CN117077459B - 一种融合物流的半导体制造仿真模型构建方法及装置 - Google Patents
一种融合物流的半导体制造仿真模型构建方法及装置 Download PDFInfo
- Publication number
- CN117077459B CN117077459B CN202311343360.7A CN202311343360A CN117077459B CN 117077459 B CN117077459 B CN 117077459B CN 202311343360 A CN202311343360 A CN 202311343360A CN 117077459 B CN117077459 B CN 117077459B
- Authority
- CN
- China
- Prior art keywords
- simulation
- logistics
- module
- parameters
- parameter
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 217
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 67
- 239000004065 semiconductor Substances 0.000 title claims abstract description 67
- 230000004927 fusion Effects 0.000 title claims abstract description 25
- 230000003993 interaction Effects 0.000 claims abstract description 83
- 238000005457 optimization Methods 0.000 claims abstract description 58
- 230000008569 process Effects 0.000 claims abstract description 42
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims description 67
- 230000003068 static effect Effects 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005094 computer simulation Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 238000005530 etching Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000005229 chemical vapour deposition Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 3
- 238000009749 continuous casting Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005468 ion implantation Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000000623 plasma-assisted chemical vapour deposition Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- WFKWXMTUELFFGS-UHFFFAOYSA-N tungsten Chemical compound [W] WFKWXMTUELFFGS-UHFFFAOYSA-N 0.000 description 2
- 229910052721 tungsten Inorganic materials 0.000 description 2
- 239000010937 tungsten Substances 0.000 description 2
- OKLGKGPAZUNROU-YUMQZZPRSA-N 2-amino-2-deoxyisochorismic acid Chemical compound N[C@@H]1[C@@H](OC(=C)C(O)=O)C=CC=C1C(O)=O OKLGKGPAZUNROU-YUMQZZPRSA-N 0.000 description 1
- 241001103870 Adia Species 0.000 description 1
- 102100031792 Adipogenin Human genes 0.000 description 1
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 1
- 229910002601 GaN Inorganic materials 0.000 description 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 description 1
- 101000775466 Homo sapiens Adipogenin Proteins 0.000 description 1
- 238000004566 IR spectroscopy Methods 0.000 description 1
