使用卷积神经网络的虚拟量测方法技术

本发明专利技术实施例提供一种使用卷积神经网络(Convolutional Neural Network；CNN)的虚拟量测方法。在本方法中，使用一动态时间规整(Dynamic Time Warping；DTW)演算法来删除不相似的制程数据，并将制程数据的长度调整为同样长度，以使卷积神经网络可被用来进行虚拟量测。本发明专利技术实施例的虚拟量测模型包含多个卷积神经网络模型和一个推估模型，其中此些卷积神经网络模型的多个输入分别为制程数据的各参数的时序数据，此些卷积神经网络模型的多个输出为推估模型的输入。出为推估模型的输入。出为推估模型的输入。

【技术实现步骤摘要】
使用卷积神经网络的虚拟量测方法


[0001]本专利技术是有关于一种使用卷积神经网络(Convolutional Neural Network；CNN)的虚拟量测方法，且特别是有关于一种使用动态时间规整(Dynamic Time Warping；DTW)演算法的使用卷积神经网络的虚拟量测方法。

技术介绍

[0002]虚拟量测在各种产业中都有相当广泛的应用，例如：半导体产业、工具机产业。虚拟量测可将离线且具延迟特性的品质抽检改成线上且即时的品质全检，以确保生产机台的制程稳定及提高产能与良率。举例而言，当半导体产业的晶圆制程导入虚拟量测后，便可即时发现制程异常，立即进行即时改善，因而避免后续整批晶圆的报废。当工具机加工导入虚拟量测后，便可同时兼顾即时性与准确性需求来推估每一个被加工的工件(例如轮圈)的准确度值，因而预测出工具机的加工品质，以克服已知的线上量测与离线量测的缺点。
[0003]虽然现存的虚拟量测已大致上适用于其预定达到的目的，但尚未能满足各方面的需求。

