一种半导体制造中生产参数重要性的分析方法
申请人信息
- 申请人:合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室); 合肥喆塔科技有限公司
- 申请人地址:230000 安徽省合肥市高新区望江西路5089号, 中国科学技术大学先进技术研究院未来中心B1205-B1208
- 发明人: 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室); 合肥喆塔科技有限公司
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种半导体制造中生产参数重要性的分析方法 |
| 专利类型 | 发明授权 |
| 申请号 | CN202311371783.X |
| 申请日 | 2023/10/23 |
| 公告号 | CN117113291B |
| 公开日 | 2024/2/9 |
| IPC主分类号 | G06F18/27 |
| 权利人 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室); 合肥喆塔科技有限公司 |
| 发明人 | 陈双武; 李晨杰; 李江明; 金东; 杨坚; 谢箭; 陶煜 |
| 地址 | 安徽省合肥市高新区望江西路5089号, 中国科学技术大学先进技术研究院未来中心B1205-B1208; 安徽省合肥市中国(安徽)自由贸易试验区合肥片区高新区创新大道2800号创新产业园二期F4#601 |
摘要文本
本发明涉及半导体制造领域，具体涉及一种半导体制造中生产参数重要性的分析方法。该方法对数据集进行划分，利用划分得到的多组训练集和对应的测试集对决策树回归模型采用轮换验证的方式训练、验证得到多个轮换验证模型。从频率特征重要性、排列特征重要性和常数替换特征重要性三个角度利用多个轮换验证模型选出重要生产参数集合，使用重要生产参数集合拟合多个通用回归模型，从多个通用回归模型中选出预测结果的均方误差最小的通用回归模型，并以该通用回归模型训练使用的生产参数作为半导体制造中重要性最高的生产参数。本发明更全面地捕获各种生产参数之间的相互关系，提高了模型的泛化能力，可以更好地适应生产过程中的各种复杂情况。
专利主权项内容
1.一种半导体制造中生产参数重要性的分析方法，为半导体制造定位生产过程中重要性最高的若干生产参数，其特征在于，包括以下步骤：步骤一，对半导体历史生产数据进行预处理与特征选择后得到由个样本组成的生产数据集/>，每个样本对应一个半导体产品在生产过程中的所有生产参数及该半导体产品的质量检测结果，每个样本为/>维的向量，每个维度对应生产参数的每个类别；步骤二，将生产数据集划分为/>个训练集与对应的测试集，选取一种决策树回归模型，使用/>个训练集基于选取的决策树回归模型分别进行训练得到/>个轮换验证模型，用每个轮换验证模型的训练集对应的测试集计算轮换验证模型预测结果的均方误差，其中，第/>个轮换验证模型/>预测结果的均方误差为/>，/>；步骤三，使用个轮换验证模型为每个生产参数计算频率特征重要性，得到长度为/>的频率特征重要性排序队列/>；步骤三具体包括：第个生产参数的频率特征重要性/>：
, />；其中，表示第/>个生产参数，/>表示第/>个生产参数，/>表示第/>个轮换验证模型构建过程中使用括号内生产参数的次数，/>表示自然指数函数；使用个轮换验证模型为每个生产参数计算频率特征重要性，得到长度为/>的频率特征重要性排序队列/>；步骤四，使用个轮换验证模型为每个生产参数计算排列特征重要性，得到长度为/>的排列特征重要性排序队列/>；步骤四具体包括：第个生产参数的排列特征重要性/>为：
；其中，表示自然指数函数，/>表示将第/>个生产参数对应的特征顺序打乱的样本，/>表示将第/>个生产参数对应的特征顺序打乱的样本；/>表示均方误差计算；/>表示将一个样本中的第/>个生产参数对应的特征顺序打乱后，由第/>个轮换验证模型/>预测的质量检测结果的均方误差，/>表示将一个样本中的第/>个生产参数对应的特征顺序打乱后，由第/>个轮换验证模型/>预测的质量检测结果的均方误差；使用个轮换验证模型为每个生产参数计算排列特征重要性，得到长度为/>的排列特征重要性排序队列/>；步骤五，使用个轮换验证模型为每个生产参数计算常数替换特征重要性，得到长度为的常数替换特征重要性排序队列/>；步骤五具体包括：第个生产参数的常数替换特征重要性/>为/>
；其中，代表将样本中第/>个生产参数对应的特征值替换为一个常数后第/>个轮换验证模型预测结果的均方误差，/>代表将样本中第/>个生产参数对应的特征值替换为一个常数后第/>个轮换验证模型预测结果的均方误差；使用个轮换验证模型为每个生产参数计算常数替换特征重要性，得到长度为/>的常数替换特征重要性排序队列/>；步骤六，从频率特征重要性排序队列、排列特征重要性排序队列/>和常数替换特征重要性排序队列/>中各选取/>个重要性最高的生产参数，/>，组成长度为/>的生产参数集合后进行去重处理，得到重要生产参数集合/>；步骤七，从生产数据集中取出重要生产参数集合/>中的生产参数对应的数据作为拟合数据，并基于生产数据集/>准备拟合测试集，选用一个通用回归模型，将拟合数据切分为若干个拟合子集后分别对通用回归模型进行训练得到若干个重要性预估模型，基于拟合测试集计算若干个重要性预估模型预测结果的均方误差，选用预测结果的均方误差最小的重要性预估模型使用的拟合子集包括的所有生产参数作为半导体制造中重要性最高的生产参数。