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000001459 lithography Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种融合物流的半导体制造仿真模型构建方法及装置，方法包括如下步骤：基于半导体制造工艺，获取模拟制造参数，其中，模拟制造参数包括工艺参数和仿真参数；构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环；结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，完成融合物流半导体制造仿真模型的构建。本发明给出的半导体制造仿真模型轻量化，方便仿真的迭代优化。
Description
技术领域
本发明属于半导体仿真技术领域，具体涉及一种融合物流的半导体制造仿真模型构建方法及装置。
背景技术
在工程实际中，针对生产或物流的仿真，要么聚焦于局部仿真验证，而非全场、完整周期的仿真；要么只能做到尽可能地逼真还原，而非分析预测、优化改进。
如专利CN101789096A给出一种基于目标导引的炼钢-连铸生产物流仿真优化方法，该方法以满足连铸机的连续浇铸为目标，通过目标的导向作用，引导物流对象在生产流程网络中的仿真演化运行，借助全局与局部目标、规则和信息的有机集成，从而实现仿真过程在他组织牵引和约束下的自组织演化，得到满足现实目标和约束条件的仿真优化结果，同时模型可以表达并反映生产过程中的各生产工序环节的作业时间的随机特性，进行仿真结果的评价。该方法能够用于优化炼钢-连铸的生产流程设计，以及辅助优化生产运行，实现对生产流程合理性的分析，进行生产作业计划的制定和辅助生产调度。
但是，由于其涉足的是钢铁生产领域，其生产仿真尚未考虑离散、多任务、多因素耦合等复杂情况，在技术难度和深度上稍显不足。
半导体业界针对智能工厂的数字化仿真项目，大多尚未开始，或处于起步阶段。在半导体领域，对生产制造和物流搬运进行数字化仿真，尽可能还原生产和物流的工艺要求和实际工况，并根据外在的物理环境构建虚拟的数字化工厂，对设备数量配置、排产优化、工艺区布局合理性检验、物流搬送能力评测等生产制造中的重要问题交付科学合理、直观可视的数字化解决方案，辅助设计人员和投资方完成预测分析、优化改良、对比验证、投资决策等多种个性化任务需求。
因此，探究融合物流的半导体制造仿真模型，以实现半导体制造的全场、完整周期还原，分析预测以及优化改进是本领域技术人员亟待解决的问题。
发明内容
针对上述现有技术中存在的缺陷，本发明提供了一种融合物流的半导体制造仿真模型构建方法及装置，基于半导体制造工艺，获取模拟制造参数；构建模拟半导体制造的初始仿真模型；基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环；结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，完成融合物流半导体制造仿真模型的构建。本发明针对半导体领域，在顶层设计层面提出一种将生产和物流模块彼此分离，又紧密联系的方案，彼此分离是指在整个仿真模型中，生产和物流是相对独立且完整的两大模块，紧密联系是指在具体仿真中，二者的输出结果，互为对方的输入条件，在多轮次的相互迭代优化中，最终逐渐贴合半导体工厂的真实物理环境，能够给出准确科学的仿真分析、预测、优化、决策方案。
第一方面，本发明提供一种融合物流的半导体制造仿真模型构建方法，包括如下步骤：
基于半导体制造工艺，获取模拟制造参数，其中，模拟制造参数包括工艺参数和仿真参数；
构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环；
结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，完成融合物流半导体制造仿真模型的构建。
进一步的，工艺参数包括订单数据、工艺流程数据、机台基础数据及半导体产出数据，仿真参数包括机台运行各阶段的时间数据。
进一步的，交互参数包括第一交互参数和第二交互参数；
第一交互参数包括机台布局信息和第一物流任务信息，第一交互参数由生产模块输出，并输入至物流模块；
第二交互参数包括第二物流搬运时间数据，第二交互参数由物流模块输出，并输入至生产模块；
其中，第一物流任务信息包括物流对象、第一物流始终点及第一物流搬运时间数据。
进一步的，生产模块包括第一仿真子模块和第一优化子模块，物流模块包括第二仿真子模块和第二优化子模块；
第一仿真子模块将模拟制造参数及第二交互参数进行参数化离散仿真，得到第一交互参数和第一评价指标参数，其中，第一评价指标参数包括产品类指标参数、设备类指标参数及生产类指标参数；
第一优化子模块根据第一评价指标参数对参数化离散仿真进行评价，并给出更新迭代方向；
第二仿真子模块将第一交互参数进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，其中，第二物流任务信息包括物流对象、第二物流始终点及第二物流搬运时间数据，第二评价指标参数包括OHT利用率，第二物流搬运时间数据的获取，具体包括：
获取第二仿真子模块给出的初始第二物流搬运时间数据，n为第二物流搬运中搬运任务的次数，/>为第i次搬运任务所需初始物流搬运时间；
对初始第二物流搬运时间数据进行估计值寻优，给出第二物流搬运时间数据，/>，/>为第i次搬运任务所需物流搬运时间，初始第二物流搬运时间数据的估计值寻优具体表示为：
