基于混合特征选择和超参优化的晶圆蚀刻缺陷预测方法

作     者：陈晋贤 季颖娣 林义征 朱定海 CHEN Jinxian;JI Yingdi;LIN Yizheng;ZHU Dinghai

作者机构：同济大学电子与信息工程学院上海201804 中芯国际集成电路制造(上海)有限公司信息技术处上海201203 

出 版 物：《计算机集成制造系统》 (Computer Integrated Manufacturing Systems)

年 卷 期：2020年第26卷第9期

页      面：2396-2403页

核心收录：

学科分类：12[管理学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0835[工学-软件工程] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：上海市经济和信息化委员会信息化发展专项资金资助项目(20160218) 

主　　题：混合特征选择 超参优化 随机森林 支持向量机 序列模型优化 晶圆 蚀刻缺陷预测 

摘      要：为了提高半导体晶圆制程中缺陷预测的准确率,提出一种混合特征选择和基于序列模型优化(SMBO)相结合的缺陷预测方法。该方法以对高维度、多噪声、多模态与线性不可分的数据具有良好适用性的随机森林和支持向量机两种机器学习算法为基础,首先利用基于随机森林算法的稳定性筛选为特征评分,再基于序列前向搜索方法搜索降序排序的特征,依次创建支持向量机分类模型,并采用SMBO方法进行优化,最终选择表现最好且特征数量最少的模型进行缺陷预测。为了验证所提方法的有效性和优异性,使用蚀刻制程中的残渣缺陷和凹坑缺陷的实际工程数据进行预测对比分析,最终验证了其对晶圆制造过程中的缺陷具有优异的识别能力。