一种基于差值优化算法的刻蚀预测方法技术

一种基于差值优化算法的刻蚀预测方法，具体步骤为：步骤一：对仿真数据和实际数据做归一化处理；步骤二：将处理后的仿真数据和实际数据输入ANN神经网络，输出第一预测厚度，进步步骤五；步骤三：将实际数据输入第一RBF神经网络，输出实际刻蚀深度与仿真刻蚀深度差值的预测值；步骤四：通过仿真数据和实际刻蚀深度与仿真刻蚀深度差值的预测值，计算得到第二预测厚度；步骤五：将第一预测厚度和第二预测厚度输入第二RBF神经网络；步骤六：输出最终预测厚度值。度值。度值。

【技术实现步骤摘要】
一种基于差值优化算法的刻蚀预测方法


[0001]本专利技术涉及半导体生产
，具体涉及一种基于差值优化算法的刻蚀预测方法。

技术介绍

[0002]由于人工智能机器学习算法取得的显著进展，通过将机器学习算法应用到半导体制造及仿真中越来越多。但是在半导体加工过程中加工工艺的复杂性、工艺参数多，通过实验获取实验数据的代价大，经济成本和时间成本昂贵。复杂的工艺以及较少的样本数据使得机器学习发挥的作用远不及预期。在半导体元件的制造过程中刻蚀工序是不可缺少的一个重要环节，是影响产品质量、良率的关键工序。由于刻蚀工序的数据特征多、数据量少，这种小样本的数据无法有效的构建高精度的模型。
[0003]通过计算机辅助设计(TCAD)来仿真器件具有快速和低成本的特点，通过TCAD可以快速产生大量的仿真结果，但是这些仿真结果与实际结果存在较大的差距，TCAD仿真的结果更多的是趋势上的仿真，而与实验结果不相关，作为补充数据直接使用到机器学习中效果不佳。

