CN117634101B - 芯片表面形态确定方法、装置、计算机设备和存储介质 - Google Patents
芯片表面形态确定方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117634101B CN117634101B CN202410110791.7A CN202410110791A CN117634101B CN 117634101 B CN117634101 B CN 117634101B CN 202410110791 A CN202410110791 A CN 202410110791A CN 117634101 B CN117634101 B CN 117634101B
- Authority
- CN
- China
- Prior art keywords
- data
- machine learning
- simulation
- surface morphology
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 153
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000005498 polishing Methods 0.000 claims abstract description 50
- 239000000126 substance Substances 0.000 claims abstract description 43
- 238000013507 mapping Methods 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 124
- 238000010801 machine learning Methods 0.000 claims description 111
- 238000012795 verification Methods 0.000 claims description 56
- 238000012937 correction Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 34
- 230000004913 activation Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 2
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000005457 optimization Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000005299 abrasion Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004381 surface treatment Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种芯片表面形态确定方法、装置、计算机设备和存储介质。方法包括:获取对目标芯片进行化学机械抛光仿真后得到的目标芯片的表面形态的仿真数据;基于第一数据和第二数据之间的映射关系,对仿真数据进行预测以得到修正后的仿真数据,基于修正后的仿真数据确定目标芯片的表面形态;其中,第一数据包括对测试芯片进行化学机械抛光处理后得到的测试芯片的表面形态的真实数据,第二数据包括对测试芯片进行化学机械抛光仿真后得到的测试芯片的表面形态的仿真数据。采用本方法能够解决芯片表面形态仿真结果不准确的问题。
Description
技术领域
本申请涉及化学机械抛光领域,特别是涉及芯片表面形态确定方法、装置、计算机设备和存储介质。
背景技术
化学机械抛光是一种表面处理技术,广泛应用于半导体制造、光电子学、平板显示等领域。它的目的是通过在表面施加化学反应和机械磨损的联合作用,实现对材料表面的平整化和去除不均匀性。
CMP(Chemical Mechanical Polishing,化学机械抛光)最早应用于硅片制造,用于平整化硅片表面。随着半导体工业的发展,CMP成为了半导体制造过程中不可或缺的步骤,用于制备平坦的硅片表面。CMP主要包含两个方面:1)机械磨损:通过在表面施加旋转的抛光盘,上面涂有抛光垫,实现对材料表面的机械磨损;2)在机械磨损的同时,涂有化学悬浮液的抛光垫也引发表面的化学反应,有助于去除材料表面的氧化物或其他不均匀性。
传统技术中的CMP物理仿真模型基于普林斯顿于1927年提出的普林斯顿方程得到,该方程描述的是材料移除率和抛光压力、相对抛光速度之间的关系。虽然CMP物理仿真模型经过多年的发展逐步完善,但由于CMP物理仿真模型的准确性高度依赖于CMP过程中获取的参数的准确性,而这些参数在实际CMP过程中难以测量或准确确定,所以CMP物理仿真模型输出结果不准确。并且,CMP物理仿真模型对实际物理过程进行了许多简化和近似,导致物理模型实际仿真过程与真实物理过程有差异,也造成了芯片表面形态的CMP仿真结果不够准确的问题。
针对相关技术中存在芯片表面形态仿真结果不准确的方法,目前还没有提出有效的解决方案。
发明内容
基于此,有必要针对上述技术问题,提供一种能够至少解决芯片表面形态仿真结果不准确的芯片表面形态确定方法、装置、计算机设备和存储介质。
第一个方面,在本实施例中提供了一种芯片表面形态确定方法,所述方法包括:
获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据;
基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态;其中,所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据。
在其中的一些实施例中,在基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测之前,所述方法还包括:
获取所述测试芯片的样本,所述样本包括输入数据和标签;其中,所述标签为所述第一数据,所述输入数据基于所述第二数据获得;
按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建。
在其中的一些实施例中,抽取部分所述数据集作为训练集,将所述训练集输入至预设的机器学习网络进行训练,基于训练后的所述机器学习网络,得到所述映射关系。
在其中的一些实施例中,基于所述第二数据获得所述输入数据,包括:
对所述第二数据基于同一尺度进行标准化处理。
在其中的一些实施例中,所述机器学习网络采用卷积神经网络,包括:
由多个二维卷积层、二维批归一化层和第一激活函数构建的特征修正模块;
由多个全连接层,一维批归一化层和第二激活函数构建的表面形态预测模块。
在其中的一些实施例中,将所述训练集输入至预设的机器学习网络进行训练,包括:
将所述训练集划分成多个训练子集并依次输入至所述机器学习网络;
每输入一次所述训练子集,便基于当前输入的训练子集、所述机器学习网络对应输出的预测结果得到损失函数,并基于所述损失函数更新所述机器学习网络的参数。
在其中的一些实施例中,在将所述训练集划分成多个训练子集并依次输入至所述机器学习网络之后,所述方法还包括:
获取各训练子集以及与各所述训练子集对应的预测结果之间的关联参数;其中,所述关联参数包括各所述训练子集、与各所述训练子集对应的预测结果之间的相关系数和/或均方根误差;
根据所述关联参数,在多个进行参数更新后得到的机器学习网络中,确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络。
在其中的一些实施例中,在确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络之后,所述方法还包括:
抽取剩余的所述数据集作为验证集;
将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络修正所述目标芯片的表面形态的仿真数据。
在其中的一些实施例中,所述方法还包括所述数据集的划分方式:
以预设比例随机抽取部分所述数据集作为训练集;
将剩余的数据集作为验证集。
在其中的一些实施例中,所述方法具体包括:
构建数据集:获取所述测试芯片的样本,所述样本包括输入数据和标签;其中,所述标签为所述第一数据,所述输入数据基于所述第二数据获得;所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据;按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建;
划分数据集:以预设比例随机抽取部分所述数据集作为训练集,将剩余的数据集作为验证集;
构建机器学习网络:建立特征修正模块和表面形态预测模块;
训练模型:将所述训练集输入至所述机器学习网络进行训练,得到目标机器学习网络;
验证模型:将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络得到映射关系;所述映射关系是基于第一数据和第二数据之间的映射关系;
仿真修正:获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据,基于所述映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态。
第二个方面,在本实施例中提供了一种芯片表面形态确定装置,所述装置包括:
仿真模块,用于对目标芯片进行化学机械抛光仿真,得到所述目标芯片的表面形态的仿真数据;
修正模块,用于基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态;其中,所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据。
第三个方面,在本实施例中提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一个方面所述的芯片表面形态确定方法的步骤。
第四个方面,在本实施例中提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一个方面所述的芯片表面形态确定方法的步骤。
上述芯片表面形态确定方法、装置、计算机设备和存储介质,通过第一数据和第二数据之间的映射关系表征仿真数据和化学机械抛光处理后的真实数据之间的关联性,并基于这一映射关系修正目标芯片的仿真数据,达到提高仿真结果的准确性的效果。
附图说明
图1为一个实施例中芯片表面形态确定方法的应用环境图;
图2为一个实施例中芯片表面形态确定方法的流程示意图;
图3为一个实施例中获取卷积神经网络的流程示意图;
图4为一个实施例中样本获取的示意图;
图5为一个实施例中特征修正模块的示意图;
图6为一个实施例中表面形态预测模块的示意图;
图7为一个实施例中模型推理结果的可视化等高线示意图;
图8为一个实施例中芯片表面形态确定装置的结构框图;
图9为一个实施例中修正模型训练的示意图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的芯片表面形态确定方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。数据存储系统可以用于测试芯片的表面形态的真实数据和仿真数据等等数据。终端102可以获取目标芯片的表面形态的仿真数据,以及数据存储系统中存储的数据,以执行芯片表面形态确定方法,从而得到目标芯片的表面形态。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、平板电脑等设备。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种芯片表面形态确定方法,以该方法应用于图1中的终端102为例进行说明,包括以下步骤:
步骤S201,获取对目标芯片进行化学机械抛光仿真后得到的目标芯片的表面形态的仿真数据。
