[發(fā)明專利]基于機器學習的半導體制造良率預測系統(tǒng)和方法

在審

• 申請?zhí)枺?/td>: 201780074324.1
• 申請日: 2017-11-29
• 公開（公告）號: CN110024097A
• 公開（公告）日: 2019-07-16
• 發(fā)明（設計）人: 鄭恒德;文镕湜;孫明昇;李玟煥;樸俊澤
• 申請（專利權）人: SK株式會社
• 主分類號: H01L21/66
• 分類號: H01L21/66;G05B15/02;G05B17/02
• 代理公司: 北京銘碩知識產權代理有限公司 11286
• 代理人: 劉燦強;姜長星

提供一種基于機器學習的半導體制造良率預測系統(tǒng)和方法。根據本發(fā)明的實施例的結果預測方法包括：通過根據數據的類型對不同類型的數據進行分類并將分類的不同類型的數據分別輸入到不同的神經網絡模型來學習不同的神經網絡模型；并且通過根據輸入數據的類型對輸入數據進行分類并將分類的輸入數據分別輸入到不同的神經網絡模型來預測結果值。因此，可根據數據的類型將不同的神經網絡模型應用于各個數據，從而確保具有適合于每種類型的數據的特性的結構的神經網絡模型，從而精確地預測結果值。

技術領域

本公開涉及半導體制造良率預測技術，更具體地講，涉及一種用于基于在半導體制造工藝期間生成的數據來預測最終良率的系統(tǒng)和方法。

背景技術

為了預測半導體制造良率，使用在主要工藝之后獲得的測量數據。也就是說，可通過收集在主要工藝期間生成的測量數據并將該數據和過去的數據進行比較來預測良率。

然而，由于影響半導體制造良率的因素非常多樣且復雜，因此存在僅根據主要工藝的測量數據而預測良率會降低精確度的問題。

因此，需要一種通過綜合地使用在半導體制造工藝期間生成的各種數據來準確地預測半導體制造良率的方法。

發(fā)明內容

技術問題

已經開發(fā)了本公開以解決現有技術的上述缺陷，并且本公開的目的是提供一種根據數據的類型應用不同的神經網絡模型的用于基于機器學習來預測結果值的方法和系統(tǒng)。

技術方案

根據用于實現上述目的的本公開的實施例，一種結果預測方法包括：提取不同類型的數據；通過按類型對提取的數據進行分類并將分類的數據輸入到不同的神經網絡模型，來訓練神經網絡模型；接收不同類型的數據的輸入；以及通過按類型對輸入的數據進行分類并將分類的數據輸入到不同的神經網絡模型，來預測結果值。

此外，不同類型的數據可以是在半導體制造工藝期間生成的數據，并且結果值可以是半導體制造良率。

此外，數據可被分類為生產相關的數據、設備相關的數據、缺陷數據和測量數據中的至少兩種類型的數據。

此外，缺陷數據和測量數據中的一個可以是圖像化數據。

此外，輸入數據的類型的數量可小于提取的數據的類型的數量。

此外，接收輸入的步驟可包括：從請求結果值的預測的系統(tǒng)接收不同類型的數據的輸入。

此外，提取的步驟可包括：周期性地提取數據，并且接收輸入的步驟可包括：實時接收數據的輸入。

此外，根據本公開實施例的結果預測方法還可包括：將提取的數據累積在基于存儲的DB中；并將輸入的數據累積在基于內存的DB中。訓練的步驟可包括：按類型對在基于存儲的DB中累積的數據進行分類，并將分類的數據輸入到不同的神經網絡模型。預測的步驟可包括：按時間對在基于內存的DB中累積的數據進行分類，并將分類的數據輸入到不同的神經網絡模型。

此外，預測的步驟可包括：通過對不同神經網絡模型的結果值進行套袋或提升來計算預測值。

此外，根據本公開的實施例的結果預測方法還可包括：選擇訓練的神經網絡模型的一些原因值；以及生成接收選擇的原因值的輸入的集成的神經網絡模型。

此外，選擇的步驟可包括：基于與訓練的神經網絡模型的結果值的相關性來選擇一些原因值。

此外，根據本公開的實施例的結果預測方法還可包括：通過使用訓練的神經網絡模型和集成的神經網絡模型中的至少一個來基于輸入的數據預測結果值。