基于LSTM的SPC工艺参数预测系统及方法与流程
本发明涉及半导体制造过程控制,具体是一种基于lstm(长短期记忆网络,long short-term memory)的spc工艺参数预测系统及预测方法。
背景技术:
1、在半导体制造过程中,spc(statistical process control,简称统计过程控制)是保障工艺稳定性与产品质量的核心技术,其主要通过对工艺参数的监控与分析来判断生产过程是否处于稳定状态。
2、然而,传统的spc方法在应用过程中存在以下两点缺陷:
3、第一,传统的spc方法多基于线性统计模型,而半导体工艺参数受设备老化、环境温湿度等多因素影响往往呈现复杂的非线性变化趋势,因此传统spc方法难以处理半导体工艺中存在的参数非线性变化、动态漂移等问题,无法精准预测趋势;
4、第二,传统的spc方法多为事后预警,即当工艺参数超出控制限时才会发出警报,此时可能已经产生批量的不良品,导致生产成本的增加与生产效率的下降。
5、同时,现有模型在半导体工艺参数预测中的应用也存在诸多不足。例如,xgboost、随机森林等模型虽能捕捉部分复杂关系,但对时序数据的长期依赖建模能力薄弱,且易受模型漂移影响,使预测精度快速下降。此外,传统循环神经网络(rnn)在处理长序列数据时面临梯度消失或梯度爆炸的问题,无法有效学习早期参数对后期工艺的影响规律。
技术实现思路
1、本发明要解决的在技术问题是提供一种基于lstm的spc工艺参数预测系统及方法,可以解决现有半导体spc方法对非线性、多耦合的半导体工艺参数趋势预测精度低、存在滞后性以及模型适应性差的问题。
2、为了解决上述问题,本发明提供的基于lstm的spc工艺参数预测系统,包括:
3、数据采集模块,用于采集spc工艺参数,得到时间序列原始数据集;
4、数据预处理模块,用于接收所述数据采集模块采集到的所述时间序列原始数据集并对所述时间序列原始数据集进行预处理,得到标准化时间序列数据集;
5、模型构建模块,构建lstm预测模型,所述lstm预测模型采用“输入层-lstm隐藏层-全连接层-输出层”四层结构,通过门控机制和细胞状态结构自适应地调节信息的传递;
6、模型训练模块,采用至少两种损失函数加权组合构建目标损失函数,并利用所述标准化时间序列数据集采用优化器对所述lstm预测模型进行训练直至模型能力满足要求;
7、预测预警模块,利用训练完成的所述lstm预测模型对实时获得的标准化时间序列数据进行处理,得到spc工艺参数预测值,并将所述spc工艺参数预测值与spc工艺参数控制限进行比较,输出相对应的预警信息。
8、进一步地,所述系统还包括模型迭代更新模块,所述模型迭代更新模块定期对所述lstm预测模型进行增量训练以使所述lstm预测模型与当前生产工艺相匹配。
9、进一步地,所述数据采集模块与半导体生产设备的edc系统对接,进行spc工艺参数多维度采集。
10、进一步地,所述数据预处理模块包括异常值剔除单元、数据补全单元和数据归一化处理单元。
11、进一步地,所述异常值剔除单元根据3σ准则初步筛选异常数据,再结合设备运行日志剔除因设备故障、传感器误报产生的异常数据;所述数据补全单元采用线性插值法对缺失段的数据进行补全;所述数据归一化处理单元利用最小-最大归一化方式将异常值剔除和缺失数据补全后的所有数据映射到[0,1]区间内,得到所述标准化时间序列数据集。
12、进一步地,所述lstm预测模型包含若干lstm隐藏层,每个lstm隐藏层包含多个lstm单元,每个lstm单元通过所述门控机制中的遗忘门、输入门、输出门调节信息的流动,所述细胞状态结构通过加法运算实现长时序信息的无损传递。
13、进一步地,所述模型训练模块采用adam优化器。
