[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

本發明公開一種基于RFE?CV?XGBoost的集成電路沉積膜厚的預測方法及系統，屬半導體制造領域，方法包括：步驟S1，對數據庫的沉積薄膜數據進行預處理；步驟S2，按預定的特征篩選規則對步驟S1預處理后的沉積薄膜數據包含的特征值篩選；步驟S3，對步驟S2的特征經交叉驗證的特征遞歸消除方式處理；步驟S4，基于XGBoost建立回歸預測模型，利用步驟S3的特征進行訓練和測試；步驟S5，利用遺傳算法對優化回歸預測模型超參數，找出最佳超參數，利用最終回歸預測模型對集成電路沉積膜厚進行預測。本發明通過數據建模，節省了薄膜沉積過程后的膜厚量測步驟，縮短了半導體產品的生產周期，節約了量測成本支出。

技術領域

本發明涉及半導體制造量測領域，尤其涉及一種集成電路沉積膜厚預測方法及系統。

背景技術

半導體芯片制造技術是信息產業的核心技術之一，被廣泛應用于新能源、信息通訊設備和高端通信領域。

量測指測量芯片制造過程中的各種目標參數，例如薄膜沉積厚度、化學機械拋光深度、等離子注入深度、離子注入濃度等。虛擬量測(VM)方法指利用數學上的模型或仿真，在不消耗量測設備成本和大量時間的情況下，預測晶圓加工各步驟涉及的各種目標參數的結果。其基于將容易觀察的工藝數據(例如，工藝工具的傳感器讀數、晶片上下文數據等)與相關計量數據聯系起來的統計模型進行計算和仿真，從數據角度對工藝過程進行數據建模，減少量測設備和材料的損耗、縮短了生產周期進而提升了經濟效益。近年來國內外學者對機器學習在半導體虛擬量測領域的應用進行了一定深度的研究，可是這些方法存在一定的局限性。如數據處理不夠完善，保留了很多無用的特征，降低了預測的精度提升了模型的訓練負擔；處理后的特征中仍含有對模型結果起負面作用的特征，即含有特征含有的數據信息中，噪聲信息所占比例較大。同時，常規的基于機器學習預測模型需要大量的人工干預，需花費大量的精力來進行模型的選擇和模型超參數的優化，這使得半導體領域預測模型建立具有一定的難度和復雜度。

有鑒于此，特提出本發明。

發明內容

本發明的目的是提供了一種集成電路沉積膜厚預測方法及系統，能解決現有的機器學習預測模型在集成電路制造薄膜沉積領域預測薄膜厚度不精準、模型超參數優化耗時長的問題。

本發明的目的是通過以下技術方案實現的：

一種集成電路沉積膜厚的預測方法，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。

一種集成電路沉積膜厚的預測系統，包括：

數據預處理模塊，能對從數據庫中獲取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；

特征篩選模塊，與所述數據預處理模塊通信連接，能按預定的特征篩選規則對所述數據預處理模塊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；