【技术实现步骤摘要】
本专利技术属于半导体直拉硅单晶生长，具体涉及基于注意力和lstm网络的硅单晶生长直径预测方法。
技术介绍
1、硅单晶是目前集成电路芯片制造领域应用最多且使用量最大的半导体材料。直拉法与晶体生长设备(单晶炉)是目前制备大尺寸、电子级硅单晶的主要方法和技术装备。随着芯片线宽的逐渐缩小以及硅片尺寸的增大，对包括晶体直径在内的硅单晶品质指标提出了更高的要求。晶体直径作为直拉硅单晶生长过程中最具代表性的品质指标，是衡量晶体质量和单晶炉运行状态的主要指标，因此如何将其控制在预期的范围内，是晶体生长领域学术界和产业界持续关注的问题之一。然而，由于单晶炉内部的高温环境和严格的炉内密闭性要求，无法通过传统意义下的传感器对晶体直径实施直接测量，而对其进行间接测量时(如通过图像测量及处理方法)，存在一定的困难且易受外部因素干扰、实现成本高等缺点。因此，如何降低晶体直径测量成本，提高预测精度并对其未来变化趋势进行有效预测，以辅助控制器或现场人员提前做出正确的控制动作是亟需解决的关键问题。
2、目前，对于晶体直径预测建模存在两种策略：是基于第一性原理方法，另是数据驱动的辨识建模方法。尽管第一性原理模型由于其透明性和可解释性而受到一些现场工艺工程师的青睐，但由于直拉硅单晶生长过程是一个极其复杂的物理化学反应过程，涉及气、液、固三相及其耦合，很难快速建立这些模型用于估计或预测晶体直径指标。更重要的是这种第一性原理模型是无法通过当前操作输入变量来预测未来不同时刻的晶体直径变化状况。数据驱动的建模方法不需要详细准确的晶体生长先验知识，仅依靠过程运行中
技术实现思路
1、本专利技术的目的是提供基于注意力和lstm网络的硅单晶生长直径预测方法，通过传感器所采集硅单晶生长过程中产生的过程变量，从数据驱动预测建模的角度，建立晶体直径指标的多步输出预测模型，以辅助现场操作人员和控制系统做出更加合理且准确的控制动作，从而达到提高直拉硅单晶品质的目的。
2、本专利技术所采用的技术方案是，基于注意力和lstm网络的硅单晶生长直径预测方法，其特征在于，具体按照以下步骤实施：
3、步骤1、采集硅单晶生长过程中相同时刻下的过程变量数据以及晶体直径数据，并对这些数据进行预处理；
4、步骤2、利用最大互信息系数mic方法对预处理之后的数据进行辅助变量选取；
5、步骤3、估计筛选出的辅助变量与晶体直径之间的时滞阶次，然后，进行数据序列的时序对齐，并将建模数据集划分为训练集和测试集；
6、步骤4、确定模型结构并建立lstm-sa网络模型学习输入与输出之间的非线性映射关系，完成对晶体直径多步未来值的预测。
7、本专利技术的特点还在于，
8、步骤1具体按照以下步骤实施：
9、采集硅单晶生长过程中的关键数据：包括加热器功率、热场温度、晶体提拉速度、晶体转速、坩埚上升速度、坩埚转速、晶体重量、氩气流速、晶体长度、液位数据与晶体直径并记录，先使用三倍标准差原则去除数据异常值，再使用最小-最大缩放方法对数据进行归一化；
10、步骤1.1、使用三倍标准差原则去除异常值：
11、使用三倍标准差原则对晶体直径进行异常值去除，首先要计算出晶体直径数据y的均值μ与标准差σ，按照下式计算：
12、
13、式中，yi为第i个样本，n为样本总个数；
14、确定异常值的阈值，通过将均值加减三倍标准差确定异常值的阈值范围，即下限为μ-3σ，上限为μ+3σ，数据集中小于下限大于上限的被认定为异常值，将这些值以及该时刻对应的辅助变量从数据集中删除；
15、步骤1.2、使用最小-最大缩放的方法对各辅助变量以及晶体直径进行归一化处理，对晶体直径进行归一化处理，具体步骤如下：
16、找出晶体直径数据中的最大值ymax最小值ymin，并将晶体直径数据线性的缩放到0到1之间，如下式：
17、
18、式中，ynor表示归一化后的晶体直径，其他辅助变量的归一化方法同上。
19、步骤2具体按照以下步骤实施：
20、mic原理用到互信息的概念，互信息用以下方程表示：
21、
22、式中，x和y分别代表变量，p(x,y)代表x和y的联合概率密度分布函数，p(x)、p(y)分布代表x和y的边际概率密度函数，mic的计算公式如下：
23、
24、式中，a、b代表x和y方向上划分格子的数量，b是认为设置的变量，mic的值越大说明两个变量的相关性越强。
25、步骤3具体按照以下步骤实施：
26、步骤3.1、利用互相关函数的时滞估计方法估计输入与输出之间的时滞阶次，其中，互相关系数的估计如下式：
27、
28、式中，u和y分别是输入和输出的历史数据，μu、μy和su、sy分别是输入和输出的均值和标准差，n为所有样本个数；
29、设定时滞范围，在该范围内计算每个时滞阶次与晶体直径的互相关系数，找到互相关系数最大时的时滞阶次即为真实的时滞阶次；
30、步骤3.2、时序对齐并划分数据集：
31、根据辨识出来的时滞阶次将数据进行时序对齐，并将数据集的80％作为训练集，剩余的20％作为测试集。
32、步骤4具体按照以下步骤实施：
33、确定模型结构并建立lstm-sa网络模型学习输入与输出之间的非线性映射关系，非线性关系描述如下：
34、y(k+1,k+2,k+3)＝f(y(k),y(k-1),...,y(k-ny),x(k),x(k-1),...,x(k-nu))
35、式中，f(·)是待学习的非线性映射函数，nu和ny分别是输入输出阶次，x(k)表示k时刻的辅助变量输入，y(k+1,k+2,k+3)表示k+1到k+3时刻的晶体直径；
36、步骤4.1、标准长短时记忆网络lstm
37、输入xk经过一个lst本文档来自技高网...
【技术保护点】
1.基于注意力和LSTM网络的硅单晶生长直径预测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于注意力和LSTM网络的硅单晶生长直径预测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于注意力和LSTM网络的硅单晶生长直径预测方法，其特征在于，所述步骤2具体按照以下步骤实施：
4.根据权利要求3所述的基于注意力和LSTM网络的硅单晶生长直径预测方法，其特征在于，所述步骤3具体按照以下步骤实施：
5.根据权利要求4所述的基于注意力和LSTM网络的硅单晶生长直径预测方法，其特征在于，所述步骤4具体按照以下步骤实施：
【技术特征摘要】
1.基于注意力和lstm网络的硅单晶生长直径预测方法，其特征在于，具体按照以下步骤实施：
2.根据权利要求1所述的基于注意力和lstm网络的硅单晶生长直径预测方法，其特征在于，所述步骤1具体按照以下步骤实施：
3.根据权利要求2所述的基于注意力和lstm网络的硅单晶生长直径预测方法，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。