基于智能算法的半导体治具磨损预测方法及系统与流程
本发明涉及半导体制造,尤其涉及基于智能算法的半导体治具磨损预测方法及系统。
背景技术:
1、在半导体制造领域,传输治具的磨损预测是保障生产良率和设备寿命的关键环节。现有常规做法通常依赖基于物理模型的磨损机理分析或数据驱动的统计回归方法。基于物理模型的方法通过建立治具材料疲劳、接触应力等力学方程来预估磨损速率,但这类模型依赖大量假设性参数,且难以应对工况波动引起的非线性变化。数据驱动方法则多采用时间序列预测模型(如arima、rnn等)直接对历史磨损数据进行外推,或结合工艺参数(如温度、压力、传输速度)训练回归模型以描述磨损趋势。
2、数据驱动模型往往将全部相关工艺参数视为平行输入特征,忽略了参数间复杂的因果结构。由于半导体工艺参数之间普遍存在多重共线性与混杂效应,简单回归模型容易将相关性误判为因果性,导致预测结果对参数波动敏感而失真。一旦治具出现异常磨损,运维人员难以从大量相关参数中精准锁定真正的工艺波动源,无法区分哪些参数是磨损的直接原因、哪些仅为伴随现象。这限制了预测方法的鲁棒性与可解释性,使得工艺调整策略往往依赖经验试错,而非基于因果推理的精准补偿。
3、现有方法多为开环预测,缺乏对预测模型自身权重的动态校准机制,当实际磨损偏离预测轨迹时,模型无法自适应修正其内部参数,导致长期预测误差累积,最终影响工艺补偿的有效性。这些缺陷制约了半导体制造中智能维护系统的实际部署效果。
技术实现思路
1、本发明实施例提供基于智能算法的半导体治具磨损预测方法及系统,能够解决现有技术中的问题。
2、本发明实施例的第一方面,提供基于智能算法的半导体治具磨损预测方法,包括:
3、获取半导体传输治具在多个工作周期内的运行状态数据和磨损测量数据,对所述运行状态数据进行时序对齐和特征空间映射,得到与所述磨损测量数据时间同步的多维特征向量序列;
4、基于因果推断算法对所述多维特征向量序列与所述磨损测量数据之间的关联关系进行分析,识别对磨损演化具有因果影响的工艺参数子集,并提取所述工艺参数子集对应的因果权重系数;
5、根据所述因果权重系数和当前磨损状态,构建磨损溯源决策树,通过因果所述推断算法逆向追溯所述工艺参数子集在历史工作周期中的异常模式,定位导致当前磨损异常的工艺参数波动源;
6、依据所述工艺参数波动源和预设的磨损速率约束,生成针对所述半导体传输治具的工艺参数补偿策略,所述工艺参数补偿策略包含对所述工艺参数子集的动态调整指令;
7、将所述动态调整指令施加于传输治具的执行控制单元,采集执行后的实际磨损变化数据,并将所述实际磨损变化数据作为反馈输入,对所述因果权重系数进行在线修正。
8、基于因果推断算法对所述多维特征向量序列与所述磨损测量数据之间的关联关系进行分析,识别对磨损演化具有因果影响的工艺参数子集,并提取所述工艺参数子集对应的因果权重系数包括:
9、将多维特征向量序列与磨损测量数据输入因果推断算法构建的因果推断模型,通过所述因果推断算法的条件独立性测试机制识别各特征分量与所述磨损测量数据之间的有向依赖关系,生成因果结构图;
10、基于所述因果推断算法对所述因果结构图中的每条有向边进行因果强度估计,量化前驱特征分量对后继特征分量的直接因果贡献量,得到边权重矩阵;
11、在所述因果结构图中以所述磨损测量数据为目标节点执行回溯路径搜索,识别所有指向所述目标节点的因果传播路径,并基于所述边权重矩阵计算每条路径的累积因果强度;
12、针对所述多维特征向量序列中的每个特征分量,汇总其通过所有因果传播路径对所述磨损测量数据产生的累积因果强度,形成该特征分量的综合因果贡献值;
