-
Patent Agency Ranking
公开(公告)号：CN116680966A
公开(公告)日：2023-09-01
申请号：CN202310653492.3
申请日：2023-06-02
Applicant: 中江联合(北京)科技有限公司
Abstract: 一种基于代理模型的工艺参数敏感性分析方法，具体步骤为：步骤一：收集实际生产过程中的工艺数据，并进行相关性处理；步骤二：对工艺数据构建数据模型；步骤三：对工艺数据开展全局敏感性分析，确定影响最大的工艺参数。本发明基于代理模型的工艺参数敏感性分析方法和模型通过在八吋线中的实际应用，确定了关键工艺检验结果对产品电性能的影响，以量化的分析结果为工艺优化奠定了基础，工艺人员通过本发明的应用效果结合对产品电性能数据的统计分析，快速制定了优化策略，降低了工艺优化迭代成本和周期。
-
公开(公告)号：CN116842439A
公开(公告)日：2023-10-03
申请号：CN202310678132.9
申请日：2023-06-08
Applicant: 中江联合(北京)科技有限公司
IPC: G06F18/241 , G06N3/0499 , G06N3/086 , H01L21/66
Abstract: 一种基于模型的半导体质量预测方法，具体步骤为：步骤一：使用BP神经网络通过遗传算法计算初始权值和阈值；步骤二：设置初始乘子及惩罚因子；步骤三：训练神经网络；步骤四：判断是否满足专家知识，是则进入步骤五，否则进入步骤六；步骤五：采用增广拉格朗日乘子函数作为训练目标，进入步骤七；步骤六：采用均方误差作为目标函数，进入步骤七；步骤七：判断是否达到目标误差，是则结束，否则进入步骤三。
-
公开(公告)号：CN116911159A
公开(公告)日：2023-10-20
申请号：CN202310646551.4
申请日：2023-06-02
Applicant: 中江联合(北京)科技有限公司
IPC: G06F30/27 , G06F18/214 , G06F119/02
Abstract: 一种基于数据特征分析的工艺参数优化方法及模型，具体步骤为：步骤一：确定需要优化的关键工序；步骤二：收集产品对应关键工序的历史数据；步骤三：通过实验设计方法获取一组工艺参数及其对应的响应变量；步骤四：通过历史数据以及实验数据，构建数学模型；步骤五：根据工艺参数的最优组合，调整实际的工艺参数的取值，达到优化目标。
-
公开(公告)号：CN116720625A
公开(公告)日：2023-09-08
申请号：CN202310731476.1
申请日：2023-06-20
Applicant: 中江联合(北京)科技有限公司
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/04 , G06F18/15 , G06F18/27 , G06N3/0464 , G07C3/00 , G07C3/14
Abstract: 一种基于数据驱动的晶圆良率预测方法，步骤一：收集晶圆制造过程中的数据；步骤二：对晶圆测试数据进行归一化处理；步骤三：采用卷积神经网络CNN提取数据与晶圆良率有关联的特征；步骤四：采用支持向量回归机SVR进行良率预测。本发明采用的卷积神经网络‑支持向量回归良率预测模型，在半导体60V MOS产品实际良率预测时，其效果比深度学习良率预测模型、BPNN晶圆良率预测模型、循环神经网络模型更准确。在现场对连续6个连续批产品进行验证，其准确率高于其他模型4％以上。同时卷积神经网络‑支持向量回归良率预测模型可以应用在其他半导体产品的预测中，具有推广性。
-
公开(公告)号：CN116720476A
公开(公告)日：2023-09-08
申请号：CN202310731463.4
申请日：2023-06-20
Applicant: 中江联合(北京)科技有限公司
IPC: G06F30/398 , G06N3/045 , G06N3/048 , G06N3/084 , G06N3/0985
Abstract: 一种基于差值优化算法的刻蚀预测方法，具体步骤为：步骤一：对仿真数据和实际数据做归一化处理；步骤二：将处理后的仿真数据和实际数据输入ANN神经网络，输出第一预测厚度，进步步骤五；步骤三：将实际数据输入第一RBF神经网络，输出实际刻蚀深度与仿真刻蚀深度差值的预测值；步骤四：通过仿真数据和实际刻蚀深度与仿真刻蚀深度差值的预测值，计算得到第二预测厚度；步骤五：将第一预测厚度和第二预测厚度输入第二RBF神经网络；步骤六：输出最终预测厚度值。
-
-
-
-
Search Results
5
records
(took 0.028 seconds)
