公开(公告)号：CN117725557A

公开(公告)日：2024-03-19

申请号：CN202311681847.6

申请日：2023-12-08

Applicant: 浙江大学

Inventor： 陈一宁 ,  史雨萌 ,  高大为

IPC: G06F18/27 ,  G06F18/10 ,  G06F123/02

Abstract: 一种基于Random_Cut‑Rocket的集成电路制造时序数据回归预测方法，利用Random_cut对获取的时序数据进行数据预处理，并采用RocketRegressor模型对预处理后的时序数据进行回归预测，代替了传统量测方法，降低了传统量测方法需要的人力和时间成本，同时提高了反馈的时效性，缩短品控周期，解决了现有技术中使用均值数据忽略时间变化而导致的预测精准度不够的问题。

公开(公告)号：CN116680660A

公开(公告)日：2023-09-01

申请号：CN202310715152.9

申请日：2023-06-15

Applicant: 浙江大学

Inventor： 陈一宁 ,  史雨萌 ,  蔡宇 ,  高大为

IPC: G06F18/27 ,  G06F18/2113 ,  G06F18/214

Abstract: 本发明提供了一种基于HHO‑堆叠集成学习的集成电路沉积膜厚预测方法，包括：第一步骤：提取集成电路沉积膜特征数据集；第二步骤：对数据进行归一化处理；第三步骤：使用HHO哈里斯鹰优化算法对归一化后的数据集进行特征筛选，选择最优的特征集合；第四步骤：建立堆叠集成学习模型；第五步骤：利用网格搜索对堆叠集成学习中各学习器进行超参数优化；第六步骤：使用优化好的堆叠集成学习模型对集成电路沉积膜厚进行预测。本发明有助于对各关键阶段质量情况进行预测，从而保证产品良率。

公开(公告)号：CN116662809A

公开(公告)日：2023-08-29

申请号：CN202310652271.4

申请日：2023-06-02

Applicant: 浙江大学

Inventor： 陈一宁 ,  蔡宇 ,  史雨萌 ,  高大为

IPC: G06F18/214 ,  G06F18/213 ,  G06N3/0464 ,  G06N3/126

Abstract: 本发明涉及一种基于CNN‑XGBoost‑GA模型的集成电路沉积膜厚预测方法，通过运用CNN的卷积层和池化层对提取的集成电路沉积膜特征数据集做归一化、卷积和池化处理，并按预设比例将池化后集成电路沉积膜特征数据集内所有数据随机划分为训练集、测试集和验证集，将用训练集、测试集和验证集训练验证处理后的XGBoost模型作为初始集成电路沉积膜厚预测模型，而后用GA算法对初始集成电路沉积膜厚预测模型做超参数优化，将具有全局最优解超参数的超参数优化后集成电路沉积膜厚预测模型作为最终的集成电路沉积膜厚预测模型，利用最终的集成电路沉积膜厚预测模型预测集成电路沉积膜厚，从而高效率且精准预测集成电路制造中膜厚沉积过程的薄膜厚度。

公开(公告)号：CN116992760A

公开(公告)日：2023-11-03

申请号：CN202310890677.6

申请日：2023-07-19

Applicant: 浙江大学

Inventor： 陈一宁 ,  史雨萌 ,  蔡宇 ,  高大为

IPC: G06F30/27 ,  G06F30/398 ,  G06N3/08 ,  G06F119/02

Abstract: 本发明涉及一种用于晶圆沉积膜厚度工艺预测和解释的方法及系统，所述方法包括：获取生产线数据，对所述生产线数据进行预处理，生成样本数据；将所述样本数据输入至CatBoost模型进行预测，输出预测结果；利用SHAP模型对所述样本数据进行处理，结合所述预测结果，从局部可解释性和全局可解释性两个角度，分析所述样本数据中的特征对所述预测结果的影响程度，生成分析结果。其有益效果是，本方法及系统加强了模型预测结果的可信性，本领域技术人员可依据预测结果，及时对生产设备参数做出调整，从而减少晶圆工艺过程中的偏差，达到了节约晶圆工艺成本，优化晶圆工艺流程的目的。

公开(公告)号：CN116796806A

公开(公告)日：2023-09-22

申请号：CN202310725762.7

申请日：2023-06-16

Applicant: 浙江大学

Inventor： 陈一宁 ,  史雨萌 ,  高大为

IPC: G06N3/0464 ,  G06N3/08 ,  C23C26/00

Abstract: 本发明涉及一种基于WOA‑残差卷积神经网络模型的集成电路沉积膜厚特征处理方法。其有益效果是，在通过虚拟量测来判断器件性能的过程中，有效筛选掉冗余特征和删除无关信息，使得后续预测的精度大幅提高的同时能过缩短预测所需的时间。

公开(公告)号：CN117909682A

公开(公告)日：2024-04-19

申请号：CN202410028443.5

申请日：2024-01-09

Applicant: 浙江大学

Inventor： 陈一宁 ,  陈方科 ,  史雨萌 ,  高大为

IPC: G06F18/20 ,  G06F18/27 ,  G06F123/02

Abstract: 本发明公开了一种基于Lime算法的时序回归模型的局部解释方法，属于机器学习技术领域。包括：获取业务场景下的时序数据集和标签，所述时序数据集中的时序数据为多特征维度数据；利用业务场景下的时序数据集训练时序数据回归模型，训练后的时序数据回归模型能够根据输入的时序数据输出预测结果，并生成针对预测结果的解释；所述的生成针对预测结果的解释是指生成对预测结果影响靠前的子特征，以及生成对预测结果影响最大的特征；绘制影响最大的特征在各时间间隔下对预测结果产生影响的正负相关折线图。本发明能够实现对时间序列数据的解释分析，得到对预测结果影响最大的时间段及其特征，可用于指导调节对应业务场景下的生产参数。