[發明專利]多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法

有效

• 申請號: 202110637674.2
• 申請日: 2021-06-08
• 公開（公告）號: CN113269266B
• 公開（公告）日: 2023-09-19
• 發明（設計）人: 張林鍹;鄭敬浩;劉重黨;蔣正宜;張健翔
• 申請（專利權）人: 清華大學
• 主分類號: G06F18/2433
• 分類號: G06F18/2433;G06F18/214;G06N3/042;G06N3/096
• 代理公司: 北京清亦華知識產權代理事務所(普通合伙) 11201
• 代理人: 王萌

本申請提出了一種多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法，涉及晶圓制造過程故障檢測技術領域，其中，該方法包括：獲取歷史故障數據，并根據歷史故障數據中故障的出現頻次，確定常見故障類型和罕見故障類型；基于常見故障類型的監測數據，使用域自適應神經網絡減小不同機臺間的數據分布差異，以構建常見故障檢測模型；構建罕見故障檢測模型，獲取常見故障檢測模型在罕見故障數據訓練集上的輸出軟標簽，使用知識蒸餾方式，借助輸出的軟標簽和數據真實標簽優化罕見故障檢測模型。本發明實現通過知識蒸餾方法，跨故障模式進行知識提取與傳遞，提升模型在罕見故障下的綜合性能，實現對故障的及時檢測，從而提高產品良率與生產線效率。

技術領域

本申請涉及晶圓制造過程故障檢測技術領域，尤其涉及一種多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法和裝置。

背景技術

晶圓制造是集成電路產業鏈中的重要環節，其工序繁多，設備復雜且精密。復雜的工序和設備提升了晶圓的性能指標，也增大了故障發生的風險。生產過程中，偶發的設備故障會降低產品良率，損壞加工設備，造成嚴重的經濟損失。因此，及時準確地檢測出故障有助于提升晶圓制造效率，降低停機的影響，具有十分重要的工業應用價值。但是，晶圓制造過程中故障模式眾多，各故障模式分布不平衡，罕見故障模式的信息不足，給實際的故障檢測造成了很大的困難。

一般地，故障檢測方法主要分為三類：基于模型、數據驅動、模型與數據驅動相結合的方法。隨著傳感器、存儲技術和計算能力的發展，數據驅動方法愈發受學者關注，故障檢測進入“大數據”時代。數據驅動的故障檢測方法通過搜集設備運行過程中產生的大量數據，挖掘記錄數據與運行狀態之間的聯系，從而構建從傳感器數據到運行狀態的檢測模型。常見的方法包括主成分分析、支持向量機、k-近鄰法、循環神經網絡(Recurrent?NeuralNetwork，RNN)等。

對于故障模式眾多且各故障模式分布不平衡的實際場景，可以選擇在進行故障檢測時是否區分故障模式。而分故障模式進行故障檢測時，對于罕見故障，既可以單獨使用罕見故障數據進行故障檢測，也可以使用知識遷移的方法(如遷移學習)，借助常見故障數據信息進行故障檢測。

晶圓制造過程中，設備故障模式眾多且各故障模式分布不平衡。許多故障檢測方法忽略故障模式的不同，訓練過程中罕見故障的信息會被常見故障“淹沒”，這降低了模型對罕見故障的敏感性。

對于晶圓制造過程中的罕見故障，由于數據稀少、信息不足，單獨使用罕見故障數據的檢測方法會增加檢測模型訓練的難度，也會降低模型的可靠性和泛化性能。

遷移學習通過“域適應”或“預訓練與微調(fine-tune)”等方法，將模型從常見故障數據中學到的信息應用到罕見故障，輔助檢測罕見故障。但遷移學習無法壓縮模型結構，罕見故障的模型大小和常見故障一樣，增加了硬件設備的負擔。

發明內容

本申請旨在至少在一定程度上解決相關技術中的技術問題之一。

為此，本申請的第一個目的在于提出一種多故障模式下基于知識蒸餾的晶圓制造過程故障檢測方法，解決了現有方法忽略故障模式的不同，導致訓練過程中罕見故障的信息被常見故障“淹沒”，降低模型對罕見故障的敏感性的技術問題；同時解決了由于數據稀少、信息不足，單獨使用罕見故障數據進行故障檢測會增加檢測模型訓練難度，降低模型的可靠性和泛化性能的問題；還解決了其他遷移學習無法壓縮模型結構導致罕見故障的模型大小和常見故障一樣，增加硬件設備的負擔的問題。

本申請基于生產過程中多傳感器采集的數據，使用知識蒸餾方法，跨故障模式進行知識提取與傳遞，通過將常見故障檢測模型的有效分類信息轉移到罕見故障檢測模型上，降低了模型尺寸，提升了模型在罕見故障下的綜合性能，實現了對故障的及時檢測，從而提高了產品良率與生產線效率。

本申請的第二個目的在于提出一種多故障模式下基于知識蒸餾的晶圓制造過程故障檢測裝置。

本申請的第三個目的在于提出一種非臨時性計算機可讀存儲介質。