CN117577563B - 一种半导体划片机的优化控制方法及系统 - Google Patents
一种半导体划片机的优化控制方法及系统 Download PDFInfo
- Publication number
- CN117577563B CN117577563B CN202410056438.5A CN202410056438A CN117577563B CN 117577563 B CN117577563 B CN 117577563B CN 202410056438 A CN202410056438 A CN 202410056438A CN 117577563 B CN117577563 B CN 117577563B
- Authority
- CN
- China
- Prior art keywords
- cluster
- data
- iteration
- intra
- mark
- 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
- 239000004065 semiconductor Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 239000002994 raw material Substances 0.000 claims abstract description 33
- 230000000694 effects Effects 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims description 84
- 238000005520 cutting process Methods 0.000 claims description 49
- 238000004891 communication Methods 0.000 claims description 20
- 238000012216 screening Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 11
- 239000000498 cooling water Substances 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 9
- 230000008485 antagonism Effects 0.000 claims description 8
- 230000005281 excited state Effects 0.000 claims description 8
- 230000009747 swallowing Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 230000002860 competitive effect Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 30
- 238000012545 processing Methods 0.000 description 16
- 235000012431 wafers Nutrition 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004873 anchoring Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 1
- 229920005591 polysilicon Polymers 0.000 description 1
- 238000011867 re-evaluation Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000000859 sublimation Methods 0.000 description 1
- 230000008022 sublimation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67011—Apparatus for manufacture or treatment
- H01L21/67092—Apparatus for mechanical treatment
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67271—Sorting devices
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67276—Production flow monitoring, e.g. for increasing throughput
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67294—Apparatus for monitoring, sorting or marking using identification means, e.g. labels on substrates or labels on containers
