[發明專利]集成電路沉積膜厚預測方法及系統

在審

• 申請號: 202310405795.3
• 申請日: 2023-04-11
• 公開（公告）號: CN116431996A
• 公開（公告）日: 2023-07-14
• 發明（設計）人: 蔡宇;史雨萌;陳一寧;闞健豪;唐建
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06F18/15
• 分類號: G06F18/15;H01L21/66;G06F18/2113;G06F18/214;G06F18/27;G06F18/243
• 代理公司: 北京凱特來知識產權代理有限公司 11260
• 代理人: 鄭立明;付久春

1.一種集成電路沉積膜厚的預測方法，其特征在于，包括以下步驟：

步驟S1，對數據庫中的沉積薄膜數據進行預處理，得到預處理后的沉積薄膜數據；

步驟S2，按特征篩選規則對所述步驟S1預處理后的沉積薄膜數據包含的特征值進行篩選，得到篩選后的特征；

步驟S3，對所述步驟S2得到的篩選后的特征通過交叉驗證的特征遞歸消除方式進行處理，刪除對XGBoost模型表現起負向作用的特征；

步驟S4，基于XGBoost模型建立回歸預測模型，利用步驟S3得到的特征作為訓練用數據集對所述回歸預測模型進行訓練和測試；

步驟S5，利用遺傳算法對所述步驟S4訓練好測試后的回歸預測模型進行超參數優化，從所述回歸預測模型所有的超參數中找出使該回歸預測模型表現最佳的一組超參數，作為最終回歸預測模型的超參數，利用優化好的最終回歸預測模型對集成電路沉積膜厚進行預測。

2.根據權利要求1所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S1中，按以下方式對數據庫中的沉積薄膜數據進行預處理，包括：

數據庫中存儲的是集成電路薄膜沉積過程涉及的作為沉積薄膜數據的過程參數；

對數據庫中含有缺失值和缺失工序的沉積薄膜數據進行刪除，并對刪除后得到的沉積薄膜數據構成的數據集進行歸一化，轉換函數的公式為：

式中，X^*表示歸一化后的結果；X表示沉積薄膜數據的樣本數據，Max表示沉積薄膜數據的樣本數據的最大值，Min表示沉積薄膜數據的樣本數據的最小值。

3.根據權利要求1或2所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S2中，通過以下方式按預定的特征篩選規則對所述步驟S1預處理后的沉積薄膜數據包含的特征值進行篩選，包括：

刪除方差小于0.015的特征和刪除皮爾遜相關系數大于0.9的特征。

4.根據權利要求1或2所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S3中，按以下方式對對所述步驟S2得到的篩選后的特征通過交叉驗證的特征遞歸消除方式進行處理，刪除對模型表現起副作用的特征，包括：

對所述步驟S2得到的篩選后的特征通過基于交叉驗證的特征遞歸消除算法進行處理，以7折交叉驗證的XGBoost模型的表現為評價指標，逐個嘗試刪除特征，若刪除特征后XGBoost模型的均方誤差MSE下降且確定系數R²上升，則刪除特征，否則不予刪除。

5.根據權利要求1或2所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S4中，按以下方式基于XGBoost模型建立回歸預測模型，利用步驟S3得到的特征作為訓練用數據集對所述回歸預測模型進行訓練和測試，包括：

按照7:2:1的比例將步驟S3得到的特征形成的數據集隨機地劃分為訓練集、測試集和驗證集；通過所述訓練集對所述回歸預測模型進行訓練；通過所述測試集測試評價訓練后的所述回歸預測模型的預測性能。

6.根據權利要求5所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S5中，按以下方式利用遺傳算法對所述步驟S4訓練好測試后的回歸預測模型進行超參數優化，從所述回歸預測模型所有的超參數中找出使該回歸預測模型表現最佳的一組超參數，作為最終回歸預測模型的超參數，包括：

通過遺傳優化算法通過驗證集對訓練和測試后的回歸預測模型的所有超參數構成的樹的個數、樹的深度進行優化，從所述回歸預測模型所有的超參數中找出使該回歸預測模型表現最佳的一組超參數，作為最終回歸預測模型的超參數。

7.根據權利要求5所述的集成電路沉積膜厚的預測方法，其特征在于，所述步驟S4中，步驟S3得到的特征形成的數據集中，作為回歸預測模型輸入參數的是沉積薄膜數據中的沉積、通氣、加熱步驟相關的各個特征；

回歸預測模型的輸出參數為沉積膜厚的預測結果。