磷源重量变化量的预测方法、装置、介质和系统与流程
本申请涉及半导体晶圆管式炉工艺数据预测,具体而言,涉及一种磷源重量变化量的预测方法、装置、介质和系统。
背景技术:
1、在半导体与光伏晶圆管式扩散生产工序中,磷源是核心消耗物料,磷源重量变化量直接反映磷源消耗速率,是物料更换计划、工艺稳定性管控、良率波动根因分析的关键指标。
2、现有技术存在以下缺陷:仅依靠实时称重数据事后统计消耗,无法提前预测下一炉管的磷源消耗变化,容易出现磷源耗尽导致批量晶圆报废,或提前换料造成物料浪费;炉管生产状态参数为实时采集的动态变量,无法在投料前获取实时工况数据,传统静态特征模型无法利用历史炉管工况进行前置预测;原始工艺数据噪声大、异常极值多,简单线性模型与基础树模型拟合效果差,模型泛化能力弱,r2普遍低于0.3,预测精度不足;仅使用原始工况参数作为模型输入,缺少时序滞后衍生特征,无法捕捉连续批次炉管工况的延续性影响,丢失了历史工艺波动信息。
技术实现思路
1、本申请的主要目的在于提供一种磷源重量变化量的预测方法、装置、介质和系统,以至少解决现有技术预测磷源重量变化量的精度较低的问题。
2、为了实现上述目的,根据本申请的一个方面,提供了一种核心工艺参数的识别方法,包括:从生产数据库中获取炉管批次生产明细数据,按批次分组去重并清洗数据类型,得到预处理数据,所述预处理数据至少包括:生产实时工况变量和预测目标变量,所述预测目标变量表征历史批次的磷源重量变化量的实际值;对所述预处理数据中的预测目标变量执行过滤处理,并按照生产时间顺序划分训练集、验证集和测试集,对所述训练集、所述验证集和所述测试集中的生产实时工况变量执行时序shift滞后变换,生成历史批次滞后特征序列;基于所述历史批次滞后特征序列生成多维度时序衍生特征,所述多维度时序衍生特征包括基础统计特征、高阶分布特征、差分变化特征、时序平滑指标及风险动量指标,并对所述多维度时序衍生特征进行目标处理得到最终特征数据集,所述目标处理包括相关性筛选、缺失值填充及归一化处理;采用所述最终特征数据集训练基础机器学习模型,并采用自动机器学习框架进行多模型集成优化与超参数寻优,以构建磷源重量变化量预测模型;将完成滞后变换的测试集输入所述磷源重量变化量预测模型,得到磷源重量变化量预测结果,并基于所述磷源重量变化量预测结果识别核心工艺参数。
3、可选地,所述预处理数据还包括:设备特征、配方特征、时间特征,对所述训练集、所述验证集和所述测试集中的生产实时工况变量执行时序shift滞后变换,生成历史批次滞后特征序列,包括:以设备编码、炉管编码及工艺配方为分组键,对所述训练集、所述验证集和所述测试集中的生产实时工况变量执行时序shift滞后变换,并按生产时间排序,以生成步长为1至n的所述历史批次滞后特征序列,n>1,且n为整数。
4、可选地,采用自动机器学习框架进行多模型集成优化,包括:采用自动机器学习框架并基于k折分组的bagging集成策略集成catboost模型、lightgbm模型、线性回归模型、极端随机树模型以及随机森林模型,构建所述磷源重量变化量预测模型。
5、可选地,对所述预处理数据中的预测目标变量执行过滤处理,包括:对所述预处理数据中的预测目标变量进行处理,以剔除统计极端值、保留符合业务区间及初始重量约束的样本。
6、可选地,在采用自动机器学习框架进行多模型集成优化与超参数寻优的过程中,所述方法还包括:采用完成滞后变换的验证集对所述基础机器学习模型的性能进行验证。
7、可选地,所述基础统计特征包括均值、标准差、最大值、最小值、中位数、极差、求和、变异系数;所述高阶分布特征包括偏度、峰度、四分位数、四分位距;所述差分变化特征包括多阶差分、多周期环比变化率;所述时序平滑指标包括指数移动平均指标、指数平滑异同移动平均线指标;所述风险动量指标包括相对强弱指标、时序波动率、最大回撤。
8、可选地,在对所述多维度时序衍生特征进行目标处理得到最终特征数据集的过程中,所述方法还包括:对于数值型特征,采用所述多维度时序衍生特征在所述历史批次滞后特征序列中的均值进行填充;对于离散型特征,采用众数或默认类别值进行填充。
