论文部分内容阅读
半导体芯片作为高端制造的核心与瓶颈,在国家发展、经济可持续发展等一系列重大战略问题上的重要性日益突出。在半导体晶圆制造过程中,随着集成电路尺寸不断缩小、加工工艺日益复杂,晶圆允收测试(Wafer Acceptance Test,WAT)的参数数量逐渐增加,相应所耗费的时间成本也不断提升。针对WAT参数之间数据体量大、数据间冗余性突出、关联关系与映射复杂等问题,如何提供一种有效的晶圆良率预测方法,使得在减少繁琐测试过程与诊断范围的同时,保证晶圆良率的预测准确度,对预知良率变化趋势、减少后续测试时间与测试成本,以及晶圆生产制造过程中快速发现低良率原因、提升晶圆制造水平具有重要意义。针对以上需求,本文对WAT参数的特征选择与晶圆良率预测方法开展系统性研究,主要研究工作如下:1)WAT参数的特征选择:针对晶圆允收测试参数维度高、数据间冗余性强、关键参数不显著的特点,以最小化晶圆良率的预测误差值和最少特征数量为目标,提出过滤式与封装式相结合的混合式特征选择(Hybrid Festure Selection,HFS)方法,挑选出晶圆制造过程中的关键晶圆允收测试参数。首先提出基于互信息的最大相关最小冗余过滤式参数预筛选方法,通过互信息计算各参数与晶圆良率值的相关性,同时利用互信息对各参数间的冗余性进行度量,实现单个参数的最大相关最小冗余预筛选,减小进一步搜索的特征规模;其次设计基于遗传算法与神经网络相结合的封装式参数特征选择模型,通过遗传算法实现候选输入参数的编码、寻优,以神经网络的晶圆良率预测误差值和已选特征的权重信息作为适应度函数进行求解,实现组合参数的精选过程;最后采用标准数据集和实例数据验证所提方法的有效性。2)晶圆良率预测:针对晶圆良率的影响因素多、数据体量大、数据间关系复杂等特点,以关键WAT参数为依据,提出一种基于改进的连续型深度信念网络(Improved Continuous Deep Belief Network,ICDBN)的晶圆良率预测方法。所设计的基于深度信念网络的晶圆良率预测模型主要包括两个部分,即通过改进隐藏层的连续型受限制玻尔兹曼机,实现关键特征的自动提取;利用输出层的误差反向传播机制,实现晶圆良率的预测误差微调。采用实例数据,对比所提方法与现有文献方法的预测准确率,验证了方法的有效性。在上述研究基础上,以上海市某300mm晶圆生产线的晶圆制造场景作为案例背景,分析了晶圆良率预测原型系统需求,设计并开发了晶圆良率预测原型系统,对主要研究内容予以验证,为晶圆制造过程中关键WAT参数变化情况与晶圆良率变化趋势的获取提供了有效的工具与平台。