CN113792514A - 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 - Google Patents
一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 Download PDFInfo
- Publication number
- CN113792514A CN113792514A CN202111104690.1A CN202111104690A CN113792514A CN 113792514 A CN113792514 A CN 113792514A CN 202111104690 A CN202111104690 A CN 202111104690A CN 113792514 A CN113792514 A CN 113792514A
- Authority
- CN
- China
- Prior art keywords
- surface height
- mechanical polishing
- chemical mechanical
- prediction model
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 100
- 238000005498 polishing Methods 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000013526 transfer learning Methods 0.000 title claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000007517 polishing process Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000008014 freezing Effects 0.000 claims description 4
- 238000007710 freezing Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 30
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 238000013508 migration Methods 0.000 description 4
- 230000005012 migration Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000227 grinding Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/38—Circuit design at the mixed level of analogue and digital signals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明涉及一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,包括化学机械抛光仿真数据采集,对数据进行数据预处理,建立源域数据集;利用设计的神经网络模型基于源域数据集进行模型训练,建立源域化学机械抛光芯片表面高度预测模型;然后基于不同的化学机械抛光工艺参数或者不同类型的电路建立目标域数据集,并利用迁移学习的方法,生成目标域化学机械抛光芯片表面高度预测模型。有益效果是适应工艺参数变化以及电路种类差异、通用性强。
Description
【技术领域】
本发明涉及半导体化学机械抛光工艺技术领域,具体涉及一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法。
【背景技术】
随着集成电路半导体制造工艺进入到深亚微米(通常把0.35-0.8μm及其以下称为亚微米级,0.25um及其以下称为深亚微米)阶段,电路的特征尺寸进一步减小,制造过程中的工艺偏差程度日益严重,大大影响了芯片的性能与成品率。其中化学机械抛光(CMP)作为实现芯片表面的高度平坦化的关键技术,主要通过打磨抛光垫和硅片之间的机械力作用以及研磨液的化学作用来实现芯片表面形貌的平坦化。然而在平坦化过程中,由于化学机械抛光工艺下各工艺参数以及版图设计模式的不同的影响,芯片表面不同的位置的高度相互存在巨大的差异,存在碟形缺陷和侵蚀的现象,导致后续光刻过程中产生聚焦困难,造成光刻分辨率下降,影响芯片的性能以及成品率。因此需要建立一个化学机械抛光芯片表面高度预测模型来预测打磨后芯片表面的平整度,连接设计和制造的桥梁从而提高芯片的成品率。
现有的化学机械抛光芯片表面高度预测模型建模主要采用经验模型和物理机理模型。其中物理模型主要通过研究抛光垫,研磨液和硅片之间的相互作用来计算芯片表面高度。然而对于大规模的集成电路芯片来说,物理模型所需要耗费的时间和计算资源过于庞大,是不可接受的。因此学术界或者工业界往往采用经验模型或者半经验模型,通过抛光实验以及理论研究确定部分工艺参数的解析表达式,从而减少计算量提高计算速度。然而这类模型的经验公式忽略了部分参数,随着工艺的飞速发展,很难满足新工艺的精度要求,此外该类经验模型的开发依赖于大量的抛光实验。然而大量的抛光实验需要较长的时间周期以及极其高昂的研发成本。因此建立一个快速且精确的化学机械抛光芯片表面高度预测模型十分必要。
