基于机器学习优化的CMP抛光液配方筛选与性能预测方法

摘要: 本发明属于半导体制造与人工智能交叉,具体涉及一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法。背景技术:1、化学机械抛光(cmp)是半导体制造中的核心平...
基于机器学习优化的CMP抛光液配方筛选与性能预测方法

本发明属于半导体制造与人工智能交叉,具体涉及一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法。

背景技术:

1、化学机械抛光(cmp)是半导体制造中的核心平坦化工艺,尤其在高密度集成电路的浅沟槽隔离(sti)和金属互连层形成中不可或缺。cmp抛光液通常包含纳米级研磨颗粒(如氧化铈、氧化锆)和多种功能添加剂(如分散剂、表面活性剂、ph调节剂等)。其中,氧化铈基抛光液因其对二氧化硅介质层的高选择性和高去除率,在sti工艺中得到广泛应用。

2、抛光液的稳定性,特别是纳米颗粒的分散稳定性和抗沉降性能,直接决定了抛光过程的缺陷率(如划伤、凹陷)和批次一致性。目前,cmp抛光液的配方开发主要依赖以下方法:1、传统试错法:研究人员根据经验选择分散剂种类和浓度,配制样品后通过长期静置沉降实验(通常需要7-14天)或复杂的抛光测试来评估性能。该方法通量低、耗时长、成本高,且难以系统探索多组分(多种分散剂、表面活性剂)之间的协同与拮抗效应。2、实验设计方法(doe):虽在一定程度上提升了效率,但受限于实验次数,通常只能研究有限几个因素和水平,无法对高维度的配方空间进行全局寻优。此外,doe方法难以建立精确的配方-性能定量构效关系模型。

3、综上,现有技术的缺点和问题:1、研发周期长:一次完整的沉降稳定性测试需要数周至数月,导致配方迭代速度极慢。资源消耗大:需要大量试剂、耗材和人工,经济成本高昂。2、机理不清:难以从复杂实验数据中提炼出指导性规律,对分子结构与分散性能之间的关系缺乏系统性认知。预测能力缺失:无法根据已知数据预测新配方的性能,筛选效率低。

技术实现思路

1、为解决以上现有技术存在的问题,本发明提出了一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,该方法利用少量实验数据构建高精度预测模型,通过结合短期易测的理化指标(如紫外-可见光谱动力学数据),实现对抛光液长期沉降稳定性的快速预测,从而大幅缩短研发周期,降低研发成本,并为发现新型高效分散剂组合提供智能指导。具体的,一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,包括:

2、s101、构建基础配方库与多目标性能数据库;

3、s102、对基础配方库中的配方数据提取配方特征参数,所述配方特征参数包括各添加剂的浓度组合;从多目标性能数据库中的多维度性能数据中确定预测目标,并设定多目标优化的约束条件与权重系数;

4、s103、构建配方预测模型,配方预测模型为随机森林模型;将基础配方库中各组配方的特征参数划分为训练集和测试集;以长期性能指标作为预测目标,将训练集中的特征参数输入到随机森林回归模型中对模型进行训练,利用测试集对训练完成的模型进行泛化性能评估;采用shap值分析法对训练后配方预测模型输出的预测结果进行可解释性分析,计算各配方特征参数的shap值,量化各特征对预测性能的贡献度与影响方向,输出各添加剂对长期性能的重要性排序;

5、s104、采集待测配方的短期理化指标时间序列数据;从短期理化指标时间序列数据中提取特征参数,将特征参数输入到训练后的配方预测模型中,得到该配方在长期使用过程中的性能预测结果;

6、s105、基于性能预测结果采用两级网格搜索策略对基础配方库所定义的连续搜索空间进行全局寻优,将最优结果作为推荐候选配方;

7、s106、将推荐候选配方进行实际配制与实验验证,得到真实的长期性能数据;将真实的长期性能数据及其对应的配方特征参数反馈至基础配方库,更新训练数据集,并重新执行s103至s105,直至模型预测精度达到预设阈值或候选配方综合得分满足工艺要求。

8、本发明的有益效果:

9、1、显著缩短研发周期:本发明利用短期(0-168小时)动力学数据即可预测长期(7-14天)沉降结果,将配方筛选周期从数周缩短至一周以内,效率提升90%以上。

10、2、降低研发成本:本发明的技术方案大幅减少不必要的长期实验和重复性劳动,节约试剂、耗材和人工成本。

11、3、建立构效关系模型:本发明通过机器学习模型,自动学习并量化添加剂浓度、结构参数与分散性能之间的复杂非线性关系,为理解分散机理提供数据支撑。

12、4、智能配方优化:本发明结合优化算法,可在高维配方空间中自动搜索全局最优解,发现传统试错法难以触及的高性能配方组合。

13、5、模型可迁移性强:通过迁移学习,本发明的方法可快速适配其他类型的抛光液(如二氧化硅、氧化铝基)或其他分散体系,具有广泛应用前景。

1.一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,构建基础配方库与多目标性能数据库包括:以氧化铈颗粒为研磨基底,选择两种以上候选添加剂配制多组不同配方组成的抛光液样品;记录各组样品的配方特征参数,并对各组样品进行性能测试,得到包含材料去除速率、表面粗糙度、分散稳定性在内的多维度性能数据;基于多维度性能数据建立初始数据库。

3.根据权利要求2所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,候选添加剂包括:聚丙烯酰胺、十二烷基苯磺酸钠、聚氧乙烯醚、聚氧乙烯、十二烷基甜菜碱中的两种或多种。

4.根据权利要求3所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,设定多目标优化的约束条件为:设置各个添加剂浓度范围,具体为:聚丙烯酰胺的浓度为0-1wt%、十二烷基苯磺酸钠的浓度为0-2wt%、聚氧乙烯醚的浓度为0-2wt%、聚氧乙烯的浓度为0-2wt%、十二烷基甜菜碱的浓度为0-2wt%;氧化铈颗粒与所有添加剂的总固含量不超过预设上限值s_max,s_max的取值范围为20-40wt%;各候选配方的ph值维持在5.0-8.0范围内;候选配方在25℃下的粘度不高于预设上限值v_max,v_max的取值范围为5-20 mpa·s;单位成本不超过预设成本预算上限c_max。

5.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,配方特征参数包括各添加剂的浓度、分散液的初始紫外透过率、24小时紫外透过率衰减率以及初始粒径。

6.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,权重系数用于构建综合评分函数s(x),综合评分函数的输入为候选配方的特征参数,输出为该配方的综合得分;综合评分函数的形式为:

7.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,对配方预测模型进行训练包括:

8.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,短期理化指标时间序列数据包括:使用紫外-可见分光光度计,在25℃下对每组样品连续监测148小时,每24小时扫描一次400nm处的透过率;共获得7个时间点的透过率数据。

9.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,两级网格搜索策略包括:采用大步长对搜索空间进行粗粒度采样,通过综合评分函数s(x)计算各采样点的综合得分,筛选出预测性能排名前k位的配方作为初筛候选;以初筛候选配方为中心,在其邻域范围内缩小步长进行细粒度局部加密搜索,再次计算各局部采样点的综合得分;将粗粒度全局搜索与细粒度局部加密搜索的所有采样点按综合得分从高到低进行排序,推荐综合得分最优的前n组配方作为推荐候选配方。

10.根据权利要求1所述的一种基于机器学习优化的cmp抛光液配方筛选与性能预测方法,其特征在于,采用优化算法对基础配方库中进行搜索包括: