晶圆的工艺故障预测方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及半导体技术领域，尤其涉及一种晶圆的工艺故障预测方法、装置、电子设备及存储介质。


背景技术：

2.硅光集成技术是一种将光波导、调制器、探测器、波分复用等器件集成在一块硅衬底上，实现电信号处理和光信号处理的深度融合，在芯片结构和光电混合封装方面具有巨大创新的光子集成技术。硅光集成技术采用间接调制的方式，解决了传统方案多通道带来的功耗、温漂等性能瓶颈。并且，由于硅光集成技术将很多光器件进行了集成，相较传统的光学方案其需要组装的光器件大大减少，减少了生产线环节，降低了封装和供应链管理成本。相比诸如磷化铟等其它光子集成技术，硅光集成技术的最独特的优势在于它的加工技术与工业中使用的互补金属氧化物半导体(complementary metal oxide semiconductor，cmos)制造工艺相兼容，使得硅光器件具有大规模生产和扩产的硬件基础。
3.硅光晶圆制造有近百道工序，每道工序的工艺参数对晶圆的加工质量都有着直接或者间接的影响；另一方面，由于光子器件对工艺的敏感性高于电子器件，因此制造出符合要求的硅光芯片的难度一般要高于传统的电子芯片。为了把控硅光晶圆制造的质量从而使硅光芯片性能能满足一定的预期，晶圆制造厂会在出厂前对制造好的硅光晶圆进行检测，并对该硅光晶圆性能进行评估。如果硅光晶圆的评估性能非常差的话，有可能是某道工艺步骤出现了故障，硅光晶圆制造厂会逐个对工艺步骤进行故障排查。硅光晶圆检测单元即工艺控制监控(process control monitor，pcm)器件一般均匀地分布在硅光晶圆的不同位置上，一个硅光晶圆上一般需要设置有大量的pcm，对每一个pcm进行检测和分析会导致工艺流程故障排查流程繁琐、产生较大的时间和人力成本。另一方面，晶圆厂的工艺与检测结果之间存在着某种关联关系，用算法来挖掘这种关系可以提高晶圆检测的效率并且可以节约时间和人力成本。


技术实现要素：

4.本发明提供一种晶圆的工艺故障预测方法、装置、电子设备及存储介质，以减少晶圆检测的时间、以及实现对晶圆制备过程中各工艺步骤进行工艺故障预测。
5.第一方面，本发明实施例提供了一种晶圆的工艺故障预测方法，该方法包括：
6.根据工艺控制监控单元反馈的检测参数确定检测参数矩阵；
7.将所述检测参数矩阵输入工艺故障预测模型；
8.获取所述工艺故障预测模型输出的预测结果矩阵；
9.其中，晶圆包括器件放置区，所述器件放置区的中心、所述器件放置区的内切n边形的顶点、以及所述顶点与所述中心的连线的中点为基准点，所述晶圆还包括多个光罩区，所述基准点所在的所述光罩区设置有所述工艺控制监控单元，n为大于3的整数；
10.其中，所述预测结果矩阵包括多个第一元素，所述晶圆的制备过程包括多道工艺
步骤，不同所述第一元素用于表征不同工艺步骤中出现故障的概率。
11.第二方面，本发明实施例还提供了一种晶圆的工艺故障预测装置，该装置包括：
12.检测参数矩阵确定模块，用于根据工艺控制监控单元反馈的检测参数确定检测参数矩阵；
13.输入模块，用于将所述检测参数矩阵输入工艺故障预测模型；
14.预测结果矩阵获取模块，用于获取所述工艺故障预测模型输出的预测结果矩阵；
15.其中，晶圆包括器件放置区，所述器件放置区的中心、所述器件放置区的内切n边形的顶点、以及所述顶点与所述中心的连线的中点为基准点，所述晶圆还包括多个光罩区，所述基准点所在的所述光罩区设置有所述工艺控制监控单元，n为大于3的整数；
16.其中，所述预测结果矩阵包括多个第一元素，所述晶圆的制备过程包括多道工艺步骤，不同所述第一元素用于表征不同工艺步骤中出现故障的概率。
17.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
18.一个或多个处理器；
19.存储器，用于存储一个或多个程序；
20.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的晶圆的工艺故障预测方法。
21.第四方面，本发明实施例还提供了一种计算机可读存储介质，该程序被处理器执行时实现如第一方面所述的晶圆的工艺故障预测方法。
22.本发明实施例提供的晶圆的工艺故障预测方法，通过将检测参数矩阵输入工艺故障预测模型，即可得到预测结果矩阵。由于工艺控制监控单元设置在晶圆的一些特定位置而不是均匀密集分布在晶圆上，因此工艺控制监控单元所占的面积以及相对应的检测的时间减少。并且，由于工艺故障预测模型通过深度学习技术建立起了工艺控制监控单元的测试出的检测参数和晶圆制备过程中出问题的工艺步骤的映射关系，因此，利用该工艺故障预测模型可提高故障排查的效率，从而提高晶圆制造的效率。解决现有技术中晶圆的工艺故障排查繁琐、成本高的问题，实现快速预测晶圆的故障工艺步骤的效果。
