一种半导体制造设备和工艺的智能控制系统及方法与流程

本发明涉及半导体制造设备和工艺的控制技术领域，尤其涉及一种半导体制造设备和工艺的智能控制系统及方法。

背景技术：

半导体材料和器件制造过程涉及从宏观到微观到原子级别和电子级别的不同尺寸的各种物理和化学过程，半导体材料的性能是基于原子行为的表征，半导体器件的性能是基于电子行为的表征，现有的半导体制造设备能检测和控制半导体材料和器件制造过程中宏观的温度、压力、流量、化学成分和微观的物理与化学过程；随着自动化技术、传感技术和各种信息化技术的广泛应用，半导体制造设备和工艺检测数据的采集越来越详细，这些数据为监测工艺运转情况、诊断异常事件提供了宝贵的资源，然而，这庞大的数据资源绝大多数都没有被有效的利用；如何利用可检测和控制的温度、压力、流量、化学成分等宏观参数和微观的物理与化学过程对半导体制造设备和工艺进行有效的控制是一个充满挑战的领域，也是半导体制造行业的核心竞争力之一。

因此，在半导体制造和生产过程中，半导体器件的质量异常问题很难与半导体制造设备和工艺的行为直接建立联系，现有技术中，通常只能在半导体器件的质量出现异常后由技术人员检查与判断后制定下一步的处理措施，每一次检查与判断半导体器件的异常都是一个推测、验证的迭代过程，并且技术人员仅仅在半导体器件的质量发生异常时才查阅有关的半导体制造设备和工艺测量数据，找出问题原因，这种模式造成以下问题：

a、人为因素影响大：在上述模式下，导体制造设备和工艺的检测数据的使用方法和效果由技术人员本身熟知的经验及判断而决定的，因此造成异常事件发生后的工艺结果差异非常大，且不同的工程师彼此亦存在不同的差异，特别是经验较浅与经验较深的工程师之间的工艺结果差异非常大；

b、缺乏连贯学习机制：每一次异常事件的处理也是一个学习机会，可以为未来处理相关事件提供帮助，但是由于缺乏系统支持，每一次异常事件处理的历史数据，包括异常事件现象分析、处理意见和执行效果分散在不同的空间，不能形成持续学习的机制；

c、手动处理数据耗费时间长：技术人员在一适当控制参数的决定上可能要花费数小时的时间，严重降低产能；

d、没有异常行为预测功能：只有当半导体材料和器件出现问题和偏离时才启动问题检测模式，不能在问题出现的初期，采取预防，从而避免产品质量问题。

因此，需发明一种半导体制造设备和工艺的智能控制系统及方法来解决上述问题。

技术实现要素：

本发明提供一种半导体制造设备和工艺的智能控制系统及方法，通过对半导体制造设备和工艺采集的海量数据利用K-均值聚类算法进行预处理，并执行离群判断算法得到离群点候选集，再采用局部离群因子法进行正常和异常数据的分类处理，然后基于支持向量机的机器学习建立半导体设备和工艺的智能控制系统，实现对半导体设备和工艺的智能控制。

为了解决上述技术问题，本发明所采取的技术方案为：

本发明一方面提供一种半导体制造设备和工艺的智能控制系统，包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；

所述数据聚类处理单元通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；

所述数据分类处理单元通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；

所述数据标注单元用于对样本数据集进行标注；

所述支持向量机训练及测试验证单元用于将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；

所述智能监控单元用于利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；

所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。

进一步地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。

又进一步地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。

更进一步地，所述数据分类处理单元引入松弛参数，调整样本数据集中正常数据和异常数据数目的相对大小。

还更进一步地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。

本发明另一方面提供一种半导体制造设备和工艺的智能控制方法，包括数据聚类处理步骤、数据分类处理步骤、数据标注步骤、支持向量机训练及测试验证步骤、智能监控步骤、持续学习步骤；

所述数据聚类处理步骤包括：通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集；

所述数据分类处理步骤包括：通过局部离群因子法对所述离群点候选集进行正常数据和异常数据的分类处理得到样本数据集；

所述数据标注步骤包括：对样本数据集进行标注；

所述支持向量机训练及测试验证步骤包括：将样本数据集划分为训练样本集和测试样本集，并利用训练样本集对支持向量机进行训练，得到训练结果；再利用测试样本集对支持向量机进行验证，得到验证结果，查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，输出最终数据训练参数给智能监控单元；

所述智能监控步骤包括：利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；

所述持续学习步骤包括：当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集并进行标注，利用新样本数据集对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。

