半导体加工方法、装置、电子设备和可读存储介质制造方法及图纸

本发明专利技术提供一种半导体加工方法、装置、电子设备和可读存储介质。半导体加工方法包括：获取半导体加工设备的设备参数和对于半导体规格要求的规格参数；将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数，其中，所述参数预测模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；根据所述工艺参数控制半导体的加工进程。本发明专利技术实施例通过将半导体加工设备的设备参数和对于半导体规格要求的规格参数输入预先训练好的参数预测模型得到工艺参数，并根据得到的工艺参数控制半导体的加工过程，有助于提高对于半导体加工过程控制的智能性和灵活性，从而有助于提高半导体加工效果。从而有助于提高半导体加工效果。从而有助于提高半导体加工效果。

【技术实现步骤摘要】
半导体加工方法、装置、电子设备和可读存储介质


[0001]本专利技术实施例涉及半导体加工
，尤其涉及一种半导体加工方法、装置、电子设备和可读存储介质。

技术介绍

[0002]半导体加工过程中，根据对于产品性能的要求不同以及设备性能的差异，需要不断调整工艺参数，以满足生产需求。
[0003]例如，采用多线切割机对晶棒切割时有着表面损伤小、切缝损耗少、加工量大、切割效率高、切片质量好、运行成本低等诸多优点，目前已渐成为主流的晶棒切割方式。但是，目前在利用多线切割机切割晶棒时，由于硅片的切割面为圆形，在切割的过程中切割长度是不断变化的，使在不同的切割长度时切割线受力不同，切割效率也有所不同。因此用均匀的切割速度进行晶圆切割会使切割效率降低从而导致切割成本较高。此外，采用工作台匀速进给晶圆进行切割时，由于切割线受力不同也会使在切割的过程中切割线存在不同的形变，导致切割得到的晶片质量有所降低。尤其当切割线切割到晶体中间部位时还存在相比切割能力工作台进给速度过快，此时多线切割实际处于强行切割状态，导致槽轮上的钢线出现过度弯曲现象，导致切割不在同一平面内，造成切割的半导体晶片存在严重的质量问题。此外，在线切割过程中晶棒被切割处温度的变化也使得切割完成后硅片具有不同的翘曲。相关技术中，工艺参数的调整通常依赖技术人员的手动设置进行，这种方式依赖技术人员的经验，且对于产品性能的波动影响较大，难以控制产品质量的均稳定性。

