测值的准确性，以监控抽测的准确性以及所述预测模型的准确性。
从上述内容可知，由于所述近似样本集是通过从所述历史数据集中的大量样本中筛选出与所述输入样本的工艺过程参数的特征值近似的样本构建而成，那么，当更换所述输入样本时，所述近似样本集也会发生变化，使得所述近似样本集能够得到实时更新；并且，由于所述历史数据集也在不断更新，也使得所述近似样本集能够得到不断更新。因此，由于所述预测模型是基于所述近似样本集建立而成，使得所述预测模型也能得到实时更新，从而使得能够应对工艺过程的突然变化，使得预测的尺寸预测值和置信区间更加准确，且能够实时监控产品的尺寸质量，避免批量产品异常。
综上所述，本发明提供的虚拟量测系统，包括：输入单元，用于提供历史数据集及输入样本的工艺过程参数的特征值；近似样本集构建单元，用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；预测模型建立单元，用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；预测单元，用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。本发明的虚拟量测系统能够应对工艺过程的突然变化，使得预测值更加准确且能判断预测值的可信度。
本发明一实施例还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被一处理器执行时能实现所述的虚拟量测方法。
所述计算机存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备，例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所描述的计算机程序可以从计算机存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收所述计算机程序，并转发该计算机程序，以供存储在各个计算/处理设备中的计算机存储介质中。用于执行本发明操作的计算机程序可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。所述计算机程序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)。在一些实施例中，通过利用计算机程序的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、系统和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序实现。这些计算机程序可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些程序在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机程序存储在计算机存储介质中，这些计算机程序使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有该计算机程序的计算机存储介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机程序加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的计算机程序实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (17)
1.一种虚拟量测方法，其特征在于，包括：
提供历史数据集及输入样本的工艺过程参数的特征值；
根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；
根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；
根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
2.如权利要求1所述的虚拟量测方法，其特征在于，构建所述近似样本集的步骤包括：
对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理；
从所述历史数据集中选择与所述输入样本的时间最相近的K1个第一样本；
从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；
根据所述第一样本和所述第二样本构建所述近似样本集。
3.如权利要求1所述的虚拟量测方法，其特征在于，在构建所述工艺过程参数的近似样本集之后且在根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，所述虚拟量测方法还包括：
对所述近似样本集中样本的工艺过程参数的特征进行降维。
4.如权利要求3所述的虚拟量测方法，其特征在于，在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，所述虚拟量测方法还包括：
对所述近似样本集进行标准化预处理。
5.如权利要求1所述的虚拟量测方法，其特征在于，所述虚拟量测方法还包括：
采用所述预测模型预测所述输入样本的尺寸预测值的置信区间。
6.如权利要求3或5所述的虚拟量测方法，其特征在于，根据所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。
7.如权利要求1所述的虚拟量测方法，其特征在于，所述虚拟量测方法还包括：
抽测获得抽样样本的工艺过程参数的特征值及对应的尺寸量测值，并存储于所述历史数据集中，以不断更新所述历史数据集。
8.如权利要求1所述的虚拟量测方法，其特征在于，所述虚拟量测方法还包括：
抽测获得所述输入样本的尺寸量测值，并判断所述尺寸量测值与所述尺寸预测值的差值是否超出设定规格，以监控抽测的准确性以及所述预测模型的准确性。
9.一种虚拟量测系统，其特征在于，包括：
输入单元，用于提供历史数据集及输入样本的工艺过程参数的特征值；
近似样本集构建单元，用于根据所述历史数据集及所述输入样本的工艺过程参数的特征值，构建工艺过程参数的近似样本集；
预测模型建立单元，用于根据所述近似样本集中样本的工艺过程参数的特征建立预测模型；
预测单元，用于根据所述输入样本的工艺过程参数的特征值，采用所述预测模型预测所述输入样本的尺寸预测值。
10.如权利要求9所述的虚拟量测系统，其特征在于，所述近似样本集构建单元包括：
归一化处理模块，用于对所述历史数据集中的样本及所述输入样本的工艺过程参数的特征值进行归一化处理；
第一样本选择模块，用于从所述历史数据集中选择与所述输入样本的时间最相近的K1个第一样本；
第二样本选择模块，用于从所述历史数据集中选择与所述输入样本的工艺过程参数的特征最相似的K2个第二样本，所述第一样本与所述第二样本为不同的样本，其中，K1和K2为正整数；
构建模块，用于根据所述第一样本和所述第二样本构建所述近似样本集。
11.如权利要求9所述的虚拟量测系统，其特征在于，所述虚拟量测系统还包括：
降维单元，用于在构建所述工艺过程参数的近似样本集之后且在根据所述近似样本集中样本的工艺过程参数的特征建立预测模型之前，对所述近似样本集中样本的工艺过程参数的特征进行降维。
12.如权利要求11所述的虚拟量测系统，其特征在于，所述虚拟量测系统还包括标准化预处理单元，用于在对所述近似样本集中样本的工艺过程参数的特征进行降维之前，对所述近似样本集进行标准化预处理。
13.如权利要求9所述的虚拟量测系统，其特征在于，所述预测单元还用于采用所述预测模型预测所述输入样本的尺寸预测值的置信区间。
14.如权利要求11或13所述的虚拟量测系统，其特征在于，所述预测模型建立单元用于根据所述近似样本集中样本的工艺过程参数的特征，采用高斯过程回归模型建立所述预测模型。
15.如权利要求9所述的虚拟量测系统，其特征在于，所述虚拟量测系统还包括历史数据集更新单元，用于抽测获得抽样样本的工艺过程参数的特征值及对应的尺寸量测值，并存储于所述历史数据集中，以不断更新所述历史数据集。