9、根据本申请的另一方面,提供了一种磷源重量变化量的预测装置,包括:获取单元,用于从生产数据库中获取炉管批次生产明细数据,按批次分组去重并清洗数据类型,得到预处理数据,所述预处理数据至少包括:生产实时工况变量和预测目标变量,所述预测目标变量表征历史批次的磷源重量变化量的实际值;第一处理单元,用于对所述预处理数据中的预测目标变量执行过滤处理,并按照生产时间顺序划分训练集、验证集和测试集,对所述训练集、所述验证集和所述测试集中的生产实时工况变量执行时序shift滞后变换,生成历史批次滞后特征序列;第二处理单元,用于基于所述历史批次滞后特征序列生成多维度时序衍生特征,所述多维度时序衍生特征包括基础统计特征、高阶分布特征、差分变化特征、时序平滑指标及风险动量指标,并对所述多维度时序衍生特征进行目标处理得到最终特征数据集,所述目标处理包括相关性筛选、缺失值填充及归一化处理;第三处理单元,用于采用所述最终特征数据集训练基础机器学习模型,并采用自动机器学习框架进行多模型集成优化与超参数寻优,以构建磷源重量变化量预测模型;第四处理单元,用于将完成滞后变换的测试集输入所述磷源重量变化量预测模型,得到磷源重量变化量预测结果,并基于所述磷源重量变化量预测结果识别核心工艺参数。
10、根据本申请的再一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
11、根据本申请的又一方面,提供了一种磷源重量变化量的预测系统,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行任意一种所述的方法。
12、应用本申请的技术方案,通过时序shift滞后变换解决了“预测前置性”与“数据获取滞后性”的矛盾,有效挖掘了历史工艺的延续性影响。通过引入历史炉管工况的滞后影响,捕捉了工艺波动的延续性,为模型提供了更丰富的时序上下文信息,从而提升了拟合能力。本申请在shift滞后序列基础上,批量生成了包括基础统计特征、高阶分布特征、差分变化特征以及时序平滑与风险动量指标在内的多维衍生特征。这些特征充分刻画了历史工况的短期、中期及长期波动趋势及稳定性,使得模型能够更精准地识别磷源消耗与工艺参数之间的复杂非线性关系。而且本申请通过自动机器学习框架的多模型集成与超参数寻优,提升了模型的泛化能力与预测稳定,从而解决了现有技术预测磷源重量变化量的精度较低的问题。
1.一种磷源重量变化量的预测方法,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,所述预处理数据还包括:设备特征、配方特征、时间特征,对所述训练集、所述验证集和所述测试集中的生产实时工况变量执行时序shift滞后变换,生成历史批次滞后特征序列,包括:
3.根据权利要求1所述的方法,其特征在于,采用自动机器学习框架进行多模型集成优化,包括:
4.根据权利要求1所述的方法,其特征在于,对所述预处理数据中的预测目标变量执行过滤处理,包括:
5.根据权利要求1所述的方法,其特征在于,在采用自动机器学习框架进行多模型集成优化与超参数寻优的过程中,所述方法还包括:
6.根据权利要求1所述的方法,其特征在于,所述基础统计特征包括均值、标准差、最大值、最小值、中位数、极差、求和、变异系数;所述高阶分布特征包括偏度、峰度、四分位数、四分位距;所述差分变化特征包括多阶差分、多周期环比变化率;所述时序平滑指标包括指数移动平均指标、指数平滑异同移动平均线指标;所述风险动量指标包括相对强弱指标、时序波动率、最大回撤。
7.根据权利要求1所述的方法,其特征在于,在对所述多维度时序衍生特征进行目标处理得到最终特征数据集的过程中,所述方法还包括:
8.一种磷源重量变化量的预测装置,其特征在于,包括:
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种磷源重量变化量的预测系统,其特征在于,包括:一个或多个处理器,存储器,以及一个或多个程序,其中,所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
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