技术实现思路

[0004]本专利技术实施例提供一种半导体加工方法、装置、电子设备和可读存储介质，以解决现有半导体加工过程难以控制产品质量的稳定性的问题。
[0005]为解决上述问题，本专利技术是这样实现的：
[0006]第一方面，本专利技术实施例提供了一种半导体加工方法，包括以下步骤：
[0007]获取半导体加工设备的设备参数和对于半导体规格要求的规格参数；
[0008]将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数，其中，所述参数预测模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；
[0009]根据所述工艺参数控制半导体的加工进程。
[0010]在一些实施例中，所述将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数之前，所述方法还包括：
[0011]获取训练数据集，其中，所述训练数据集包括设备训练参数、规格训练参数和工艺训练参数；
[0012]根据所述训练数据集通过模型训练获得所述参数预测模型。
[0013]在一些实施例中，所述根据所述训练数据集通过模型训练获得所述参数预测模
型，包括：
[0014]将所述设备训练参数和所述规格训练参数输入训练模型获得工艺预测参数，其中，所述训练模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；
[0015]将所述工艺预测参数和所述工艺训练参数输入损失函数计算损失值；
[0016]在未满足预设训练条件的情况下，根据所述损失函数调整所述训练模型的参数并迭代执行上述获得第一工艺参数和计算损失值的步骤；
[0017]在满足预设训练条件的情况下，将所述训练模型作为训练完成的参数预测模型；
[0018]其中，所述满足预设训练条件包括根据所述损失函数计算的损失值收敛和迭代次数达到预设次数中的至少一项。
[0019]在一些实施例中，所述训练模型包括第一训练子模型，所述训练数据集包括第一子数据，所述第一子数据用于作为所述第一训练子模型的输入数据，其中，每一次迭代过程中，所述第一子数据的规格训练参数为定值。
[0020]在一些实施例中，所述训练模型包括第二训练子模型，所述训练数据集包括第二子数据，所述第二子数据用于作为所述第二训练子模型的输入数据，其中，每一次迭代过程中，所述第二子数据的规格训练参数包括至少两组不相等的数据。
[0021]在一些实施例中，所述训练模型包括M个第三训练子模型，所述训练模型还包括第四训练子模型，M的值等于所述设备参数的数量；
[0022]所述第三训练子模型为以所述设备参数为输入，以各所述设备参数对半导体的规格参数的子影响系数为输出的神经网络模型，且M个所述第三训练子模型与M个所述设备参数一一对应；
[0023]所述第四训练子模型用于对M个所述第三训练子模型进行联合训练，且所述第四训练子模型为以多个所述子影响系数为输入，以对半导体的规格参数的整体影响系数为输出的神经网络模型。
[0024]在一些实施例中，所述联合训练的损失函数L2为：
[0025][0026]其中，P(yi)表示M个所述第三训练子模型中，第i个第三训练子模型的概率因子。
[0027]第二方面，本专利技术实施例还提供一种半导体加工装置，包括：
[0028]参数获取模块，用于获取半导体加工设备的设备参数和对于半导体规格要求的规格参数；
[0029]工艺参数生成模块，用于将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数，其中，所述参数预测模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；
[0030]控制模块，用于根据所述工艺参数控制半导体的加工进程。
[0031]第三方面，本专利技术实施例还提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序；所述处理器，用于读取存储器中的程序实现如前述第一方面所述方法中的步骤。
[0032]第四方面，本专利技术实施例还提供一种可读存储介质，用于存储程序，所述程序被处
理器执行时实现如前述第一方面所述方法中的步骤。
[0033]本专利技术实施例通过将半导体加工设备的设备参数和对于半导体规格要求的规格参数输入预先训练好的参数预测模型得到工艺参数，并根据得到的工艺参数控制半导体的加工过程，有助于提高对于半导体加工过程控制的智能性和灵活性，从而有助于提高半导体加工效果。
附图说明
[0034]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0035]图1是本专利技术实施例提供半导体加工方法的流程示意图；
[0036]图2是本专利技术实施例提供半导体加工装置的结构示意图；
[0037]图3是本专利技术实施提供的电子设备的结构示意图。
具体实施方式
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，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没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0039]本专利技术实施例中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种半导体加工方法，其特征在于，包括以下步骤：获取半导体加工设备的设备参数和对于半导体规格要求的规格参数；将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数，其中，所述参数预测模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；根据所述工艺参数控制半导体的加工进程。2.如权利要求1所述的方法，其特征在于，所述将所述设备参数和所述规格参数输入预先训练好的参数预测模型获得工艺参数之前，所述方法还包括：获取训练数据集，其中，所述训练数据集包括设备训练参数、规格训练参数和工艺训练参数；根据所述训练数据集通过模型训练获得所述参数预测模型。3.如权利要求2所述的方法，其特征在于，所述根据所述训练数据集通过模型训练获得所述参数预测模型，包括：将所述设备训练参数和所述规格训练参数输入训练模型获得工艺预测参数，其中，所述训练模型是以设备参数和规格参数为输入，以工艺参数为输出的神经网络模型；将所述工艺预测参数和所述工艺训练参数输入损失函数计算损失值；在未满足预设训练条件的情况下，根据所述损失函数调整所述训练模型的参数并迭代执行上述获得第一工艺参数和计算损失值的步骤；在满足预设训练条件的情况下，将所述训练模型作为训练完成的参数预测模型；其中，所述满足预设训练条件包括根据所述损失函数计算的损失值收敛和迭代次数达到预设次数中的至少一项。4.如权利要求3所述的方法，其特征在于，所述训练模型包括第一训练子模型，所述训练数据集包括第一子数据，所述第一子数据用于作为所述第一训练子模型的输入数据，其中，每一次迭代过程中，所述第一子数据的规格训练参数为定值。5.如权利要求3或4所述的方法，其特征在于，所述训练模型包括第二训练子模型，所述训练...

【专利技术属性】
技术研发人员：陈光林，
申请(专利权)人：西安欣芯材料科技有限公司，
类型：发明
国别省市：