CN117436570A - 一种晶圆制造缺陷的预测方法、装置、设备及可读介质 - Google Patents
一种晶圆制造缺陷的预测方法、装置、设备及可读介质 Download PDFInfo
- Publication number
- CN117436570A CN117436570A CN202311218894.7A CN202311218894A CN117436570A CN 117436570 A CN117436570 A CN 117436570A CN 202311218894 A CN202311218894 A CN 202311218894A CN 117436570 A CN117436570 A CN 117436570A
- Authority
- CN
- China
- Prior art keywords
- wafer
- time
- defect
- data
- manufacturing
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 161
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 235000012431 wafers Nutrition 0.000 description 122
- 238000003860 storage Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 229910052710 silicon Inorganic materials 0.000 description 7
- 239000010703 silicon Substances 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000007769 metal material Substances 0.000 description 2
- 239000002923 metal particle Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001123248 Arma Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011990 functional testing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 229910021421 monocrystalline silicon Inorganic materials 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请提供了一种晶圆制造缺陷的预测方法、装置、设备及可读介质。该方法包括:获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。本技术方案,通过采用时间序列模型对晶圆表面是否存在某类制造缺陷形成的趋势进行预测并预警,提升了生成晶圆制造缺陷的预测准确性,避免产生晶圆制造缺陷,保证晶圆的性能和制造效率。
Description
技术领域
本申请涉及半导体制造技术领域,尤其涉及一种晶圆制造缺陷的预测方法、装置、设备及可读介质。
背景技术
近年来,随着科技水平的迅速发展,半导体制造业也在飞速发展。晶圆作为制作硅半导体芯片的基础材料,其制造技术已经成为制约半导体发展的基础和核心竞争力之一。
晶圆的制造过程非常繁杂,尤其在抛光、划片等制造过程中,晶圆会与各种加工设备频繁接触,如旋转盘、送片机、清洗机、显影机等设备都有可能会对晶圆表面造成摩擦、剪切和压力等机械性伤害,严重时还会出现如宏观划痕等严重制造缺陷。当晶圆上出现严重制造缺陷时,会对晶圆的质量和性能产生重大影响,从而可能导致晶圆的下游产品无法正常工作或性能下降。
目前,通常是在晶圆生产过程中通过严格控制加工设备的状况和操作规范,以及确保生产环境的清洁度,来防止晶圆制造缺陷的发生。但利用人工机制对制造缺陷进行判断并预警,会浪费大量的人力和时间,且判断结果受到主观因素影响容易出错。因此,如何提供一种能够对晶圆制造缺陷进行及时准确预警的技术方案,是本领域技术人员亟待解决的技术问题。
发明内容
本申请的一个目的是提供一种晶圆制造缺陷的预测方法、装置、设备及可读介质,至少用以解决人工预警效率低、预警结果准确率低等问题。本申请的目的在于:提供了一种新的晶圆制造缺陷的预测方法。该方法所采用的预先训练好的时间序列模型能够从晶圆图数据和机台参数数据的时间序列中找出晶圆制造缺陷的特征、趋势以及发展规律,从而对晶圆在目标时间存在制造缺陷的概率进行预测,提升了生成晶圆制造缺陷的预测准确性,避免产生晶圆制造缺陷,保证晶圆的性能和制造效率。
为实现上述目的,本申请的一些实施例提供了以下几个方面:
第一方面,本申请的一些实施例还提供了一种晶圆制造缺陷的预测方法,所述方法包括:
获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;
将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;
若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
第二方面,本申请的一些实施例还提供了一种晶圆制造缺陷的预测装置,所述装置包括:
数据获取模块,用于获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;
缺陷概率确定模块,用于将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;
缺陷预警模块,用于若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
第三方面,本申请的一些实施例还提供了一种计算机设备,所述设备包括:
一个或多个处理器;以及
存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如上所述的晶圆制造缺陷的预测方法。
第四方面,本申请的一些实施例还提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如上所述的晶圆制造缺陷的预测方法。
相较于现有技术,本申请实施例提供的方案中,通过获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;将晶圆图数据和机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;若概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。通过采用时间序列模型对晶圆表面是否存在某类制造缺陷形成的趋势进行预测并预警,提升了生成晶圆制造缺陷的预测准确性,避免产生晶圆制造缺陷,保证晶圆的性能和制造效率。
附图说明
图1是本申请实施例一提供的晶圆制造缺陷的预测方法的流程示意图;
图2是本申请实施例二提供的时间序列模型的训练过程的流程示意图;
图3是本申请实施例二提供的滑动时窗示意图;
图4是本申请实施例三提供的晶圆制造缺陷的预测装置的结构示意图;
图5是本申请实施例五提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,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作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。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的技术方案进行详细地说明。
实施例一
图1是本申请实施例一提供的晶圆制造缺陷的预测方法的流程示意图。如图1所示,具体包括如下步骤:该流程包括:
步骤S101,获取当前制造机台制造晶圆的晶圆图数据和机台参数数据。
其中,当前制造机台可为晶圆在当前制造流程中所使用到的设备,可以是晶圆制造流程中所涉及到的任一加工或检测设备,如抛光机、光刻机、离子注入机、引线键合机、晶圆划片机等等。
晶圆是指制作硅半导体电路所用的硅晶片,其原始材料是硅。高纯度的多晶硅溶解后掺入硅晶体晶种,然后慢慢拉出,形成圆柱形的单晶硅。硅晶棒在经过研磨,抛光,切片后,形成硅晶圆片,也就是晶圆。目前市面上的晶圆生产线以8英寸和12英寸为主。晶圆的主要加工方式为片加工和批加工,即同时加工一片或多片晶圆。
在晶圆的制造过程中,需要对制造机台的机台参数数据进行调控,以确保每道制造工序的质量,好的机台参数数据有利于控制制造机台生产出优良的晶圆产品。其中,机台参数数据可以是当前制造机台所设定的温度、压力、电流、氧气浓度、制造时长等等。
在本方案中,晶圆图数据可以是基于晶圆的电性功能测试结果结合晶圆的形状所产生的的图像。晶圆图数据是以芯片为单位的,将测试完成的结果用不同颜色、形状或代码标示在各个芯片的位置上。通过晶圆图数据的空间分布情况,可以确定当前时刻晶圆表面存在的缺陷情况。
其中,晶圆的形状可以是基于图像采集器进行获取,图像采集器往往是在晶圆的正上方进行拍摄。
步骤S102,将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值。
其中,制造缺陷可以根据晶圆缺陷的产生模式分为点缺陷、线缺陷以及区域缺陷等。
点缺陷是指晶圆芯片表面存在的局部缺陷点,这些点通常由于原材料污染或制造工艺不当造成。点缺陷通常分为以下几类:
1.洞穴状缺陷:通常是由于气泡或气体残留在晶圆芯片中造成的。
2.泡状缺陷:通常是由于金属材料膨胀不均匀或气体残留在晶圆芯片中造成的。