附图说明
23.图1是本发明实施例提供的一种晶圆的工艺故障预测方法的流程图；
24.图2是本发明实施例提供的一种晶圆的结构示意图；
25.图3是设置工艺控制监控单元的光罩区的一种结构示意图；
26.图4是本发明实施例提供的一种波导对齐测试结构的结构示意图；
27.图5是本发明实施例提供的一种波导宽度测试结构的结构示意图；
28.图6是本发明实施例提供的一种圆环直径测试结构的结构示意图；
29.图7是本发明实施例提供的加热电阻测试结构的结构示意图；
30.图8是本发明实施例提供的终端电阻测试结构的结构示意图；
31.图9是本发明实施例提供的调制器结构的结构示意图；
32.图10是本发明实施例提供的探测器结构的结构示意图；
33.图11是本发明实施例提供的螺旋波导结构的结构示意图；
34.图12是本发明实施例提供的另一种晶圆的工艺故障预测方法的流程图；
35.图13是本发明实施例提供的一种晶圆的工艺故障预测装置的结构示意图；
36.图14是本发明实施例提供的电子设备的结构示意图。
具体实施方式
37.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
38.图1是本发明实施例提供的一种晶圆的工艺故障预测方法的流程图。该方法可适用于对晶圆制备过程中各工艺步骤进行工艺故障预测的情况。典型的，本技术实施例适用于对硅光晶圆制备过程中各工艺步骤进行工艺故障预测的情况。该方法具体可以由工艺故障预测装置执行，该装置可以由软件和/或硬件的方式实现，该装置可以集成在能够实现工艺故障预测方法的电子设备中。参见图1，该晶圆的工艺故障预测方法具体包括如下步骤：
39.s110、根据工艺控制监控单元反馈的检测参数确定检测参数矩阵。
40.其中，晶圆包括器件放置区，器件放置区的中心、器件放置区的内切n边形的顶点、以及顶点与中心的连线的中点为基准点，晶圆还包括多个光罩区，基准点所在的光罩区设置有工艺控制监控单元，n为大于3的整数。
41.示例性的，图2是本发明实施例提供的一种晶圆的结构示意图。图3是设置工艺控制监控单元的光罩区的一种结构示意图。参见图2，通常情况下，考虑到晶圆的边缘涂胶质量较差等因素，晶圆边缘通常留有边缘排除区ba，边缘排除区ba围绕器件放置区qa，器件放置区qa放置器件，边缘排除区ba不放置器件，即在晶圆内部放置器件，在距离边缘一定距离范围内不放置器件。晶圆还包括光罩区101，即晶圆上进行曝光的区域，光罩区101有两种类型，一种是完整光罩区，完整光罩区不与边缘排除区ba相交，另一种则是部分光罩区，部分光罩区与边缘排除区ba交叠。在晶圆的器件放置区qa(图3中示例性示出了为圆形)内选取内切的正n(图3中示例性示出了n＝6)边形作为标定的形状。在正n边形与内圆弧边上的交点、内圆弧的圆心处、以及圆心与交点的连线中点处作为基准点102。光罩区101的中心距离基准点102最近的光罩区101作为设置工艺控制监控单元的区域。可选的，若基准点102所在的光罩区101的面积小于工艺控制监控单元的面积，则与基准点102所在的光罩区101相邻且面积大于工艺控制监控单元的面积的光罩区101中设置工艺控制监控单元；和/或；若基准点102位于相邻两光罩区101的边界上，则相邻两光罩区101中的一者中设置工艺控制监控单元。换句话说，假如距离基准点102最近的光罩区101不只一个，那么选择其中面积足够放置工艺控制监控单元的光罩区101即可，假如都满足，则从其中任意选择一个光罩区101放置工艺控制监控单元的光罩区101即可。假如都不满足，则选择距离基准点102次之的光罩区101。参见图3，光罩区101通常含有许多裸片，以及放置工艺控制监控单元的区域。例如图3中，序号1～12的区域为放置裸片的区域，序号13的区域为放置工艺控制监控单元的区域。需要说明的是图2中为清楚区分放置工艺监控制单元的光罩区101和未放置工艺监控制单元的光罩区101，采用网格填充图案填充未设置工艺监控制单元的光罩区101，采用点状填充图案填充设置有工艺监控制单元的光罩区101。
42.可以理解的是，现有技术中通常在晶圆上均匀分布大量工艺控制监控单元，例如每个光罩区中均设置工艺控制监控单元，导致对工艺控制监控单元的需求量较大，且对每