深度学习在现代工业以及自动化设计领域的大规模应用,使得深度学习与集成电路的结合越发紧密,为化学机械抛光芯片表面高度预测模型的建立带来了新的机遇与挑战。由于深度学习是一个数据驱动的过程,建立一个精确且鲁棒性高的化学机械抛光芯片表面高度预测模型需要大量的实验数据,通常需要设计一个专门的测试芯片来获取实验数据,然而设计一个与实际版图相似的测试芯片耗时耗力。此外不同电路类型的版图特征,单一的模型难以不同的电路类型版图中取得精确的预测结果。并且随着制造工艺的不断进步,化学机械抛光的工艺参数也在不断变化,迁移学习的方法能通过冻结部分参数的形式将已生成模型在新的数据集上进行在训练,能够有效利用历史数据,有效避免过拟合问题,提高预测精度,加快建模速度。
迁移学习是一种机器学习方法,就是把为任务A开发的模型作为初始点,重新使用在为任务B开发模型的过程中,迁移学习(Transfer learning)顾名思义就是把已训练好的模型参数迁移到新的模型来帮助新模型训练,从相关领域中迁移标注数据或者知识结构、完成或改进目标领域或任务的学习效果。迁移学习利用数据,任务或模型之间的相似性,将在旧域中学习的模型应用于新域。迁移学习中有两个基本概念:域和任务。域由两部分组成:不同的特征空间和不同的边际分布。通常我们用D表示域,用P表示概率分布。通常,如果两个域不同,则它们可能具有不同的特征空间或不同的边际分布。迁移对应于两个基本域:源域和目标域。源域是具有知识和大量数据注释的域,这是要迁移的对象。目标域是最终想要提供知识和注释的对象。从源域到目标域的传输完成了迁移任务。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学***等对待。
本发明利用大数据和人工智能算法对化学机械抛光芯片表面高度预测模型建模方法进行了改进。
【发明内容】
本发明的目的是,提出一种适应工艺参数变化以及电路种类差异、通用性强的化学机械抛光芯片表面高度预测模型建模方法。
为实现上述目的,本发明采取的技术方案是一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,包括以下步骤:
S1、基于EDA工具采集测试芯片化学机械抛光仿真后数据,获取样本数据集;
S2、对样本数据集进行数据预处理,并将其划分为训练集、验证集及测试集;
S3、设计基于神经网络的化学机械抛光芯片表面高度预测模型,输入训练集训练化学机械抛光芯片表面高度预测模型,输入验证集和测试集对化学机械抛光芯片表面高度预测模型进行超参数调整验证与测试;
S4、再次执行步骤S1-S2,建立新的数据集作为目标域数据集;
S5、基于已训练好的化学机械抛光芯片表面高度预测模型以及目标域数据集进行迁移学习,依据迁移学习得到的化学机械抛光芯片表面高度预测模型在目标域数据集上的表现选择最佳迁移学习方案,首先冻结化学机械抛光芯片表面高度预测模型的部分层、激活化学机械抛光芯片表面高度预测模型的其他层,然后基于已训练好的模型结合目标域数据集进行超参数调整再训练,生成新的化学机械抛光芯片表面高度预测模型。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,还包括以下步骤:
S6、使用新的化学机械抛光芯片表面高度预测模型模型进行化学机械抛光芯片表面高度预测。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S1中:所述测试芯片是包含模拟电路、数字电路以及存储电路的混合电路芯片。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S1:首先将测试芯片版图切分为均匀大小的子版图,然后利用EDA工具对切分好的子版图进行化学机械抛光仿真得到各子版图的表面高度作为参考值,并对各子版图进行图片化处理、以及密度计算,获得样本数据集。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S2所述数据预处理包括如下步骤:
S11、首先将样本数据集全部样本根据表面高度划分为若干个区间,计算每个区间的样本数;
S12、根据设定的每个区间样本数平均值进行选择性下采样,得到表面高度分布相对平衡的数据集;
S13、将表面高度分布相对平衡的数据集划分为训练集、验证集和测试集。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S3:所述基于神经网络的化学机械抛光芯片表面高度预测模型是基于卷积神经网络的多输入模型,所述基于卷积神经网络的多输入模型前向传递方向包括若干交替的卷积层和池化层构成的特征提取网络、以及若干全连接层构成的回归网络;所述输入训练集训练化学机械抛光芯片表面高度预测模型是指,由训练集数据x沿所述基于卷积神经网络的多输入模型前向传递得到化学机械抛光芯片表面高度预测值y′=g(θ,x),g函数为模型的前向传递函数;然后使用均方根误差RMSE计算化学机械抛光芯片表面高度预测值y′与真实值y之间的误差,均方根误差RMSE的计算公式为:
式中m为训练集的样本数,yi为训练集中第i个样本的真实值,yi′表示训练集中第i个样本的预测值;最后通过梯度下降算法,逆向反馈更新化学机械抛光芯片表面高度预测模型的权重系数,直至误差收敛,梯度下降算法的计算公式为:
式中:=表示该符号右侧的值更新左侧的值,α表示学习率,J(θ)为损失函数即均方根误差RMSE。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S4:所述目标域数据集是包含不同的化学机械抛光工艺参数对应的目标域数据集,或者单一特定电路类型对应的目标域数据集。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,所述单一特定电路类型是指模拟电路、数字电路或者存储电路。
优选地,上述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,步骤S5:根据化学机械抛光芯片表面高度预测模型在目标域数据集的训练集上的均方根误差RMSE,来选择在目标域数据集表现最优的最佳迁移学习方案;所述均方根误差RMSE的计算公式为:
