【技术实现步骤摘要】
本专利技术属于硅单晶直拉法，具体涉及可解释的数据驱动半导体硅单晶生长直径预测方法。
技术介绍
1、硅单晶是目前最重要的半导体材料，90％以上的集成电路产品都是以硅单晶为基底材料制作而成。半导体硅单晶材料制备行业作为先导产业，其品质决定了后续加工制作的集成电路芯片性能。随着物联网、人工智能、5g通信技术的快速发展，为了提升各种智能终端设备，移动穿戴设备以及电子通信设备的集成度和智能化，这就需要高质量的硅单晶制备水平。为此，如何提高直拉法生长硅单晶的工艺控制技术就显得尤为重要。在直拉硅单晶生长过程中实施对晶体直径的优化控制与最终晶体品质有着直接和密切的关系。然而，随着硅单晶直径的增加，单晶炉的热场结构尺寸也随之变大，晶体生长中的传热过程变得更加复杂多变，且呈现出非线性、大滞后以及不确定性等过程特点。这些特性使得传统依赖经验对晶体直径进行估计的方法愈发不准确，导致实现精准的晶体直径控制愈发困难。因此，为了解决晶体直径检测与控制难题，需要建立更加准确的晶体生长过程直径预测模型，以实现高精度的直径控制目标。
2、尽管在理论上有许多基于各种物理假设条件的简化数学机理模型用于描述晶体直径的变化行为，但是由于直拉硅单晶生长过程中存在高度复杂性，如多场(热场、磁场、流场)耦合、多相(固相、液相、气相)作用，热场动态时变、模型高度不确定和大时滞等突出特点，导致机理模型的预测精度低，并且建立的机理模型由于假设条件太多而难以应用到实际当中。然而，相对于机理建模方法，数据驱动建模就显示了其优越性。数据驱动的硅单晶直径建模方法不需要详细准确的晶
技术实现思路
1、本专利技术的目的是提供可解释的数据驱动半导体硅单晶生长直径预测方法，解决了现有技术中存在的晶体直径预测方法中机理模型假设条件多且预测结果不准确、数据驱动模型不具备可解释的问题。
2、本专利技术所采用的技术方案是，可解释的数据驱动半导体硅单晶生长直径预测方法，具体按照以下步骤实施：
3、步骤1、对实验数据进行预处理，通过计算最大互信息系数mic获取与晶体直径变量相关的辅助特征变量；
4、步骤2、估计辅助特征变量与晶体直径间的时延阶次，并进行数据序列的时序对齐；
5、步骤3、基于时间卷积网络tcn和长短时记忆网络lstm建立晶体直径深度学习预测模型tcn-lstm；
6、步骤4、训练tcn-lstm网络模型，使用灰狼优化算法gwo对网络模型超参数进行优化；
7、步骤5、基于训练好的晶体直径深度学习预测模型tcn-lstm获得晶体直径预测结果。
8、本专利技术的特点还在于，
9、步骤1具体按照以下步骤实施：
10、步骤1.1、使用三倍标准差原则剔除异常值：
11、使用三倍标准差原则对晶体直径观测数据进行异常值剔除，首先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、
14、式中，yi为第i个晶体直径数据样本，n为样本数据总个数；
15、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，检查数据集中是否存在小于阈值下限或大于阈值上限的值，小于阈值下限或大于阈值上限的值被认为是异常值，将异常值从数据集中删除；
16、步骤1.2、使用最小-最大缩放的方法对采集到的各个辅助变量进行归一化处理，当对晶体直径数据进行归一化处理时，具体步骤如下：
17、找出晶体直径数据中的最大值ymax最小值ymin，将原始的晶体直径数据线性的缩放到0到1之间，如下式：
18、
19、式中，ynor表示归一化后的数据；
20、将归一化后的数据作为晶体直径预测模型的训练数据；
21、步骤1.3、使用最大互信息系数(mic)筛选与晶体直径相关性较大的辅助变量，具体步骤如下：
22、mic原理用到的互信息用以下方程表示：
23、
24、式中，x代表与硅单晶相关的操作变量，y代表实际的晶体直径变量，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：
25、
26、式中，a代表x方向上划分格子的数量，b代表y方向上划分格子的数量，b是设置的变量，b为参与计算mic的晶体直径变量数据容量大小的0.6次方，mic的范围是[0，1]，mic的值越大说明两个变量的相关性越强。
27、步骤2具体按照以下步骤实施：
28、通过mic筛选出n个特征，在时间轴上采样m次得到原始时序数据矩阵x：
29、
30、原始数据矩阵中元素的下标i表示过程变量，上标t表示采样时刻，其中x0表示零时延参考变量的时间序列数据，即目标变量，xi表示第i个过程变量的时间序列数据；
31、假设目标变量与各过程变量的多重关联时延参数τ用时延序列γ表示，即：
32、γ＝[τ1,τ2,...,τi,...,τn]
33、原始时序数据矩阵中各过程变量采样周期为t，则第i个过程变量相对于目标变量的时延参数需要满足：
34、γ＝dt＝[d1t,d2t,...,dit,...,dnt]
35、式中，d是时基序列，di是第i个过程变量的时基，di是一个无量纲的整数，保证过程变量的多重关联时延参数为采样周期的整数倍，确保过程变量在时序重构的可行性；
36、在时空维度上重构不同时基序列下的过程变量与目标变量组成的时序关联矩阵，重构过程如下，首先从零时延参考变量中选取从第t时刻开始采样频率为t的f个数据构成时间序列
37、
38、ft≥max(τ1,τ2,…,τi,…,τn)
39、式中，f必须大于各辅助变量的时延；
40、相对于目标变量，过程变量xi相对于零时延参考变量的时延系数为τi，因此取过程变量xi从t-τi时刻开始的f个数据生成新的时间序列即从t-dit开始的连续f个采样数据：
41、
42、根据各个过程变量的时延参数在时空上重构的本文档来自技高网...
【技术保护点】
1.可解释的数据驱动半导体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所述的可解释的数据驱动半导体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所述的可解释的数据驱动半导体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所述的可解释的数据驱动半导体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所述的可解释的数据驱动半导体硅单晶生长直径预测方法，其特征在于，所述步骤4具体如下：
6.根据权利要求5所述的可解释的数据驱动半导体硅单晶生长直径预测方法，其特征在于，所述步骤5具体按照以下步骤实施：
【技术特征摘要】
1.可解释的数据驱动半导体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所述的可解释的数据驱动半导体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所述的可解释的数据驱动半导体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...
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。