【技术实现步骤摘要】
本专利技术属于自动控制、信息技术和先进制造领域，针对在对光刻线宽预测过程所存在的数据维数高且训练数据分批到达的特点，提出一种基于矩阵求逆降维获得在线增量式极限学习机的光刻线宽智能预测方法，其可实现对指标预测模型参数的在线调整，该方法具有较好的预测精度和效率。
技术介绍
光刻线宽是影响微电子产品良率的关键工艺指标，但目前其检测结果存在较大滞后，难以实现对影响该指标的相关关键工艺操作参数的在线优化调整，从而影响了产品良率的改进，因而在微电子生产线中亟需实现对光刻线宽指标的实时预测。针对光刻线宽检测过程中所获得数据具有维数高、数据分批到达的特点，提出一种基于矩阵求逆降维和增量式极限学习机的光刻线宽预测算法。近年来，GAP-RBF、SA0-ELM、0S-ELM等多种可用于非线性系统在线建模的神经网络方法已被提出，此类方法能够在新的数据到达时，对模型的结构或参数进行在线调整，从而避免对所有样本数据进行重新训练，减少了计算量，提高了计算效率。但由于上述方法都是基于经验风险最小化准则进行建模的，存在过拟合、隐层节点难以确定等缺陷，严重影响实际应用时的建模精度。如何提高建模算法的精度和效率，同时满足数据分批到达的特点，是建立光刻线宽预测模型的难点。本专利技术所提出的基于矩阵求逆降维和增量式极限学习机的指标预测方法对光刻线宽指标具有较好的预测效果。
技术实现思路
为了解决上述难点，本专利技术提出一种基于矩阵求逆降维变换和增量式极限学习机的光刻线宽智能预测方法，对基于结构风险最小化的批处理极限学习机中的矩阵求逆采用矩阵求逆降维公式进行降维，以建立极限学习机模型参数与新到达数据的...
【技术保护点】
基于降维和增量式极限学习机的光刻线宽智能预测方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的：步骤(1)：模型选择与参数初始化对于给定的N个样本，其输入记为其中xi表示每i个样本，由29维数据组成的向量，该向量包括如下参数：与待预测lot处于相同加工层次、相同品种的前5个lot对应的曝光剂量、光刻机焦距、曝光剂量的质量控制值、线宽测量值以及光刻胶厚度；当前待预测lot的曝光剂量、光刻机焦距、曝光剂量的质量控制值和光刻胶厚度；N个样本输入相对应的输出记为yi为光刻线宽测量值；给定基于结构风险最小化的极限学习机的隐层节点数L，采用径向基函数作为特征变换函数，函数形式为 G ( a i , b i , x i ) = e - b i ...
【技术特征摘要】
1.基于降维和增量式极限学习机的光刻线宽智能预测方法，其特征在于，所述方法是在计算机上依次按以下步骤实现的: 步骤(I):模型选择与参数初始化 对于给定的N个样本，其输入记为X = ，其中Xi表示每i个样本，由29维数据组成的向量，该向量包括如下参数:与待预测lot处于相同加工层次、相同品种的前5个lot对应的曝光剂量、光刻机焦距、曝光剂量的质量控制值、线宽测量值以及光刻胶厚度；当前待...
【专利技术属性】
技术研发人员：刘民，郝井华，郭路，吴澄，王凌，张亚斌，刘涛，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11
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。