缺陷率预测模型的训练方法、装置及系统与流程

本申请通常涉及半导体芯片封装领域，更具体地，涉及用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法及装置以及用于改进半导体芯片的缺陷率的方法及系统。

背景技术：

半导体芯片封装工艺通常需要经过一系列生产流程来完成。具体地，在接收到晶圆后，首先在芯片封装工厂的前端进行晶圆表面贴膜、晶圆背面研磨、晶圆背面抛光、晶圆背面贴膜、晶圆表面去膜、晶圆烘烤、晶圆切割、切割后清洗、晶圆切割后检查、紫外线照射、晶片粘结、银胶固化、引线键合、引线键合后检查；然后在芯片封装工厂的后端进行塑封、塑封后固化、正印、背印、切筋、电镀、电镀后烘烤、切筋成型、终测、引脚检查、最终目检、最终质量控制、烘烤去湿、包装、出货检查、入库等工序对芯片进行封装和测试，最终出货给客户。

通常，上述工序是使用生产流水线来完成。在生成流水线上设置有多种半导体芯片生产装置，每种半导体芯片生产装置对应一种或多种封装工艺。在生产时，每种半导体芯片生产装置从位于其上游的半导体芯片生产装置获取待处理的半导体芯片产品并对所获取的半导体芯片产品进行处理，然后将处理后的半导体芯片产品传送到位于其下游的半导体芯片生产装置来进一步进行处理。

在生产时，如果由于一种半导体芯片生产装置发生故障而导致所生产的半导体芯片产品出现缺陷，这种带有缺陷的半导体芯片产品会被传送到位于其下游的另一半导体芯片生产装置来进行处理，并且在位于芯片封装工厂后端的检查和测试工序中进行缺陷检查。这意味着针对在上述一种半导体芯片生产装置中的出现的问题的检测不是实时的，由于流水线式的生产是连续进行的，从而会导致产生大量的缺陷产品，由此使得半导体芯片良品率大大降低。另外，在实际生产中，用于检查和测试的半导体芯片生产装置都仅仅是当前处理的半导体芯片进行缺陷检查，从而判断半导体芯片是否合格，并不会将所发现的缺陷通知给位于其上游的半导体芯片生产装置来实时进行装置维护，从而不能使得半导体芯片良品率得到改进。

技术实现要素：

鉴于上述问题，本申请提供了一种用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法及装置以及用于改进半导体芯片的缺陷率的方法及系统。利用该方法、装置及系统，可以基于第一半导体芯片生产装置的历史半导体芯片样本数据集来训练第一半导体芯片生产装置的缺陷率预测模型，并且利用该缺陷率预测模型，预测位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产的半导体芯片的缺陷率是否超过预定阈值，然后在所预测的缺陷率超过预定阈值时对第一半导体芯片生产装置进行缺陷维护处理，从而改进半导体芯片良品率。

根据本申请的一个方面，提供了一种用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法，包括：采用逻辑回归模型来从所述第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数；以及使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型，所述缺陷率预测模型用于预测位于所述第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率。

优选地，在上述方面的一个示例中，所述第一半导体芯片生产装置可以是半导体芯片贴装装置，所述一个或多个第二半导体芯片生产装置是环氧固化装置，以及所述半导体芯片的缺陷率是表面突起缺陷率。

优选地，在上述方面的一个示例中，在使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型之前，基于所述第一半导体芯片生产装置的历史半导体芯片样本数据集训练所述缺陷率预测模型还可以包括：对所述历史半导体芯片样本数据集中的样本数据进行数据预处理；以及使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型可以包括：使用经过数据预处理后的历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

优选地，在上述方面的一个示例中，采用逻辑回归模型来从样本数据的参数集中选择出一种或多种最适合预测参数可以包括：采用L1正则化逻辑回归模型和L2正则化逻辑回归模型的组合来从样本数据的参数集中选择出一种或多种最适合预测参数。

