[发明专利]CMP工艺预测、预测模型训练方法及装置、计算设备

说明书

本申请提供了一种CMP工艺预测、预测模型训练方法及装置、计算设备，CMP工艺预测方法包括：获取芯片版图数据中多个待预测点的CMP工艺的工艺特征；对所获取的各个预测点进行聚类，以得到聚类结果，所述聚类结果包含多个类别，每一类别包括至少一个待预测点；将聚类结果输入至预测模型，以得到每一待预测点的预测结果，所述预测结果包括CMP工艺的高度值，所述预测模型包括多个预测子模型，每一预测子模型对应一个类别。本申请能够提升对CMP工艺预测的准确性，以辅助改进工艺，提高良率。

技术领域

本申请涉及半导体技术领域，尤其涉及一种CMP工艺预测、预测模型训练方法及装置、计算设备。

背景技术

化学机械研磨 (Chemical Mechanical Planarization，CMP)技术作为可制造性设计工艺解决方案的关键环节，是目前超大规模集成电路制造中唯一能够实现全局平坦化的广泛应用技术，现已广泛用于集成电路芯片、微型机械系统等表面的平整化。

现有技术中，可以针对CMP工艺进行建立模型，帮助预测工艺流程中的坏点（hotspot），提供关键信息，帮助改进工艺，提高良率。

但是，现有技术中的CMP 模型对坏点的预测偏差较大，无法提供有效信息。

发明内容

本申请能够提升对CMP工艺预测的准确性，以辅助改进工艺，提高良率。

为了达到上述目的，本申请提供了以下技术方案：

第一方面，提供了一种CMP工艺预测方法，CMP工艺预测方法包括：获取芯片版图数据中多个待预测点的CMP工艺的工艺特征；基于所获取的工艺特征对各个待预测点进行聚类，以得到聚类结果，所述聚类结果包含多个类别，每一类别包括至少一个待预测点；将所述聚类结果输入至预测模型，以得到每一待预测点的预测结果，所述预测结果包括CMP工艺的高度值，所述预测模型包括多个预测子模型，每一预测子模型对应一个类别。

可选的，待预测点的预测结果是利用该预测点所属类别对应的预测子模型计算得到的。

第二方面，本申请还公开一种预测模型的训练方法，预测模型的训练方法包括：步骤A：获取测量芯片版图数据中多个测量点的CMP工艺的测量高度值以及工艺特征；步骤B：根据各个测量点的工艺特征对各个测量点进行聚类，以得到测量聚类结果，所述测量聚类结果包含多个类别，每一类别包括至少一个测量点；步骤C：利用所述多个类别构建多个训练集；步骤D：分别利用所述多个训练集训练得到多个预测子模型。

可选的，所述预测模型的训练方法还包括：利用所述多个类别构建多个验证集；利用所述多个验证集以及调参算法对所述多个预测子模型中的超参数进行优化，以获得最优的多个预测子模型。

可选的，所述利用所述多个验证集以及调参算法对所述多个预测子模型中的超参数进行优化包括：对于每一预测子模型，根据预测子模型对应的超参数候选值构建超参数组合；基于遗传算法，初始化产生种群，将超参数组合编码在每一个个体中；确定适应度函数，并利用所述适应度函数以及所述验证集计算每一超参数组合的适应度；根据各个超参数组合的适应度选择超参数组合；在所述种群内和所述种群之间对选择的超参数组合进行交叉形成新的超参数组合；对所述新的超参数组合中超参数的值进行更新；迭代后选取适应度最大的超参数组合，以获得最优的预测子模型。

可选的，所述类别的数量为使所述预测子模型的预测结果与测量高度值的误差最小的数值。

可选的，所述预测模型的训练方法还包括：步骤E：计算所述多个预测子模型的预测结果与测量高度值的总误差；步骤F：按照预设步长更新所述类别的数量，重复步骤B至步骤E，直至所述类别的数量达到门限值，并确定所述总误差最小的多个预测子模型为所述预测模型。

可选的，所述预测模型为用于表格数据的深度学习网络模型。