一个工艺控制监控单元进行检测和分析会产生较大的时间和人力成本。然而，本技术中考虑到晶圆的旋转对称性以及在在径向分布上的特征，以上述方式放置工艺控制监控器件可以较好地反映出制造工艺的整体特性。正n边形的边数n的最小数量受到闭合图形特征限制，最小值为3，最大值本领域技术人员可根据实际情况设置，此处不作限定。示例性的，最大值可以为与器件放置区11的边缘交叠的光罩区101的总数。
43.具体地，工艺控制监控单元可以包括多种工艺控制监控器件，工艺控制监控器件用于测试晶圆的性能，以得到检测参数，将晶圆中的各工艺控制监控单元检测的检测参数经过预处理后整理为一个矩阵，即可得到检测参数矩阵。工艺控制监控单元中包含的工艺控制监控器件的数量和具体检测内容，本领域技术人员可根据实际情况设置，此处不作限定。示例性地，工艺控制监控单元可以包括尺寸控制结构、电学性能测试结构、光学性能测试结构、光电性能测试结构中的至少一类。下表1中示出了该四类工艺控制监控项包含的具体工艺控制监控器件结构以及其测试项。例如，晶圆器件工艺监控单元测试项可以包括如下九项：波导对齐偏差、波导宽度、圆环直径、波导损耗、加热薄膜电阻、调制器终端电阻、调制器漏电流、调制器半波电压、探测器暗电流、探测器响应度。
44.表1
[0045][0046][0047]
示例性的，图4是本发明实施例提供的一种波导对齐测试结构的结构示意图。参见图4，对齐偏差的测试方法如下，放置两根宽度为0.5um单模波导，该两根单模波导之间的间距为200um，将两根单模波导左对齐放置，测试两根单模波导边缘处的对齐偏差。图5是本发明实施例提供的一种波导宽度测试结构的结构示意图。参见图5，将一根长度为500um长，宽度为0.5um的波导八等分，测量中间7处波导的宽度并求其平均值。图6是本发明实施例提供的一种圆环直径测试结构的结构示意图。参见图6，并排放置多个环形波导阵列，环形波导阵列的波导宽度为0.5um，环形波导阵列的内直径为50um，测量环形波导阵列的内直径，并求其平均值。图7是本发明实施例提供的加热电阻测试结构的结构示意图。图8是本发明实施例提供的终端电阻测试结构的结构示意图。图9是本发明实施例提供的调制器结构的结构示意图。图10是本发明实施例提供的探测器结构的结构示意图。参见图7
‑
图10，将测试探针tz扎在相应的电极板上测试其电学性能，比如调制器的终端电阻阻值、漏电流、探测器的
暗电流等。图11是本发明实施例提供的螺旋波导结构的结构示意图。参见图10，螺旋波导结构由两个一进一出的光栅光口和螺旋波导组成。螺旋波导的长度设置100um和1mm两种规格，由两个长度不同的螺旋波导测试，根据测试结果可以计算出螺旋波导的损耗。最后将光栅以及调制器探测器等组成一个组合结构，测试调制器的半波电压和探测器的响应度等。
[0048]
s120、将检测参数矩阵输入工艺故障预测模型。
[0049]
s130、获取工艺故障预测模型输出的预测结果矩阵。
[0050]
其中，预测结果矩阵包括多个第一元素，晶圆的制备过程包括多道工艺步骤，不同第一元素用于表征不同工艺步骤中出现故障的概率。
[0051]
具体地，工艺故障预测模型可以是采用训练集训练好的人工神经网络模型，其建立起了工艺控制监控单元测试出的检测参数和晶圆制备过程中出问题的工艺步骤的映射关系。因此，向工艺故障预测模型输入检测参数矩阵，即可得到工艺故障预测模型输出的预测结果矩阵，预测结果矩阵中包含了晶圆制备过程中至少一道工艺步骤出现故障的概率。需要说明的是，本领域示数人员可根据实际情况设置第一元素的数量、以及各第一元素具体表征的是哪道工艺步骤出现故障的概率。可选的，第一元素的数量大于0且小于等于晶圆的制备过程所包含的工艺步骤的总数。可选的，预测结果矩阵包括八个第一元素，该八个第一元素分别表征如下工艺步骤出现故障的概率：硅波导的刻蚀、调制器离子注入、锗探测器硅材料离子注入、探测器锗外延生长、探测器锗材料离子注入、加热薄膜生长、通孔设置、金属层形成。
[0052]
可以理解的是，将该工艺故障预测模型应用于新的晶圆的工艺故障测试中，可以快速地预测晶圆各个工艺步骤出现故障的概率。相较于相关技术中在晶圆上均匀地放置各个工艺控制监控器件并进行检测以及工艺步骤逐一检查排查故障的方式，利用映射关系的人工神经网络模型可以大大缩短检测时间。并且采用人工神经网络模型对了解同一批次晶圆加工的状况以及工艺参数的维护以及改良等方面都有着重要的意义。
[0053]
