CN116502963A - 一种基于人工智能的晶圆运输控制方法及系统 - Google Patents
一种基于人工智能的晶圆运输控制方法及系统 Download PDFInfo
- Publication number
- CN116502963A CN116502963A CN202310779996.XA CN202310779996A CN116502963A CN 116502963 A CN116502963 A CN 116502963A CN 202310779996 A CN202310779996 A CN 202310779996A CN 116502963 A CN116502963 A CN 116502963A
- Authority
- CN
- China
- Prior art keywords
- index
- wafer transportation
- wafer
- transportation
- control
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 28
- 230000007613 environmental effect Effects 0.000 claims abstract description 168
- 239000011159 matrix material Substances 0.000 claims abstract description 89
- 238000005457 optimization Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 5
- 239000002245 particle Substances 0.000 claims description 61
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000011156 evaluation Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 29
- 238000012098 association analyses Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010219 correlation analysis Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims 5
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 18
- 235000012431 wafers Nutrition 0.000 description 270
- 238000010276 construction Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000009972 noncorrosive effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种基于人工智能的晶圆运输控制方法及系统,涉及数据处理领域,其中,所述方法包括:遍历N个环境指标类型,获取N组关联控制参数;根据N组关联控制参数和N个环境指标类型,生成环境指标预测模型;将初始晶圆运输控制参数输入环境指标预测模型,获取环境指标预测结果;当晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵时,获取控制调节指令;对初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;根据晶圆运输控制参数优化结果进行晶圆运输控制。解决了现有技术中晶圆运输控制效果不佳等技术问题。达到了提升晶圆运输控制质量等技术效果。
Description
技术领域
本发明涉及数据处理领域,具体地,涉及一种基于人工智能的晶圆运输控制方法及系统。
背景技术
随着半导体产业的发展,晶圆生产受到人们的广泛关注。运输是晶圆生产的重要节点之一,对于晶圆生产质量具有重要影响。现有技术中,存在无法根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,导致晶圆运输控制的智能化程度低、精准性不足,以及晶圆运输控制效果不佳的技术问题。
发明内容
本申请提供了一种基于人工智能的晶圆运输控制方法及系统。解决了现有技术中无法根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,导致晶圆运输控制的智能化程度低、精准性不足,以及晶圆运输控制效果不佳的技术问题。
鉴于上述问题,本申请提供了一种基于人工智能的晶圆运输控制方法及系统。
第一方面,本申请提供了一种基于人工智能的晶圆运输控制方法,其中,所述方法应用于一种基于人工智能的晶圆运输控制系统,所述方法包括:获取环境指标约束矩阵和运输指标约束矩阵;遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;
根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
第二方面,本申请还提供了一种基于人工智能的晶圆运输控制系统,其中,所述系统包括:约束矩阵获取模块,所述约束矩阵获取模块用于获取环境指标约束矩阵和运输指标约束矩阵;参数关联性分析模块,所述参数关联性分析模块用于遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;训练模块,所述训练模块用于根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;环境指标预测模块,所述环境指标预测模块用于将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;调节指令获取模块,所述调节指令获取模块用于当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;参数优化模块,所述参数优化模块用于根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;晶圆运输控制模块,所述晶圆运输控制模块用于根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
