CN117672910A - 基于零部件数据的晶圆良率控制方法、装置、设备及介质 - Google Patents

Abstract

本申请提供了一种基于零部件数据的晶圆良率控制方法、装置、设备及介质。该方法包括：获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。本技术方案，通过对零部件数据的控制，可以提升晶圆良率，避免产生晶圆制造存在良率较低，且无法通过有效手段提高晶圆良率的问题。

Description

基于零部件数据的晶圆良率控制方法、装置、设备及介质

技术领域

本申请涉及半导体制造技术领域，尤其涉及一种基于零部件数据的晶圆良率控制方法、装置、设备及介质。

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。

晶圆制造的过程非常复杂，需要经过薄膜沉积、光刻胶涂敷、光刻显影、刻蚀、量测、清洗、离子注入等繁琐的制造过程。更重要的是，设备及生产线上的零部件种类繁多，其应用不同的材料或稍微的尺寸差异就可能导致晶圆良率的变化。基于此，零部件数据对良率的影响分析就变的非常重要。

但是目前，尚无对于零部件数据对良率的影响分析，比如某零部件不同的参数或材料可能导致的晶圆良率就会不同。因此需要找到一种智能方法，去挖掘零部件数据对良率的归因，是本领域技术人员亟待解决的技术问题。

发明内容

本申请的目的是提供一种基于零部件数据的晶圆良率控制方法、装置、设备及介质，至少用以解决分析零部件数据对于晶圆良率是否存在影响的问题。本申请的目的在于：提供了一种新的基于零部件数据的晶圆良率控制方法。该方法能够从常规的零部件数据中挖掘出与晶圆良率有关的关键零部件数据，并基于关键零部件数据对于当前制造的晶圆良率是否符合标准进行预测，以实现通过对零部件数据的控制，可以提升晶圆良率，避免产生晶圆制造存在良率较低，且无法通过有效手段提高晶圆良率的问题。

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基于零部件数据的晶圆良率控制方法，所述方法包括：

获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；

将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

第二方面，本申请的一些实施例还提供了一种基于零部件数据的晶圆良率控制装置，所述装置包括：

基础零部件数据获取模块，用于获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

关键零部件数据确定模块，用于基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；

晶圆良率预测模块，用于将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

零部件数据调整模块，用于若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

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基于零部件数据的晶圆良率控制方法。

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基于零部件数据的晶圆良率控制方法。

相较于现有技术，本申请实施例提供的方案中，通过获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。本方案通过通过对零部件数据的控制，可以提升晶圆良率，避免产生晶圆制造存在良率较低，且无法通过有效手段提高晶圆良率的问题。

附图说明

图1是本申请实施例一提供的基于零部件数据的晶圆良率控制方法的流程示意图；

图2是本申请实施例二提供的机器学习模型的训练过程的流程示意图；

图3是本申请实施例三提供的基于零部件数据的晶圆良率控制方法的流程示意图；

图4是本申请实施例四提供的基于零部件数据的晶圆良率控制装置的结构示意图；

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基于零部件数据的晶圆良率控制方法的流程示意图。如图1所示，具体包括如下步骤：该流程包括：

步骤S101，获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节。

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，会涉及到各种基础零部件数据，并对每一种基础零部件数据进行调控，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生产出优良的晶圆产品。

本方案中，基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节。其中，零部件名称可以包括有O-Ring密封圈，精密轴承，金属零部件，Value阀，硅/SiC件，Robots，石英件(电容石英，电解石英)，Filter，射频电源，陶瓷件，ESC静电吸盘，压力Gauge，泵，MFC流量计，步进马达等。具体的，每个零部件，可以对应于一个或者多个制造环节，例如，O-Ring密封圈用于CVD，PVD，CMP等；精密轴承用于离子注入，PVD，RTP，WET等；金属零部件用于PVD，Value阀用于CVD，PVD，RTP，光刻，离子注入等；硅/SiC件用于等离子刻蚀设备，Robots用于光刻，WET，TF，ETCH，DIEF等；石英件(电容石英，电解石英)用于刻蚀，炉管等；Filter用于光刻，RTP，WET等；射频电源用于刻蚀，离子注入，CVD，PVD等；陶瓷件用于刻蚀，离子注入，CVD，PVD等；ESC静电吸盘用于CVD，PVD，ALD，等离子刻蚀设备，湿法刻蚀设备等；压力Gauge用于离子注入，WET等；泵用于离子注入，WET，PVD等；MFC流量计用于离子注入，CVD，RTP等；步进马达用于CVD，PVD，ETCH等。

