[发明专利]一种基于相关熵和浅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浅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浅层神经网络模型，逐层提取变量的相关性信息，各层输出通过函数传递；收集模型最后一层的变量输出，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)，直至达到停止条件；(4)更改网络层数，重复步骤(2)至(3)，直到达到最大网络层数；(5)选择得到矫正结果最好的网络层数；保存各层参数，对新的待矫正数据进行计算并获得矫正值。利用本发明，能够获取更低误差的数据矫正结果。

技术领域

本发明涉及工业系统中过程监控领域，尤其是涉及一种基于相关熵和浅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。研究人员将统计信息(分布，方差等)与已知模型结合在一起，从而能够选择有效的估计方法，改进原有的均方误差目标函数并消除偏差。尽管这些方法在工程过程中表现出色，但所有这些方法都是基于模型的技术，其有效数据矫正的关键是采用良好的过程模型。如果模型不能如实地表示过程，那么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，以往的模型常采用预处理的方式解决，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，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，并以此作为矫正的依据，得到更好的校正值，从而也进一步促进数据关系优化。这样的一个循环有利于得到最终的相对准确的数据校正值。

发明内容

本发明公开了一种基于相关熵和浅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。

一种基于相关熵和浅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，采集与待校正变量对应的过程变量传感器的输出信号：

(2)将采集的变量直接输入构建好的浅层神经网络模型，逐层提取变量中的相关性信息，各层输出通过设定好的函数传递；

收集模型最后一层的变量输出，并与输入变量的数值对比，建立回归模型；

(3)保存当前浅层神经网络模型的参数权重，计算最终目标函数值，所述的目标函数采用相关熵函数；若不满足停止条件，更新参数权重并重复步骤(2)，直至达到停止条件；

(4)更改网络层数，并重复步骤(2)至(3)，直到达到最大网络层数；

(5)选择得到矫正结果最好的网络层数；保存各层参数值，对新的待矫正数据输入浅层神经网络模型，进行重新计算并获得变量矫正值。

本发明可以减少随机和严重误差的干扰，改进原始数据，显著提高过程性能与维护效率，从而降低生产损失，在提高经济效益方面具有重要的实用价值。