[发明专利]一种GMDH神经网络的晶圆CMP材料去除率预测方法

权利要求书

1.一种GMDH神经网络的晶圆CMP材料去除率预测方法，其特征是：包括如下步骤：

(1)获取去除异常值后的抛光样本数据集；其中样本数量为n，每个样本含有a个工艺变量和对应的MRR值；

抛光样本数据集是通过CMP设备上的传感器采集得到，当MRR值为140～170nm/min时，抛光样本数据集是指粗抛样本数据集；当MRR值为50～110nm/min时，抛光样本数据集是指精抛样本数据集；

(2)对抛光样本数据集中由若干个晶圆抛光产生的主要工艺变量进行统计分析，确定b个的有效工艺变量；其中，b＜a；

有效工艺变量为统计宽度范围为0.12～11的变量；当抛光样本数据集是指粗抛样本数据集时，有效工艺变量为：背衬膜消耗量、抛光垫消耗量、分区膜消耗量和柔性板消耗量；或者，当抛光样本数据集是指精抛样本数据集时，有效工艺变量为：背衬膜消耗量、抛光垫消耗量和分区膜消耗量；

(3)提取每个有效工艺变量的均值、标准差、歪度和峭度，获得4*b个特征向量；

(4)采用回归相关分析法对4*b个特征向量与对应的MRR值进行筛选，且设置相关系数阈值后，即可确定m个特征向量作为GMDH神经网络模型的输入特征向量；

当抛光样本数据集是指粗抛样本数据集时，m＝8，输入特征向量对应的输入工艺变量特征分别为：背衬膜消耗量的均值、背衬膜消耗量的歪度、抛光垫消耗量的均值、抛光垫消耗量的标准差、抛光垫消耗量的歪度、分区膜消耗量的均值、分区膜消耗量的歪度和柔性板消耗量的均值；

或者，当抛光样本数据集是指精抛样本数据集时，m＝8，输入特征向量对应的输入工艺变量特征分别为：背衬膜消耗量的歪度、抛光垫消耗量的均值、抛光垫消耗量的标准差、抛光垫消耗量的歪度、抛光垫消耗量的峭度、分区膜消耗量的均值、分区膜消耗量的标准差和分区膜消耗量的歪度；

(5)对m个特征向量形成的数据集A进行归一化处理得到训练特征集A′，其中，训练特征集A′的样本量为n₁，且n₁＜n；

(6)采用二元二次Volterra多项式回归模型，以样本量为n₁的训练特征集A′中的m个特征向量为输入层，训练特征集中对应的MRR值为输出层，训练并得到GMDH神经网络模型，即：

其中，为训练特征集A′中的第b个特征向量，x′_a,b为训练特征集A′中的第a个样本中第b个特征向量中对应的特征值，y_a为训练特征集A′中第a个样本对应的实际MRR值，n₁为训练样本量，a∈{1,2,…,n₁},b∈{1,2,…,m}；

(7)将待测样本中作为输入的m个特征值输入训练好的GMDH网络模型中，则输出预测的MRR值。