一种基于神经网络的外延生长率计算方法及系统与流程

本发明涉及半导体制造，尤其涉及一种基于神经网络的外延生长率计算方法及系统。

背景技术：

1、外延生长就是在晶圆衬底上生长上一层单晶膜(单晶层)，这层单晶膜称为外延层。此晶圆衬底不一定与外延层有相同材质及组成，外延层与晶圆衬底是相同材质时称为同质外延生长，不同材质时称为异质外延生长。因此，外延层的晶体结构是晶圆衬底晶体结构的延伸，通过外延生长可使元件有较高的击穿电压或电流处理能力。在半导体外延生长工艺中，精确计算生长率对于优化生长工艺和提高成膜质量至关重要。传统方法在生长率计算上存在诸多局限性，例如：处理复杂的非线性关系能力不足，扩展性差，准确性欠佳问题。

技术实现思路

1、本发明的目的在于提供一种基于神经网络的外延生长率计算方法及系统，能够快速准确计算生长率，解决传统方法在处理复杂的非线性关系能力不足，扩展性差，准确性欠佳的问题。

2、为实现上述目的，第一方面，本发明提供了一种基于神经网络的外延生长率计算方法，包括：采集晶圆外延生长过程中的反射率数据；将所述反射率数据进行预处理，得到输入数据；将所述输入数据输入神经网络模型，所述神经网络模型进行计算，得到外延生长组分的折射率值（n）和消光系数值（k）；根据得到的所述折射率值（n）和所述消光系数值（k）计算出晶圆外延生长率。

3、本发明通过神经网络模型构建反射率数据和折射率值（n）、消光系数值（k）复杂的非线性关系，在神经网络模型输入预处理后的反射率数据，可快速准确得到非线性关系的折射率值（n）和消光系数值（k），依据折射率值（n）和消光系数值（k）计算出晶圆的外延生长率，本发明处理效率高、可实时快速准确地计算外延生长率，并且神经网络模型通过调整训练中的权重参数可适应多种类型的外延生长，具有多工艺通用性，适用范围广。

4、在一些实施例中，将所述输入数据输入神经网络模型，包括：所述神经网络模型包括网络架构设计子模块和模型训练子模块；所述网络架构设计子模块用于建立非线性的反射率数据与折射率值（n）和消光系数值（k）的映射关系，所述映射关系为f（x），其中输入数据为r，关于r的映射关系表达为f（r）=（n, k）；所述模型训练子模块用于本地数据的训练，将本地数据中实际检测的所述反射率数据、所述折射率值（n）和所述消光系数值（k）进行标注并预处理形成标注数据集，所述标注数据集通过k折交叉法形成训练集和验证集，所述训练集输入所述映射关系f（x），所述模型训练子模块根据输入的所述训练集调整所述映射关系f（x），所述验证集输入所述映射关系f（x）进行验证，并将调整后所述映射关系f（x）反馈到所述网络架构设计子模块。其有益效果在于：神经网络模型中的网络架构设计子模块根据不同的外延生长条件和不同材料体系调整网络参数，可以计算出不同外延生长条件和不同材料体系的外延生长率，适用范围广。模型训练子模块根据本地实际检测的反射率数据、折射率值（n）和消光系数值（k）不断学习调整映射关系f（x），对映射关系f（x）进行优化，并反馈到所述网络架构设计子模块，进一步提高神经网络模型的性能。

5、在一些实施例中，所述网络架构设计子模块包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层均包括神经元；所述输入层、所述隐藏层和所述输出层之间形成全连接网络模型，用于数据特征映射；所述隐藏层包括隐藏单层，所述隐藏单层大于等于3层，所述隐藏单层包括多个所述神经元，多个所述神经元之间全连接，所述神经元用于数据特征的提取。其有益效果在于：多个隐藏单层中的神经元可对信息进行更加高级的特征提取，得到更高级层次的特征表示。

6、在一些实施例中，所述隐藏单层均采用激活函数，所述激活函数引入非线性因子，用于增强所述映射关系f（x）表达能力。其有益效果在于：隐藏单层中的激活函数将线性模型引入非线性因子，让线性模型通过激活函数表达为非线性关系，实现从输入数据表达为非线性关系的折射率值（n）和消光系数值（k），完成非线性运算。

