基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
基于MI
‑
AGA优化广义回归神经网络的半导体晶圆制造系统性能预测方法


[0001]本专利技术涉及制造系统性能预测
，尤其涉及一种基于
MI
‑
AGA
优化广义回归神经网络的半导体晶圆制造系统性能预测方法
。

技术介绍

[0002]虽然我们已经跨越了工业时代，进入了信息时代，但制造业仍然是全球经济的重要组成部分
。
随着德国提出的以智能工厂
、
智能物流
、
智能生产为主题的工业
4.0
战略方针，智能制造成为了热点研究方向，核心为利用数据驱动智能决策，从而提高生产效率
。
在过去的四十年里，人们已经做出了大量的努力来使用建模和仿真工具等技术来提高制造效率，利用制造系统性能预测信息支撑生产决策
。
虽然已经取得了很大进展，越来越多的制造系统决策正在基于模型的使用进行制定，但由于制造系统内部结构的不确定性对其性能的影响，在许多制造环境中，仍缺乏高效的制造系统性能预测方法，导致实际生产状况难以掌握，影响生产决策的制定
。
因此，构建高精度
、
高效率
、
适用性强的性能预测模型是一个非常有前景的解决方案
。
[0003]近年来，软计算技术已越来越多地应用于解决工程问题
。
软计算基于模糊逻辑
、
自适应遗传算法
、
人工神经网络
、
机器学习和专家系统技术，可以容忍不精确
、
不确定
、
部分真实和近似
。
虽然软计算理论和技术在
20
世纪
80
年代才被引入，但目前在许多商业和工业中得到了成功的应用，旨在利用决策过程中的不精确性和不确定性来解决复杂问题
。
[0004]由于制造系统内部结构受到诸多不确定因素的影响，难以用函数关系式表示，因此，自然契合于神经网络的“黑箱”特点
。
因此，亟需将软计算技术应用到制造领域
。
本专利技术以半导体晶圆制造系统为主题，以制造系统中常用的生产周期为关键的性能指标，探索适用于预测制造系统性能的方法，支撑生产决策，从而推动制造行业的快速发展
。
[0005]目前，有研究采用径向基网络构建经验回归模型对制造系统性能进行预测，参考朱海平
,
刘繁茂
,
邵新宇
.
基于集成径向基网络的制造系统性能预测方法
[J].
计算机集成制造系统
,2009,15(2):6.DOI:10.1061/41039(345)45.
文献
。
以径向基函数作为输入，将其与神经元参数的线性组合作为输出，泛化能力有所提升
,
且预测精度较高，但其学习速度和非线性映射能力一般
。

