[发明专利]一种神经网络模型预测的半导体薄膜工艺参数优化系统

权利要求书

1.一种基于半导体薄膜生长装置的神经网络模型参数优化方法，其特征在于，

所述半导体薄膜生长装置包括：

化学气相沉积系统、进样室、机械手传送腔、分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪、数据采集卡、上位机；

半导体薄膜生长时，样品的衬底由所述进样室放入，通过所述机械手传送腔将样品传送至所述化学气相沉积系统中生长腔进行生长，或通过所述机械手传送腔将样品传送至所述分子束外延系统中生长腔进行生长，并可从第一生长腔或第二生长腔传送至进样室；所述化学气相沉积系统中生长腔定义为第一生长腔，所述分子束外延系统中生长腔定义为第二生长腔；

所述第二质谱仪与所述原子力显微镜分别与机械手传送腔密封连接，样品经腔内机械手及传输系统进行传递；

所述高低温循环腔与所述机械手传送腔密封连接；

所述的化学气相沉积系统，分子束外延系统、高低温循环腔、第二质谱仪、原子力显微镜均围绕所述机械手传送腔放置；

所述进样室置于所述化学气相沉积系统与所述机械手传送腔的中间，所述的化学气相沉积系统中生长腔、进样室、连接机械手传送腔依次密封连接；所述机械手传送腔分别与所述的所述分子束外延系统中生长腔、高低温循环腔、第二质谱仪依次密封连接；所述第二质谱仪与所述原子力显微镜密封连接；所述化学气相沉积系统中生长腔分别与所述的第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪连接；

所述第一多功能光谱仪置于所述化学气相沉积系统中生长腔外，激发光与样品反射荧光分别通过所述化学气相沉积系统中生长腔上密封透明窗口进行传输；

所述第一质谱仪置于所述化学气相沉积系统中生长腔外，通过所述化学气相沉积系统中生长腔上可控密封阀门抽取样本气体进行测量；

所述第一X射线衍射仪安装于所述化学气相沉积系统中生长腔外，并通过所述化学气相沉积系统中生长腔上密封透明窗口入射到被测样品表面，其第一X射线衍射仪的接收器密封安装于所述化学气相沉积系统中生长腔上；

所述第一温度测试仪利用单相机比色测温系统，实时监测于所述化学气相沉积系统中生长腔内的温度，测试不同位置的温度，所述第一温度测试仪置于所述化学气相沉积系统中生长腔内进行测试；

所述第一翘曲测试仪置于所述化学气相沉积系统中生长腔上方，通过密封透明窗口射入扫描激光进行测量；

所述分子束外延系统中生长腔分别与所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪连接；

所述第二多功能光谱仪置于所述分子束外延系统中生长腔外，激发光与反射荧光分别通过所述分子束外延系统中生长腔上的透明窗口进行传输，第二多功能光谱仪的探测器位于所述分子束外延系统中生长腔的下方；

所述第二X射线衍射仪安装于所述分子束外延系统中生长腔外，并通过密封透射窗口入射到样品表面，安装于所述分子束外延系统中生长腔密封窗口外并贴近透明窗口；

所述第二X射线衍射仪的X射线发射装置与接收装置对称安装于样品在第二生长腔内放置处的侧下方所述分子束外延系统中生长腔的腔壁上；

所述第二温度测试仪利用单相机比色测温系统，置于所述分子束外延系统中生长腔内进行测试，实时监测所述分子束外延系统中生长腔体内的温度，测试不同位置的温度；

所述第二翘曲测试仪，置于所述分子束外延系统中生长腔外对样品生长中的翘曲进行在线/原位监测，置于所述分子束外延系统中生长腔上方，通过密封透明窗口，射入扫描激光进行测量；

所述第二温度测试仪与所述第二翘曲测试仪优先安装方位为样品生长位置的正对面；

所述超快反射式高能电子衍射仪安装于所述分子束外延系统中生长腔外，与腔体密封连接，同时通过所述分子束外延系统中生长腔上的透明传输窗口进行测量；

所述超快反射式高能电子衍射仪的高能电子发射器与高能电子接收器分别对称安装于样品在第二生长腔内放置位置的两侧；

所述的第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪围绕安装于所述分子束外延系统中生长腔的周围；

所述数据采集卡分别与所述的第一质谱仪、第一温度测试仪、第一多功能光谱仪、第一X射线衍射仪、第一翘曲测试仪、第一质谱仪、第二温度测试仪、第二多功能光谱仪、第二X射线衍射仪、第二翘曲测试仪、超快反射式高能电子衍射仪连接；所述数据采集卡与所述上位机连接；