7、在一些实施例中，将所述验证集的反射率数据输入所述网络架构设计子模块，通过映射关系f（x）得到多个预测的折射率值（n）和消光系数值（k）；所述网络架构设计子模块包括损失函数，所述损失函数为均方根误差函数，所述损失函数量化所述映射关系f（x）得出的预测值和本地数据中实际检测的值之间的差异，所述损失函数用于优化所述映射关系f（x）；通过优化后的所述映射关系f（x）得到多个预测的折射率值（n）和消光系数值（k），将多个预测的所述折射率值（n）和所述消光系数值（k）制作为散点图，用于观察鲁棒性；多个预测的所述折射率值（n）和所述消光系数值（k）与本地数据中实际检测的所述折射率值（n）和所述消光系数值（k）通过所述均方根误差函数进行均方根误差计算，并得到均方根误差计算数值，根据所述均方根误差计算数值和鲁棒性去反映对应映射关系f（x）的稳定性和准确性。其有益效果在于：通过观测得出的鲁棒性和均方根误差计算数值，可以反应映射关系f（x）的稳定性和准确性。

8、在一些实施例中，所述采集晶圆外延生长过程中的反射率数据，包括：将外延生长过程中实时监测的反射率数据进行采集，并制作成数据集。其有益效果在于：反射率数据采集后制作成数据集，便于数据集中的数据进行集中预处理。

9、在一些实施例中，所述将反射率数据进行预处理，得到输入数据，包括：将反射率数据制作成的数据集进行滑动平均滤波处理，所述滑动平均滤波中的窗口用于去除异常值和明显错误的数据值，对反射率数据进行降噪；降噪后的反射率数据进行归一化处理，得到输入数据，所述输入数据用于输入神经网络模型。其有益效果在于：数据集进行滑动平均滤波处理，对数据集进行快速计算，能够实现数据的实时处理，数据处理响应速度快，滑动平均滤波处理后的数据进行归一化处理，将降噪后的反射数据的数值范围转换到统一的尺度上，得到神经网络模型的输入数据。

10、在一些实施例中，所述窗口大小为b×1，其中b为数据长度。

11、在一些实施例中，所述归一化处理将降噪后的反射率数据转换为均值为0、标准差为1的分布，用于将降噪后的反射率数据转化为统一尺度，得到输入数据。其有益效果在于：降噪后的反射率数据归一化处理简化了计算过程，减少运算量，提高了梯度下降过程中模型收敛速度。

12、在第二方面，本发明实施例提供一种基于神经网络的外延生长率计算系统，包括：数据采集模块，用于采集晶圆外延生长过程中的反射率数据；数据预处理模块，其将接收的所述反射率数据进行预处理，得到输入数据；神经网络模型模块，其将接收的所述输入数据进行计算得到外延生长组分的折射率值（n）和消光系数值（k）；生长率计算模块，其根据得到的折射率值（n）和消光系数值（k）计算出晶圆外延生长率。

技术特征：

1.一种基于神经网络的外延生长率计算方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，将所述输入数据输入神经网络模型，包括：

3.根据权利要求2所述的方法，其特征在于：所述网络架构设计子模块包括输入层、隐藏层和输出层，所述输入层、所述隐藏层和所述输出层均包括神经元；

4.根据权利要求3所述的方法，其特征在于：所述隐藏单层均采用激活函数，所述激活函数引入非线性因子，用于增强所述映射关系f（x）表达能力。

5.根据权利要求3所述的方法，其特征在于：将所述验证集的反射率数据输入所述网络架构设计子模块，通过所述映射关系f（x）得到多个预测的折射率值（n）和消光系数值（k）；

6.根据权利要求1所述的方法，其特征在于，所述采集晶圆外延生长过程中的反射率数据，包括：

7.根据权利要求6所述的方法，其特征在于，所述将所述反射率数据进行预处理，得到输入数据，包括：

8.根据权利要求7所述的方法，其特征在于：所述窗口大小为b×1，其中b为数据长度。

9.根据权利要求7所述的方法，其特征在于：所述归一化处理将降噪后的反射率数据转换为均值为0、标准差为1的分布，用于将降噪后的反射率数据转化为统一尺度，得到输入数据。

10.一种基于神经网络的外延生长率计算系统，其特征在于，包括：

技术总结
本发明提供了一种基于神经网络的外延生长率计算方法及系统，其中方法包括：采集晶圆外延生长过程中的反射率数据；将所述反射率数据进行预处理，得到输入数据。本发明通过神经网络模型构建反射率数据和折射率值（n）、消光系数值（k）复杂的非线性关系，在神经网络模型输入预处理后的反射率数据，可快速准确得到非线性关系的折射率值（n）和消光系数值（k），依据折射率值（n）和消光系数值（k）计算出晶圆的外延生长率，本发明处理效率高、可实时快速准确地计算外延生长率，并且神经网络模型通过调整训练中的权重参数可适应多种类型的外延生长，具有多工艺通用性，适用范围广。

技术研发人员：张黎明,刘新阳,刘杰
受保护的技术使用者：上海车仪田科技有限公司
技术研发日：
技术公布日：2024/12/19