申请/专利权人：华南理工大学

申请日：2023-11-23

公开（公告）日：2024-07-05

公开（公告）号：CN117574844B

主分类号：G06F30/398

分类号：G06F30/398;G06F30/27;G06N3/0895

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2024.03.08#实质审查的生效;2024.02.20#公开

摘要：本发明公开了一种自监督学习的DTCO工艺参数性能规格反馈方法，用于优化芯片设计和制造工艺参数。收集半导体制造相关数据，包括芯片工艺参数和性能规格数据；清洗、归一化和特征化工程数据，为自监督学习模型训练做准备；建立自监督学习模型；使用自监督学习模型预测最佳工艺参数组合，以满足电路性能规格要求，双向地也可以基于电路性能规格需求预测工艺参数；定期验证自监督学习模型性能，基于泛化需求进行自监督学习模型微调，以确保不同材料、不同工艺节点下数据的准确性和稳定性。本发明可以实现DTCO工艺参数性能规格的自监督学习反馈，从而更好地满足半导体制造的性能和品质要求，提升DTCO流程效率。

主权项：1.一种自监督学习的DTCO工艺参数性能规格反馈方法，其特征在于，包括以下步骤：S1.收集半导体制造相关数据；收集的半导体制造相关数据为虚拟工艺厂所仿真的器件参数和对应的电学性能特性及规格数据；包括：工艺材料参数、工艺结构参数、电学参数、电学性能参数以及性能规格数据；所述工艺材料参数包括：离子注入浓度；所述工艺结构参数包括：几何结构、电极和接触；所述电学参数包括：自监督学习模型参数、应力设定、电信号偏置；所述电学性能参数包括：电流-电压特性、电容-电压特性；所述性能规格数据包括：开关特性、阈值电压、亚阈值摆幅、时钟频率、功耗、延迟；S2.对数值参数进行数据清洗工作，使数值参数混合至语言文本数据：将数值参数的数量级用国际单位前缀来表示，以转化为语言文本输入自监督学习模型中；当超过国际单位的数量级时，进行自定义单位前缀，以辅助自监督学习模型对这些数据进行数值数量级的表征；对清洗后的结果进行归一化处理；对归一化后的结果进行特征化处理，得到数值参数混合语言文本数据的工程数据，为自监督学习模型训练做准备；S3.建立自监督学习模型；所述自监督学习模型通过网络结构定义得到，定义工作包括确定输入层、隐藏层和输出层的数量，以及各层之间的连接方式；具体采用无监督预训练，监督下游任务的微调形式进行深度学习建模；无监督预训练阶段：在这一阶段，自监督学习模型学习的内容是工艺参数信息、电学参数、电学特性曲线、KOPs性能规格数据的所有数值及文本内容；Modelunsupervised＝PreTrainingXunsupervised；其中，Xunsupervised代表未经标定的器件参数的数值混合语义文本数据；监督微调阶段：在无监督预训练之后，自监督学习模型进入监督微调阶段；在这一阶段，使用已经清洗和标定的文本文件对自监督学习模型进行进一步训练，以提高性能；此步骤针对工艺参数信息与电学特性曲线、KOPs性能规格数据映射进行网络权重微调；Modelsupervised＝FineTuningModelunsupervised，Xsupervised其中，Xsupervised代表清洗和标定的器件数据，Modelsupervised代表下游的器件双向建模任务；S4.使用已经收集的大量数据来训练自监督学习模型，令自监督学习模型学习器件参数和性能规格数据之间的双向映射关系，即自监督学习模型从给定的器件参数预测对应的性能规格数据，或从给定的性能规格数据反向预测相关的器件参数；S5.定期验证所述自监督学习模型性能，基于泛化需求对所述自监督学习模型微调，以确保不同工艺节点下数据的准确性和稳定性。

全文数据：

权利要求：

百度查询： 华南理工大学 一种自监督学习的DTCO工艺参数性能规格反馈方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD