專利名稱：基于降維和增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于自動(dòng)控制、信息技術(shù)和先進(jìn)制造領(lǐng)域，針對(duì)在對(duì)光刻線寬預(yù)測(cè)過程所存在的數(shù)據(jù)維數(shù)高且訓(xùn)練數(shù)據(jù)分批到達(dá)的特點(diǎn)，提出一種基于矩陣求逆降維獲得在線增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法，其可實(shí)現(xiàn)對(duì)指標(biāo)預(yù)測(cè)模型參數(shù)的在線調(diào)整，該方法具有較好的預(yù)測(cè)精度和效率。
背景技術(shù)：
光刻線寬是影響微電子產(chǎn)品良率的關(guān)鍵工藝指標(biāo)，但目前其檢測(cè)結(jié)果存在較大滯后，難以實(shí)現(xiàn)對(duì)影響該指標(biāo)的相關(guān)關(guān)鍵工藝操作參數(shù)的在線優(yōu)化調(diào)整，從而影響了產(chǎn)品良率的改進(jìn)，因而在微電子生產(chǎn)線中亟需實(shí)現(xiàn)對(duì)光刻線寬指標(biāo)的實(shí)時(shí)預(yù)測(cè)。針對(duì)光刻線寬檢測(cè)過程中所獲得數(shù)據(jù)具有維數(shù)高、數(shù)據(jù)分批到達(dá)的特點(diǎn)，提出一種基于矩陣求逆降維和增量式極限學(xué)習(xí)機(jī)的光刻線寬預(yù)測(cè)算法。近年來，GAP-RBF、SA0-ELM、0S-ELM等多種可用于非線性系統(tǒng)在線建模的神經(jīng)網(wǎng)絡(luò)方法已被提出，此類方法能夠在新的數(shù)據(jù)到達(dá)時(shí)，對(duì)模型的結(jié)構(gòu)或參數(shù)進(jìn)行在線調(diào)整，從而避免對(duì)所有樣本數(shù)據(jù)進(jìn)行重新訓(xùn)練，減少了計(jì)算量，提高了計(jì)算效率。但由于上述方法都是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則進(jìn)行建模的，存在過擬合、隱層節(jié)點(diǎn)難以確定等缺陷，嚴(yán)重影響實(shí)際應(yīng)用時(shí)的建模精度。如何提高建模算法的精度和效率，同時(shí)滿足數(shù)據(jù)分批到達(dá)的特點(diǎn)，是建立光刻線寬預(yù)測(cè)模型的難點(diǎn)。本發(fā)明所提出的基于矩陣求逆降維和增量式極限學(xué)習(xí)機(jī)的指標(biāo)預(yù)測(cè)方法對(duì)光刻線寬指標(biāo)具有較好的預(yù)測(cè)效果。

發(fā)明內(nèi)容
為了解決上述難點(diǎn)，本發(fā)明提出一種基于矩陣求逆降維變換和增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法，對(duì)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的批處理極限學(xué)習(xí)機(jī)中的矩陣求逆采用矩陣求逆降維公式進(jìn)行降維，以建立極限學(xué)習(xí)機(jī)模型參數(shù)與新到達(dá)數(shù)據(jù)的關(guān)系，實(shí)現(xiàn)對(duì)極限學(xué)習(xí)機(jī)模型參數(shù)的在線增量式學(xué)習(xí)和輸出層權(quán)值更新。基于降維和增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法，其特征在于，所述方法是在計(jì)算機(jī)上依次按以下步驟實(shí)現(xiàn)的:步驟⑴:模型選擇與參數(shù)初始化對(duì)于給定的N個(gè)樣本，其輸入記為X = {x,.