[发明专利]一种半导体器件的良率预测方法及装置

权利要求书

1.一种半导体器件的良率预测方法，其特征在于，包括：

获取待预测的半导体器件的缺陷数据，其中，所述待预测的半导体器件包括半导体器件成品及半导体器件半成品，所述缺陷数据指示所述半导体器件的至少一个缺陷的缺陷种类及位置；

将所述缺陷数据输入预先训练的良率预测模型，其中，所述良率预测模型包括神经网络结构及分类结构，所述神经网络结构用于从所述缺陷数据提取缺陷特征向量，所述分类结构用于根据所述缺陷特征向量输出良率合格或不合格的分类结果；以及

利用所述良率预测模型确定所述半导体器件的良率合格或不合格的分类结果。

2.如权利要求1所述的良率预测方法，其特征在于，还包括：

获取多个半导体器件样本的样本缺陷数据及样本良率数据，其中，所述样本缺陷数据指示各所述半导体器件样本的至少一个缺陷的缺陷种类及位置，所述样本良率数据指示各所述半导体器件样本的良率是否合格；以及

以所述样本缺陷数据为输入信息，并以所述样本良率数据为输出信息，训练所述良率预测模型。

3.如权利要求2所述的良率预测方法，其特征在于，训练所述良率预测模型的步骤包括：

将所述多个半导体器件样本的样本缺陷数据作为预训练结构的第一层神经网络的输入信息，以及所述预训练结构的最后一层神经网络的输出信息，无监督地训练所述预训练结构的每层神经网络，以确保每层所述神经网络都尽可能多地将特征信息映射到后一层神经网络；以及

去除所述预训练结构最后的至少一层神经网络，以获得所述神经网络结构，其中，所述神经网络结构包括多层所述神经网络。

4.如权利要求3所述的良率预测方法，其特征在于，每层所述神经网络包括至少一个相互独立的神经元，各所述神经元适于分别根据其输入信息及突触权值计算对应的输出信息，并将所述输出信息输入到后一层所述神经网络的各神经元，其中，所述输出信息为所述输入信息及所述突触权值的连续非线性函数，训练所述预训练结构的每层神经网络的步骤包括：

根据每层所述神经网络的各所述神经元的输入信息及输出信息，训练各所述神经元的突触权值，以训练所述神经网络。

5.如权利要求3所述的良率预测方法，其特征在于，所述预训练结构包括多层前级神经网络及多层后级神经网络，所述多层前级神经网络逐层降维，所述多层后级神经网络逐层升维，获得所述神经网络结构的步骤包括：

去除所述多层后级神经网络，并将所述多层前级神经网络作为所述神经网络结构。

6.如权利要求2所述的良率预测方法，其特征在于，所述分类结构包括支持向量机结构，所述支持向量机结构适于确定一个能将所述缺陷特征向量的所有数据划开的超平面，以实现对所述缺陷特征向量的分类，其中，所述超平面使所述缺陷特征向量的所有数据到所述超平面的距离最短。

7.如权利要求6所述的良率预测方法，其特征在于，所述支持向量机结构包括SVM网络，所述SVM网络配置于所述神经网络结构的最后一层神经网络之后以构成所述良率预测模型，训练所述良率预测模型的步骤包括：

将所述最后一层神经网络输出的所述缺陷特征向量作为所述SVM网络的输入信息，并将所述样本良率数据作为所述SVM网络的输出信息，有监督地反向训练所述神经网络结构的多层神经网络以微调所述良率预测模型。

8.如权利要求7所述的良率预测方法，其特征在于，训练所述良率预测模型的步骤还包括：

根据长期趋势图正常水平的底线失败库计数，确定微调后的所述良率预测模型输出的异常点；

从所述样本缺陷数据去除所述异常点的数据，并以多卡相邻样本的缺陷平均值对所述异常点的数据位置进行空值填充；以及

根据对所述异常点的准确率、检出率及误报率，调节所述支持向量机结构的惩罚系数、gamma值和/或权重，以优化所述良率预测模型。