技术实现思路

[0006]本专利技术针对上述问题，提供一种基于
MI
‑
AGA
优化广义回归神经网络的性能预测方法，以生产周期为性能指标，采用互信息方法提取影响生产周期的关键特征，用于对制造系统的性能进行预测建模，提升预测精度
、
效率和泛化性
。
[0007]为了达到上述目的，本专利技术提供了一种基于
MI
‑
AGA
优化广义回归神经网络的半导体晶圆制造系统性能预测方法，其包括：
[0008]S1
：使用
python
工具将半导体晶圆制造系统数据集中的数据按照一定比例划分为
训练样本和测试样本；
[0009]S2
：基于互信息方法量化训练样本特征与性能指标的相关性，剔除相关性小于阈值的特征，获取影响性能指标的关键特征，从而得到降维后的训练样本，所述相关性的计算公式为：
[0010]I(X
；
Y)
＝
∑
x∈X
∑
y∈Y
p(x,y)logp(x,y)/p(x)p(y)
[0011]式中，
X
为训练样本特征，
Y
为性能指标，其均表示变量集合，
x
，
y
分别代表变量集合中的个体，
p(x,y)
表示
X
和
Y
同时取值为
x
和
y
的概率，
p(x)
表示
X
取值为
x
的概率，
p(y)
表示
Y
取值为
y
的概率，
I(X
；
Y)
表示引入
X
使
Y
不确定度减小的量，以此来判断两个变量
X
与
Y
是否有关及其关系强弱；
[0012]S3
：数据归一化操作，将所述降维后的训练样本带入归一化公式进行标准化处理，得到归一化后的训练样本，所述归一化公式为：
[0013][0014]式中，
x
ij
为第
j
个样本中第
i
个特征变量真实值，和分别为第
i
个特征的最大值和最小值；
[0015]S4
：将所述归一化处理后的训练样本输入到广义回归神经网络模型中，所述广义回归神经网络模型分为四层，即输入层
、
隐藏层
、
求和层和输出层；
[0016]S401
：输入层的神经元接收输入向量
X
＝
[X1,X2,X3,...,X
n
]T
，
n
表示训练样本个数，每个样本有
m
个特征
,X
p
＝
[X
p1
,X
p2
,X
p3
,...,X
pm
]T
，
p
代表第
p
个样本，
1≤p≤n
，该层的神经元数量等于单个样本输入向量的特征数量
m
，即
m
个性能指标的影响因素，输入层的信息通过神经元传递到隐藏层；
[0017]S402
：隐藏层为径向基层，其神经元数等于训练样本数
n
，每个神经元与一个期望输出
y
i
、
一个实际输出
F
i
(
η
)
相对应，采用高斯函数作为激活函数，其计算公式如下：
[0018][0019]式中，为欧氏距离，
X
i
代表神经元...

【技术保护点】

【技术特征摘要】
1.
一种基于
MI
‑
AGA
优化广义回归神经网络的半导体晶圆制造系统性能预测方法，其特征在于，其包括：
S1
：使用
python
工具将半导体晶圆制造系统数据集中的数据按照一定比例划分为训练样本和测试样本；
S2
：基于互信息方法量化训练样本特征与性能指标的相关性，剔除相关性小于阈值的特征，获取影响性能指标的关键特征，从而得到降维后的训练样本，所述相关性的计算公式为：
I(X
；
Y)
＝
∑
x∈X
∑
y∈Y
p(x,y)logp(x,y)/p(x)p(y)
式中，
X
为训练样本特征，
Y
为性能指标，其均表示变量集合，
x
，
y
分别代表变量集合中的个体，
p(x,y)
表示
X
和
Y
同时取值为
x
和
y
的概率，
p(x)
表示
X
取值为
x
的概率，
p(y)
表示
Y
取值为
y
的概率，
I(X
；
Y)
表示引入
X
使
Y
不确定度减小的量，以此来判断两个变量
X
与
Y
是否有关及其关系强弱；
S3
：数据归一化操作，将所述降维后的训练样本带入归一化公式进行标准化处理，得到归一化后的训练样本，所述归一化公式为：式中，
x
ij
为第
j
个样本中第
i
个特征变量真实值，和分别为第
i
个特征的最大值和最小值；
S4
：将所述归一化处理后的训练样本输入到广义回归神经网络模型中，所述广义回归神经网络模型分为四层，即输入层
、
隐藏层
、
求和层和输出层；
S401
：输入层的神经元接收输入向量
X
＝
[X1,X2,X3,...,X
n
]
T
，
n
表示训练样本个数，每个样本有
m
个特征
,X
p
＝
[X
p1
,X
p2
,X
p3
,...,X
pm
]
T
，
p
代表第
p
个样本，
1≤p≤n
，该层的神经元数量等于单个样本输入向量的特征数量
m
，即
m
个性能指标的影响因素，输入层的信息通过神经元传递到隐藏层；
S402
：隐藏层为径向基层，其神经元数等于训练样本数
n
，每个神经元与一个期望输出
y
i
、
一个实际输出
F
i
(
η
)
相对应，采用高斯函数作为激活函数，其计算公式如下：式中，为欧氏距离，
X
i
代表神经元
i
对应的训练向量，
...

【专利技术属性】
技术研发人员：陈琦，金博，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：