其中，f()为初始第二物流搬运时间数据的模型函数，F()为针对模型函数f()的估计值寻优函数，MIN为差值的最小二乘法函数；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向。
进一步的，参数化离散仿真包括静态仿真和动态仿真；
第一仿真子模块将模拟制造参数及第二交互参数进行参数化离散仿真，得到第一交互参数和第一评价指标参数，具体包括：
第一仿真子模块对输入的工艺参数进行静态仿真，获取初始的机台布局信息及第一评价指标参数；
第一仿真子模块再对初始的机台布局信息及第一评价指标参数进行动态仿真，结合仿真参数和第二交互参数，得到第一交互参数和第一评价指标参数。
进一步的，第二仿真子模块包括上层调度部分和下层调度部分，下层调度部分包括物流仿真逻辑信息；
第二仿真子模块将第一交互参数进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，具体包括如下步骤：
上层调度部分解析机台布局信息，接收第一物流任务信息；
上层调度部分向下层调度部分发出调用物流仿真逻辑信息的指令；
给出第二物流任务信息和第二评价指标参数。
进一步的，第二优化子模块包括静态优化部分和动态优化部分；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向，具体包括：
静态优化部分根据第二物流任务信息和第二评价指标参数进行验证，基于工艺参数，给出验证结果信息；
动态优化部分根据验证结果信息，给出更新迭代的方向。
进一步的，动态优化部分根据验证结果信息，给出更新迭代的方向，具体包括：动态优化部分根据验证结果信息，对物流仿真逻辑信息进行迭代，更新第二物流任务信息。
进一步的，结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，具体包括：
分别以更新的交互参数，输入生产模块和物流模块进行仿真和优化；
直至获取的第一评价指标参数和第二评价指标参数均满足预设的指标阈值。
第二方面，本发明还提供一种融合物流的半导体制造仿真模型构建装置，采用如上述的半导体制造仿真模型构建方法，包括：
采集单元，用于基于半导体制造工艺，获取模拟制造参数；
构建单元，用于构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
运行训练单元，用于基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环，结合更新的交互参数，迭代训练初始仿真模型；
确认单元，用于直至满足指标条件后，完成融合物流半导体制造仿真模型的构建。
本发明提供的一种融合物流的半导体制造仿真模型构建方法及装置，至少包括如下有益效果：
（1）本发明针对半导体领域，在顶层设计层面提出一种将生产和物流模块彼此分离，又紧密联系的方案，彼此分离是指在整个仿真模型中，生产和物流是相对独立且完整的两大模块，紧密联系是指在具体仿真中，二者的输出结果，互为对方的输入条件，在多轮次的相互迭代优化中，最终逐渐贴合半导体工厂的真实物理环境，能够给出准确科学的仿真分析、预测、优化、决策方案。
（2）生产模块的第一仿真子模块进行参数化离散仿真，包括静态仿真和动态仿真，静态仿真根据较少的静态输入条件，能够快速构建出机台布局信息；动态仿真则在静态仿真输出的基础上，考虑更全面的仿真需求，可以兼顾组batch、可重入加工、多因素耦合等复杂情况，统筹进行设备数量配置计算。
生产模块的第一优化子模块，能够根据预设的指标参数阈值，自动进行机台布局信息配置优化，给出推荐的清单，即可进行下一轮的生产仿真优化，在反复动态迭代中，最终寻找到稳态条件下的最优解。
（3）物流模块的第二仿真子模块的应用较为灵活，可以根据需求和仿真量级，进行定制化的实验分析，如小到可以进行局部核心区域物料搬运负荷能力快速验证，大到可以进行跨厂区间的产能平衡下的物流搬送研究。
附图说明
图1为本发明提供的一种融合物流的半导体制造仿真模型构建方法的流程示意图；
图2为本发明提供的某一实施例的生产模块架构示意图；
图3为本发明提供的某一实施例的物流模块架构示意图；
图4为本发明提供的某一实施例的第一仿真子模块中静态仿真结果示意图；
图5为本发明提供的某一实施例的第一仿真子模块中动态仿真结果示意图；
图6为本发明提供的生产模块与物流模块仿真优化迭代示意图；
图7为本发明提供的一种融合物流的半导体制造仿真模型构建装置的架构图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义，“多种”一般包含至少两种。
还需要说明的是，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商品或者装置不仅包括那些要素，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商品或者装置所固有的要素。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商品或者装置中还存在另外的相同要素。
考虑到半导体领域的实际需求，应用到半导体领域的制造仿真模型，需要将生产模块和物流模块的仿真整合到一起，实现参数数据的共享，但是，生产和物流的仿真又可以相对独立的进行迭代训练。
因此，如图1所示，本发明提供一种融合物流的半导体制造仿真模型构建方法，包括如下步骤：
基于半导体制造工艺，获取模拟制造参数，其中，模拟制造参数包括工艺参数和仿真参数；
构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环；