本发明实施例提供的晶圆的工艺故障预测方法，通过将检测参数矩阵输入工艺故障预测模型，即可得到预测结果矩阵。由于工艺控制监控单元设置在晶圆的一些特定位置而不是均匀密集分布在晶圆上，因此工艺控制监控单元所占的面积以及相对应的检测的时间减少。并且，由于工艺故障预测模型通过深度学习技术建立起了工艺控制监控单元测试出的检测参数和晶圆制备过程中出问题的工艺步骤的映射关系，因此，利用该工艺故障预测模型可提高故障排查的效率，从而提高晶圆制造的效率。解决现有技术中晶圆的工艺故障排查繁琐、成本高的问题，实现快速预测晶圆的故障工艺步骤的效果。
[0054]
在上述技术方案的基础上，可选的，预测结果矩阵还包括第二元素，第二元素用于表征晶圆的制造质量；和/或；预测结果矩阵还包括第三元素，第三元素用于表征晶圆的制备过程中是否出现故障。
[0055]
具体的，第二元素的具体数值可以介于0至1之间，数值越大表示晶圆的制造质量越好。第三元素表示晶圆整个制备过程中是否有工艺步骤出现故障，可选的，若第三元素小于等于0.5，则令第三元素等于0；若第三元素大于0.5，则令第三元素等于1，其中，1表示有故障，0表示无故障。
[0056]
可以理解的是，通过设置预测结果矩阵还包括第二元素和第三元素，则还可以快速地预测出晶圆加工的器件的制造质量以及晶圆的整个制备过程中是否出现故障，丰富了
关于晶圆加工的预测信息，使得对加工的晶圆的性能有更全面的预测。
[0057]
图12是本发明实施例提供的另一种晶圆的工艺故障预测方法的流程图。本技术实施例为对上述实施例的进一步优化，未在本技术实施例中详细描述的细节详见上述实施例。参见图12，该晶圆的工艺故障预测方法具体可以包括如下步骤：
[0058]
s210、获取多个样本晶圆对应的检测参数矩阵以及检测结果矩阵，作为训练样本。
[0059]
其中，检测结果矩阵包括多个第四元素，不同第四元素用于表征不同工艺步骤中出现故障的情况。
[0060]
可选地，s210具体包括：s121、获取各样本晶圆上的工艺控制监控单元反馈的检测参数。
[0061]
s122、根据检测参数确定各样本晶圆的中间检测参数矩阵。
[0062]
具体的，对每个样本晶圆而言，获取其上各工艺控制监控器件反馈的检测参数；将同一样本晶圆对应的所有检测参数整理在二维矩阵中，确定出中间检测参数矩阵。具体的，每个样本晶圆上设置(2n 1)个工艺控制监控单元，每个工艺控制监控单元包括m个工艺控制监控器件，则中间检测参数矩阵为m
×
(2n 1)的二维矩阵。
[0063]
示例性地，如图2所示，样本晶圆上设置13个工艺控制监控单元，每个工艺控制监控单元包括9个工艺监控控制器件，则中间检测参数矩阵为9
×
13的二维矩阵。
[0064]
s123、将多个中间检测参数矩阵进行归一化处理，得到多个检测参数矩阵。
[0065]
具体的，s123具体包括：对训练集中所有中间检测参数矩阵中的所有元素计算平均值p；将各中间检测参数矩阵中的各元素均减去该平均值p后，对所有中间检测参数矩阵的所有元素计算方差，并将方差开方得到s；所有中间检测参数矩阵中各元素均除以s，得到多个检测参数矩阵。
[0066]
可以理解的是，对中间检测参数矩阵进行归一化处理得到检测参数矩阵，可避免人工神经网络算法陷入局域解并且有利于网络训练时的收敛，以提高工艺故障预测模型的训练效率。
[0067]
s124、根据各样本晶圆的检测结果确定各样本晶圆的检测结果矩阵。
[0068]
具体的，对每个样本晶圆而言，检测其制备过程中至少一道工艺步骤是否出现故障，得到检测结果，将同一样本晶圆对应的所有检测结果整理在一维矩阵中，确定出检测结果矩阵。
[0069]
具体的，检测结果矩阵包括多个第四元素，不同第四元素用于表征不同工艺步骤中出现故障的情况，若检测到某一道工艺步骤出现故障，则令该工艺步骤对应的第四元素取值为1；若检测到某一道工艺步骤未出现故障，则令该工艺步骤对应的第四元素取值为0。可选的，检测结果矩阵还包括第五元素，第五元素用于表征晶圆的制造质量；和/或；检测结果矩阵还包括第六元素，第六元素用于表征晶圆的制备过程中是否出现故障。
[0070]
示例性的，晶圆生产完成之后，检测硅波导的刻蚀、调制器离子注入、锗探测器硅材料离子注入、探测器锗外延生长、探测器锗材料离子注入、加热薄膜生长、通孔设置、以及金属层形成，该8个工艺步骤出现故障的情况，并且，检测晶圆的制造质量、以及晶圆的制备过程中是否出现故障的情况，则可得到检测结果矩阵为1
×
10的一维矩阵。
[0071]
s125、将多个检测参数矩阵和多个检测结果矩阵作为训练样本。
[0072]
具体的，检测一片样本晶圆可以得到一个m
×
(2n 1)(例如9
×
13)的二维矩阵和一
个与之对应的1
×
c(例如1
×