所述进样室用于放入待生长样品的衬底；

所述机械手传送腔用于在集成的各个腔体和系统间传递样品；

所述分子束外延系统通过分子束外延生长腔实现样品生长；

所述高低温循环腔用于对样品进行高温或者低温退火，降低样品的半导体薄膜应力；

所述原子力显微镜用于对样品的表面形貌及力曲线进行测量，得到样品的表面粗糙度和强度；

所述第一温度测试仪用于采集第一温度，所述第二温度测试仪用于采集第二温度；所述第一翘曲测试仪用于采集第一不平度，所述第二翘曲测试仪用于采集第二不平度；所述第一X射线衍射仪用于采集第一表面粗糙度、第一半导体薄膜厚度以及第一半峰宽，所述第二X射线衍射仪用于采集第二表面粗糙度、第二半导体薄膜厚度以及第二半峰宽；所述第一多功能光谱仪用于采集第一特征光谱值、第一拉曼平移谱值以及第一特征峰特征峰半峰宽，所述第二多功能光谱仪用于采集第二特征光谱值、第二拉曼平移谱值以及第二特征峰特征峰半峰宽；所述第一质谱仪用于采集第一物质元素及占比，所述第二质谱仪用于采集第二物质元素及占比；所述超快反射式高能电子衍射仪用于采集晶格超快电子衍射图像；

所述数据采集卡根据所述上位机控制，将采集的第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一特征峰特征峰半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二特征峰特征峰半峰宽、第二物质元素及占比、晶格超快电子衍射图像作为人工智能的输入数据，传输至所述上位机；

所述神经网络模型参数优化方法，包括以下步骤：

步骤1：由上位机通过控制采集卡进行数据采集，通过采集的数据构建半导体薄膜质量特征向量，将半导体薄膜质量特征向量通过人工标定方法进行标定，得到半导体薄膜质量等级，结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集；

步骤2：通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练，得到训练后半导体薄膜质量等级预测神经网络模型；

步骤3：建立半导体薄膜的生长工艺参数特征向量，构建半导体薄膜生长质量工艺参数训练集，通过半导体薄膜生长质量工艺参数训练集对生长工艺参数预测神经网络模型进行训练，得到训练后生长工艺参数预测神经网络模型；

步骤3所述建立半导体薄膜的生长工艺参数特征向量为：

T_p＝[S_p，1，S_p，2，S_p，3，S_p，4，S_p，5，K_p，1，K_p，2，K_p，3，K_p，4，K_p，5]，p∈[1，P]；

其中，p为i半导体薄膜的经历的不同生长工艺参数的生长次数，工艺参数变化p次，最后的被测量评估的半导体薄膜样本i的半导体薄膜质量是P次工艺参数生长的效果迭代，T_p为生长工艺循环中的第p次生长，所述第一生长腔温度定义为S_p，1、第一生长腔元素比例定义为S_p，2、第一生长腔元素发射速度定义为S_p，3、第一生长腔腔内压强定义为S_p，4，第一生长腔生长时长定义为S_p，5；第二生长腔温度定义为K_p，1、第二生长腔元素比例定义为K_p，2、第二生长腔元素发射速度定义为K_p，3、第二生长腔腔内压强定义为K_p，4，第二生长腔生长时长定义为K_p，5；

步骤3所述构建半导体薄膜生长质量工艺参数训练集为：

结合M个半导体薄膜生长样本中第i个样本，第p次生长后的半导体薄膜质量等级特征向量、p次迭代半导体薄膜的生长工艺参数特征向量集、P+1次生长后的质量等级特征向量构建第P+1次半导体薄膜生长质量工艺参数训练集为：

data_i，p+1＝{L_i，p，T_i，1，T_i，2，T_i，3......T_i，P，L_i，p+1}；i∈[1，M]，p∈[1，P]

