[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

本發明公開了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，包括：(1)采集與待矯正變量對應的過程變量傳感器的輸出信號；(2)將每個變量輸入建立好的淺層神經網絡模型，逐層提取變量的相關性信息，各層輸出通過函數傳遞；收集模型最后一層的變量輸出，并與輸入變量對比，建立回歸模型；(3)保存當前模型的參數權重，計算最終目標函數值，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；(4)更改網絡層數，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，對新的待矯正數據進行計算并獲得矯正值。利用本發明，能夠獲取更低誤差的數據矯正結果。

技術領域

本發明涉及工業系統中過程監控領域，尤其是涉及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。

背景技術

近年來，諸如過程監控，軟測量之類的數據驅動方法已被確立為半導體行業中強大的過程控制工具。因此，測量過程數據的可靠性和準確性對于化學工業中工廠的高效，盈利和安全運行至關重要。但是，由于過程的可變性和測量技術的局限性等因素，在線測量的數據通常會受到隨機誤差和重大誤差的干擾。通過改進原始數據集，可以顯著提高過程性能和維護效率。因此，可以減輕原始數據中的錯誤影響的數據矯正已成為數據分析中的重要領域研究。

在半導體行業中，數據矯正也稱為偏差估計。研究人員將統計信息(分布，方差等)與已知模型結合在一起，從而能夠選擇有效的估計方法，改進原有的均方誤差目標函數并消除偏差。盡管這些方法在工程過程中表現出色，但所有這些方法都是基于模型的技術，其有效數據矯正的關鍵是采用良好的過程模型。如果模型不能如實地表示過程，那么校正后的數據將因模型不匹配而失真。而對于部分真實工業過程，想要準確得到過程模型比較困難。另一方面，對于模型里的重大誤差，以往的模型常采用預處理的方式解決，但是這一方法僅考慮單一變量的統計知識，沒有考慮到整個過程其他變量之間的關系，可能會造成不恰當的矯正結果。

基于以上背景，考慮找到一種方法，可以通過采集的原始樣本數據挖掘出數據關系，并以此作為矯正的依據，得到更好的校正值，從而也進一步促進數據關系優化。這樣的一個循環有利于得到最終的相對準確的數據校正值。

發明內容

本發明公開了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，能夠適用于含有隨機誤差和重大誤差的過程測量值，只需獲取常規運行數據，無需任何先驗知識或預處理。

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，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；

(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。

本發明可以減少隨機和嚴重誤差的干擾，改進原始數據，顯著提高過程性能與維護效率，從而降低生產損失，在提高經濟效益方面具有重要的實用價值。