本方案中，可以将零部件名称以及所在制造环节或者所在制造设备用连词符连接后，作为零部件数据。

步骤S102，基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选。

在本方案中，可以基于预先确定好的关键零部件数据，对于基础零部件数据进行筛选，例如关键零部件数据有4个，基础零部件数据有10个，且他们中有A、B和C三个零部件数据是对应的，则可以把10个基础零部件数据中的A、B和C三个零部件数据筛选出来，对于第四个关键零部件数据可以认为本次晶圆制造的过程中没有涉及，可以不做考虑。

另外的，也可以采用预先训练好的机器学习模型对基础零部件数据进行筛选，以得到关键零部件数据。

可以理解的，利用机器学习模型可以更好的挖掘出各种基础零部件数据对于产品良率的影响。例如，比如某机台生产设备采用不同尺寸的精密轴承可能导致的晶圆良率就会不同，故需要找到一种智能方法，去挖掘零部件数据对良率的归因。

其中，机器学习模拟包括但是不限于回归树模型。机器学习模拟可以是基于历史采集到的各种基础零部件数据和晶圆良率的关联数据，并对各组关联数据进行学习得到的模型。该模型可以在输入当前制造晶圆的基础零部件数据后，得到当前制造的晶圆良率。本方案中，可以基于该机器学习模中的一部分算法用来从基础零部件数据中筛选出关键零部件数据。其中，关键零部件数据是对晶圆良率有直接影响的基础零部件数据。

步骤S103，将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值。

其中，在确定关键零部件数据之后，可以当前制造的晶圆的关键零部件数据的取值输入所述机器学习模型，以根据所述机器学习模型的输出结果，确定当前制造的晶圆预估良率。可以理解的，此处的晶圆预估良率是基于当前输入的关键零部件数据所预估得到的。晶圆生产的过程中，都是采用流水线的作业形式，一般其他数据在连续的多个晶圆制造过程是不会发生变更的，所以基于关键零部件数据进行预估，会具有相当高的准确性。

本方案中，预设阈值可以是根据需求来制定的数值，例如良率需要在95％以上，当前批次的晶圆的制造才能够满足生产需求。则此处的预设阈值可以设置为95％。

在得到当前制造的晶圆预估良率之后，可以识别所得到的预估良率是否达到或者大于95％，例如，预估良率达到97％，大于95％，则可以确定达到了预设阈值。

步骤S104，若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

此处，若机器学习模型输出的当前制造的晶圆预估良率未达到预设阈值，例如当前制造的晶圆预估良率为92％，小于预设阈值95％，则可以生成对所述关键零部件数据进行调整的指令。

例如基于当前制造晶圆的关键零部件数据得到的晶圆预估良率低于预设阈值，则可以对当前的关键零部件数据进行调整。此处的调整的指令可以是针对其中的一个关键零部件数据，也可以是针对多个关键零部件数据，具体可以由原来的取值调整至目标取值。例如，将精密轴承的直径由2.03毫米调整为2.04毫米。

本技术方案，提供了一种新的基于零部件数据的晶圆良率控制方法。该方法能够从常规的零部件数据中挖掘出与晶圆良率有关的关键零部件数据，并基于关键零部件数据对于当前制造的晶圆良率是否符合标准进行预测，以实现通过对零部件数据的控制，可以提升晶圆良率，避免产生晶圆制造存在良率较低，且无法通过有效手段提高晶圆良率的问题。

在另一个实施例中，在若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令之后，所述方法还包括：

在对所述关键零部件数据进行调整之后，将调整后的更新零部件数据输入至所述机器学习模型；

识别所述机器学习模型的输出的预测良率是否达到预设阈值；

若所述预测良率未达到预设阈值，则生成告警信息。

可以理解的，在生成调整指令之后，可以对关键零部件数据进行调整，得到更新后的零部件数据。并将更新后的零部件数据再次输入至机器学习模型。此时，如果得到的预测良率仍未达到预设阈值，则生成告警信息。一般的，可能当前的晶圆制造的良率已经受到其他因素的影响，而无论如何调整关键零部件数据，都无法达到预设阈值。

本技术方案这样设置，可以提高制造晶圆的良率。并且在提高良率的过程中，如果发现仍无法满足预设阈值的情况下，可以生成告警信息，以通过人工介入的方式，确保当前制造晶圆的良率问题。另外，也可以基于告警来告知用户进行了哪些关键零部件数据的调整，以供工作人员来查看上述调整是否存在合理性。例如工作人员取消了某一个关键零部件数据的调整，则说明该关键零部件数据的调整存在一定的不合理性，需要基于此来对机器学习模型进行更新，以确保机器学习模型输出结果的准确性。

在另一个实施例中，在将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值之后，所述方法还包括：

若达到预设阈值，则按照当前的关键零部件数据进行晶圆的制造，并统计当前制造的晶圆良率，作为更新样本数据；

根据所述更新样本数据对所述机器学习模型进行迭代更新。

在一种情况下，当前制造的晶圆预估良率达到预设阈值，则可以按照当前的零部件数据继续进行晶圆的制造，并统计本批次晶圆良率。将本批次的晶圆良率与当前的关键零部件数据作为更新样本数据，进一步的进行机器学习模型的迭代更新，可以使得机器学习模型的输出结果更加准确。

本方案通过这样的设置，可以随着时间的推进，逐渐的对机器学习模型进行迭代更新，不仅所采用的样本数据无需人工制作，准确度更高，而且更加能够体现当前设备的晶圆制造情况，而且迭代后会使得机器学习模型输出的预估结果的准确性更高，符合实际生产需求。

在另一个实施例中，所述机器学习模型为Xgboost回归算法树模型。

其中，Xgboost是一个开源机器学习项目，高效地实现了GBDT算法并进行了算法和工程上的许多改进，被广泛应用在Kaggle竞赛及其他许多机器学习竞赛中并取得了不错的成绩。Xgboost全名叫(eXtreme Gradient Boosting)极端梯度提升。它是大规模并行boosted tree的工具，它是目前最快最好的开源boosted tree工具包。Xgboost所应用的算法就是GBDT(gradient boosting decision tree)的改进，既可以用于分类也可以用于回归问题中。与GBDT最大的区别是Xgboost通过对目标函数做二阶泰勒展开，从而求出下一步要拟合的树的叶子节点权重(需要先确定树的结构)，从而根据损失函数求出每一次分裂节点的损失减小的大小，从而根据分裂损失选择合适的属性进行分裂。

这个利用二阶展开得到的损失函数公式与分裂节点的过程是息息相关的。先遍历所有节点的所有属性进行分裂，假设选择了这个a属性的一个取值作为分裂节点，根据泰勒展开求得的公式可计算该树结构各个叶子节点的权重，从而计算损失减小的程度，从而综合各个属性选择使得损失减小最大的那个特征作为当前节点的分裂属性。依次类推，直到满足终止条件。

本方案通过使用Xgboost回归算法树模型，可以更加准确的基于零部件数据对晶圆良率进行预测，提高晶圆制造过程中对零部件数据的控制精度。

实施例二

图2是本申请实施例二提供的机器学习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，获取历史制造的晶圆的历史零部件数据，以及晶圆制造的历史良率。

其中，历史零部件数据，可以是以往的晶圆制造过程中采集到的零部件数据。晶圆制造的历史良率，可以历史制造过程中每一批晶圆的良率数据。可以知道的，良率数据可以是合格的晶圆数量与当前批次生产的所有晶圆数量的比值。

步骤S202，对所述历史零部件数据进行数据预处理以及特征工程处理，得到样本数据；并将所述历史良率作为样本数据的标签。

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，将带有标签的样本数据输入至初始模型，对所述初始模型进行训练，得到机器学习模型。

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。

具体的，可将带有标签的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，直至训练结束得到机器学习模型。

在训练过程中，训练结束条件可以是机器学习模型的预测精度足够高，例如，预测精度超过80％。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，以使机器学习模型在学习到零部件数据对晶圆良率的影响因素的同时，又不会过拟合。

本技术方案的好处在于通过提供机器学习模型的训练过程，能够得到准确的机器学习模型，对于样本的数量以及真实度的控制，可以提高机器学习模型的训练速度和精度。

实施例三

图3是本申请实施例三提供的基于零部件数据的晶圆良率控制方法的流程示意图。如图3所示，具体包括如下步骤：

步骤S301，获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

步骤S302，基于机器学习模型中包括的第一算法确定各基础零部件数据与所述晶圆良率的重要性指标；

本方案中，机器学习模型可以包括一部分算法，用于从基础零部件数据中筛选出与晶圆良率有关的重要性指标。可以理解的，重要性指标可以用于表征该零部件数据对晶圆良率的影响的重要性。