结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，完成融合物流半导体制造仿真模型的构建。
生产模块和物流模块能并行工作，并行迭代，且该半导体制造仿真模型更加轻量化，保证了运行流畅，在反复迭代优化中，提升了整个半导体制造仿真模型仿真的真实性。
其中，工艺参数包括订单数据、工艺流程数据、机台基础数据及半导体产出数据，仿真参数包括机台运行各阶段的时间数据。
例如，在某个实施例中，订单数据、工艺流程数据、机台基础数据及半导体产出数据分别以订单信息表、工艺flow表、机台（组）信息表以及WPH信息表的形式呈现，机台运行各阶段的时间数据包括仿真运行时间、暖机时间以及监视器时间。
交互参数又包括第一交互参数和第二交互参数；
其中，第一交互参数包括机台布局信息和第一物流任务信息，第一交互参数由生产模块输出，并输入至物流模块；第一物流任务信息以任务时刻表的形式呈现，包括物流对象（即搬运对象）、第一物流始终点（搬运的起始点、终止点）及第一物流搬运时间数据。
第二交互参数包括第二物流搬运时间数据，第二交互参数由物流模块输出，并输入至生产模块；第二物流搬运时间数据是在物流模块中对第一物流搬运时间数据进行仿真迭代后得到的数据。
第二物流搬运时间数据还需要进行如下处理：
获取第二仿真子模块给出的初始第二物流搬运时间数据，n为第二物流搬运中搬运任务的次数，/>为第i次搬运任务所需初始物流搬运时间；
对初始第二物流搬运时间数据进行估计值寻优，给出第二物流搬运时间数据，/>为第i次搬运任务所需物流搬运时间，初始第二物流搬运时间数据的估计值寻优具体表示为：
其中，f()为初始第二物流搬运时间数据的模型函数，F()为针对模型函数f()的估计值寻优函数，MIN为差值的最小二乘法函数。
在某个实施例中，f()为针对初始第二物流搬运时间数据的拟合模型函数，具体的函数类别在不同场景下确定为不同的函数。F()则是对f()进行寻优的函数，通过最小二乘法以确定拟合度最高的模型函数，得到第二物流搬运时间数据。
如图2所示，生产模块包括第一仿真子模块和第一优化子模块，如图3所示物流模块包括第二仿真子模块和第二优化子模块。
其中，第一仿真子模块将模拟制造参数及第二交互参数（即第二物流搬运时间数据）进行参数化离散仿真，得到第一交互参数（即机台布局信息和第一物流任务信息）和第一评价指标参数。在某个实施例中，第一评价指标参数包括产品类指标参数、设备类指标参数及生产类指标参数，产品类指标参数可以包括fabout（过货量）、Cycle Time（产品生产周期）等，设备类指标参数可以包括UT（设备利用率）等，生产类指标参数可以包括WIP（在制品数量）等。
第一优化子模块根据第一评价指标参数对参数化离散仿真进行评价，并给出更新迭代方向；
第二仿真子模块将第一交互参数（即机台布局信息和第一物流任务信息）进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，其中，第二物流任务信息包括物流对象（即搬运对象，如第一物流任务信息中的物流对象）、第二物流始终点（搬运的起始点、终止点，第二物流始终点是第二仿真子模块将第一物流任务信息与机台布局信息融合后获取的，与第一物流始终点不同）及第二物流搬运时间数据，第二物流搬运时间数据是第二仿真子模块将第一物流任务信息与机台布局信息融合后获取的。
在某个实施例中，关于第二仿真子模型的第二评价指标参数，可以包括针对物流时间、物流距离等的评价，以及OHT利用率，其中，OHT为天车搬运系统；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向。
关于第一仿真子模块的参数化离散仿真，包括静态仿真和动态仿真；
第一仿真子模块将模拟制造参数及第二交互参数进行参数化离散仿真，得到第一交互参数和第一评价指标参数，具体包括：
第一仿真子模块对输入的工艺参数（即订单数据、工艺流程数据、机台基础数据及半导体产出数据）进行静态仿真，获取初始的机台布局信息及第一评价指标参数；
第一仿真子模块再对初始的机台布局信息及第一评价指标参数进行动态仿真，结合仿真参数和第二交互参数，得到第一交互参数和第一评价指标参数。
静态仿真根据输入的工艺参数，能快速的得到初始的机台布局信息以及第一评价指标参数，根据第一评价指标参数的优劣，再结合仿真参数和第二交互参数，并通动态仿真进行调整，最终得到第一交互参数和第一评价指标参数。
在某个实施例中，产品制造的特点是短工艺flow、单产品制程。将相应的工艺参数导入静态仿真，快速得到初始的机台布局信息，以及初始的第一评价指标参数。在该实施例中初始的第一评价指标参数包括fabout、Cycle Time、UT以及WIP等。如图4所示，给出了各个工艺设备组（即纵坐标）中排队等待的片数（即横坐标）。