其中,目标芯片的表面形态的仿真数据用于指示芯片表面形貌特征,包括但不限于芯片表面最大高度、芯片表面轮廓峰谷峰顶和谷底之间的高度等等。可选地,将目标芯片输入现有的化学机械抛光仿真模型得到目标芯片的仿真数据,也可以直接从现有的数据库中获取目标芯片的仿真数据。
步骤S202,基于第一数据和第二数据之间的映射关系,对仿真数据进行预测以得到修正后的仿真数据,基于修正后的仿真数据确定目标芯片的表面形态;其中,第一数据包括对测试芯片进行化学机械抛光处理后得到的测试芯片的表面形态的真实数据,第二数据包括对测试芯片进行化学机械抛光仿真后得到的测试芯片的表面形态的仿真数据。可选地,先对测试芯片进行化学机械抛光仿真后,得到第一数据;再对测试芯片进行化学机械抛光处理,通过处理后的测试芯片进行检测,得到第二数据。其中,若目标芯片的表面形态的仿真数据基于化学机械抛光仿真模型得到,则测试芯片的表面形态的仿真数据同样基于该化学机械抛光仿真模型得到。
上述芯片表面形态确定方法中,第一数据和第二数据之间的映射关系用于表征仿真数据和化学机械抛光处理后的真实数据之间的关联性,基于这一映射关系修正目标芯片的仿真数据,可以减小仿真结果与实际化学机械抛光处理结果之间的偏差,从而提高仿真结果的准确性。
在其中的一些实施例中,在基于第一数据和第二数据之间的映射关系,对仿真数据进行预测之前,方法还包括:获取测试芯片的样本,样本包括输入数据和标签;其中,所述标签为所述第一数据,所述输入数据基于所述第二数据获得;按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建。可选的,以n×n的滑动窗口从左到右、从上倒下滑动获取每个样本的输入数据,从而考虑周边格点对当前格点形态预测的影响,同时获取所述输入数据对应的标签,以此方式构建数据集;可参考如图2所示的示例,滑动窗口的window_size(窗口尺寸) n设置为3,滑动获取样本的m个3×3的输入数据。滑动窗口的还可以基于其他的滑动顺序实现输入数据的获取,在此不做限定。
在其中的一些实施例中,抽取部分所述数据集作为训练集,将所述训练集输入至预设的机器学习网络进行训练,基于训练后的所述机器学习网络,得到所述映射关系。
其中,可以将全部数据集都作为训练集,也可以第一预设比例随机选取部分数据集作为训练集。可根据具体应用场景自行调整,本申请不做具体限定。
预设的机器学习网络用于学习第一数据和第二数据之间的映射关系。可选地,将训练集的输入数据和对应的标签输入至预设的机器学习网络,预设的机器学习网络通过更新内部参数,最小化预设的机器学习网络基于训练集数据输出的结果与对应的标签之间的差异,以得到第一数据和第二数据之间的映射关系。本实施例通过训练预设的机器学习网络的方法,可以捕捉输入数据和标签之前复杂的非线性关系,从而准确地获取映射关系。
可选地,基于第二数据获得输入数据,包括:对第二数据基于同一尺度进行标准化处理。可选地,计算第二数据之间的均值和方差,根据计算得到的均值和方差,对第二数据进行标准化处理。通过标准化处理,将数据转换到同一尺度上,提高第二数据中数据之间的可比较性,提高训练得到的机器学习网络的性能。
在其中的一些实施例中,机器学习网络采用卷积神经网络,包括:由多个二维卷积层、二维批归一化层和第一激活函数构建的特征修正模块;由多个全连接层,一维批归一化层和第二激活函数构建的表面形态预测模块。其中,第一激活函数和第二激活函数可以是同一类型的激活函数,也可以是不同类型的激活函数。可选地,第一激活函数和第二激活函数皆选用ReLU函数(Linear rectification function,线性整流函数),以保证机器学习网络的非线性。特征修正模块用于对输入机器学习网络的数据进行特征提取,表面形态预测模块用于根据特征修正模块输出的提取结果,输出预测结果。
在其中的一些实施例中,将训练集输入至预设的机器学习网络进行训练,包括:将训练集划分成多个训练子集并依次输入至机器学习网络;每输入一次训练子集,便基于当前输入的训练子集、机器学习网络对应输出的预测结果得到损失函数,并基于损失函数更新机器学习网络的参数。
其中,损失函数用于计算机器学习网络预测输出与标签之间的差异。根据损失函数确定当前模型参数的梯度,并通过现有的优化算法和参数梯度更新机器学习网络的参数,直至机器学习网络预测输出与标签之间的差异最小化。将各训练子集皆输入至机器学习网络后,得到的机器学习网络,作为修正目标芯片仿真数据的目标机器学习网络。
还可以在多个进行参数更新后得到的机器学习网络中,根据各机器学习网络的性能确定目标机器学习网络。可选地,在将训练集划分成多个训练子集并依次输入至机器学习网络之后,方法还包括:获取各训练子集以及与各训练子集对应的预测结果之间的关联参数;其中,关联参数包括各训练子集、与各训练子集对应的预测结果之间的相关系数和/或均方根误差;根据关联参数,在多个进行参数更新后得到的机器学习网络中,确定用于预测目标芯片的表面形态的仿真数据的目标机器学习网络。
其中,关联参数用于评估参数更新后得到的多个机器学习网络的性能。若关联参数为相关系数,则相关系数高的机器学习网络性能较优;若关联参数为均方根误差,则均方根误差小的机器学习网络性能较优;若关联参数为相关系数和均方根误差,则综合参考两个关联参数评估机器学习网络性能较优,例如,可以根据用户为两个关联参数设置对应的权重进行平度。在更新机器学习网络的参数时,可能存在过拟合的问题。为了防止目标机器学习网络过度适应训练数据,从而在未见过的数据上表现不佳。
在其中的一些实施例中,在确定用于预测目标芯片的表面形态的仿真数据的目标机器学习网络之后,方法还包括:抽取剩余的所述数据集作为验证集;将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络修正所述目标芯片的表面形态的仿真数据。
其中,预设的标准可以基于用户输入得到,预设的标准用于判断目标机器学习网络的过拟合状况等性能。可选地,还设置包括所述数据集的划分方式:以预设比例随机抽取部分所述数据集作为训练集;将剩余的数据集作为验证集。验证集与训练集同属于一个数据集,从数据集中抽取的输入数据和标签不重合。示例性地,可以从构建的数据集中,随机抽取90%的数据集作为训练数据集,剩余的10%的数据集作为验证数据集。本实施例基于验证集评估模型的性能,以确保目标机器学习网络可以提供准确的映射关系。