通过环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数;根据N组关联控制参数和N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;将晶圆运输起点和晶圆运输终点输入晶圆运输装置,匹配初始晶圆运输控制参数;将初始晶圆运输控制参数输入环境指标预测模型,获取环境指标预测结果;当初始晶圆运输控制参数对应的晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵时,获取控制调节指令;根据控制调节指令对初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果,并按照晶圆运输控制参数优化结果进行晶圆运输控制。达到了实现根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,提高晶圆运输控制的智能化程度、精准性,提升晶圆运输控制质量的技术效果。
上述说明仅是本申请技术方案的概述,并且为了让本申请的技术方案和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对本公开实施例的附图作简单地介绍。明显地,下面描述中的附图仅仅涉及本公开的一些实施例,而非对本公开的限制。
图1为本申请一种基于人工智能的晶圆运输控制方法的流程示意图;
图2为本申请一种基于人工智能的晶圆运输控制方法中获取N组关联控制参数的流程示意图;
图3为本申请一种基于人工智能的晶圆运输控制方法中基于第y+1组控制参数赋值结果进行迭代优化的流程示意图;
图4为本申请一种基于人工智能的晶圆运输控制系统的结构示意图。
附图标记说明:约束矩阵获取模块11,参数关联性分析模块12,训练模块13,环境指标预测模块14,调节指令获取模块15,参数优化模块16,晶圆运输控制模块17。
具体实施方式
本申请通过提供一种基于人工智能的晶圆运输控制方法及系统。解决了现有技术中无法根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,导致晶圆运输控制的智能化程度低、精准性不足,以及晶圆运输控制效果不佳的技术问题。达到了实现根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,提高晶圆运输控制的智能化程度、精准性,提升晶圆运输控制质量的技术效果。
实施例一
请参阅附图1,本申请提供一种基于人工智能的晶圆运输控制方法,其中,所述方法应用于一种基于人工智能的晶圆运输控制系统,所述方法具体包括如下步骤:
步骤S100:获取环境指标约束矩阵和运输指标约束矩阵;
具体而言,基于晶圆运输对应的环境指标、运输指标,构建环境指标约束矩阵和运输指标约束矩阵。其中,环境指标约束矩阵包括N个环境指标类型,以及N个环境指标类型对应的N个环境指标区间。N个环境指标类型包括晶圆运输环境对应的湿度、温度、腐蚀性气体、灰尘浓度、磁场强度等多个环境指标类型。N个环境指标区间包括预先设置确定的湿度范围、温度范围、腐蚀性气体要求、灰尘浓度范围、磁场强度范围等多个环境指标区间信息。例如,N个环境指标区间包括晶圆运输环境湿度在35%以下、晶圆运输环境温度在25℃以下,以及晶圆运输环境无腐蚀性气体、晶圆运输环境灰尘浓度不超过1000个/立方厘米、晶圆运输环境磁场强度不超过50毫特斯拉。同理,运输指标约束矩阵包括多个运输指标类型,以及多个运输指标类型对应的多个运输指标区间。多个运输指标类型包括但不限于振动幅度、接触时长、接触面积、晶圆受力。多个运输指标区间包括预先设置确定的多个运输指标类型对应的振动幅度约束范围、接触时长约束范围、接触面积约束范围、晶圆受力约束范围。达到了确定环境指标约束矩阵和运输指标约束矩阵,为后续对晶圆进行运输控制奠定基础的技术效果。
步骤S200:遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;
进一步的,如附图2所示,本申请步骤S200还包括:
步骤S210:根据所述N个环境指标类型构建基准指标序列;以及
步骤S220:根据所述晶圆运输装置控制参数构建比对指标序列;
步骤S230:以所述基准指标序列和所述比对指标序列为检索目标,以晶圆运输装置型号为约束参数采集多条晶圆运输日志数据;
具体而言,基于环境指标约束矩阵中的N个环境指标类型,构建基准指标序列。基于晶圆运输装置控制参数,构建比对指标序列。继而,将基准指标序列和比对指标序列设置为检索目标,将晶圆运输装置型号设置为约束参数。晶圆运输装置型号包括晶圆运输装置对应的类型、型号规格。连接所述一种基于人工智能的晶圆运输控制系统,基于检索目标和约束参数,对所述一种基于人工智能的晶圆运输控制系统进行晶圆运输日志采集,获得多条晶圆运输日志数据。其中,所述基准指标序列包括环境指标约束矩阵中的N个环境指标类型。所述晶圆运输装置控制参数包括晶圆运输速度、晶圆运输路径、晶圆运输振动幅度、晶圆接触时长、晶圆接触面积、晶圆受力等多个控制参数类型。所述比对指标序列包括晶圆运输装置控制参数。每条晶圆运输日志数据包括检索目标和约束参数对应的多个历史环境指标参数、多个历史晶圆运输装置控制参数。达到了采集多条晶圆运输日志数据,为后续对晶圆运输装置控制参数进行关联性分析提供数据支持的技术效果。
步骤S240:根据所述多条晶圆运输日志数据对所述基准指标序列和所述比对指标序列进行关联度分析,获取关联度分析结果;
进一步的,本申请步骤S240还包括:
步骤S241:根据所述多条晶圆运输日志数据获取所述基准指标序列的第i个类型基准指标的多个基准指标记录数据;
步骤S242:根据所述多个基准指标记录数据从所述多条晶圆运输日志数据匹配所述比对指标序列的多组比对指标记录数据,其中,所述多组比对指标记录数据与所述比对指标序列一一对应;
步骤S243:对所述多个基准指标记录数据和所述多组比对指标记录数据进行归一化调整后,构建关联度分析矩阵;
步骤S244:获取关联度分析函数:,其中,表征第k列的比对指标与第i个类型基准指标的关联度,/>表征第i个类型基准指标,/>表征第k列的比对指标类型,/>表征关联度分析矩阵的/>的两级最小值,D表征关联度分析矩阵的/>的两级最大值,/>表征第i个类型基准指标对应列的第j行指标记录值,/>表征第k列的比对指标的第j行指标记录值,m为行数最大值,且/>所在列属于第0列,/>表征分辨率系数,为预设值;
步骤S245:根据所述关联度分析函数对所述关联度分析矩阵进行处理,获取多个第i个类型基准指标关联度分析结果;
步骤S246:将所述多个第i个类型基准指标关联度分析结果添加进所述关联度分析结果。
步骤S250:将所述关联度分析结果大于或等于关联度阈值的比对指标添加所述N组关联控制参数。
具体而言,依次将基准指标序列中的每个环境指标类型设置为第i个类型基准指标。基于第i个类型基准指标,遍历多条晶圆运输日志数据进行数据提取,获得多个基准指标记录数据。每个基准指标记录数据包括每条晶圆运输日志数据中,第i个类型基准指标对应的历史环境指标参数。继而,基于多个基准指标记录数据,遍历多条晶圆运输日志数据进行比对指标序列的数据提取,获得多组比对指标记录数据。每组比对指标记录数据包括每个基准指标记录数据对应的多个历史晶圆运输装置控制参数。
