基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别

发布时间：2017-11-21 02:10

  本文关键词：基于局部与非局部线性判别分析和高斯混合模型动态集成的晶圆表面缺陷探测与识别

  更多相关文章： 半导体制造 晶圆缺陷 模式识别 流形学习 高斯混合模型

【摘要】：在复杂的半导体制造过程中,晶圆生产经过薄膜沉积、蚀刻、抛光等多项复杂的工序,制造过程中的异常波动都可能导致晶圆缺陷产生.晶圆表面的缺陷模式通常反映了半导体制造过程的各种异常问题,生产线上通过探测和识别晶圆表面缺陷,可及时判断制造过程故障源并进行在线调整,降低晶圆成品率损失.本文提出了基于一种流形学习算法与高斯混合模型动态集成的晶圆表面缺陷在线探测与识别模型.首先该模型开发了一种新型流形学习算法—局部与非局部线性判别分析法(Local and nonlocal linear discriminant analysis,LNLDA),通过融合数据局部/非局部信息以及局部/非局部惩罚信息,有效地提取高维晶圆特征数据的内在流形结构信息,以最大化数据不同簇样本的低维映射距离,保持特征数据中相同簇的低维几何结构.针对线上晶圆缺陷产生的随机性和复杂性,该模型对每种晶圆缺陷模式构建相应的高斯混合模型(Gaussian mixture model,GMM),提出了基于高斯混合模型动态集成的晶圆缺陷在线探测与识别方法.本文提出的模型成功地应用到实际半导体制造过程的晶圆表面缺陷在线探测与识别,在WM-811K晶圆数据库的实验结果验证了该模型的有效性与实用性.
【作者单位】： 同济大学机械与能源工程学院;
【基金】：国家自然科学基金项目(51375290;71001060) 上海市教育委员会科研创新项目(13YZ002) 中央高校基本科研业务费专项资金资助~~
【分类号】：TN305
【正文快照】： 半导体制造是一个非常复杂的动态制造过程,晶圆生产需经过薄膜沉积、蚀刻、抛光等多道复杂的工序.工序异常可能导致晶圆缺陷产生,比如薄膜沉积过程中的不均匀或者退火处理中温度的不均匀 分布都容易造成晶圆表面Center和Edge-ring缺陷[1].因此,准确识别晶圆在线制造过程中的

【参考文献】

中国期刊全文数据库 前1条

1 郑建炜;王万良;姚晓敏;石海燕;;张量局部Fisher判别分析的人脸识别[J];自动化学报;2012年09期

【共引文献】

中国期刊全文数据库 前10条

1 龚劬;唐萍峰;;基于大间距准则的不相关保局投影分析[J];自动化学报;2013年09期

2 蔺，

本文编号：1209304