优选地，在上述方面的一个示例中，在使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型之前，基于所述第一半导体芯片生产装置的历史半导体芯片样本数据集训练所述缺陷率预测模型还可以包括：对所述历史半导体芯片样本数据集中的样本数据进行随机化处理，以及使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型可以包括：使用经过随机化处理后的历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

优选地，在上述方面的一个示例中，对所述历史半导体芯片样本数据集中的样本数据进行数据预处理可以包括：对所述历史半导体芯片样本数据集中的坏样本数据进行过采样处理，以对所述历史半导体芯片数据集中的坏样本数据进行扩充。

优选地，在上述方面的一个示例中，对所述历史半导体芯片样本数据集中的样本数据进行随机化处理可以包括：对所述历史半导体芯片样本数据集中的样本数据进行重新洗牌；将重新洗牌后的样本数据分离为多个子集合；以及从每个子集合中选择出预定比例的样本数据组成测试样本集，并且将剩余的样本数据组成训练样本集。

根据另一方面，提供了一种用于改进半导体芯片的缺陷率的方法，包括：利用缺陷率预测模型来预测位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率是否超过预定阈值，其中，所述缺陷率预测模型是如上所述的方法训练的；以及在预测出所生产出的半导体芯片的缺陷率超过所述预定阈值时，对所述第一半导体芯片生产装置进行缺陷维护处理。

根据另一方面，提供了一种用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的装置，包括：预测参数选择单元，用于采用逻辑回归模型来从所述第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数；以及训练单元，用于使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型，所述缺陷率预测模型用于预测位于所述第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率。

优选地，在上述方面的一个示例中，所述第一半导体芯片生产装置可以是半导体芯片贴装装置，所述一个或多个第二半导体芯片生产装置是环氧固化装置，以及所述半导体芯片的缺陷率是表面突起缺陷率。

优选地，在上述方面的一个示例中，所述的装置还可以包括：数据预处理单元，用于在使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型之前，对所述历史半导体芯片样本数据集中的样本数据进行数据预处理；以及所述训练单元被配置为：使用经过数据预处理后的历史半导体芯片样本数据集的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

优选地，在上述方面的一个示例中，所述预测参数选择单元被配置为：采用L1正则化逻辑回归模型和L2正则化逻辑回归模型的组合来从样本数据的参数集中选择出一种或多种最适合预测参数。

优选地，在上述方面的一个示例中，所述装置还可以包括：随机化处理单元，用于在使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型之前，对所述历史半导体芯片样本数据集中的样本数据进行随机化处理，以及所述训练单元被配置为：使用经过随机化处理后的历史半导体芯片样本数据集的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

优选地，在上述方面的一个示例中，所述数据预处理单元被配置为：对所述历史半导体芯片样本数据集中的坏样本数据进行过采样处理，以对所述历史半导体芯片数据集中的坏样本数据进行扩充。

优选地，在上述方面的一个示例中，所述随机化处理单元可以包括：重洗牌模块，用于对所述历史半导体芯片样本数据集中的样本数据进行重洗牌；分离模块，用于将重洗牌后的样本数据分离为多个子集合；以及选择模块，用于从每个子集合中选择出预定比例的样本数据组成测试样本集，并且将剩余的样本数据组成训练样本集。

根据另一方面，提供了一种用于改进半导体芯片的缺陷率的系统，包括：预测装置，用于利用缺陷率预测模型来预测位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率是否超过预定阈值，其中，所述缺陷率预测模型是如上所述的方法训练的；以及缺陷处理装置，用于在预测出所生产出的半导体芯片的缺陷率超过所述预定阈值时，对所述第一半导体芯片生产装置进行缺陷维护处理。

优选地，在上述方面的一个示例中，所述系统还可以包括：如上所述的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的装置。

根据本申请的另一方面，提供了一种计算设备，包括：一个或多个处理器，存储器，所述存储器存储指令，当所述指令被所述一个或多个处理器执行时，使得所述一个或多个处理器执行如上所述的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法。

