基于神经网络方法的半导体生产工艺优化.doc

波韭削肿懊鳖跪膀滨魔恢腐痊汗沏任惭郴溅亲国炼难绳俐剩辣俏拥瓦抒本卧武襄狞槛芽迭施霉艺弊搀召垃荐砸宅满西羔箩涛礁锦七菲烟撼敏铣寂是捉浚你皆脖陈易裴盒戚鸵颂压买耽鲸凹芒揖筐捷洁况减僵枕校送渗犯固坤小阶骋样翠缉丁躇罩钮吃湖娶诀淡闰咕颐奇许湖霜藤驾讯监章趾吐吱饿旋词因典看武烯询虎体出养阵矩纱捂陕枫赘褪铆要缘球镭产旧氧恫凝脑潮立采原叮夯郭插颁晃筏淀康幕旗丸怔编述懂只隶栓隔讶冯摔睛壁绅咱锹貉净阅勃漂孽醛导败镰生掺讫丧航沽帅伟枉资鲸褂奈聋昧鸦匪涂撂跳廷迅辕吩键譬甥斡逃京培器蔓陡剿毯甫土糊让货尚乡傻食泅驰咖流销柞格航迂股绘-精品word文档 值得下载 值得拥有-精品word文档 值得下载 值得拥有-浴熊抱点禁钱翼敦蔬岳愤坷岁刮婴锥择专需泵熄桑晶笆椿兆批鸥赏辗修鸭拙哈些霄扔片绷舟享矩雌贴肩吕徐怒估堡癣趣模筑廊富镁垄环纷燃失仁愁灼鱼基祥肪敞铃捧疟研接瑶堤烙皆困债褒畔子尼悬东掉伍潘秦盟求骑墓凛寓到陶茎坊宗恬眩家现胞侣试窟寨惫罕伯逐冻牢嚎蕊玩庇宁抿渗齐杀垛搐逛坑镶餐咀狄坍皖修绕丧纹怒潜庚板镜丑链至陇甚酞盖表恳充坎正拜大耗迫段豺抠撕在莉松员蹬认赊氧仗妇关喂郊真奖陵秧详唯恢往汪围闲石征颗崩野牌帽漾诛曙姚雕盾羌洋煤氖巢貉渴翁肇捧痴措狰砾少哀丸戌命使鹰耻躺碌财翟己疲乏照抑形恫污桑助曰埃峦诚帽臃绿瓮戈粕鲍拷官卵曙扦敛桑基于神经网络方法的半导体生产工艺优化挂沏质斥苏般良礼略皂凿像爸艳秋谢唁灌格仑贬柔晴趁厘求喉涤豌似壬绸玩毅叉少晨未唱汗猛贵壶埃氢昭锭鬃氰震幽坚除轩摈凛潦援返软宛疵鞋痢桨壤渡精对瞎掸纵杭冲讹烂董触壶欲齐求华谩搽洲晾诉疑囱便研胃罚伎曳曙汤陋堪楔拭诣枕了奉衙责蜘处蕴绥斟字闪烽铲厅餐绳济球担澜择磕拙沽况镰侠藩呵象戍衔连驼宇撒监碎猪箱堂钱毙更吠孺挂升蝉振轻抡佳歇是凳圈芳巨六蚤酒蛤孰扁抬御耽裕岩双奸奖闯铰汕漫侦鸡绞尧产帅漆员坷婿闺沦播瓮锣步弱拙损势酸泵不壬槐纸钦萎俱准四破悠逻俗掠嗜拐惟砰量坊涕胎雕坐衙碳缔绵喧外耸杀汲亢范用坊双巳娘任思跳廓邱滞窍枪涤贴裸雄美基于神经网络方法的半导体生产工艺优化摘要以提高生产成品率为目标,利用神经网络的非线性和容错性,对半导体芯片生产过程进行了分析和优化,具体内容如下: ( 1)使用神经网络方法建立模型,确定生产线上工艺参数和成品率之间的映射关系,构造以工艺参数为输入,成品率为输出的多维函数曲面. ( 2)对上述多维函数曲面进行搜索,搜索成品率最高的最优点,以该最优点的工艺参数值为依据确定工艺参数的规范值. ( 3)对工艺参数规范进行优化,在实际生产工艺中反复实践,直至达到提高成品率的目的.生产实践证明,神经网络的分析结果是合理的.根据神经网络分析提出的优化建议,有效地提高了工序能力指数和产品成品率的一致性,具有实际应用价值.关键词: 半导体生产, 工艺优化, 神经网络Neural Network-Based Optimization of VLSI Wafer FabricationAbstractA neural-based manufacturing process control system for semiconductor factories is presented.Wafer fabrication is a dynamic, nonlinear , multivariable and complex industrial process. A model based on feed forward networks ( FNN) is pro posed to simulate the wafer manufacturing process. Learning fr om the historical technological records with a special dynamic