式中m为训练集的样本数,yi为训练集中第i个样本的真实值,yi′表示训练集中第i个样本的预测值。
本发明一种基于迁移学***衡的问题,能够有效提高模型的预测精度;2、提供的计算化学机械抛光后芯片表面高度的神经网络模型能够显著减少运行时间,提高预测精度;3、采用迁移学习来解决化学机械抛光工艺参数变化以及不同类型的电路特征差异造成的化学机械抛光芯片表面高度预测模型通用性问题,迁移学习可以更好地利用在源域学到的特征并迁移到目标域中,加快目标域模型的收敛速度,得到更加精确的预测值。综上,针对化学机械抛光工艺的变化以及不同电路类型的特征差异,提出一种快速且精确的可迁移的化学机械抛光芯片表面高度预测模型建模方法,进一步提高现有的化学机械抛光芯片表面高度预测模型建模方法的速度与精度,对芯片表面高度进行准确预测。
【附图说明】
图1是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法迁移学习流程示意图。
图2是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法数据采集流程图。
图3是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法采用的基于神经网络的多输入化学机械抛光芯片表面高度预测模型框架图。
图4是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法迁移学习方案示意图。
图5是基于训练好的本发明化学机械抛光芯片表面高度预测模型进行全芯片化学机械抛光仿真流程示意图。
图6是EDA工具与基于训练好的本发明化学机械抛光芯片表面高度预测模型全芯片化学机械抛光仿真结果对比图。
【具体实施方式】
下面结合实施例并参照附图对本发明作进一步描述。
实施例1
本实施例实现一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法。
图1是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法迁移学习流程示意图。如附图1所示,本实施例一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法,其迁移学习的流程具体包括如下步骤:
S1、数据采集:准备测试芯片,采集测试芯片化学机械抛光后的仿真数据。
所述测试芯片在本实施例中采用了包含模拟电路,数字电路以及存储器电路的混合信号商业芯片。图2是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法数据采集流程图。如附图2所示,本实施例一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法其数据采集的具体流程,首先将测试芯片版图切分为均匀大小的子版图,然后利用商业化EDA工具对切分好的子版图进行化学机械抛光仿真得到各子版图的表面高度作为参考值,并对各子版图进行图片化处理以及密度计算,获得样本数据。
S2、数据预处理:对采集到的仿真数据进行数据预处理,建立源域数据集,并划分训练集,验证集和测试集。
其中数据预处理主要针对测试芯片存在表面高度分布不平衡的情况,创新性地提出了选择性下采样进行数据平衡。首先将数据集全部样本根据表面高度划分为若干个区间,计算每个区间的样本数。然后根据所设定的每个区间样本数平均值进行选择性下采样,得到数据分布相对平衡的数据集。然后将平衡后的数据集划分为训练集,验证集和测试集。对于一个样值序列间隔几个样值取样一次,这样得到新序列就是原序列的下采样。
S3、设计特定的基于神经网络的化学机械抛光芯片表面高度预测模型,输入训练集进行模型的训练、输入验证集和测试集对芯片表面高度预测模型进行验证与测试。
图3是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法采用的基于神经网络的多输入化学机械抛光芯片表面高度预测模型框架图。如附图3所示,本实施一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法基于神经网络的化学机械抛光芯片表面高度预测模型采用了多输入的卷积神经网络,包括特征提取网络进行特征提取、以及回归网络进行回归预测。训练数据x沿多输入的卷积神经网络模型前向传递得到表面高度预测值y′=g(θ,x),其中g函数为模型的前向传递函数。使用均方根误差RMSE计算预测值y′与真实值y之间的误差,均方根误差RMSE的计算公式为:
式中m为训练集的样本数,yi为训练集中第i个样本的真实值,yi′表示训练集中第i个样本的预测值。
然后通过梯度下降算法(梯度下降法简单来说就是一种寻找目标函数最小化的方法),逆向反馈更新模型的权重系数,直至误差收敛,梯度下降算法的计算公式为:
式中:=表示该符号右侧的值更新左侧的值,α表示学习率,J(θ)为损失函数即均方根误差RMSE。
S4、再次执行步骤S1-S2,得到不同的化学机械抛光工艺参数下芯片表面高度仿真结果,建立新的数据集作为目标域数据集。
S5、建立目标域的化学机械抛光芯片表面高度预测模型。图4是一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法迁移学习方案示意图。如附图4所示,本实施例一种基于迁移学习的不同工艺参数化学机械抛光芯片表面高度预测模型建模方法首先通过调节冻结层数来探索最佳的迁移学习方案;然后根据最佳迁移学习方案,基于源域化学机械抛光芯片表面高度预测模型结合目标域数据集进行微调层模型调参,来生成新的工艺参数下对应的新的化学机械抛光芯片表面高度预测模型。