3.金属颗粒:金属颗粒是由于制造过程中金属材料的溅射或附着所导致的。
线缺陷是指晶圆芯片表面存在的局部缺陷线,这些线通常由于制造工艺或设备故障造成。线缺陷通常分为以下几类:
1.划痕:通常是由于制造过程中设备的磨损或过程中的撞击所造成的。
2.斑纹:通常是由于制造过程中配料不当,或者是晶圆芯片内部材料不均匀而导致的。
3.凸起或凹陷:通常是由于制造过程中设备或工具的损坏而导致的。
区域缺陷是指晶圆芯片上存在的局部区域缺陷,这些区域缺陷通常是由于制造工艺或设备故障造成。区域缺陷通常分为以下几类:
1.晶粒缺陷:如果晶圆芯片上的某个晶粒出现了缺损或缩小,就会造成晶圆芯片的性能降低或者失效。
2.维氏硬度不均匀:通常是由于晶圆芯片制造过程中压力不均匀、材料不均匀或设备故障而导致的。
3.热残留应力:晶圆芯片制造过程中温度变化会导致晶圆芯片产生残留应力,如果这些残留应力太大,会导致晶圆芯片的性能降低或者失效。
以上是晶圆常见的缺陷分类及其相关特征。在制造和测试过程中,需要对这些缺陷进行有效的预测,以确保晶圆的质量和性能。
可以理解的是,晶圆表面在形成宏观划痕等制造缺陷前,通常会先形成断断续续的点或线段,在形成多个点或线段之后就有可能会形成宏观划痕等制造缺陷。因此,为了避免宏观划痕等制造缺陷的形成,需要对晶圆缺陷的形成趋势进行观察分析,以确定在目标时间是否存在出现宏观划痕等制造缺陷的可能性。
在本方案中,采用预先训练好的时间序列模型对缺陷的趋势进行分析,以得到当前制造机台在目标时间存在制造缺陷的概率值。
其中,时间序列模型可以是基于历史采集到的当前制造机台的机台参数数据和晶圆图数据按照时间顺序进行排列,得到至少一组有关机台参数数据和晶圆图数据的时间序列,并对各时间序列进行训练得到的模型。该模型可以在输入当前制造机台制造晶圆的晶圆图数据和机台参数数据后,得到当前制造机台在目标时间存在制造缺陷的概率值。以输入台风数据预测台风路径为例,该模型经过训练之后,可以输出在下一时刻台风在各位置的概率。例如输入某台风的基础数据及历史路径信息,输出下一时刻该台风的位置为:(33.0N/137.3E)的概率为0.8,(33.7N/135.7E)的概率为0.2。
需要说明的是,当前制造机台在目标时间存在制造缺陷的概率值也可以为零,即不会存在制造缺陷。
步骤S103,若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
其中,预设提示条件可以根据晶圆类型和尺寸进行设定,也可以根据当前制造机台的机台参数数据进行设定,也可以根据历史经验进行设定,还可以根据实际需求进行设定,本发明实施例对此不作限定。
在本方案中,预设提示条件可以是预设概率值。如设定预设提示条件:预设概率值为0.8,那么当前制造机台在目标时间存在制造缺陷的概率值若大于或等于0.8,则生成晶圆制造缺陷的预警信息。
预警信息可以用于提示相关工作人员当前制造机台所制造的晶圆在目标时间存在制造缺陷的风险较大,以使相关工作人员及时进行处理。预警信息可以包括当前制造机台的名称、编号、位置、所预测的存在制造缺陷的目标时间等等。预警信息的形式可以是灯光、铃声、语音、视频、弹窗等中的一种或多种。
可以理解的,在本方案中也可设置多个预设提示条件以及与多个预设提示条件对应的预警信息。例如,可分别设置第一预设提示条件:预设概率值为0.6,以及第二预设提示条件:预设概率值为0.8;当概率值满足第一预设提示条件时,可生成预警信息并使预警黄灯闪烁,以提示相关工作人员可对当前制造机台的机台参数数据进行调整,避免生成更严重的制造缺陷;当概率值满足第二预设提示条件时,可生成预警信息并使预警红灯闪烁,以提示相关工作人员立即停止当前制造机台的运行工作。
本方案这样设置的好处是基于时间序列模型所预测的当前制造机台在目标时间存在制造缺陷的概率值,以及预设提示条件来对生成晶圆制造缺陷的风险进行预警,实现了制造缺陷的自动化预警,提升了预防的效率和准确性,避免产生晶圆制造缺陷,保证晶圆的性能和制造效率。
实施例二
图2是本申请实施例二提供的时间序列模型的训练过程的流程示意图。如图2所示,具体包括如下步骤:
步骤S201,在至少两个时间节点采集当前制造机台的晶圆图样本,从所述晶圆图样本中获取缺陷信息,并采集当前制造机台的实时机台参数,将所述缺陷信息、所述实时机台参数以及采集的时间节点作为样本数据。
其中,时间节点可以根据晶圆的类型和尺寸进行确定。缺陷信息可以包括缺陷的数量、分布密度、形状特征等。实时机台参数可以包括当前制造机台所设定的温度、压力、电流、氧气浓度、制造时长等。
在本申请一些实施例中,所述缺陷信息包括所述晶圆图数据的缺陷数量、缺陷形状以及缺陷分布中的至少一种。
其中,缺陷数量可为晶圆图数据中所有缺陷的总数量,也可为指定形状缺陷的数量。缺陷形状可为点缺陷、线缺陷以及区域缺陷等。缺陷分布可为晶圆图数据中缺陷的分布区域,或者各区域中缺陷的分布情况等。
