神经网络误差-反向传播算法预测半导体产品良率的方法技术

本发明专利技术涉及神经网络误差‑反向传播算法预测半导体产品良率的方法，涉及半导体集成电路技术，基于神经网络误差‑反向传播算法完成算法搭建，基于已有半导体产品的与良率相关的参数及良率数据对神经网络误差‑反向传播算法中的权值优化，通过一产品评估神经网络误差‑反向传播算法的准确度，若准确度大于一预定值时认为优化后的神经网络误差‑反向传播算法是可靠的，则可利用优化后的神经网络误差‑反向传播算法进行产品的良率预测，若准确度小于一预定值时则继续对权值进行优化，直至准确度大于一预定值，如此通过算法后台运算得到结果，省时省力，且降低工程师难度，并提前预测良率，确保客户收到符合标准的产品。

【技术实现步骤摘要】
神经网络误差-反向传播算法预测半导体产品良率的方法
本专利技术涉及半导体集成电路技术，尤其涉及一种神经网络误差-反向传播算法预测半导体产品良率的方法。
技术介绍
对于半导体产品来说，WAT/CP(产品良率)是评估半导体产品的主要参数。半导体厂商需花大量工作保证产品良率，且同时需要准确预测产品良率。目前，半导体厂商的制程整合工程师(PIE，ProcessIntegrationEngineer)通过分析实际产品的WAT/Yield(产品良率)数据根据经验判断，需要查询大量数据，耗时量大，且Yield/WAT/Inline关系由产品反证得到，Yield由客户反馈得到，属于被动防御，不能提前预测。另，制程整合工程师(PIE，ProcessIntegrationEngineer)通过分析实际产品的WAT/Yield(产品良率)数据根据经验判断，依赖于工程师个人经验，因此新人工程师比较难以上手，另人为判断易出现误差，准确性不够高，且不利于批量制造。
技术实现思路
本专利技术提供的神经网络误差-反向传播算法预测半导体产品良率的方法，包括：S1：基于神经网络误差-反向传播算法完成算法搭建；S2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值；S3：基于步骤S2中的权值已经优化后的神经网络误差-反向传播算法得到一产品的良率预测值，计算神经网络误差-反向传播算法的准确度，其中准确度＝1-(|预测值-实际值|)/实际值，其中实际值为该产品的良率实测值，来评估算法可靠性，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则进入步骤S2继续对权值进行优化，直至准确度大于一预定值；以及S4：使用步骤S3确定的神经网络误差-反向传播算法对需要出货的晶圆预测良率。更进一步的，步骤S1中神经网络误差-反向传播算法包括信号的正向传播路径与误差的反向传播路径。更进一步的，信号的正向传播路径为将输入样本输入至输入层，然后输入层至各隐层进行处理，然后至输出层输出输出数据；误差的反向传播路径为将输出数据与期望输出的输出误差至各隐层进行处理，然后至输入层。更进一步的，通过Python编程完成算法搭建。更进一步的，在信号的正向传播路径和误差的反向传播路径过程中优化算法中的权值。更进一步的，步骤S2还包括神经网络误差-反向传播算法的网络结构、激活、损失、优化函数及学习轮数的最优搭配确定线。更进一步的，在激活、损失、优化函数及学习轮数值固定的情况下，改变网络结构参数，直至得到输出参数与预测值之间的误差最小时对应的网络结构参数，将其作为神经网络误差-反向传播算法的网络结构参数，并依次将选择其中一参数进行优化，并在对该参数优化的过程中将其它参数固定，从而得到网络结构、激活、损失、优化函数及学习轮数的最优搭配确定。更进一步的，步骤S2中将各个产品平台采用步骤S2分别训练，建立各自神经网络误差-反向传播算法的优化后的权值参数。本专利技术提供的神经网络误差-反向传播算法预测半导体产品良率的方法，基于神经网络误差-反向传播算法完成算法搭建，基于已有半导体产品的与良率相关的参数及良率数据对神经网络误差-反向传播算法中的权值优化，通过一产品评估神经网络误差-反向传播算法的准确度，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则继续对权值进行优化，直至准确度大于一预定值，如此通过算法后台运算得到结果，省时省力，且降低工程师难度，并提前预测良率，确保客户收到符合标准的产品。附图说明图1为本专利技术一实施例的神经网络误差-反向传播算法预测半导体产品良率的方法的流程图。图2为采用本专利技术的神经网络误差-反向传播算法预测半导体产品良率的方法预测的输出与采用本专利技术的神经网络误差-反向传播算法预测半导体产品良率的方法的实际输出的曲线示意图。图3为采用本专利技术的神经网络误差-反向传播算法预测半导体产品良率的方法输出的MxRs(金属层阻值)与CUTHK(金属层铜的厚度)的相关性曲线与MxRs(金属层阻值)与CUTHK(金属层铜的厚度)关系实测值对比示意图。图4为本专利技术的神经网络误差-反向传播算法预测半导体产品良率的方法的预测产品良率曲线与实测的产品良率曲线的对比示意图。具体实施方式下面将结合附图，对本专利技术中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在不做出创造性劳动的前提下所获得的所有其它实施例，都属于本专利技术保护的范围。本专利技术一实施例中，在于提供一种神经网络误差-反向传播算法预测半导体产品良率的方法。请参阅图1，图1为本专利技术一实施例的神经网络误差-反向传播算法预测半导体产品良率的方法的流程图，如图1所示，该神经网络误差-反向传播算法预测半导体产品良率的方法包括：S1：基于神经网络误差-反向传播算法完成算法搭建；S2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值；S3：基于步骤S2中的权值已经优化后的神经网络误差-反向传播算法得到一产品的良率预测值，计算神经网络误差-反向传播算法的准确度，其中准确度＝1-(|预测值-实际值|)/实际值，其中实际值为该产品的良率实测值，来评估算法可靠性，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则进入步骤S2继续对权值进行优化，直至准确度大于一预定值；以及S4：使用步骤S3确定的神经网络误差-反向传播算法对需要出货的晶圆预测良率。具体的，本专利技术一实施例的神经网络误差-反向传播算法预测半导体产品良率的方法包括：S1：基于神经网络误差-反向传播算法完成算法搭建。具体的，在一实施例中，神经网络误差-反向传播算法包括信号的正向传播路径与误差的反向传播路径。其中信号的正向传播路径为将输入样本输入至输入层，然后输入层至各隐层进行处理，然后至输出层输出输出数据；误差的反向传播路径为将输出数据与期望输出的输出误差至各隐层进行处理，然后至输入层。具体的，在一实施例中，通过Python编程完成算法搭建。S2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值。在一实施例中，在信号的正向传播路径和误差的反向传播路径过程中优化算法中的权值。具体的，在一实施例中，步骤S2还包括神经网络误差-反向传播算法的网络结构、激活、损失、本文档来自技高网...