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种半导体划片机的优化控制方法及系统，属于智能控制领域，与待加工半导体建立通信，生成原材特征集；执行划片机历史控制参数的参数匹配，建立初始解集空间；进行随机聚类，生成聚类簇，并对聚类簇进行簇内解集分类；在预定迭代次数内，执行聚类簇的簇内迭代；完成迭代更新后，执行聚类簇间竞争寻优，输出解集空间，以解集空间完成待加工半导体的划片机控制寻优。本申请解决了现有半导体划片机采用固定参数进行控制，难以实现精确的实时控制优化，导致半导体制作效率较低、质量参差不齐的技术问题，达到了针对不同半导体材料的个性化差异，动态优化确定最佳的划片机控制参数组合，提升半导体制作质量效率和质量的技术效果。
Description
技术领域
本发明涉及智能控制领域，具体涉及一种半导体划片机的优化控制方法及系统。
背景技术
随着集成电路技术的高速发展，半导体材料的加工技术成为半导体产业中的关键环节。半导体晶片加工中，多晶硅材料的高效、精确切割直接影响着整体产量和产品质量，因此半导体划片机的控制提出更高的要求。目前，半导体划片机多采用设置的固定加工参数，很难针对不同批次的原材料特性变化实现实时的、动态的加工优化，使得半导体制作效率和质量低下。
发明内容
本申请通过提供了一种半导体划片机的优化控制方法及系统，旨在解决现有半导体划片机采用固定参数进行控制，难以实现精确的实时控制优化，导致半导体制作效率较低、质量参差不齐的技术问题。
鉴于上述问题，本申请提供了一种半导体划片机的优化控制方法及系统。
本申请公开的第一个方面，提供了一种半导体划片机的优化控制方法，该方法包括：与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，原材特征集包括材料特征、结构特征；以原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；对初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，簇内分类标识包括引领标识、追随标识和基础标识；在预定迭代次数内，执行N个聚类簇的簇内迭代；在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；基于竞争寻优结果输出解集空间，以解集空间完成待加工半导体的划片机控制寻优。
本申请公开的另一个方面，提供了一种半导体划片机的优化控制系统，该系统包括：原材特征提取模块，用于与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，原材特征集包括材料特征、结构特征；控制参数匹配模块，用于以原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；聚类簇生成模块，用于对初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，簇内分类标识包括引领标识、追随标识和基础标识；簇内迭代模块，用于在预定迭代次数内，执行N个聚类簇的簇内迭代；簇间寻优模块，用于在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；解集空间输出模块，用于基于竞争寻优结果输出解集空间，以解集空间完成待加工半导体的划片机控制寻优。
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：
由于采用了与待加工半导体建立实时通信连接，获知原材料特征，包括材料属性和结构参数，获得原材料的个性化信息，为匹配确定最优参数奠定基础；将检测获得的原材料特征与历史控制参数进行匹配筛选，归纳出候选的加工参数，作为初始解集空间，从而缩小参数搜索范围，改善优化效率；在初始解集空间内，采用聚类分析方法将参数组合划分为N个类别，并设置不同的聚类内优化策略，并进行分类标识，包括引领标识、追随标识和基础标识，通过建立不同的聚类簇为后续的协同优化做准备；在迭代更新过程中，实现同类别参数间的互动学习，引领群体带动追随群体和基础群体共同提升，通过簇内协同，加速参数空间中全局最优的收敛速度；然后，在聚类分类间进行竞争寻优，选择全局效果最好的加工参数组合，输出解集空间完成划片机控制寻优的技术方案，解决了现有半导体划片机采用固定参数进行控制，难以实现精确的实时控制优化，导致半导体制作效率较低、质量参差不齐的技术问题，达到了针对不同半导体材料的个性化差异，动态优化确定最佳的划片机控制参数组合，提升半导体制作质量效率和质量的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、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
图1为本申请实施例提供了一种半导体划片机的优化控制方法的一种流程示意图；
图2为本申请实施例提供了一种半导体划片机的优化控制方法中执行聚类簇间竞争寻优的一种流程示意图；
图3为本申请实施例提供了一种半导体划片机的优化控制系统的一种结构示意图。