在本方案中,缺陷信息可以是klarf文件,即晶圆图样本的缺陷信息可以被记录为缺陷信息文件,klarf文件可以是用来存取defect(缺陷)信息数据的文档,如xrel,yrel,xindex,yindex坐标位置等信息。
具体的,可将各时间节点以及与各时间节点对应的缺陷信息、实时机台参数分别整合为一条样本数据。
步骤S202,对所述样本数据进行数据预处理以及特征工程处理,得到标准样本数据。
其中,数据预处理用于提高样本数据的质量,使样本数据更适合分析和模型训练。常见的数据预处理方式有数据清洗、数据转换、数据集成、数据规约等等。例如,可以对样本数据中的重复数据、异常数据、缺失数据进行处理,以对样本数据进行数据清洗。
特征工程处理用于通过数据挖掘技术从样本数据中提取特征,常见的特征工程处理方式有标准化处理、区间缩放处理、归一化处理、定量特征二值化处理、定性特征哑编码处理、缺失值处理和数据转化处理等等。
本技术方案这样设置的好处是提高样本数据的规范性,加快模型训练的收敛速度,提高训练效率,使得模型的训练效果更加快速和准确。
步骤S203,将所述标准样本数据输入至初始模型,对所述初始模型进行训练,得到时间序列模型。
其中,训练方式可以采用有监督训练,也可以采用无监督进行训练。
时间序列模型用于根据历史数据对未来数据进行预测,已有的历史数据可以表现出数据的发展趋势。时间序列模型可以是LSTM模型、AR模型、MA模型、ARMA模型、ARIMA模型等。
具体的,可将标准样本数据按照时间节点的顺序进行排列输入至初始模型,对初始模型进行训练,在每次训练回合中对初始模型的参数进行调整,直至训练结束得到时间序列模型。
在训练过程中,训练结束条件可以是时间序列模型的预测精度小于预设阈值,例如,预设阈值为10%。训练结束条件也可以是训练次数达到预设次数。例如,预设次数为20000次。本领域技术人员可根据实际情况设定预设阈值或预设次数,以使时间序列模型在学习到当前制造机台标准样本数据趋势的同时,又不会过拟合。
在本申请一些实施例中,在得到标准样本数据之后,所述方法还包括:
在所述标准样本数据中,将所述缺陷信息作为连续特征,将所述实时机台参数作为离散特征;
相应的,将所述标准样本数据输入至初始模型,对所述初始模型进行训练,得到时间序列模型,包括:
将所述标准样本数据中的连续特征和离散特征输入至初始模型进行特征识别,完成对时间序列模型的训练。
在本方案中,可将缺陷的数量、分布密度、形状特征等作为连续特征continue_cols,将实时机台参数作为离散特征discrete_cols。进一步的,可将标准样本数据中的连续特征和离散特征输入至初始模型进行特征识别,完成对时间序列模型的训练。
本技术方案这样设置的好处是通过使用离散特征和连续特征相结合的方式,增加了特征的丰富性和泛化能力,
在本申请一些实施例中,将所述标准样本数据中的连续特征和离散特征输入至初始模型进行特征识别,完成对时间序列模型的训练,包括:
根据采集当前制造机台的晶圆图样本的时间节点,构建滑动时窗;
基于每个时间节点对应的标准样本数据,确定滑动时窗内各时间节点的连续特征和离散特征;
根据所述滑动视窗内各时间节点的连续特征和离散特征,使用所述初始模型对目标时间节点进行缺陷预测。
其中,滑动时窗可用于对各时间节点对应的标准样本数据所组成的时间序列特征数据进行分割,实现时间序列特征数据的降维处理,降低了计算复杂度。
具体的,可根据所采集的当前制造机台的晶圆图样本的时间节点,设定滑动时窗的时间长度、滑动长度和预测标签长度,以构建滑动时窗;其中,预测标签为待预测的目标时间以及目标时间对应的标准特征。
例如,以小时(H)为单位,设定滑动时窗的时间长度为10H,滑动长度为1H,预测标签长度为1H,即滑动时窗可为1H至10H,预测窗口可为11H。
可以理解的是,各滑动时窗窗口内各时间节点不一定都有对应的标准样本数据,可能会出现标准样本缺失的情况,但不影响对预测标签进行预测。例如,滑动时窗窗口中时间节点为4H时缺少与之对应的标准样本数据,依然可以根据滑动时窗窗口对时间节点为11H的特征进行预测。
此外,预测标签长度也可根据实际需要进行确定。例如,滑动时窗为1H至10H,可设定预测标签长度为3H,即预测窗口可为13H。
进一步的,根据滑动时窗的时间长度、滑动长度和预测标签长度,以及标准样本数据,确定滑动时窗内各时间节点对应的连续特征和离散特征。
本技术方案的好处在于通过采用滑动时窗,可以降低时间复杂度,减少模型训练过程中的重复计算,有利于对晶圆制造缺陷的形成趋势进行确定以对目标时间的缺陷进行预测,提高了模型的训练精度和准确度。
在本申请一些实施例中,在根据所述滑动视窗内各时间节点的连续特征和离散特征,使用所述初始模型对目标时间节点进行缺陷预测之后,所述方法还包括:
采集目标时间节点的目标晶圆图样本,提取所述目标晶圆图样本的实际缺陷;
基于所述实际缺陷对预测的缺陷结果进行对比,生成反馈信息;
基于所述反馈信息对所述初始模型进行优化。
在本方案中,可对晶圆在目标时间节点的目标晶圆图样本进行采集,并对所采集的目标晶圆图样本中的缺陷进行识别判断,以确定目标晶圆图样本中是否存在实际缺陷以及若存在实际缺陷时的实际缺陷形式。
进一步的,将实际缺陷与初始模型对目标时间节点进行缺陷预测所得到的缺陷结果进行对比,得到实际缺陷和预测缺陷的缺陷相似性,以确定初始模型对目标时间节点进行缺陷预测的预测准确度。示例性的,若缺陷相似性达到预设阈值,则确定初始模型的缺陷预测结果满足准确度要求,可不改变初始模型的参数;若缺陷相似性未达到预设阈值,则确定初始模型的缺陷预测结果不满足准确度要求,可通过改变初始模型的部分或全部参数,以提高模型的预测精度。又示例性的,可根据缺陷相似程度确定所要改变的初始模型的部分或全部参数,缺陷相似程度越高,则所要改变的初始模型参数的变化越小。
在本申请一些实施例中,在基于所述反馈信息对所述初始模型进行优化之后,所述方法还包括:
将所述滑动时窗向右滑动至涵盖所述目标时间节点,并基于滑动后所述滑动时窗内的各采集时间节点的连续特征和离散特征,对下一目标时间节点进行缺陷预测。
例如,以小时(H)为单位,若所采集的起始时间节点和终止时间节点相差300H,则可设定滑动时窗的时间长度为10H,滑动长度为1H,预测标签长度为1H,即第一个滑动时窗窗口为1H至10H,第一个滑动时窗对应的预测标签为11H,第二个滑动时窗窗口为2H至11H,第二个滑动时窗对应的预测标签为12H,并以此类推。
图3是本申请实施例二提供的滑动时窗示意图,如图3所示,第一行包括1H至10H内各时间节点对应的X特征,以及目标时间为11H对应的Y目标;第二行为第一行滑动时窗向右滑动1H所得到的滑动时窗,包括2H至11H内各时间节点对应的X特征,以及目标时间为12H对应的Y目标;第三行包括3H至12H内各时间节点对应的X特征,以及目标时间为13H对应的Y目标;以此类推。其中,X特征包括连续特征和离散特征,Y目标为目标时间所对应的预测特征。
本技术方案的好处在于通过对滑动时窗进行滑动并预测,可准确把握晶圆制造缺陷的形成趋势,进一步提高对晶圆制造缺陷的预测精度。
实施例三
图4是本申请实施例三提供的晶圆制造缺陷的预测装置的结构示意图。如图4所示,具体包括如下:
数据获取模块410,用于获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;
缺陷预测模块420,用于将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;
缺陷预警模块430,用于若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
本申请实施例中的晶圆制造缺陷的预测装置可以是装置,也可以是终端中的部件、集成电路、或芯片。该装置可以是移动电子设备,也可以为非移动电子设备。示例性的,移动电子设备可以为手机、平板电脑、笔记本电脑、掌上电脑、车载电子设备、可穿戴设备、超级移动个人计算机(ultra-mobile personal computer,UMPC)、上网本或者个人数字助理(personal digital assistant,PDA)等,非移动电子设备可以为服务器、网络附属存储器(Network Attached Storage,NAS)、个人计算机(personal computer,PC)、电视机(television,TV)、柜员机或者自助机等,本申请实施例不作具体限定。
本申请实施例中的晶圆制造缺陷的预测装置可以为具有操作系统的装置。该操作系统可以为安卓(Android)操作系统,可以为iOS操作系统,还可以为其他可能的操作系统,本申请实施例不作具体限定。
本申请实施例提供的晶圆制造缺陷的预测装置能够实现上述方法实施例实现的各个过程,为避免重复,这里不再赘述。
实施例五
此外,本申请实施例还提供了一种计算机设备,图5是本申请实施例五提供的计算机设备的结构示意图。该设备的结构如图5所示,所述设备包括用于存储计算机可读指令的存储器51和用于执行计算机可读指令的处理器52,其中,当该计算机可读指令被该处理器执行时,触发所述处理器执行所述的方法。
本申请实施例中的方法和/或实施例可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在该计算机程序被处理单元执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的针对硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
作为另一方面,本申请实施例还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个计算机可读指令,所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的方法和/或技术方案的步骤。