进一步,基于多个基准指标记录数据和多组比对指标记录数据进行归一化调整后,获得关联度分析矩阵。其中,归一化调整是指对多个基准指标记录数据和多组比对指标记录数据进行量纲消除,使得多个基准指标记录数据和多组比对指标记录数据转化为无量纲的纯数值。在关联度分析矩阵中,多个基准指标记录数据为第一列数据,多组比对指标记录数据为第一列数据之后的多列数据。每一行数据包括同一个基准指标记录数据对应的比对指标记录数据。
进一步,基于关联度分析函数对关联度分析矩阵进行计算,获取多个第i个类型基准指标关联度分析结果,并将多个第i个类型基准指标关联度分析结果添加至关联度分析结果。对关联度分析结果是否大于或等于关联度阈值进行判断。当关联度分析结果大于或等于关联度阈值时,将该关联度分析结果对应的晶圆运输日志数据添加至N组关联控制参数。
其中,在关联度分析函数中,表征第k列的比对指标与第i个类型基准指标的关联度,即/>为输出的第i个类型基准指标关联度分析结果;/>表征第i个类型基准指标,/>表征第k列的比对指标类型,/>表征关联度分析矩阵的/>的两级最小值,D表征关联度分析矩阵的/>的两级最大值,/>表征第i个类型基准指标对应列的第j行指标记录值,/>表征第k列的比对指标的第j行指标记录值,m为行数最大值,且/>所在列属于第0列,/>表征分辨率系数,为预设值,默认为0.5。所述关联度分析结果包括多个第i个类型基准指标关联度分析结果。所述关联度阈值包括预先设置确定的关联度阈值信息。所述N组关联控制参数包括多组关联控制参数。每组关联控制参数包括大于或等于关联度阈值的关联度分析结果对应的多个历史晶圆运输装置控制参数,以及这多个历史晶圆运输装置控制参数对应的环境指标类型。
达到了通过多条晶圆运输日志数据对基准指标序列和比对指标序列进行关联度分析,获取准确的N组关联控制参数,从而提高训练环境指标预测模型的全面性的技术效果。
步骤S300:根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;
进一步的,本申请步骤S300还包括:
步骤S310:获取所述N组关联控制参数中的第n组关联控制参数和所述第n组关联控制参数对应的所述N个环境指标类型中的第n类型环境指标;
步骤S320:以所述第n组关联控制参数和所述第n类型环境指标为检索目标采集训练数据集,基于神经网络结构有监督训练第n类型环境指标预测子模型;
步骤S330:将所述第n类型环境指标预测子模型添加进N个环境指标预测子模型,将所述N个环境指标预测子模型设为神经网络结构的N个并行网络节点合并,获取所述环境指标预测模型。
具体而言,依次将N个环境指标类型中的每个环境指标类型设置为第n类型环境指标。基于第n类型环境指标对N组关联控制参数进行数据提取,获得第n组关联控制参数。第n组关联控制参数包括N组关联控制参数中,第n类型环境指标对应的一组关联控制参数。进一步,将第n组关联控制参数和第n类型环境指标设置为检索目标,基于检索目标进行数据采集,获得训练数据集。基于神经网络结构对训练数据集进行有监督训练至收敛状态,获得第n类型环境指标预测子模型。将第n类型环境指标预测子模型添加至N个环境指标预测子模型。将N个环境指标预测子模型设置为神经网络结构的N个并行网络节点,并将神经网络结构的N个并行网络节点进行合并,获得环境指标预测模型。
其中,所述训练数据集包括检索目标对应的多组构建数据。每组构建数据包括第n类型环境指标对应的一组历史关联控制参数。神经网络结构包括输入层、隐藏层、输出层。神经网络结构是由神经元组成的高度非线性动力学系统。将已知环境指标的训练数据集作为训练集,建立一个环境指标预测模型,再用已建立的环境指标预测模型进行环境指标预测,这种方法称为有监督训练,又称有监督学习。通过有监督训练分析训练数据集,可以产生一个具有推断功能的预测模型,它可以用于对新样本进行映射。N个环境指标预测子模型包括第n类型环境指标预测子模型。环境指标预测模型包括输入层、N个并行网络节点、输出层。N个并行网络节点包括N个环境指标预测子模型。达到了通过N组关联控制参数和N个环境指标类型对神经网络模型进行训练,构建多维、全面、准确的环境指标预测模型,从而提高晶圆运输环境预测的精确度的技术效果。
步骤S400:将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;
步骤S500:当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;
具体而言,将晶圆运输起点和晶圆运输终点输入晶圆运输装置,匹配初始晶圆运输控制参数。将初始晶圆运输控制参数输入环境指标预测模型,获取环境指标预测结果。其中,所述晶圆运输装置可以为现有技术中的任意晶圆运输设备。且,所述晶圆运输装置与所述一种基于人工智能的晶圆运输控制系统通信连接。所述初始晶圆运输控制参数包括晶圆运输起点、晶圆运输终点对应的运输路线、运输速度、运输环境,以及晶圆运输状态参数。晶圆运输状态参数包括振动幅度参数、接触时长参数、接触面积参数、晶圆受力参数。示例性地,在匹配初始晶圆运输控制参数时,对晶圆运输装置进行运输控制记录查询,获得多个历史晶圆运输起点、多个历史晶圆运输起点,以及多个历史晶圆运输起点、多个历史晶圆运输起点对应的多个历史晶圆运输控制参数信息。分析多个历史晶圆运输起点、多个历史晶圆运输起点、多个历史晶圆运输控制参数信息之间的对应关系,按照对应关系将多个历史晶圆运输起点、多个历史晶圆运输起点、多个历史晶圆运输控制参数信息进行排列,获得晶圆运输控制数据库。将晶圆运输起点和晶圆运输终点输入晶圆运输控制数据库进行控制参数匹配,即可获得初始晶圆运输控制参数。所述环境指标预测结果包括N个环境指标类型对应的预测湿度参数、预测温度参数、预测腐蚀性气体数据、预测灰尘浓度、预测磁场强度等多个预测环境参数。
进一步,判断晶圆运输状态参数是否满足运输指标约束矩阵,判断环境指标预测结果是否满足环境指标约束矩阵。当晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵时,所述一种基于人工智能的晶圆运输控制系统自动生成控制调节指令。所述控制调节指令是用于表征晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵,需要对初始晶圆运输控制参数进行优化的指令信息。达到了通过对初始晶圆运输控制参数是否满足运输指标约束矩阵、环境指标约束矩阵进行判断,适应性地生成控制调节指令,从而提高晶圆运输控制参数调节的准确性、智能性的技术效果。