示例性地,根据第一数据和第二数据构建数据集,并划分数据集得到训练集和验证集;获取预设的机器学习网络;根据训练集更新当前获取的机器学习网络的参数,根据验证集对更新后的机器学习网络进行验证;在验证结果不符合预设的标准的情况下,返回根据训练集更新当前的机器学习网络的参数,根据验证集对更新后的机器学习网络进行验证的步骤,直至验证结果符合预设的标准;在验证结果符合预设的标准的情况下,基于更新后的机器学习网络得到映射关系,并基于映射关系对仿真数据进行预测,得到修正后的仿真数据。
其中,可以将第一预设比例的数据集作为训练集,将第二预设比例的数据集作为验证集,训练集和验证集不重合。第一预设比例与第二预设比例之和不超过100%,第一预设比例和第二预设比例根据用户需求设置得到。可选地,将训练集划分成多个训练子集,并将验证集划分成多个验证子集。随机输入训练子集输入至机器学习网络,以更新机器学习网络的参数,每输入一次训练子集便更新一次机器学习网络的参数,每更新一次机器学习网络的参数,便通过一个验证子集验证当前机器学习网络的仿真结果是否符合预设的标准。在机器学习网络的仿真结果不符合预设的标准的情况下,基于新的训练子集更新机器学习网络的参数,并重复执行机器学习网络的验证步骤;在机器学习网络的仿真结果符合预设的标准的情况下,停止更新机器学习网络的参数,基于更新后的映射关系对仿真数据进行预测,得到修正后的仿真数据。
在其中的一些实施例中,所述方法具体包括:
构建数据集:获取测试芯片的样本,包括输入数据和标签;其中,所述标签是指所述第一数据,所述输入数据基于所述第二数据获得;所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据;按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建;
划分数据集:以预设比例随机抽取部分所述数据集作为训练集,将剩余的数据集作为验证集;
构建机器学习网络:建立特征修正模块和表面形态预测模块;
训练模型:将所述训练集输入至所述机器学习网络进行训练,得到目标机器学习网络;
验证模型:将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络得到映射关系;所述映射关系是基于第一数据和第二数据之间的映射关系;
仿真修正:获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据,基于所述映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态。
在其中的一些实施例中,提供了一种化学机械抛光仿真修正方法,用于修正化学机械抛光仿真物理模型的输出的仿真数据。
其中,化学机械抛光仿真物理模型在普林斯顿方程的基础上,结合接触力学理论中描述的弹性体和刚体之间接触时弹性体接触面形变与接触力之间的关系得到。其中,普林斯顿方程描述的是材料移除率和抛光压力、相对抛光速度之间的关系:
RR = KPV
其中,RR是材料移除率;K是普林斯顿系数,该系数隐含了化学反应带来的影响;P是抛光压力;V则是相对抛光速度。
虽然CMP物理仿真模型经过多年的发展逐步完善,但CMP物理仿真依然存在以下缺点和问题:(1)计算复杂度高:CMP 过程涉及多物理场的相互作用,包括机械、化学和流体力学等。这导致了复杂的数学模型和大规模的计算,使CMP物理仿真模型的校准耗时长。(2)高参数敏感性:CMP 过程中有许多参数,CMP物理仿真模型的准确性高度依赖于这些参数的准确性,而这些参数在实际中可能难以测量或准确确定,若使用网格搜索的方法来获取最佳参数,则需要耗费大量的时间,虽然目前也有很多参数优化的算法,但也不能确保最终优化出的参数是全局最优解。(3)CMP物理仿真模型简化导致仿真不准确:物理模型对实际物理过程进行了许多简化和近似,导致CMP物理仿真模型实际仿真过程与真实物理过程有差异,最终造成仿真结果不够准确。
为了解决上述问题,通过一种卷积神经网络修正CMP物理仿真模型的仿真结果。图3提供了获取卷积神经网络的流程示意图,如图3所示,包括以下步骤:
步骤S301,数据采集。测量test chip(测试芯片)在CMP工艺后的表面形态,得到训练卷积神经网络需要的标签。其中,测量得到的test chip的表面形态包括top_surface_height,step_height和surface_height。其中,top_surface_height是指CMP工艺非槽部分的材料表面高度;step_height是指CMP工艺成槽部分的材料表面高度与非槽部分材料表面高度之差;surface_height是指low_Surface_Height和top_surface_height按照线密度进行加权平均后的值,low_Surface_Height是指CMP工艺槽部分的材料表面高度。
步骤S302,物理模型仿真。通过CMP物理仿真模型对同一块test chip(测试芯片)对CMP仿真,将CMP物理仿真模型输出的表面形态张量作为仿真数据。其中,仿真得到的表面形态张量同样包括Top_surface_height,Step_height和Surface_height。
步骤S303,仿真数据预处理。对输入样本进行标准化处理,示例性地,计算物理模型仿真的表面形态数据的均值和方差;基于计算得到的均值和方差,对物理模型仿真的表面形态数据进行标准化处理。
步骤S304,数据集构建。根据仿真数据的空间分布,对仿真数据进行排列,得到表面形态张量。设置一个n×n的滑动窗口,将该窗口置于在表面形态张量上。滑动窗口中每个格点分别对应一个仿真数据,滑动窗口中n×n个格点对应的n×n个仿真数据构成了一个样本的输入数据,并相应获取该输入数据的标签。将该滑动窗口在表面形态张量上移动获取样本的输入数据,同时获取对应的标签,从而构建得到数据集。
