本發(fā)明涉及半導(dǎo)體制造，尤其涉及一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算方法及系統(tǒng)。

背景技術(shù)：

1、外延生長就是在晶圓襯底上生長上一層單晶膜(單晶層)，這層單晶膜稱為外延層。此晶圓襯底不一定與外延層有相同材質(zhì)及組成，外延層與晶圓襯底是相同材質(zhì)時稱為同質(zhì)外延生長，不同材質(zhì)時稱為異質(zhì)外延生長。因此，外延層的晶體結(jié)構(gòu)是晶圓襯底晶體結(jié)構(gòu)的延伸，通過外延生長可使元件有較高的擊穿電壓或電流處理能力。在半導(dǎo)體外延生長工藝中，精確計算生長率對于優(yōu)化生長工藝和提高成膜質(zhì)量至關(guān)重要。傳統(tǒng)方法在生長率計算上存在諸多局限性，例如：處理復(fù)雜的非線性關(guān)系能力不足，擴(kuò)展性差，準(zhǔn)確性欠佳問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算方法及系統(tǒng)，能夠快速準(zhǔn)確計算生長率，解決傳統(tǒng)方法在處理復(fù)雜的非線性關(guān)系能力不足，擴(kuò)展性差，準(zhǔn)確性欠佳的問題。

2、為實現(xiàn)上述目的，第一方面，本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算方法，包括：采集晶圓外延生長過程中的反射率數(shù)據(jù)；將所述反射率數(shù)據(jù)進(jìn)行預(yù)處理，得到輸入數(shù)據(jù)；將所述輸入數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行計算，得到外延生長組分的折射率值（n）和消光系數(shù)值（k）；根據(jù)得到的所述折射率值（n）和所述消光系數(shù)值（k）計算出晶圓外延生長率。

3、本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型構(gòu)建反射率數(shù)據(jù)和折射率值（n）、消光系數(shù)值（k）復(fù)雜的非線性關(guān)系，在神經(jīng)網(wǎng)絡(luò)模型輸入預(yù)處理后的反射率數(shù)據(jù)，可快速準(zhǔn)確得到非線性關(guān)系的折射率值（n）和消光系數(shù)值（k），依據(jù)折射率值（n）和消光系數(shù)值（k）計算出晶圓的外延生長率，本發(fā)明處理效率高、可實時快速準(zhǔn)確地計算外延生長率，并且神經(jīng)網(wǎng)絡(luò)模型通過調(diào)整訓(xùn)練中的權(quán)重參數(shù)可適應(yīng)多種類型的外延生長，具有多工藝通用性，適用范圍廣。

4、在一些實施例中，將所述輸入數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，包括：所述神經(jīng)網(wǎng)絡(luò)模型包括網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊和模型訓(xùn)練子模塊；所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊用于建立非線性的反射率數(shù)據(jù)與折射率值（n）和消光系數(shù)值（k）的映射關(guān)系，所述映射關(guān)系為f（x），其中輸入數(shù)據(jù)為r，關(guān)于r的映射關(guān)系表達(dá)為f（r）=（n,?k）；所述模型訓(xùn)練子模塊用于本地數(shù)據(jù)的訓(xùn)練，將本地數(shù)據(jù)中實際檢測的所述反射率數(shù)據(jù)、所述折射率值（n）和所述消光系數(shù)值（k）進(jìn)行標(biāo)注并預(yù)處理形成標(biāo)注數(shù)據(jù)集，所述標(biāo)注數(shù)據(jù)集通過k折交叉法形成訓(xùn)練集和驗證集，所述訓(xùn)練集輸入所述映射關(guān)系f（x），所述模型訓(xùn)練子模塊根據(jù)輸入的所述訓(xùn)練集調(diào)整所述映射關(guān)系f（x），所述驗證集輸入所述映射關(guān)系f（x）進(jìn)行驗證，并將調(diào)整后所述映射關(guān)系f（x）反饋到所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊。其有益效果在于：神經(jīng)網(wǎng)絡(luò)模型中的網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊根據(jù)不同的外延生長條件和不同材料體系調(diào)整網(wǎng)絡(luò)參數(shù)，可以計算出不同外延生長條件和不同材料體系的外延生長率，適用范圍廣。模型訓(xùn)練子模塊根據(jù)本地實際檢測的反射率數(shù)據(jù)、折射率值（n）和消光系數(shù)值（k）不斷學(xué)習(xí)調(diào)整映射關(guān)系f（x），對映射關(guān)系f（x）進(jìn)行優(yōu)化，并反饋到所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊，進(jìn)一步提高神經(jīng)網(wǎng)絡(luò)模型的性能。

