[发明专利]一种基于相关熵和深层神经网络的半导体过程数据矫正方法

说明书

本发明公开了一种基于相关熵和深层神经网络的半导体过程数据矫正方法，包括：(1)采集与待矫正变量对应的过程变量传感器的输出信号；(2)将每个变量输入建立好的深层神经网络模型，逐层提取变量的相关性信息，收集模型最后一层的特征输出至映射函数，并与输入变量对比，建立回归模型；(3)保存当前模型的参数权重，计算最终目标函数值，若不满足停止条件，更新参数权重并重复步骤(2)；(4)更改网络层数与特征迭代层数，并重复步骤(2)和(3)，直到达到最大层数；(5)选择得到矫正结果最好的网络层数和特征迭代层数；保存各层参数值，对待矫正数据进行计算并获得矫正值。利用本发明，获取更低误差的数据矫正结果。

技术领域

本发明属于工业系统中过程监控领域，尤其是涉及一种基于相关熵和深层神经网络的半导体过程数据矫正方法。

背景技术

近年来，诸如过程监控，软测量之类的数据驱动方法已被确立为半导体行业中强大的过程控制工具。因此，测量过程数据的可靠性和准确性对于化学工业中工厂的高效，盈利和安全运行至关重要。

但是，由于过程的可变性和测量技术的局限性等因素，在线测量的数据通常会受到随机误差和重大误差的干扰。通过改进原始数据集，可以显着提高过程性能和维护效率。因此，可以减轻原始数据中的错误影响的数据矫正已成为数据分析中的重要领域研究。

在半导体行业中，数据矫正也称为偏差估计。研究人员基于已知的变量关系模型，结合变量的统计信息，选择有效的估计方法，进而改进目标函数并消除误差。尽管这些方法在工程过程中表现出色，但所有这些方法都需要精准的模型关系作为先验知识，否则校正后的数据将因模型不匹配而失真。

而对于部分真实工业过程，想要准确得到过程模型比较困难。另一方面，对于模型里的重大误差，传统的模型基于变量的统计关系，预先判断是否为重大误差，之后采用补零或补平均值的方式解决。但是这一方法仅考虑单一变量的统计知识，没有考虑到整个过程其他变量之间的关系，可能会造成不恰当的矫正结果。

基于以上背景，需要考虑找到一种方法，可以通过采集的原始样本数据挖掘出数据关系，代替难以获取的先验知识，并以此作为矫正的依据，得到更好的校正值。

发明内容

本发明提供了一种基于相关熵和深层神经网络的半导体过程数据矫正方法，能够适用于含有随机误差和重大误差的过程测量值，只需获取常规运行数据，无需任何先验知识或预处理。

一种基于相关熵和深层神经网络的半导体过程数据矫正方法，包括：

(1)对于存在扰动的控制过程，采集与待矫正变量对应的过程变量传感器的输出信号；

(2)将每个变量直接输入建立好的深层神经网络模型，逐层提取变量中的相关性信息，收集模型最后一层的特征输出至输出映射函数，并与输入变量数值对比，建立回归模型；具体过程如下：

(2-1)x∈R^D表示D维带有误差的变量输入，对于第t(t＝1，2，…，T)步骤的第一层隐节点得到：

其中，φ_h为非线性激活函数，W₁，U₁与b₁分别为第一层水平和垂直方向权重矩阵，以及第一层隐节点偏差向量；以第一层隐节点为基础，深层神经网络模型的深层特征表示为：

为第l层特征深层传递函数，W_l，U_l与b_l分别为第l层水平和垂直方向权重矩阵，以及第l层隐节点偏差向量；隐节点右上标表示特征层数，右下标表示迭代步骤；

(2-2)经由多层多步骤连续迭代后，最后一层网络输出为矫正值o_T：