本發(fā)明涉及半導體制造，尤其涉及一種基于神經網絡的外延生長率計算方法及系統(tǒng)。

背景技術：

1、外延生長就是在晶圓襯底上生長上一層單晶膜(單晶層)，這層單晶膜稱為外延層。此晶圓襯底不一定與外延層有相同材質及組成，外延層與晶圓襯底是相同材質時稱為同質外延生長，不同材質時稱為異質外延生長。因此，外延層的晶體結構是晶圓襯底晶體結構的延伸，通過外延生長可使元件有較高的擊穿電壓或電流處理能力。在半導體外延生長工藝中，精確計算生長率對于優(yōu)化生長工藝和提高成膜質量至關重要。傳統(tǒng)方法在生長率計算上存在諸多局限性，例如：處理復雜的非線性關系能力不足，擴展性差，準確性欠佳問題。

技術實現(xiàn)思路

1、本發(fā)明的目的在于提供一種基于神經網絡的外延生長率計算方法及系統(tǒng)，能夠快速準確計算生長率，解決傳統(tǒng)方法在處理復雜的非線性關系能力不足，擴展性差，準確性欠佳的問題。

2、為實現(xiàn)上述目的，第一方面，本發(fā)明提供了一種基于神經網絡的外延生長率計算方法，包括：采集晶圓外延生長過程中的反射率數(shù)據(jù)；將所述反射率數(shù)據(jù)進行預處理，得到輸入數(shù)據(jù)；將所述輸入數(shù)據(jù)輸入神經網絡模型，所述神經網絡模型進行計算，得到外延生長組分的折射率值（n）和消光系數(shù)值（k）；根據(jù)得到的所述折射率值（n）和所述消光系數(shù)值（k）計算出晶圓外延生長率。

3、本發(fā)明通過神經網絡模型構建反射率數(shù)據(jù)和折射率值（n）、消光系數(shù)值（k）復雜的非線性關系，在神經網絡模型輸入預處理后的反射率數(shù)據(jù)，可快速準確得到非線性關系的折射率值（n）和消光系數(shù)值（k），依據(jù)折射率值（n）和消光系數(shù)值（k）計算出晶圓的外延生長率，本發(fā)明處理效率高、可實時快速準確地計算外延生長率，并且神經網絡模型通過調整訓練中的權重參數(shù)可適應多種類型的外延生長，具有多工藝通用性，適用范圍廣。

4、在一些實施例中，將所述輸入數(shù)據(jù)輸入神經網絡模型，包括：所述神經網絡模型包括網絡架構設計子模塊和模型訓練子模塊；所述網絡架構設計子模塊用于建立非線性的反射率數(shù)據(jù)與折射率值（n）和消光系數(shù)值（k）的映射關系，所述映射關系為f（x），其中輸入數(shù)據(jù)為r，關于r的映射關系表達為f（r）=（n,?k）；所述模型訓練子模塊用于本地數(shù)據(jù)的訓練，將本地數(shù)據(jù)中實際檢測的所述反射率數(shù)據(jù)、所述折射率值（n）和所述消光系數(shù)值（k）進行標注并預處理形成標注數(shù)據(jù)集，所述標注數(shù)據(jù)集通過k折交叉法形成訓練集和驗證集，所述訓練集輸入所述映射關系f（x），所述模型訓練子模塊根據(jù)輸入的所述訓練集調整所述映射關系f（x），所述驗證集輸入所述映射關系f（x）進行驗證，并將調整后所述映射關系f（x）反饋到所述網絡架構設計子模塊。其有益效果在于：神經網絡模型中的網絡架構設計子模塊根據(jù)不同的外延生長條件和不同材料體系調整網絡參數(shù)，可以計算出不同外延生長條件和不同材料體系的外延生長率，適用范圍廣。模型訓練子模塊根據(jù)本地實際檢測的反射率數(shù)據(jù)、折射率值（n）和消光系數(shù)值（k）不斷學習調整映射關系f（x），對映射關系f（x）進行優(yōu)化，并反饋到所述網絡架構設計子模塊，進一步提高神經網絡模型的性能。

