CN116047987B - 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 - Google Patents
用于电子级缓冲氧化物蚀刻液生产的智能控制系统 Download PDFInfo
- Publication number
- CN116047987B CN116047987B CN202310333039.4A CN202310333039A CN116047987B CN 116047987 B CN116047987 B CN 116047987B CN 202310333039 A CN202310333039 A CN 202310333039A CN 116047987 B CN116047987 B CN 116047987B
- Authority
- CN
- China
- Prior art keywords
- feature
- training
- module
- decoding
- matrix
- 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
- 238000005530 etching Methods 0.000 title claims abstract description 80
- 239000004065 semiconductor Substances 0.000 claims abstract description 97
- 238000004519 manufacturing process Methods 0.000 claims abstract description 53
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 239000007788 liquid Substances 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 167
- 238000012549 training Methods 0.000 claims description 160
- 239000011159 matrix material Substances 0.000 claims description 73
- 238000013527 convolutional neural network Methods 0.000 claims description 50
- 230000004927 fusion Effects 0.000 claims description 45
- 238000000605 extraction Methods 0.000 claims description 31
- KRHYYFGTRYWZRS-UHFFFAOYSA-N Fluorane Chemical compound F KRHYYFGTRYWZRS-UHFFFAOYSA-N 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 27
- 229910000040 hydrogen fluoride Inorganic materials 0.000 claims description 26
- DDFHBQSCUXNBSA-UHFFFAOYSA-N 5-(5-carboxythiophen-2-yl)thiophene-2-carboxylic acid Chemical compound S1C(C(=O)O)=CC=C1C1=CC=C(C(O)=O)S1 DDFHBQSCUXNBSA-UHFFFAOYSA-N 0.000 claims description 25
- 230000000903 blocking effect Effects 0.000 claims description 18
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 67
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 abstract description 57
- 230000008569 process Effects 0.000 abstract description 33
- 229910052581 Si3N4 Inorganic materials 0.000 abstract description 29
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 abstract description 29
- 235000012239 silicon dioxide Nutrition 0.000 abstract description 24
- 239000000377 silicon dioxide Substances 0.000 abstract description 24
- 230000008859 change Effects 0.000 abstract description 18
- 238000013461 design Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 239000010408 film Substances 0.000 description 48
- 230000006870 function Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 25
- 238000004458 analytical method Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 229910052814 silicon oxide Inorganic materials 0.000 description 9
- 239000000126 substance Substances 0.000 description 9
- 238000004140 cleaning Methods 0.000 description 7
- 230000002829 reductive effect Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000012512 characterization method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 239000004094 surface-active agent Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000007704 wet chemistry method Methods 0.000 description 1
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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- 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
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Weting (AREA)
Abstract
一种用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其获取由摄像头采集的待蚀刻半导体器件的表面状态图像；采用基于深度学习的人工智能技术，挖掘待蚀刻半导体器件的表面状态的时序动态变化特征，基于此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，进而满足制程设计要求。
Description
技术领域
本申请涉及智能化控制技术领域，并且更具体地，涉及一种用于电子级缓冲氧化物蚀刻液生产的智能控制系统。
背景技术
