模型训练方法、派工方法及设备与流程

本申请涉及半导体制造领域，尤其是涉及一种模型训练方法、派工方法及设备。

背景技术：

1、对于半导体产业而言，尤其是晶圆代工厂，由于其重资产的特性，所以使用的机台技术含量高，价格不菲。机台的使用效率越高，产出越高，越能满足产线的生产需求，但是过高的使用效率也会使得机台的折旧更快，影响晶圆的良率。因此在日常运维当中，如何有效的使用机台，成为日常晶圆生产过程中的重要工作。

2、当前很多企业引入派工系统对机台进行自动化派工，这些派工系统得到的派工策略主要是为了让晶圆本身的质量没有风险，提高晶圆的良率，但是难以保证机台的产能最大。

技术实现思路

1、鉴于上述问题而提出了本申请。本申请提供了一种模型训练方法、派工方法及设备。

2、根据本申请的第一个方面，提供了一种模型训练方法，包括：

3、获取目标晶圆的制造环境信息，所述目标晶圆为当前需要按照制造工艺中的目标工序进行制造的晶圆，所述制造环境信息用于指示能够执行所述目标工序的机台的当前产能；

4、基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台，其中，所述派工机台用于按照所述目标工序对所述目标晶圆进行制造；

5、响应于所述目标晶圆完成制造，获得与所述派工机台的生产效率关联的反馈参数；

6、根据所述反馈参数和预设的反馈参数阈值更新所述神经网络模型。

7、此外，根据本申请第一个方面的模型训练方法，所述制造环境信息包括所述目标工序与所述目标工序的下一工序之间的第一排队时间，以及所述目标机台的当前产能参数；

8、基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台进一步包括：

9、基于所述当前产能参数，通过所述神经网络模型，确定所述目标机台按照所述目标工序制造所述目标晶圆所需的制造时间；

10、从所述目标机台中筛选所述制造时间小于等于所述第一排队时间的至少一个第一机台；

11、从所述至少一个第一机台中选取所述派工机台。

12、此外，根据本申请第一个方面的模型训练方法，所述制造环境信息包括所述目标机台的当前产能参数，并且基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台进一步包括：

13、基于所述目标机台的当前产能参数，通过所述神经网络模型，确定所述目标机台的产线负荷平衡结果；

14、从所述目标机台中，筛选所述产线负荷平衡结果满足第一条件的至少一个第二机台；

15、从所述至少一个第二机台中选取所述派工机台。

16、此外，根据本申请第一个方面的模型训练方法，所述制造环境信息包括按照所述目标工序的上一工序制造所述目标晶圆的历史结束时间以及所述目标工序与所述上一工序之间的第二排队时间，并且基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台进一步包括：

17、基于所述历史结束时间和所述第二排队时间，确定按照所述目标工序制造所述目标晶圆的开始时间；

18、利用所述神经网络模型从所述目标机台中筛选在所述开始时间未满负荷的至少一个第三机台；

19、从所述至少一个第三机台中选取所述派工机台。

20、此外，根据本申请第一个方面的模型训练方法，所述制造环境信息还包括所述目标工序的上一工序与所述目标工序之间的投片数量，并且利用所述神经网络模型从所述目标机台中筛选在所述开始时间未满负荷的至少一个第三机台进一步包括：

21、获取所述目标机台当前正在制造的晶圆的数量；

22、从所述目标机台中筛选所述当前正在制造的晶圆的数量小于等于数量差值的至少一个第三机台，其中，所述数量差值为所述投片数量与所述目标晶圆的数量之差。

23、此外，根据本申请第一个方面的模型训练方法，从所述至少一个第一机台中选取所述派工机台，包括：

24、计算所述至少一个第一机台的机台利用率；

25、在所述至少一个第一机台中选取所述机台利用率满足第二条件的机台作为所述派工机台。

26、此外，根据本申请第一个方面的模型训练方法，所述反馈参数包括以下至少一项：

27、所述目标工序的实际排队时间；

28、所述派工机台的实际机台利用率；或

29、所述派工机台的实际产线平衡率。

30、根据本申请的第二个方面，提供了一种派工方法，包括：

31、获取当前晶圆的当前制造环境信息，所述当前晶圆为当前需要按照当前制造工艺中的当前工序进行制造的晶圆，所述当前制造环境信息用于指示能够执行所述当前工序的机台的当前产能；

32、采用第一个方面所述的模型训练方法训练获得的神经网络模型和所述当前制造环境信息，从能够执行所述当前工序的机台中确定当前派工机台，其中，所述当前派工机台用于按照所述当前工序对所述当前晶圆进行制造。

33、根据本申请的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一个方面或第二个方面所述方法的步骤。

34、根据本申请的第四个方面，提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现第一个方面或第二个方面所述方法的步骤。

35、根据本申请的第五个方面，提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现第一个方面或第二个方面所述方法的步骤。

36、如以下将详细描述的，根据本申请实施例的模型训练方法，向神经网络模型输入的目标晶圆的制造环境信息指示能够执行目标工序的机台的当前产能，由于制造环境信息考虑了机台的当前产能，所以神经网络模型在基于该制造环境信息预测的派工机台可以极大的提升制造工艺中各机台的产能，有效避免产线因为产品不同站点堆积导致的产能闲置。

37、要理解的是，前面的一般描述和下面的详细描述两者都是示例性的，并且意图在于提供要求保护的技术的进一步说明。

1.一种模型训练方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，所述制造环境信息包括所述目标工序与所述目标工序的下一工序之间的第一排队时间，以及所述目标机台的当前产能参数；

3.根据权利要求1所述的方法，其特征在于，所述制造环境信息包括所述目标机台的当前产能参数，并且基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台进一步包括：

4.根据权利要求1-3任一项所述的方法，其特征在于，所述制造环境信息包括按照所述目标工序的上一工序制造所述目标晶圆的历史结束时间以及所述目标工序与所述上一工序之间的第二排队时间，并且基于所述制造环境信息和神经网络模型从能够执行所述目标工序的目标机台中确定派工机台进一步包括：

5.根据权利要求4所述的方法，其特征在于，所述制造环境信息还包括所述目标工序的上一工序与所述目标工序之间的投片数量，并且利用所述神经网络模型从所述目标机台中筛选在所述开始时间未满负荷的至少一个第三机台进一步包括：

6.根据权利要求2所述的方法，其特征在于，从所述至少一个第一机台中选取所述派工机台进一步包括：

7.根据权利要求1-3任一项所述的方法，其特征在于，所述反馈参数包括以下至少一项：

8.一种派工方法，其特征在于，包括：

9.一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现权利要求1-7任一项所述的模型训练方法或权利要求8所述的派工方法的步骤。