匕，其中Xi表示每i個(gè)樣本由29維數(shù)據(jù)組成的向量，該向量包括如下參數(shù):與待預(yù)測(cè)lot處于相同加工層次、相同品種的前5個(gè)lot對(duì)應(yīng)的曝光劑量、光刻機(jī)焦距、曝光劑量的質(zhì)量控制值、線寬測(cè)量值以及光刻膠厚度；當(dāng)前待預(yù)測(cè)lot的曝光劑量、光刻機(jī)焦距、曝光劑量的質(zhì)量控制值和光刻膠厚度；N個(gè)樣本輸入相對(duì)應(yīng)的輸出記為;T = U}f=1，Yi為光刻線寬測(cè)量值；給定基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的極限學(xué)習(xí)機(jī)的隱層節(jié)點(diǎn)數(shù)L，采用徑向基函數(shù)作為特征變換函數(shù)，函數(shù)形式為= e'b^x'-a^，i = 1,2,…，L，其中ai，bi為徑向基函數(shù)的參
數(shù)，Bi維數(shù)為29維， 其可從[-1 I]中隨機(jī)選取，bi為I維，取值為從:]隨機(jī)選??；
于是，生成的極限學(xué)習(xí)機(jī)特征映射矩陣H(X)為:
權(quán)利要求
1.基于降維和增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法，其特征在于，所述方法是在計(jì)算機(jī)上依次按以下步驟實(shí)現(xiàn)的: 步驟(I):模型選擇與參數(shù)初始化 對(duì)于給定的N個(gè)樣本，其輸入記為X = ，其中Xi表示每i個(gè)樣本，由29維數(shù)據(jù)組成的向量，該向量包括如下參數(shù):與待預(yù)測(cè)lot處于相同加工層次、相同品種的前5個(gè)lot對(duì)應(yīng)的曝光劑量、光刻機(jī)焦距、曝光劑量的質(zhì)量控制值、線寬測(cè)量值以及光刻膠厚度；當(dāng)前待預(yù)測(cè)lot的曝光劑量、光刻機(jī)焦距、曝光劑量的質(zhì)量控制值和光刻膠厚度；N個(gè)樣本輸入相對(duì)應(yīng)的輸出記為;F = {x￡,，Ii為光刻線寬測(cè)量值； 給定基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的極限學(xué)習(xí)機(jī)的隱層節(jié)點(diǎn)數(shù)L，采用徑向基函數(shù)作為特征變換函數(shù)，函數(shù)形式為=ai;匕為徑向基函數(shù)的參數(shù)，Bi維數(shù)為29維，其可從[-1 I]中隨機(jī)選取，匕為I維，取值為從;]隨機(jī)選?。? 于是，生成的極限學(xué)習(xí)機(jī)特征映射矩陣H(X)為:
全文摘要
基于降維和增量式極限學(xué)習(xí)機(jī)的光刻線寬智能預(yù)測(cè)方法，屬于自動(dòng)控制、信息技術(shù)和先進(jìn)制造領(lǐng)域，具體涉及針對(duì)光刻線寬指標(biāo)建模過程存在訓(xùn)練數(shù)據(jù)維數(shù)高且分批到達(dá)的特點(diǎn)，通過對(duì)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的批處理極限學(xué)習(xí)機(jī)進(jìn)行矩陣求逆降維，實(shí)現(xiàn)對(duì)光刻線寬指標(biāo)的智能在線預(yù)測(cè)，其特征在于包括以下步驟對(duì)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的批處理極限學(xué)習(xí)機(jī)中的矩陣求逆采用矩陣求逆降維公式進(jìn)行降維，以建立極限學(xué)習(xí)機(jī)模型參數(shù)與新到達(dá)數(shù)據(jù)的關(guān)系，實(shí)現(xiàn)對(duì)極限學(xué)習(xí)機(jī)模型參數(shù)的在線增量式學(xué)習(xí)和輸出層權(quán)值更新。本發(fā)明所提出的基于矩陣求逆降維和增量式極限學(xué)習(xí)機(jī)的指標(biāo)預(yù)測(cè)方法對(duì)光刻線寬指標(biāo)具有較好的預(yù)測(cè)效果。
文檔編號(hào)G06F19/00GK103106331SQ20121054377
公開日2013年5月15日 申請(qǐng)日期2012年12月17日 優(yōu)先權(quán)日2012年12月17日
發(fā)明者劉民, 郝井華, 郭路, 吳澄, 王凌, 張亞斌, 劉濤 申請(qǐng)人:清華大學(xué)