各个工艺设备组包括：刻蚀工艺中的灰化器（ASHER）、氮化镓蚀刻设备（GANE）、金属刻蚀设备（METALE）、A/B/C类型的金属溅射设备（MSPUTA、MSPUTB、MSPUTC）、A/B类型的氮化硅蚀刻设备（SINCA、SINCB）、A/B类型的氧化物蚀刻设备（OXEA、OXEB）；化学气相沉积工艺中的等离子体增强型化学气相沉积设备（PECVD）、钨化学气相沉积（WCVD）、A/B类型金属氧化物化学气相沉积设备（MOCVDA、MOCVDB）；清洗工艺中的A/B/C/D/E/F/G/H/I/J/K/L类型的工业标准湿法清洗设备（RCAAA、RCAAB、RCAAC、RCAAD、RCAAE、RCAAF、RCAAG、RCAAH、RCAAI、RCAAJ、RCAAK、RCAAL）、聚合物化学溶剂清洗设备（SOLVENT）；扩散工艺中的A/B/C/D类型的快速热处理设备（RTPA、RTPB、RTPC、RTPD）；光刻工艺中的步进光刻机（ILSTEP）、扫描光刻机（KSCAN）；离子注入工艺中的A/B类型的离子注入设备（MIA、MIB）；化学机械掩膜工艺中的氧化物化学机械掩膜（OCMP）、钨化学机械掩膜（WCMP）；量测工艺中的A/B/C/D/E/F/G/H类型的显影后检测设备（ADIA、ADIB、ADIC、ADID、ADIE、ADIF、ADIG、ADIH）、A/B/C类型的关键尺寸扫描电镜（CDSEMA、CDSEMB、CDSEMC）、离子注入剂量检测（DOSE）、红外光谱仪（FTIR）、拉曼光谱仪（RAMAN）、A/B类型的表面电阻仪（RSA、RSB）、应力检测设备（StressA、StressB）、膜厚检测设备（THKA、THKB）。初始的机台布局信息中RTP机台组为24台，投入产出指标明显没有达到满产条件，在RTP（快速热处理设备）机台组WIP值明显高于正常值，RTP机台组的设备利用率偏高。
WIP值偏高，说明该机台组的某一个或多个设备一直处于满载的状态，其在制品架上堆积了很多在制品，紧后工序常常处于待料状态，而设备利用率过高，说明该工序的机台一直在全负荷工作状态，那么我们基本可以判断这些就是生产中的瓶颈，同时推测RTP设备的数量不足，静态输出的结果有调整优化的空间。
第一仿真子模块在对上述的RTP机台组和初始的第一评价指标参数进行动态仿真。如图5所示，给出了各个工艺设备组（即纵坐标）中排队等待的片数（即横坐标）。在满足仿真参数以及第二交互参数（即第二物流搬运时间）的基础上，增加RTP机台组的设备数量，降低WIP值，保证基本的满产条件。当然，也可以再对其他的机台组进行调整，如局部核心机台的设备数量调整。之后，给出第一交互参数和第一评价指标参数。
第一优化子模块通过对Fabout、Cycle time、UT、WIP值等第一评价指标的分析，负反馈调整模拟制造参数，进行多轮的迭代优化，直至仿真趋于稳定，得到符合预期的机台布局方案。
在物流模块中，第二仿真子模块的架构包括上层调度部分和下层调度部分，上层调度部分更加关注第一交互参数中涵盖的信息，即机台布局信息和第一物流任务信息，相对而言，机台布局信息可以认为是静态参数信息，第一物流任务信息则为动态参数信息；
而下层调度部分包括物流仿真逻辑信息，物流仿真逻辑信息可以包括OHT呼叫逻辑信息、最优路径选择逻辑信息、拥堵避让逻辑信息以及OHT间安全距离逻辑信息等。
第二仿真子模块将第一交互参数进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，具体包括如下步骤：
上层调度部分解析第一交互参数中的机台布局信息，并接收第一物流任务信息，上层调度部分解析机台布局信息可以根据需求和仿真量级，进行定制化的实验分析，可以包括设备布局Layout（规划布局）层级以及天车AMHS Layout（自动物料搬送系统的规划布局）层级；
上层调度部分向下层调度部分发出调用物流仿真逻辑信息的指令，其中，所调用的物流仿真逻辑信息对应于第一交互参数与第二物流任务信息之间的关系映射；
给出第二物流任务信息和第二评价指标参数，第二物流任务信息中的第二物流始终点可以为搬运前后的CP（控制点）点ID、CP点物理位置编号等，第二评价指标参数中对物流时间、物流距离等的评价可以是对每一步任务的时间Tasktime、每一步任务的搬运距离TaskDistance等信息的评价。
同样的，第二优化子模块包括静态优化部分和动态优化部分；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向，具体包括：
静态优化部分根据第二物流任务信息和第二评价指标参数进行验证，基于工艺参数，给出验证结果信息；
动态优化部分根据验证结果信息，给出更新迭代的方向。
验证结果信息是基于工艺参数，对第二物流任务信息和第二评价指标参数的验证，以此来衡量工艺分区的布局能否匹配物流搬运系统。
动态优化部分根据验证结果信息，给出更新迭代的方向，具体包括：动态优化部分根据验证结果信息，对第二物流任务信息进行迭代，更新第二物流任务信息。
根据综合各种因素得到的验证结果信息，确定此次物流仿真的结果优劣，进行调整改良，对输出的第二物流任务信息进行迭代，更新并优化后一轮的第二物流任务信息。
结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，具体包括：
分别以更新的交互参数，输入生产模块和物流模块进行仿真和优化；
直至获取的第一评价指标参数和第二评价指标参数均满足预设的指标阈值。
如图6所示，对于本发明给出的以上融合物流的半导体制造仿真模型，以某个实际案例，详细展开描述该模型的迭代训练，具体如下：
首先，生产模块根据工艺参数、仿真参数和第二物流搬运时间数据，进行仿真并优化，给出机台布局信息、第一物流任务信息以及第一评价指标参数。
之后，物流模块的第二仿真子模块中上层调度部分根据机台布局信息进行解析，进一步获取设备布局Layout以及天车AMHS Layout，并且调用下层调度部分的物流仿真逻辑信息，将生产、物流、物理位置等三方信息统一联系起来，仿真后得到第二物流任务信息及第二评价指标参数，并对得到的第二物流任务信息进行拟合处理。第二优化子模块通过静态优化、动态优化两部分，根据综合各种因素得到的验证结果信息，确定此次物流仿真的结果优劣，给出后续迭代进行调整改良的方向。
