[发明专利]一种基于机器学习的半导体器件敏感性分析方法

权利要求书

1.一种基于机器学习的半导体器件敏感性分析方法，该方法基于环形振荡器实现，其特征在于，该方法包括：

S1、获取所述半导体器件的工艺参数；

S2、获取所述半导体器件的电学性能参数；

S3、对所述半导体器件的电学性能参数进行敏感性分析：

S31、使所述电学性能参数与对应的所述工艺参数关联，构建关联模型；

S32、对每个关联模型的敏感性进行分析，根据关联模型的相关系数，获取敏感性分析结果；

S33、基于敏感性分析结果，将工艺参数按相关系数大小进行排序；

S34、根据排序结果，确定关键工艺参数，将与电学性能参数相关性大的工艺参数确定为关键工艺参数；

S4、采用相似度法对所述关键工艺参数进行相似性检验：

S41、对所述关键工艺参数进行聚类分析，将具有相似或相同特征的所述关键工艺参数按群组分类；

S42、所述相似度法指将分类后同一群组内的所述关键工艺参数与预先建立的数据库中的标准特征参数进行对比，根据协方差公式，计算每个群组内的所述关键工艺参数与所述标准特征参数的关联性；

S5、筛选出重要的制程变异参数。

2.根据权利要求1所述的敏感性分析方法，其特征在于，所述工艺参数包括所述半导体器件栅极区宽度、顶角角度、源极区和漏极区两侧的NiSi层的厚度、源极区和漏极区的深度、栅极区两侧空间电荷区的厚度、栅极区的长度、High-K绝缘层厚度、栅极区高度。

3.根据权利要求1所述的敏感性分析方法，其特征在于，采用半导体器件电学性能参数获取方法，获取所述电学性能参数，所述电学性能参数包括所述半导体器件的导通电流、频率、漏电流、电压、电阻、电容、延时时间。

4.根据权利要求1所述的敏感性分析方法，其特征在于，在步骤S31中，根据协方差公式，计算工艺参数与电学性能参数的关联模型的协方差协方差cov(IK₁、IK₂)，

cov(IK₁、IK₂)＝E[(IK₁-k₁)(IK₂-k₂)]；

其中，IK₁表示关键工艺参数，IK₂表示关键电学性能参数，k₁为关键工艺参数的均值，k₂为关键电学性能参数的均值。

基于协方差计算关联模型的相关系数corr(IK₁,IK₂)：

步骤S42中，根据协方差公式，计算每个群组内的关键工艺参数与标准特征参数的关联性：根据协方差公式，计算关键工艺参数与标准特征参数的协方差cov(IL₁，IL₂)，

其中，IL₁表示关键工艺参数，IL₂表示关键电学性能参数，u₁为关键工艺参数的均值，u₂为关键电学性能参数的均值。

基于协方差计算关键工艺参数与标准特征参数的相关系数corr(IL₁，IL₂)，

5.根据权利要求1所述的敏感性分析方法，其特征在于，其还包括步骤S7、根据所述制程变异参数，对所述半导体器件进行工艺优化，所述工艺优化的方法包括工艺方案升级、工艺材料升级。

6.根据权利要求1所述的敏感性分析方法，其特征在于，其还包括步骤S8，对所述半导体器件进行工艺优化后，返回S2，对所述半导体器件的电学性能和所述制程变异参数的变异增强或变异减小结果，进行下一轮测试。