附图标记说明：原材特征提取模块11，控制参数匹配模块12，聚类簇生成模块13，簇内迭代模块14，簇间寻优模块15，解集空间输出模块16。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了一种半导体划片机的优化控制方法及系统。首先，通过建立对半导体材料个性化差异特征的实时监测，改善现有技术中缺乏感知原材料个体变化的不足。其次，通过对加工历史控制参数的深入挖掘与匹配应用，缩小大量无效尝试，提高参数优化的效率。然后，通过引入多中心、分层、互动式的协同式参数优化算法，克服传统单点式搜索容易陷入局部最优的随机性。随后，通过聚类内引领和聚类间竞争的双层综合评价机制，进一步提升全局优化效率与质量，从而得到优选的划片机控制参数，实现半导体划片机的参数精确控制与加工质量的提升。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种半导体划片机的优化控制方法，该方法包括：
与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，所述原材特征集包括材料特征、结构特征；
在本申请实施例中，首先，在半导体划片机的入口处设置标准化的工业通信接口，如Profibus、Ethernet/IP等接口，并连接传感系统以将晶片信息转换为标准化数字或模拟信号输出。然后，根据通信接口类型，规划通信协议格式，构建包含晶片材料和结构信息的数据体。随后，使用标准化通信电缆，连接划片机入口传感系统，完成物理链路搭建。接着，基于构建的通信协议，半导体划片机向传感系统发送读取命令，并提取反映材料属性和结构特征的向量，获取晶片的材料特征、结构特征，构成原材特征集，从而为后续加工控制优化提供基础输入。其中，材料特征为反映晶片材料本身性质的特征参数，如硅片的导电类型、掺杂浓度、晶体取向等参数；结构特征为反映晶片几何形态的特征参数，如晶片的厚度尺寸、表面粗糙度参数、缺陷分布参数等。
以所述原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；
在本申请实施例中，首先，收集整理不同材料晶片的加工数据，提取最佳控制参数组合，生成历史控制参数数据库，该数据库表结构包括材料特征、结构特征、主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数等多参数字段。其中，主轴转速决定切削刀具转动速度；进给速度决定切削运动的速度；切割深度反映切削刀具进入晶片内部的深度；冷却水流量为切削点的冷却水流量；刀具参数为切削刀具的几何尺寸、材质等；环境参数为作业环境的外界温度、湿度等环境条件。然后，利用语义概率网络、关联规则等算法，配置原材特征集和历史控制参数之间的模糊匹配模型，定义材料特征和结构特征到各控制参数的关联矩阵。随后，将所得到的原材特征集输入历史控制参数数据库中，根据模糊匹配模型进行关联计算，搜索检索匹配的历史控制参数，返回与当前待加工半导体最匹配的多个历史控制参数。接着，将获取的多个历史控制参数组合作为初始解集空间，为后续解集优化聚类迭代奠定基础。
对所述初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，所述簇内分类标识包括引领标识、追随标识和基础标识；
进一步的，本步骤包括：
建立评价适应度函数，所述评价适应度函数包括切割效果评价适应度函数和切割速度评价适应度函数，且所述切割效果评价适应度函数和所述切割速度评价适应度函数具有预设权重约束；
以所述评价适应度函数进行N个聚类簇内数据适应度评价，将切割效果适应度评价结果、切割速度适应度评价结果和综合评价结果作为簇内分类标识的评价标准，通过预设比例完成N个聚类簇内数据分类。
在一种优选的实施方式中，首先，对初始解集空间中的各组历史控制参数，即初始解集，进行标准化归一化处理，保证各维参数尺度一致。其次，根据初始解集空间的数据量级，依据预设规则确定聚类簇N的取值，比如总数据量的平方根等，并且N取值为大于3的整数。然后，选择处理数值型数据的聚类算法，例如采用K均值聚类、聚类初始中心，作为聚类迭代收敛的起始点。迭代进行聚类计算，直至聚模糊C均值聚类、高斯混合聚类等。随后，基于选择的聚类算法，随机在初始解集空间中选取N个类中心位置稳定，使初始解集空间被划分为N个聚类簇，而每个聚类簇代表一个候选解集群。
然后，建立评价适应度函数，该评价适应度函数包括切割效果评价适应度函数和切割速度评价适应度函数，其中，切割效果评价适应度函数评价解集参数对应的切割质量效果，例如切割精度、切口粗糙度、损伤层等指标，给出数字化分值；切割速度评价适应度函数评价解集参数对应的加工效率，给出数字化速度适应性分值。同时，根据专家组经验为两类评价函数设置权重系数，反映其在总体评价中的重要性程度，两个适应度函数的权重之和为1。
随后，采用建立的反映切割效果和切割速度两个方面的切割效果评价适应度函数和所述切割速度评价适应度函数作为评价标准，分别计算初始解集空间中每一初始解集的两项评价分值。具体的，针对每一初始解集，得到每个初始解集的切割效果适应度评价结果和切割速度适应度评价结果，并按照预设权重系统，对每个初始解集的切割效果适应度评价结果和切割速度适应度评价结果进行加权求和，得到该初始解集的综合评价结果。