进一步地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。

又进一步地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。

更进一步地，所述数据分类处理步骤引入松弛参数，调整样本数据集中正常数据和异常数据数目的相对大小。

又更进一步地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。

本发明提供的一种半导体制造设备和工艺的智能控制系统及方法，通过对半导体制造设备和工艺采集的海量数据利用K-均值聚类算法进行预处理并执行离群判断算法得到离群点候选集，再采用局部离群因子法进行正常和异常数据的分类处理，得到样本数据集，然后基于支持向量机的机器学习建立半导体设备和工艺的智能控制系统，实现对半导体设备和工艺的智能控制；与现有技术相比，本发明对半导体制造设备和工艺采集的海量数据进行挖掘，充分利用所述数据资源实现对半导体设备和工艺进行智能控制，保证了半导体材料和器件生产质量，当半导体材料和器件的质量发生异常时能够更高效率的找到异常发生的原因，并具有持续学习的机制，解决了现有技术中因技术人员自身经验限制造成的工艺结果差异；并且利用所述智能控制系统的持续学习功能，还解决了现有技术中因缺乏连贯学习机制造成的异常事件处理经验的丢失；还提高了异常事件处理效率，提高产能。

附图说明

图1是本发明的实施例提供的一种半导体制造设备和工艺的智能控制系统结构示意图；

图2是本发明的实施例提供的一种半导体制造设备和工艺的智能控制方法流程图。

具体实施方式

下面结合附图具体阐明本发明的实施方式，附图仅供参考和说明使用，不构成对本发明专利保护范围的限制。

如图1所示，为本发明的实施例一方面提供一种半导体制造设备和工艺的智能控制系统，包括数据聚类处理单元、数据分类处理单元、数据标注单元、支持向量机训练及测试验证单元、智能监控单元、持续学习单元；

所述数据聚类处理单元通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集A；

在半导体材料和器件规模化生产体系中，半导体制造设备和工艺采集的数据的正常点数量远远多于离群点数量，若对半导体制造设备和工艺采集的所有数据进行离群判断，将产生大量不必要的计算，不仅耗时，还浪费系统存储空间，因此采用K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理，除去部分正常点数据，提高计算效率；K-均值聚类算法是一种效率较高的聚类算法，可以对数据进行剪枝，利用K-均值聚类算法对数据进行预处理后，可获得数据聚类中心，即质点，将数据预处理后留下的所有数据点到质点的距离的平均值作为离群判断算法的阈值半径R，所述离群判断算法为：将数据预处理后留下的所有数据点中，到质点的距离大于等于阈值半径R的数据点列入离群点候选集A，所述离群点候选集A包括正常数据点和异常数据点。

所述数据分类处理单元通过局部离群因子法LOF对所述离群点候选集A进行正常数据和异常数据的分类处理得到样本数据集B；

需要说明的是：所述局部离群因子法LOF基于异常行为数据点所处区域的数据点密度远低于正常行为数据点所处区域的密度，而将离群点候选集A通过局部离群因子法LOF计算得到样本数据集B，对离群点候选集A进行正常数据和异常数据的分类处理；得到正常数据点与异常数据点较平衡的样本数据集B。

所述数据标注单元用于对样本数据集B进行标注；

技术人员对得到的样本数据集B进行信息标注，包括半导体材料和器件的性能信息及其性能偏差等信息；以便检验半导体制造设备和工艺所生产的半导体材料或器件是否符合要求。

所述支持向量机训练及测试验证单元用于将样本数据集B划分为训练样本集C和测试样本集D，并利用训练样本集C对支持向量机SVM进行训练，得到训练结果；再利用测试样本集D对支持向量机SVM进行验证，得到验证结果，并通过查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，然后输出最终数据训练参数给智能监控单元；所述验证结果为测试样本集D对支持向量机SVM验证的准确率，若验证结果的准确率不符合目标要求，则调整支持向量机SVM参数，再通过迭代计算直到达到或者超过准确率目标来完成支持向量机的训练与测试验证；

需要说明的是：所述训练样本集C与测试样本集D的相对大小通常按7:3分配，通过随机分配，保证所述训练样本集C与测试样本集D的正常数据点和异常数据点所占的比例同样本数据集B中正常数据点和异常数据点所占的比例相同。

所述智能监控单元用于利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；

所述持续学习单元用于当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集Z并进行标注，利用新样本数据集Z对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。

优选地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。

优选地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。

优选地，所述数据分类处理单元引入松弛参数ψ，调整样本数据集B中正常数据和异常数据数目的相对大小达到数据平衡。所述松弛参数-1<ψ<1，对阈值半径R进行调整，调整后的阈值半径Rr＝R(1+ψ)，通过Rr进一步调整离群点候选集A的数据数目大小，从而调整数据集B中正常数据和异常数据数目的相对大小。