5、在一些實施例中，所述網絡架構設計子模塊包括輸入層、隱藏層和輸出層，所述輸入層、所述隱藏層和所述輸出層均包括神經元；所述輸入層、所述隱藏層和所述輸出層之間形成全連接網絡模型，用于數(shù)據(jù)特征映射；所述隱藏層包括隱藏單層，所述隱藏單層大于等于3層，所述隱藏單層包括多個所述神經元，多個所述神經元之間全連接，所述神經元用于數(shù)據(jù)特征的提取。其有益效果在于：多個隱藏單層中的神經元可對信息進行更加高級的特征提取，得到更高級層次的特征表示。

6、在一些實施例中，所述隱藏單層均采用激活函數(shù)，所述激活函數(shù)引入非線性因子，用于增強所述映射關系f（x）表達能力。其有益效果在于：隱藏單層中的激活函數(shù)將線性模型引入非線性因子，讓線性模型通過激活函數(shù)表達為非線性關系，實現(xiàn)從輸入數(shù)據(jù)表達為非線性關系的折射率值（n）和消光系數(shù)值（k），完成非線性運算。

7、在一些實施例中，將所述驗證集的反射率數(shù)據(jù)輸入所述網絡架構設計子模塊，通過映射關系f（x）得到多個預測的折射率值（n）和消光系數(shù)值（k）；所述網絡架構設計子模塊包括損失函數(shù)，所述損失函數(shù)為均方根誤差函數(shù)，所述損失函數(shù)量化所述映射關系f（x）得出的預測值和本地數(shù)據(jù)中實際檢測的值之間的差異，所述損失函數(shù)用于優(yōu)化所述映射關系f（x）；通過優(yōu)化后的所述映射關系f（x）得到多個預測的折射率值（n）和消光系數(shù)值（k），將多個預測的所述折射率值（n）和所述消光系數(shù)值（k）制作為散點圖，用于觀察魯棒性；多個預測的所述折射率值（n）和所述消光系數(shù)值（k）與本地數(shù)據(jù)中實際檢測的所述折射率值（n）和所述消光系數(shù)值（k）通過所述均方根誤差函數(shù)進行均方根誤差計算，并得到均方根誤差計算數(shù)值，根據(jù)所述均方根誤差計算數(shù)值和魯棒性去反映對應映射關系f（x）的穩(wěn)定性和準確性。其有益效果在于：通過觀測得出的魯棒性和均方根誤差計算數(shù)值，可以反應映射關系f（x）的穩(wěn)定性和準確性。

8、在一些實施例中，所述采集晶圓外延生長過程中的反射率數(shù)據(jù)，包括：將外延生長過程中實時監(jiān)測的反射率數(shù)據(jù)進行采集，并制作成數(shù)據(jù)集。其有益效果在于：反射率數(shù)據(jù)采集后制作成數(shù)據(jù)集，便于數(shù)據(jù)集中的數(shù)據(jù)進行集中預處理。

9、在一些實施例中，所述將反射率數(shù)據(jù)進行預處理，得到輸入數(shù)據(jù)，包括：將反射率數(shù)據(jù)制作成的數(shù)據(jù)集進行滑動平均濾波處理，所述滑動平均濾波中的窗口用于去除異常值和明顯錯誤的數(shù)據(jù)值，對反射率數(shù)據(jù)進行降噪；降噪后的反射率數(shù)據(jù)進行歸一化處理，得到輸入數(shù)據(jù)，所述輸入數(shù)據(jù)用于輸入神經網絡模型。其有益效果在于：數(shù)據(jù)集進行滑動平均濾波處理，對數(shù)據(jù)集進行快速計算，能夠實現(xiàn)數(shù)據(jù)的實時處理，數(shù)據(jù)處理響應速度快，滑動平均濾波處理后的數(shù)據(jù)進行歸一化處理，將降噪后的反射數(shù)據(jù)的數(shù)值范圍轉換到統(tǒng)一的尺度上，得到神經網絡模型的輸入數(shù)據(jù)。