图4是本实施例中样本获取的示意图。如图4所示,物理仿真的表面形态张量共存在m个格点,window_size(滑动窗口的大小)设置为n=3。3×3的滑动窗口在物理仿真的表面形态张量中,以从左到右、从上到下的顺序滑动,获取m个3×3的样本输入数据。
步骤S305,数据集划分。从步骤304构建的数据集中随机抽取90%的样本作为训练集,10%的样本作为验证集。
步骤S306,修正模型构建。其中,修正模型为一种机器学习网络,具体的,修正模型为卷积神经网络,修正模型中包括特征修正模块和表面形态预测模块。其中,图5提供了一种特征修正模块的示意图,如图5所示,获取两个二维卷积层、两个二维批归一化层和两个ReLU激活函数,对上述二维卷积层、二维批归一化层和ReLU激活函数构建得到的二维矩阵展平为一维矩阵后,得到特征修正模块。图6提供了一种表面形态预测模块的示意图,如图6所示,表面形态预测模块由两个全连接层、一个一维批归一化层和一个ReLU激活函数构建得到。其中,ReLU激活函数可以保证模型的非线性,其计算公式为:
f(x)=max(0,x)
步骤S307,修正模型训练。基于步骤S305划分得到的训练集和步骤S06构建的修正模型进行模型训练。
如图9所示,示例性地,先后定义损失函数和优化器后,对训练数据进行分批,即,对训练集进行划分,得到多批训练数据,即多个训练子集。对训练数据进行shuffle(重组),即,对划分后的多批训练数据进行重新排列,使得划分后的多批训练数据随机地输入修正模型进行训练。每批训练数据中样本数量可以基于用户需求设置,本实施例中每批训练数据中包括256个样本。每输入一批训练数据,都计算一次修正模型的损失,更新一次修正模型的参数,直到训练次数达到用户设置的最大训练次数。其中,定义优化器为Adam优化器,通过Adam优化器和修正模型的损失更新修正模型的参数。通过损失函数MSE Loss计算修正模型的损失,定义损失函数为MSE Loss,MSE Loss的计算公式为:
其中,xi为标签,yi为修正模型输出结果,n为每批训练数据中的样本数量。
在多次更新参数后得到多个不同的修正模型,通过均方根误差(RMSE)和相关性系数(CC)衡量多个不同的修正模型的性能,在多个不同的修正模型中确定性能最佳的修正模型。其中,均方根误差(RMSE)的公式如下:
其中,Yi为标签,f(xi)为修正模型输出结果;
相关性系数(CC)的公式如下:
其中ρ表示相关系数,E表示期望,X为修正模型输出结果,Y为标签。
步骤S308,修正模型验证。基于步骤5划分出的验证集和步骤7训练出的修正模型进行模型效果验证。示例性地,对验证集进行划分,得到多批验证数据,即上述的验证子集。每批验证数据中包括256个样本。对分批后的验证数据进行模型推理,并合并各个批次测试数据的推理结果,最终推理结果的可视化等高线如图7所示。通过推理结果得到修正模型的性能,从而判断该修正模型是否能应用于CMP物理仿真模型的仿真结果。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。例如,可以先执行步骤S306再执行步骤S305。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的芯片表面形态确定方法的芯片表面形态确定装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个芯片表面形态确定装置实施例中的具体限定可以参见上文中对于芯片表面形态确定方法的限定,在此不再赘述。
在一个实施例中,如图8所示,提供了一种芯片表面形态确定装置,包括:仿真模块和修正模块。其中,仿真模块,用于对目标芯片进行化学机械抛光仿真,得到目标芯片的表面形态的仿真数据;修正模块,用于基于第一数据和第二数据之间的映射关系,对仿真数据进行预测以得到修正后的仿真数据,基于修正后的仿真数据确定目标芯片的表面形态;其中,第一数据包括对测试芯片进行化学机械抛光处理后得到的测试芯片的表面形态的真实数据,第二数据包括对测试芯片进行化学机械抛光仿真后得到的测试芯片的表面形态的仿真数据。
在一个实施例中,修正模块还可以执行以下步骤:在基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测之前,获取测试芯片的样本,包括输入数据和标签;其中,所述标签是指所述第一数据,所述输入数据基于所述第二数据获得;按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建。其中,对所述第二数据基于同一尺度进行标准化处理后得到所述输入数据。
其中,抽取部分所述数据集作为训练集,将所述训练集输入至预设的机器学习网络进行训练,基于训练后的所述机器学习网络,得到所述映射关系。所述机器学习网络包括:由多个二维卷积层、二维批归一化层和第一激活函数构建的特征修正模块;由多个全连接层,一维批归一化层和第二激活函数构建的表面形态预测模块。
在一个实施例中,修正模块将所述训练集输入至预设的机器学习网络进行训练,包括:将所述训练集划分成多个训练子集并依次输入至所述机器学习网络;每输入一次所述训练子集,便基于当前输入的训练子集、所述机器学习网络对应输出的预测结果得到损失函数,并基于所述损失函数更新所述机器学习网络的参数。
在一个实施例中,修正模块在将所述训练集划分成多个训练子集并依次输入至所述机器学习网络之后,获取各训练子集以及与各所述训练子集对应的预测结果之间的关联参数;其中,所述关联参数包括各所述训练子集、与各所述训练子集对应的预测结果之间的相关系数和/或均方根误差;根据所述关联参数,在多个进行参数更新后得到的机器学习网络中,确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络。
在一个实施例中,修正模块在基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测之前,以所述第一数据作为标签,以所述第二数据作为样本,构建验证集;将所述验证集输入至所述目标机器学习网络进行验证,将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络修正所述目标芯片的表面形态的仿真数据。可选地,所述数据集的划分方式包括:以预设比例随机抽取部分所述数据集作为训练集;将剩余的数据集作为验证集。
