基于信息值和差异分析的半导体零部件选型方法及系统与流程

本发明属于半导体智能制造，具体涉及半导体晶圆制造过程中工艺腔体内部关键零部件的劣化预测、健康度评估与选型优化决策技术，特别涉及一种基于信息值和差异分析的半导体零部件选型方法及系统。

背景技术：

1、随着半导体集成电路制程节点不断向纳米级推进，半导体智能制造已成为推动产业升级的核心驱动力。半导体晶圆制造属于典型的超精密、高洁净、强管控的特殊制造场景。在高度自动化的晶圆微纳制造过程中，工艺腔体（如刻蚀腔、薄膜沉积腔等）内部物理化学环境极其严苛，常年伴随高能等离子体轰击、强化学腐蚀气体冲刷、高温高真空场以及复杂的反应副产物沉积。

2、在此特殊场景下，工艺腔体内部的关键零部件（如内衬、喷淋头、电极、屏蔽环、聚焦环、垫片、气体分布器等）直接暴露于上述极端制造环境中。这些零部件的材质纯度、耐腐蚀性、放气率、颗粒释放特性、导热均匀性及表面粗糙度等微观工艺指标，对晶圆加工的刻蚀速率、薄膜均匀性、掺杂精度、粒子污染水平及晶圆最终良率具有决定性的显性影响。尤其在高度协同的半导体智能车间管控中，任何一个微小零部件的选型失当或异常劣化，都可能通过高度自动化的产线放大，导致整批晶圆报废，进而造成重大的经济损失。因此，在半导体智能制造框架下，针对工艺腔体关键零部件进行精准的重要度分析、健康度评估与前瞻性选型优化，是保障工艺稳定性和提升良率的核心技术诉求。

3、目前，半导体工厂中针对工艺腔体零部件的选型与质量评估主要依赖以下方式：

4、基于基础统计的量测对比方法：通过统计不同材质、型号或表面处理工艺的腔体零部件在晶圆加工后的关键量测数据（如晶圆刻蚀均匀性、薄膜厚度偏差、颗粒污染数量、金属杂质含量等指标），通过计算均值、方差、合格率等基础统计量，对比不同选型方案的加工效果差异。然而，此类传统统计方法虽然操作便捷，但受限于方法本身的浅表性，其仅能呈现零部件加工后的“结果差异”，无法深入挖掘零部件微观选型参数（如材质纯度、表面粗糙度）与晶圆加工质量（如良率、缺陷率）之间的深层非线性内在关联；同时，它无法量化零部件关键参数对工艺稳定性的动态影响程度，更难以提前预判零部件选型不当可能导致的潜在工艺风险。

5、依赖原厂经验与盲目试错方案：在进行零部件更换或供应链国产替代决策时，主要依赖原厂（oem）提供的基线参数，或者通过高成本的“上机实测-破坏性检查-调整选型”的循环试错流程。由于缺乏系统性的建模手段，无法在高维度、高噪声的半导体量测数据中精准识别国产替代零部件与原厂性能之间微弱但关键的显著性差异数据点，这导致试错周期极长、试错成本高昂，且难以规避零部件突发劣化带来的工艺扰动风险。

6、综上所述，传统的常规制造业分析方法或简单的线性统计手段，根本无法适应半导体智能制造中多变量耦合、非线性强、精度要求严苛的特殊数据环境。目前针对半导体高精密、强管控的工艺腔体环境，尚缺乏一种能够精准量化零部件特征贡献度、层层筛选显著性差异、并提供前瞻性供应链决策支撑的零部件重要度与选型分析技术方案。

技术实现思路

1、以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之序。

2、本发明的目的在于解决上述问题，提供了基于信息值和差异分析的半导体零部件选型方法及系统，通过将信息值特征挖掘与差异性显著性检验有机串联，实现了半导体高精密工艺数据下零部件关键指标的白盒化精准筛选，不仅显著提升了零部件健康度评估的准确性与可解释性，更为半导体晶圆制造中的零部件选型优化及国产替代供应链决策提供了强有力的量化数据支撑。

3、本发明的技术方案为：本发明揭示了一种基于信息值和差异分析的半导体零部件选型方法，方法包括：

4、步骤一：获取半导体设备的零部件状态指标数据，作为后续评分卡建模的候选特征数据；同时获取晶圆经过所述半导体设备加工后的工艺量测数据，以及与所述工艺量测数据对应的预设检测规格标准；

5、步骤二：基于所述预设检测规格标准对所述工艺量测数据进行二分类转化；其中，当某项工艺量测数据满足其对应的预设检测规格标准时，将其转化为合格标签，当不满足时将其转化为不合格标签，以此构建二分类目标变量；