13、依据所述综合因果贡献值进行降序排列,选取贡献值位于前置分位段的特征分量,构成工艺参数子集;
14、将所述工艺参数子集中各工艺参数的综合因果贡献值进行比例转换,使所述工艺参数子集中所有工艺参数对应的数值之和等于预设总量值,得到所述工艺参数子集对应的因果权重系数。
15、将多维特征向量序列与磨损测量数据输入因果推断算法构建的因果推断模型,通过所述因果推断算法的条件独立性测试机制识别各特征分量与所述磨损测量数据之间的有向依赖关系,生成因果结构图包括:
16、将多维特征向量序列中的各特征分量和磨损测量数据作为变量集合输入因果推断模型,在所述因果推断模型中为每个变量建立对应的节点,并构建包含所有节点的完全无向连接图;
17、针对所述完全无向连接图中的任意两个节点,通过因果推断算法的条件独立性测试机制执行多层级条件独立性测试,在递进规模的条件变量子集下计算两个节点对应变量之间的条件互信息衰减率,当所述条件互信息衰减率达到统计显著性水平时,删除两个节点间的连接边,并记录对应的条件变量子集作为最小分离集;
18、基于所述最小分离集识别每个变量与其他变量之间能够屏蔽所有间接依赖关系的最小变量集合,保留所述最小变量集合中的变量节点间的连接边,删除冗余连接边,生成精简无向依赖图;
19、对所述精简无向依赖图应用所述因果推断算法的定向规则进行碰撞结构定向操作,遍历所有节点三元组,识别两个非相邻节点均与中心节点相连的结构,检验所述两个非相邻节点在不给定中心节点条件下条件独立且在给定中心节点条件下条件依赖的统计特性,将满足所述统计特性的结构中指向中心节点的边标定为有向边,并基于所述有向边通过所述因果推断算法的定向规则对剩余无向边进行方向推断,生成因果结构图。
20、根据所述因果权重系数和当前磨损状态,构建磨损溯源决策树,通过所述因果推断算法逆向追溯所述工艺参数子集在历史工作周期中的异常模式,定位导致当前磨损异常的工艺参数波动源包括:
21、将因果权重系数作为磨损溯源决策树的节点权重参数,以当前磨损状态对应的磨损量测值为根节点,按照所述因果权重系数的数值大小对工艺参数子集中的工艺参数进行分层排布,生成多层级树状结构;
22、针对所述多层级树状结构中的每个节点对应的工艺参数,从历史工作周期数据库中提取该工艺参数的时序演化轨迹,通过滑动窗口分割获得多个局部时序片段,并计算各局部时序片段与标准工艺基线之间的偏离度;
23、将所述偏离度超过预设偏离阈值的局部时序片段标记为候选异常片段,提取所述候选异常片段的时间戳、幅度特征和频域特征,构成该工艺参数的异常模式描述子;
24、应用因果推断算法基于所述异常模式描述子中的时间戳信息构建时序依赖图谱,通过所述因果推断算法计算不同工艺参数的异常模式描述子之间的时间先后顺序和时延传播关系,识别具有时序耦合特性的工艺参数组合;
25、通过所述因果推断算法对所述时序依赖图谱进行逆向路径搜索,从当前磨损状态对应的时间节点出发沿时间轴反向遍历因果传播链,筛选出时间戳早于当前磨损状态且通过所述时序依赖图谱与当前磨损状态存在因果传播路径连接的工艺参数,将该工艺参数及其对应的异常模式描述子确定为工艺参数波动源。
26、应用因果推断算法基于所述异常模式描述子中的时间戳信息构建时序依赖图谱,通过所述因果推断算法计算不同工艺参数的异常模式描述子之间的时间先后顺序和时延传播关系,识别具有时序耦合特性的工艺参数组合包括:
27、从异常模式描述子中提取每个工艺参数异常事件对应的时间戳信息,在时序依赖图谱中为每个工艺参数建立对应的时序节点,并将所述时间戳信息作为所述时序节点的时间属性;