步骤S303，基于机器学习模型中包括的第二算法确定各基础零部件数据与所述晶圆良率的相关性指标；

本方案中，机器学习模型可以包括另一部分算法，用于从基础零部件数据中筛选出与晶圆良率有关的相关性指标。可以理解的，相关性指标可以用于表征该零部件数据对晶圆良率的影响的相关性。例如数值的增大或者减小，会与晶圆良率产生正相关或者负相关。

步骤S304，根据所述重要性指标和/或所述相关性指标，从基础零部件数据中确定关键零部件数据。

本方案中，可以基于重要性指标和/或相关性指标，来确定基础零部件数据是否为关键零部件数据。例如重要性指标足够高，则可以确定为关键零部件数据，或者，相关性指标呈现出正相关或者负相关，则可以确定为关键零部件数据，或者，同时满足重要性指标足够高，且相关性指标呈现出正相关，可以确定为关键零部件数据。

步骤S305，将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

步骤S306，若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

本技术方案在上述技术方案的基础上，提供了一种基于机器学习模型从基础零部件数据中筛选出关键零部件数据的具体方式，通过这样的设置，可以避免对于晶圆良率影响较小甚至没有影响的零部件数据的干扰，通过关键零部件数据，可以更好的为晶圆良率的预估和零部件数据的调整提供准确数据。

在一个实施例中，根据所述重要性指标和/或所述相关性指标，从基础零部件数据中确定关键零部件数据，包括：

若当前基础零部件数据所述重要性指标超过重要性阈值，则确定当前基础零部件数据为关键零部件数据；

或者，

若当前基础零部件数据所述相关性指标超过正的相关性阈值，则确定当前基础零部件数据为关键零部件数据，且为正相关；若当前基础零部件数据所述相关性指标小于负的相关性阈值，则确定当前基础零部件数据为关键零部件数据，且为负相关；

或者，

若当前基础零部件数据所述重要性指标超过重要性阈值，且当前基础零部件数据所述相关性指标超过正的相关性阈值，则确定当前基础零部件数据为关键零部件数据；或，若当前基础零部件数据所述重要性指标超过重要性阈值，且当前基础零部件数据所述相关性指标小于负的相关性阈值，则确定当前基础零部件数据为关键零部件数据。

其中，相关性可以包括大于正的相关性阈值或者小于负的相关性阈值，两者均可以体现当前的零部件数据与晶圆良率的相关程度。

此处，重要性的取值范围可以是0到1，比如重要性阈值可以取0.8，相关性可以是有正有负的，取值范围可以是-1到1，其中，-1到0是负相关，0到1是正相关。两者可以相互结合找出关键零部件数据。两个指标基于一个模型就能够输出，例如，相关性指标一般可以在数据处理和特征工程阶段用一个小的算法就能够输出出来，重要性指标一般在模型训练阶段输出出来。

本方案这样设置，可以更好的为零部件数据对晶圆良率的影响进行体现，并且可以更加精准的确定关键零部件数据，为后续的晶圆良率的预测和零部件数据的调整提供精准的控制范围。

本方案还提供了一种优选的实施方案，具体如下：

第一步，采集数据：

特征数据：

包含设备及产线上应用比较多的主要零部件产品数据，零部件属性数据包括零部件的尺寸、材料等。历史的目标数据：可以是不良品数或良率数据。

第二步，对收集到的数据进行特征工程，将原始数据转换为机器学习算法可用的特征表示，并进行挖掘提取和特征工程，如文本数据编码，特征归一化或标准化操作等特征工程。对采集的历史晶圆良率数据进行阈值设置，超过阈值范围进行报警。

第三步，构建回归算法树模型如Xgboost，对超参数进行贝叶斯优化调参，找到最优的模型超参数进行训练，以及对训练好的模型进行保存。

第四步，基于回归算法树模型，输出零部件特征与良率的重要性排序，通过相关性分析，输出零部件特征与良率的相关系数排序，根据重要性指标和相关性指标进行归因分析，将特定的零部件因素与良率之间的关联性进行解释，确定哪些零部件因素对于良率的提高或降低起关键作用，找出影响良率的关键零部件因素。

第五步，针对待预测生产中的晶圆，基于上一步输出的良率关键因素，对零部件因素进行调整，同理处理相关的零部件数据特征，调用训练好的模型，输出晶圆良率回归预测值。

第六步，基于输出的晶圆良率，进行良率阈值判断，如果低于阈值，通知机台工程师人员。

第七步，基于新增的历史任务数据，定期对模型进行迭代和优化，不断提升模型的效果。

本技术方案，1.通过机器学习模型输出零部件特征重要性指数和相关性指数，这可以帮助确定哪些零部件因素对于良率有较大影响。结合良率分析的机台和时间窗口的确定，交叉分析零部件和良率相关因子，并归因定义可能的相关因素进行异常处理，积累异常数据特征。通过预测模型，根据不同的零部件数据，可以模拟未来的晶圆良率情形，提前进行预判和干预调整。通过预测模型，对于实时的晶圆生产，结合当前的零部件数据，可以进行良率阈值判断及时报警。将零部件数据与预测模型系统紧密同步，可在提高生产效率和良率发挥重要作用。