6、步骤三：将所述零部件状态指标数据作为候选特征输入，将所述二分类目标变量作为目标输出标签，采用评分卡预测建模进行模型训练，并在训练过程中执行变量分箱和证据权重woe编码；计算每个候选特征对应的信息值iv以量化单个候选特征对所述二分类目标变量的特征区分能力，并将所述信息值iv大于或等于预设区分度阈值的候选特征确定为关键零部件指标；

7、步骤四：对筛选出的每个所述关键零部件指标进行范围分桶处理，构建得到离散型的类别自变量；将所述工艺量测数据的具体连续型数值作为因变量，结合所述类别自变量与所述因变量执行差异性分析检验，计算得到表征差异显著性的统计检验p值，并基于所述统计检验p值所处的预设区间对所述关键零部件指标进行显著性分级判定，以筛选出显著性满足预设高风险条件的重点关注零部件；

8、步骤五：针对筛选出的所述重点关注零部件，调取并对比不同选型方案在所述关键零部件指标下所映射的所述工艺量测数据；根据各选型方案对应的所述工艺量测数据与所述预设检测规格标准的比对结果，将满足预设合格条件的选型方案判定为评价更优的零部件选型，并输出对应的供应链选型推荐决策结果。

9、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，步骤一中的零部件状态指标数据至少包括：靶材的累积射频时间、相对沉积速率、靶基距中的一种或多种。

10、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，步骤一中的工艺量测数据和对应的预设检测规格标准包括以下组合中的一种或多种：

11、所述工艺量测数据为薄膜均匀性，对应的预设检测规格标准为小于或等于±3%；

12、所述工艺量测数据为台阶覆盖率，对应的预设检测规格标准为大于或等于50%；

13、所述工艺量测数据为表面缺陷数量，对应的预设检测规格标准为小于或等于10个；

14、步骤二中基于所述预设检测规格标准对所述工艺量测数据进行二分类转化的具体实现逻辑包括以下组合中的一种或多种：

15、当所述工艺量测数据为薄膜均匀性且其量测值小于或等于±3%时，转化为合格标签，否则转化为不合格标签；

16、当所述工艺量测数据为台阶覆盖率且其量测值大于或等于50%时，转化为合格标签，否则转化为不合格标签；

17、当所述工艺量测数据为表面缺陷数量且其量测值小于或等于10个时，转化为合格标签，否则转化为不合格标签。

18、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤三中的评分卡预测建模进一步包括：

19、基于逻辑回归构建概率映射模型，通过对数似然损失函数最小化来训练并调整模型参数，以将处理后的特征数据映射为零部件样本属于对应分类的概率值；

20、设定概率映射模型的判定阈值，若计算所得的概率值大于或等于所述判定阈值，则将对应样本映射为不合格类别，反之则映射为合格类别。

21、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤三中的变量分箱是对连续型的零部件状态指标数据进行离散化分箱处理，采用以下分箱方法中的一种或多种：等频分箱、等距分箱、基于决策树的卡方分箱。

22、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述证据权重woe编码是通过衡量每个分箱内合格样本和不合格样本占各自总体的比例差异，计算每个分箱的证据权重woe值并进行编码，以此将零部件特征与目标变量之间的非线性关系转化为线性关系，并作为模型输入特征。

23、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤三中计算每个候选特征对应的信息值iv的具体公式为

24、

25、

26、上述公式中， 为第  个分箱的证据权重值， 和  分别为第 个分箱内合格样本和不合格样本占各自总体的比例， 为所述候选特征的分箱数量。

27、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤三中的预设区分度阈值设定为0.3；或者，所述预设区分度阈值是基于半导体历史生产数据经验动态参数化设置的，或根据厂内工程师对良率召回率与精确性的业务需求实时调整的。

28、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤四中结合所述类别自变量与所述因变量执行差异性分析检验，进一步包括以下前置校验与算法切换逻辑：

29、正态性检验：首先对所述因变量数据进行正态性检验，所述正态性检验采用shapiro-wilk检验或kolmogorov-smirnov检验；

30、方差分析调用：若所述因变量数据通过正态性检验且满足方差齐性假设，则调用方差分析anova方法作为所述差异性分析检验，计算得到所述统计检验p值；

31、非参数检验切换：若所述因变量数据未通过正态性检验，则将所述差异性分析检验切换为非参数检验方法，采用kruskal-wallis检验计算得到所述统计检验p值。

32、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤四中基于所述统计检验p值所处的预设区间对所述关键零部件指标进行显著性分级判定，执行以下分级应对策略：当  时，判定所述关键零部件指标存在极显著差异，直接将对应的零部件标记为高风险关键零部件，并执行预设的升级管控措施；当 时，判定所述关键零部件指标存在显著差异，将对应的零部件列入观察名单，并执行预设的定期数据随访评估措施；当  时，判定所述关键零部件指标不存在显著差异，将对应的零部件从重点关注范围中剔除，保持常规质量控制监测。

