[發明專利]一種基于相關熵和淺層神經網絡的半導體過程數據矯正方法

有效

• 申請號: 202010591258.9
• 申請日: 2020-06-24
• 公開（公告）號: CN111896038B
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 謝磊;吳小菲;徐浩杰;陳啟明;蘇宏業
• 申請（專利權）人: 浙江大學
• 主分類號: G01D18/00
• 分類號: G01D18/00;G06N3/04;G06N3/08
• 代理公司: 杭州天勤知識產權代理有限公司 33224
• 代理人: 彭劍

1.一種基于相關熵和淺層神經網絡的半導體過程數據矯正方法，其特征在于，包括：

(1)對于存在擾動的控制過程，采集與待校正變量對應的過程變量傳感器的輸出信號：

(2)將采集的變量直接輸入構建好的淺層神經網絡模型，逐層提取變量中的相關性信息，各層輸出通過設定好的函數傳遞；

收集模型最后一層的變量輸出，并與輸入變量的數值對比，建立回歸模型；

(3)保存當前淺層神經網絡模型的參數權重，計算最終目標函數值，所述的目標函數采用相關熵函數；若不滿足停止條件，更新參數權重并重復步驟(2)，直至達到停止條件；

所述的相關熵函數表示為：

ε_d＝x_0,d-x_L,d

式中，為相關熵函數，σ_d表示相關熵函數中對應第d維變量的可調參數，ε_d為對應第d維變量測量值與矯正值的差值；

采用梯度下降法訓練更新參數權重，公式如下：

其中，α表示固定的學習率并且α＞0；參數梯度與由以下公式得到

其中，符號表示按元素一對一相乘，而目標函數對函數最后一層輸出值的偏導與由以下公式得到

另外，其余的迭代部分，即目標函數對每一層隱節點偏導表示為：

所述的停止條件為：目標函數達到最大值或循環次數達到設定最大循環次數；

(4)更改網絡層數，并重復步驟(2)至(3)，直到達到最大網絡層數；

(5)選擇得到矯正結果最好的網絡層數；保存各層參數值，對新的待矯正數據輸入淺層神經網絡模型，進行重新計算并獲得變量矯正值。

2.根據權利要求1所述的基于相關熵和淺層神經網絡的半導體過程數據矯正方法，其特征在于，步驟(1)中，采集的輸出信號中包含隨機誤差和重大誤差。

3.根據權利要求1所述的基于相關熵和淺層神經網絡的半導體過程數據矯正方法，其特征在于，步驟(2)的具體過程為：

(2-1)x₀∈R^D；x₀＝[x_0,1,x_0,2,…x_0,D]^T表示D維帶有誤差的變量輸入，而x_l-1,l＝1，2，…，L表示模型共有L層運算，每一層網絡節點均為輸入變量維度D，權重矩陣與偏差向量與分別為網絡自定義傳遞函數中線性與非線性函數的參數，則第l層輸出表示為如下過程：

與為網絡中的隱節點，隨后分別傳入對應的線性(ψ)與非線性激活函數(φ)，直至得到網絡第l層輸出向量x_l；

(2-2)由多層連續迭代后，最后一層神經網絡模型的輸出為矯正值x_L；

此處函數F表示(2-1)中展示的隱節點獲取及對應線性與非線性激活函數操作；

(2-3)將神經網絡模型的輸出與輸入變量的數值對比，建立回歸模型。

4.根據權利要求1所述的基于相關熵和淺層神經網絡的半導體過程數據矯正方法，其特征在于，步驟(4)中，對新的待矯正數據，根據網絡迭代得到新的變量矯正值。