14、进一步地,针对抗异常值场景进行工艺参数预测时,所述模型训练模块采用均方误差mse与平均绝对误差mae的加权组合构建目标损失函数;针对多量级参数联合场景进行工艺参数预测时,所述模型训练模块采用均方误差mse与平均绝对百分比误差mape的加权组合构建目标损失函数;针对复杂波动场景进行工艺参数预测时,所述模型训练模块采用huber损失与平均绝对百分比误差mape的加权组合构建目标损失函数。
15、同时,本发明还提供spc工艺参数预测方法,包括:
16、进行spc工艺参数采集,得到时间序列原始数据集;
17、对所述时间序列原始数据集进行预处理,得到标准化时间序列数据集;
18、构建lstm预测模型,所述lstm预测模型采用“输入层-lstm隐藏层-全连接层-输出层”四层结构,通过门控机制和细胞状态结构自适应地调节信息的传递;
19、采用至少两种损失函数加权组合构建目标损失函数,利用所述标准化时间序列数据集和优化器对所述lstm预测模型进行训练,得到目标损失函数中预测误差最小的权重组合;
20、利用训练完成的所述lstm预测模型对实时获得的标准化时间序列数据进行处理,得到spc工艺参数预测值,并将所述spc工艺参数预测值与spc工艺参数控制限进行比较,输出相对应的预警信息。
21、进一步地,利用最新数据定期对所述lstm预测模型进行增量训练,更新模型参数和目标损失函数的权重,使所述lstm预测模型与当前生产工艺相匹配。
22、进一步地,对所述时间序列原始数据集进行异常值剔除、数据补全和数据归一化处理。
23、进一步地,根据3σ准则初步筛选异常数据,再结合设备运行日志剔除因设备故障、传感器误报产生的异常数据;采用线性插值法对缺失段的数据进行补全;利用最小-最大归一化方式将异常值剔除和缺失数据补全后的所有数据映射到[0,1]区间内,得到所述标准化时间序列数据集。
24、进一步地,所述lstm预测模型包含若干lstm隐藏层,每个lstm隐藏层包含多个lstm单元,每个lstm单元通过所述门控机制中的遗忘门、输入门、输出门调节信息的流动,所述细胞状态结构通过加法运算实现长时序信息的无损传递。
25、进一步地,采用adam优化器及至少两种损失函数加权组合构建的所述目标损失函数进行所述lstm预测模型的训练。
26、进一步地,针对抗异常值场景进行工艺参数预测时,采用均方误差mse与平均绝对误差mae的加权组合构建目标损失函数;
27、针对多量级参数联合场景进行工艺参数预测时,采用均方误差mse与平均绝对百分比误差mape的加权组合构建目标损失函数;
28、针对复杂波动场景进行工艺参数预测时,采用huber损失与平均绝对百分比误差mape的加权组合构建目标损失函数。
29、与现有技术相比,本发明取得的有益技术效果在于:
30、第一,本发明突破传统spc技术及单一损失函数的局限性,通过损失函数加权组合的策略适配不同工艺数据特性,结合lstm预测模型的门控机制,有效捕捉半导体工艺参数的长时序依赖关系与非线性耦合特征,预测精度较传统的rnn模型及单一损失函数的lstm模型均有显著的提升,可精准预测未来多个时间步的参数波动趋势;
31、第二,本发明可以实现异常风险的提前预警,能够预测未来1-3个生产周期的趋势,将传统spc技术的“事后预警”转变为“事前干预”,为技术人员提供充足的干预时间,减少半导体制造过程中的不良品产生,同时减少设备非计划停机时间,保障工艺稳定性;
32、第三,本发明适应性强,通过增量训练机制可以保证lstm预测模型随设备老化、工艺更新等实现动态调整,长期维持半导体关键工艺参数的高预测精度,适配半导体制造的动态工艺环境;
33、第四,本发明构建多维度工艺参数采集体系实现spc工艺参数的采集,通过lstm预测模型与制造执行系统mes联动,实现数据的可溯源、预警报告信息完整,提升生产效率。
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