实施例2
本实施例实现一种基于迁移学习的特定电路类型化学机械抛光芯片表面高度预测模型建模方法。
T1、本实施例一种基于迁移学习的特定电路类型化学机械抛光芯片表面高度预测模型建模方法基于实施例1步骤S1-S3,采用含有模拟电路、数字电路以及存储电路的混合信号商业芯片作为测试芯片建立源域数据集,通过训练集以及验证集进行模型训练及超参数调整,得到源域的化学机械抛光芯片表面高度预测模型,并用测试集对训练好的模型预测效果进行评价。
T2、建立目标域数据集,根据实施例1中步骤S1-S2,采用不同电路类型的测试芯片,分别建立模拟电路、数字电路以及存储电路的目标域数据集。
T2、通过迁移学习建立不同电路类型所对应的化学机械抛光芯片表面高度预测模型。
首先确定好最佳迁移学习方案,然后根据最佳学习方案进行模型冻结,基于已训练好的模型结合各电路类型的目标数据集进行再训练,根据验证集进行模型调参,生成不同电路类型对应的新的化学机械抛光芯片表面高度预测模型,最后在测试集上对模型的预测效果进行评价。
实施例1或者实施例2所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,包括化学机械抛光仿真数据采集,对数据进行数据预处理,建立源域数据集;利用设计的神经网络模型基于源域数据集进行模型训练,建立源域化学机械抛光芯片表面高度预测模型;然后基于不同的化学机械抛光工艺参数或者不同类型的电路建立目标域数据集,并利用迁移学习的方法,生成目标域化学机械抛光芯片表面高度预测模型。以下基于训练好的实施例1或者实施例2的化学机械抛光芯片表面高度预测模型进行全芯片仿真。
图5是基于训练好的本发明化学机械抛光芯片表面高度预测模型进行全芯片化学机械抛光仿真流程示意图。如附图5所示,基于训练好的本发明化学机械抛光芯片表面高度预测模型进行全芯片化学机械抛光仿真流程首先进行版图切分,然后对各子版图进行二值化处理并计算版图的密度,然后将生成二值化版图图片以及密度作为输入,基于训练好的化学机械抛光芯片表面高度预测模型进行表面高度预测,得到全芯片表面高度的仿真结果。
图6是EDA工具与基于训练好的本发明化学机械抛光芯片表面高度预测模型全芯片化学机械抛光仿真结果对比图。如附图6所示,最后对该芯片化学机械抛光芯片表面高度预测模型表面高度预测结果进行可视化,进行EDA工具的仿真结果与基于训练好的本发明化学机械抛光芯片表面高度预测模型的仿真结果在一张对比图上显示,进行直观的、可视化的对比。
本领域普通技术人员可以理解,实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Acess Memory,RAM)等。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明原理的前提下,还可以做出若干改进和补充,这些改进和补充也应视为本发明的保护范围。
Claims (9)
1.一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于包括以下步骤:
S1、基于EDA工具采集测试芯片化学机械抛光仿真后数据,获取样本数据集;
S2、对样本数据集进行数据预处理,并将其划分为训练集、验证集及测试集;
S3、设计基于神经网络的化学机械抛光芯片表面高度预测模型,输入训练集训练化学机械抛光芯片表面高度预测模型,输入验证集和测试集对化学机械抛光芯片表面高度预测模型进行超参数调整验证与测试;
S4、再次执行步骤S1-S2,建立新的数据集作为目标域数据集;
S5、基于已训练好的化学机械抛光芯片表面高度预测模型以及目标域数据集进行迁移学习,依据迁移学习得到的化学机械抛光芯片表面高度预测模型在目标域数据集上的表现选择最佳迁移学习方案,首先冻结化学机械抛光芯片表面高度预测模型的部分层、激活化学机械抛光芯片表面高度预测模型的其他层,然后基于已训练好的模型结合目标域数据集进行超参数调整再训练,生成新的化学机械抛光芯片表面高度预测模型。
2.根据权利要求1所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于还包括以下步骤:
S6、使用新的化学机械抛光芯片表面高度预测模型模型进行化学机械抛光芯片表面高度预测。
3.根据权利要求1所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于步骤S1中:所述测试芯片是包含模拟电路、数字电路以及存储电路的混合电路芯片。
4.根据权利要求3所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于步骤S1:首先将测试芯片版图切分为均匀大小的子版图,然后利用EDA工具对切分好的子版图进行化学机械抛光仿真得到各子版图的表面高度作为参考值,并对各子版图进行图片化处理、以及密度计算,获得样本数据集。
5.根据权利要求4所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于步骤S2所述数据预处理包括如下步骤:
S11、首先将样本数据集全部样本根据表面高度划分为若干个区间,计算每个区间的样本数;
S12、根据设定的每个区间样本数平均值进行选择性下采样,得到表面高度分布相对平衡的数据集;
S13、将表面高度分布相对平衡的数据集划分为训练集、验证集和测试集。
6.根据权利要求5所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于步骤S3:所述基于神经网络的化学机械抛光芯片表面高度预测模型是基于卷积神经网络的多输入模型,所述基于卷积神经网络的多输入模型前向传递方向包括若干交替的卷积层和池化层构成的特征提取网络、以及若干全连接层构成的回归网络;所述输入训练集训练化学机械抛光芯片表面高度预测模型是指,由训练集数据x沿所述基于卷积神经网络的多输入模型前向传递得到化学机械抛光芯片表面高度预测值y′=g(θ,x),g函数为模型的前向传递函数;然后使用均方根误差RMSE计算化学机械抛光芯片表面高度预测值y′与真实值y之间的误差,均方根误差RMSE的计算公式为:
