基于混合特征选择和超参优化的晶圆蚀刻缺陷预测方法

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.

关键词：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

所属期刊栏目：26

分类号：TP181;TP274.3(自动化基础理论)

资助基金：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

在线出版日期：2020-10-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2396-2403