基于混合式特征选择模型的晶圆允收测试关键参数识别方法

发布时间：2021-12-02 19:36

　　晶圆允收测试是晶圆加工过程的关键环节,对其中的关键测试参数进行准确分析识别有助于准确预测晶圆良率、及时发现工艺缺陷。针对测试参数维度高、数据冗余性强、关键特征不显著的特点,以最小化晶圆允收测试参数量和晶圆良率预测误差为目标,提出了过滤式与封装式相结合的混合式特征选择方法。在过滤式预筛选中,通过互信息度量各参数与晶圆良率的相关性,以及各参数之间冗余性,并根据最大相关、最小冗余准则,缩小候选参数规模;在封装式精选中,以遗传算法实现候选参数的编码、寻优,根据神经网络的晶圆良率预测误差进行适应度函数评价,进一步精选关键特征。最后,采用标准数据集和实例数据对所提方法进行了有效性验证。 

【文章来源】：中国机械工程. 2020,31(16)北大核心EICSCD

【文章页数】：8 页

【部分图文】：

基于混合式特征选择的关键晶圆允收测试参数识别框架图

基于GA-BPNN的WAT参数选择方法以封装式特征选择模型为基础,将后续的学习算法嵌入到特征选择过程中,通过测试特征子集在学习算法上的预测性能,对不同特征子集进行优劣评定,实现WAT参数的特征精选[20-21]。如图2所示,利用遗传算法(GA)实现预筛选WAT参数的编码、更新,采用BPNN深度学习模型建立WAT参数与晶圆良率之间的复杂非线性映射关系,对遗传算法中的个体进行适应度评价[22]。3.1 子集产生

分别将WAT训练数据与测试数据代入mRMR-BPNN模型、GA-BPNN模型以及本文所提出的混合式特征选择模型中进行验证,8组预测输出良率值与真实良率值绝对误差对比情况如图5所示。对比不同Lot晶圆的良率预测情况可知,三种预测模型在Lot_ID_A数据集中的预测误差值显著高于其他几组Lot中的预测误差值,究其原因主要是Lot_ID_A批次的晶圆片属于晶圆批量生产的试制阶段,晶圆生产的工艺参数及制程还未稳定,等到工艺参数及制程工艺稳定之后,晶圆良率误差值普遍减小,因而中后期所生产的晶圆良率预测误差值逐渐减少,并趋于稳定;对每组Lot晶圆而言,3种良率预测模型的预测绝对误差值差异显著,mRMR-BPNN方法的预测误差值较大,GA-BPNN方法预测误差值相对mRMR-BPNN方法而言预测误差值要小,而本文所提混合式特征选择方法的预测误差值最小,优于另外两种对比方法。(3)筛选结果对比试验。

【参考文献】：
期刊论文
[1]数据驱动的晶圆图缺陷模式识别方法[J]. 杨振良,汪俊亮,张洁,蒋小康.  中国机械工程. 2019(02)
[2]大数据驱动的晶圆工期预测关键参数识别方法[J]. 汪俊亮,张洁.  机械工程学报. 2018(23)
[3]基于函数型数据分析的半导体生产过程监控[J]. 黎敏,谢玄,陈泽,杨孟瑶,杨德斌,蒋靖.  机械工程学报. 2018(16)
[4]基于数据挖掘的晶圆制造交货期预测方法[J]. 汪俊亮,秦威,张洁.  中国机械工程. 2016(01)



本文编号：3529066