【技术实现步骤摘要】
本专利技术是关于一种虚拟量测方法及其系统，特别是关于一种具卷积自编码器(convolutional autoencoder)与迁移学习(transfer learning)的虚拟量测方法及其系统。
技术介绍
1、为确保工艺稳定以及高良率的产出，工厂(如半导体厂、tft-lcd厂)均需进行离线品质抽检。然而此作法仅抽取少数样本进行量测，并且具有时间延迟的缺点，无法达到即时监控与线上全检的目标。全自动虚拟量测(automatic virtual metrology；avm)透过搜集生产机台的信息，将其输入avm的预测模型内进行预测，并输出虚拟量测值，如此即可达到即时监控与线上全检的目标。而随着科技进步工艺越趋精密，对于虚拟量测的精度要求更高，透过整合卷积神经网络(convolutional neural network；cnn)演算法的avm架构(avmcnn)亦被提出，其不仅提升原avm精度外，在极端值的预测也有更好的表现。然而在实务应用上，avmcnn仍有以下两个问题需克服，其一，缺乏量测数据建模时，如何快速建立模型；其二，模型无自我学习能力，对于机况变动时的预测精度无法维持。由此可知，目前市场上缺乏一种无须大量成对数据即可快速建模、能进行线上再学习的工作及维持预测精度的虚拟量测方法及其系统，故相关业者均在寻求其解决之道。
技术实现思路
1、因此，本专利技术的目的在于提供一种具卷积自编码器与迁移学习的虚拟量测方法及其系统，其整合卷积自编码器与牵移学习两机制的建模与预测，使其能解决已
2、依据本专利技术的方法态样的一实施方式提供一种具卷积自编码器与迁移学习的虚拟量测方法，其包含以下步骤：获得多组工艺数据，其中此些组工艺数据是在一生产机台处理多个工件时所使用或产生，此些组工艺数据是以一对一的方式对应至此些工件。此些组工艺数据的每一者包含多个参数的数值，此些参数的数值的每一者为分别对应至此些工件的多组时序数据，此些组时序数据的每一者具有数据长度；对此些组工艺数据进行数据对整的操作，此数据对整的操作包含进行数据长度调整操作，以在此些参数的每一者的此些组时序数据的每一者的最后数据点后，重复增加具有最后数据点的数值的至少一数据点，直到此些参数的每一者的此些组时序数据的每一者的数据长度等于此些组工艺数据的最长数据长度；获得此些工件的多个实际量测值；进行一建模操作，此建模操作包含将此些组工艺数据及此些实际量测值分成多个成对数据及至少一非成对工艺数据，此些成对数据的每一者包含其中一工艺数据与对应的其中一实际量测值；及使用此至少一非成对工艺数据来建立至少一预训练模型，然后输入此些成对数据至此至少一预训练模型以建立一基于卷积自编码器的虚拟量测模型，其中此基于卷积自编码器的虚拟量测模型包含至少一卷积神经网络模型；以及进行一计算操作，此计算操作包含获得另一工件的另一组工艺数据与另一实际量测值的至少一者，并依据是否有获得此另一实际量测值而执行预测阶段与迁移学习阶段的其中一者，以计算出此另一工件的第一阶段虚拟量测值与第二阶段虚拟量测值的其中一者。其中预测阶段是由此另一组工艺数据依据此基于卷积自编码器的虚拟量测模型计算出第一阶段虚拟量测值，迁移学习阶段是由此另一组工艺数据与此另一实际量测值依据此基于卷积自编码器的虚拟量测模型计算出此另一工件的第二阶段虚拟量测值。
3、借此，本专利技术的具卷积自编码器与迁移学习的虚拟量测方法整合卷积自编码器与牵移学习两机制的建模与预测，无须大量成对数据即可快速建模，使其能解决已知深度学习为基的演算法需收集大量成对数据建模的限制。此外，透过不同的学习策略建构出基于迁移学习的双阶段机制，于机况变动时仍能进行线上再学习的工作，以维持预测精度。
4、前述实施方式的其他实施例如下：在前述计算操作中，当没有获得此另一实际量测值时，执行预测阶段，以计算出此另一工件的第一阶段虚拟量测值；当有获得此另一实际量测值时，执行迁移学习阶段，以计算出此另一工件的第二阶段虚拟量测值。
5、前述实施方式的其他实施例如下：前述预测阶段包含对此另一工件的此另一组工艺数据进行数据对整的操作后，输入此另一工件的此另一组工艺数据至此基于卷积自编码器的虚拟量测模型，以计算出此另一工件的第一阶段虚拟量测值。
6、前述实施方式的其他实施例如下：前述迁移学习阶段包含对此另一工件的此另一实际量测值进行策略选择确认步骤而产生确认结果，并依据确认结果执行第一策略步骤与第二策略步骤的一者，以更新此基于卷积自编码器的虚拟量测模型；及输入此另一工件的此另一组工艺数据至更新后的此基于卷积自编码器的虚拟量测模型，以计算出此另一工件的第二阶段虚拟量测值。
7、前述实施方式的其他实施例如下：前述策略选择确认步骤包含确认生产机台的零件是否有进行保养或更换。当确认结果为生产机台的零件有进行保养或更换时，迁移学习阶段执行第一策略步骤；当确认结果为生产机台的零件没有进行保养或更换时，迁移学习阶段执行第二策略步骤。
8、前述实施方式的其他实施例如下：在前述建模操作中，此至少一卷积神经网络模型的数量为多个，此基于卷积自编码器的虚拟量测模型包含此些卷积神经网络模型及一推估模型。此些卷积神经网络模型的多个输入分别为此些成对数据，此些卷积神经网络模型的多个输出为推估模型的输入。
9、前述实施方式的其他实施例如下：在前述迁移学习阶段中，第一策略步骤包含将此另一组工艺数据的多个参数的时序数据及此另一组工件的此另一实际量测值输入至此些卷积神经网络模型；及将此些卷积神经网络模型的此些输出输入至推估模型，以更新此基于卷积自编码器的虚拟量测模型。
10、前述实施方式的其他实施例如下：在前述迁移学习阶段中，第二策略步骤包含将此些卷积神经网络模型的此些输出输入至推估模型，以更新部分的此基于卷积自编码器的虚拟量测模型。
11、前述实施方式的其他实施例如下：前述数据对整的操作还包含对此些参数的每一者的此些组时序数据的每一者的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。其中此些参数的每一者的此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；对此些参数的每一者的此些组时序数据中具有参考数据长度的时序数据进行平均计算，而获得此些参数的每一者的一组参考时序数据；使用动态时间规整(dynamic time warping；dtw)演算法来计算此些参数的每一者的此些组时序数据的每一者与其对应的参考时序数据间的距离；设定距离门槛值；及当距离大于距离门槛值时，删除对应至距离的工艺数据。
