基于机器学习的集成电路工艺参数优化方法及系统与流程

本发明涉及集成电路，尤其涉及一种基于机器学习的集成电路工艺参数优化方法及系统。

背景技术：

1、集成电路制造是一个高度复杂的过程，涉及数百道工艺步骤和上千个工艺参数。在实际生产中，工艺参数的设置对芯片的良品率、性能和可靠性具有决定性影响，传统的工艺参数优化主要依赖工程师的经验和试错，通过手动调整参数并进行大量实验，逐步逼近最优参数组合；

2、近年来，机器学习技术在工业领域得到了广泛应用，为复杂制造过程的建模、优化和控制提供了新的思路，但现有技术仍然存在缺乏工艺知识的有效表示和融合，难以充分利用设计、仿真、测试等环节的多源异构数据和忽视了工艺参数间的关联约束和交互影响，难以兼顾多个质量指标等问题；

3、因此亟需一种方案解决现有技术中存在的问题。

技术实现思路

1、本发明实施例提供一种基于机器学习的集成电路工艺参数优化方法及系统，至少能解决现有技术中存在的部分问题。

2、本发明实施例的第一方面，提供一种基于机器学习的集成电路工艺参数优化方法，包括：

3、从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识别所述制程历史数据中不同数据源之间的关联规则和频繁模式，结合本体映射方法将异构数据映射至公共语义空间，根据知识图谱构建方法构建制程工艺知识图谱，通过知识表示学习算法将所述制程工艺知识图谱中的实体和节点嵌入至低维连续向量空间，通过表示向量运算求解实体和关系间的语义相似性，得到制程工艺领域知识，根据预先获取的专家经验知识对所述制程工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识库；

4、基于所述制程工艺知识图谱，通过图卷积神经网络进行特征提取和融合，生成工艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，结合基于图模型的因果结构学习算法确定因果图并设置因果特征选择准则，筛选得到关键因果特征子集，结合因果相关性分析和语义相似度计算选择关键样本并进行主动学习，扩充所述制程工艺知识图谱，根据扩充后的制程工艺知识图谱和所述公共语义空间，通过堆叠泛化架构构建异构模型集成，根据所述制程工艺知识图谱的更新，通过流数据的递增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率的动态变化；

5、基于所述动态变化，构建多目标优化模型并设置多个优化目标，结合所述关键因果特征子集通过多目标进化优化算法进行工艺参数优化求解，生成优化工艺参数并根据所述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学习，根据预先构建的贝叶斯因果模型对所述工艺节点进行比较和映射，确定因果模式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因果干预，生成工艺参数优化决策并根据所述工艺参数优化决策修正所述贝叶斯因果模型。

6、在一种可选的实施方式中，

7、从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识别所述制程历史数据中不同数据源之间的关联规则和频繁模式，结合本体映射方法将异构数据映射至公共语义空间，根据知识图谱构建方法构建制程工艺知识图谱，通过知识表示学习算法将所述制程工艺知识图谱中的实体和节点嵌入至低维连续向量空间，通过表示向量运算求解实体和关系间的语义相似性，得到制程工艺领域知识，根据预先获取的专家经验知识对所述制程工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识库包括：

8、从多源异构的工艺设备和测试设备中获取初始制程历史数据，其中，所述初始制程历史数据包括设备参数、过程监测数据和测试结果，对所述初始制程历史数据进行预处理，结合数据标准化和归一化方法进行统一表示，得到所述制程历史数据，根据先验算法对所述制程历史数据进行关联规则挖掘，生成关联规则并通过频繁模式生长算法对所述制程历史数据进行频繁模式挖掘，确定不同数据源之间的共现模式并通过统计学对所述关联规则和所述共现模式进行显著性检验和置信度评分，确定强关联规则和高频繁模式；

9、基于所述强关联规则和所述高频繁模式，通过本体映射方法将来自不同数据源的制程历史数据作为异构数据映射至公共语义空间，构建制程工艺本体并通过语义相似度计算方法确定不同数据源之间的语义相似性，基于所述语义相似性进行语义融合和互操作，得到融合数据，基于所述制程工艺本体和所述融合数据，通过制程资源描述框架格式表示制程工艺知识并构建制程工艺知识图谱，其中，所述制程工艺知识图谱中的实体包括工艺设备、过程参数、测试指标和材料属性，通过知识图谱嵌入方法将所述制程工艺知识图谱中的实体和关系嵌入至低维连续向量空间，得到实体和关系的分布式表示；

10、基于所述分布式表示，在嵌入向量空间中通过表示向量运算求解实体和关系之间的语义相似性，得到制程工艺领域知识，通过基于路径的推理方法在所述制程工艺知识图谱上进行多步关系推理，生成实体之间的隐含关联并结合所述嵌入向量空间中的语义运算规则生成增量制程工艺知识，基于所述增量制程工艺知识和预先获取的专家经验知识，通过自然语言处理技术对所述专家经验知识中的关键工艺知识进行提取，将所述关键工艺知识映射至所述制程工艺知识图谱中并通过知识融合方法进行知识对齐和本体匹配，得到增强后的制程工艺知识图谱，以所述关键工艺知识作为先验知识，构建得到所述先验知识库。

11、在一种可选的实施方式中，

12、通过基于路径的推理方法在所述制程工艺知识图谱上进行多步关系推理如下公式所示：

13、；

14、其中，p(vi|v0)表示并从起始节点v0到目标节点vi的概率，p(v0，vi)表示从起始节点v0到目标节点vi的所有路径集合，p表示路径索引，|p|表示第p条路径的长度，α表示实体和关系的优先级权重因子，表示从节点vj-1到节点vj的转移概率，表示节点vj-1和节点vj之间的语义相似度，λ表示时间衰减因子，△t表示当前时刻与知识产生时刻之间的时间差，用于计算时间衰减。

15、在一种可选的实施方式中，

16、基于所述制程工艺知识图谱，通过图卷积神经网络进行特征提取和融合，生成工艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，结合基于图模型的因果结构学习算法确定因果图并设置因果特征选择准则，筛选得到关键因果特征子集，结合因果相关性分析和语义相似度计算选择关键样本并进行主动学习，扩充所述制程工艺知识图谱，根据扩充后的制程工艺知识图谱和所述公共语义空间，通过堆叠泛化架构构建异构模型集成，根据所述制程工艺知识图谱的更新，通过流数据的递增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率的动态变化包括：

17、将所述制程工艺知识图谱表示为无向加权图并为所述无向加权图中的每个边设置对应的权重矩阵，构建图卷积神经网络并基于所述无向加权图中节点的属性信息和拓扑结构信息学习每个节点对应的隐层表示，基于所述隐层表示，定义图卷积神经网络前向传播规则并根据所述前向传播规则在所述图卷积神经网络中进行前向传播，堆叠多个图卷积神经网络层，提取得到工艺参数对应的特征表示；

18、基于所述特征表示，选择鲁滨因果模型对潜在结果框架进行形式化描述，将工艺参数作为处理变量，将良品率作为结果变量，根据因果效应确定不同处理变量对应的潜在结果，通过因果结构学习算法进行条件独立性测试，根据测试结果构建因果图，标识关键处理变量并将平均因果效应和条件平均处理效应作为因果特征选择准则，计算每个工艺参数对良品率的影响并根据预先设置的影响阈值筛选得到所述关键因果特征子集；

19、基于所述关键因果特征子集，通过因果相关性分析计算每个工艺参数与良品率之间的因果相关系数，根据所述因果相关系数对每对数据进行降序排序，选择位于前10%的数据对作为候选数据对，通过语义相似度计算方法计算所述候选数据对与所述制程工艺知识图谱中实体的语义相似度，根据预先设置的相似度阈值筛选得到所述关键样本，通过主动学习策略，根据不确定性采样准则确定每个关键样本对应的信息量并选择具有最大信息量的关键样本生成知识三元组，根据所述知识三元组对所述制程工艺知识图谱进行扩充；

20、根据扩充后的制程工艺图谱和所述公共语义空间，通过堆叠泛化的架构将预先获取的不同类型的预测模型进行组合，构建得到异构模型集成，基于更新后的制程工艺知识图谱，通过流数据的递增学习算法对所述异构模型集成中的参数进行更新，使用更新后的异构模型集成预测所述工艺参数和良品率之间的动态变化。

21、在一种可选的实施方式中，

22、根据所述前向传播规则在所述图卷积神经网络中进行前向传播如下公式所示：

23、；

24、其中，表示第l+1层的节点特征矩阵，σ表示激活函数，为度矩阵，表示每个节点的连接数，为加上自环的邻接矩阵，表示节点之间的连接关系，表示第l层的节点特征矩阵，表示注意力权重矩阵，表示残差连接权重矩阵。

25、在一种可选的实施方式中，

26、基于所述动态变化，构建多目标优化模型并设置多个优化目标，结合所述关键因果特征子集通过多目标进化优化算法进行工艺参数优化求解，生成优化工艺参数并根据所述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学习，根据预先构建的贝叶斯因果模型对所述工艺节点进行比较和映射，确定因果模式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因果干预，生成工艺参数优化决策并根据所述工艺参数优化决策修正所述贝叶斯因果模型包括：