之后，根据经验确定引领级别、追随级别、基础级别的预设比例，例如，引领级别占比5%、追随级别占比15%、基础级别占比80%。同时，在每一聚类簇内，根据其中每个初始解集的切割效果适应度评价结果、切割速度适应度评价结果和综合评价结果，对初始解集进行顺序排序，排序规则为：综合评价结果大的初始解集排序更前；对于综合评价结果相同的初始解集按照权重系数大的适应度函数对应的评价结果进行排序，如切割效果评价适应度函数的权重系数更大，则在综合评价结果相同的情况下，按照切割效果适应度评价结果对初始解集进行排序，切割效果适应度评价结果越大排序更前；对于综合评价结果相同且权重系数大的适应度函数对应的评价结果也相同的，按照权重系数小的适应度函数对应的评价结果进行初始解集的排序，评价结果越大排序更前；以此排序规则对N个聚类簇内的初始解集进行顺序排序，得到N个聚类簇排序结果。随后，根据引领级别、追随级别、基础级别的预设比例和N个聚类簇排序结果分别对N个聚类簇内的初始解集按照从前到后的顺序进行标识，完成N个聚类簇的数据分类，得到每个聚类簇的引领标识、追随标识和基础标识，例如，每一聚类簇中前5%的初始解集为引领标识、中间15%为追随标识，后80%为基础标识。
在预定迭代次数内，执行N个聚类簇的簇内迭代，其中，簇内迭代包括：
A1：追随标识和基础标识数据以引领标识为优化方向的数据迭代；
A2：引领标识和追随标识的身份更新；
进一步的，本步骤包括：
配置追随标识和基础标识的数据移动步长；
对于任意追随标识和基础标识数据，建立数据与其最近距离的引领标识数据连接，并根据连接结果和数据移动步长生成移动真值；
以所述移动真值完成当前迭代轮次下的数据迭代；
当数据迭代完成后，将引领标识的末位适应度数据置于激发状态；
若数据迭代后的任意追随标识的数据适应度高于激发状态数据，则执行数据身份交换更新。
在一种优选的实施方式中，在对N个聚类簇中初始解集标识完成后，进行的聚类簇内解集优化迭代处理。在聚类簇内解集优化包括两条规则：第一，追随标识和基础标识数据以引领标识为优化方向的数据迭代；第二，引领标识和追随标识的身份更新。
其中，追随标识和基础标识数据以引领标识为优化方向的数据迭代，即让追随标识和基础标识这两类级别较低的解集，以当前簇内评价值最高的引领标识解集为优化目标，进行更新迭代，以期获得更高的评价结果。
其中，引领标识和追随标识的身份更新，是指交换引领标识和追随标识的分类身份，即当每个聚类簇内任意追随标识解集经过迭代优化后，其重新评价产生的适应度超过当前引领标识解集的适应度时，则触发二者标识交换，实现对当前最优解集群状态的动态更新判定。这样，在迭代过程中，可以持续关注是否存在更优的解集被提升到新的最优状态，一旦发生则应立即响应，保证引领标识动态锁定聚类簇局部最优解。
具体的，首先，基于经验值配置追随标识和基础标识的数据移动步长，作为在以引领标识解集为优化方向，使具有追随标识与基础标识解集迭代更新时，单次迭代过程中解集中数据的更新移动幅度，以有效平衡和控制迭代优化的收敛速度，防止更新失控或低效，提升聚类簇内优化性能。然后，计算追随标识解集的数据与基础标识解集的数据相对于多个引领标识解集的数据的距离，确定其中最近距离的引领标识解集，在两个解集的数据间建立联结通道，连接迭代更新的源对象与目标对象之间的映射与锚定关系。随后，根据追随标识解集的数据、基础标识解集的数据与其锚定引领标识解集的数据之间的距离，结合配置好的数据移动步长，生成当前迭代轮次实际数据应当调整的真实数值，即移动真值。接着，使用产生的移动真值，按照向量相加的数学关系，实现对追随标识解集的数据和基础标识解集的数据在参数空间中位置的实际数值调整，使其根据引领标识解集的数据优化方向实现数据迭代更新，防止参数失控，保证迭代稳定性。当数据迭代完成后，对具有引领标识的解集的适应度重新进行计算，将具有引领标识的具有最小适应度的解集数据置于激发状态，作为激发状态数据，为当前迭代轮次的末位引领标识解集的数据与可能高于该末位引领标识解集适应度的追随标识解集的数据进行交换建立了基础。然后，对迭代更新后的具有追随标识的解集进行适应度计算，当存在追随标识解集数据适应度更优于处于激活状态的引领标识解集数据的适应度，则将该追随标识解集与处于激活状态的引领标识解集进行身份交换更新，即将该追随标识解集标识为引领级别，将激活状态的引领标识解集标识为追随级别，从而使最优解可持续快速跟踪迭代优化过程中出现的新的局部最优状态。
在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；
进一步的，本步骤包括：
对迭代更新后的N个聚类簇进行簇适应度计算，基于簇适应度计算结果确定主聚类簇、边缘聚类簇和基础聚类簇；
建立基础聚类簇与主聚类簇和边缘聚类簇的簇关联，并根据簇关联进行组合簇寻优对抗；
依据组合簇寻优对抗结果完成聚类簇间竞争寻优。
进一步的，本步骤还包括：
建立簇关联评价网络，基于簇关联评价网络分别计算主聚类簇、边缘聚类簇与基础聚类簇的簇关联；
基于计算结果生成各个基础聚类簇的组合簇对抗的对抗系数；
以所述对抗系数进行组合簇寻优对抗时的对应基础聚类簇数据调用。
进一步的，如图2所示，本步骤还包括：
判断竞争吞并速度是否触发预设阈值；
若触发预设阈值，则对被吞并聚类簇进行簇内迭代状态触发判别；
若触发判别通过，则将被吞并聚类簇调整为保护更新状态，并以N个聚类簇中最优引领标识为优化方向，执行被吞并聚类簇内的全部数据迭代；
根据保护更新迭代结果完成聚类簇间竞争寻优。
在一种可行的实施方式中，当N个聚类簇完成预定迭代次数的簇内迭代更新后，执行聚类簇间竞争寻优。首先，对迭代更新后的N个聚类簇中的每个解集通过评价适应度函数进行适应度计算，对每个聚类簇内中的所有解集的综合评价结果进行加和，并求取均值，得到N个聚类簇的簇适应度，即簇适应度计算结果。然后，在簇适应度计算结果中，依照每个聚类簇的簇适应度做降序排列，根据排序结果设置两组阈值，将排名前部的聚类簇确定为主聚类簇，中部的聚类簇确定为边缘聚类簇，尾部为基础聚类簇。