12、前述实施方式的其他实施例如下：前述预测阶段所产出的第一阶段虚拟量测值与迁移学习阶段所产出的第二阶段虚拟量测值的任一者对应生产机台应用于半导本文档来自技高网...
【技术保护点】
1.一种具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该计算操作中，
3.如权利要求2所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该预测阶段包含：
4.如权利要求2所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该迁移学习阶段包含：
5.如权利要求4所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该策略选择确认步骤包含：
6.如权利要求4所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该建模操作中，
7.如权利要求6所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该迁移学习阶段中，该第一策略步骤包含：
8.如权利要求6所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该迁移学习阶段中，该第二策略步骤包含：
9.如权利要求1所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该数据对整的操作还包含：
10.
11.一种具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，包含：
12.如权利要求11所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，在该计算操作中，
13.如权利要求12所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，该预测阶段包含：
14.如权利要求12所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，该迁移学习阶段包含：
15.如权利要求14所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，该策略选择确认步骤包含：
16.如权利要求14所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，在该建模操作中，
17.如权利要求16所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，在该迁移学习阶段中，该第一策略步骤包含：
18.如权利要求16所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，在该迁移学习阶段中，该第二策略步骤包含：
19.如权利要求11所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，该数据对整的操作还包含：
20.如权利要求11所述的具卷积自编码器与迁移学习的虚拟量测系统，其特征在于，该预测阶段所产出的该第一阶段虚拟量测值与该迁移学习阶段所产出的该第二阶段虚拟量测值的任一者对应该生产机台应用于一半导体工艺的一干蚀刻浅沟槽隔离(Dry EtchingShallow Trench Isolation；Dry Etching STI)工艺的一关键尺寸(Critical Dimension；CD)。
...【技术特征摘要】
1.一种具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，包含以下步骤：
2.如权利要求1所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该计算操作中，
3.如权利要求2所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该预测阶段包含：
4.如权利要求2所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该迁移学习阶段包含：
5.如权利要求4所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该策略选择确认步骤包含：
6.如权利要求4所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该建模操作中，
7.如权利要求6所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该迁移学习阶段中，该第一策略步骤包含：
8.如权利要求6所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，在该迁移学习阶段中，该第二策略步骤包含：
9.如权利要求1所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该数据对整的操作还包含：
10.如权利要求1所述的具卷积自编码器与迁移学习的虚拟量测方法，其特征在于，该预测阶段所产出的该第一阶段虚拟量测值与该迁移学习阶段所产出的该第二阶段虚拟量测值的任一者对应该生产机台应用于一半导体工艺的一干蚀刻浅沟槽隔离(dry etchingshallow trench isolation；dry etching sti)工艺的一关键尺寸(critical dimension；cd)。
11.一...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。