根据本申请的另一方面，提供一种非暂时性机器可读存储介质，其存储有可执行指令，所述指令当被执行时使得所述机器执行如上所述的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法。

附图说明

通过参照下面的附图，可以实现对于本公开内容的本质和优点的进一步理解。在附图中，类似组件或特征可以具有相同的附图标记。

图1示出了根据本申请的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法的流程图；

图2是示出了根据本申请的针对表面突出缺陷的样本数据的参数集中的参数的示例的表格；

图3示出了根据本申请的用于采用逻辑回归模型来从样本数据的参数集中选择出一种或多种最适合预测参数的过程的流程图；

图4是示出了根据本申请的针对表面突出缺陷的样本数据的参数集中的各个参数在L1正则化逻辑回归模型和L2正则化逻辑回归模型下的惩罚分的表格；

图5示出了根据本申请的用于对历史半导体芯片样本数据集中的样本数据进行随机化处理的方法的流程图；

图6示出了根据本申请的用于对历史半导体芯片样本数据集中的样本数据进行过采样处理的方法的流程图；

图7示出了用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的装置的方框图；

图8示出了根据本申请的随机化处理单元的一个示例的方框图；

图9示出了根据本申请的用于改进半导体芯片的缺陷率的方法的流程图；

图10示出了根据本申请的改进半导体芯片的缺陷率的系统的方框图；和

图11示出了用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的计算设备的方框图。

具体实施方式

现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，并非是对权利要求书中所阐述的保护范围、适用性或者示例的限制。可以在不脱离本公开内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。例如，所描述的方法可以按照与所描述的顺序不同的顺序来执行，以及各个步骤可以被添加、省略或者组合。另外，相对一些示例所描述的特征在其它例子中也可以进行组合。

如本文中使用的，术语“包括”及其变型表示开放的术语，含义是“包括但不限于”。术语“基于”表示“至少部分地基于”。术语“一个实施例”和“一实施例”表示“至少一个实施例”。术语“另一个实施例”表示“至少一个其他实施例”。术语“第一”、“第二”等可以指代不同的或相同的对象。下面可以包括其他的定义，无论是明确的还是隐含的。除非上下文中明确地指明，否则一个术语的定义在整个说明书中是一致的。

现在结合附图来描述本申请的用于检查在将产品密封到载带时的密封性的方法、装置及系统的实施例。

图1示出了根据本申请的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法的流程图。

如图1所示，首先，在S120，采用逻辑回归模型来从所述第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数。例如，在一个示例中，所述第一半导体芯片生产装置可以是半导体芯片贴装装置，所述第二半导体芯片生产装置可以是环氧固化装置等，以及所述半导体芯片的缺陷率是表面突起缺陷率。在其他示例中，所述第一半导体芯片生产装置可以是半导体芯片封装流水线上的其他装置或模块。这里，历史半导体芯片样本数据是经过另一半导体芯片生产装置处理后的半导体芯片的历史样本数据，该历史样本数据包括由多种参数组成的参数集。图2示出了根据本申请的针对表面突出缺陷的样本数据的参数集中的参数的示例的表格。此外，历史样本数据中还包含有用于指示半导体芯片是否存在缺陷的缺陷指示信息。

在本申请的一个示例中，逻辑回归模型可以包括L0正则化逻辑回归模型、L1正则化逻辑回归模型、L2正则化逻辑回归模型等。优选地，在一个示例中，根据本申请的逻辑回归模型包括L1正则化逻辑回归模型和L2正则化逻辑回归模型的组合。图3示出了根据本申请的用于采用逻辑回归模型来从样本数据的参数集中选择出一种或多种最适合预测参数的过程的流程图。

如图3中所示，在S121，使用L1正则化逻辑回归模型来计算样本数据的参数集中的各个参数的L1惩罚分。接着，在S123，使用L2正则化逻辑回归模型来计算样本数据的参数集中的各个参数的L2惩罚分。图4是示出了根据本申请的针对表面突出缺陷的样本数据的参数集中的各个参数在L1正则化逻辑回归模型和L2正则化逻辑回归模型下的惩罚分的表格。