优选地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。

如图2所示，本发明实施例另一方面提供一种半导体制造设备和工艺的智能控制方法，包括数据聚类处理步骤、数据分类处理步骤、数据标注步骤、支持向量机训练及测试验证步骤、智能监控步骤、持续学习步骤；

所述数据聚类处理步骤包括：通过K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理并执行离群判断算法得到离群点候选集A；

在半导体材料和器件规模化生产体系中，半导体制造设备和工艺采集的数据的正常点数量远远多于离群点数量，若对半导体制造设备和工艺采集的所有数据进行离群判断，将产生大量不必要的计算，不仅耗时，还浪费系统存储空间，因此采用K-均值聚类算法对半导体制造设备和工艺采集的数据进行预处理，除去部分正常点数据，提高计算效率；K-均值聚类算法是一种效率较高的聚类算法，可以对数据进行剪枝，利用K-均值聚类算法对数据进行预处理后，可获得数据聚类中心，即质点，将数据预处理后留下的所有数据点到质点的距离的平均值作为离群判断算法的阈值半径R，所述离群判断算法为：将数据预处理后留下的所有数据点中，到质点的距离大于等于阈值半径R的数据点列入离群点候选集A，所述离群点候选集A包括正常数据点和异常数据点。

所述数据分类处理步骤包括：通过局部离群因子法LOF对所述离群点候选集A进行正常数据和异常数据的分类处理得到样本数据集B；

需要说明的是：所述局部离群因子法LOF基于异常行为数据点所处区域的数据点密度远低于正常行为数据点所处区域的密度，而将离群点候选集A通过局部离群因子法LOF计算得到样本数据集B，对离群点候选集A进行正常数据和异常数据的分类处理；得到正常数据点与异常数据点较平衡的样本数据集B。

所述数据标注步骤包括：对样本数据集B进行标注；技术人员对得到的样本数据集B进行信息标注，包括半导体材料和器件的性能信息及其性能偏差等信息；以便检验半导体制造设备和工艺所生产的半导体材料或器件是否符合要求。

所述支持向量机训练及测试验证步骤包括：将样本数据集B划分为训练样本集C和测试样本集D，并利用训练样本集C对支持向量机SVM进行训练，得到训练结果；再利用测试样本集D对支持向量机SVM进行验证，得到验证结果，查看测试样本集对支持向量机验证的结果来完成支持向量机的训练与测试验证；若验证结果不符合要求，则调整支持向量机SVM参数，再通过迭代计算，直到验证结果符合要求，然后输出最终数据训练参数给智能监控单元；所述验证结果为测试样本集D对支持向量机SVM验证的准确率，若验证结果的准确率不符合目标要求，则调整支持向量机SVM参数，再通过迭代计算直到达到或者超过准确率目标来完成支持向量机的训练与测试验证；

需要说明的是：所述训练样本集C与测试样本集D的相对大小通常按7:3分配，通过随机分配，保证所述训练样本集C与测试样本集D的正常数据点和异常数据点所占的比例同样本数据集B中正常数据点和异常数据点所占的比例相同。

所述智能监控步骤包括：利用支持向量机训练及测试验证单元输出的最终数据训练参数监测和控制半导体制造设备和工艺；

所述持续学习步骤包括：当智能监控单元监测到半导体制造设备和工艺发生异常行为时，将新发现的异常行为数据及其前后相邻的正常数据组成新训练样本数据集Z并进行标注，利用新样本数据集Z对支持向量机进行训练，输出新训练参数给智能监控单元，对智能监控单元进行参数更新。

优选地，所述离群判断算法基于K-均值聚类算法得到的数据聚类中心，将距离数据聚类中心大于阈值半径的数据列入离群点候选集。

优选地，所述局部离群因子法基于离群点候选集中的数据局域密度进行正常数据和异常数据的分类处理得到样本数据集。

优选地，所述数据分类处理步骤引入松弛参数ψ，调整样本数据集B中正常数据和异常数据数目的相对大小达到数据平衡。所述松弛参数-1<ψ<1，对阈值半径R进行调整，调整后的阈值半径Rr＝R(1+ψ)，通过Rr进一步调整离群点候选集A的数据数目大小，从而调整数据集B中正常数据和异常数据数目的相对大小。

优选地，所述半导体制造设备和工艺采集的数据包括在半导体材料和器件制造过程中半导体制造设备检测和控制的宏观参数和微观参数；所述宏观参数包括温度、压力、流量、化学成分参数，所述微观参数包括物理过程与化学过程的参数。

以上所揭露的仅为本发明的较佳实施例，不能以此来限定本发明的权利保护范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。