10、在一些實施例中，所述窗口大小為b×1，其中b為數(shù)據(jù)長度。

11、在一些實施例中，所述歸一化處理將降噪后的反射率數(shù)據(jù)轉換為均值為0、標準差為1的分布，用于將降噪后的反射率數(shù)據(jù)轉化為統(tǒng)一尺度，得到輸入數(shù)據(jù)。其有益效果在于：降噪后的反射率數(shù)據(jù)歸一化處理簡化了計算過程，減少運算量，提高了梯度下降過程中模型收斂速度。

12、在第二方面，本發(fā)明實施例提供一種基于神經網絡的外延生長率計算系統(tǒng)，包括：數(shù)據(jù)采集模塊，用于采集晶圓外延生長過程中的反射率數(shù)據(jù)；數(shù)據(jù)預處理模塊，其將接收的所述反射率數(shù)據(jù)進行預處理，得到輸入數(shù)據(jù)；神經網絡模型模塊，其將接收的所述輸入數(shù)據(jù)進行計算得到外延生長組分的折射率值（n）和消光系數(shù)值（k）；生長率計算模塊，其根據(jù)得到的折射率值（n）和消光系數(shù)值（k）計算出晶圓外延生長率。

技術特征：

1.一種基于神經網絡的外延生長率計算方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，將所述輸入數(shù)據(jù)輸入神經網絡模型，包括：

3.根據(jù)權利要求2所述的方法，其特征在于：所述網絡架構設計子模塊包括輸入層、隱藏層和輸出層，所述輸入層、所述隱藏層和所述輸出層均包括神經元；

4.根據(jù)權利要求3所述的方法，其特征在于：所述隱藏單層均采用激活函數(shù)，所述激活函數(shù)引入非線性因子，用于增強所述映射關系f（x）表達能力。

5.根據(jù)權利要求3所述的方法，其特征在于：將所述驗證集的反射率數(shù)據(jù)輸入所述網絡架構設計子模塊，通過所述映射關系f（x）得到多個預測的折射率值（n）和消光系數(shù)值（k）；

6.根據(jù)權利要求1所述的方法，其特征在于，所述采集晶圓外延生長過程中的反射率數(shù)據(jù)，包括：

7.根據(jù)權利要求6所述的方法，其特征在于，所述將所述反射率數(shù)據(jù)進行預處理，得到輸入數(shù)據(jù)，包括：

8.根據(jù)權利要求7所述的方法，其特征在于：所述窗口大小為b×1，其中b為數(shù)據(jù)長度。

9.根據(jù)權利要求7所述的方法，其特征在于：所述歸一化處理將降噪后的反射率數(shù)據(jù)轉換為均值為0、標準差為1的分布，用于將降噪后的反射率數(shù)據(jù)轉化為統(tǒng)一尺度，得到輸入數(shù)據(jù)。

10.一種基于神經網絡的外延生長率計算系統(tǒng)，其特征在于，包括：

技術總結
本發(fā)明提供了一種基于神經網絡的外延生長率計算方法及系統(tǒng)，其中方法包括：采集晶圓外延生長過程中的反射率數(shù)據(jù)；將所述反射率數(shù)據(jù)進行預處理，得到輸入數(shù)據(jù)。本發(fā)明通過神經網絡模型構建反射率數(shù)據(jù)和折射率值（n）、消光系數(shù)值（k）復雜的非線性關系，在神經網絡模型輸入預處理后的反射率數(shù)據(jù)，可快速準確得到非線性關系的折射率值（n）和消光系數(shù)值（k），依據(jù)折射率值（n）和消光系數(shù)值（k）計算出晶圓的外延生長率，本發(fā)明處理效率高、可實時快速準確地計算外延生長率，并且神經網絡模型通過調整訓練中的權重參數(shù)可適應多種類型的外延生長，具有多工藝通用性，適用范圍廣。

技術研發(fā)人員：張黎明,劉新陽,劉杰
受保護的技術使用者：上海車儀田科技有限公司
技術研發(fā)日：
技術公布日：2024/12/19