技术实现思路

[0004]本专利技术的目的是在提供一种使用卷积神经网络的虚拟量测方法及其计算机程序产品，借以有效地使用卷积神经网络来进行虚拟量测，以提高已知虚拟量测的精确度。
[0005]根据本专利技术的一态样，提供一种使用卷积神经网络的虚拟量测方法。在此方法中，首先，获得多组制程数据，其中此些组制程数据是在一生产机台处理多个工件时所使用或产生，此些组制程数据是以一对一的方式对应至此些工件，每一组制程数据包含多个参数的数值，每一个参数的数值为分别对应至此些工件的多组时序数据。然后，对此些组制程数据进行一数据对整的操作。在此数据对整的操作中，首先对每一个参数的该些组时序数据的一数据长度进行一次数分配(Frequency Distribution)计算，而获得一数据出现次数对数据长度的分布，其中每一该些参数的该些组时序数据中出现次数最多的数据长度为一参考数据长度。然后，对每一个参数的此些组时序数据中具有此参考数据长度的时序数据进行平均计算，而获得每一个参数的一组参考时序数据。接着，使用一动态时间规整(Dynamic Time Warping；DTW)演算法来计算每一个参数的每一组时序数据与其对应的参考时序数据间的一距离。然后，设定一距离门槛值。当前述的距离大于距离门槛值时，删除对应至此距离的制程数据。接着，进行一数据长度调整操作，以在每一个参数的每一组时序数据的一最后数据点后，重复增加具有此最后数据点的数值的至少一个数据点，直到每一个参数的该每一组时序数据的该数据长度等于该些组制程数据的一最长数据长度。在获得此些工件的多个实际量测值后，进行一建模操作，以使用此些组制程参数数据和此些实际量测值来建立一虚拟量测模型，其中此虚拟量测模型包含至少一个卷积神经网络模型。然后，在对又一工件的又一组制程数据进行前述的数据对整的操作后，输入此又一工件的此又一组制程数据至此虚拟量测模型，以计算出此又一工件的一虚拟量测值。
[0006]在一些实施例中，前述的使用卷积神经网络的虚拟量测方法还包含：在进行前述的数据长度调整操作前，设定一数据长度上限值；以及删除前述的制程数据中其数据长度大于此数据长度上限值的制程数据。
[0007]在一些实施例中，前述的数据长度上限值为Q3+k
×
IQR，其中Q3为前述的数据出现次数对数据长度的分布中数据长度由小到大的出现顺序的一第三四分数；IQR为此数据出现次数对数据长度的分布中数据长度由小到大的出现顺序的一四分距；k为大于0的常数。
[0008]在一些实施例中，前述的设定该距离门槛值的操作是应用交互验证(Cross Validation)中的留一法(Leave
‑
One
‑
Out；LOO)原理。
[0009]在一些实施例中，前述的虚拟量测模型包含多个卷积神经网络模型和一推估模型，此些卷积神经网络模型的多个输入分别为前述的参数的时序数据，此些卷积神经网络模型的多个输出为此推估模型的输入。
[0010]在一些实施例中，前述的推估模型是根据类神经网络演算法、复回归演算法、部分最小平方演算法或支持向量机演算法来建立。
[0011]根据本专利技术的一态样，提供一种计算机程序产品，当计算机载入此计算机程序产品并执行后，可完成前述的使用卷积神经网络的虚拟量测方法。
[0012]因此，应用本专利技术实施例，可有效地使用卷积神经网络来进行虚拟量测，而可提高已知的虚拟量测的精确度。
附图说明
[0013]为了更完整了解实施例及其优点，现参照结合所附附图所做的下列描述，其中
[0014]图1为绘示例示蚀刻制程的压力参数的原始制程数据；
[0015]图2为绘示根据本专利技术一些实施例的虚拟量测应用的方块示意图；
[0016]图3A为绘示根据本专利技术一些实施例基于使用自动数据对整机制(ADAS)108的虚拟量测方法的流程示意图；
[0017]图3B绘示本专利技术的一应用例中各工件的制程数据的数据长度；
[0018]图3C绘示本应用例中各工件的制程出现次数对数据长度的分布
[0019]图4为绘示根据本专利技术一些实施例的的集成虚拟量测模型的示意图；
[0020]图5A为绘示本专利技术应用例关于蚀刻侧壁角度的预测结果；以及
[0021]图5B为绘示本专利技术应用例关于蚀刻深度的预测结果。
[0022]【符号说明】
[0023]10:曲线
[0024]20:曲线
[0025]30:曲线
[0026]42:曲线
[0027]44:曲线
[0028]46:曲线
[0029]52:曲线
[0030]54:曲线
[0031]56:曲线
[0032]102:制程数据
[0033]104:量测数据
[0034]106:制程数据前处理模块
[0035]108:ADAS
[0036]110:虚拟量测模型
[0037]112：量测数据前处理模块
[0038]120:RI模型
[0039]130:GSI模型
[0040]300:操作
[0041]302:操作
[0042]310:操作
[0043]320:操作
[0044]330:操作
[0045]332:操作
[0046]334:操作
[0047]340:操作
[0048]342:操作
[0049]350:操作
[0050]360:操作
[0051]400:推估模型
具体实施方式
[0052]随着制程愈来愈复杂，对虚拟量测精确度的要求愈来愈高。已知的虚拟量测是使用倒传递类神经网络(Back Propagation Neural Network；BPNN)演算法。然而，即使建模样本数据的数量大幅成长，已知的虚拟量测的性能改善却仍有一定的限度。BPNN演算法亦需本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种使用卷积神经网络的虚拟量测方法，其特征在于，包含：获得多组制程数据，其中该些组制程数据是在一生产机台处理多个工件时所使用或产生，该些组制程数据是以一对一的方式对应至该些工件，每一该些组制程数据包含多个参数的数值，每一该些参数的数值为分别对应至该些工件的多组时序数据；对该些组制程数据进行一数据对整的操作，该数据对整的操作包含：对每一该些参数的每一该些组时序数据的一数据长度进行一次数分配计算，而获得一数据出现次数对数据长度的分布，其中每一该些参数的该些组时序数据中出现次数最多的数据长度为一参考数据长度；对每一该些参数的该些组时序数据中具有该参考数据长度的时序数据进行平均计算，而获得每一该些参数的一组参考时序数据；使用一动态时间规整演算法来计算每一该些参数的每一该些组时序数据与其对应的参考时序数据间的一距离；设定一距离门槛值；当该距离大于该距离门槛值时，删除对应至该距离的制程数据；以及进行一数据长度调整操作，以在每一该些参数的每一该些组时序数据的一最后数据点后，重复增加具有该最后数据点的数值的至少一数据点，直到每一该些参数的该每一该些组时序数据的该数据长度等于该些组制程数据的一最长数据长度；获得该些工件的多个实际量测值；进行一建模操作，以使用该些组制程参数数据和该些实际量测值来建立一虚拟量测模型，其中该虚拟量测模型包含至少一卷积神经网络模型；...

【专利技术属性】
技术研发人员：郑芳田，谢昱铭，王丹汝，彭琍瑄，林晋逸，
申请(专利权)人：郑芳田，
类型：发明
国别省市：