10)的一维矩阵。这两个矩阵之间的对应关系表示的是工艺控制监控单元测试出的检测参数和样本晶圆制备过程中某些工艺在步骤是否出现故障的映射关系。若收集到了z个样本晶圆的数据，则有z个m
×
(2n 1)的二维矩阵和与之对应的z个1
×
c的一维矩阵。将这z个晶圆样本作为训练样本。
[0073]
需要说明的是，样本晶圆的数量本领域技术人员可根据实际情况设置，此处不作限定。还需要说明的是，对于样本晶圆而言，其上监测控制单元的设置方式、工艺控制监控器件的数量m及具体检测内容与预测晶圆工艺故障时的设置方式相同，此处不再赘述，并且，检测结果矩阵与预测结果矩阵相对应，即检测结果矩阵中的多个第四元素表征的是样本晶圆上某些工艺步骤出现故障的情况，则预测结果矩阵中对应的多个第一元素表征的是新生产出的晶圆上该些工艺步骤出现故障的概率。
[0074]
s220、将检测参数矩阵输入待训练的工艺故障预测模型。
[0075]
具体地，工艺故障预测模型包括的人工神经网络的具体架构本领域技术人员可根据实际情况设置，此处不作限定。并且，可随机初始化工艺故障预测模型的网络参数，此处也不作限定。
[0076]
s230、获取待训练的工艺故障预测模型输出的预测结果矩阵。
[0077]
s240、判断预测结果矩阵和检测结果矩阵的匹配程度是否达到预设程度。
[0078]
具体地，s240的具体实施方式本领域技术人员可根据实际情况设置，此处不作限定。可选地，s240具体包括：
[0079]
s241、将预测结果矩阵中的第一元素进行归一化处理。
[0080]
具体地，对预测结果矩阵中的第一元素进行归一化处理的具体过程如下：其中，z
j
为第i个预测结果矩阵中的第j个第一元素；d为预测结果矩阵中第一元素的数量。如此，可使第一元素的具体值介于0和1之间。
[0081]
可选地，预测结果矩阵还包括第三元素，第三元素用于表征晶圆的制备过程中是否出现故障；获取待训练的工艺故障预测模型输出的预测结果矩阵之后还包括：若第三元素小于等于0.5，则令第三元素的值等于0；若第三元素大于0.5，则令第三元素的值等于1。可以理解的是，在实际生产过程中，晶圆的制备过程中是否出现故障有两种结果，出现故障和没有出现故障，因此，若第三元素小于等于0.5，则令第三元素的值等于0，若第三元素大于0.5，则令第三元素的值等于1，有利于在对工艺故障预测模型进行训练的过程中，精确判断预测结果矩阵和检测结果矩阵的逼近程度，提高工艺故障预测模型的训练效率。
[0082]
示例性地，若中间检测参数矩阵为9
×
13的二维矩阵，则检测参数矩阵也为9
×
13的二维矩阵，将检测参数矩阵输入待训练的工艺故障预测模型后，可得到1
×
10的一维预测结果矩阵。将工艺故障预测模型直接输出的预测结果矩阵进行归一化处理之后，以及对第二元素和第三元素进行上述处理之后，预测结果矩阵中的第一个元素至第八个元素分别表示硅波导的刻蚀、调制器离子注入、锗探测器硅材料离子注入、探测器锗外延生长、探测器锗材料离子注入、加热薄膜生长、通孔设置、以及金属层形成八个工艺步骤出现故障的概率，数值介于0至1之间。预测结果矩阵中的第九个元素(即第二元素)表示晶圆的制造质量，数值介于0至1之间，数值越大表示晶圆制造的质量越好。预测结果矩阵中的第十个元素(即第三元素)表示晶圆制备过程中是否有工艺步骤出现故障，取值为1或者0，1表示有故障，0
表示无故障。若预测结果矩阵中的第三元素小于等于0.5，则令第三元素的值等于0；若第三元素大于0.5，则令第三元素的值等于1。
[0083]
s242、根据目标函数计算目标函数值；
[0084]
s243、判断目标函数值是否小于预设阈值。
[0085]
s244、若是，预测结果矩阵和检测结果矩阵的匹配程度达到预设程度；
[0086]
其中，目标函数为：
[0087]
m为训练样本的数量，c为预测结果矩阵中元素的数量，y
ij
为第i个训练样本的预测结果矩阵中的第j个元素，x
ij
为第i个训练样本的检测结果矩阵中的第j个元素。
[0088]
可以理解的是，采用上述方法判断预测结果矩阵和检测结果矩阵的匹配程度是否达到预设程度，简单快捷，有利于高效训练工艺故障预测模型。
[0089]
s250、若是，则工艺故障预测模型训练完成。
[0090]
具体地，对于样本晶圆而言，检测结果矩阵是通过对样本晶圆进行实际检测得到的，预测结果矩阵是工艺故障预测模型输出的，包含了对样本晶圆制备过程中出问题的工艺步骤的预测结果。当预测结果矩阵和检测结果矩阵的匹配程度达到预设程度时，表明预测情况与实际检测情况十分接近，预测准确度较高。此时，工艺故障预测模型训练完成，可用于对新生产的晶圆进行工艺故障预测。
[0091]