步骤3中所述通过半导体薄膜生长质量工艺参数训练集对生长工艺参数预测神经网络模型进行训练，具体为：

将半导体薄膜生长质量工艺参数训练集中每个训练样本作为生长工艺参数预测神经网络模型的输入数据，即将data_i，p+1作为神经网络模型的输入数据，

data_i，p+1＝{L_i，p，T_i，1，T_i，2，T_i，3......T_i，P，L_i，p+1}；i∈[1，M]，p∈[1，P]

输出为神经网络模型预测的半导体薄膜样本第p+1次的生长工艺参数特征向量

T_p+1＝[S_p+1，1，S_p+1，2，S_p+1，3，S_p+1，4，S_p+1，5，K_p+1，1，K_p+1，2，K_p+1，3，K_p+1，4，K_p+1，5]；

将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算，当损失函数输出为最小值时，即得到神经网络模型的优化参数以构建训练后神经网络模型；通过M个样本训练，建立第p+1次半导体薄膜生长预测质量等级特征向量L_p+1、半导体薄膜生长腔生长工艺参数T₁，T₂，T₃......T_P及L_p的优化生成的神经网络模型；

步骤4：预定半导体薄膜样品质量等级输入上位机，上位机通过控制采集卡进行数据采集，通过采集的数据通过步骤1半导体薄膜样品质量特征向量，通过训练后半导体薄膜质量等级预测神经网络模型预测得到半导体薄膜样品质量等级，通过步骤3初始化半导体薄膜的生长工艺参数特征向量，将预定半导体薄膜样品质量等级、半导体薄膜样品质量等级、半导体薄膜的生长工艺参数特征向量通过训练后生长工艺参数预测神经网络模型，得到优化半导体薄膜的生长工艺参数特征向量，半导体薄膜样品的生长达到半导体薄膜样品质量预定的等级。

2.根据权利要求1所述的基于半导体薄膜生长装置的神经网络模型参数优化方法，其特征在于：

步骤1所述半导体薄膜质量特征向量包括：第一温度、第一不平度、第一表面粗糙度、第一半导体薄膜厚度、第一半峰宽、第一特征光谱值、第一拉曼平移谱值、第一特征峰特征峰半峰宽、第一物质元素及占比、第二温度、第二不平度、第二表面粗糙度、第二半导体薄膜厚度、第二半峰宽、第二特征光谱值、第二拉曼平移谱值、第二特征峰特征峰半峰宽、第二物质元素及占比、晶格超快电子衍射图像；

步骤1所述半导体薄膜质量特征向量定义为：

Z_i＝(X_i，1，X_i，2，X_i，3，X_i，4，X_i，5，X_i，6，X_i，7，X_i，8，X_i，9，Y_i，1，Y_i，2，Y_i，3，Y_i，4，Y_i，5，Y_i，6，Y_i，7，Y_i，8，Y_i，9，Y_i，10)i∈[1，W]

其中，Z_i表示为第i个半导体薄膜质量特征向量，W为半导体薄膜质量特征向量的数量；

其中，第i个半导体薄膜质量特征向量中所述第一温度定义为X_i，1、第i个半导体薄膜质量特征向量中所述第一不平度定义为X_i，2、第i个半导体薄膜质量特征向量中所述第一表面粗糙度定义为X_i，3、第i个半导体薄膜质量特征向量中所述第一半导体薄膜厚度定义为X_i，4、第i个半导体薄膜质量特征向量中所述第一半峰宽定义为X_i，5、第i个半导体薄膜质量特征向量中所述第一特征光谱值定义为X_i，6、第i个半导体薄膜质量特征向量中所述第一拉曼平移谱值定义为X_i，7、第i个半导体薄膜质量特征向量中所述第一特征峰特征峰半峰宽定义为X_i，8、第i个半导体薄膜质量特征向量中所述第一物质元素及占比定义为X_i，9；