上述芯片表面形态确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于目标芯片的表面形态的仿真数据、测试芯片的表面形态的真实数据和仿真数据等等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种芯片表面形态确定方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种芯片表面形态确定方法,其特征在于,所述方法包括:
获取对目标芯片进行化学机械抛光仿真后得到的所述目标芯片的表面形态的仿真数据;
基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态;其中,所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据;
其中,获取所述映射关系包括:获取所述测试芯片的样本,所述样本包括输入数据和标签,所述标签为所述第一数据,所述输入数据基于所述第二数据获得,根据所述输入数据和对应的标签,实现数据集的构建;划分所述数据集得到训练集和验证集;将所述训练集输入至机器学习网络进行训练,得到目标机器学习网络;将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络得到所述映射关系。
2.根据权利要求1所述的方法,其特征在于,在基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测之前,所述方法还包括:
获取所述测试芯片的样本,所述样本包括输入数据和标签;其中,所述标签为所述第一数据,所述输入数据基于所述第二数据获得;
按预设的顺序,以预设尺寸的滑动窗口获取样本的输入数据,并获取所述输入数据对应的标签,实现数据集的构建。
3.根据权利要求2所述的方法,其特征在于,抽取部分所述数据集作为训练集,将所述训练集输入至预设的机器学习网络进行训练,基于训练后的所述机器学习网络,得到所述映射关系。
4.根据权利要求2所述的方法,其特征在于,基于所述第二数据获得所述输入数据,包括:
对所述第二数据基于同一尺度进行标准化处理。
5.根据权利要求3所述的方法,其特征在于,所述机器学习网络采用卷积神经网络,包括:
由多个二维卷积层、二维批归一化层和第一激活函数构建的特征修正模块;
由多个全连接层,一维批归一化层和第二激活函数构建的表面形态预测模块。
6.根据权利要求3所述的方法,其特征在于,将所述训练集输入至预设的机器学习网络进行训练,包括:
将所述训练集划分成多个训练子集并依次输入至所述机器学习网络;
每输入一次所述训练子集,便基于当前输入的训练子集、所述机器学习网络对应输出的预测结果得到损失函数,并基于所述损失函数更新所述机器学习网络的参数。
7.根据权利要求6所述的方法,其特征在于,在将所述训练集划分成多个训练子集并依次输入至所述机器学习网络之后,所述方法还包括:
获取各训练子集以及与各所述训练子集对应的预测结果之间的关联参数;其中,所述关联参数包括各所述训练子集、与各所述训练子集对应的预测结果之间的相关系数和/或均方根误差;
根据所述关联参数,在多个进行参数更新后得到的机器学习网络中,确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络。
8.根据权利要求7所述的方法,其特征在于,在确定用于预测所述目标芯片的表面形态的仿真数据的目标机器学习网络之后,所述方法还包括:
抽取剩余的所述数据集作为验证集;
将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络修正所述目标芯片的表面形态的仿真数据。
9.根据权利要求8所述的方法,其特征在于,还包括所述数据集的划分方式:
以预设比例随机抽取部分所述数据集作为训练集;
将剩余的数据集作为验证集。
10.一种芯片表面形态确定装置,其特征在于,所述装置包括:
仿真模块,用于对目标芯片进行化学机械抛光仿真,得到所述目标芯片的表面形态的仿真数据;
修正模块,用于基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测以得到修正后的仿真数据,基于所述修正后的仿真数据确定所述目标芯片的表面形态;其中,所述第一数据包括对测试芯片进行化学机械抛光处理后得到的所述测试芯片的表面形态的真实数据,所述第二数据包括对所述测试芯片进行化学机械抛光仿真后得到的所述测试芯片的表面形态的仿真数据;
其中,所述修正模块在基于第一数据和第二数据之间的映射关系,对所述仿真数据进行预测以得到修正后的仿真数据之前,还包括:获取所述测试芯片的样本,所述样本包括输入数据和标签,所述标签为所述第一数据,所述输入数据基于所述第二数据获得,根据所述输入数据和对应的标签,实现数据集的构建;划分所述数据集得到训练集和验证集;将所述训练集输入至机器学习网络进行训练,得到目标机器学习网络;将所述验证集输入至所述目标机器学习网络进行验证,在验证结果符合预设的标准的情况下,基于所述目标机器学习网络得到所述映射关系。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求9中任一项所述的方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至权利要求9中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410110791.7A CN117634101B (zh) | 2024-01-26 | 2024-01-26 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410110791.7A CN117634101B (zh) | 2024-01-26 | 2024-01-26 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117634101A CN117634101A (zh) | 2024-03-01 |