最后，分别以更新的交互参数，再次进行生产模块和物流模块的仿真、优化，最终使得生产模块给出的第一评价指标参数、第二评价指标参数均满足预设的指标阈值，即可完成该融合物流的半导体制造仿真模型的构建过程。
通过生产、物流模块之间的迭代循环，可以得到更为精确的生产和物流方案，实际工作中，可以根据项目类型、需求的精密度和任务颗粒度。
如图7所示，本发明还提供一种融合物流的半导体制造仿真模型构建装置，采用如上述的半导体制造仿真模型构建方法，包括：
采集单元，用于基于半导体制造工艺，获取模拟制造参数；
构建单元，用于构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
运行训练单元，用于基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环，结合更新的交互参数，迭代训练初始仿真模型；
确认单元，用于直至满足指标条件后，完成融合物流半导体制造仿真模型的构建。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种融合物流的半导体制造仿真模型构建方法，其特征在于，包括如下步骤：
基于半导体制造工艺，获取模拟制造参数，其中，模拟制造参数包括工艺参数和仿真参数；
构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环；
结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，完成融合物流半导体制造仿真模型的构建；
其中，交互参数包括第一交互参数和第二交互参数；
第一交互参数包括机台布局信息和第一物流任务信息，第一交互参数由生产模块输出，并输入至物流模块；
第二交互参数包括第二物流搬运时间数据，第二交互参数由物流模块输出，并输入至生产模块；
其中，第一物流任务信息包括物流对象、第一物流始终点及第一物流搬运时间数据；
生产模块包括第一仿真子模块和第一优化子模块，物流模块包括第二仿真子模块和第二优化子模块；
第一仿真子模块将模拟制造参数及第二交互参数进行参数化离散仿真，得到第一交互参数和第一评价指标参数，其中，第一评价指标参数包括产品类指标参数、设备类指标参数及生产类指标参数；
第一优化子模块根据第一评价指标参数对参数化离散仿真进行评价，并给出更新迭代方向；
第二仿真子模块将第一交互参数进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，第二物流任务信息包括物流对象、第二物流始终点及第二物流搬运时间数据，第二评价指标参数包括OHT利用率，第二物流搬运时间数据的获取，具体包括：
获取第二仿真子模块给出的初始第二物流搬运时间数据，n为第二物流搬运中搬运任务的次数，/>为第i次搬运任务所需初始物流搬运时间；
对初始第二物流搬运时间数据进行估计值寻优，给出第二物流搬运时间数据，/>，/>为第i次搬运任务所需物流搬运时间，初始第二物流搬运时间数据的估计值寻优具体表示为：
；
其中，f()为初始第二物流搬运时间数据的模型函数，F()为针对模型函数f()的估计值寻优函数，MIN为差值的最小二乘法函数；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向。
2.如权利要求1所述的半导体制造仿真模型构建方法，其特征在于，工艺参数包括订单数据、工艺流程数据、机台基础数据及半导体产出数据，仿真参数包括机台运行各阶段的时间数据。
3.如权利要求1所述的半导体制造仿真模型构建方法，其特征在于，参数化离散仿真包括静态仿真和动态仿真；
第一仿真子模块将模拟制造参数及第二交互参数进行参数化离散仿真，得到第一交互参数和第一评价指标参数，具体包括：
第一仿真子模块对输入的工艺参数进行静态仿真，获取初始的机台布局信息及第一评价指标参数；
第一仿真子模块再对初始的机台布局信息及第一评价指标参数进行动态仿真，结合仿真参数和第二交互参数，得到第一交互参数和第一评价指标参数。
4.如权利要求1所述的半导体制造仿真模型构建方法，其特征在于，第二仿真子模块包括上层调度部分和下层调度部分，下层调度部分包括物流仿真逻辑信息；
第二仿真子模块将第一交互参数进行物流调度的仿真，给出第二物流任务信息和第二评价指标参数，具体包括如下步骤：
上层调度部分解析机台布局信息，接收第一物流任务信息；
上层调度部分向下层调度部分发出调用物流仿真逻辑信息的指令；
给出第二物流任务信息和第二评价指标参数。
5.如权利要求4所述的半导体制造仿真模型构建方法，其特征在于，第二优化子模块包括静态优化部分和动态优化部分；
第二优化子模块基于对第二评价指标参数的分析，给出更新迭代方向，具体包括：
静态优化部分根据第二物流任务信息和第二评价指标参数进行验证，基于工艺参数，给出验证结果信息；
动态优化部分根据验证结果信息，给出更新迭代的方向。
6.如权利要求5所述的半导体制造仿真模型构建方法，其特征在于，动态优化部分根据验证结果信息，给出更新迭代的方向，具体包括：动态优化部分根据验证结果信息，对第二物流任务信息进行迭代，更新第二物流任务信息。
7.如权利要求1所述的半导体制造仿真模型构建方法，其特征在于，结合更新的交互参数，迭代训练初始仿真模型，直至满足指标条件，具体包括：
分别以更新的交互参数，输入生产模块和物流模块进行仿真和优化；
直至获取的第一评价指标参数和第二评价指标参数均满足预设的指标阈值。
8.一种融合物流的半导体制造仿真模型构建装置，其特征在于，采用如权利要求1-7任一所述的半导体制造仿真模型构建方法，包括：
采集单元，用于基于半导体制造工艺，获取模拟制造参数；
构建单元，用于构建模拟半导体制造的初始仿真模型，其中，初始仿真模型包括生产模块和物流模块；