电子化学品指电子工业配套的专用化学品，其中用于集成电路和分离器件等清洗的化学品具有质量要求高、功能性强和产品精度高等要求。
二氧化硅层用作MOS器件和DRAM产品制造过程中的保护层或电性能隔离层，在每道蚀刻或者清洗工艺中，使用的化学品往往需要对其他晶片(如氮化硅)尽可能的不造成过分腐蚀。电子级缓冲氧化物蚀刻液(BOE)是用于二氧化硅薄膜蚀刻和清洗的常用湿法化学品，其成分主要是氟化氢(HF)、氟化铵(NH4F)和水，并通过调节氟化氢和氟化铵的含量来控制蚀刻速率，常规的BOE蚀刻液具有50或者100的二氧化硅相对于氮化硅的蚀刻选择比。
但是，在不同制程中，对于待蚀刻半导体器件的二氧化硅薄膜和氮化硅薄膜的蚀刻指标不同，因此，在不同的制程中，需要调整氟化氢和氟化铵的含量来控制蚀刻速率和蚀刻特性，以满足制程设计要求。
因此，期望一种优化的用于电子级缓冲氧化物蚀刻液生产的智能控制系统。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其获取由摄像头采集的待蚀刻半导体器件的表面状态图像；采用基于深度学习的人工智能技术，挖掘待蚀刻半导体器件的表面状态的时序动态变化特征，基于此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，进而满足制程设计要求。
第一方面，提供了一种用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其包括：图像采集模块，用于获取由摄像头采集的待蚀刻半导体器件的表面状态图像；图像特征提取模块，用于将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图；降维模块，用于对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵；矩阵分块模块，用于对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵；矩阵展开模块，用于将所述多个表面子特征矩阵展开为多个表面子特征向量；表面状态上下文语义关联模块，用于将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量；以及含量值确定模块，用于将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，所述图像特征提取模块，包括：浅层特征提取单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；深层特征提取单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；以及，融合单元，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到表面特征图。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，其特征在于，所述表面状态上下文语义关联模块，包括：上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述多个表面子特征向量进行基于全局的上下文语义编码以得到多个表面语义特征向量；以及，级联单元，用于将所述多个表面语义特征向量进行级联以得到所述解码特征向量。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，所述上下文语义编码单元，包括： 查询向量构造子单元，用于将所述多个表面子特征向量进行一维排列以得到全局表面特征向量；自注意子单元，用于计算所述全局表面特征向量与所述多个表面子特征向量中各个表面子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个表面子特征向量中各个表面子特征向量进行加权以得到所述多个表面语义特征向量。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练的训练模块。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，所述训练模块，包括：训练数据采集模块，用于获取训练数据，所述训练数据包括待蚀刻半导体器件的训练表面状态图像，以及，所述氟化氢的含量和所述氟化铵的含量的真实值；训练图像特征提取模块，用于将所述待蚀刻半导体器件的训练表面状态图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练表面特征图；训练降维模块，用于对所述训练表面特征图进行沿通道维度进行全局池化以得到训练表面特征矩阵；训练矩阵分块模块，用于对所述训练表面特征矩阵进行分块处理以得到多个训练表面子特征矩阵；训练矩阵展开模块，用于将所述多个训练表面子特征矩阵展开为多个训练表面子特征向量；训练表面状态上下文语义关联模块，用于将所述多个训练表面子特征向量输入所述基于转换器的上下文编码器以得到训练解码特征向量；优化模块，用于对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；解码损失模块，用于将所述优化训练解码特征向量通过所述解码器以得到第一解码损失函数值和第二解码损失函数值；以及，反向传播模块，用于基于所述第一解码损失函数值和所述第二解码损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，所述优化模块，用于：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：
，其中，
表示所述训练解码特征向量的各个位置的特征值，/>
和/>
分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，/>
表示以2为底的对数函数，/>
表示反正弦函数，/>
表示反余弦函数，/>
表示所述优化训练解码特征向量的各个位置的特征值。
在上述用于电子级缓冲氧化物蚀刻液生产的智能控制系统中，所述解码损失模块，包括：第一解码单元，用于使用所述解码器以如下公式对所述优化训练解码特征向量进行解码回归以获得第一训练解码值；其中，所述公式为：
，其中/>
是所述优化训练解码特征向量，/>
是所述第一训练解码值，/>
是权重矩阵，/>
表示矩阵乘；以及，第一计算单元，用于计算所述第一训练解码值和所述氟化氢的含量的真实值之间的方差作为所述第一解码损失函数值。
与现有技术相比，本申请提供的用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其获取由摄像头采集的待蚀刻半导体器件的表面状态图像；采用基于深度学习的人工智能技术，挖掘待蚀刻半导体器件的表面状态的时序动态变化特征，基于此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，进而满足制程设计要求。
附图说明
为了更清楚地说明本申请实施例的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统的应用场景图。
图2为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统的框图。
图3为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述图像特征提取模块的框图。
图4为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述表面状态上下文语义关联模块的框图。
图5为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述上下文语义编码单元的框图。
图6为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述训练模块的框图。
图7为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述解码损失模块的框图。
图8为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制方法的流程图。