CN117634101B true CN117634101B (zh) | 2024-06-25 |
Family
ID=90036047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410110791.7A Active CN117634101B (zh) | 2024-01-26 | 2024-01-26 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117634101B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118607265A (zh) * | 2024-08-07 | 2024-09-06 | 杭州广立微电子股份有限公司 | 电化学沉积表面地形仿真方法、装置及可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792514A (zh) * | 2021-09-18 | 2021-12-14 | 上海交通大学 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9081919B2 (en) * | 2013-03-15 | 2015-07-14 | Globalfoundries Singapore Pte. Ltd. | Design-for-manufacturing—design-enabled-manufacturing (DFM-DEM) proactive integrated manufacturing flow |
CN104123428B (zh) * | 2014-08-14 | 2017-08-11 | 中国科学院微电子研究所 | Cmp工艺仿真方法及其仿真系统 |
CN107145614B (zh) * | 2016-03-01 | 2020-06-30 | 中国科学院微电子研究所 | 一种cmp工艺仿真方法及仿真系统 |
CN107291966B (zh) * | 2016-04-11 | 2020-11-03 | 中芯国际集成电路制造(上海)有限公司 | 化学机械抛光仿真的方法和装置 |
CN106100920A (zh) * | 2016-05-27 | 2016-11-09 | 浪潮(北京)电子信息产业有限公司 | 一种网络互连芯片的可复用模型验证方法 |
CN108573110B (zh) * | 2018-04-26 | 2022-01-04 | 中国科学院微电子研究所 | 一种多层互连线结构的cmp仿真方法和仿真系统 |
CN108985452A (zh) * | 2018-06-22 | 2018-12-11 | 中国计量大学 | 基于神经网络的太阳能电池硅片切割参数预测方法 |
AU2020378413A1 (en) * | 2019-11-06 | 2022-06-23 | OnScale, Inc. | Methods and systems for the estimation of the computational cost of simulation |
CN111539178B (zh) * | 2020-04-26 | 2023-05-05 | 成都市深思创芯科技有限公司 | 一种基于神经网络的芯片版图设计方法和系统及制作方法 |
CN111625997B (zh) * | 2020-05-27 | 2024-01-19 | 山东天岳先进科技股份有限公司 | 一种晶体切割工艺优化方法及装置 |
CN112131820B (zh) * | 2020-09-17 | 2024-06-28 | 中国科学院微电子研究所 | Cmp芯片表面形貌仿真模型的实现方法及仿真系统 |
CN113032195B (zh) * | 2021-03-24 | 2023-05-23 | 上海西井信息科技有限公司 | 芯片仿真验证方法、系统、设备及存储介质 |
CN113591234B (zh) * | 2021-06-16 | 2024-06-11 | 长三角先进材料研究院 | 一种基于机器学习的自冲孔铆接工艺仿真模型参数分析与校核的方法 |
US20230037918A1 (en) * | 2021-08-06 | 2023-02-09 | D2S, Inc. | Method for computational metrology and inspection for patterns to be manufactured on a substrate |
CN113901745A (zh) * | 2021-10-11 | 2022-01-07 | 海宁奕斯伟集成电路设计有限公司 | 芯片测试方法、装置、电子设备及计算机可读存储介质 |
US20230153513A1 (en) * | 2021-11-18 | 2023-05-18 | Verifai Inc. | Method and system for using deep learning to improve design verification by optimizing code coverage, functional coverage, and bug detection |
CN114692499A (zh) * | 2022-03-30 | 2022-07-01 | 北京时代民芯科技有限公司 | 一种基于机器学习的集成电路芯片寿命的评估方法与系统 |
CN115410083B (zh) * | 2022-08-24 | 2024-04-30 | 南京航空航天大学 | 一种基于对抗域适应的小样本sar目标分类方法及装置 |
CN115906758A (zh) * | 2022-12-15 | 2023-04-04 | 中国科学院微电子研究所 | 晶体管仿真量子修正模型的修正方法、装置、设备及介质 |