运行训练单元，用于基于初始仿真模型，并结合模拟制造参数，设置交互参数，关联生产模块与物流模块，形成由交互参数衔接的生产模块与物流模块的循环，结合更新的交互参数，迭代训练初始仿真模型；
确认单元，用于直至满足指标条件后，完成融合物流半导体制造仿真模型的构建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311343360.7A CN117077459B (zh) | 2023-10-17 | 2023-10-17 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311343360.7A CN117077459B (zh) | 2023-10-17 | 2023-10-17 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117077459A CN117077459A (zh) | 2023-11-17 |
| CN117077459B true CN117077459B (zh) | 2024-01-30 |
Family
ID=88713906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311343360.7A Active CN117077459B (zh) | 2023-10-17 | 2023-10-17 | 一种融合物流的半导体制造仿真模型构建方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077459B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117494472B (zh) * | 2023-11-29 | 2024-05-28 | 中国电子工程设计院股份有限公司 | 一种基于仿真验证的离散工艺优化方法及装置 |
| CN117724432B (zh) * | 2024-02-07 | 2024-05-10 | 中国电子工程设计院股份有限公司 | 一种半导体自动物料搬运系统布局的生成方法及装置 |
| CN117950382A (zh) * | 2024-03-27 | 2024-04-30 | 中国电子工程设计院股份有限公司 | 半导体工厂的纯水制备系统仿真模型的构建方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008030637A2 (en) * | 2006-05-01 | 2008-03-13 | Blueshift Technologies, Inc. | Methods and systems for controlling a semiconductor fabrication process |
| CN112650179A (zh) * | 2020-12-23 | 2021-04-13 | 同济大学 | 半导体制造系统的动态调度方法 |
| CN113627087A (zh) * | 2021-08-23 | 2021-11-09 | 中机中联工程有限公司 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
| CN115577576A (zh) * | 2022-12-08 | 2023-01-06 | 中国电子工程设计院有限公司 | 一种半导体工厂的动态虚拟组线仿真系统及方法 |
| CN116522801A (zh) * | 2023-06-28 | 2023-08-01 | 中国电子工程设计院有限公司 | 一种用于物流系统的布局仿真方法及装置 |
-
2023
- 2023-10-17 CN CN202311343360.7A patent/CN117077459B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008030637A2 (en) * | 2006-05-01 | 2008-03-13 | Blueshift Technologies, Inc. | Methods and systems for controlling a semiconductor fabrication process |
| CN112650179A (zh) * | 2020-12-23 | 2021-04-13 | 同济大学 | 半导体制造系统的动态调度方法 |
| CN113627087A (zh) * | 2021-08-23 | 2021-11-09 | 中机中联工程有限公司 | 基于物流仿真与机器学习的生产系统参数自适应优化方法 |
| CN115577576A (zh) * | 2022-12-08 | 2023-01-06 | 中国电子工程设计院有限公司 | 一种半导体工厂的动态虚拟组线仿真系统及方法 |
| CN116522801A (zh) * | 2023-06-28 | 2023-08-01 | 中国电子工程设计院有限公司 | 一种用于物流系统的布局仿真方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于仿真的半导体物料搬运系统调度优化;沈正花;中国优秀硕士学位论文全文数据库 经济与管理科学辑(07);J145-276 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117077459A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117077459B (zh) | 一种融合物流的半导体制造仿真模型构建方法及装置 | |
