集成电路沉积膜厚预测方法及系统

本发明涉及半导体制造量测领域，尤其涉及一种集成电路沉积膜厚预测方法及系统。

背景技术：

1、半导体芯片制造技术是信息产业的核心技术之一，被广泛应用于新能源、信息通讯设备和高端通信领域。

2、量测指测量芯片制造过程中的各种目标参数，例如薄膜沉积厚度、化学机械抛光深度、等离子注入深度、离子注入浓度等。虚拟量测(vm)方法指利用数学上的模型或仿真，在不消耗量测设备成本和大量时间的情况下，预测晶圆加工各步骤涉及的各种目标参数的结果。其基于将容易观察的工艺数据(例如，工艺工具的传感器读数、晶片上下文数据等)与相关计量数据联系起来的统计模型进行计算和仿真，从数据角度对工艺过程进行数据建模，减少量测设备和材料的损耗、缩短了生产周期进而提升了经济效益。近年来国内外学者对机器学习在半导体虚拟量测领域的应用进行了一定深度的研究，可是这些方法存在一定的局限性。如数据处理不够完善，保留了很多无用的特征，降低了预测的精度提升了模型的训练负担；处理后的特征中仍含有对模型结果起负面作用的特征，即含有特征含有的数据信息中，噪声信息所占比例较大。同时，常规的基于机器学习预测模型需要大量的人工干预，需花费大量的精力来进行模型的选择和模型超参数的优化，这使得半导体领域预测模型建立具有一定的难度和复杂度。

3、有鉴于此，特提出本发明。

技术实现思路

1、本发明的目的是提供了一种集成电路沉积膜厚预测方法及系统，能解决现有的机器学习预测模型在集成电路制造薄膜沉积领域预测薄膜厚度不精准、模型超参数优化耗时长的问题。

2、本发明的目的是通过以下技术方案实现的：

3、一种集成电路沉积膜厚的预测方法，包括以下步骤：

4、步骤s1，对数据库中的沉积薄膜数据进行预处理，得到预处理后的沉积薄膜数据；

5、步骤s2，按特征筛选规则对所述步骤s1预处理后的沉积薄膜数据包含的特征值进行筛选，得到筛选后的特征；

6、步骤s3，对所述步骤s2得到的筛选后的特征通过交叉验证的特征递归消除方式进行处理，删除对xgboost模型表现起负向作用的特征；

7、步骤s4，基于xgboost模型建立回归预测模型，利用步骤s3得到的特征作为训练用数据集对所述回归预测模型进行训练和测试；

8、步骤s5，利用遗传算法对所述步骤s4训练好测试后的回归预测模型进行超参数优化，从所述回归预测模型所有的超参数中找出使该回归预测模型表现最佳的一组超参数，作为最终回归预测模型的超参数，利用优化好的最终回归预测模型对集成电路沉积膜厚进行预测。

9、一种集成电路沉积膜厚的预测系统，包括：

10、数据预处理模块，能对从数据库中获取的沉积薄膜数据进行预处理，得到预处理后的沉积薄膜数据；

11、特征筛选模块，与所述数据预处理模块通信连接，能按预定的特征筛选规则对所述数据预处理模块预处理后的沉积薄膜数据包含的特征值进行筛选，得到筛选后的特征；

12、基于交叉验证的特征递归消除模块，与所述特征筛选模块通信连接，能对所述特征筛选模块输出的筛选后的特征通过交叉验证的特征递归消除方式进行处理，删除对xgboost模型表现起副作用的特征；

13、预测模型构建模块，分别与所述基于交叉验证的特征递归消除模块和超参数优化模块通信连接，能基于xgboost模型建立回归预测模型，利用所述基于交叉验证的特征递归消除模块输出的特征作为训练用数据集对所述回归预测模型进行训练和测试；

14、超参数优化模块，与所述预测模型构建模块通信连接，能利用遗传算法对所述预测模型构建模块建立的训练及测试后的回归预测模型进行超参数优化，从所述回归预测模型所有的超参数中找出使该回归预测模型表现最佳的一组超参数，作为最终回归预测模型的超参数，最终回归预测模型用于对集成电路沉积膜厚进行预测。

15、与现有技术相比，本发明所提供的集成电路沉积膜厚预测方法及系统，其有益效果包括：

16、通过引入特征筛选规则，对预处理后沉积薄膜数据中意义不大的特征进行筛选，同时引入基于交叉验证的特征递归消除方式消除对回归预测模型表现有负向作用的特征；又利用遗传算法对rfe-cv-xgboost算法进行超参数优化，大幅提高了回归预测模型超参数的调参效率，降低了半导体量测工作人员的繁重负担。

技术特征：

1.一种集成电路沉积膜厚的预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s1中，按以下方式对数据库中的沉积薄膜数据进行预处理，包括：

3.根据权利要求1或2所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s2中，通过以下方式按预定的特征筛选规则对所述步骤s1预处理后的沉积薄膜数据包含的特征值进行筛选，包括：

4.根据权利要求1或2所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s3中，按以下方式对对所述步骤s2得到的筛选后的特征通过交叉验证的特征递归消除方式进行处理，删除对模型表现起副作用的特征，包括：

5.根据权利要求1或2所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s4中，按以下方式基于xgboost模型建立回归预测模型，利用步骤s3得到的特征作为训练用数据集对所述回归预测模型进行训练和测试，包括：

6.根据权利要求5所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s5中，按以下方式利用遗传算法对所述步骤s4训练好测试后的回归预测模型进行超参数优化，从所述回归预测模型所有的超参数中找出使该回归预测模型表现最佳的一组超参数，作为最终回归预测模型的超参数，包括：

7.根据权利要求5所述的集成电路沉积膜厚的预测方法，其特征在于，所述步骤s4中，步骤s3得到的特征形成的数据集中，作为回归预测模型输入参数的是沉积薄膜数据中的沉积、通气、加热步骤相关的各个特征；

8.一种集成电路沉积膜厚的预测系统，用于实现权利要求1-7任一项所述的系统，其特征在于，包括：

9.根据权利要求8所述的集成电路沉积膜厚的预测系统，其特征在于，还包括：

技术总结
本发明公开一种基于RFE‑CV‑XGBoost的集成电路沉积膜厚的预测方法及系统，属半导体制造领域，方法包括：步骤S1，对数据库的沉积薄膜数据进行预处理；步骤S2，按预定的特征筛选规则对步骤S1预处理后的沉积薄膜数据包含的特征值筛选；步骤S3，对步骤S2的特征经交叉验证的特征递归消除方式处理；步骤S4，基于XGBoost建立回归预测模型，利用步骤S3的特征进行训练和测试；步骤S5，利用遗传算法对优化回归预测模型超参数，找出最佳超参数，利用最终回归预测模型对集成电路沉积膜厚进行预测。本发明通过数据建模，节省了薄膜沉积过程后的膜厚量测步骤，缩短了半导体产品的生产周期，节约了量测成本支出。

技术研发人员：蔡宇,史雨萌,陈一宁,阚健豪,唐建
受保护的技术使用者：中国科学技术大学
技术研发日：
技术公布日：2024/1/13