可选地，若所述预测结果矩阵和所述检测结果矩阵的匹配程度未达到预设值，对所述待训练的工艺故障预测模型的网络参数进行更新，返回执行将所述归一化检测参数矩阵输入待训练的工艺故障预测模型，直至所述预测结果矩阵和所述检测结果矩阵的匹配程度达到预设值。
[0092]
示例性地，计算出目标函数q后，将其与设定的阈值相比较：如果q小于设定的阈值则工艺故障预测模型训练完毕；如果q大于设定的阈值，则计算出目标函数q的梯度并用梯度下降算法对工艺故障预测模型的网络参数进行更新，并重新计算目标函数q。当目标函数q小于阈值或者训练次数达到了设定的迭代的次数时，工艺故障预测模型的训练终止。假如工艺故障预测模型的训练次数达到了设定的迭代次数，那么工艺故障预测模型的训练很有可能是“不充分”的，需要通过改变工艺故障预测模型的网络架构、网络层数、引入正则化算法等方式定义工艺故障预测模型的新的人工神经网络，并对新的工艺故障预测模型进行训练，直至新的工艺故障预测模型的目标函数q小于所设定的阈值。
[0093]
s260、根据工艺控制监控单元反馈的检测参数确定检测参数矩阵。
[0094]
可选地，s260具体包括：s261、获取各工艺控制监控器件反馈的检测参数；s262、根据检测参数确定中间检测参数矩阵；s263、对检测参数矩阵进行归一化处理，得到检测参数矩阵。其中，工艺控制监控单元包括m个工艺控制监控器件，中间检测参数矩阵和检测参数矩阵为m
×
(2n 1)的二维矩阵。
[0095]
具体地，工艺控制监控单元包括m个工艺控制监控器件，由于晶圆中设置有(2n 1)个工艺控制监控单元，因此，一个晶圆上的工艺控制监控器件可反馈m
×
(2n 1)个检测参数，将它们直接写入m
×
(2n 1)的二维矩阵，即可得到中间检测参数矩阵，对中间检测参数矩阵进行如下归一化处理：将中间检测参数矩阵中的各元素均减去平均值p；再将各元素均除以s，得到检测参数矩阵；其中，平均值p以及s为s213中计算得出的平均值p以及s。
[0096]
s280、将检测参数矩阵输入工艺故障预测模型。
[0097]
s290、获取工艺故障预测模型输出的预测结果矩阵。
[0098]
本发明实施例提供的晶圆的工艺故障预测方法，在对新的晶圆进行工艺故障预测之前，先对工艺故障预测模型进行训练，以使工艺故障预测模型输出的预测结果矩阵能够精准预测各工艺步骤出现故障的概率。并且，在将检测参数矩阵输入待训练的工艺故障预测模型之前先进行归一化处理，可避免人工神经网络算法陷入局域解并且有利于网络训练时的收敛，进而提高工艺故障预测模型的训练效率。
[0099]
图13是本发明实施例提供的一种晶圆的工艺故障预测装置的结构示意图。该装置可适用于对晶圆制备过程中各工艺步骤进行工艺故障预测的情况。典型的，本技术实施例适用于对硅光晶圆制备过程中各工艺步骤进行工艺故障预测的情况。该装置可以由软件和/或硬件的方式实现，该装置可以集成在电子设备中。参见图13，该装置具体包括：
[0100]
检测参数矩阵确定模块110，用于根据工艺控制监控单元反馈的检测参数确定检测参数矩阵；
[0101]
第一输入模块120，用于将检测参数矩阵输入工艺故障预测模型；
[0102]
第一预测结果矩阵获取模块130，用于获取工艺故障预测模型输出的预测结果矩阵；
[0103]
其中，晶圆包括器件放置区，器件放置区的中心、器件放置区的内切n边形的顶点、以及顶点与中心的连线的中点为基准点，晶圆还包括多个光罩区，基准点所在的光罩区设置有工艺控制监控单元，n为大于3的整数；
[0104]
其中，预测结果矩阵包括多个第一元素，晶圆的制备过程包括多道工艺步骤，不同第一元素用于表征不同工艺步骤中出现故障的概率。
[0105]
在上述技术方案的基础上，可选的，预测结果矩阵还包括第二元素，第二元素用于表征晶圆的制造质量；和/或；
[0106]
预测结果矩阵还包括第三元素，第三元素用于表征晶圆的制备过程中是否出现故障。
[0107]
可选的，该装置还包括：训练样本获取模块，用于将检测参数矩阵输入工艺故障预测模型之前，获取多个样本晶圆对应的检测参数矩阵以及检测结果矩阵，作为训练样本；
[0108]
第二输入模块，用于将检测参数矩阵输入待训练的工艺故障预测模型；
[0109]
第二预测结果矩阵获取模块，用于获取待训练的工艺故障预测模型输出的预测结果矩阵；
[0110]
判断模块，用于判断预测结果矩阵和检测结果矩阵的匹配程度是否达到预设程度；
[0111]
训练完成确定模块，用于在预测结果矩阵和检测结果矩阵的匹配程度达到预设程度时，确定工艺故障预测模型训练完成；其中，检测结果矩阵包括多个第四元素，不同所述第四元素用于表征不同工艺步骤中出现故障的情况。