步骤S600:根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;
进一步的,本申请步骤S600还包括:
步骤S610:根据所述控制调节指令获取所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵的待优化运输状态;以及
步骤S620:获取所述环境指标预测结果不满足所述环境指标约束矩阵的待优化环境指标;
步骤S630:根据所述待优化环境指标或/和所述待优化运输状态,匹配待优化控制参数和所述待优化控制参数的第一调节约束区间;
具体而言,基于控制调节指令,对晶圆运输状态参数或/和环境指标预测结果进行数据提取,获得待优化运输状态或/和待优化环境指标。基于待优化运输状态或/和待优化环境指标,获得待优化控制参数和第一调节约束区间。其中,待优化运输状态包括不满足运输指标约束矩阵的晶圆运输状态参数。待优化环境指标包括不满足环境指标约束矩阵的环境指标预测结果。所述待优化控制参数包括待优化运输状态或/和待优化环境指标。所述第一调节约束区间包括待优化控制参数对应的调节范围信息。示例性地,在获得第一调节约束区间时,由晶圆运输专家根据晶圆运输装置的可调节参数范围对待优化控制参数进行约束区间匹配,即可获得第一调节约束区间。
步骤S640:将所述待优化环境指标或/和所述待优化运输状态设为多个引力粒子,其中,所述多个引力粒子包括粒子距离参数和粒子质量参数,所述粒子距离参数表征所述初始晶圆运输控制参数与任意一个所述待优化环境指标或/和所述待优化运输状态的偏差值归一化参数,所述粒子质量参数表征对所述待优化环境指标或/和所述待优化运输状态的偏重程度;
步骤S650:根据所述粒子距离参数和粒子质量参数构建优化适应度函数;
其中,所述优化适应度函数为:
其中,表征第y组控制参数赋值结果的适应度,/>表征引力常数,/>表征第y组控制参数赋值结果与第l个引力粒子的粒子距离参数,/>表征第l个引力粒子的距离参数最大阈值,/>表征第l个引力粒子的粒子质量参数,/>表征第y组控制参数赋值结果的质量参数,/>与能耗倒数正相关,L为多个引力粒子总数,l表征任意一个引力粒子的序号,1≤l≤L,l为整数。
步骤S660:根据所述第一调节约束区间对所述待优化控制参数进行随机赋值,获取第y组控制参数赋值结果;
步骤S670:将所述第y组控制参数赋值结果输入所述优化适应度函数输出第y组适应度评估结果;
步骤S680:当所述第y组适应度评估结果满足适应度阈值,将所述第y组控制参数赋值结果设为所述晶圆运输控制参数优化结果。
步骤S700:根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
具体而言,将待优化环境指标或/和待优化运输状态设置为多个引力粒子。所述多个引力粒子包括粒子距离参数和粒子质量参数。所述粒子距离参数表征初始晶圆运输控制参数与任意一个待优化环境指标或/和待优化运输状态的偏差值归一化参数。所述粒子质量参数表征对待优化环境指标或/和待优化运输状态的偏重程度。偏重程度越大,对应的粒子质量参数越大。基于粒子距离参数和粒子质量参数,构建优化适应度函数。进一步,基于第一调节约束区间对待优化控制参数进行随机调整,获得第y组控制参数赋值结果。将第y组控制参数赋值结果输入优化适应度函数,生成第y组适应度评估结果。对第y组适应度评估结果是否满足适应度阈值进行判断,当第y组适应度评估结果满足适应度阈值时,将第y组控制参数赋值结果输出为晶圆运输控制参数优化结果,并根据晶圆运输控制参数优化结果进行晶圆运输控制。其中,在优化适应度函数中,表征第y组控制参数赋值结果的适应度,即/>为输出的第y组适应度评估结果;/>表征引力常数,/>表征第y组控制参数赋值结果与第l个引力粒子的粒子距离参数,/>表征第l个引力粒子的距离参数最大阈值,/>表征第l个引力粒子的粒子质量参数,/>表征第y组控制参数赋值结果的质量参数,/>与能耗倒数正相关,L为多个引力粒子总数,l表征任意一个引力粒子的序号,1≤l≤L,l为整数。所述适应度阈值包括预先设置确定的适应度阈值信息。所述晶圆运输控制参数优化结果包括满足适应度阈值的第y组适应度评估结果对应的第y组控制参数赋值结果。达到了通过优化适应度函数,筛选满足适应度阈值的晶圆运输控制参数优化结果,从而提高晶圆运输控制质量的技术效果。
进一步的,如附图3所示,本申请步骤S680还包括:
步骤S681:当所述第y组适应度评估结果不满足适应度阈值,判断所述第y组适应度评估结果是否大于或等于第y-1组适应度评估结果;
步骤S682:若大于或等于,根据所述第y组控制参数赋值结果设定第二调节约束区间,其中,所述第二调节约束区间属于所述第一调节约束区间;
步骤S683:根据所述第二调节约束区间对所述第y组控制参数赋值结果进行随机调整,获取第y+1组控制参数赋值结果;
步骤S684:结合所述优化适应度函数基于所述第y+1组控制参数赋值结果进行迭代优化。
具体而言,基于第一调节约束区间对待优化控制参数进行随机调整,获得第y-1组控制参数赋值结果。将第y-1组控制参数赋值结果输入优化适应度函数,生成第y-1组适应度评估结果。当第y组适应度评估结果不满足适应度阈值时,对第y组适应度评估结果是否大于或等于第y-1组适应度评估结果进行判断。如果第y组适应度评估结果大于或等于第y-1组适应度评估结果,则,基于第y组控制参数赋值结果设置第二调节约束区间。且,第二调节约束区间属于第一调节约束区间。示例性地,在生成第二调节约束区间时,按照预先设置确定的区间浮动比对第y组控制参数赋值结果进行计算,获得第二调节约束区间。所述第二调节约束区间包括由区间上限值、区间下限值构成的区间范围信息。区间浮动比包括区间上限百分率、区间下限百分率。区间上限值包括区间上限百分率与第y组控制参数赋值结果之间的乘积。区间下限值包括区间下限百分率与第y组控制参数赋值结果之间的乘积。同理,如果第y组适应度评估结果小于第y-1组适应度评估结果,则,基于第y-1组控制参数赋值结果设置第二调节约束区间。
进一步,根据第二调节约束区间对第y组控制参数赋值结果进行随机调整,获取第y+1组控制参数赋值结果,并基于优化适应度函数对第y+1组控制参数赋值结果进行迭代优化。对第y+1组控制参数赋值结果进行迭代优化的过程与获得晶圆运输控制参数优化结果的过程相同,为了说明书的简洁,在此不再赘述。达到了在第y组适应度评估结果不满足适应度阈值时,基于优化适应度函数对第y+1组控制参数赋值结果进行迭代优化,从而提高对初始晶圆运输控制参数进行优化分析的全面性、精确度的技术效果。
综上所述,本申请所提供的一种基于人工智能的晶圆运输控制方法具有如下技术效果:
1.通过环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数;根据N组关联控制参数和N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;将晶圆运输起点和晶圆运输终点输入晶圆运输装置,匹配初始晶圆运输控制参数;将初始晶圆运输控制参数输入环境指标预测模型,获取环境指标预测结果;当初始晶圆运输控制参数对应的晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵时,获取控制调节指令;根据控制调节指令对初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果,并按照晶圆运输控制参数优化结果进行晶圆运输控制。达到了实现根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,提高晶圆运输控制的智能化程度、精准性,提升晶圆运输控制质量的技术效果。
2.通过N组关联控制参数和N个环境指标类型对神经网络模型进行训练,构建多维、全面、准确的环境指标预测模型,从而提高晶圆运输环境预测的精确度。
3.通过优化适应度函数,筛选满足适应度阈值的晶圆运输控制参数优化结果,从而提高晶圆运输控制质量。
实施例二
基于与前述实施例中一种基于人工智能的晶圆运输控制方法,同样发明构思,本发明还提供了一种基于人工智能的晶圆运输控制系统,请参阅附图4,所述系统包括:
约束矩阵获取模块11,所述约束矩阵获取模块11用于获取环境指标约束矩阵和运输指标约束矩阵;
参数关联性分析模块12,所述参数关联性分析模块12用于遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;
训练模块13,所述训练模块13用于根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;
环境指标预测模块14,所述环境指标预测模块14用于将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;
调节指令获取模块15,所述调节指令获取模块15用于当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;
参数优化模块16,所述参数优化模块16用于根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;
晶圆运输控制模块17,所述晶圆运输控制模块17用于根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
进一步的,所述系统还包括:
基准序列构建模块,所述基准序列构建模块用于根据所述N个环境指标类型构建基准指标序列;以及
比对序列构建模块,所述比对序列构建模块用于根据所述晶圆运输装置控制参数构建比对指标序列;
日志数据采集模块,所述日志数据采集模块用于以所述基准指标序列和所述比对指标序列为检索目标,以晶圆运输装置型号为约束参数采集多条晶圆运输日志数据;
关联度分析结果获取模块,所述关联度分析结果获取模块用于根据所述多条晶圆运输日志数据对所述基准指标序列和所述比对指标序列进行关联度分析,获取关联度分析结果;
第一执行模块,所述第一执行模块用于将所述关联度分析结果大于或等于关联度阈值的比对指标添加所述N组关联控制参数。
进一步的,所述系统还包括:
第二执行模块,所述第二执行模块用于根据所述多条晶圆运输日志数据获取所述基准指标序列的第i个类型基准指标的多个基准指标记录数据;
比对数据匹配模块,所述比对数据匹配模块用于根据所述多个基准指标记录数据从所述多条晶圆运输日志数据匹配所述比对指标序列的多组比对指标记录数据,其中,所述多组比对指标记录数据与所述比对指标序列一一对应;
关联度分析矩阵构建模块,所述关联度分析矩阵构建模块用于对所述多个基准指标记录数据和所述多组比对指标记录数据进行归一化调整后,构建关联度分析矩阵;
关联度分析函数获取模块,所述关联度分析函数获取模块用于获取关联度分析函数:,其中,/>表征第k列的比对指标与第i个类型基准指标的关联度,/>表征第i个类型基准指标,/>表征第k列的比对指标类型,/>表征关联度分析矩阵的/>的两级最小值,D表征关联度分析矩阵的/>的两级最大值,/>表征第i个类型基准指标对应列的第j行指标记录值,/>表征第k列的比对指标的第j行指标记录值,m为行数最大值,且/>所在列属于第0列,/>表征分辨率系数,为预设值;
第三执行模块,所述第三执行模块用于根据所述关联度分析函数对所述关联度分析矩阵进行处理,获取多个第i个类型基准指标关联度分析结果;
第四执行模块,所述第四执行模块用于将所述多个第i个类型基准指标关联度分析结果添加进所述关联度分析结果。
进一步的,所述系统还包括:
第n类型环境指标确定模块,所述第n类型环境指标确定模块用于获取所述N组关联控制参数中的第n组关联控制参数和所述第n组关联控制参数对应的所述N个环境指标类型中的第n类型环境指标;
第五执行模块,所述第五执行模块用于以所述第n组关联控制参数和所述第n类型环境指标为检索目标采集训练数据集,基于神经网络结构有监督训练第n类型环境指标预测子模型;
合并模块,所述合并模块用于将所述第n类型环境指标预测子模型添加进N个环境指标预测子模型,将所述N个环境指标预测子模型设为神经网络结构的N个并行网络节点合并,获取所述环境指标预测模型。
进一步的,所述系统还包括:
待优化运输状态确定模块,所述待优化运输状态确定模块用于根据所述控制调节指令获取所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵的待优化运输状态;以及
待优化环境指标确定模块,所述待优化环境指标确定模块用于获取所述环境指标预测结果不满足所述环境指标约束矩阵的待优化环境指标;
第一调节约束区间确定模块,所述第一调节约束区间确定模块用于根据所述待优化环境指标或/和所述待优化运输状态,匹配待优化控制参数和所述待优化控制参数的第一调节约束区间;
第六执行模块,所述第六执行模块用于将所述待优化环境指标或/和所述待优化运输状态设为多个引力粒子,其中,所述多个引力粒子包括粒子距离参数和粒子质量参数,所述粒子距离参数表征所述初始晶圆运输控制参数与任意一个所述待优化环境指标或/和所述待优化运输状态的偏差值归一化参数,所述粒子质量参数表征对所述待优化环境指标或/和所述待优化运输状态的偏重程度;
第七执行模块,所述第七执行模块用于根据所述粒子距离参数和粒子质量参数构建优化适应度函数;
随机赋值模块,所述随机赋值模块用于根据所述第一调节约束区间对所述待优化控制参数进行随机赋值,获取第y组控制参数赋值结果;
适应度评估结果输出模块,所述适应度评估结果输出模块用于将所述第y组控制参数赋值结果输入所述优化适应度函数输出第y组适应度评估结果;
第八执行模块,所述第八执行模块用于当所述第y组适应度评估结果满足适应度阈值,将所述第y组控制参数赋值结果设为所述晶圆运输控制参数优化结果。