| CA2263386C (en) | Scheduling system and scheduling method for reentrant line processes | |
| Chien et al. | A conceptual framework for “Industry 3.5” to empower intelligent manufacturing and case studies | |
| Cho et al. | A two-level method of production planning and scheduling for bi-objective reentrant hybrid flow shops | |
| TWI459169B (zh) | 用於控制設備工程系統之良率預測反饋之方法、系統、及記錄相關指令的非暫態電腦可讀取媒體 | |
| Zhang et al. | Simulation-based optimization of dispatching rules for semiconductor wafer fabrication system scheduling by the response surface methodology | |
| Homem-de-Mello et al. | Finding optimal material release times using simulation-based optimization | |
| KR20200123480A (ko) | 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법 | |
| JP4584295B2 (ja) | ２段階仮想測定方法 | |
| Kim et al. | Synchronized production planning and scheduling in semiconductor fabrication | |
| KR20200124315A (ko) | 통합형 반도체 공정 모듈을 포함하는 자기 인식 및 보정 이종 플랫폼, 및 이를 사용하기 위한 방법 | |
| US7257459B1 (en) | Method and apparatus for scheduling pilot lots | |
| CN111356988B (zh) | 用于调度半导体加工的方法和系统 | |
| Lin et al. | A simulation-based optimization approach for a semiconductor photobay with automated material handling system | |
| CN115577576A (zh) | 一种半导体工厂的动态虚拟组线仿真系统及方法 | |
| Chien et al. | Industry 3.5 framework of an advanced intelligent manufacturing system: Case studies from semiconductor intelligent manufacturing | |
| Singh et al. | Experimental investigation for performance assessment of scheduling policies in semiconductor wafer fabrication—a simulation approach | |
| Wang et al. | A simulated model for cycle time reduction by acquiring optimal lot size in semiconductor manufacturing | |
| Li et al. | An efficient adaptive dispatching method for semiconductor wafer fabrication facility | |
| Miwa et al. | Automated stepper load balance allocation system | |
| CN115719194A (zh) | 一种基于大数据预测物资采购方法和系统 | |
| Aydt et al. | Symbiotic simulation for optimisation of tool operations in semiconductor manufacturing | |
| TW202117474A (zh) | 使用量子計算之具有動態採樣計劃、最佳化晶圓測量路徑及最佳化晶圓運輸之製造廠管理 | |
| Ho et al. | A study on the lot production management in a thin-film-transistor liquid-crystal display fab | |
| CN117148806B (zh) | 基于数字孪生的自动装配混流生产线布局优化方法及装置 |
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 |