[发明专利]基于机器学习的半导体制造良率预测系统和方法

说明书

提供一种基于机器学习的半导体制造良率预测系统和方法。根据本发明的实施例的结果预测方法包括：通过根据数据的类型对不同类型的数据进行分类并将分类的不同类型的数据分别输入到不同的神经网络模型来学习不同的神经网络模型；并且通过根据输入数据的类型对输入数据进行分类并将分类的输入数据分别输入到不同的神经网络模型来预测结果值。因此，可根据数据的类型将不同的神经网络模型应用于各个数据，从而确保具有适合于每种类型的数据的特性的结构的神经网络模型，从而精确地预测结果值。

技术领域

本公开涉及半导体制造良率预测技术，更具体地讲，涉及一种用于基于在半导体制造工艺期间生成的数据来预测最终良率的系统和方法。

背景技术

为了预测半导体制造良率，使用在主要工艺之后获得的测量数据。也就是说，可通过收集在主要工艺期间生成的测量数据并将该数据和过去的数据进行比较来预测良率。

然而，由于影响半导体制造良率的因素非常多样且复杂，因此存在仅根据主要工艺的测量数据而预测良率会降低精确度的问题。

因此，需要一种通过综合地使用在半导体制造工艺期间生成的各种数据来准确地预测半导体制造良率的方法。

发明内容

技术问题

已经开发了本公开以解决现有技术的上述缺陷，并且本公开的目的是提供一种根据数据的类型应用不同的神经网络模型的用于基于机器学习来预测结果值的方法和系统。

技术方案

根据用于实现上述目的的本公开的实施例，一种结果预测方法包括：提取不同类型的数据；通过按类型对提取的数据进行分类并将分类的数据输入到不同的神经网络模型，来训练神经网络模型；接收不同类型的数据的输入；以及通过按类型对输入的数据进行分类并将分类的数据输入到不同的神经网络模型，来预测结果值。

此外，不同类型的数据可以是在半导体制造工艺期间生成的数据，并且结果值可以是半导体制造良率。

此外，数据可被分类为生产相关的数据、设备相关的数据、缺陷数据和测量数据中的至少两种类型的数据。

此外，缺陷数据和测量数据中的一个可以是图像化数据。

此外，输入数据的类型的数量可小于提取的数据的类型的数量。

此外，接收输入的步骤可包括：从请求结果值的预测的系统接收不同类型的数据的输入。

此外，提取的步骤可包括：周期性地提取数据，并且接收输入的步骤可包括：实时接收数据的输入。

此外，根据本公开实施例的结果预测方法还可包括：将提取的数据累积在基于存储的DB中；并将输入的数据累积在基于内存的DB中。训练的步骤可包括：按类型对在基于存储的DB中累积的数据进行分类，并将分类的数据输入到不同的神经网络模型。预测的步骤可包括：按时间对在基于内存的DB中累积的数据进行分类，并将分类的数据输入到不同的神经网络模型。

此外，预测的步骤可包括：通过对不同神经网络模型的结果值进行套袋或提升来计算预测值。

此外，根据本公开的实施例的结果预测方法还可包括：选择训练的神经网络模型的一些原因值；以及生成接收选择的原因值的输入的集成的神经网络模型。

此外，选择的步骤可包括：基于与训练的神经网络模型的结果值的相关性来选择一些原因值。

此外，根据本公开的实施例的结果预测方法还可包括：通过使用训练的神经网络模型和集成的神经网络模型中的至少一个来基于输入的数据预测结果值。