[发明专利]一种基于深度学习模型的晶圆良率预测方法

摘要

本发明涉及一种基于深度学习模型的晶圆良率预测方法，包括以下步骤：对晶圆实际生产过程中的电性测试参数进行数据预处理，并结合主成分分析方法实现对晶圆电性测试数据中的冗余数据进行处理，获得适合模型输入的低相关性数据；其次对输入的关键电性测试参数进行训练集与测试集的划分，在此基础上设计用于晶圆良率预测的连续型深度信念网络模型，该模型主要包含两部分，第一部分是多隐层的连续型受限制的玻尔兹曼机模型，用于对模型输入变量的特征信息进行提取，第二部分是误差反向传播网络模型，用于对所提取到的特征误差信息进行微调。本发明能够实现利用晶圆生产过程中的电性测试数据对晶圆良率进行准确预测。

主权项

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。