CN116258062B (zh) * | 2023-01-04 | 2024-07-05 | 广州科盛隆纸箱包装机械有限公司 | 基于质量检测图像的纸箱包装机械模切刀磨损预测方法及装置 |
CN116128839A (zh) * | 2023-01-20 | 2023-05-16 | 杭州广立微电子股份有限公司 | 晶圆缺陷识别方法、装置、电子设备以及存储介质 |
CN116484934A (zh) * | 2023-04-24 | 2023-07-25 | 天津科技大学 | 预测模型的训练方法、装置、电子设备及存储介质 |
CN117077585A (zh) * | 2023-07-10 | 2023-11-17 | 南京米乐为微电子科技有限公司 | 一种封装芯片热仿真模型的构建方法和装置 |
CN117236278B (zh) * | 2023-11-15 | 2024-02-20 | 江苏永鼎股份有限公司 | 一种基于数字孪生技术的芯片生产仿真方法及系统 |
-
2024
- 2024-01-26 CN CN202410110791.7A patent/CN117634101B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792514A (zh) * | 2021-09-18 | 2021-12-14 | 上海交通大学 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Non-Patent Citations (1)
Title |
---|
Multilayer CMP hotspot modeling through deep learning;Luis Francisco等;《Proceedings of SPIE - The International Society for Optical Engineering》;20191105;第109620U-1—109620U-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117634101A (zh) | 2024-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117634101B (zh) | 芯片表面形态确定方法、装置、计算机设备和存储介质 | |
KR102582921B1 (ko) | 학습 장치, 추론 장치 및 학습 완료 모델 | |
TWI831893B (zh) | 用於高度共線響應空間中的規範性分析的方法、系統與電腦可讀取媒體 | |
CN114565196B (zh) | 基于政务热线的多事件趋势预判方法、装置、设备及介质 | |
CN116011682B (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
US20210300390A1 (en) | Efficient computational inference using gaussian processes | |
Oishi et al. | A surface-to-surface contact search method enhanced by deep learning | |
CN117473312A (zh) | 轴承状态预测方法、装置、计算机设备及存储介质 | |
Lee et al. | Channel pruning via gradient of mutual information for light-weight convolutional neural networks | |
CN117437494A (zh) | 一种图像分类方法、系统、电子设备及存储介质 | |
CN114819168B (zh) | 一种矩阵特征值的量子比较方法及装置 | |
CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
CN116626504A (zh) | 动力电池性能确定方法、装置、计算机设备和存储介质 | |
CN116799879A (zh) | 交直流混联电网状态估计方法、装置及计算机设备 | |
CN112528500B (zh) | 一种场景图构造模型的评估方法及评估设备 | |
CN113223107B (zh) | 一种气液两相流的电阻层析成像方法、装置及终端设备 | |
Twining et al. | Specificity: A graph-based estimator of divergence | |
CN115631849B (zh) | 基于深度神经网络的乳腺癌预后指示系统、存储介质及设备 | |
CN116191424A (zh) | 考虑量测缺失的知识驱动电网拓扑辨识及状态估计方法 | |
US20230195842A1 (en) | Automated feature engineering for predictive modeling using deep reinforcement learning | |
CN100578728C (zh) | 非一致性型态辨别系统及方法 | |
CN116400430A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
CN118504721A (zh) | 一种气象数据预测方法、装置、存储介质及电子装置 | |
Yao et al. | Automatic Search Guided Code Optimization Framework for Mixed-Precision Scientific Applications | |
Roh et al. | Stochastic parameter search for events |
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 |