專利名稱：基于降維和增量式極限學習機的光刻線寬智能預測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于自動控制、信息技術(shù)和先進制造領(lǐng)域，針對在對光刻線寬預測過程所存在的數(shù)據(jù)維數(shù)高且訓練數(shù)據(jù)分批到達的特點，提出一種基于矩陣求逆降維獲得在線增量式極限學習機的光刻線寬智能預測方法，其可實現(xiàn)對指標預測模型參數(shù)的在線調(diào)整，該方法具有較好的預測精度和效率。
背景技術(shù)：
光刻線寬是影響微電子產(chǎn)品良率的關(guān)鍵工藝指標，但目前其檢測結(jié)果存在較大滯后，難以實現(xiàn)對影響該指標的相關(guān)關(guān)鍵工藝操作參數(shù)的在線優(yōu)化調(diào)整，從而影響了產(chǎn)品良率的改進，因而在微電子生產(chǎn)線中亟需實現(xiàn)對光刻線寬指標的實時預測。針對光刻線寬檢測過程中所獲得數(shù)據(jù)具有維數(shù)高、數(shù)據(jù)分批到達的特點，提出一種基于矩陣求逆降維和增量式極限學習機的光刻線寬預測算法。近年來，GAP-RBF、SA0-ELM、0S-ELM等多種可用于非線性系統(tǒng)在線建模的神經(jīng)網(wǎng)絡(luò)方法已被提出，此類方法能夠在新的數(shù)據(jù)到達時，對模型的結(jié)構(gòu)或參數(shù)進行在線調(diào)整，從而避免對所有樣本數(shù)據(jù)進行重新訓練，減少了計算量，提高了計算效率。但由于上述方法都是基于經(jīng)驗風險最小化準則進行建模的，存在過擬合、隱層節(jié)點難以確定等缺陷，嚴重影響實際應(yīng)用時的建模精度。如何提高建模算法的精度和效率，同時滿足數(shù)據(jù)分批到達的特點，是建立光刻線寬預測模型的難點。本發(fā)明所提出的基于矩陣求逆降維和增量式極限學習機的指標預測方法對光刻線寬指標具有較好的預測效果。

發(fā)明內(nèi)容
為了解決上述難點，本發(fā)明提出一種基于矩陣求逆降維變換和增量式極限學習機的光刻線寬智能預測方法，對基于結(jié)構(gòu)風險最小化的批處理極限學習機中的矩陣求逆采用矩陣求逆降維公式進行降維，以建立極限學習機模型參數(shù)與新到達數(shù)據(jù)的關(guān)系，實現(xiàn)對極限學習機模型參數(shù)的在線增量式學習和輸出層權(quán)值更新?；诮稻S和增量式極限學習機的光刻線寬智能預測方法，其特征在于，所述方法是在計算機上依次按以下步驟實現(xiàn)的:步驟⑴:模型選擇與參數(shù)初始化對于給定的N個樣本，其輸入記為X = {x,.匕，其中Xi表示每i個樣本由29維數(shù)據(jù)組成的向量，該向量包括如下參數(shù):與待預測lot處于相同加工層次、相同品種的前5個lot對應(yīng)的曝光劑量、光刻機焦距、曝光劑量的質(zhì)量控制值、線寬測量值以及光刻膠厚度；當前待預測lot的曝光劑量、光刻機焦距、曝光劑量的質(zhì)量控制值和光刻膠厚度；N個樣本輸入相對應(yīng)的輸出記為;T = U}f=1，Yi為光刻線寬測量值；給定基于結(jié)構(gòu)風險最小化的極限學習機的隱層節(jié)點數(shù)L，采用徑向基函數(shù)作為特征變換函數(shù)，函數(shù)形式為= e'b^x'-a^，i = 1,2,…，L，其中ai，bi為徑向基函數(shù)的參
數(shù)，Bi維數(shù)為29維， 其可從[-1 I]中隨機選取，bi為I維，取值為從:]隨機選?。?br> 于是，生成的極限學習機特征映射矩陣H(X)為:
權(quán)利要求
1.基于降維和增量式極限學習機的光刻線寬智能預測方法，其特征在于，所述方法是在計算機上依次按以下步驟實現(xiàn)的: 步驟(I):模型選擇與參數(shù)初始化 對于給定的N個樣本，其輸入記為X = ，其中Xi表示每i個樣本，由29維數(shù)據(jù)組成的向量，該向量包括如下參數(shù):與待預測lot處于相同加工層次、相同品種的前5個lot對應(yīng)的曝光劑量、光刻機焦距、曝光劑量的質(zhì)量控制值、線寬測量值以及光刻膠厚度；當前待預測lot的曝光劑量、光刻機焦距、曝光劑量的質(zhì)量控制值和光刻膠厚度；N個樣本輸入相對應(yīng)的輸出記為;F = {x￡,，Ii為光刻線寬測量值； 給定基于結(jié)構(gòu)風險最小化的極限學習機的隱層節(jié)點數(shù)L，采用徑向基函數(shù)作為特征變換函數(shù)，函數(shù)形式為=ai;匕為徑向基函數(shù)的參數(shù)，Bi維數(shù)為29維，其可從[-1 I]中隨機選取，匕為I維，取值為從;]隨機選??； 于是，生成的極限學習機特征映射矩陣H(X)為:
全文摘要
基于降維和增量式極限學習機的光刻線寬智能預測方法，屬于自動控制、信息技術(shù)和先進制造領(lǐng)域，具體涉及針對光刻線寬指標建模過程存在訓練數(shù)據(jù)維數(shù)高且分批到達的特點，通過對基于結(jié)構(gòu)風險最小化的批處理極限學習機進行矩陣求逆降維，實現(xiàn)對光刻線寬指標的智能在線預測，其特征在于包括以下步驟對基于結(jié)構(gòu)風險最小化的批處理極限學習機中的矩陣求逆采用矩陣求逆降維公式進行降維，以建立極限學習機模型參數(shù)與新到達數(shù)據(jù)的關(guān)系，實現(xiàn)對極限學習機模型參數(shù)的在線增量式學習和輸出層權(quán)值更新。本發(fā)明所提出的基于矩陣求逆降維和增量式極限學習機的指標預測方法對光刻線寬指標具有較好的預測效果。
文檔編號G06F19/00GK103106331SQ20121054377
公開日2013年5月15日 申請日期2012年12月17日 優(yōu)先權(quán)日2012年12月17日
發(fā)明者劉民, 郝井華, 郭路, 吳澄, 王凌, 張亞斌, 劉濤 申請人:清華大學