[发明专利]基于人工智能的晶片质量分析评价系统

说明书

本发明公开了基于人工智能的晶片质量分析评价系统，具体涉及到半导体领域，尤其是碳化硅衬底的质量评价领域。晶片经过晶体的生长和晶体、晶片的加工工序后，其品质的好坏需要进行质量检测以及外延验证，最终基于晶片质量等级的评价系统进行品级分类。整个过程一般都是人工操作，由于晶片中存在的缺陷类型较多，微管缺陷、碳包裹体、晶型夹杂、层错、划伤、亚损伤等，不单工作量大、而且由于人类的主观意识等原因使得晶片的品级分类存在些偏差。所以引入基于人工智能的晶片质量分析评价系统，可快速精准地判断出晶片评级属性，并可标注晶片落入某等级的关键因素以及其对应的制备工序。

技术领域

本发明公开了基于人工智能的晶片质量分析评价系统，具体涉及到半导体领域，尤其是碳化硅晶片的质量评价领域。

背景技术

生长后的晶体经过多道加工工序后，制备成的晶片通常用于外延生长的衬底材料；不同品级的衬底材料对外延生长的影响也存在有差异，当划分等级的跨度比较大时，甚至在同一品级中也会因不同的影响因子而对下道工序产生不同的影响，所以对晶片给予客观的、合理的品质分级是对外延材料质量控制的保障条件之一。然而由于影响晶片品质分级的因素太多，微管缺陷、碳包裹体、晶型夹杂、层错、划伤、亚损伤等每一个因素都对晶片的品质有重要影响，同时对晶片的分级跨度不能太大，否则容易造成同一品级内的质量参差不齐；若是细分晶片分级，又因各个因素指标之间的复杂的关系而导致分级困难，有的因素间是相关关系，有的因素是非相关关系甚至于互斥关系；在人为分类时，此就容易造成错分、难分的客观现象；所以我们借助计算机科学，给予大数据训练的人工智能模型，建立晶片质量分析评价智能系统，不但可以客观地对晶片的品质进行分级，还有助于进行大量的产线检测。

对于晶片落入某一级别时，我们还想知道使得该晶片落入某一等级的关键因素是那些，这样有助于我们将该因素匹配到晶片制备的某道工序，结合相关问题对该工序进行优化，提升该工序的制备水平，最终形成有机的高效反馈机制，闭环的控制更加有利于晶片品质的提升。

发明内容

本发明旨为晶片品质分级及相关分析工作构建一个晶片质量分析评价智能系统，本发明所采取的技术方案是：

提取数据特征并标注，构建数据集。从晶片指标中提取特征，并将晶片的品质等级映射为分类标签；同时，也将每一晶片的瓶颈指标或责任工序增设为标签，构建成特征-标签二维数据结构；将晶片指标参数和标签录入二维数据结构表中。

数据集预处理。首先将数据集按一定比例拆分为训练集和测试集，当存在分类值时，需要将其转换成独热编码形式；再对数据集规范化处理，合理数据的预处理方式可以增加模型的准确率和鲁棒性。

构建人工智能模型。可直接构建人工智能模型，也可借助现有的人工智能框架来构建人工智能模型。现有的人工智能开源框架主要有Tensorflow、Caffe、PyTorch、MXNet等。

模型训练。一般而言，晶片的数据量是比较多的，因此我们可以直接将已预处理的数据集进行模型训练；记录损失值和准确率，并把最优模型保存成可读取的格式。

模型应用。训练好的模型可以直接对已有指标值的晶片质量进行等级判定；并分析晶片落入某一等级的关键因素以及对应制备工序。

具体实施方式

以下结合实施例对本发明作进一步说明：

基于计算机科学构建碳化硅单晶片质量分析评价人工智能系统，具体步骤如下：

提取数据特征并标注，构建数据集。影响碳化硅晶体质量的指标有直径、厚度、翘曲度、平整度、偏角、主参考边长度、主参考边角度、副参考边长度、副参考边角度、微管、层错、有效面积、晶型、碳包裹体、六方空洞、螺位错、刃位错、基晶面位错等特征提取为数据特征条件，将指标参数录入到二维数据集表格中。