【技术实现步骤摘要】
本专利技术涉及芯片技术，尤其涉及基于联邦学习的芯片制造过程参数优化方法及系统。
技术介绍
1、随着集成电路制造工艺的不断发展，芯片制造过程中的工艺参数优化对良率提升起着关键作用。传统的芯片制造工艺参数优化主要依赖工程师经验和单一工厂的历史数据进行调整。近年来，随着人工智能技术的发展，机器学习方法被引入芯片制造领域，通过数据驱动的方式实现工艺参数的自动优化。同时，联邦学习作为一种保护数据隐私的分布式机器学习框架，为多工厂间的协同优化提供了新的技术路径。目前，国内外众多研究机构和企业正在探索将联邦学习应用于芯片制造工艺优化，以期通过多工厂数据的协同学习提升整体制造水平。
2、现有的芯片制造工艺参数优化方法在实际应用中存在数据隐私保护不足的问题。由于芯片制造工艺数据涉及企业核心机密，各制造工厂之间难以直接共享原始数据，这限制了多工厂间的协同优化效果。
3、目前的优化方法缺乏对不同工厂工艺特征的精细化分析和分类。由于各芯片制造工厂的设备条件、工艺水平存在差异，简单地将所有工厂的数据进行统一优化往往难以取得理想效果，需要建...
【技术保护点】
1.基于联邦学习的芯片制造过程参数优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用动态时间规整算法计算不同芯片制造工厂基于所述低维特征向量的工艺轨迹相似度，生成工艺轨迹相似度矩阵包括：
3.根据权利要求1所述的方法，其特征在于，基于所述工艺轨迹相似度矩阵，采用谱聚类与密度峰值聚类的混合策略将所述多个芯片制造工厂划分为工艺族群，每个工艺族群设置独立的族群管理节点；各芯片制造工厂基于所述深度Q网络模型训练本地参数优化策略，得到局部训练梯度包括：
4.根据权利要求3所述的方法，其特征在于，构建包含策略网络与目标...
【技术特征摘要】
1.基于联邦学习的芯片制造过程参数优化方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，利用动态时间规整算法计算不同芯片制造工厂基于所述低维特征向量的工艺轨迹相似度，生成工艺轨迹相似度矩阵包括：
3.根据权利要求1所述的方法，其特征在于，基于所述工艺轨迹相似度矩阵，采用谱聚类与密度峰值聚类的混合策略将所述多个芯片制造工厂划分为工艺族群，每个工艺族群设置独立的族群管理节点；各芯片制造工厂基于所述深度q网络模型训练本地参数优化策略，得到局部训练梯度包括：
4.根据权利要求3所述的方法，其特征在于，构建包含策略网络与目标网络的深度q网络模型，所述策略网络输入工艺参数输出调整方案，基于所述目标网络评估所述调整方案的优化价值，各芯片制造工厂采用所述深度q网络模型进行本地参数优化训练包括：
5.根据权利要求3所述的方法，其特征在于，基于所述低维特征表示计算所述各芯片制造工厂的密度指标，所述密度指标包括局部数据密...
【专利技术属性】
技术研发人员：李清生，李树盛，程涛，
申请(专利权)人：北京珂阳科技有限公司，
类型：发明
国别省市：
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。