图9为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制方法的系统架构的示意图。
具体实施方式
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描述，显然，所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
如上所述，电子级缓冲氧化物蚀刻液(BOE)是用于二氧化硅薄膜蚀刻和清洗的常用湿法化学品，其成分主要是氟化氢(HF)、氟化铵(NH4F)和水，并通过调节氟化氢和氟化铵的含量来控制蚀刻速率，常规的BOE蚀刻液具有50或者100的二氧化硅相对于氮化硅的蚀刻选择比。但是，在不同制程中，对于待蚀刻半导体器件的二氧化硅薄膜和氮化硅薄膜的蚀刻指标不同，因此，在不同的制程中，需要调整氟化氢和氟化铵的含量来控制蚀刻速率和蚀刻特性，以满足制程设计要求。因此，期望一种优化的用于电子级缓冲氧化物蚀刻液生产的智能控制系统。
具体地，在本申请的技术方案中，在实际进行蚀刻制程中，期望通过对于待蚀刻半导体器件的表面状态进行检测分析，以确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液。但是，由于待蚀刻半导体器件的表面状态在时间维度上是不断发生变化的，这种变化规律性难以进行捕捉提取，进而也就降低了对于待蚀刻半导体器件的表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标的分析判断精度，降低了氟化氢和氟化铵的含量确定的精准度，影响了蚀刻速率和蚀刻特性。因此，在此过程中，难点在于如何进行所述待蚀刻半导体器件的表面状态的时序动态变化特征的充分表达，以此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以便根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，以满足制程设计要求。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述待蚀刻半导体器件的表面状态的时序动态变化特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的待蚀刻半导体器件的表面状态图像。应可以理解，由于所述待蚀刻半导体器件的二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标会影响蚀刻液的含量比例，从而影响蚀刻过程的效果。因此，在蚀刻半导体器件之前，需要先对待蚀刻半导体器件的表面状态进行检测，以确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液。
然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述待蚀刻半导体器件的表面状态图像的特征挖掘，特别地，考虑到在对于所述待蚀刻半导体器件的表面状态图像的隐藏特征进行提取时，为了能够更充分地进行所述待蚀刻半导体器件的表面状态隐含特征的表达，以检测出所述待蚀刻半导体器件的表面状态变化情况，应关注于所述待蚀刻半导体器件的表面状态图像的边缘、纹理等浅层特征，这些所述浅层特征对于所述待蚀刻半导体器件的表面状态时序变化检测具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。
基于此，在本申请的技术方案中，将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图。应可以理解，这里，使用包含深浅特征融合模块的卷积神经网络模型是因为在表面状态图像处理过程中，不同的特征提取网络具有不同的抽象层次，可以提取不同层次的特征，较浅的网络可以提取图像的底层特征，如边缘和纹理等，而较深的网络可以提取图像的高层次特征。因此，将不同层次的特征进行融合可以进一步提高所述表面状态图像的特征提取效果，使得所述表面特征图更加准确和完整。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。
然后，对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵。应可以理解，在半导体器件表面特征分析中，需要对所有的特征通道进行整合和汇总，得到一个全局的表面特征矩阵，以便后续的数据处理和分析。在卷积神经网络中，每个卷积核在进行特征提取时，会产生一个特征图，该特征图在通道维度上包含了不同的特征信息。因此，对于一个输入的所述表面状态图像，经过卷积神经网络模型处理后，得到的所述表面特征图包含了丰富的表面特征信息，但需要将其中的特征信息进行整合和提取。而全局池化是一种有效的特征整合方法，它能够将特征图中所有通道的信息进行平均或最大池化，得到一个全局的特征向量或特征矩阵。在表面特征分析中，对所述表面特征图进行沿通道维度进行全局池化，可以将所有的特征通道进行整合，得到一个全局的所述表面特征矩阵，该特征矩阵包含了所有特征通道中的信息，能够更好地描述半导体器件表面的特征信息，以能够提高表面特征的综合性和准确性。
进一步地，对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵，以更加精细和全面地描述半导体器件表面的特征信息。应可以理解，考虑到在实际应用中，半导体器件表面的二氧化硅薄膜和氮化硅薄膜的厚度和分布等特征可能分布在不同的区域，并且大小和形状也可能不一样。如果直接对整个表面特征矩阵进行处理，可能会忽略掉一些细节信息，导致处理结果不够准确和详细。因此，将所述表面特征矩阵进行分块处理，可以将表面特征矩阵划分为多个小的子矩阵，每个子矩阵包含了一部分的表面特征信息，这样可以更加全面地描述半导体器件表面的状态特征信息。同时，对于每个子矩阵，可以针对其不同的特征进行分析和处理，从而更加精细地分析半导体器件表面的特征信息，提高分析结果的准确性。
接着，考虑到在半导体器件表面特征分析中，通常需要对不同区域的表面特征进行比较和分类，而所述表面子特征矩阵中的每个元素代表了一个局部特征信息，需要将其转化为一维向量才能进行比较和分类。因此，在本申请的技术方案中，进一步再将所述多个表面子特征矩阵展开为多个表面子特征向量，以将所述表面子特征矩阵转化为一维向量，以便进行后续的数据处理和分析。
然后，考虑到由于所述待蚀刻半导体器件的不同区域的表面特征之间存在着关联关系，为了能够对于待蚀刻半导体器件表面的二氧化硅薄膜和氮化硅薄膜的厚度和分布等隐含特征信息进行充分表达，以提高确定适宜含量比例的电子级缓冲氧化物蚀刻液的精准度，以此来优化蚀刻速率和蚀刻特性，在本申请的技术方案中，将所述多个表面子特征向量输入基于转换器的上下文编码器中进行编码，以提取出所述待蚀刻半导体器件的不同区域的表面状态特征之间基于全局的上下文语义关联特征信息，从而得到解码特征向量。
进一步地，再将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。也就是说，基于所述待蚀刻半导体器件的表面状态全局特征来确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，即氟化氢和氟化铵的含量。
特别地，在本申请的技术方案中，将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量时，是将所述多个表面子特征向量输入基于转换器的上下文编码器得到的多个上下文表面子特征向量直接级联以得到所述解码特征向量。考虑到每个表面子特征向量表示表面特征矩阵的单个分块的特征分布，虽然由基于转换器的上下文编码器进行了上下文关联编码，但是仍然无法消除各个上下文表面子特征向量之间的显式差异，从而在各个上下文表面子特征向量的级联位置存在分布间隙（distributiongap），导致所述解码特征向量的整体特征分布的连续性差，从而影响模型训练时的训练速度。
基于此，本申请的申请人对所述解码特征向量
进行耿贝尔（Gumbel）正态周期性重参数化，以获得优化后的解码特征向量/>
，具体表示为：/>
，
和/>
