一种基于AI算法的PVD镀膜厚度自动调节方法与流程

一种基于ai算法的pvd镀膜厚度自动调节方法
技术领域
1.本发明涉及pvd沉淀加工技术领域，具体涉及一种基于ai算法的pvd镀膜厚度自动调节方法。


背景技术：

2.物理气相沉积(physical vapor deposition，pvd)技术是指在真空条件下，采用物理方法将材料源(固体或液体)表面气化成气态原子、分子或部分电离成离子，并通过低压气体(或等离子体)在基体表面沉积具有某种特殊功能的薄膜的技术。例如，半导体晶圆在生产过程就大量的应用了pvd技术。
3.晶圆的pvd镀膜，是在真空条件下利用获得高能量的粒子轰击靶材表面，使靶材表面金属原子获得足够的能量而逃逸，逃逸的金属原子在电场的作用下沉淀在晶圆上。被溅射的靶材金属原子在电场作用下沉积到晶圆表面，在晶圆表面形成一层金属膜，这个过程就称作离子溅射镀膜。溅射镀膜中的入射冲击离子，一般采用磁控离子源辉光放电获得，在压强l0-2pa～10pa范围。高速冲击靶材，能够使得靶材金属溅射出金属粒子在电场作用下飞向晶圆，沉积到晶圆表面形成均匀金属膜。
4.镀膜厚度跟pvd设备的真空度、靶材温度、离子源离子浓度、电场强度、靶材到基板距离等参数有关。其中，靶材到基板(晶圆)的物理距离影响最大，由于靶材金属随着生产时间的增加而不断损耗，使得靶材到基板的物理距离变远，造成单位时间内的金属粒子沉淀数量减小。此时，想要保证基板镀膜厚度相同，就需要调整pvd设备的运行参数。现有方法是通过人工计算厚度变量的反应沉积时间，然后调节pvd设备的运行参数，调节后需要再次测试镀膜厚度是否满足工艺标准。然而，现有方法存在调机效率低和运行参数调节不准确的问题。同时，现有测机监控的方式存在一定的滞后性，容易出现调机不及时或镀膜厚度异常的问题，导致pvd镀膜的效果不好。因此，如何设计一种能够准确计算调机参数且能够自动调整设备运行参数的方法是亟需解决的技术问题。