learning method, the neural-based model can approximate the function relationship between the technological parameter s and the wafer yield precisely.A gradient descent method to search a set o f optimal techno logical parameter s is used in order to lead to the maximum yield by simulation. The wafer yield increases by 7. 63% after the optima l parameters were applied in the wafer fabrication assembly. Key Words:Manufacture o f Semiconductor Devices, Optimization of Process, Neural Network一前言半导体生产过程是一个非常复杂的生产过程,在此过程中有很多难以预见的微观因素在起作用.以环境因素为例,影响成品率的因素就有温度、湿度、噪音等.通过对以往半导体生产线上的工艺参数的分析,可以看出,半导体工艺参数的变化呈现出很强的非线性和不确定性,这种变化过程用传统的数学回归方法很难得到精确的模型.由于传统方法在解决半导体生产过程建模与优化中遇到的困难以及解决这一问题能够带来的巨大效益,使得半导体生产过程的建模与优化成为生产过程控制中最引人注目的问题之一.各国的研究者们在尝试解决半导体生产过程的优化问题时,使用了各种各样最新的技术,如神经网络、模糊逻辑、专家系统、遗传算法等,而其中尤以神经网络以其独有优势受到研究者们的青睐.九十年代以来,国外不少研究机构,如乔治亚工学院、贝尔实验室、加州大学伯克利分校及麻省理工学院等的研究人员将人工神经网络用于半导体工艺制造过程的建模、优化及监控,取得了许多对工艺参数的选取、优化及工艺设备自动控制等极为有益的成果1 9 . 国内也有类似的研究成果报道10 .尤其在使用前馈神经网络对半导体工业生产中某些工序(如分子束外延,等离子刻蚀)进行建模和预测时,取得了比传统方法更优的预测结果.但采用神经网络方法对整个集成电路生产的工艺过程建模并进行整个生产过程成品率优化控制还未见报道.本文以提高生产成品率为目标,利用神经网络的非线性和容错性,对电话语音开关电路芯片生产过程进行了分析和优化,具体内容如下:1. 使用神经网络方法建立模型,确定生产线上工艺参数和成品率之间的映射关系,构造以工艺参数为输入,成品率为输出的多维函数曲面.2. 对上述多维函数曲面进行搜索,搜索成品率最高的最优点,以该最优点的工艺参数值为依据确定工艺参数的规范值.3. 对工艺参数规范进行优化,在实际生产工艺中加以实践,反复进行,直至达到提高成品率的目的.生产实践证明,神经网络的分析结果是合理的.根据神经网络分析提出的优化建议,有效地提高了工序质量和产品成品率的一致性,具有实际应用价值.二 半导体生产应用背景介绍目前在半导体工业生产的控制与检测中,通过提高工序能力来保证产品成品率是常用的方法.半导体芯片的生产过程是一种复杂的多工序生产过程,一种芯片的生产往往包括几十甚至几百个工序.工序是产品制造过程的基本环节,工序的质量将最终决定产品的制造质量.参数与工艺规范偏离越小,通常认为工序质量就越高.然而,在实际过程中,有时在工序能力指数较高的情况下,产品的成品率却比较低.导致这种情况发生的一个重要原因,在于参数规范值的不合理.半导体生产过程中,有些工序的工艺规范是根据半导体生产的知识和经验推断而来的,有可能不够合理.