分别是特征值集合/>
的均值和方差，且/>
。
这里，所述耿贝尔正态周期性重参数化通过将所述解码特征向量
的各个位置的特征值/>
转换为其概率分布的角特征表达，来基于耿贝尔（Gumbel）分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的解码特征向量
在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述解码特征向量的特征分布的连续性差对训练速度的影响。这样，能够实现对待蚀刻半导体器件的表面状态的快速准确地测量，以便根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，以控制蚀刻速率和蚀刻特性来满足制程设计要求。
图1为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统的应用场景图。如图1所示，在该应用场景中，首先，获取由摄像头（例如，如图1中所示意的K）采集的待蚀刻半导体器件（例如，如图1中所示意的C）；然后，将获取的表面状态图像输入至部署有用于电子级缓冲氧化物蚀刻液生产的智能控制算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于用于电子级缓冲氧化物蚀刻液生产的智能控制算法对所述表面状态图像进行处理，以生成用于表示氟化氢的含量和氟化铵的含量的第一解码值和第二解码值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
在本申请的一个实施例中，图2为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统的框图。如图2所示，根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统100，包括：图像采集模块110，用于获取由摄像头采集的待蚀刻半导体器件的表面状态图像；图像特征提取模块120，用于将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图；降维模块130，用于对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵；矩阵分块模块140，用于对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵；矩阵展开模块150，用于将所述多个表面子特征矩阵展开为多个表面子特征向量；表面状态上下文语义关联模块160，用于将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量；以及,含量值确定模块170，用于将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和所述第二解码值为氟化氢的含量和氟化铵的含量。
具体地，在本申请实施例中，所述图像采集模块110，用于获取由摄像头采集的待蚀刻半导体器件的表面状态图像。
电子化学品指电子工业配套的专用化学品,其中用于集成电路和分立器件等清洗的化学品具有而量要求高、功能性强和产品度高等等要求二氧化硅层用作MOS器件和DRAM产品制造过程中的保护层或电性能隔离层,在道蚀刻或者清洗工艺中,使用的化学品往往需要对其他晶片(如氮化硅)尽可能的不造成过时分成蚀。
电子级缓冲氧化物蚀刻液(BOE)是用于二氧化硅薄膜蚀刻和清洗的常用湿法化学品，其要是氟化氢(HF)、氟化铵(NH4F) 和水,并通过调节氟化氢和氟化的含量来控制蚀刻速,常规的BOE蚀刻液具有50或者100的二氧化硅相对于氮化硅的蚀刻选择比。现有的氧化硅蚀刻液存在很多缺陷,如蚀刻速率精度低,蚀刻液配制耗时长等等。在高端制程中往往需要高于100甚至150的选择比,这时为了提高选择比而引入的表面活性剂。但是由于表面活性剂自身的疏水特性,在蚀刻液配制过程中需要大量的时间来搅拌分散均匀,以达到实际的使用需求效果,甚至在温度较低情况下,其中的表面活性剂会部分析出，还需要进一步搅拌均匀之后再做蚀刻使用。大量的前序搅拌处理工序时间同时也会增大其中成分的部分挥发带来的影响,从而影响到时刻速率的稳定性和均一性。
具体地，在本申请的技术方案中，在实际进行蚀刻制程中，期望通过对于待蚀刻半导体器件的表面状态进行检测分析，以确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液。但是，由于待蚀刻半导体器件的表面状态在时间维度上是不断发生变化的，这种变化规律性难以进行捕捉提取，进而也就降低了对于待蚀刻半导体器件的表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标的分析判断精度，降低了氟化氢和氟化铵的含量确定的精准度，影响了蚀刻速率和蚀刻特性。因此，在此过程中，难点在于如何进行所述待蚀刻半导体器件的表面状态的时序动态变化特征的充分表达，以此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以便根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，以满足制程设计要求。
近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。深度学习以及神经网络的发展为挖掘所述待蚀刻半导体器件的表面状态的时序动态变化特征信息提供了新的解决思路和方案。
具体地，在本申请的技术方案中，首先，获取由摄像头采集的待蚀刻半导体器件的表面状态图像。应可以理解，由于所述待蚀刻半导体器件的二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标会影响蚀刻液的含量比例，从而影响蚀刻过程的效果。因此，在蚀刻半导体器件之前，需要先对待蚀刻半导体器件的表面状态进行检测，以确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液。
具体地，在本申请实施例中，所述图像特征提取模块120，用于将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图。然后，使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述待蚀刻半导体器件的表面状态图像的特征挖掘，特别地，考虑到在对于所述待蚀刻半导体器件的表面状态图像的隐藏特征进行提取时，为了能够更充分地进行所述待蚀刻半导体器件的表面状态隐含特征的表达，以检测出所述待蚀刻半导体器件的表面状态变化情况，应关注于所述待蚀刻半导体器件的表面状态图像的边缘、纹理等浅层特征，这些所述浅层特征对于所述待蚀刻半导体器件的表面状态时序变化检测具有重要意义，而卷积神经网络在编码时，随着其深度的加深，浅层特征会变得模糊甚至被噪声所淹没。
基于此，在本申请的技术方案中，将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图。应可以理解，这里，使用包含深浅特征融合模块的卷积神经网络模型是因为在表面状态图像处理过程中，不同的特征提取网络具有不同的抽象层次，可以提取不同层次的特征，较浅的网络可以提取图像的底层特征，如边缘和纹理等，而较深的网络可以提取图像的高层次特征。因此，将不同层次的特征进行融合可以进一步提高所述表面状态图像的特征提取效果，使得所述表面特征图更加准确和完整。同时，深度神经网络的结构往往比较复杂，需要大量的样本数据来训练和调整，而深度网络的训练时间较长，容易过拟合。因此，在神经网络模型的设计中，通常采用浅层网络和深层网络的结合，通过深浅特征融合，可以在一定程度上降低网络的复杂度和过拟合的风险，同时提高模型的特征提取能力和泛化能力。
图3为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述图像特征提取模块的框图，如图3所示，所述图像特征提取模块120，包括：浅层特征提取单元121，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；深层特征提取单元122，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；以及，融合单元123，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到表面特征图。