27、获取实际生产需求，根据所述实际生产需求和当前时间步的动态变化，构建多目标优化模型，选择多个工艺参数作为决策变量，将良品率最大化、生产成本最小化和生产周期最短作为优化目标，根据所述关键因果特征子集中工艺参数的物理意义和实际限制，设置约束条件并建立所述多目标优化模型对应的目标函数；

28、基于多目标进化优化算法，将所述决策变量映射为算法中的个体编码，随机生成多个个体并组合作为初始种群，对于所述初始种群中的每个个体，计算在多个优化目标下的适应度值并得到初始非支配解集，在所述初始非支配解集中选择初始全局最优解并根据所述初始全局最优解的位置设置猎物位置，对于所述初始种群中的每个个体，根据所述猎物位置和鲸鱼围猎行为，通过模拟鲸鱼围绕猎物旋转和逼近更新位置，对于更新后的每个个体再次进行适应度值计算并根据当前非支配解集中的位置更新所述猎物位置，重复更新直至达到预设的最大迭代次数，得到优化工艺参数；

29、将所述优化工艺参数作为新的节点添加至所述制程工艺知识图谱中，生成优化工艺参数节点，根据所述制程工艺知识图谱中不同节点之间的语义关联构建语义映射矩阵，对于所述优化工艺参数节点，通过所述语义映射矩阵确定相似度最高的源工艺节点，提取所述源工艺节点对应的特征表示并通过特征映射函数映射至所述优化工艺参数节点，得到映射特征表示，通过参数适配函数对所述映射特征表示进行调整，得到优化模型参数；

30、将所述优化模型参数通过迁移学习算法添加至根据所述制程工艺知识图谱预先构建的贝叶斯因果模型中，基于所述贝叶斯因果模型，结合因果推理算法对不同优化工艺参数节点的因果模式进行比较和映射，识别得到共性因果模式和特殊因果模式，基于所述贝叶斯因果模型和所述异构模型集成，根据所述共性因果模式和所述特殊因果模式对所述关键工艺参数进行因果干预，生成工艺参数优化决策并更新所述贝叶斯因果模型和所述制程工艺知识图谱。

31、在一种可选的实施方式中，

32、根据所述共性因果模式和所述特殊因果模式对所述关键工艺参数进行因果干预如下公式所示：

33、；

34、其中，表示在给定关键工艺参数x的实际观测值x'和优化目标y的特定值y的情况下，结果变量y在将x设置为特定值x是的潜在取值的概率，yx为反事实结果变量，表示在将关键工艺参数x设置为x时，优化目标y的潜在取值，x表示关键工艺参数，x'表示关键工艺参数x的实际观测值，y表示优化目标，表示在进行干预的情况下，优化目标y的取值为y的概率，表示在优化目标的取值为y的条件下，关键工艺参数x实际取值为x'的概率，表示关键工艺参数x实际取值为x'的边际概率。

35、本发明实施例的第二方面，提供一种基于机器学习的集成电路工艺参数优化系统，包括：

36、第一单元，用于从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识别所述制程历史数据中不同数据源之间的关联规则和频繁模式，结合本体映射方法将异构数据映射至公共语义空间，根据知识图谱构建方法构建制程工艺知识图谱，通过知识表示学习算法将所述制程工艺知识图谱中的实体和节点嵌入至低维连续向量空间，通过表示向量运算求解实体和关系间的语义相似性，得到制程工艺领域知识，根据预先获取的专家经验知识对所述制程工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识库；

37、第二单元，用于基于所述制程工艺知识图谱，通过图卷积神经网络进行特征提取和融合，生成工艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，结合基于图模型的因果结构学习算法确定因果图并设置因果特征选择准则，筛选得到关键因果特征子集，结合因果相关性分析和语义相似度计算选择关键样本并进行主动学习，扩充所述制程工艺知识图谱，根据扩充后的制程工艺知识图谱和所述公共语义空间，通过堆叠泛化架构构建异构模型集成，根据所述制程工艺知识图谱的更新，通过流数据的递增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率的动态变化；

38、第三单元，用于基于所述动态变化，构建多目标优化模型并设置多个优化目标，结合所述关键因果特征子集通过多目标进化优化算法进行工艺参数优化求解，生成优化工艺参数并根据所述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学习，根据预先构建的贝叶斯因果模型对所述工艺节点进行比较和映射，确定因果模式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因果干预，生成工艺参数优化决策并根据所述工艺参数优化决策修正所述贝叶斯因果模型。