在如上计算出各个参数的L1惩罚分和L2惩罚分后，在S125，计算各个参数的L1惩罚分和L2惩罚分的绝对值的加权平均值。这里，每个参数的L1惩罚分和L2惩罚分的加权值可以预先设定。例如，加权值可以都设定为0.5。然后，在S127，基于所计算出的各个参数的惩罚分的加权平均值确定所选择的一种或多种最适合预测参数。例如，可以对所计算出的加权平均值与预定参考值进行比较，在加权平均值大于预定参考值时，认为该参数是最适合预测参数。或者，可以以所计算出的最大加权平均值作为基准值，将其加权平均值与该基准值之差在预定百分比之内的参数确定为最适合预测参数。或者，可以根据所计算出的加权平均值来进行排序，并将排序在前指定位的参数确定为最适合预测参数。根据图4中列出的针对表面突起缺陷的各个参数的L1惩罚分和L2惩罚分，计算其加权平均值并基于加权平均值来从20种参数中选择7种参数作为最适合预测参数，所述7种参数为：Expansion Height、Placement offset Y、HeatingTime_2、MeltingFroce_3、Heatingspeed_3、ForceVariance_4和MeltingSpeed_250_3。

这里要说明的是，图3示出的仅仅是根据本申请的用于采用逻辑回归模型来从样本数据的参数集中选择出一种或多种最适合预测参数的一个示例。如何采用逻辑回归模型来从样本数据的参数集中选择出一种或多种最适合预测参数，也可以采用其他合适的方式实现，比如在S125中，可以基于其它函数关系式来对各个参数的L1惩罚分和L2惩罚分进行组合处理。

在如上选择出一种或多种最适合预测参数后，在S140，使用历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种参数的参数值来训练第一半导体芯片生产装置的缺陷率预测模型，所述缺陷率预测模型用于预测位于所述第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率。优选地，在一个示例中，在训练缺陷率预测模型之前，还可以对历史半导体芯片样本数据集中的样本数据进行随机化处理，以将历史半导体芯片样本数据集中的样本数据分离为测试集和训练集。然后，使用随机化处理后的历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种参数的参数值来训练第一半导体芯片生产装置的缺陷率预测模型，例如，将随机化处理后得到的训练集用于对缺陷率预测模型进行训练，同时利用随机化处理后得到的测试集来对训练后的缺陷率预测模型进行测试以进行优化。

图5示出了根据本申请的用于对历史半导体芯片样本数据集中的样本数据进行随机化处理的方法的一个示例的流程图。

如图5所示，在S131，对历史半导体芯片样本数据集中的样本数据进行重洗牌。通过对样本数据进行重洗牌，可以打乱样本数据集中的样本数据的原有顺序，比如样本数据的产生时间顺序、设备顺序、操作员顺序、物料顺序等，从而使得重洗牌后的样本数据更加具有统计特性。

接着，在S133，将重洗牌后的样本数据分离为多个子集合。例如，可以将重洗牌后的样本数据平均分配到预定数目个子集合中。然后，在S135，从每个子集合中选出预定比例(例如，20％)的样本数据组成测试集，并且将剩余的样本数据组成训练集。

此外，优选地，在本申请的另一示例中，在采用逻辑回归模型来从所述第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数之前，所述方法还可以包括对历史半导体芯片样本数据集中的样本数据进行数据预处理。然后，在S140，使用经过数据预处理后的历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

这里，数据预处理可以包括对历史半导体芯片样本数据集中的样本数据进行数据清洗，以去除有噪声的样本数据。如何去除噪声数据在本领域是公知的，在此不再描述。此外，数据预处理还可以包括对历史半导体芯片样本数据集中的坏样本数据进行过采样处理，以对历史半导体芯片样本数据集中的坏样本数据进行扩充。