应可以理解，相较于标准卷积神经网络模型，根据本申请的所述卷积神经网络模型能够保留浅层特征和深层特征，以不仅使得特征信息更为丰富，且不同深度的特征能得以保留，以提高对于所述待蚀刻半导体器件的表面状态图像的表面特征提取的充分性和准确性。
具体地，在本申请实施例中，所述降维模块130，用于对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵。然后，对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵。应可以理解，在半导体器件表面特征分析中，需要对所有的特征通道进行整合和汇总，得到一个全局的表面特征矩阵，以便后续的数据处理和分析。在卷积神经网络中，每个卷积核在进行特征提取时，会产生一个特征图，该特征图在通道维度上包含了不同的特征信息。
因此，对于一个输入的所述表面状态图像，经过卷积神经网络模型处理后，得到的所述表面特征图包含了丰富的表面特征信息，但需要将其中的特征信息进行整合和提取。而全局池化是一种有效的特征整合方法，它能够将特征图中所有通道的信息进行平均或最大池化，得到一个全局的特征向量或特征矩阵。在表面特征分析中，对所述表面特征图进行沿通道维度进行全局池化，可以将所有的特征通道进行整合，得到一个全局的所述表面特征矩阵，该特征矩阵包含了所有特征通道中的信息，能够更好地描述半导体器件表面的特征信息，以能够提高表面特征的综合性和准确性。
具体地，在本申请实施例中，所述矩阵分块模块140，用于对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵。进一步地，对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵，以更加精细和全面地描述半导体器件表面的特征信息。应可以理解，考虑到在实际应用中，半导体器件表面的二氧化硅薄膜和氮化硅薄膜的厚度和分布等特征可能分布在不同的区域，并且大小和形状也可能不一样。如果直接对整个表面特征矩阵进行处理，可能会忽略掉一些细节信息，导致处理结果不够准确和详细。
因此，将所述表面特征矩阵进行分块处理，可以将表面特征矩阵划分为多个小的子矩阵，每个子矩阵包含了一部分的表面特征信息，这样可以更加全面地描述半导体器件表面的状态特征信息。同时，对于每个子矩阵，可以针对其不同的特征进行分析和处理，从而更加精细地分析半导体器件表面的特征信息，提高分析结果的准确性。
具体地，在本申请实施例中，所述矩阵展开模块150，用于将所述多个表面子特征矩阵展开为多个表面子特征向量。接着，考虑到在半导体器件表面特征分析中，通常需要对不同区域的表面特征进行比较和分类，而所述表面子特征矩阵中的每个元素代表了一个局部特征信息，需要将其转化为一维向量才能进行比较和分类。因此，在本申请的技术方案中，进一步再将所述多个表面子特征矩阵展开为多个表面子特征向量，以将所述表面子特征矩阵转化为一维向量，以便进行后续的数据处理和分析。
具体地，在本申请实施例中，所述表面状态上下文语义关联模块160，用于将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量。然后，考虑到由于所述待蚀刻半导体器件的不同区域的表面特征之间存在着关联关系，为了能够对于待蚀刻半导体器件表面的二氧化硅薄膜和氮化硅薄膜的厚度和分布等隐含特征信息进行充分表达，以提高确定适宜含量比例的电子级缓冲氧化物蚀刻液的精准度，以此来优化蚀刻速率和蚀刻特性，在本申请的技术方案中，将所述多个表面子特征向量输入基于转换器的上下文编码器中进行编码，以提取出所述待蚀刻半导体器件的不同区域的表面状态特征之间基于全局的上下文语义关联特征信息，从而得到解码特征向量。
图4为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述表面状态上下文语义关联模块的框图，如图4所示，所述表面状态上下文语义关联模块160，包括：上下文语义编码单元161，用于使用所述基于转换器的上下文编码器对所述多个表面子特征向量进行基于全局的上下文语义编码以得到多个表面语义特征向量；以及，级联单元162，用于将所述多个表面语义特征向量进行级联以得到所述解码特征向量。
进一步地，图5为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述上下文语义编码单元的框图，如图5所示，所述上下文语义编码单元161，包括： 查询向量构造子单元1611，用于将所述多个表面子特征向量进行一维排列以得到全局表面特征向量；自注意子单元1612，用于计算所述全局表面特征向量与所述多个表面子特征向量中各个表面子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；标准化子单元1613，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；关注度计算子单元1614，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，注意力施加子单元1615，用于分别以所述多个概率值中各个概率值作为权重对所述多个表面子特征向量中各个表面子特征向量进行加权以得到所述多个表面语义特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
具体地，在本申请实施例中，所述含量值确定模块170，用于将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。进一步地，再将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。也就是说，基于所述待蚀刻半导体器件的表面状态全局特征来确定其表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标，进而基于上述指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，即氟化氢和氟化铵的含量。
进一步地，所述用于电子级缓冲氧化物蚀刻液生产的智能控制系统还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练的训练模块。图6为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述训练模块的框图，如图6所示，所述训练模块180，包括：训练数据采集模块181，用于获取训练数据，所述训练数据包括待蚀刻半导体器件的训练表面状态图像，以及，所述氟化氢的含量和所述氟化铵的含量的真实值；训练图像特征提取模块182，用于将所述待蚀刻半导体器件的训练表面状态图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练表面特征图；训练降维模块183，用于对所述训练表面特征图进行沿通道维度进行全局池化以得到训练表面特征矩阵；训练矩阵分块模块184，用于对所述训练表面特征矩阵进行分块处理以得到多个训练表面子特征矩阵；训练矩阵展开模块185，用于将所述多个训练表面子特征矩阵展开为多个训练表面子特征向量；训练表面状态上下文语义关联模块186，用于将所述多个训练表面子特征向量输入所述基于转换器的上下文编码器以得到训练解码特征向量；优化模块187，用于对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；解码损失模块188，用于将所述优化训练解码特征向量通过所述解码器以得到第一解码损失函数值和第二解码损失函数值；以及，反向传播模块189，用于基于所述第一解码损失函数值和所述第二解码损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。
