[发明专利]一种基于深度学习模型的晶圆良率预测方法

权利要求书

1.一种基于深度学习模型的晶圆良率预测方法，其特征在于，包括以下步骤：

(1)确定当前需要进行良率预测的数据集，所述数据集中包括原始晶圆电性测试参数以及晶圆针测良率；

(2)分析所述原始晶圆电性测试参数与晶圆针测良率的数据信息，包括晶圆电性测试参数中的缺失值、量纲不一致情况，以及晶圆针测良率中是否存在突出的异常点；

(3)分析确定晶圆电性测试参数的主成分，对模型输入参数进行提取和缩减，得到低维电性测试数据集；

(4)将所提取到的低维电性测试数据集划分为训练集与测试集，其中，训练集中的数据用于预测模型训练，测试集中的数据用于对预测模型的准确性进行评价；

(5)设计基于连续型深度信念网络模型的晶圆良率预测模型；所述晶圆良率预测模型包括用于无监督特征提取的多层受限制的玻尔兹曼机结构和用于回归分析的误差反向传播网络；

(6)对多层受限制的玻尔兹曼机结构中的可见层神经元与隐层神经元添加高斯变量，用于控制模型对输入数据特征提取的能力；

(7)设计多层受限制的玻尔兹曼机结构中的激活函数，用于增强模型对连续型数据类型的输入数据的特征提取能力；

(8)去除多层受限制的玻尔兹曼机结构中离散化为0-1二值形式的特征提取过程；

(9)设计权重信息函数，并将权重信息函数作用于优化空间，收集当前所提取到的特征信息参数，其中，所述权重信息函数的对应值根据特征信息参数确定；

(10)将权重信息函数与预测模型的损失函数相加，实现对损失函数的加权处理；利用优化模型不断迭代更新损失函数，当出现距离真实良率值越远的点时，其权重信息则越大，进而对损失函数的惩罚也将越大；

(11)利用训练集中的晶圆电性测试数据对加权后的预测模型进行训练，在训练过程中使用批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优预测模型，并利用测试集中的晶圆电性测试数据对模型预测性能进行评价。

2.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(2)中的缺失值是指，由于设备故障或电流过大的原因，造成部分晶圆电性测试参数缺失；量纲不一致是指，晶圆电性测试过程中的各项参数指标之间的量纲差异大；突出异常点是指，由于偶然因素导致晶圆针测良率值与呈现的实际值严重不符的情况。

3.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(5)中晶圆良率预测模型是先通过三层连续型的受限制的玻尔兹曼机对输入的参数信息进行特征提取，再通过误差反向传播网络对所提取的特征信息误差进行微调实现良率的准确预测。

4.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(6)中高斯变量是指，在受限制的玻尔兹曼机结构的基础上，在可见层与隐层神经元中增加一个均值为0，方差为1的高斯变量N(0，1)，使得此时受限制的玻尔兹曼机结构中隐藏层单元的状态被重新定义为：受限制的玻尔兹曼机结构中可见层单元的状态被重新定义为：其中，h_i为隐藏层单元、v_j为可见层单元、w_ij为权重、为sigmoid激活函数的改进形式、c_i表示隐层神经元i的偏置、b_j表示可见层单元j的偏置、α为0-1之间用于调节高斯变量值的系数。

5.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(7)中的激活函数为其中，φ_L与φ_H分别为神经元状态数值的下界与上界，λ用以控制连续型激活函数的倾斜程度。

6.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(10)中将权重信息函数与预测模型的损失函数相加得到的加权损失函数为：其中，y_i为实际标签值、为改进的受限制的玻尔兹曼机所提取到的特征输出值、即为权重信息函数，β为正则化系数，用以对权值异常偏大的参数进行惩罚。