[发明专利]一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法

权利要求书

1.一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于包括以下步骤：

S1、基于EDA工具采集测试芯片化学机械抛光仿真后数据，获取样本数据集；

S2、对样本数据集进行数据预处理，并将其划分为训练集、验证集及测试集；

S3、设计基于神经网络的化学机械抛光芯片表面高度预测模型，输入训练集训练化学机械抛光芯片表面高度预测模型，输入验证集和测试集对化学机械抛光芯片表面高度预测模型进行超参数调整验证与测试；

S4、再次执行步骤S1-S2，建立新的数据集作为目标域数据集；

S5、基于已训练好的化学机械抛光芯片表面高度预测模型以及目标域数据集进行迁移学习，依据迁移学习得到的化学机械抛光芯片表面高度预测模型在目标域数据集上的表现选择最佳迁移学习方案，首先冻结化学机械抛光芯片表面高度预测模型的部分层、激活化学机械抛光芯片表面高度预测模型的其他层，然后基于已训练好的模型结合目标域数据集进行超参数调整再训练，生成新的化学机械抛光芯片表面高度预测模型。

2.根据权利要求1所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于还包括以下步骤：

S6、使用新的化学机械抛光芯片表面高度预测模型模型进行化学机械抛光芯片表面高度预测。

3.根据权利要求1所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S1中：所述测试芯片是包含模拟电路、数字电路以及存储电路的混合电路芯片。

4.根据权利要求3所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S1：首先将测试芯片版图切分为均匀大小的子版图，然后利用EDA工具对切分好的子版图进行化学机械抛光仿真得到各子版图的表面高度作为参考值，并对各子版图进行图片化处理、以及密度计算，获得样本数据集。

5.根据权利要求4所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S2所述数据预处理包括如下步骤：

S11、首先将样本数据集全部样本根据表面高度划分为若干个区间，计算每个区间的样本数；

S12、根据设定的每个区间样本数平均值进行选择性下采样，得到表面高度分布相对平衡的数据集；

S13、将表面高度分布相对平衡的数据集划分为训练集、验证集和测试集。

6.根据权利要求5所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S3：所述基于神经网络的化学机械抛光芯片表面高度预测模型是基于卷积神经网络的多输入模型，所述基于卷积神经网络的多输入模型前向传递方向包括若干交替的卷积层和池化层构成的特征提取网络、以及若干全连接层构成的回归网络；所述输入训练集训练化学机械抛光芯片表面高度预测模型是指，由训练集数据x沿所述基于卷积神经网络的多输入模型前向传递得到化学机械抛光芯片表面高度预测值y′＝g(θ，x)，g函数为模型的前向传递函数；然后使用均方根误差RMSE计算化学机械抛光芯片表面高度预测值y′与真实值y之间的误差，均方根误差RMSE的计算公式为：

式中m为训练集的样本数，y_i为训练集中第i个样本的真实值，y_i′表示训练集中第i个样本的预测值；最后通过梯度下降算法，逆向反馈更新化学机械抛光芯片表面高度预测模型的权重系数，直至误差收敛，梯度下降算法的计算公式为：

式中:＝表示该符号右侧的值更新左侧的值，α表示学习率，J(θ)为损失函数即均方根误差RMSE。

7.根据权利要求6所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S4：所述目标域数据集是包含不同的化学机械抛光工艺参数对应的目标域数据集，或者单一特定电路类型对应的目标域数据集。

8.根据权利要求7所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于：所述单一特定电路类型是指模拟电路、数字电路或者存储电路。

9.根据权利要求7所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法，其特征在于步骤S5：根据化学机械抛光芯片表面高度预测模型在目标域数据集的训练集上的均方根误差RMSE，来选择在目标域数据集表现最优的最佳迁移学习方案；所述均方根误差RMSE的计算公式为：

式中m为训练集的样本数，y_i为训练集中第i个样本的真实值，y_i′表示训练集中第i个样本的预测值。