5、在一些實施例中，所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊包括輸入層、隱藏層和輸出層，所述輸入層、所述隱藏層和所述輸出層均包括神經(jīng)元；所述輸入層、所述隱藏層和所述輸出層之間形成全連接網(wǎng)絡(luò)模型，用于數(shù)據(jù)特征映射；所述隱藏層包括隱藏單層，所述隱藏單層大于等于3層，所述隱藏單層包括多個所述神經(jīng)元，多個所述神經(jīng)元之間全連接，所述神經(jīng)元用于數(shù)據(jù)特征的提取。其有益效果在于：多個隱藏單層中的神經(jīng)元可對信息進(jìn)行更加高級的特征提取，得到更高級層次的特征表示。

6、在一些實施例中，所述隱藏單層均采用激活函數(shù)，所述激活函數(shù)引入非線性因子，用于增強(qiáng)所述映射關(guān)系f（x）表達(dá)能力。其有益效果在于：隱藏單層中的激活函數(shù)將線性模型引入非線性因子，讓線性模型通過激活函數(shù)表達(dá)為非線性關(guān)系，實現(xiàn)從輸入數(shù)據(jù)表達(dá)為非線性關(guān)系的折射率值（n）和消光系數(shù)值（k），完成非線性運(yùn)算。

7、在一些實施例中，將所述驗證集的反射率數(shù)據(jù)輸入所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊，通過映射關(guān)系f（x）得到多個預(yù)測的折射率值（n）和消光系數(shù)值（k）；所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊包括損失函數(shù)，所述損失函數(shù)為均方根誤差函數(shù)，所述損失函數(shù)量化所述映射關(guān)系f（x）得出的預(yù)測值和本地數(shù)據(jù)中實際檢測的值之間的差異，所述損失函數(shù)用于優(yōu)化所述映射關(guān)系f（x）；通過優(yōu)化后的所述映射關(guān)系f（x）得到多個預(yù)測的折射率值（n）和消光系數(shù)值（k），將多個預(yù)測的所述折射率值（n）和所述消光系數(shù)值（k）制作為散點圖，用于觀察魯棒性；多個預(yù)測的所述折射率值（n）和所述消光系數(shù)值（k）與本地數(shù)據(jù)中實際檢測的所述折射率值（n）和所述消光系數(shù)值（k）通過所述均方根誤差函數(shù)進(jìn)行均方根誤差計算，并得到均方根誤差計算數(shù)值，根據(jù)所述均方根誤差計算數(shù)值和魯棒性去反映對應(yīng)映射關(guān)系f（x）的穩(wěn)定性和準(zhǔn)確性。其有益效果在于：通過觀測得出的魯棒性和均方根誤差計算數(shù)值，可以反應(yīng)映射關(guān)系f（x）的穩(wěn)定性和準(zhǔn)確性。

8、在一些實施例中，所述采集晶圓外延生長過程中的反射率數(shù)據(jù)，包括：將外延生長過程中實時監(jiān)測的反射率數(shù)據(jù)進(jìn)行采集，并制作成數(shù)據(jù)集。其有益效果在于：反射率數(shù)據(jù)采集后制作成數(shù)據(jù)集，便于數(shù)據(jù)集中的數(shù)據(jù)進(jìn)行集中預(yù)處理。

9、在一些實施例中，所述將反射率數(shù)據(jù)進(jìn)行預(yù)處理，得到輸入數(shù)據(jù)，包括：將反射率數(shù)據(jù)制作成的數(shù)據(jù)集進(jìn)行滑動平均濾波處理，所述滑動平均濾波中的窗口用于去除異常值和明顯錯誤的數(shù)據(jù)值，對反射率數(shù)據(jù)進(jìn)行降噪；降噪后的反射率數(shù)據(jù)進(jìn)行歸一化處理，得到輸入數(shù)據(jù)，所述輸入數(shù)據(jù)用于輸入神經(jīng)網(wǎng)絡(luò)模型。其有益效果在于：數(shù)據(jù)集進(jìn)行滑動平均濾波處理，對數(shù)據(jù)集進(jìn)行快速計算，能夠?qū)崿F(xiàn)數(shù)據(jù)的實時處理，數(shù)據(jù)處理響應(yīng)速度快，滑動平均濾波處理后的數(shù)據(jù)進(jìn)行歸一化處理，將降噪后的反射數(shù)據(jù)的數(shù)值范圍轉(zhuǎn)換到統(tǒng)一的尺度上，得到神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。