特别地，在本申请的技术方案中，将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量时，是将所述多个表面子特征向量输入基于转换器的上下文编码器得到的多个上下文表面子特征向量直接级联以得到所述解码特征向量。考虑到每个表面子特征向量表示表面特征矩阵的单个分块的特征分布，虽然由基于转换器的上下文编码器进行了上下文关联编码，但是仍然无法消除各个上下文表面子特征向量之间的显式差异，从而在各个上下文表面子特征向量的级联位置存在分布间隙（distributiongap），导致所述解码特征向量的整体特征分布的连续性差，从而影响模型训练时的训练速度。
基于此，本申请的申请人对所述解码特征向量
进行耿贝尔（Gumbel）正态周期性重参数化，以获得优化后的解码特征向量/>
，具体表示为：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：/>
，其中，/>
表示所述训练解码特征向量的各个位置的特征值，/>
和/>
分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，/>
表示以2为底的对数函数，/>
表示反正弦函数，/>
表示反余弦函数，
表示所述优化训练解码特征向量的各个位置的特征值。
这里，所述耿贝尔正态周期性重参数化通过将所述解码特征向量
的各个位置的特征值/>
转换为其概率分布的角特征表达，来基于耿贝尔（Gumbel）分布的随机性周期操作方式在特征值集合的正态分布中引入随机性的周期式分布，以获得原特征分布的具有随机性的周期式连续可微近似，从而通过特征的周期性重参数化来提高优化后的解码特征向量
在训练时，损失函数的梯度在模型中反向传播的动态连续波动能力，以提高卷积核在训练过程中的动态应用性，从而补偿所述解码特征向量的特征分布的连续性差对训练速度的影响。这样，能够实现对待蚀刻半导体器件的表面状态的快速准确地测量，以便根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，以控制蚀刻速率和蚀刻特性来满足制程设计要求。
图7为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统中所述解码损失模块的框图，如图7所示，所述解码损失模块188，包括：第一解码单元1881，用于使用所述解码器以如下公式对所述优化训练解码特征向量进行解码回归以获得第一训练解码值；其中，所述公式为：
，其中/>
是所述优化训练解码特征向量，/>
是所述第一训练解码值，/>
是权重矩阵，/>
表示矩阵乘；以及，第一计算单元1882，用于计算所述第一训练解码值和所述氟化氢的含量的真实值之间的方差作为所述第一解码损失函数值。
进一步地，还包括：第二解码单元，用于使用所述解码器以如下公式对所述优化训练解码特征向量进行解码回归以获得第二训练解码值；其中，所述公式为：
，其中/>
是所述优化训练解码特征向量，/>
是所述第二训练解码值，/>
是权重矩阵，/>
表示矩阵乘；以及，第二计算单元，用于所述第二训练解码值和所述氟化铵的含量的真实值之间的方差作为所述第二解码损失函数值。
综上，基于本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制系统100被阐明，其获取由摄像头采集的待蚀刻半导体器件的表面状态图像；采用基于深度学习的人工智能技术，挖掘待蚀刻半导体器件的表面状态的时序动态变化特征，基于此来实现对待蚀刻半导体器件的表面状态的快速准确地测量，以根据表面二氧化硅薄膜和氮化硅薄膜的厚度和分布等指标来确定具有适宜含量比例的电子级缓冲氧化物蚀刻液，进而满足制程设计要求。
在本申请的一个实施例中，图8为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制方法的流程图。如图8所示，根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制方法，其包括：210，获取由摄像头采集的待蚀刻半导体器件的表面状态图像；220，将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图；230，对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵；240，对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵；250，将所述多个表面子特征矩阵展开为多个表面子特征向量；260，将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量；以及，270，将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。
图9为根据本申请实施例的用于电子级缓冲氧化物蚀刻液生产的智能控制方法的系统架构的示意图。如图9所示，在所述用于电子级缓冲氧化物蚀刻液生产的智能控制方法的系统架构中，首先，获取由摄像头采集的待蚀刻半导体器件的表面状态图像；然后，将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图；接着，对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵；然后，对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵；接着，将所述多个表面子特征矩阵展开为多个表面子特征向量；然后，将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量；以及，最后，将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和第二解码值为氟化氢的含量和氟化铵的含量。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图，包括：从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；以及，使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到表面特征图。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量，包括：使用所述基于转换器的上下文编码器对所述多个表面子特征向量进行基于全局的上下文语义编码以得到多个表面语义特征向量；以及，将所述多个表面语义特征向量进行级联以得到所述解码特征向量。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，使用所述基于转换器的上下文编码器对所述多个表面子特征向量进行基于全局的上下文语义编码以得到多个表面语义特征向量，包括： 将所述多个表面子特征向量进行一维排列以得到全局表面特征向量；计算所述全局表面特征向量与所述多个表面子特征向量中各个表面子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及，分别以所述多个概率值中各个概率值作为权重对所述多个表面子特征向量中各个表面子特征向量进行加权以得到所述多个表面语义特征向量。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练，包括：获取训练数据，所述训练数据包括待蚀刻半导体器件的训练表面状态图像，以及，所述氟化氢的含量和所述氟化铵的含量的真实值；将所述待蚀刻半导体器件的训练表面状态图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练表面特征图；对所述训练表面特征图进行沿通道维度进行全局池化以得到训练表面特征矩阵；对所述训练表面特征矩阵进行分块处理以得到多个训练表面子特征矩阵；将所述多个训练表面子特征矩阵展开为多个训练表面子特征向量；将所述多个训练表面子特征向量输入所述基于转换器的上下文编码器以得到训练解码特征向量；对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；将所述优化训练解码特征向量通过所述解码器以得到第一解码损失函数值和第二解码损失函数值；以及，基于所述第一解码损失函数值和所述第二解码损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量，包括：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；其中，所述优化公式为：