[0112]
可选的，训练样本获取模块包括：检测参数获取单元，用于获取各样本晶圆上的工艺控制监控单元反馈的检测参数；
[0113]
中间检测参数矩阵确定单元，用于根据检测参数确定各样本晶圆的中间检测参数矩阵；
[0114]
第一归一化处理单元，用于将多个中间检测参数矩阵进行归一化处理，得到多个检测参数矩阵；
[0115]
检测结果矩阵确定单元，用于根据各样本晶圆的检测结果确定各样本晶圆的检测结果矩阵；
[0116]
训练样本获取单元，用于将多个检测参数矩阵和多个检测结果矩阵作为训练样本。
[0117]
可选的，预测结果矩阵还包括第三元素，第三元素用于表征晶圆的制备过程中是否出现故障；所述装置还包括：第三元素重新确定模块，用于在获取待训练的工艺故障预测模型输出的预测结果矩阵之后，当第三元素小于等于0.5时，令第三元素的值等于0；当第三元素大于0.5时，则令第三元素的值等于1。
[0118]
可选的，所述判断模块具体用于，将预测结果矩阵中的第一元素进行归一化处理；根据目标函数计算目标函数值；判断目标函数值是否小于预设阈值；若是，预测结果矩阵和检测结果矩阵的匹配程度达到预设程度；其中，目标函数为：
[0119]
其中，m为训练样本的数量，c为预测结果矩阵中元素的数量，y
ij
为第i个训练样本的预测结果矩阵中的第j个元素，x
ij
为第i个训练样本的检测结果矩阵中的第j个元素。
[0120]
可选的，若基准点所在的光罩区的面积小于工艺控制监控单元的面积，则与基准点所在的光罩区相邻且面积大于工艺控制监控单元的面积的光罩区中设置工艺控制监控单元；和/或；
[0121]
若基准点位于相邻两光罩区的边界上，则相邻两光罩区中的一者中设置工艺控制监控单元。
[0122]
本发明实施例所提供的工艺故障预测装置可执行本技术任意实施例所提供的工艺故障预测方法，具备执行方法相应的功能模块和有益效果。此处不再赘述，可参照前文理解。
[0123]
图14是本发明实施例提供的电子设备的结构示意图。图14示出了适于用来实现本技术实施例的示例性电子设备212的框图。图14显示的电子设备212仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。
[0124]
如图14所示，电子设备212可以包括：一个或多个处理器216；存储器228，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器216执行，使得所述一个或多个处理器216实现本技术实施例所提供的工艺故障预测方法，包括：
[0125]
根据工艺控制监控单元反馈的检测参数确定检测参数矩阵；
[0126]
将所述检测参数矩阵输入工艺故障预测模型；
[0127]
获取所述工艺故障预测模型输出的预测结果矩阵；
[0128]
其中，晶圆包括器件放置区，所述器件放置区的中心、所述器件放置区的内切n边形的顶点、以及所述顶点与所述中心的连线的中点为基准点，所述晶圆还包括多个光罩区，所述基准点所在的所述光罩区设置有所述工艺控制监控单元，n为大于3的整数；
[0129]
其中，所述预测结果矩阵包括多个第一元素，所述晶圆的制备过程包括多道工艺步骤，不同所述第一元素用于表征不同工艺步骤中出现故障的概率。
[0130]
电子设备212的组件可以包括但不限于：一个或多个处理器216，存储器228，连接
不同设备组件(包括存储器228和处理器216)的总线218。
[0131]
总线218表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，处理型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0132]
电子设备212典型地包括多种计算机设备可读存储介质。这些存储介质可以是任何能够被电子设备212访问的可用存储介质，包括易失性和非易失性存储介质，可移动的和不可移动的存储介质。
[0133]
存储器228可以包括易失性存储器形式的计算机设备可读存储介质，例如随机存取存储器(ram)230和/或高速缓存存储器232。电子设备212可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机设备存储介质。仅作为举例，存储系统234可以用于读写不可移动的、非易失性磁存储介质(图14未显示，通常称为“硬盘驱动器”)。尽管图14中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd
‑
rom,dvd
‑
rom或者其它光存储介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据存储介质接口与总线218相连。存储器228可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本技术各实施例的功能。
[0134]
具有一组(至少一个)程序模块242的程序/实用工具240，可以存储在例如存储器228中，这样的程序模块242包括但不限于操作设备、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块242通常执行本技术所描述的实施例中的功能和/或方法。
[0135]
电子设备212也可以与一个或多个外部设备214和/或显示器224通信，还可与一个或者多个使得用户能与该电子设备212交互的设备通信，和/或与使得该电子设备212能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口222进行。并且，电子设备212还可以通过网络适配器228与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图14所示，网络适配器228通过总线218与电子设备212的其它模块通信。应当明白，尽管图14中未示出，可以结合电子设备212使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid设备、磁带驱动器以及数据备份存储设备等。处理器216通过运行存储在存储器228中的多个程序中其他程序的至少一个，从而执行各种功能应用以及数据处理，例如实现本技术实施例所提供的一种工艺故障预测方法。
[0136]
本发明实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行工艺故障预测析方法，包括：
[0137]
根据工艺控制监控单元反馈的检测参数确定检测参数矩阵；
[0138]
将所述检测参数矩阵输入工艺故障预测模型；
[0139]
获取所述工艺故障预测模型输出的预测结果矩阵；
[0140]
其中，晶圆包括器件放置区，所述器件放置区的中心、所述器件放置区的内切n边形的顶点、以及所述顶点与所述中心的连线的中点为基准点，所述晶圆还包括多个光罩区，
所述基准点所在的所述光罩区设置有所述工艺控制监控单元，n为大于3的整数；
[0141]
其中，所述预测结果矩阵包括多个第一元素，所述晶圆的制备过程包括多道工艺步骤，不同所述第一元素用于表征不同工艺步骤中出现故障的概率。
[0142]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的存储介质的任意组合。计算机可读存储介质可以是计算机可读信号存储介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的设备、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本技术实施例中，计算机可读存储介质可以是任何包含或存储程序的有形存储介质，该程序可以被指令执行设备、装置或者器件使用或者与其结合使用。
[0143]
计算机可读的信号存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号存储介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读存储介质可以发送、传播或者传输用于由指令执行设备、装置或者器件使用或者与其结合使用的程序。
[0144]
计算机可读存储介质上包含的程序代码可以用任何适当的存储介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0145]
可以以一种或多种程序设计语言或其组合来编写用于执行本技术操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或设备上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0146]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整、相互结合和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。