技术实现思路

[0004]本专利技术针对现有技术的不足，提出一种针对半导体刻蚀工序的深度预测难的问题，为了使机器学习模型适用于小样本刻蚀工序，提供小样本条件下的泛化能力，通过少量的实验数据结合TCAD仿真数据，充分发挥TCAD仿真数据与实验数据趋势一致性的特性，达到提高机器学习预测精度的目的，从而更精准的预测刻蚀深度的基于差值优化算法的刻蚀预测方法。具体技术方案如下：
[0005]一种基于差值优化算法的刻蚀预测方法，具体步骤为：
[0006]步骤一：对仿真数据和实际数据做归一化处理；
[0007]步骤二：将处理后的仿真数据和实际数据输入ANN神经网络，输出第一预测厚度，进步步骤五；
[0008]步骤三：将实际数据输入第一RBF神经网络，输出实际刻蚀深度与仿真刻蚀深度差值的预测值；
[0009]步骤四：通过仿真数据和实际刻蚀深度与仿真刻蚀深度差值的预测值，计算得到第二预测厚度；
[0010]步骤五：将第一预测厚度和第二预测厚度输入第二RBF神经网络；
[0011]步骤六：输出最终预测厚度值。
[0012]作为优化：所述ANN神经网络具体为，
[0013]采用四层的ANN神经网络，包括一个输入层、两个中间层和一个输出层；
[0014]四层的ANN神经网络，第一个中间层任意节点j的数学表达式如下：
[0015][0016]其中是中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重，x
i
是输入数据中的第i维；g是激活函数ReLU。是是神经元的输出。
[0017]第二个中间层的表达公式如下：
[0018][0019]其中k表示第一个中间层神经元的数目，是第二中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重。g是激活函数ReLU。是神经元的输出。
[0020]最终的输出公式如下：
[0021][0022]其中M是第三个中间层的神经元数目，是第三中间层中的偏差值，表示三层中第j个节点之间的权重,表示第三层的输出。表示模型的输出。
[0023]作为优化：所述第二RBF神经网络具体为，
[0024]三层RBF的数据表达公式如下：
[0025][0026]其中w
ij
表示神经元的权重，x
p
是输入的数据，c
j
表示中心点的数值。exp是激活函数。y是神经元的输出。
[0027]采用如下函数做为评价指标：
[0028][0029]其中y
i
为训练数据的实际值，y
′
i
为神经网络对第i行训练数据的输预测值，E是所有数据的误差和。
[0030]在训练过程中，使用的梯度下降法来训练人工神经网络，使神经网络达到最优，即能量函数E达到最小，具体权值调整公式如下所示：
[0031][0032]其中，λ是计算步长，w
ij
表示神经元的权重，net
j
是w
ij
所在层的输出，x
ij
是输入的样本数据，E是所有数据的误差和,Δw
ij
表示权重更新值。
[0033]权值的跟新公式如下所示：
[0034]w
ij
＝w
ij
+Δw
ij
ꢀꢀꢀ
公式(7)
[0035]其中，w
ij
表示神经元的权重，Δw
ij
表示权重更新值。
[0036]本专利技术的有益效果为：通过将TCAD仿真数据融入到神经网络中，实现了小样本数据准确预测刻蚀深度的功能，通过本专利技术的方法和模型能够在不同产品的刻蚀工序预测中产生良好的效果；使用基于差值优化算法构建的刻蚀深度预测模型，比TCAD仿真数据准确率高25％，比单独机器学习建模的准确率高12％。实际结果表明通过ANN
‑
RBF
‑
RBF的差值模型适合于半导体刻蚀深度的预测。
附图说明
[0037]图1为本专利技术的结构示意图。
[0038]图2为本专利技术中四层ANN神经网络结构图。
[0039]图3为本专利技术中三层RBF神经网络结构图。
具体实施方式
[0040]下面结合附图对本专利技术的较佳实施例进行详细阐述，以使本专利技术的优点和特征能更易于被本领域技术人员理解，从而对本专利技术的保护范围做出更为清楚明确的界定。
[0041]如图1所示：一种基于差值优化算法的刻蚀预测方法，具体步骤为：
[0042]步骤一：对仿真数据和实际数据做归一化处理；
[0043]步骤二：将处理后的仿真数据和实际数据输入ANN神经网络，输出第一预测厚度，进步步骤五；
[0044]如图2所示，所述ANN神经网络具体为，
[0045]采用四层的ANN神经网络，包括一个输入层、两个中间层和一个输出层；
[0046]四层的ANN神经网络，第一个中间层任意节点j的数学表达式如下：
[0047][0048]其中是中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重，x
i
是输入数据中的第i维；g是激活函数ReLU，是是神经元的输出；
[0049]第二个中间层的表达公式如下：
[0050][0051]其中k表示第一个中间层神经元的数目，是第二中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重，g是激活函数ReLU；是神经元的输出；
[0052]最终的输出公式如下：
[0053][0054]其中M是第三个中间层的神经元数目，是第三中间层中的偏差值，表示三层
中第j个节点之间的权重,表示第三层的输出，表示模型的输出。
[0055]步骤三：将实际数据输入第一RBF神经网络，输出实际刻蚀深度与仿真刻蚀深度差值的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于差值优化算法的刻蚀预测方法，其特征在于，具体步骤为：步骤一：对仿真数据和实际数据做归一化处理；步骤二：将处理后的仿真数据和实际数据输入ANN神经网络，输出第一预测厚度，进步步骤五；步骤三：将实际数据输入第一RBF神经网络，输出实际刻蚀深度与仿真刻蚀深度差值的预测值；步骤四：通过仿真数据和实际刻蚀深度与仿真刻蚀深度差值的预测值，计算得到第二预测厚度；步骤五：将第一预测厚度和第二预测厚度输入第二RBF神经网络；步骤六：输出最终预测厚度值。2.根据权利要求1所述基于差值优化算法的刻蚀预测方法，其特征在于：所述ANN神经网络具体为，采用四层的ANN神经网络，包括一个输入层、两个中间层和一个输出层；四层的ANN神经网络，第一个中间层任意节点j的数学表达式如下：其中是中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重，x
i
是输入数据中的第i维；g是激活函数ReLU，是是神经元的输出；第二个中间层的表达公式如下：其中k表示第一个中间层神经元的数目，是第二中间层中的偏差值，表示输入层中第i个节点和隐藏层中第j个节点之间的权重，g是激活函数ReLU；是神经元的输出；最终的输出公式如下：其中M是第三个中间层的神经元数目，是第三中间层中的偏差值，表示三层中第j个节点之间的权重,表示第三层的输出，表示模型的输出。3.根据权利要...

【专利技术属性】
技术研发人员：周豫山，戴志学，李刚，
申请(专利权)人：中江联合北京科技有限公司，
类型：发明
国别省市：