16.如权利要求9所述的虚拟量测系统，其特征在于，所述虚拟量测系统还包括：
误差监控单元，用于抽测获得所述输入样本的尺寸量测值，并判断所述尺寸量测值与所述尺寸预测值的差值是否超出设定规格，以监控抽测的准确性以及所述预测模型的准确性。
17.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被一处理器执行时能实现权利要求1至8中任一项所述的虚拟量测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167963.1A CN115438586A (zh) | 2022-09-23 | 2022-09-23 | 虚拟量测方法、虚拟量测系统以及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211167963.1A CN115438586A (zh) | 2022-09-23 | 2022-09-23 | 虚拟量测方法、虚拟量测系统以及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115438586A true CN115438586A (zh) | 2022-12-06 |
Family
ID=84250013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211167963.1A Pending CN115438586A (zh) | 2022-09-23 | 2022-09-23 | 虚拟量测方法、虚拟量测系统以及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115438586A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114675607A (zh) * | 2022-03-23 | 2022-06-28 | 浙江浙能兰溪发电有限责任公司 | 结合火焰温度的入炉煤热值预测与校正控制方法 |
| CN114841073A (zh) * | 2022-05-17 | 2022-08-02 | 中国石油大学(华东) | 基于局部标签传播的即时学习半监督软测量建模方法 |
-
2022
- 2022-09-23 CN CN202211167963.1A patent/CN115438586A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114675607A (zh) * | 2022-03-23 | 2022-06-28 | 浙江浙能兰溪发电有限责任公司 | 结合火焰温度的入炉煤热值预测与校正控制方法 |
| CN114841073A (zh) * | 2022-05-17 | 2022-08-02 | 中国石油大学(华东) | 基于局部标签传播的即时学习半监督软测量建模方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾松达，丁洁，阎高伟: "基于改进即时学习算法的球磨机料位软测量", 计算机工程与设计, 16 April 2018 (2018-04-16), pages 1011 - 1016 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
| CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| US10496515B2 (en) | Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium | |
| CN105593864B (zh) | 用于维护设备的分析设备退化 | |
| CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| US11640328B2 (en) | Predicting equipment fail mode from process trace | |
| JP2020052740A (ja) | 異常検知装置、異常検知方法及びプログラム | |
| KR20200033726A (ko) | 데이터 처리 방법, 데이터 처리 장치, 및 데이터 처리 프로그램을 저장한 컴퓨터 판독 가능한 기록 매체 | |
| US20180137218A1 (en) | Systems and methods for similarity-based information augmentation | |
| CN115932586A (zh) | 一种电池荷电状态在线估算方法、装置、设备及介质 | |
| US8793106B2 (en) | Continuous prediction of expected chip performance throughout the production lifecycle | |
| CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
| CN117272781A (zh) | 基于slgbm模型的智能采样半导体虚拟量测系统 | |
| CN115438586A (zh) | 虚拟量测方法、虚拟量测系统以及计算机存储介质 | |
| CN115394442A (zh) | 一种发育评估方法、装置、设备及介质 | |
| TWM618950U (zh) | 運用人工智慧之產品製程異常分析平台 | |
| US12106191B2 (en) | Continuous learning process using concept drift monitoring | |
| US11619932B2 (en) | Prediction method and system for multivariate time series data in manufacturing systems | |
| EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model | |
| TWI815123B (zh) | 運用人工智慧之巨量資料分析平台及其運作方法 | |
| WO2024070170A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
| US20220128981A1 (en) | Information processing device, calculation method, and calculation program | |
| WO2024070169A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
| CN117805626A (zh) | 热失控预测模型确定方法、装置、电子设备及存储介质 | |
| TWM627156U (zh) | 運用人工智慧之製造設備訊號異常分析平台 |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 430205 No.18, Gaoxin 4th Road, Donghu Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Xinxin Integrated Circuit Co.,Ltd. Address before: 430205 No.18, Gaoxin 4th Road, Donghu Development Zone, Wuhan City, Hubei Province Applicant before: Wuhan Xinxin Semiconductor Manufacturing Co.,Ltd. Country or region before: China |