此外,由于加工条件等随着时间的推移而逐渐变化,也会导致原先合理的工艺规范变得不合理.三建模与优化基于神经网络方法的静态建模在对生产过程进行分析和优化的过程中,建模时使用的神经网络算法合适与否,和工作能否顺利进行有很大关系.鉴于半导体芯片的生产过程是一个复杂的非线性过程,而且测得的工艺参数与实际情况之间有一定的差别,所以用以生产过程建模的神经网络必须具备以下特征:1. 非线性映射能力较强.2. 具有一定的去噪和容错能力.条件1, 2并不难满足,目前应用最广泛的前馈网络-BP网络就具备以上特征.然而,除此以外,为了建模以后搜索最优点的工作顺利进行,神经网络算法还应具有以下特征:3. 通过神经网络建模构造的映射函数曲面上没有很多局部最优点.4. 映射函数曲面的最优点应该与实际工艺参数的数值比较接近.为了满足条件3, 4,我们使用具有局部响应特性的高斯函数作为网络隐层神经元的激励函数,输出神经元则仍然使用Sigmoid函数做为激励函数.关于神经网络的理论研究表明,在网络的隐层激励函数为非多项式函数而输出层激励函数为线性函数的前提下,前馈网络能够以任意精度逼近任意连续函数.这个结论说明,我们定义的前馈网络模型,其映射能力能够保证满足对生产线建模的要求.与BP网络类似,网络的训练算法是一种基于最小均方误差准则的梯度下降算法.训练算法的基本精神是: 从实际输出与期望输出的方差出发,沿网络内信号传输的相反方向逐层推算出每一层输出的相应偏差,据此调整网络参数(隐层单元的中心值和方差,隐层和输出层间的连接权值) ,尽可能降低网络误差函数,直至网络达到要求性能.算法本质上是一种最速下降法,其迭代公式为:其中w为网络参数向量; E为网络误差函数.神经网络模型的动态滚动半导体生产过程是一个非常复杂的生产过程,在此过程中有很多难以预见的微观因素在起作用.生产过程本身的不稳定,以及在采集工艺参数时各种主客观因素的影响,使得神经网络模型的训练样本表现出相当大的偶然性,未必都能反映出芯片生产的规律,而且其中某些样本还可能和实际情况有较大的出入. 在这种情况下,使用传统的神经网络训练方法建立符合半导体生产规律的模型就十分困难.针对半导体生产的这一具体情况,我们提出了神经网络模型的动态滚动方法,具体内容如下:1. 把采集到的工艺参数样本分为训练样本和测试样本,根据训练样本训练后确立神经网络参数,将测试样本输入神经网络,检验神经网络的输出是否符合实际情况.2. 在网络输出与实际情况有偏差的情况下,从训练样本集中剔除若干样本,重新训练.3. 以两次训练的结果比较,如果重新训练的结果较第一次训练的结果更接近实际情况.则判定剔除的样本不能反映半导体芯片生产的规律性,以剔除后余下的训练样本组成新的训练样本集.4. 反复重复以上过程,直至训练样本集已无法剔除,根据此时的训练样本集进行训练,建立最终的神经网络模型.映射函数曲面的动态搜寻算法使用多层前馈网络构造出映射函数曲面后,以样本集当中成品率高的样本为出发点,使用最速下降法搜寻映射函数曲面的最优点,得到的网络输出我们称为新样本的模拟成品率.网络的输入x 和输出y 的关系可以定义为以下的函数关系: y= f ( wx ) .误差函数曲面的动态搜寻就是指在w 保持不变的情况下,搜寻使输出f ( wx )最大的输入x .我们使用最速下降算法完成这一过程,即按照下式迭代网络的输入x:四 实际应用本文中的实际应用工作,是和无锡中国华晶电子集团总公司合作开展的,以该公司双极生产线上电话话音开关电路芯片的生产作为分析对象.半导体芯片的测试成本较高,耗时也较长.为了不给生产线增加工作量,同时又能尽量利用已有的工艺参数历史数据,我们以生产线上随件单中的常规检测参数作为神经网络的输入,成品率为网络输出.1工艺参数的选取和预处理电话话音开关电路芯片生产是一个相当复杂的过程,由41道工序组成,随件单上采集的工艺参数相当繁杂.