图6示出了根据本申请的用于对历史半导体芯片样本数据集中的样本数据进行过采样处理的方法的流程图。如图6所示，在S111中，对样本数据的各个参数的参数值进行归一化处理。例如，利用公式(个体数据点-组平均值)/(组最大值-组最小值)来进行归一化处理。接着，在S115，使用SMOTE(Synthetic Minority Oversampling Technique，合成少数类过采样技术)算法来对样本数据集中的坏样本数据进行过采样，以对所述历史半导体芯片样本数据集中的坏样本数据进行扩充。优选地，可以使用SMOTE算法来将坏样本数据的数目扩充到与好样本数据的数目相等。例如，优选地，在一个示例中，可以将SMOTE算法中的K个最邻近样本选择为5个最邻近样本，并且所创建的样本实例是位于所选择的实例与其邻近样本实例的中点处的新样本实例，即，将步长设置为0.5。SMOTE算法在本领域中是公知的，在此不再描述。

图7示出了用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的装置700(在下文中简称为训练装置700)的方框图。如图8所示，训练装置700包括预测参数选择单元720和训练单元740。

预测参数选择单元720用于采用逻辑回归模型来从第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数。优选地，在一个示例中，预测参数选择单元720被配置为：采用L1正则化逻辑回归模型和L2正则化逻辑回归模型的组合来从样本数据的参数集中选择出一种或多种最适合预测参数。训练单元740用于使用历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练缺陷率预测模型，所述缺陷率预测模型用于预测位于所述第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率。

此外，优选地，在一个示例中，训练装置700还可以包括随机化处理单元730，用于在使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型之前，对历史半导体芯片样本数据集中的样本数据进行随机化处理。然后，训练单元740使用经过随机化处理后的历史半导体芯片样本数据集的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型。

图8示出了根据本申请的随机化处理单元730的一个示例的方框图。如图8所示，随机化处理单元730可以包括重洗牌模块731、分离模块733和选择模块735。重洗牌模块731用于对历史半导体芯片样本数据集中的样本数据进行重洗牌。分离模块733用于将重洗牌后的样本数据分离为多个子集合。选择模块735用于从每个子集合中选择出预定比例的样本数据组成测试样本集，并且将剩余的样本数据组成训练样本集。

此外，优选地，训练装置700还可以包括数据预处理单元710，用于在使用历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练缺陷率预测模型之前，对历史半导体芯片样本数据集中的样本数据进行数据预处理。然后，训练单元740使用经过数据预处理后的历史半导体芯片样本数据集的所选择出的一种或多种最适合预测参数的参数值来训练缺陷率预测模型。

在一个示例中，数据预处理单元710可以对历史半导体芯片样本数据集中的样本数据进行数据清洗，以去除有噪声的样本数据。此外，在另一示例中，数据预处理单元710还可以对历史半导体芯片样本数据集中的坏样本数据进行过采样处理，以对历史半导体芯片样本数据集中的坏样本数据进行扩充。

应该明白的是，数据预处理单元710、预测参数选择单元720、随机化处理单元730、训练单元740、重洗牌模块731、分离模块733和选择模块735可以被配置来执行上述参照图1到6描述的操作或功能。

应该明白的是，参照图1到8描述的模块和对应功能是用于例示而不是用来限制，具体功能可以在不同的模块中或者在单个模块中实现。

图9示出了根据本申请的用于改进半导体芯片的缺陷率的方法的流程图。如图9所示，在S910，利用缺陷率预测模型来预测位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率是否超过预定阈值，其中，所述缺陷率预测模型是如上所述的方法训练的。例如，可以利用缺陷率预测模型来预测该第二半导体芯片生产装置中处理的半导体芯片块中是否存在超过预定阈值个(例如，10个)具有缺陷的半导体芯片。如果存在，则认为缺陷率超过预定阈值。否则，不认为超过预定阈值。这里，所述预定阈值是基于第一半导体芯片生产装置的样本数据来得出的。接着，在S920，在预测出所生产出的半导体芯片的缺陷率超过所述预定阈值时，对第一半导体芯片生产装置进行缺陷维护处理。例如，对第一半导体芯片生产装置进行清洗处理。

