CN119067028B 基于机器学习的集成电路工艺参数优化方法及系统 （中科芯(苏州)微电子科技有限公司）

司金鸡湖大道99号苏州纳米城1幢505、基于机器学习的集成电路工艺参数优化方本发明提供一种基于机器学习的集成电路数并进行迁移学习，对工艺节点进行比较和映2从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识基于所述制程工艺知识图谱，通过图卷积神经网络进行特征提法对所述异构模型集成进行实时更新并确定工艺参数与良品率基于所述动态变化，构建多目标优化模型并设置多个优化目贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因果干预，生成工艺参数优化决策并根据所述工艺参数优化决策修正所述贝叶从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识库包从多源异构的工艺设备和测试设备中获取初始制程历史数据，其中，所基于所述强关联规则和所述高频繁模式，通过本体映射方法3基于所述分布式表示，在嵌入向量空间中通过表示向量运算i将所述制程工艺知识图谱表示为无向加权图并为所述无向加权图中的每个边设置对基于所述特征表示，选择鲁滨因果模型对潜在结果框架进行形品率的影响并根据预先设置的影响阈值筛选得到所述关键因果特征基于所述关键因果特征子集，通过因果相关性分析计算每个工4根据扩充后的制程工艺图谱和所述公共语义空间，通过堆叠泛优化求解，生成优化工艺参数并根据所述制程工艺知识图谱中工艺节点的语义映射关系，获取实际生产需求，根据所述实际生产需求和当前时间步的基于多目标进化优化算法，将所述决策变量映射为算法中的个体将所述优化工艺参数作为新的节点添加至所述制程工艺知识图将所述优化模型参数通过迁移学习算法添加至根据所述制程工艺知识图谱预先构建5键工艺参数X实际取值为x'的概率，P(X＝x,)表示关键工艺参数X实际取值为x'的边际概7.基于机器学习的集成电路工艺参数优化系统，用于实现前述权利要求1_6中任一项第一单元，用于从工艺设备和测试设备中获取制程历史数据，通过第二单元，用于基于所述制程工艺知识图谱，通过图卷积式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数6其中，所述处理器被配置为调用所述存储器存储的指令，以执行序指令被处理器执行时实现权利要求1至67[0002]集成电路制造是一个高度复杂的过程，涉及数百道工艺步骤和上千个工艺参[0006]本发明实施例的第一方面，提供一种基于机器学习的集成电路工艺参数优化方制程工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，习算法对所述异构模型集成进行实时更新并确定工艺参数8述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因算方法确定不同数据源之间的语义相似性，基于所述语义相似性进行语义融合和互操作，[0016]通过基于路径的推理方法在所述制程工艺知识图谱上进行多步关系推理如下公9艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，习算法对所述异构模型集成进行实时更新并确定工艺参数与[0021]将所述制程工艺知识图谱表示为无向加权图并为所述无向加权图中的每个边设对良品率的影响并根据预先设置的影响阈值筛选得到所述关键因果特征子集；述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因置约束条件并建立所述多目标优化模型对应艺参数节点，根据所述制程工艺知识图谱中不同节点之间的语义关联构建语义映射矩阵，[0034]将所述优化模型参数通过迁移学习算法添加至根据所述制程工艺知识图谱预先[0036]根据所述共性因果模式和所述特殊因果模式对所述关键工艺参数进行因果干预[0038]其中，P(YIX=X',Y=)表示在给定关键工艺参数X的实际观测值x'和优化目标Y的表示关键工艺参数X的实际观测值，Y表示优化目标，P(y=yldo(x=x))表示在进行干预的情[0039]本发明实施例的第二方面，提供一种基于机器学习的集成电路工艺参数优化系因果依赖关系，结合基于图模型的因果结构学习算法确定因果图并设置因果特征选择准流数据的递增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率的动果模式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺[0056]S1.从工艺设备和测试设备中获取算方法确定不同数据源之间的语义相似性，基于所述语义相似性进行语义融合和互操作，法是通过分析知识图谱中的路径来推导节点之间的关系，从而发现潜在的因果关系或关[0071]通过基于路径的推理方法在所述制程工艺知识图谱上进行多步关系推理如下公工艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关关键因果特征子集，结合因果相关性分析和语义相似度计算选择关键样本并进行主动学增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，习算法对所述异构模型集成进行实时更新并确定工艺参数与[0079]将所述制程工艺知识图谱表示为无向加权图并为所述无向加权图中的每个边设对良品率的影响并根据预先设置的影响阈值筛选得到所述关键因果特征子集；述条件独立性测试是一种用于判断两个变量在给定其他变量的情况下是否独立的统计方条件平均处理效应是指在特定条件下，处理组的平均结果与对照组的平均结果之间的差平均因果效应和条件平均处理效应等指标，筛选出了对良品率影响最大的关键工艺参数，于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因[0094]所述多目标进化优化算法是一类用于同时优化多个相互评估干预效果，所述因果干预是指对系统中某个变量施加操作以观察其对其他变量的影述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因置约束条件并建立所述多目标优化模型对应艺参数节点，根据所述制程工艺知识图谱中不同节点之间的语义关联构建语义映射矩阵，[0100]将所述优化模型参数通过迁移学习算法添加至根据所述制程工艺知识图谱预先果模式指在多个系统或情况下普遍存在的因果关系模式，帮助识别不同环境下的因果规过模拟鲸鱼围绕猎物旋转和逼近更新位置，对于更新后的每个个体再次进行适应度值计射矩阵找到了一个相似度最高的源工艺节点，提取其特征表示并映射至优化工艺参数节优化工艺参数节点之间的共性因果模式，如"曝光时间增加→光刻尺寸减小→良品率提[0108]根据所述共性因果模式和所述特殊因果模式对所述关键工艺参数进行因果干预[0110]其中，P(YIX=X',Y=)表示在给定关键工艺参数X的实际观测值x'和优化目标Y的表示关键工艺参数X的实际观测值，Y表示优化目标，P(y=yldo(x=x))表示在进行干预的情化提供了一种新的思路和手段，同时也为因果推理在智能制造领域的应用奠定了理论基因果依赖关系，结合基于