接着，将每个聚类簇中所有解集的数据在各维度上的取值进行平均，得到每个聚类簇的质心，再基于各个聚类簇的质心计算基础聚类簇与主聚类簇和边缘聚类簇之间的欧式距离。随后，将各聚类簇抽象为节点，边表示聚类簇间的距离，构建簇关联评价网络。之后，在已构建的簇关联评价网络上，以图论算法中的最短路径法，针对每个基础聚类簇，分别与所有主聚类簇和边缘聚类簇建立连接通路，并以每个基础聚类簇为源点，将每个主聚类簇和边缘聚类簇作为终点，计算关联路径值。同时，将所得的关联路径值，存储数据库表中，该数据库表的第一字段表示基础聚类簇，第二字段表示主聚类簇或边缘聚类簇，第三字段为计算所得的关联路径值，从而得到主聚类簇、边缘聚类簇与基础聚类簇的簇关联。然后，将簇关联中的关联路径值进行0-1标准化处理，使之映射到统一数值空间，并根据经验，设置标准化后结果的判别阈值，高于阈值为1，低于阈值为0，从根据阈值生成各个基础聚类簇的组合簇对抗的为0或1的对抗系数。接下来，对所得的对抗系数进行降序排序，排序后，对抗系数越高的基础聚类簇与主聚类簇或边缘聚类簇组合在前。随后，基于排序结果，通过轮次控制的方式，逐步选择对抗系数较大的基础聚类簇和主聚类簇或边缘聚类簇进行组合，对选择的聚类簇组合进行多轮迭代，生成新的候选组合聚类簇，将迭代得到的新组合聚类簇与原组合聚类簇进行适应度评价比较，保留相对更优的一方作为当前的最优组合，进入下一轮次的对抗组合，经过多轮次的对抗后，输出最终的最优组合聚类簇作为最终聚类簇结果，完成聚类簇间竞争寻优。
在一种优选的实施方式中，竞争吞并速度是指在聚类簇间竞争寻优过程中，适应度较高的聚类簇吞并适应度低的被吞并聚类簇产生新聚类簇的速度指标；预设阈值是基于历史统计分析，确定聚类簇间吞并速度的最大正常阈值。首先，判断竞争吞并速度是否大于或等于预设阈值，当竞争吞并速度大于或等于预设阈值时，判定为触发预设阈值。此时，分析被吞并聚类簇质心的历史漂移轨迹，检测其漂移轨迹是否发散，以对被吞并聚类簇进行簇内迭代状态触发判别，如果其漂移轨迹为发散，则为触发判别通过。当被吞并聚类簇触发判别通过，在被吞并聚类簇的类描述数据结构中添加保护标记属性，启动保护机制，从而将被吞并聚类簇调整为保护更新状态，临时锁定当被吞并聚类簇，防止参与当前迭代轮次的簇间竞争寻优。然后，在当前各聚类簇中，查找并确定适应度为最高的引领标识解集，作为全局最优方向，根据被吞并聚类簇内各解集与各适应度最高的引领标识解集的距离，配置各自的数据移动步长，以N个聚类簇中最优引领标识为优化方向，驱动被吞并聚类簇内全部解集的数据进行更新迭代，生成新的聚类簇，得到保护更新迭代结果。随后，基于包含保护更新的新一轮聚类优化结果，重新进行聚类簇间组合、合并与竞争，通过迭代寻找全局最优聚类簇，得到竞争寻优结果，实现解集空间的进一步优化升华。
基于竞争寻优结果输出解集空间，以所述解集空间完成待加工半导体的划片机控制寻优。
在本申请实施例中，在执行聚类簇间竞争寻优完成，并得到竞争寻优结果后，将竞争寻优结果中的各个聚类簇中的所有解集合并，输出新的解集空间。然后，在新的解集空间中，确定评价适应度值最大的解集，作为待加工半导体的划片机的实际加工参数，完成待加工半导体的划片机控制寻优。
进一步的，本申请实施例还包括：
配置稳定筛选通道；
以所述稳定筛选通道执行解集空间的稳定附加筛选；
根据稳定附加筛选结果进行待加工半导体的划片机控制管理。
在一种优选的实施方式中，首先，收集不同半导体材料在稳定工艺条件下的历史加工参数，对收集的加工参数标注切割过程中的稳定状态和不稳定状态。然后，通过信号分析、特征工程等方法，提取反映过程稳定性的相关特征参数，使用支持向量机等算法，基于标注数据训练稳定性判断模型，得到稳定筛选通道。然后，将输出的解集空间中所有解集，按照稳定筛选通道的输入格式要求，逐一构建各解集的输入数据。随后，将构建好的各解集的输入数据依次输入稳定筛选通道进行筛选判定，获取各样本的稳定概率分值。同时，根据专家经验确定稳定概率的阈值，如0.8，将所有低于指定稳定概率阈值的解集从竞争优化结果的解集空间中移除淘汰，并将筛检后符合要求的剩余解集作为稳定附加筛选结果输出。最后，在稳定附加筛选结果中获取评价适应度最大的解集作为待加工半导体的划片机的加工控制参数，对待加工半导体的划片机控制管理。
综上所述，本申请实施例所提供的一种半导体划片机的优化控制方法具有如下技术效果：
与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，获得原材料的个性化属性参数，为后续匹配确定最优加工参数奠定基础。以原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，缩小后续搜索范围，提高参数优化的效率。对初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，划分参数群体，便于进行分层分组优化。在预定迭代次数内，执行N个聚类簇的簇内迭代，通过参数间群体协作，克服单点搜索的局限性。在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优，防止陷入局部最优。基于竞争寻优结果输出解集空间，以解集空间完成待加工半导体的划片机控制寻优，实现针对不同半导体材料的个性化差异，高效准确地确定最佳的划片机控制参数组合，提升半导体制作质量效率和质量。
