[发明专利]一种基于半监督学习的晶圆图批量分析方法

说明书

本发明公开了一种基于半监督学习的晶圆图批量分析方法，该方法包括以下步骤：对晶圆图进行预处理；对预处理后的晶圆图进行筛选；使用有标签及无标签晶圆图训练半监督模型；筛选无标签晶圆图优化半监督模型；进行晶圆图分析。本发明能够利用少量有标签晶圆图建立稳定高效的半监督模型，能在实际生产中准确地完成晶圆图分析。

技术领域

本发明涉及半导体制造领域，特别是涉及一种基于半监督学习的晶圆图批量分析方法。

背景技术

近几年，全球半导体市场需求逐步增大，集成电路产业快速发展。在集成电路产业中，晶圆生产是制造环节中耗时最多、工艺最为复杂的一环。晶圆的良率直接影响着生产成本和企业利润。晶圆图能将特定的晶圆测试数据根据对应的空间位置结合晶圆的形状展示出来。分析晶圆图时，工程师首先将需分类的晶圆图筛选出来，再根据晶圆图上的不同图形进行分类，晶圆图上不同的图形可以帮助工程师追溯产品生产过程中出现的异常因素，找出可能导致低良率的原因，从而采取一些预防及更正措施。

上述过程非常费时且人工成本很高，因此设计一种高效自动化的晶圆图分析方法十分必须。现有的晶圆图分析算法主要分为两种：基于有监督学习的方法和基于无监督学习的方法。基于有监督学习的方法需要大量的有标签晶圆图支持模型的训练，晶圆图的标记同样费时费力，当生产过程的不断推进，晶圆图不断累积，为海量晶圆图打标签变得尤为困难。基于无监督学习的方法虽不需要任何有标签晶圆图，但由于缺乏标签的指导，预测效果必然有所削弱，难以高效准确地完成晶圆图分析。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于半监督学习的晶圆图批量分析方法，综合有监督学习和无监督学习的优势，利用有标签晶圆图和无标签晶圆图同时训练模型。

本发明的目的是通过以下技术方案来实现的：一种基于半监督学习的晶圆图批量分析方法，所述方法包括下列步骤：

S1、对所有方形晶圆图进行预处理；

S2、对预处理后的晶圆图进行筛选，筛选出图中具有连通的缺陷芯片块，且连通区域面积分数大于阈值K的晶圆图。连通区域面积分数为连通区域面积占晶圆图总面积的百分数；

S3、使用有标签及无标签晶圆图训练半监督模型；

S301、从步骤S2筛选出的晶圆图中，挑选若干晶圆图中作为训练样本，并根据连通区域的形状类别，对部分训练样本进行标记作为有标签样本，其余的训练样本为无标签样本；利用训练样本进行半监督模型训练。

S302、利用已训练完的Ladder网络对训练样本中无标签晶圆图进行预测，获得对应于不同标签的概率向量；

S303、计算各晶圆图预测结果的信息熵，公式如下：

其中，H(x)表示晶圆图x的对应信息熵；p_i表示晶圆图x被分到形状类别i的概率；

S304、按照信息熵从大到小排序，筛选出前N％个晶圆图进行人工标记，标记后作为有标签样本，按照步骤S301用于半监督模型训练优化；或筛选出倒数M％个晶圆图，使用其预测标签标记后，作为有标签样本，按照步骤S301用于半监督模型训练优化；

S305、重复步骤S304，直到半监督模型的损失函数的数值小于预设值T。

S4、利用步骤S305优化后半监督模型对剩余的晶圆图进行分析。

进一步地，所述步骤S1的预处理包括：

S101、晶圆图降噪；

S102、统一晶圆图尺寸并处理成便于分析的尺寸，晶圆图尺寸包括晶圆图宽度及长度；

进一步地，所述步骤S2的筛选通过以下方法实现：