实施例四

图4是本申请实施例四提供的基于零部件数据的晶圆良率控制装置的结构示意图。如图4所示，具体包括如下：

基础零部件数据获取模块410，用于获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

关键零部件数据确定模块420，用于基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；

晶圆良率预测模块430，用于将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

零部件数据调整模块440，用于若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

本申请实施例中的基于零部件数据的晶圆良率控制装置可以是装置，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。

本申请实施例中的基于零部件数据的晶圆良率控制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基于零部件数据的晶圆良率控制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)

1.一种基于零部件数据的晶圆良率控制方法，其特征在于，所述方法包括：

获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；

将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

2.根据权利要求1所述的方法，其特征在于，所述机器学习模型的训练过程，包括：

获取历史制造的晶圆的历史零部件数据，以及晶圆制造的历史良率；

对所述历史零部件数据进行数据预处理以及特征工程处理，得到样本数据；并将所述历史良率作为样本数据的标签；

将带有标签的样本数据输入至初始模型，对所述初始模型进行训练，得到机器学习模型。

3.根据权利要求1所述的方法，其特征在于，基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选，包括：

基于机器学习模型中包括的第一算法确定各基础零部件数据与所述晶圆良率的重要性指标；

基于机器学习模型中包括的第二算法确定各基础零部件数据与所述晶圆良率的相关性指标；

根据所述重要性指标和/或所述相关性指标，从基础零部件数据中确定关键零部件数据。

4.根据权利要求3所述的方法，其特征在于，根据所述重要性指标和/或所述相关性指标，从基础零部件数据中确定关键零部件数据，包括：

若当前基础零部件数据所述重要性指标超过重要性阈值，则确定当前基础零部件数据为关键零部件数据；

或者，

若当前基础零部件数据所述相关性指标超过正的相关性阈值，则确定当前基础零部件数据为关键零部件数据，且为正相关；若当前基础零部件数据所述相关性指标小于负的相关性阈值，则确定当前基础零部件数据为关键零部件数据，且为负相关；

或者，

若当前基础零部件数据所述重要性指标超过重要性阈值，且当前基础零部件数据所述相关性指标超过正的相关性阈值，则确定当前基础零部件数据为关键零部件数据；或，若当前基础零部件数据所述重要性指标超过重要性阈值，且当前基础零部件数据所述相关性指标小于负的相关性阈值，则确定当前基础零部件数据为关键零部件数据。

5.根据权利要求1所述的方法，其特征在于，在若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令之后，所述方法还包括：

在对所述关键零部件数据进行调整之后，将调整后的更新零部件数据输入至所述机器学习模型；

识别所述机器学习模型的输出的预测良率是否达到预设阈值；

若所述预测良率未达到预设阈值，则生成告警信息。

6.根据权利要求1所述的方法，其特征在于，在将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值之后，所述方法还包括：

若达到预设阈值，则按照当前的关键零部件数据进行晶圆的制造，并统计当前制造的晶圆良率，作为更新样本数据；

根据所述更新样本数据对所述机器学习模型进行迭代更新。

7.根据权利要求1-6中任一项所述的方法，其特征在于，所述机器学习模型为Xgboost回归算法树模型。

8.一种基于零部件数据的晶圆良率控制装置，其特征在于，所述装置包括：

基础零部件数据获取模块，用于获取当前制造的晶圆的基础零部件数据；其中，所述基础零部件数据包括零部件名称，零部件参数以及零部件所在的制造环节；

关键零部件数据确定模块，用于基于预先确定的与晶圆良率相关联的关键零部件数据，对所述基础零部件数据进行筛选；

晶圆良率预测模块，用于将所述关键零部件数据输入至所述机器学习模型，确定当前制造的晶圆预估良率是否达到预设阈值；

零部件数据调整模块，用于若未达到预设阈值，则生成对所述关键零部件数据进行调整的指令。

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中任意一项所述的基于零部件数据的晶圆良率控制方法。

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中任意一项所述的基于零部件数据的晶圆良率控制方法。