进一步的,所述系统还包括:适应度判断模块,所述适应度判断模块用于当所述第y组适应度评估结果不满足适应度阈值,判断所述第y组适应度评估结果是否大于或等于第y-1组适应度评估结果;
第二调节约束区间获得模块,所述第二调节约束区间获得模块用于若大于或等于,根据所述第y组控制参数赋值结果设定第二调节约束区间,其中,所述第二调节约束区间属于所述第一调节约束区间;
随机调整模块,所述随机调整模块用于根据所述第二调节约束区间对所述第y组控制参数赋值结果进行随机调整,获取第y+1组控制参数赋值结果;
迭代优化模块,所述迭代优化模块用于结合所述优化适应度函数基于所述第y+1组控制参数赋值结果进行迭代优化。
进一步的,所述系统还包括:
函数组成模块,所述函数组成模块用于所述优化适应度函数为:
,其中,/>表征第y组控制参数赋值结果的适应度,表征引力常数,/>表征第y组控制参数赋值结果与第l个引力粒子的粒子距离参数,/>表征第l个引力粒子的距离参数最大阈值,/>表征第l个引力粒子的粒子质量参数,/>表征第y组控制参数赋值结果的质量参数,/>与能耗倒数正相关,L为多个引力粒子总数,l表征任意一个引力粒子的序号,1≤l≤L,l为整数。
本发明实施例所提供的一种基于人工智能的晶圆运输控制系统可执行本发明任意实施例所提供的一种基于人工智能的晶圆运输控制方法,具备执行方法相应的功能模块和有益效果。
所包括的各个模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能模块的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
本申请提供了一种基于人工智能的晶圆运输控制方法,其中,所述方法应用于一种基于人工智能的晶圆运输控制系统,所述方法包括:通过环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数;根据N组关联控制参数和N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;将晶圆运输起点和晶圆运输终点输入晶圆运输装置,匹配初始晶圆运输控制参数;将初始晶圆运输控制参数输入环境指标预测模型,获取环境指标预测结果;当初始晶圆运输控制参数对应的晶圆运输状态参数不满足运输指标约束矩阵,或/和环境指标预测结果不满足环境指标约束矩阵时,获取控制调节指令;根据控制调节指令对初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果,并按照晶圆运输控制参数优化结果进行晶圆运输控制。解决了现有技术中无法根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,导致晶圆运输控制的智能化程度低、精准性不足,以及晶圆运输控制效果不佳的技术问题。达到了实现根据晶圆运输状态、晶圆运输环境进行适应性地晶圆运输控制参数调节,提高晶圆运输控制的智能化程度、精准性,提升晶圆运输控制质量的技术效果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于人工智能的晶圆运输控制方法,其特征在于,包括:
获取环境指标约束矩阵和运输指标约束矩阵;
遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;
根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;
将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;
当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;
根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;
根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
2.如权利要求1所述的方法,其特征在于,遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数,包括:
根据所述N个环境指标类型构建基准指标序列;以及
根据所述晶圆运输装置控制参数构建比对指标序列;
以所述基准指标序列和所述比对指标序列为检索目标,以晶圆运输装置型号为约束参数采集多条晶圆运输日志数据;
根据所述多条晶圆运输日志数据对所述基准指标序列和所述比对指标序列进行关联度分析,获取关联度分析结果;
将所述关联度分析结果大于或等于关联度阈值的比对指标添加所述N组关联控制参数。
3.如权利要求2所述的方法,其特征在于,根据所述多条晶圆运输日志数据对所述基准指标序列和所述比对指标序列进行关联度分析,获取关联度分析结果,包括:
根据所述多条晶圆运输日志数据获取所述基准指标序列的第i个类型基准指标的多个基准指标记录数据;
根据所述多个基准指标记录数据从所述多条晶圆运输日志数据匹配所述比对指标序列的多组比对指标记录数据,其中,所述多组比对指标记录数据与所述比对指标序列一一对应;
对所述多个基准指标记录数据和所述多组比对指标记录数据进行归一化调整后,构建关联度分析矩阵;
获取关联度分析函数:,其中,/>表征第k列的比对指标与第i个类型基准指标的关联度,/>表征第i个类型基准指标,/>表征第k列的比对指标类型,/>表征关联度分析矩阵的/>的两级最小值,D表征关联度分析矩阵的/>的两级最大值,/>表征第i个类型基准指标对应列的第j行指标记录值,/>表征第k列的比对指标的第j行指标记录值,m为行数最大值,且/>所在列属于第0列,/>表征分辨率系数,为预设值;
根据所述关联度分析函数对所述关联度分析矩阵进行处理,获取多个第i个类型基准指标关联度分析结果;
将所述多个第i个类型基准指标关联度分析结果添加进所述关联度分析结果。
4.如权利要求1所述的方法,其特征在于,根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型,包括:
获取所述N组关联控制参数中的第n组关联控制参数和所述第n组关联控制参数对应的所述N个环境指标类型中的第n类型环境指标;
以所述第n组关联控制参数和所述第n类型环境指标为检索目标采集训练数据集,基于神经网络结构有监督训练第n类型环境指标预测子模型;
将所述第n类型环境指标预测子模型添加进N个环境指标预测子模型,将所述N个环境指标预测子模型设为神经网络结构的N个并行网络节点合并,获取所述环境指标预测模型。
5.如权利要求1所述的方法,其特征在于,根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果,包括:
根据所述控制调节指令获取所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵的待优化运输状态;以及
获取所述环境指标预测结果不满足所述环境指标约束矩阵的待优化环境指标;
根据所述待优化环境指标或/和所述待优化运输状态,匹配待优化控制参数和所述待优化控制参数的第一调节约束区间;
将所述待优化环境指标或/和所述待优化运输状态设为多个引力粒子,其中,所述多个引力粒子包括粒子距离参数和粒子质量参数,所述粒子距离参数表征所述初始晶圆运输控制参数与任意一个所述待优化环境指标或/和所述待优化运输状态的偏差值归一化参数,所述粒子质量参数表征对所述待优化环境指标或/和所述待优化运输状态的偏重程度;
根据所述粒子距离参数和粒子质量参数构建优化适应度函数;
根据所述第一调节约束区间对所述待优化控制参数进行随机赋值,获取第y组控制参数赋值结果;
将所述第y组控制参数赋值结果输入所述优化适应度函数输出第y组适应度评估结果;
当所述第y组适应度评估结果满足适应度阈值,将所述第y组控制参数赋值结果设为所述晶圆运输控制参数优化结果。
6.如权利要求5所述的方法,其特征在于,还包括:
当所述第y组适应度评估结果不满足适应度阈值,判断所述第y组适应度评估结果是否大于或等于第y-1组适应度评估结果;
若大于或等于,根据所述第y组控制参数赋值结果设定第二调节约束区间,其中,所述第二调节约束区间属于所述第一调节约束区间;
根据所述第二调节约束区间对所述第y组控制参数赋值结果进行随机调整,获取第y+1组控制参数赋值结果;
结合所述优化适应度函数基于所述第y+1组控制参数赋值结果进行迭代优化。
7.如权利要求5所述的方法,其特征在于,所述优化适应度函数为:
,其中,/>表征第y组控制参数赋值结果的适应度,/>表征引力常数,/>表征第y组控制参数赋值结果与第l个引力粒子的粒子距离参数,/>表征第l个引力粒子的距离参数最大阈值,/>表征第l个引力粒子的粒子质量参数,/>表征第y组控制参数赋值结果的质量参数,/>与能耗倒数正相关,L为多个引力粒子总数,l表征任意一个引力粒子的序号,1≤l≤L,l为整数。
8.一种基于人工智能的晶圆运输控制系统,其特征在于,所述系统用于执行权利要求1至7任一项所述的方法,所述系统包括:
约束矩阵获取模块,所述约束矩阵获取模块用于获取环境指标约束矩阵和运输指标约束矩阵;
参数关联性分析模块,所述参数关联性分析模块用于遍历所述环境指标约束矩阵的N个环境指标类型对晶圆运输装置控制参数进行关联性分析,获取N组关联控制参数,其中,N≥0,N为整数;
训练模块,所述训练模块用于根据所述N组关联控制参数和所述N个环境指标类型对神经网络模型进行训练,生成环境指标预测模型;
环境指标预测模块,所述环境指标预测模块用于将晶圆运输起点和晶圆运输终点输入晶圆运输装置匹配初始晶圆运输控制参数输入所述环境指标预测模型,获取环境指标预测结果;
调节指令获取模块,所述调节指令获取模块用于当所述初始晶圆运输控制参数对应的晶圆运输状态参数不满足所述运输指标约束矩阵,或/和所述环境指标预测结果不满足所述环境指标约束矩阵时,获取控制调节指令;
参数优化模块,所述参数优化模块用于根据所述控制调节指令对所述初始晶圆运输控制参数进行优化,获取晶圆运输控制参数优化结果;
晶圆运输控制模块,所述晶圆运输控制模块用于根据所述晶圆运输控制参数优化结果进行晶圆运输控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779996.XA CN116502963B (zh) | 2023-06-29 | 2023-06-29 | 一种基于人工智能的晶圆运输控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310779996.XA CN116502963B (zh) | 2023-06-29 | 2023-06-29 | 一种基于人工智能的晶圆运输控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116502963A true CN116502963A (zh) | 2023-07-28 |
CN116502963B CN116502963B (zh) | 2023-09-15 |
Family
ID=87328879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310779996.XA Active CN116502963B (zh) | 2023-06-29 | 2023-06-29 | 一种基于人工智能的晶圆运输控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116502963B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117096068A (zh) * | 2023-10-18 | 2023-11-21 | 江苏卓玉智能科技有限公司 | 在ic封装中的晶圆覆膜加工控制方法及系统 |
CN117131646A (zh) * | 2023-10-26 | 2023-11-28 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体生产环境控制方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615065A (zh) * | 2018-03-29 | 2018-10-02 | 江苏大学 | 一种智能指示三维码及其对食品质量监控的方法 |
CN108846152A (zh) * | 2018-04-23 | 2018-11-20 | 中交武汉港湾工程设计研究院有限公司 | 基于bim的装配式剪力墙结构吊装阶段场地优化布置方法 |
CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
CN109801023A (zh) * | 2019-02-22 | 2019-05-24 | 北京航空航天大学 | 一种多约束条件下的多模式交通联运方法及装置 |
CN113326976A (zh) * | 2021-05-08 | 2021-08-31 | 东南大学 | 一种基于时空关联的港口货运量在线预测方法及系统 |
CN114565162A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 一种飞行器运输状态监测与安全防护方法及系统 |
CN114819339A (zh) * | 2022-04-25 | 2022-07-29 | 广东工业大学 | 一种基于仿真粒子群算法的agv配置优化方法 |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