在本申请一个典型的配置中,终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类别的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
此外,本申请实施例还提供了一种计算机程序,所述计算机程序存储于计算机设备,使得计算机设备执行所述控制代码执行的方法。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一些实施例中,本申请的软件程序可以通过处理器执行以实现上文步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其他的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种晶圆制造缺陷的预测方法,其特征在于,所述方法包括:
获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;
将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;
若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
2.根据权利要求1所述的方法,其特征在于,所述时间序列模型的训练过程,包括:
在至少两个时间节点采集当前制造机台的晶圆图样本,从所述晶圆图样本中获取缺陷信息,并采集当前制造机台的实时机台参数,将所述缺陷信息、所述实时机台参数以及采集的时间节点作为样本数据;
对所述样本数据进行数据预处理以及特征工程处理,得到标准样本数据;
将所述标准样本数据输入至初始模型,对所述初始模型进行训练,得到时间序列模型。
3.根据权利要求2所述的方法,其特征在于,在得到标准样本数据之后,所述方法还包括:
在所述标准样本数据中,将所述缺陷信息作为连续特征,将所述实时机台参数作为离散特征;
相应的,将所述标准样本数据输入至初始模型,对所述初始模型进行训练,得到时间序列模型,包括:
将所述标准样本数据中的连续特征和离散特征输入至初始模型进行特征识别,完成对时间序列模型的训练。
4.根据权利要求3所述的方法,其特征在于,将所述标准样本数据中的连续特征和离散特征输入至初始模型进行特征识别,完成对时间序列模型的训练,包括:
根据采集当前制造机台的晶圆图样本的时间节点,构建滑动时窗;
基于每个时间节点对应的标准样本数据,确定滑动时窗内各时间节点的连续特征和离散特征;
根据所述滑动视窗内各时间节点的连续特征和离散特征,使用所述初始模型对目标时间节点进行缺陷预测。
5.根据权利要求4所述的方法,其特征在于,在根据所述滑动视窗内各时间节点的连续特征和离散特征,使用所述初始模型对目标时间节点进行缺陷预测之后,所述方法还包括:
采集目标时间节点的目标晶圆图样本,提取所述目标晶圆图样本的实际缺陷;
基于所述实际缺陷对预测的缺陷结果进行对比,生成反馈信息;
基于所述反馈信息对所述初始模型进行优化。
6.根据权利要求5所述的方法,其特征在于,在基于所述反馈信息对所述初始模型进行优化之后,所述方法还包括:
将所述滑动时窗向右滑动至涵盖所述目标时间节点,并基于滑动后所述滑动时窗内的各采集时间节点的连续特征和离散特征,对下一目标时间节点进行缺陷预测。
7.根据权利要求2-6中任一项所述的方法,其特征在于,所述缺陷信息包括所述晶圆图数据的缺陷数量、缺陷形状以及缺陷分布中的至少一种。
8.一种晶圆制造缺陷的预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前制造机台制造晶圆的晶圆图数据和机台参数数据;
缺陷预测模块,用于将所述晶圆图数据和所述机台参数数据输入至预先训练的时间序列模型,得到当前制造机台在目标时间存在制造缺陷的概率值;
缺陷预警模块,用于若所述概率值满足预设提示条件,则生成晶圆制造缺陷的预警信息。
9.一种计算机设备,其特征在于,所述设备包括:
一个或多个处理器;以及
存储有计算机程序指令的存储器,所述计算机程序指令在被执行时使所述处理器执行如权利要求1-7中任意一项所述的晶圆制造缺陷的预测方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序指令,所述计算机程序指令可被处理器执行以实现如权利要求1-7中任意一项所述的晶圆制造缺陷的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218894.7A CN117436570A (zh) | 2023-09-20 | 2023-09-20 | 一种晶圆制造缺陷的预测方法、装置、设备及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311218894.7A CN117436570A (zh) | 2023-09-20 | 2023-09-20 | 一种晶圆制造缺陷的预测方法、装置、设备及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117436570A true CN117436570A (zh) | 2024-01-23 |