，其中，/>
表示所述训练解码特征向量的各个位置的特征值，/>
和/>
分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，/>
表示以2为底的对数函数，/>
表示反正弦函数，
表示反余弦函数，/>
表示所述优化训练解码特征向量的各个位置的特征值。
在一个具体示例中，在上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中，将所述优化训练解码特征向量通过所述解码器以得到第一解码损失函数值和第二解码损失函数值，包括：使用所述解码器以如下公式对所述优化训练解码特征向量进行解码回归以获得第一训练解码值；其中，所述公式为：
，其中/>
是所述优化训练解码特征向量，/>
是所述第一训练解码值，/>
是权重矩阵，/>
表示矩阵乘；以及，计算所述第一训练解码值和所述氟化氢的含量的真实值之间的方差作为所述第一解码损失函数值。
本领域技术人员可以理解，上述用于电子级缓冲氧化物蚀刻液生产的智能控制方法中的各个步骤的具体操作已经在上面参考图1到图7的用于电子级缓冲氧化物蚀刻液生产的智能控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
本申请还提供了一种计算机程序产品，所述计算机程序产品包括指令，当所述指令被执行时，以使得装置执行对应于上述方法中的操作。
在本申请的一个实施例中，还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存储有执行上述所述方法的计算机程序。
应可以理解，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等) 上实施的计算机程序产品的形式。
本申请实施例的方法、系统、和计算机程序产品的流程图和/或框图来描述的。应理解可由计算机程序指令实现流程图和/或框图中的每一流程和/或方框、以及流程图和/或框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或框图一个方框或多个方框中指定的功能的步骤。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端设备不仅包括那些要素，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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (5)
1.一种用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其特征在于，包括：
图像采集模块，用于获取由摄像头采集的待蚀刻半导体器件的表面状态图像；
图像特征提取模块，用于将所述待蚀刻半导体器件的表面状态图像通过包含深浅特征融合模块的卷积神经网络模型以得到表面特征图；
降维模块，用于对所述表面特征图进行沿通道维度进行全局池化以得到表面特征矩阵；
矩阵分块模块，用于对所述表面特征矩阵进行分块处理以得到多个表面子特征矩阵；
矩阵展开模块，用于将所述多个表面子特征矩阵展开为多个表面子特征向量；
表面状态上下文语义关联模块，用于将所述多个表面子特征向量输入基于转换器的上下文编码器以得到解码特征向量；以及
含量值确定模块，用于将所述解码特征向量通过解码器以得到第一解码值和第二解码值，所述第一解码值和所述第二解码值为氟化氢的含量和氟化铵的含量；
其中，所述用于电子级缓冲氧化物蚀刻液生产的智能控制系统还包括对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练的训练模块；
其中，所述训练模块，包括：
训练数据采集模块，用于获取训练数据，所述训练数据包括待蚀刻半导体器件的训练表面状态图像，以及，所述氟化氢的含量和所述氟化铵的含量的真实值；
训练图像特征提取模块，用于将所述待蚀刻半导体器件的训练表面状态图像通过所述包含深浅特征融合模块的卷积神经网络模型以得到训练表面特征图；
训练降维模块，用于对所述训练表面特征图进行沿通道维度进行全局池化以得到训练表面特征矩阵；
训练矩阵分块模块，用于对所述训练表面特征矩阵进行分块处理以得到多个训练表面子特征矩阵；
训练矩阵展开模块，用于将所述多个训练表面子特征矩阵展开为多个训练表面子特征向量；
训练表面状态上下文语义关联模块，用于将所述多个训练表面子特征向量输入所述基于转换器的上下文编码器以得到训练解码特征向量；
优化模块，用于对所述训练解码特征向量进行特征分布优化以得到优化训练解码特征向量；
解码损失模块，用于将所述优化训练解码特征向量通过所述解码器以得到第一解码损失函数值和第二解码损失函数值；以及
反向传播模块，用于基于所述第一解码损失函数值和所述第二解码损失函数值并通过梯度下降的反向传播来对所述包含深浅特征融合模块的卷积神经网络模型、所述基于转换器的上下文编码器和所述解码器进行训练；
其中，所述优化模块，用于：以如下优化公式对所述训练解码特征向量进行耿贝尔正态周期性重参数化以得到所述优化训练解码特征向量；
其中，所述优化公式为：
其中，
表示所述训练解码特征向量的各个位置的特征值，/>
和/>
分别是所述训练解码特征向量的各个位置的特征值集合的均值和方差，/>
表示以2为底的对数函数，
表示反正弦函数，/>
表示反余弦函数，/>
表示所述优化训练解码特征向量的各个位置的特征值。
2.根据权利要求1所述的用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其特征在于，所述图像特征提取模块，包括：
浅层特征提取单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的浅层提取浅层特征图；
深层特征提取单元，用于从所述包含深浅特征融合模块的卷积神经网络模型的深层提取深层特征图；以及
融合单元，用于使用所述包含深浅特征融合模块的卷积神经网络模型的深浅特征融合模块来融合所述浅层特征图和所述深层特征图以得到表面特征图。
3.根据权利要求2所述的用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其特征在于，所述表面状态上下文语义关联模块，包括：
上下文语义编码单元，用于使用所述基于转换器的上下文编码器对所述多个表面子特征向量进行基于全局的上下文语义编码以得到多个表面语义特征向量；以及
级联单元，用于将所述多个表面语义特征向量进行级联以得到所述解码特征向量。
4.根据权利要求3所述的用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其特征在于，所述上下文语义编码单元，包括：
查询向量构造子单元，用于将所述多个表面子特征向量进行一维排列以得到全局表面特征向量；
自注意子单元，用于计算所述全局表面特征向量与所述多个表面子特征向量中各个表面子特征向量的转置向量之间的乘积以得到多个自注意力关联矩阵；
标准化子单元，用于分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；
关注度计算子单元，用于将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；以及
注意力施加子单元，用于分别以所述多个概率值中各个概率值作为权重对所述多个表面子特征向量中各个表面子特征向量进行加权以得到所述多个表面语义特征向量。
5.根据权利要求4所述的用于电子级缓冲氧化物蚀刻液生产的智能控制系统，其特征在于，所述解码损失模块，包括：
第一解码单元，用于使用所述解码器以如下公式对所述优化训练解码特征向量进行解码回归以获得第一训练解码值；其中，所述公式为：
，其中/>
是所述优化训练解码特征向量，/>
是所述第一训练解码值，/>
是权重矩阵，/>
表示矩阵乘；以及