式中m为训练集的样本数,yi为训练集中第i个样本的真实值,yi′表示训练集中第i个样本的预测值;最后通过梯度下降算法,逆向反馈更新化学机械抛光芯片表面高度预测模型的权重系数,直至误差收敛,梯度下降算法的计算公式为:
式中:=表示该符号右侧的值更新左侧的值,α表示学习率,J(θ)为损失函数即均方根误差RMSE。
7.根据权利要求6所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于步骤S4:所述目标域数据集是包含不同的化学机械抛光工艺参数对应的目标域数据集,或者单一特定电路类型对应的目标域数据集。
8.根据权利要求7所述的一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法,其特征在于:所述单一特定电路类型是指模拟电路、数字电路或者存储电路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111104690.1A CN113792514B (zh) | 2021-09-18 | 2021-09-18 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111104690.1A CN113792514B (zh) | 2021-09-18 | 2021-09-18 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792514A true CN113792514A (zh) | 2021-12-14 |
CN113792514B CN113792514B (zh) | 2023-11-24 |
Family
ID=78879010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111104690.1A Active CN113792514B (zh) | 2021-09-18 | 2021-09-18 | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792514B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634101A (zh) * | 2024-01-26 | 2024-03-01 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226627A (zh) * | 2013-03-21 | 2013-07-31 | 中国科学院微电子研究所 | 一种芯片表面形貌仿真的方法及装置 |
CN107633103A (zh) * | 2016-07-15 | 2018-01-26 | 中国科学院微电子研究所 | 一种cmp模型参数优化方法和装置 |
CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
CN111248909A (zh) * | 2020-01-19 | 2020-06-09 | 上海交通大学 | 基于生物电阻抗断层成像的医疗成像***、方法及设备 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
-
2021
- 2021-09-18 CN CN202111104690.1A patent/CN113792514B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226627A (zh) * | 2013-03-21 | 2013-07-31 | 中国科学院微电子研究所 | 一种芯片表面形貌仿真的方法及装置 |
CN107633103A (zh) * | 2016-07-15 | 2018-01-26 | 中国科学院微电子研究所 | 一种cmp模型参数优化方法和装置 |
CN109060001A (zh) * | 2018-05-29 | 2018-12-21 | 浙江工业大学 | 一种基于特征迁移学习的多工况过程软测量建模方法 |
CN111248909A (zh) * | 2020-01-19 | 2020-06-09 | 上海交通大学 | 基于生物电阻抗断层成像的医疗成像***、方法及设备 |
AU2020103613A4 (en) * | 2020-11-23 | 2021-02-04 | Agricultural Information and Rural Economic Research Institute of Sichuan Academy of Agricultural Sciences | Cnn and transfer learning based disease intelligent identification method and system |
Non-Patent Citations (1)
Title |
---|
汪民娇;王智华;邓宇亮;施奇惠;: "用于循环肿瘤细胞捕获的鱼骨型微流控芯片的模拟仿真与优化", 医用生物力学, no. 05, pages 401 - 407 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634101A (zh) * | 2024-01-26 | 2024-03-01 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