实施例二
基于与前述实施例中一种半导体划片机的优化控制方法相同的发明构思，如图3所示，本申请实施例提供了一种半导体划片机的优化控制系统，该系统包括：
原材特征提取模块11，用于与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，所述原材特征集包括材料特征、结构特征；
控制参数匹配模块12，用于以所述原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；
聚类簇生成模块13，用于对所述初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，所述簇内分类标识包括引领标识、追随标识和基础标识；
簇内迭代模块14，用于在预定迭代次数内，执行N个聚类簇的簇内迭代，其中，簇内迭代包括：
A1：追随标识和基础标识数据以引领标识为优化方向的数据迭代；
A2：引领标识和追随标识的身份更新；
簇间寻优模块15，用于在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；
解集空间输出模块16，用于基于竞争寻优结果输出解集空间，以所述解集空间完成待加工半导体的划片机控制寻优。
进一步的，聚类簇生成模块13包括以下执行步骤：
建立评价适应度函数，所述评价适应度函数包括切割效果评价适应度函数和切割速度评价适应度函数，且所述切割效果评价适应度函数和所述切割速度评价适应度函数具有预设权重约束；
以所述评价适应度函数进行N个聚类簇内数据适应度评价，将切割效果适应度评价结果、切割速度适应度评价结果和综合评价结果作为簇内分类标识的评价标准，通过预设比例完成N个聚类簇内数据分类。
进一步的，簇内迭代模块14包括以下执行步骤：
配置追随标识和基础标识的数据移动步长；
对于任意追随标识和基础标识数据，建立数据与其最近距离的引领标识数据连接，并根据连接结果和数据移动步长生成移动真值；
以所述移动真值完成当前迭代轮次下的数据迭代；
当数据迭代完成后，将引领标识的末位适应度数据置于激发状态；
若数据迭代后的任意追随标识的数据适应度高于激发状态数据，则执行数据身份交换更新。
进一步的，簇间寻优模块15包括以下执行步骤：
判断竞争吞并速度是否触发预设阈值；
若触发预设阈值，则对被吞并聚类簇进行簇内迭代状态触发判别；
若触发判别通过，则将被吞并聚类簇调整为保护更新状态，并以N个聚类簇中最优引领标识为优化方向，执行被吞并聚类簇内的全部数据迭代；
根据保护更新迭代结果完成聚类簇间竞争寻优。
进一步的，簇间寻优模块15还包括以下执行步骤：
对迭代更新后的N个聚类簇进行簇适应度计算，基于簇适应度计算结果确定主聚类簇、边缘聚类簇和基础聚类簇；
建立基础聚类簇与主聚类簇和边缘聚类簇的簇关联，并根据簇关联进行组合簇寻优对抗；
依据组合簇寻优对抗结果完成聚类簇间竞争寻优。
进一步的，簇间寻优模块15还包括以下执行步骤：
建立簇关联评价网络，基于簇关联评价网络分别计算主聚类簇、边缘聚类簇与基础聚类簇的簇关联；
基于计算结果生成各个基础聚类簇的组合簇对抗的对抗系数；
以所述对抗系数进行组合簇寻优对抗时的对应基础聚类簇数据调用。
进一步的，本申请实施例还包括划片机控制模块，该模块包括以下执行步骤：
配置稳定筛选通道；
以所述稳定筛选通道执行解集空间的稳定附加筛选；
根据稳定附加筛选结果进行待加工半导体的划片机控制管理。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种半导体划片机的优化控制方法，其特征在于，所述方法包括：
与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，所述原材特征集包括材料特征、结构特征；
以所述原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；
对所述初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，所述簇内分类标识包括引领标识、追随标识和基础标识；
在预定迭代次数内，执行N个聚类簇的簇内迭代，其中，簇内迭代包括：
A1：追随标识和基础标识数据以引领标识为优化方向的数据迭代；
A2：引领标识和追随标识的身份更新；
在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；
基于竞争寻优结果输出解集空间，以所述解集空间完成待加工半导体的划片机控制寻优；
所述方法还包括：
建立评价适应度函数，所述评价适应度函数包括切割效果评价适应度函数和切割速度评价适应度函数，且所述切割效果评价适应度函数和所述切割速度评价适应度函数具有预设权重约束；
以所述评价适应度函数进行N个聚类簇内数据适应度评价，将切割效果适应度评价结果、切割速度适应度评价结果和综合评价结果作为簇内分类标识的评价标准，通过预设比例完成N个聚类簇内数据分类。
2.如权利要求1所述的方法，其特征在于，所述执行N个聚类簇的簇内迭代，还包括：
配置追随标识和基础标识的数据移动步长；
对于任意追随标识和基础标识数据，建立数据与其最近距离的引领标识数据连接，并根据连接结果和数据移动步长生成移动真值；
以所述移动真值完成当前迭代轮次下的数据迭代；
当数据迭代完成后，将引领标识的末位适应度数据置于激发状态；
