[发明专利]一种基于集成学习建模技术的半导体过程监测方法

说明书

技术领域

本发明属于半导体工业过程监测领域，特别涉及一种基于集成学习建模技术和支持向量数据描述的过程监测方法。

背景技术

进入21世纪以来，半导体工业生产过程的监测问题越来越得到工业界和学术界的广泛重视，这是由于半导体工业过程本身对产品质量的要求极高，如何有效地防止过程产生劣质和不合格的产品是迫切需要解决的问题。另外，对半导体过程进行有效的监测，其获得的结果还可以反过来指导生产过程和生产工艺的改进。传统的半导体过程监测方法除了基于机理模型的方法外，大多采用多向形式的多元统计分析方法，比如多向主元分析方法（MPCA）和多向偏最小二乘方法（MPLS）等。在机理模型难以获取的情况下，基于数据驱动的多元统计分析方法已经成为半导体过程监测的主流方法。但是，传统的多元统计分析方法往往局限于过程的高斯数据信息，而且要求过程变量服从线性关系，这在实际过程中都很难得到满足。支持向量数据描述方法是近年来引入到过程监测领域的新方法，它不仅能有效描述数据的非高斯信息，而且能提取过程变量之间的非线性关系。但是，单一的过程监测模型在很多情况下仍然达不到半导体工业的监测要求。随着集成学习建模技术的不断发展和成熟，如果能在支持向量数据描述方法的基础上，建立多个有效的过程监测模型，不仅能提升半导体过程的实时监测效果，而且能大大增强监测模型的鲁棒性，非常有利于半导体过程的自动化实施。

发明内容

本发明的目的在于针对目前半导体行业监测技术的不足，提供一种基于集成学习建模技术和支持向量数据描述的过程监测方法。

本发明的目的是通过以下技术方案来实现的：

利用集散控制系统收集半导体过程各个正常工况的数据组成建模用的三维训练样本集：X∈R^I×J×K，其中I为总的批次数目，J为变量个数，K为每个批次的采样数据点数。分别将这些数据存入历史数据库。将三维过程数据沿着批次方向展开为I×JK二维数据矩阵，对其进行预处理和归一化，即使得各个过程变量的均值为零，方差为1，得到新的数据矩阵集为重新沿着时间点方向对每一个数据矩阵进行排列，得到新的数据矩阵为

针对新的二维数据矩阵，在样本方向上进行随机采样，获取多个二维独立数据矩阵其中b=1,2,…,B,B为二维独立数据矩阵个数。分别针对每一个二维独立数据矩阵，建立支持向量数据描述模型，在高维特征空间中确定超球体的球心位置和半径大小。将建模数据和各个模型参数存入历史数据库和实时数据库中备用。

收集新的过程数据，并对其进行预处理和归一化。分别采用不同的支持向量数据描述模型对其进行监测，获得单个模型的监测结果。通过贝叶斯推理方法对各个支持向量数据描述模型的结果进行综合，在概率框架下，计算当前数据的故障概率值，构造新的统计量对半导体过程进行监测。

本发明的有益效果是：本发明同时引入支持向量数目描述算法和集成学习建模技术，通过建模多个半导体过程监测数据模型，并利用贝叶斯推理方法对实时数据进行在线信息集成。相比目前的其它半导体过程监测方法，本发明不仅可以有效提升半导体过程的监测效果，而且在很大程度上改善了监测模型的鲁棒性。

附图说明

图1是传统的单一支持向量数据描述方法对故障批次的监测结果；

图2是本发明方法对故障批次的监测结果。

具体实施方式

本发明针对半导体过程的监测问题，首先利用集散控制系统收集该过程的正常历史数据。然后将三维过程数据沿着批次方向展开为I×JK二维数据矩阵，对其进行预处理和归一化，重新沿着时间点方向对每一个数据矩阵进行排列，得到新的数据矩阵。针对新的二维数据矩阵，在样本方向上进行随机采样，获取多个二维独立数据矩阵，分别针对每一个二维独立数据矩阵，建立支持向量数据描述模型，在高维特征空间中确定超球体的球心位置和半径大小。将建模数据和各个模型参数存入历史数据库和实时数据库中备用。对新的批次数据进行监测的时候，分别采用不同的支持向量数据描述模型对其进行监测，获得单个模型的监测结果。通过贝叶斯推理方法对各个支持向量数据描述模型的结果进行综合，在概率框架下，计算当前数据的故障概率值，构造新的统计量对半导体过程进行监测。

本发明采用的技术方案的主要步骤分别如下：

第一步：利用集散控制系统收集半导体过程正常工况的数据组成建模用的三维训练样本集：X∈R^I×J×K。其中，其中I为总的批次数目，J为变量个数，K为每个批次的采样数据点数。分别将这些数据存入历史数据库；