第一计算单元，用于计算所述第一训练解码值和所述氟化氢的含量的真实值之间的方差作为所述第一解码损失函数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333039.4A CN116047987B (zh) | 2023-03-31 | 2023-03-31 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310333039.4A CN116047987B (zh) | 2023-03-31 | 2023-03-31 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116047987A CN116047987A (zh) | 2023-05-02 |
| CN116047987B true CN116047987B (zh) | 2023-06-16 |
Family
ID=86116733
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310333039.4A Active CN116047987B (zh) | 2023-03-31 | 2023-03-31 | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116047987B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116544146B (zh) * | 2023-05-22 | 2024-04-09 | 浙江固驰电子有限公司 | 功率半导体器件真空烧结设备及方法 |
| CN117173100B (zh) * | 2023-07-31 | 2024-04-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
| CN117187808B (zh) * | 2023-09-16 | 2024-05-31 | 福建天甫电子材料有限公司 | 一种铝刻蚀的工艺流程优化方法和系统 |
| CN117131792B (zh) * | 2023-10-27 | 2024-01-26 | 苏州博洋化学股份有限公司 | 一种钛蚀刻液及其制备方法 |
| CN117854615B (zh) * | 2024-03-07 | 2024-05-03 | 苏州博洋化学股份有限公司 | 一种显示面板用铜蚀刻液配方及其研制方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03132602A (ja) * | 1989-10-18 | 1991-06-06 | Konica Corp | 色分解用回折格子 |
| US7244853B2 (en) * | 2001-05-09 | 2007-07-17 | President And Fellows Of Harvard College | Dioxanes and uses thereof |
| CN107463953B (zh) * | 2017-07-21 | 2019-11-19 | 上海媒智科技有限公司 | 在标签含噪情况下基于质量嵌入的图像分类方法及系统 |
| CN115240046B (zh) * | 2022-07-29 | 2023-04-07 | 福建天甫电子材料有限公司 | 用于缓冲氧化物蚀刻液生产的自动配料系统及其配料方法 |
| CN115202265A (zh) * | 2022-07-29 | 2022-10-18 | 福建天甫电子材料有限公司 | 电子级氢氧化钾的智慧产线的控制系统及其控制方法 |
| CN115837522A (zh) * | 2022-09-29 | 2023-03-24 | 中国电力科学研究院有限公司 | 一种适用于电力开关设备的激光蚀刻方法及系统 |
| CN115656086B (zh) * | 2022-11-17 | 2023-04-21 | 福建省龙氟新材料有限公司 | 一种电子级氟化氢的产品纯度测定系统及其方法 |
-
2023
- 2023-03-31 CN CN202310333039.4A patent/CN116047987B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115309215A (zh) * | 2022-08-05 | 2022-11-08 | 福建龙氟化工有限公司 | 氟化铵制备用的自动配料控制系统及其控制方法 |
| CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116047987A (zh) | 2023-05-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116047987B (zh) | 用于电子级缓冲氧化物蚀刻液生产的智能控制系统 | |
| CN107273864B (zh) | 一种基于深度学习的人脸检测方法 | |
| CN111259940B (zh) | 一种基于空间注意力地图的目标检测方法 | |
| CN111369522B (zh) | 基于生成对抗卷积神经网络的光场显著性目标检测方法 | |
| CN103871058B (zh) | 基于压缩采样矩阵分解的红外小目标检测方法 | |
| CN116051853A (zh) | 一种自控加水的和面罐及其使用方法 | |
| CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
| CN115019128B (zh) | 图像生成模型训练方法、图像生成方法及相关装置 | |
| CN116701568A (zh) | 一种基于3d卷积神经网络的短视频情感分类方法及系统 | |
| CN116351278A (zh) | 一种非水泥基贴片石粘结胶泥及其制备方法 | |
| Liu et al. | Uncertainty-aware graph reasoning with global collaborative learning for remote sensing salient object detection | |
| CN117114627A (zh) | 土地资源管理系统 | |
| CN116935166A (zh) | 模型训练方法、图像处理方法及装置、介质、设备 | |
| CN115563468A (zh) | 一种基于深度学习网络融合的自动调制分类方法 | |
| CN108920419B (zh) | 基于单参数的分数阶Fourier逆变换分级扫描方法 | |
| CN114283082A (zh) | 一种基于注意力机制的红外小目标检测方法 | |
| CN111488927B (zh) | 分类阈值确定方法、装置、电子设备及存储介质 | |
| CN115931778B (zh) | 镜片的折射率检测设备及其方法 | |
| CN116503376A (zh) | 生态挡土墙砌块及其智能化制备方法 | |
| CN116184197A (zh) | 一种电机检测方法、装置及终端设备 | |
| CN111179254B (zh) | 一种基于特征函数和对抗学习的域适应医学图像分割方法 | |
| Yoshitomi et al. | Facial Expression Recognition Using Facial Expression Intensity Characteristics of Thermal Image. | |
| CN112697883A (zh) | 基于音频向量协方差矩阵的混凝土管桩浇筑质量检测方法 | |
| CN117893915B (zh) | 基于改进的DeeplabV3+神经网络的遥感图像云检测方法 | |
| Fu et al. | Order detection for dependent samples using entropy rate |
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 |