利用图9中示出的方法，可以通过在第一半导体芯片生产装置中预测位于该生产装置下游的一个或多个第二半导体芯片生产装置所生产的半导体芯片的缺陷率是否超过预定阈值，并且在所预测的缺陷率超过预定阈值时，及时对第一半导体芯片生产装置进行缺陷维护处理，从而使得该第一生产装置随后生产的半导体芯片不会再出现缺陷，从而提高了半导体芯片良品率。

优选地，图9中示出的方法还可以包括向位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置通知半导体芯片存在缺陷，由此可以使得该一个或多个第二半导体芯片生产装置丢弃该半导体芯片。

图10示出了根据本申请的改进半导体芯片的缺陷率的系统1000的方框图。如图10所示，系统1000包括预测装置1010和缺陷处理装置1020。预测装置1010用于利用缺陷率预测模型来预测位于第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率是否超过预定阈值，其中，所述缺陷率预测模型是由如上所述的训练装置700训练的。缺陷处理装置1020用于在预测出所生产出的半导体芯片的缺陷率超过所述预定阈值时，对第一半导体芯片生产装置进行缺陷维护处理。优选地，在一个示例中，系统1000还可以包括如上所述的训练装置700。

如上参照图1到图8，对根据本申请的用于训练半导体芯片生产过程中的第一半导体芯片生产装置的缺陷率预测模型的方法及装置的实施例进行了描述。上面所述的训练装置可以采用硬件实现，也可以采用软件或者硬件和软件的组合来实现。

在本申请中，训练装置700可以利用计算设备实现。图11示出了根据本申请的实施例的用于实现训练装置700的计算设备1100的方框图。根据一个实施例，计算设备1100可以包括一个或多个处理器1102，处理器1102执行在计算机可读存储介质(即，存储器1104)中存储或编码的一个或多个计算机可读指令(即，上述以软件形式实现的元素)。

在一个实施例中，在存储器1104中存储计算机可执行指令，其当执行时使得一个或多个处理器1102：采用逻辑回归模型来从所述第一半导体芯片生产装置的历史半导体芯片样本数据集中的样本数据的参数集中选择出一种或多种最适合预测参数；以及使用所述历史半导体芯片样本数据集中的样本数据的所选择出的一种或多种最适合预测参数的参数值来训练所述缺陷率预测模型，所述缺陷率预测模型用于预测位于所述第一半导体芯片生产装置下游的一个或多个第二半导体芯片生产装置所生产出的半导体芯片的缺陷率。

应该理解，在存储器1104中存储的计算机可执行指令当执行时使得一个或多个处理器1102进行本申请的各个实施例中以上结合图1-8描述的各种操作和功能。

根据一个实施例，提供了一种比如非暂时性机器可读介质的程序产品。所述非暂时性机器可读介质可以具有指令(即，上述以软件形式实现的元素)，该指令当被机器执行时，使得机器执行本申请的各个实施例中以上结合图1-8描述的各种操作和功能。

上面结合附图阐述的具体实施方式描述了示例性实施例，但并不表示可以实现的或者落入权利要求书的保护范围的所有实施例。在整个本说明书中使用的术语“示例性”意味着“用作示例、实例或例示”，并不意味着比其它实施例“优选”或“具有优势”。出于提供对所描述技术的理解的目的，具体实施方式包括具体细节。然而，可以在没有这些具体细节的情况下实施这些技术。在一些实例中，为了避免对所描述的实施例的概念造成难以理解，公知的结构和装置以框图形式示出。

本公开内容的上述描述被提供来使得本领域任何普通技术人员能够实现或者使用本公开内容。对于本领域普通技术人员来说，对本公开内容进行的各种修改是显而易见的，并且，也可以在不脱离本公开内容的保护范围的情况下，将本文所定义的一般性原理应用于其它变型。因此，本公开内容并不限于本文所描述的示例和设计，而是与符合本文公开的原理和新颖性特征的最广范围相一致。