Family
ID=89548828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311218894.7A Pending CN117436570A (zh) | 2023-09-20 | 2023-09-20 | 一种晶圆制造缺陷的预测方法、装置、设备及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436570A (zh) |
-
2023
- 2023-09-20 CN CN202311218894.7A patent/CN117436570A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8849438B2 (en) | Factory level process and final product performance control system | |
KR20150140358A (ko) | 인라인 수율 모니터링을 위한 임계 파라메트릭 전기 테스트 파라미터의 자동 결정을 위한 시스템 및 방법 | |
US10345794B2 (en) | Product quality prediction method for mass customization | |
US10120372B2 (en) | Event processing based system for manufacturing yield improvement | |
KR101910268B1 (ko) | 반도체 gp 예측 방법 및 시스템 | |
CN117390370A (zh) | 基于健康指数的机台预警方法、装置、设备及可读介质 | |
CN115640933A (zh) | 生产线缺陷自动管理方法、装置、设备及存储介质 | |
US8340800B2 (en) | Monitoring a process sector in a production facility | |
US7565254B2 (en) | Method and apparatus for metrology sampling using combination sampling rules | |
CN117436570A (zh) | 一种晶圆制造缺陷的预测方法、装置、设备及可读介质 | |
CN109256342B (zh) | 一种晶粒缺陷监控方法 | |
US20230052392A1 (en) | Process abnormality identification using measurement violation analysis | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
CN111774929B (zh) | 刀具磨损补偿方法、装置、计算机设备和存储介质 | |
CN117497439A (zh) | 一种晶圆中关键缺陷的预测方法、装置、设备及可读介质 | |
CN110633657B (zh) | 一种高炉崩料预测方法 | |
CN117672910A (zh) | 基于零部件数据的晶圆良率控制方法、装置、设备及介质 | |
CN117635528A (zh) | 一种晶圆缺陷的精准检测方法、装置、设备及可读介质 | |
US7477961B2 (en) | Equivalent gate count yield estimation for integrated circuit devices | |
CN1298035C (zh) | 晶片测试参数分析方法 | |
CN117474387A (zh) | 基于厂务数据的晶圆良率控制方法、装置、设备及介质 | |
US20110137595A1 (en) | Yield loss prediction method and associated computer readable medium | |
CN117437177A (zh) | 一种光刻掩膜缺陷的识别方法、装置、设备及可读介质 | |
US11954615B2 (en) | Model management for non-stationary systems | |
US20230238262A1 (en) | Semiconductor manufacturing process prediction method and semiconductor manufacturing process prediction device |
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 |