若数据迭代后的任意追随标识的数据适应度高于激发状态数据，则执行数据身份交换更新。
3.如权利要求2所述的方法，其特征在于，所述执行聚类簇间竞争寻优，还包括：
判断竞争吞并速度是否触发预设阈值；
若触发预设阈值，则对被吞并聚类簇进行簇内迭代状态触发判别；
若触发判别通过，则将被吞并聚类簇调整为保护更新状态，并以N个聚类簇中最优引领标识为优化方向，执行被吞并聚类簇内的全部数据迭代；
根据保护更新迭代结果完成聚类簇间竞争寻优。
4.如权利要求2所述的方法，其特征在于，所述方法还包括：
对迭代更新后的N个聚类簇进行簇适应度计算，基于簇适应度计算结果确定主聚类簇、边缘聚类簇和基础聚类簇；
建立基础聚类簇与主聚类簇和边缘聚类簇的簇关联，并根据簇关联进行组合簇寻优对抗；
依据组合簇寻优对抗结果完成聚类簇间竞争寻优。
5.如权利要求4所述的方法，其特征在于，所述方法还包括：
建立簇关联评价网络，基于簇关联评价网络分别计算主聚类簇、边缘聚类簇与基础聚类簇的簇关联；
基于计算结果生成各个基础聚类簇的组合簇对抗的对抗系数；
以所述对抗系数进行组合簇寻优对抗时的对应基础聚类簇数据调用。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
配置稳定筛选通道；
以所述稳定筛选通道执行解集空间的稳定附加筛选；
根据稳定附加筛选结果进行待加工半导体的划片机控制管理。
7.一种半导体划片机的优化控制系统，其特征在于，用于实施权利要求1-6任意一项所述的一种半导体划片机的优化控制方法，所述系统包括：
原材特征提取模块，所述原材特征提取模块用于与待加工半导体建立通信，并基于通信结果完成特征提取，生成原材特征集，其中，所述原材特征集包括材料特征、结构特征；
控制参数匹配模块，所述控制参数匹配模块用于以所述原材特征集作为匹配特征，执行划片机历史控制参数的参数匹配，建立初始解集空间，匹配的参数包括主轴转速、进给速度、切割深度、冷却水流量、刀具参数、环境参数；
聚类簇生成模块，所述聚类簇生成模块用于对所述初始解集空间进行随机聚类，生成N个聚类簇，其中，N为大于3的整数，并对N个聚类簇进行簇内解集分类，设定簇内分类标识，其中，所述簇内分类标识包括引领标识、追随标识和基础标识；
簇内迭代模块，所述簇内迭代模块用于在预定迭代次数内，执行N个聚类簇的簇内迭代，其中，簇内迭代包括：
A1：追随标识和基础标识数据以引领标识为优化方向的数据迭代；
A2：引领标识和追随标识的身份更新；
簇间寻优模块，所述簇间寻优模块用于在N个聚类簇完成预定迭代次数的迭代更新后，执行聚类簇间竞争寻优；
解集空间输出模块，所述解集空间输出模块用于基于竞争寻优结果输出解集空间，以所述解集空间完成待加工半导体的划片机控制寻优。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056438.5A CN117577563B (zh) | 2024-01-16 | 2024-01-16 | 一种半导体划片机的优化控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410056438.5A CN117577563B (zh) | 2024-01-16 | 2024-01-16 | 一种半导体划片机的优化控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117577563A CN117577563A (zh) | 2024-02-20 |
| CN117577563B true CN117577563B (zh) | 2024-04-12 |
Family
ID=89862647
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410056438.5A Active CN117577563B (zh) | 2024-01-16 | 2024-01-16 | 一种半导体划片机的优化控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117577563B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118244729B (zh) * | 2024-05-29 | 2024-08-13 | 沈阳宏远电磁线股份有限公司 | 基于mes的生产车间动态管理方法与系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254707A (zh) * | 2021-12-22 | 2022-03-29 | 南京大学 | 一种基于GlobeLand30的历史地表覆盖快速重建方法 |
| CN114970725A (zh) * | 2022-05-30 | 2022-08-30 | 国网山西省电力公司超高压变电分公司 | 一种基于Adaboost-SVM的变压器工况辨识方法 |
| WO2023143016A1 (zh) * | 2022-01-26 | 2023-08-03 | 北京字跳网络技术有限公司 | 特征提取模型的生成方法、图像特征提取方法和装置 |
| CN117118810A (zh) * | 2023-10-25 | 2023-11-24 | 利国智能科技(昆山)有限公司 | 一种网络通信异常预警方法及系统 |
