一种基于WOA-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法

一种基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法
技术领域
1.本发明涉及集成电路制造领域，尤其涉及一种通过虚拟量测来判断制造过程或者器件性能的集成电路沉积膜厚特征处理方法。


背景技术：

2.传统的特征筛选普较多采用过滤式方法，无法保证在特征选择问题中找到最佳特征集；目前广泛应用的特征提取方法为用群智能算法woa(鲸鱼优化算法)用于特征筛选，同时卷积神经网络通过卷积和池化操作，将通过特征选择获得的输入数据的特征在卷积神经网络中进一步地提取出来，然而网络的层数增加到一定的程度后，将会发生梯度消失的现象，网络的性能将会逐渐退化。为了解决这个问题，可以通过添加残差块的方式解决普通卷积神经网络中由于层数增加所导致的网络退化问题，即残差卷积神经网络。在对特征进行筛选后，使用残差卷积神经网络进行特征提取，提取后的特征可用于后续的预测过程。


技术实现要素：

3.鉴于现有技术的上述缺点、不足，本发明提供一种基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其解决了在cnn特征提取方法中，网络的层数增加到一定的程度后，可能发生的梯度消失现象带来的影响。
4.技术方案
5.为了达到上述目的，本发明采用的主要技术方案包括：
6.本发明实施例提供一种基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其包括：
7.步骤1：提取集成电路沉积膜特征数据集；
8.步骤2：对集成电路沉积膜特征数据集内各数据均做归一化处理，得到归一化后集成电路沉积膜特征数据集；
9.步骤3：利用woa鲸鱼优化算法对归一化后集成电路沉积膜厚特征数据集做特征筛选；
10.步骤4：利用卷积核对上述特征筛选后的集成电路沉积膜特征数据集做卷积处理，得到卷积后集成电路沉积膜厚特征数据集；
11.步骤5：将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理，得到激活后集成电路沉积膜厚特征数据集；
12.步骤6：重复上述过程，添加多个卷积层、激活层；
13.步骤7：在卷积层之间添加残差网络；
14.步骤8：利用池化层对所得激活后集成电路沉积膜厚特征数据集做池化处理，得到池化后集成电路沉积膜厚特征数据集。
15.薄膜沉积是集成电路制造过程中必不可少的环节，随着集成电路制造领域的发
展，集成电路对薄膜有着好的台阶覆盖能力、好的厚度均匀性、受控制的化学剂量、填充高深宽比间隙的能力、高纯度和高密度、高度的结构完整性和低的应力、好的电学特性以及对衬底材料或下层膜有好的粘附性等越来越精密的高要求，因而在生产阶段也需要更好的筛选技术。而本发明提出的一种基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，可以通过特征提取，有效地提高预测的精度，缩短预测所需的时间。在本方法中，对集成电路沉积膜特征数据集内各数据均做归一化处理，将所有数据映射到[0，1]区间之中，让数值差异较大的原始数据缩小至同一数量级，方便后续更加便捷快速地处理数据。利用鲸鱼优化算法(whale optimization algorithm,woa)这种操作简单，调整的参数少以及跳出局部最优的能力强的算法对归一化后集成电路沉积膜厚特征数据集做特征筛选；利用卷积核对筛选后的集成电路沉积膜特征数据集的特定特征进行提取；引入非线性因素将所得归一化后的数据做激活处理，以增强网络的非线性能力；重复进行以上的卷积和激活过程，添加多个卷积层、激活层，从而提高了预测的准确率；在卷积层之间添加残差网络，可以使卷积层隔层相连，弱化每层之间的强联系，使每个网络层都应该更容易地包含原始参数作为其元素之一；最后的池化操作的目的是对特征降维，大大降低了对于计算资源的损耗，得到池化后集成电路沉积膜厚特征数据集。
[0016]
改进地，集成电路沉积膜特征数据集为从集成电路薄膜沉积设备中提取的关于集成电路薄膜沉积过程的所有工艺参数。
[0017]
通过全面多角度地提取关于集成电路薄膜沉积过程的所有工艺参数作为原始数据信息，可以更周全地包含集成电路薄膜沉积过程的各项特征，使后续预测得到的结果更具有实际参考价值。
[0018]
改进地，在基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，所述的归一化过程如下：
[0019][0020]
其中，x为待归一化处理的样本数据，x
*
为样本数据x经归一化处理后的数值，x
max
为样本数据x所属特征数据集的特征最大值，x
min
为样本数据x所属特征数据集的特征最小值。
[0021]
改进地，在基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，所述的利用激活函数将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理；其中，激活函数如下：
[0022][0023]
其中，x为待激活处理的样本数据。
[0024]
改进地，在woa特征提取方法中，使用catboost模型进行回归预测得到的mse值作为适应度函数，参数设定为num_iterations＝300，num_whales＝20。其中mse的公式为：
[0025][0026]
其中，yi为第i个样本的真实值，为第i个样本的预测值。
[0027]
有益效果
[0028]
本发明的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，使用了woa进行特征筛选，并在传统cnn特征提取方法上增加了残差块，使用残差卷积神经网络进行特征提取，相对于现有技术而言，能够最大程度上筛除冗余特征和删除无关信息，使得后续预测的精度大幅提高的同时能够缩短预测所需的时间。
附图说明
[0029]
图1为本发明流程图。
具体实施方式
[0030]
为了更好的解释本发明，以便于理解，下面通过具体实施方式，对本发明作详细描述。
[0031]
本发明实施例提出的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，通过添加残差块的方式解决普通卷积神经网络中由于层数增加所导致的网络退化问题。
[0032]
为了更好的理解上述技术方案，下面将更详细地描述本发明的示例性实施例，帮助更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
[0033]
步骤1，从集成电路薄膜沉积设备中提取的关于集成电路薄膜沉积过程的所有工艺参数，收集后做成数据集；
[0034]
步骤2，对集成电路沉积膜特征数据集内各数据均做归一化处理，得到归一化后集成电路沉积膜特征数据集；
[0035]
步骤3，利用woa鲸鱼优化算法这种新颖且性能优异的群智能算法对归一化后集成电路沉积膜厚特征数据集做特征筛选；
[0036]
步骤4，本实施例以36个特征为例，将特征筛选得到36个特征改写为6
×
6的形式，利用3
×
3的卷积核对特征筛选后的集成电路沉积膜特征数据集做卷积处理，将通过特征选择获得的输入数据的特征进一步地提取出来，得到卷积后集成电路沉积膜厚特征数据集；
[0037]
步骤5，将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理，得到激活后集成电路沉积膜厚特征数据集；
[0038]
步骤6，重复步骤4和步骤5过程，添加多个卷积层、激活层，本实施例以八层卷积层和八个激活层为例；
[0039]
步骤7，添加残差网络，在第二个卷积层和第五个卷积层，以及第四个卷积层和第七个卷积层之间添加残差网络，这一步的作用是消除网络层数过多可能带来的梯度消失现象对筛选结果带来的影响；
[0040]
步骤8，利用3
×
3的池化层对所得激活后集成电路沉积膜厚特征数据集做池化处理，得到池化后集成电路沉积膜厚特征数据集；
[0041]
改进地，在所述基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，在步骤1中，所述集成电路沉积膜特征数据集为从集成电路薄膜沉积设备中提取的关于集成电路薄膜沉积过程的所有工艺参数。
[0042]
再改进，在所述基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法
中，所述步骤2和所述步骤4中的归一化过程如下：
[0043][0044]
其中，x为待归一化处理的样本数据，x
*
为样本数据x经归一化处理后的数值，x
max
为样本数据x所属特征数据集的特征最大值，x
min
为样本数据x所属特征数据集的特征最小值。
[0045]
改进地，在所述基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，在步骤6中，利用激活函数将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理；其中，激活函数如下：
[0046][0047]
其中，x为待激活处理的样本数据。
[0048]
其中的woa特征提取方法，使用catboost模型进行回归预测得到的mse值作为适应度函数，参数设定为num_iterations＝300，num_whales＝20。其中mse的公式为：
[0049][0050]
其中，yi为第i个样本的真实值，为第i个样本的预测值。
[0051]
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0052]
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连；可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
[0053]
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”，可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”，可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”，可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度低于第二特征。
[0054]
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0055]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。