技术实现要素：

5.针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种基于ai算法的pvd镀膜厚度自动调节方法，以能够准确计算调机参数，并能够自动调整pvd设备的运行参数，从而能够提升pvd镀膜的效果。
6.为了解决上述技术问题，本发明采用了如下的技术方案：
7.一种基于ai算法的pvd镀膜厚度自动调节方法，包括以下步骤：
8.s1：获取pvd设备的运行参数和工艺标准参数；
9.s2：将pvd的运行参数和工艺标准参数输入经过预先训练的ai检测模型中；
10.ai检测模型首先基于运行参数计算对应的厚度变量的反应沉积时间，然后基于厚度变量的反应沉积时间结合工艺标准参数计算生成对应的运行参数调整方案；
11.s3：ai检测模型基于生成的运行参数调整方案自动调整pvd设备的运行参数，以使
得镀膜厚度满足工艺标准。
12.优选的，步骤s2中，ai检测模型包括特征提取器，以及与特征提取器的输出连接的检测器；特征提取器和检测器均包括全连接层和softmax激活函数。
13.优选的，特征提取器包括resnet152网络；检测器包括依次连接的全连接层、bn层、leakyrelu激活函数和dropout层。
14.优选的，ai检测模型的训练过程通过如下公式表示：
[0015][0016]
上述式中：f(
·
)表示ai检测模型，θ表示ai检测模型的参数，x、y分别表示ai检测模型的输入数据和输出数据，l(
·
)表示损失函数。
[0017]
优选的，通过交叉熵损失函数或均方差损失函数训练ai检测模型。
[0018]
优选的，通过如下公式训练ai检测模型：
[0019]
h1＝f1(x|θ1)；
[0020][0021][0022]
上述式中：h1、h2分别表示特征提取器和检测器的输出，f1(
·
)表示特征提取器，f
drop
(
·
)、f
leaky
(
·
)、f
bn
(
·
)、f
softmax
(
·
)分别表示检测器的dropout层、leakyrelu激活函数、bn层、softmax激活函数，w2、b2分别表示特征提取器全连接层的权重和偏置，w3、b3分别表示检测器全连接层的权重和偏置。
[0023]
本发明中的pvd镀膜厚度自动调节方法与现有技术相比，具有如下有益效果：
[0024]
本发明利用经过预先训练的ai算法计算厚度变量的反应沉积时间，进而基于厚度变量的反应沉积时间结合工艺标准参数计算对应的运行参数调整方案的方式，能够通过ai算法保证调机参数的计算准确性；同时，基于ai检测模型输出的运行参数调整方案自动调整pvd设备运行参数的方式，能够实现pvd设备运行参数的自动调整，进而能够节省调机与测机的时间，能够最大限度的提升产能，从而能够提升pvd镀膜的效果。
附图说明
[0025]
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
[0026]
图1为pvd镀膜厚度自动调节方法的逻辑框图。
具体实施方式
[0027]
下面通过具体实施方式进一步详细的说明：
[0028]
实施例：
[0029]
本实施例中公开了一种基于ai算法的pvd镀膜厚度自动调节方法。
[0030]
如图1所示，基于ai算法的pvd镀膜厚度自动调节方法，包括以下步骤：
[0031]
s1：获取pvd设备的运行参数和工艺标准参数；运行参数包括pvd设备中的离子源浓度、电场强度、镀膜厚度(通过现有的镀膜厚度检测传感器获取)、真空度和靶材温度等数据。工艺标准参数即为镀膜厚度的相关工艺标准。
[0032]
s2：将pvd的运行参数和工艺标准参数输入经过预先训练的ai检测模型中；
[0033]
ai检测模型首先基于运行参数计算对应的厚度变量的反应沉积时间，然后基于厚度变量的反应沉积时间结合工艺标准参数计算生成对应的运行参数调整方案；
[0034]
s3：ai检测模型基于生成的运行参数调整方案自动调整pvd设备的运行参数，以使得镀膜厚度满足工艺标准。在计算机上集成相应的硬件和软件来实现相关数据的计算，以及对pvd设备运行参数的调整，其中基于已有的运行参数调整方案调整pvd设备的运行参数是现有的成熟手段。
[0035]
本发明利用经过预先训练的ai算法计算厚度变量的反应沉积时间，进而基于厚度变量的反应沉积时间结合工艺标准参数计算对应的运行参数调整方案的方式，能够通过ai算法保证调机参数的计算准确性；同时，基于ai检测模型输出的运行参数调整方案自动调整pvd设备运行参数的方式，能够实现pvd设备运行参数的自动调整，进而能够节省调机与测机的时间，能够最大限度的提升产能，从而能够提升pvd镀膜的效果。
[0036]
具体实施过程中，ai检测模型包括特征提取器，以及与特征提取器的输出连接的检测器；特征提取器和检测器均包括全连接层和softmax激活函数。特征提取器包括resnet152网络；检测器包括依次连接的全连接层、bn层、leakyrelu激活函数和dropout层。
[0037]
通过现有的estimator.get_params()获得ai检测模型的超参数列表和当前取值，并通过k折交叉验证法优化验证超参数。同时，通过现有神经网络模型的训练方式训练resnet152网络以及全连接层、bn层、leakyrelu激活函数和dropout层组成的检测器，相关训练方式已经非常成熟，本发明只是调整了训练过程中的部分内容，具体如下：
[0038]
ai检测模型的训练过程通过如下公式表示：
[0039][0040]
上述式中：f(
·
)表示ai检测模型，θ表示ai检测模型的参数，x、y分别表示ai检测模型的输入数据和输出数据，l(
·
)表示损失函数。通过交叉熵损失函数或均方差损失函数训练ai检测模型。
[0041]
通过如下公式训练ai检测模型：
[0042]
h1＝f1(x|θ1)；
[0043][0044][0045]
上述式中：h1、h2分别表示特征提取器和检测器的输出，f1(
·
)表示特征提取器，f
drop
(
·
)、f
leaky
(
·
)、f
bn
(
·
)、f
softmax
(
·
)分别表示检测器的dropout层、leakyrelu激活函数、bn层、softmax激活函数，w2、b2分别表示特征提取器全连接层的权重和偏置，w3、b3分别表示检测器全连接层的权重和偏置。
[0046]
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。