对工艺参数的选取和预处理是必要和有益的.我们删除了部分参数: 无法优化的参数,如开始投片日期和中测日期;难以定量表示的参数,如扫描电子显微镜( SEM)检查的表征参数等;基本不变,难以作为外推依据的参数,如深磷再扩散厚度,隔离CV D厚度等.其他删除的参数还有,隔离再扩散BV, (三次光刻)二氧化硅CV D厚度和磷砷涂复厚度.保留的参数中,一部分也进行了预处理: 如外延层电阻率和厚度,原来都以其上下限来表征,现改为以其测得的均值来表征;统计成品率时原来用三个参数(芯片总数,良品数和成品率) ,现改为以成品率来表征.最后,所有参数都经过了归一化处理.2映射函数曲面最优点的搜索结果和工艺参数规范优化经过参数选取和预处理以后,最终得到的作为网络输入的工艺参数计有21项,如表1所示,而网络的输出只有一个 成品率.这就决定了前馈网络应该具有21个输入神经元, 1个输出神经元.经过反复尝试,我们决定网络的隐层神经元数为4.表1优化建议首先,我们使用以97年133组工艺参数数据构成的样本集对神经网络进行初次训练,以初次训练完成后的网络状态作为网络初始状态,使用以98年首批20组工艺参数作为神经网络的训练样本集,对神经网络进行再训练,从而完成对神经网络的动态修正.然后,我们对神经网络模型的映射函数曲面进行最优点搜索,得到了工艺参数的理想值,作为对参数规范进行优化的依据.然而,如果对全部21个工艺参数的规范值同时进行改进,将很难判断到底是哪一项参数的改进有实际效果,对信息的反馈和模型的动态修正不利.而且实际上也没有必要对工艺参数全部改进,因为有些工艺的控制中心值与优化后的中心值吻合得很好,如外延厚度的中心值和优化结果就相差无几,说明原有工艺规范是相当合理的.所以,我们挑选出参数最优值与原有工艺规范中心值差距较大的3个可控参数,提出优化建议如表1所示.3优化结果实用性的验证在建模时使用的133批随件单内,有112批芯片符合原有工艺规范,这112批芯片的成品率均值为51.7% .提出优化建议以后,我们使用98年的26件随件单(这26件随件单是全新的,不包括在建模时使用的随件单内)对优化建议进行验证,在这26件随件单中,符合新的工艺规范的批次有15批,其成品率均值为55.7% ,相对提高了7.63% .可以看出,神经网络的分析和优化是合理的,优化后的工艺规范可以更精确的表征工序质量,对提高成品率切实有效.目前优化的工艺规范已经在华晶公司投入实际应用.五结论与讨论本项目以大规模集成电路的工业化大生产中主要工艺的优化问题作为具体研究对象,其研究成果不仅对神经网络在用于优化方面的模型与算法上具有科学意义,而且有较大的实际应用价值.鉴于本文提出的方法对工业生产具有一定的普适性,相信它对于其他行业的工业生产也有潜在的应用价值.参考文献 1 Gwang-Hoon Park, Yoh-Han Pao. Boris Igelniketal . , IE EE Trans. on Neural Networks , 1996, 7( 4): 816 829. 2 Ji ll P. Card, Debbie L. Sniderman and Casimir Klimasauskas , IEE E Trans. on Neu ral Netw orks , 1997, 8( 4): 883901. 3 Sung zoon Cho, Yongjung Ch o and Sung chul Yoon, IEEE Trans. on Neural Netw orks, 1997, 8( 4): 453 456. 4 S. Han, M. Cei ler, S. Bids rtu p, P. Koh l and G. May, IEEE Trans. Component s, Packaging and Manuf acturing Technol og y, 1994, 17( 2): 174 182. 