技术特征：
1.一种基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其特征在于：步骤1：提取集成电路沉积膜特征数据集；步骤2：对集成电路沉积膜特征数据集内各数据均做归一化处理，得到归一化后集成电路沉积膜特征数据集；步骤3：利用woa鲸鱼优化算法对归一化后集成电路沉积膜厚特征数据集做特征筛选；步骤4：利用卷积核对上述特征筛选后的集成电路沉积膜特征数据集做卷积处理，得到卷积后集成电路沉积膜厚特征数据集；步骤5：将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理，得到激活后集成电路沉积膜厚特征数据集；步骤6：重复上述过程，添加多个卷积层、激活层；步骤7：在卷积层之间添加残差网络；步骤8：利用池化层对所得激活后集成电路沉积膜厚特征数据集做池化处理，得到池化后集成电路沉积膜厚特征数据集。2.如权利要求1所述的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其特征在于：上述集成电路沉积膜特征数据集为从集成电路薄膜沉积设备中提取的关于集成电路薄膜沉积过程的所有工艺参数。3.如权利要求1所述的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其特征在于：在上述基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，所述的归一化过程如下：其中，x为待归一化处理的样本数据，x
*
为样本数据x经归一化处理后的数值，x
max
为样本数据x所属特征数据集的特征最大值，x
min
为样本数据x所属特征数据集的特征最小值。4.如权利要求1所述的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其特征在于：在上述基于woa-残差卷积神经网络的集成电路沉积膜厚特征处理方法中，所述的利用激活函数将所得归一化后的卷积后集成电路沉积膜厚特征数据集做激活处理；其中，激活函数如下：其中，x为待激活处理的样本数据。5.如权利要求1所述的基于woa-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法，其特征在于：所述的woa特征提取方法中，使用catboost模型进行回归预测得到的mse值作为适应度函数，参数设定为num_iterations＝300，num_whales＝20。其中mse的公式为：
其中，y
i
为第i个样本的真实值，为第i个样本的预测值。

技术总结
本发明涉及一种基于WOA-残差卷积神经网络模型的集成电路沉积膜厚特征处理方法。其有益效果是，在通过虚拟量测来判断器件性能的过程中，有效筛选掉冗余特征和删除无关信息，使得后续预测的精度大幅提高的同时能过缩短预测所需的时间。测所需的时间。测所需的时间。


技术研发人员：陈一宁 史雨萌 高大为
受保护的技术使用者：浙江大学
技术研发日：2023.06.16
技术公布日：2023/9/23