[发明专利]集成电路沉积膜厚预测方法及系统

说明书

本发明公开一种基于RFE‑CV‑XGBoost的集成电路沉积膜厚的预测方法及系统，属半导体制造领域，方法包括：步骤S1，对数据库的沉积薄膜数据进行预处理；步骤S2，按预定的特征筛选规则对步骤S1预处理后的沉积薄膜数据包含的特征值筛选；步骤S3，对步骤S2的特征经交叉验证的特征递归消除方式处理；步骤S4，基于XGBoost建立回归预测模型，利用步骤S3的特征进行训练和测试；步骤S5，利用遗传算法对优化回归预测模型超参数，找出最佳超参数，利用最终回归预测模型对集成电路沉积膜厚进行预测。本发明通过数据建模，节省了薄膜沉积过程后的膜厚量测步骤，缩短了半导体产品的生产周期，节约了量测成本支出。

技术领域

本发明涉及半导体制造量测领域，尤其涉及一种集成电路沉积膜厚预测方法及系统。

背景技术

半导体芯片制造技术是信息产业的核心技术之一，被广泛应用于新能源、信息通讯设备和高端通信领域。

量测指测量芯片制造过程中的各种目标参数，例如薄膜沉积厚度、化学机械抛光深度、等离子注入深度、离子注入浓度等。虚拟量测(VM)方法指利用数学上的模型或仿真，在不消耗量测设备成本和大量时间的情况下，预测晶圆加工各步骤涉及的各种目标参数的结果。其基于将容易观察的工艺数据(例如，工艺工具的传感器读数、晶片上下文数据等)与相关计量数据联系起来的统计模型进行计算和仿真，从数据角度对工艺过程进行数据建模，减少量测设备和材料的损耗、缩短了生产周期进而提升了经济效益。近年来国内外学者对机器学习在半导体虚拟量测领域的应用进行了一定深度的研究，可是这些方法存在一定的局限性。如数据处理不够完善，保留了很多无用的特征，降低了预测的精度提升了模型的训练负担；处理后的特征中仍含有对模型结果起负面作用的特征，即含有特征含有的数据信息中，噪声信息所占比例较大。同时，常规的基于机器学习预测模型需要大量的人工干预，需花费大量的精力来进行模型的选择和模型超参数的优化，这使得半导体领域预测模型建立具有一定的难度和复杂度。

有鉴于此，特提出本发明。

发明内容

本发明的目的是提供了一种集成电路沉积膜厚预测方法及系统，能解决现有的机器学习预测模型在集成电路制造薄膜沉积领域预测薄膜厚度不精准、模型超参数优化耗时长的问题。

本发明的目的是通过以下技术方案实现的：

一种集成电路沉积膜厚的预测方法，包括以下步骤：

步骤S1，对数据库中的沉积薄膜数据进行预处理，得到预处理后的沉积薄膜数据；

步骤S2，按特征筛选规则对所述步骤S1预处理后的沉积薄膜数据包含的特征值进行筛选，得到筛选后的特征；

步骤S3，对所述步骤S2得到的筛选后的特征通过交叉验证的特征递归消除方式进行处理，删除对XGBoost模型表现起负向作用的特征；

步骤S4，基于XGBoost模型建立回归预测模型，利用步骤S3得到的特征作为训练用数据集对所述回归预测模型进行训练和测试；

步骤S5，利用遗传算法对所述步骤S4训练好测试后的回归预测模型进行超参数优化，从所述回归预测模型所有的超参数中找出使该回归预测模型表现最佳的一组超参数，作为最终回归预测模型的超参数，利用优化好的最终回归预测模型对集成电路沉积膜厚进行预测。

一种集成电路沉积膜厚的预测系统，包括：

数据预处理模块，能对从数据库中获取的沉积薄膜数据进行预处理，得到预处理后的沉积薄膜数据；

特征筛选模块，与所述数据预处理模块通信连接，能按预定的特征筛选规则对所述数据预处理模块预处理后的沉积薄膜数据包含的特征值进行筛选，得到筛选后的特征；