-
2023
- 2023-06-29 CN CN202310779996.XA patent/CN116502963B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108615065A (zh) * | 2018-03-29 | 2018-10-02 | 江苏大学 | 一种智能指示三维码及其对食品质量监控的方法 |
CN108846152A (zh) * | 2018-04-23 | 2018-11-20 | 中交武汉港湾工程设计研究院有限公司 | 基于bim的装配式剪力墙结构吊装阶段场地优化布置方法 |
CN109271938A (zh) * | 2018-09-19 | 2019-01-25 | 上海鸢安智能科技有限公司 | 一种基于智能视频分析技术的加油站卸油过程安全监控方法 |
CN109801023A (zh) * | 2019-02-22 | 2019-05-24 | 北京航空航天大学 | 一种多约束条件下的多模式交通联运方法及装置 |
CN113326976A (zh) * | 2021-05-08 | 2021-08-31 | 东南大学 | 一种基于时空关联的港口货运量在线预测方法及系统 |
CN114565162A (zh) * | 2022-03-01 | 2022-05-31 | 北京九天翱翔科技有限公司 | 一种飞行器运输状态监测与安全防护方法及系统 |
CN114819339A (zh) * | 2022-04-25 | 2022-07-29 | 广东工业大学 | 一种基于仿真粒子群算法的agv配置优化方法 |
CN115826541A (zh) * | 2023-02-16 | 2023-03-21 | 一夫科技股份有限公司 | 一种β型建筑石膏粉的生产控制方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117096068A (zh) * | 2023-10-18 | 2023-11-21 | 江苏卓玉智能科技有限公司 | 在ic封装中的晶圆覆膜加工控制方法及系统 |
CN117096068B (zh) * | 2023-10-18 | 2023-12-26 | 江苏卓玉智能科技有限公司 | 在ic封装中的晶圆覆膜加工控制方法及系统 |
CN117131646A (zh) * | 2023-10-26 | 2023-11-28 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体生产环境控制方法及系统 |
CN117131646B (zh) * | 2023-10-26 | 2023-12-29 | 苏州顶材新材料有限公司 | 共混型互穿网络热塑性弹性体生产环境控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116502963B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116502963B (zh) | 一种基于人工智能的晶圆运输控制方法及系统 | |
CN110442666B (zh) | 一种基于神经网络模型的矿产资源预测方法及系统 | |
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
CN116205310B (zh) | 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法 | |
CN110766222A (zh) | 基于粒子群参数优化和随机森林的pm2.5浓度预测方法 | |
CN116307745B (zh) | 一种工程项目智能风险监管预警方法及系统 | |
CN107992645A (zh) | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 | |
CN112712169A (zh) | 基于图卷积的全残差深度网络的模型建立方法及应用 | |
Zhuang et al. | Long-lead prediction of extreme precipitation cluster via a spatiotemporal convolutional neural network | |
CN113743011A (zh) | 一种基于pso-bp神经网络的设备寿命预测方法和系统 | |
CN113221442B (zh) | 一种电厂设备健康评估模型的构建方法及装置 | |
Zhang et al. | A diverse ensemble deep learning method for short-term traffic flow prediction based on spatiotemporal correlations | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
Huang et al. | Prediction of effluent parameters of wastewater treatment plant based on improved least square support vector machine with PSO | |
CN116796291A (zh) | 一种基于lstm-mea-svr空气质量预报的系统 | |
CN115859701A (zh) | 一种基于电缆检测数据的增设分析方法及系统 | |
CN113688506B (zh) | 基于微站等多维数据的潜在大气污染源识别方法 | |
Mlakar | Determination of features for air pollution forecasting models | |
Gousseau | VGG CNN for urban sound tagging | |
Liu et al. | Ultra-short-term wind power forecasting based on stacking model | |
CN117235475B (zh) | 一种用于镉治理设备的分布式运行控制方法及系统 | |
CN113746813B (zh) | 基于两阶段学习模型的网络攻击检测系统及方法 | |
CN117081064B (zh) | 一种基于误差评估的风电功率组合预测方法和系统 |
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 |