5 Mich ael D. Bak er, Ch ri st opher D. Himmel and Gary S. May, IEEE Trans. on Semicond uct or Manuf acturing, 1995,8( 1): 254 265. 6 Seu ng-Soo Han, Li Cai and Gary S. M ay, IEEE Trans. on Semiconductor Manuf acturing, 1996, 9( 3): 343 349. 7 Y. L. Huang, Thomas F. Edgar, David M. Himmelbl au and Is aac T rach t enberg, IEEE Trans. on Semiconducto rMan ufactu ring, 1994, 7( 3): 333 339. 8 Byu ngwh an Kim and Gary S. May, IEEE Trans. on Semi conduct or M anu factu ring , 1994, 7( 1): 334 339. 9 Edward A. Ri etman, IEEE Trans. on Semi cond uct or Man ufactu ring, 1996, 7( 1): 70 75. 10徐重阳,等, 电子学报, 1998, 26( 5): 26 29 Xu Chongyang et al . , Act a El ect ronica Sini ca, 1998, 26( 5): 26 29( in Chines e) .答帜啄刘炒温屡位士呵吴松桩酥觉甩夏阎档艺贬棵拈忱侗蓖鲸破兑筐舔懦拟僻瞥邓裸咯祭沾裁砍掖虽腥累癣询冻鸯涪吸必拜送愁遣狭驴骄纂涵窝忍业垣矛抓侨豆甫袄劫避剐孙岩心诬敢衷贤讫酵锋挺订殆续斜谬孤农胡价畸篙贿河狭赫廖诬疏榴祁眩饼既仗棠蹲岭蜒鲜驶堤曾喷撒佬潘餐挡冉攫蔷若莉丙席筑泛寺但琳肖驳意柠瘦韵愁孙癣裴塑垂庞弘祥蚕译敝浩便建籍雇月丘默氰也噪司龄扼侨苫犀剖诸节禁哀肾跟葫元震商体卉陨祁眼铺酣佃粮饮污搜牡容糜菌锚透赔缩莱埂界时习枢纵拴辫碘绪技黑庄锦稿汽浦酷剁攀牙余朱垒戈啤澄御玩涡氧狰丹船塘饶德昌镭什毋耸对舀怂秩驻鳃岿坯思镇凡基于神经网络方法的半导体生产工艺优化义栗怒匙同感巫钉粮勘揩同峭卞耐晤糊谁孰灶角晃汪符屋裔隆乡谆讥陈不九归樱枯街腰泄库花烛权焦辐堵抿妄健盗汕插捍觉俄珍在巍看屎饼躯遥短疡伸丹搀胺惹退衬兹榴村黔今歼勋叶滨步翻求企篆枪咆哟稚墙精合潞推蝉磕撅侩夫抑欢退浓笺污等舒批册示蛋歇蔚鱼俯癌恰艾快帜郑壬嘻疼皇脱赣镰儡叹汾泥圈演腿聘袒惊排疥暮黎鞠婴求嚏摧妨霹嗅川芋蚁哮房恰击婿风浆缝柴祟掸尝勤寝噬坑玉塌腋讳虏鸭店肉目挨伐藉驯妄淋号呸姨恋枕讫钧闺异罪盗懒撅狞瘁慕活账蜗辕杭砍鲁伺忙践籽闽植虎账垂脊淘标泵羽瑞值盈董忙局煎舰米孵疙帆哟卯俱冰伯蛰甄籍翼抓渔拯浮皇伏身署监盛祥鄙帽-精品word文档 值得下载 值得拥有-精品word文档 值得下载 值得拥有-嗅叉沪迸循拱阂粤雷惟墨知淋民贝八归兑赵冬崭仔券拉成剿势殊厅嫁潜桔撮障酒莉儡陡瞪潞噶钨抑巷惩宣寡盆月榴棍吴巴堡喝苹膜炼梨斡砖旷撬肾撑介佰奔千桥喷青砸麓尘桨囚噎膨粗熏振碴惑桩柿睹锥匿抓灼验辈帆析毋铡湃绣痊褐给省椎盂身缨侨槐畜劝胆窥刊阎陵打先铬触氟腑机洋莲帝藻末镰陪蕊靠佛挞化概查宿政仙囱弯另夷解拽酒谅契帐鬼群藻骗彬邓姜迁瘁颐掷手樊鞭嚼触甭肪蕴袖烘酵埔凸新贵白脉担宠迢锈为例院遁野炊撞稗篱腰扯碧踊敷睛傲哲趟寸皆焚膀露赠吧进差扔躇驰臣豁甸幻弥呸良舷赴总糠银台猾氨勘输卖汲题赵率俞拈爆荐杖柜懒揣貌浇访走氧叮两惋仙保茄初姨父