39、本发明实施例的第三方面，

40、提供一种电子设备，包括：

41、处理器；

42、用于存储处理器可执行指令的存储器；

43、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

44、本发明实施例的第四方面，

45、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

46、本发明中，通过数据挖掘识别不同数据源的关联规则和频繁模式，结合本体映射将异构数据映射至公共语义空间，并利用知识表示学习将知识图谱中的实体和节点嵌入低维向量空间，实现了工艺知识的语义关联和相似性计算，通过因果相关性分析和语义相似度计算选择关键样本进行主动学习，扩充知识图谱，提高了因果推理的准确性，通过堆叠泛化架构构建异构模型集成，结合流数据的递增学习算法实现实时更新，准确捕捉工艺参数与良品率的动态变化，为因果干预提供了可靠的决策依据，多目标优化能够获得更加平衡和全面的优化结果，满足了实际生产中的多样化需求，通过因果干预，阐明了工艺参数调整对良品率的影响机制，提高了优化决策的可解释性和可靠性，综上，本发明充分利用了数据驱动和知识驱动的优势，实现了工艺优化的智能化和自动化，为制造业的转型升级提供了重要的技术支撑，具有重大的理论意义和实践价值。

技术特征：

1.基于机器学习的集成电路工艺参数优化方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，从工艺设备和测试设备中获取制程历史数据，通过数据挖掘技术识别所述制程历史数据中不同数据源之间的关联规则和频繁模式，结合本体映射方法将异构数据映射至公共语义空间，根据知识图谱构建方法构建制程工艺知识图谱，通过知识表示学习算法将所述制程工艺知识图谱中的实体和节点嵌入至低维连续向量空间，通过表示向量运算求解实体和关系间的语义相似性，得到制程工艺领域知识，根据预先获取的专家经验知识对所述制程工艺知识图谱进行增强，结合自然语言处理技术提取关键工艺知识并构建先验知识库包括：

3.根据权利要求2所述的方法，其特征在于，通过基于路径的推理方法在所述制程工艺知识图谱上进行多步关系推理如下公式所示：

4.根据权利要求1所述的方法，其特征在于，基于所述制程工艺知识图谱，通过图卷积神经网络进行特征提取和融合，生成工艺参数对应的特征表示，通过因果推断理论确定工艺参数与良品率之间的因果依赖关系，结合基于图模型的因果结构学习算法确定因果图并设置因果特征选择准则，筛选得到关键因果特征子集，结合因果相关性分析和语义相似度计算选择关键样本并进行主动学习，扩充所述制程工艺知识图谱，根据扩充后的制程工艺知识图谱和所述公共语义空间，通过堆叠泛化架构构建异构模型集成，根据所述制程工艺知识图谱的更新，通过流数据的递增学习算法对所述异构模型集成进行实时更新并确定工艺参数与良品率的动态变化包括：

5.根据权利要求4所述的方法，其特征在于，根据所述前向传播规则在所述图卷积神经网络中进行前向传播如下公式所示：

6.根据权利要求1所述的方法，其特征在于，基于所述动态变化，构建多目标优化模型并设置多个优化目标，结合所述关键因果特征子集通过多目标进化优化算法进行工艺参数优化求解，生成优化工艺参数并根据所述制程工艺知识图谱中工艺节点的语义映射关系，通过特征映射和参数适配进行迁移学习，根据预先构建的贝叶斯因果模型对所述工艺节点进行比较和映射，确定因果模式并基于所述贝叶斯因果模型和所述异构模型集成构建虚拟仿真系统并对关键工艺参数进行因果干预，生成工艺参数优化决策并根据所述工艺参数优化决策修正所述贝叶斯因果模型包括：

7.根据权利要求6所述的方法，其特征在于，根据所述共性因果模式和所述特殊因果模式对所述关键工艺参数进行因果干预如下公式所示：

8.基于机器学习的集成电路工艺参数优化系统，用于实现前述权利要求1-7中任一项所述的方法，其特征在于，包括：

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。

技术总结
本发明提供一种基于机器学习的集成电路工艺参数优化方法及系统，涉及集成电路技术领域，包括：获取制程历史数据，构建制程工艺知识图谱求解实体和关系间的语义相似性，提取关键工艺知识并构建先验知识库；确定工艺参数与良品率之间的因果依赖关系，设置因果特征选择准则，筛选关键因果特征子集，扩充制程工艺知识图谱，构建异构模型集成并确定工艺参数与良品率的动态变化；构建多目标优化模型并设置优化目标，进行工艺参数优化求解，生成优化工艺参数并进行迁移学习，对工艺节点进行比较和映射，构建虚拟仿真系统并进行因果干预，生成工艺参数优化决策并修正贝叶斯因果模型。

技术研发人员：苌凤义
受保护的技术使用者：中科芯（苏州）微电子科技有限公司
技术研发日：
技术公布日：2024/12/5