| CN117150333A (zh) * | 2023-10-31 | 2023-12-01 | 南通双耀冲压有限公司 | 一种冲压成型设备的运维监管方法及系统 |
-
2024
- 2024-01-16 CN CN202410056438.5A patent/CN117577563B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254707A (zh) * | 2021-12-22 | 2022-03-29 | 南京大学 | 一种基于GlobeLand30的历史地表覆盖快速重建方法 |
| WO2023143016A1 (zh) * | 2022-01-26 | 2023-08-03 | 北京字跳网络技术有限公司 | 特征提取模型的生成方法、图像特征提取方法和装置 |
| CN114970725A (zh) * | 2022-05-30 | 2022-08-30 | 国网山西省电力公司超高压变电分公司 | 一种基于Adaboost-SVM的变压器工况辨识方法 |
| CN117118810A (zh) * | 2023-10-25 | 2023-11-24 | 利国智能科技(昆山)有限公司 | 一种网络通信异常预警方法及系统 |
| CN117150333A (zh) * | 2023-10-31 | 2023-12-01 | 南通双耀冲压有限公司 | 一种冲压成型设备的运维监管方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117577563A (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117577563B (zh) | 一种半导体划片机的优化控制方法及系统 | |
| Tang et al. | Clustering big IoT data by metaheuristic optimized mini-batch and parallel partition-based DGC in Hadoop | |
| CN106599915B (zh) | 一种车载激光点云分类方法 | |
| CN105843189B (zh) | 一种用于半导体生产线基于简化仿真模型的高效调度规则选择方法 | |
| Chen et al. | A hybrid clustering algorithm based on fuzzy c-means and improved particle swarm optimization | |
| CN110188225A (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
| CN113344019A (zh) | 一种决策值选取初始聚类中心改进的K-means算法 | |
| CN110543913A (zh) | 一种基于遗传算法的近邻传播聚类方法 | |
| CN103631925B (zh) | 机械加工设备的快速分组检索方法 | |
| CN115271237A (zh) | 一种基于改进pso-ga和svm的工业数据质量预测方法 | |
| CN106843153A (zh) | 面向工艺方案的可重用数控工艺映射方法 | |
| CN113484837A (zh) | 一种面向电磁大数据的未知雷达辐射源智能识别方法 | |
| CN111210454B (zh) | 基于并行鸽群算法的Otsu图像分割方法 | |
| CN111730412A (zh) | 一种基于蚁群优化算法的支持向量机的微铣刀磨损状态监测方法 | |
| CN111339385A (zh) | 基于cart的舆情类型识别方法及系统、存储介质、电子设备 | |
| CN117421171B (zh) | 一种大数据任务监控方法、系统、装置及存储介质 | |
| CN109711439A (zh) | 一种使用Group算法加速邻居搜索的密度峰大规模游客画像数据聚类方法 | |
| Irfan et al. | Optimization of information retrieval using evolutionary computation: A survey | |
| CN111639680A (zh) | 一种基于专家反馈机制的身份识别方法 | |
| CN114328922B (zh) | 一种基于谱图理论的选择性文本聚类集成方法 | |
| Sudha et al. | Rainfall forecast analysis using rough set attribute reduction and data mining methods | |
| CN112330164B (zh) | 基于消息总线的数据质量治理系统及方法 | |
| CN114970728A (zh) | Dhssa优化的k均值互补迭代车型信息数据聚类方法 | |
| CN112465838A (zh) | 陶瓷晶粒图像分割方法、系统、储存介质及计算机设备 | |
| CN112488773A (zh) | 智能电视用户分类方法、计算机设备及存储介质 |
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 |