其中，第i个半导体薄膜质量特征向量中所述第二温度定义为Y_i，1、第i个半导体薄膜质量特征向量中所述第二不平度定义为Y_i，2、第i个半导体薄膜质量特征向量中所述第二表面粗糙度定义为Y_i，3、第i个半导体薄膜质量特征向量中所述第二半导体薄膜厚度定义为Y_i，4、第i个半导体薄膜质量特征向量中所述第二半峰宽定义为Y_i，5、第i个半导体薄膜质量特征向量中所述第二特征光谱值定义为Y_i，6、第i个半导体薄膜质量特征向量中所述第二拉曼平移谱值定义为Y_i，7、第i个半导体薄膜质量特征向量中所述第二特征峰特征峰半峰宽定义为Y_i，8、所述第二物质元素及占比定义为Y_i，9、第i个半导体薄膜质量特征向量中所述晶格超快电子衍射图像定义为Y_i，10；

步骤1所述通过人工标定方法得到人工标定的的半导体薄膜质量等级为：

将Z_i通过人工标定方法得到第i个半导体薄膜质量特征向量对应样品生长质量等级为：

L_ii∈[1，W]

L_i＝(V_i，1，V_i，2，V_i，3，V_i，4，V_i，5，V_i，6，V_i，7，V_i，8，V_i，9，U_i，1，U_i，2，U_i，3，U_i，4，U_i，5，U_i，6，U_i，7，U_i，8，U_i，9，U_i，10)i∈[1，W]

其中，L_ii∈[1，M]为第i个半导体薄膜质量特征向量对应人工标定的样品生长质量等级特征向量，W为半导体薄膜质量特征向量的数量，L_i∈[1，N]，N表示人工标定的半导体薄膜生长质量等级的数量即共计N个等级，N为正整数；

其中，第L_i级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中，所述第一温度定义为V_i，1、第一不平度定义为V_i，2、第一表面粗糙度定义为V_i，3、第一半导体薄膜厚度定义为V_i，4、第一半峰宽定义为V_i，5、第一特征光谱值定义为V_i，6、第一拉曼平移谱值定义为V_i，7、第一特征峰半峰宽定义为V_i，8、第一物质元素及占比定义为V_i，9；

其中，第L_i级人工标定的半导体薄膜生长质量等级中对应的半导体薄膜质量特征向量中，所述第二温度定义为U_i，1、第二不平度定义为U_i，2、第二表面粗糙度定义为U_i，3、第二半导体薄膜厚度定义为U_i，4、第二半峰宽定义为U_i，5、第二特征光谱值定义为U_i，6、第二拉曼平移谱值定义为U_i，7、第二特征峰半峰宽定义为U_i，8、第二物质元素及占比定义为U_i，9、晶格超快电子衍射图像定义为U_i，10；

步骤1所述结合半导体薄膜质量特征向量、半导体薄膜质量等级构建半导体薄膜质量训练集为：

data_i＝{Z_i，L_i}i∈[1，W]

其中，data_i半导体薄膜质量训练集中第i个训练样本，W为半导体薄膜质量特征向量的数量；

步骤2中所述通过半导体薄膜质量训练集对半导体薄膜质量等级预测神经网络模型进行训练，具体为：

将半导体薄膜质量训练集中每个训练样本作为半导体薄膜质量等级预测神经网络模型的输入数据：

即将data_i作为半导体薄膜质量等级预测神经网络模型的输入数，data_i＝{Z_i，L_i}i∈[1，W]；

输出为半导体薄膜质量等级预测神经网络模型预测的半导体薄膜质量等级，将预测的半导体薄膜质量等级与人工标定的质量等级通过损失函数进行优化并计算，当损失函数输出为最小值时，即得到神经网络模型的优化参数以构建训练后半导体薄膜质量等级预测神经网络模型；

步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的结构为：RBF神经网络；

步骤2中所述训练后半导体薄膜质量等级预测神经网络模型的损失函数模型为：

[(X_i，j-V_i，j)/V_i，j]，i∈[1，W]；j∈[1，9]；[(Y_i，j-U_i，j)/U_i，j]，i∈[1，W]；j∈[1，10]；

所述损失函数模型的参数寻优方法为：利用RBF神经网络以损失函数输出的向量的中每个元素小于0.1做为优化目标，对参数进行寻优，其中X_i，j、Y_i，j、V_i，j、U_i，j、为前面所定义向量；

将采集的数据构建半导体薄膜质量特征向量通过训练后神经网络，以预测半导体薄膜的质量等级。