33、根据本发明的基于信息值和差异分析的半导体零部件选型方法的一实施例，所述步骤五中的对比不同选型方案在所述关键零部件指标下所映射的所述工艺量测数据，进一步包括：

34、获取原厂零部件的工艺生产数据作为基线数据，并建立模型基线；

35、获取待评估的国产替代零部件的对应工艺生产数据；

36、将所述国产替代零部件的工艺生产数据与所述原厂零部件的基线数据进行同维度横向比对，以识别所述国产替代零部件与所述原厂零部件在相同关键零部件指标范围下的工艺表现差异。

37、本发明还揭示了一种基于信息值和差异分析的半导体零部件选型系统，所述系统包括：

38、工艺数据采集与获取模块，用于获取半导体设备的零部件状态指标数据，作为后续评分卡建模的候选特征数据；同时获取晶圆经过所述半导体设备加工后的工艺量测数据，以及与所述工艺量测数据对应的预设检测规格标准；

39、二分类目标变量构建模块，用于基于所述预设检测规格标准对所述工艺量测数据进行二分类转化；其中，当某项工艺量测数据满足其对应的预设检测规格标准时，将其转化为合格标签，当不满足时将其转化为不合格标签，以此构建二分类目标变量；

40、评分卡建模与关键指标筛选模块，用于将所述零部件状态指标数据作为候选特征输入，将所述二分类目标变量作为目标输出标签，采用评分卡预测建模进行模型训练，并在训练过程中执行变量分箱和证据权重woe编码；计算每个候选特征对应的信息值iv以量化单个候选特征对所述二分类目标变量的特征区分能力，并将所述信息值iv大于或等于预设区分度阈值的候选特征确定为关键零部件指标；

41、差异分析与显著性评级模块，用于对筛选出的每个所述关键零部件指标进行范围分桶处理，构建得到离散型的类别自变量；将所述工艺量测数据的具体连续型数值作为因变量，结合所述类别自变量与所述因变量执行差异性分析检验，计算得到表征差异显著性的统计检验p值，并基于所述统计检验p值所处的预设区间对所述关键零部件指标进行显著性分级判定，以筛选出显著性满足预设高风险条件的重点关注零部件；

42、选型优化与决策输出模块，用于针对筛选出的所述重点关注零部件，调取并对比不同选型方案在所述关键零部件指标下所映射的所述工艺量测数据；根据各选型方案对应的所述工艺量测数据与所述预设检测规格标准的比对结果，将满足预设合格条件的选型方案判定为评价更优的零部件选型，并输出对应的供应链选型推荐决策结果。

43、本发明还揭示了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于信息值和差异分析的半导体零部件选型方法的步骤。

44、本发明还揭示了一种计算机程序产品，程序被处理器执行时实现如上所述的基于信息值和差异分析的半导体零部件选型方法的步骤。

45、本发明对比现有技术有如下的有益效果：

46、1、本发明通过将半导体晶圆加工后的连续型量测数据标准化转化为二分类标签，采用包含逻辑回归与woe分箱的自动化建模方法进行特征分析，计算各零部件特征的信息值（iv）以量化其对目标变量的预测能力；从而克服了传统常规统计方法无法深挖微观选型参数与晶圆加工质量间内在非线性关联的缺陷，使得最终输出的关键零部件指标具有更高的获取准确率以及更强的算法可解释度。

47、2、本发明在获取关键零部件指标后，进一步采用等距分箱对指标值进行健康度范围分桶，并将分桶后的类别自变量与连续型量测数据因变量相结合，通过方差分析（anova）或在数据不满足正态分布时切换至非参数检验进行差异显著性判断，并基于严格界定的p值阈值区间执行多级风险应对与决策；从而解决了传统技术仅能呈现表面“结果差异”而无法量化零部件关键参数对工艺稳定性影响程度的难题，通过串联分析与层层筛选，为零部件的优劣评价提供了更强的数据支撑力。

48、3、本发明通过使用原厂的生产数据作为基线数据训练模型，并依托信息值与差异显著性分析的联合控制逻辑，在实际生产中精准捕捉并识别国产替代零部件与原厂性能显著不同的特定数据点；从而有效打破了传统半导体工厂在进行供应链优化或零部件更换时依赖盲目试错、研发周期长、机会成本高的僵局，能够提前预判零部件选型不当导致的潜在工艺风险，为厂内工程师的供应链决策提供了客观、前瞻性的有效数据支撑。