10、在一些實施例中，所述窗口大小為b×1，其中b為數(shù)據(jù)長度。

11、在一些實施例中，所述歸一化處理將降噪后的反射率數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布，用于將降噪后的反射率數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一尺度，得到輸入數(shù)據(jù)。其有益效果在于：降噪后的反射率數(shù)據(jù)歸一化處理簡化了計算過程，減少運(yùn)算量，提高了梯度下降過程中模型收斂速度。

12、在第二方面，本發(fā)明實施例提供一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算系統(tǒng)，包括：數(shù)據(jù)采集模塊，用于采集晶圓外延生長過程中的反射率數(shù)據(jù)；數(shù)據(jù)預(yù)處理模塊，其將接收的所述反射率數(shù)據(jù)進(jìn)行預(yù)處理，得到輸入數(shù)據(jù)；神經(jīng)網(wǎng)絡(luò)模型模塊，其將接收的所述輸入數(shù)據(jù)進(jìn)行計算得到外延生長組分的折射率值（n）和消光系數(shù)值（k）；生長率計算模塊，其根據(jù)得到的折射率值（n）和消光系數(shù)值（k）計算出晶圓外延生長率。

技術(shù)特征：

1.一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，將所述輸入數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于：所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊包括輸入層、隱藏層和輸出層，所述輸入層、所述隱藏層和所述輸出層均包括神經(jīng)元；

4.根據(jù)權(quán)利要求3所述的方法，其特征在于：所述隱藏單層均采用激活函數(shù)，所述激活函數(shù)引入非線性因子，用于增強(qiáng)所述映射關(guān)系f（x）表達(dá)能力。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于：將所述驗證集的反射率數(shù)據(jù)輸入所述網(wǎng)絡(luò)架構(gòu)設(shè)計子模塊，通過所述映射關(guān)系f（x）得到多個預(yù)測的折射率值（n）和消光系數(shù)值（k）；

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述采集晶圓外延生長過程中的反射率數(shù)據(jù)，包括：

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述將所述反射率數(shù)據(jù)進(jìn)行預(yù)處理，得到輸入數(shù)據(jù)，包括：

8.根據(jù)權(quán)利要求7所述的方法，其特征在于：所述窗口大小為b×1，其中b為數(shù)據(jù)長度。

9.根據(jù)權(quán)利要求7所述的方法，其特征在于：所述歸一化處理將降噪后的反射率數(shù)據(jù)轉(zhuǎn)換為均值為0、標(biāo)準(zhǔn)差為1的分布，用于將降噪后的反射率數(shù)據(jù)轉(zhuǎn)化為統(tǒng)一尺度，得到輸入數(shù)據(jù)。

10.一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算系統(tǒng)，其特征在于，包括：

技術(shù)總結(jié)
本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的外延生長率計算方法及系統(tǒng)，其中方法包括：采集晶圓外延生長過程中的反射率數(shù)據(jù)；將所述反射率數(shù)據(jù)進(jìn)行預(yù)處理，得到輸入數(shù)據(jù)。本發(fā)明通過神經(jīng)網(wǎng)絡(luò)模型構(gòu)建反射率數(shù)據(jù)和折射率值（n）、消光系數(shù)值（k）復(fù)雜的非線性關(guān)系，在神經(jīng)網(wǎng)絡(luò)模型輸入預(yù)處理后的反射率數(shù)據(jù)，可快速準(zhǔn)確得到非線性關(guān)系的折射率值（n）和消光系數(shù)值（k），依據(jù)折射率值（n）和消光系數(shù)值（k）計算出晶圓的外延生長率，本發(fā)明處理效率高、可實時快速準(zhǔn)確地計算外延生長率，并且神經(jīng)網(wǎng)絡(luò)模型通過調(diào)整訓(xùn)練中的權(quán)重參數(shù)可適應(yīng)多種類型的外延生長，具有多工藝通用性，適用范圍廣。

技術(shù)研發(fā)人員：張黎明,劉新陽,劉杰
受保護(hù)的技術(shù)使用者：上海車儀田科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19