【技术保护点】
1.一种神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，包括：/nS1：基于神经网络误差-反向传播算法完成算法搭建；/nS2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值；/nS3：基于步骤S2中的权值已经优化后的神经网络误差-反向传播算法得到一产品的良率预测值，计算神经网络误差-反向传播算法的准确度，其中准确度＝1-(|预测值-实际值|)/实际值，其中实际值为该产品的良率实测值，来评估算法可靠性，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则进入步骤S2继续对权值进行优化，直至准确度大于一预定值；以及/nS4：使用步骤S3确定的神经网络误差-反向传播算法对需要出货的晶圆预测良率。/n

【技术特征摘要】
1.一种神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，包括：
S1：基于神经网络误差-反向传播算法完成算法搭建；
S2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值；
S3：基于步骤S2中的权值已经优化后的神经网络误差-反向传播算法得到一产品的良率预测值，计算神经网络误差-反向传播算法的准确度，其中准确度＝1-(|预测值-实际值|)/实际值，其中实际值为该产品的良率实测值，来评估算法可靠性，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则进入步骤S2继续对权值进行优化，直至准确度大于一预定值；以及
S4：使用步骤S3确定的神经网络误差-反向传播算法对需要出货的晶圆预测良率。


2.根据权利要求1所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，步骤S1中神经网络误差-反向传播算法包括信号的正向传播路径与误差的反向传播路径。


3.根据权利要求2所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，信号的正向传播路径为将输入样本输入至输入层，然后输入层至各隐层进行处理，然后至输出层输出输出数据；误差的反向...

【专利技术属性】
技术研发人员：徐屹东，黄然，徐莹，尹沛羊，
申请(专利权)人：上海华力集成电路制造有限公司，
类型：发明
国别省市：上海;31