[发明专利]神经网络误差-反向传播算法预测半导体产品良率的方法

权利要求书

1.一种神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，包括：

S1：基于神经网络误差-反向传播算法完成算法搭建；

S2：将已有半导体产品的与良率相关的参数及良率数据输入至步骤S1搭建的神经网络误差-反向传播算法，通过机器学习优化神经网络误差-反向传播算法中的权值；

S3：基于步骤S2中的权值已经优化后的神经网络误差-反向传播算法得到一产品的良率预测值，计算神经网络误差-反向传播算法的准确度，其中准确度＝1-(|预测值-实际值|)/实际值，其中实际值为该产品的良率实测值，来评估算法可靠性，若准确度大于一预定值时认为优化后的神经网络误差-反向传播算法是可靠的，则可利用优化后的神经网络误差-反向传播算法进行产品的良率预测，若准确度小于一预定值时则进入步骤S2继续对权值进行优化，直至准确度大于一预定值；以及

S4：使用步骤S3确定的神经网络误差-反向传播算法对需要出货的晶圆预测良率。

2.根据权利要求1所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，步骤S1中神经网络误差-反向传播算法包括信号的正向传播路径与误差的反向传播路径。

3.根据权利要求2所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，信号的正向传播路径为将输入样本输入至输入层，然后输入层至各隐层进行处理，然后至输出层输出输出数据；误差的反向传播路径为将输出数据与期望输出的输出误差至各隐层进行处理，然后至输入层。

4.根据权利要求1所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，通过Python编程完成算法搭建。

5.根据权利要求2所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，在信号的正向传播路径和误差的反向传播路径过程中优化算法中的权值。

6.根据权利要求1所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，步骤S2还包括神经网络误差-反向传播算法的网络结构、激活、损失、优化函数及学习轮数的最优搭配确定线。

7.根据权利要求6所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，在激活、损失、优化函数及学习轮数值固定的情况下，改变网络结构参数，直至得到输出参数与预测值之间的误差最小时对应的网络结构参数，将其作为神经网络误差-反向传播算法的网络结构参数，并依次将选择其中一参数进行优化，并在对该参数优化的过程中将其它参数固定，从而得到网络结构、激活、损失、优化函数及学习轮数的最优搭配确定。

8.根据权利要求1所述的神经网络误差-反向传播算法预测半导体产品良率的方法，其特征在于，步骤S2中将各个产品平台采用步骤S2分别训练，建立各自神经网络误差-反向传播算法的优化后的权值参数。