28、针对所述时序依赖图谱中的任意两个时序节点,通过因果推断算法的时间序关系分析模块计算第一时序节点的时间属性与第二时序节点的时间属性之间的时间差值,根据所述时间差值的数值和符号确定所述两个时序节点对应工艺参数异常事件之间的时间先后顺序,将所述时间差值作为所述两个时序节点之间的时延量;
29、构建时延传播张量,将所述时序依赖图谱中所有时序节点对的时延量按照时间先后顺序排列形成时延序列,通过对所述时延序列进行时间窗口滑动分析,识别在多个时间窗口内时延量保持稳定性的时序节点对,利用所述因果推断算法计算所述时序节点对之间的时延传播强度,并将所述时延传播强度作为所述时延传播张量的元素值;
30、对所述时延传播张量进行传播路径挖掘,从所述时延传播张量中提取时延传播强度超过传播判定阈值的时序节点对,将所述时序节点对之间建立有向传播边,沿所述有向传播边进行深度优先遍历,识别形成闭合传播环路的时序节点集合,计算所述闭合传播环路中各时序节点之间的累积时延传播量,并根据所述累积时延传播量评估所述闭合传播环路的时序耦合紧密度;
31、提取所述时序耦合紧密度超过耦合判定值的时序节点对应的工艺参数,形成具有时序耦合特性的工艺参数组合。
32、依据所述工艺参数波动源和预设的磨损速率约束,生成针对所述半导体传输治具的工艺参数补偿策略,所述工艺参数补偿策略包含对所述工艺参数子集的动态调整指令包括:
33、从工艺参数波动源中提取导致异常波动的工艺参数及其对应的波动幅度和波动频率,将所述波动幅度和所述波动频率组合形成波动特征向量;
34、针对工艺参数子集中的每个工艺参数,基于因果权重系数计算所述工艺参数的单位变化量对磨损速率的敏感度系数,根据预设的磨损速率约束和所述敏感度系数反向推算所述工艺参数的允许调整范围;
35、构建多参数耦合约束网络,通过提取工艺参数组合中各工艺参数之间的时序耦合紧密度指标,识别多个工艺参数同步调整时产生的相互制约关系,将所述相互制约关系量化为约束强度因子,并基于所述约束强度因子在所述多参数耦合约束网络中建立工艺参数节点之间的约束连接边;
36、基于所述多参数耦合约束网络进行补偿量求解,将所述波动特征向量作为初始扰动输入,沿所述约束连接边进行约束传播计算,根据所述约束强度因子和所述允许调整范围迭代更新各工艺参数节点的补偿量,当所述补偿量满足所述预设的磨损速率约束且所述约束连接边上的约束冲突量收敛至稳定状态时,输出所述工艺参数子集中各工艺参数的最终补偿量;
37、根据所述最终补偿量生成针对所述工艺参数子集的动态调整指令,所述动态调整指令包含每个工艺参数的调整时刻和调整幅度,并将所述动态调整指令封装为工艺参数补偿策略。
38、将所述动态调整指令施加于传输治具的执行控制单元,采集执行后的实际磨损变化数据,并将所述实际磨损变化数据作为反馈输入,对所述因果推断模型中的因果权重系数进行在线修正包括:
39、将动态调整指令传输至传输治具的执行控制单元,通过所述执行控制单元驱动工艺参数执行机构完成工艺参数调整操作,并记录所述工艺参数调整操作的实际执行幅度;
40、在完成所述工艺参数调整操作后,通过磨损监测单元采集半导体传输治具的实际磨损变化数据,将所述实际磨损变化数据与基于因果推断模型和所述实际执行幅度计算得到的预测磨损变化数据进行对比,计算磨损预测偏差,并对所述磨损预测偏差进行归因分解,识别由因果权重系数误差引起的权重偏差分量;
41、计算所述权重偏差分量对所述因果推断模型中各工艺参数对应的因果权重系数的敏感度系数,生成权重修正敏感度矩阵;
42、基于所述权重修正敏感度矩阵计算因果权重系数的修正量,根据所述敏感度系数和所述权重偏差分量反向求解使所述权重偏差分量趋近于零的因果权重系数修正量,将所述因果推断模型中各工艺参数的原有因果权重系数与对应的所述因果权重系数修正量进行叠加运算,生成更新后的因果权重系数并写入所述因果推断模型,完成对所述因果推断模型中的因果权重系数进行在线修正。
43、本发明实施例的第二方面,提供基于智能算法的半导体治具磨损预测系统,包括:
44、特征映射单元,用于获取半导体传输治具在多个工作周期内的运行状态数据和磨损测量数据,对所述运行状态数据进行时序对齐和特征空间映射,得到与所述磨损测量数据时间同步的多维特征向量序列;
45、因果推断单元,用于基于因果推断算法对所述多维特征向量序列与所述磨损测量数据之间的关联关系进行分析,识别对磨损演化具有因果影响的工艺参数子集,并提取所述工艺参数子集对应的因果权重系数;
46、磨损溯源单元,用于根据所述因果权重系数和当前磨损状态,构建磨损溯源决策树,通过因果所述推断算法逆向追溯所述工艺参数子集在历史工作周期中的异常模式,定位导致当前磨损异常的工艺参数波动源;
47、参数补偿单元,用于依据所述工艺参数波动源和预设的磨损速率约束,生成针对所述半导体传输治具的工艺参数补偿策略,所述工艺参数补偿策略包含对所述工艺参数子集的动态调整指令;
48、反馈修正单元,用于将所述动态调整指令施加于传输治具的执行控制单元,采集执行后的实际磨损变化数据,并将所述实际磨损变化数据作为反馈输入,对所述因果权重系数进行在线修正。
49、本发明实施例的第三方面,提供一种电子设备,包括:
50、处理器;
51、用于存储处理器可执行指令的存储器;
52、其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
53、本发明实施例的第四方面,提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
54、本方案实现了对半导体治具磨损的精准预测与主动调控。通过多维特征向量序列与磨损数据的因果关联分析,可识别出真正驱动磨损演化的核心工艺参数,避免了传统经验模型对非相关参数的误判。因果权重系数的引入使得不同工艺参数对磨损贡献度得以量化,为后续补偿策略提供了明确优先级依据。构建的磨损溯源决策树能够逆向定位历史周期中的工艺参数异常模式,直接锁定导致当前磨损波动的根源参数,无需逐项排查即可高效定位故障源。该机制大幅缩短了异常诊断时间,提升了半导体产线的连续稳定运行能力。
55、基于工艺参数波动源与磨损速率约束生成的动态调整指令,能够实时修正运行参数,使治具磨损维持在可控范围内。补偿策略的执行反馈与因果权重系数的在线修正形成闭环控制,使预测模型随实际工况自适应进化。即使产线环境或材料特性发生变化,系统也能通过实际磨损数据的迭代优化保持预测精度,避免了定期重新建模的繁琐维护。这一自修正特性显著延长了治具维护周期,降低了非计划停机概率。
56、动态调整指令直接作用于传输治具的执行控制单元,实现了从预测到执行的毫秒级响应。采集的实际磨损变化数据作为反馈输入,不断校准因果权重系数,使模型在长期运行中保持高鲁棒性。相比于传统基于阈值报警的被动维护模式,本方案将治具寿命管理从"事后维修"转变为"事前预防",有效减少了因突发磨损导致的批次报废风险。整体上,该方法显著降低了治具更换频率与备件成本,同时提升了半导体传输过程的良品率与设备综合效率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com