CN117634101B (zh) * | 2024-01-26 | 2024-06-25 | 杭州广立微电子股份有限公司 | 芯片表面形态确定方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113792514B (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Committee-based active learning for surrogate-assisted particle swarm optimization of expensive problems | |
US10198550B2 (en) | SRAF insertion with artificial neural network | |
AU2021245165B2 (en) | Method and device for processing quantum data | |
US11982980B2 (en) | Simulation method for semiconductor fabrication process and method for manufacturing semiconductor device | |
CN112947300A (zh) | 一种加工质量虚拟量测方法、***、介质及设备 | |
CN113792514B (zh) | 一种基于迁移学习的化学机械抛光芯片表面高度预测模型建模方法 | |
Mevawalla et al. | Neural network modeling for advanced process control using production data | |
Chen et al. | Lightweight convolutional transformers enhanced meta-learning for compound fault diagnosis of industrial robot | |
Liu et al. | Prediction of fan-out panel level warpage using neural network model with edge detection enhancement | |
US11035666B2 (en) | Inspection-guided critical site selection for critical dimension measurement | |
Yu et al. | Machine vision problem for fast recognition of surface defects of thermoelectric cooler components based on deep learning method | |
CN115859521A (zh) | 基于神经网络的铣削加工误差重建方法及*** | |
Xia et al. | Predicting the material removal rate in chemical mechanical planarization process: A hypergraph neural network-based approach | |
CN108921278B (zh) | 一种水表检定装置的台位差计算方法 | |
Jiahe | Machine Learning Aided Design Optimization for Micro-chip Reliability Improvement | |
Tsai et al. | Data-driven modeling using system integration scaling factors and positioning performance of an exposure machine system | |
Wang et al. | PSO-based Modified Convolution Neural Network on Fan-Out Panel Level Package Prediction | |
Zhang | [Retracted] Part Classification Prediction Based on Convolutional Neural Network | |
CN113097207B (zh) | 基于工艺窗口的冗余局部环路***方法 | |
US20230112164A1 (en) | Systems and methods for setting up a physics-based model | |
EP3635774B1 (en) | Inspection-guided critical site selection for critical dimension measurement | |
CN115446663B (zh) | 基于物理指导的深度学习网络的刀具磨损状态监测方法及应用 | |
CN116562094B (zh) | 一种基于pinn模型的auv编队流场预测方法 | |
Ahmadi | Prediction of Orthogonal Cutting Forces Based on Multi-fidelity Modeling | |
CN114898169A (zh) | 一种基于深度学习的光刻opc数据库建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |