关键词:
直拉硅单晶生长
等径阶段直径模型
模型辨识
可视化研究
摘要:
集成电路产业链的飞速发展,对硅单晶的品质、良率和尺寸等关键指标提出更高的要求,且使硅单晶生长控制技术面临巨大的挑战。直拉法是生长低缺陷、电子级、大尺寸硅单晶的常用方法,其工艺流程中等径阶段生产的单晶硅是可有效利用的主要部分,对该阶段晶体直径进行精确控制决定了晶体的品质与良率。由于频繁改变拉速会导致晶体缺陷增加,因此本文主要研究恒拉速生长工艺下等径阶段的加热器功率和晶体直径之间的关系,提出了一种改进模糊C均值(Fuzzy C-Means,FCM)算法用于晶体生长数据预处理,并结合长短时记忆(Long-Short Term Memory,LSTM)神经网络和T-S模糊模型的联合辨识,建立等径阶段晶体直径模型,提高晶体品质。
直拉硅单晶生长是一个非线性、大滞后、强耦合的时变过程,内部机理复杂多变,难以精确建立机理模型。本文基于数据驱动的建模思想,采集实际生产过程中的晶体生长关键数据,以晶体直径数据作为模型的输出,分析晶体直径和加热器功率之间的关系。为了获得更加精确的晶体生长数据,根据晶体数据特性,对FCM算法进行改进,结合局部动态搜索思想,可以实现对数据集的精确划分,并剔除因测量噪声等原因造成的晶体异常数据,为更精确辨识晶体直径模型奠定基础。
在晶体直径模型的结构辨识方面,针对模型的大滞后特性,采用LSTM神经网络结合支持向量回归等方法,可以有效利用过去和现在的数据时序信息,结合历史先验知识,通过多组实验对比确定模型输入输出阶次和滞后阶次;在晶体直径模型的参数辨识方面,针对模型的非线性和不确定性,基于T-S模糊辨识模型,结合直径模型阶次,通过改进FCM算法确定模型隶属度等前件参数、递推最小二乘法优化后件参数,分析晶体直径与加热器功率之间的关系。为进一步验证模型的有效性,建立BP神经网络等对比实验。仿真结果表明,本文提出的辨识策略可以有效地确定晶体直径模型滞后阶次,且预测输出与实际输出之间误差较小,从而验证了模型的有效性和优越性。
直径控制问题是晶体生长的关键问题之一,晶体生长过程中反映直径状态是十分重要的工艺要求。因此,结合国家大型仪器研制项目的数字孪生工作,针对数字孪生中的服务、孪生数据以及二者之间的连接部分,基于Web可视化技术搭建晶体直径模型的可视化界面。基于Vue等框架搭建了前端界面,并封装了相关的图表组件,用以更好的展示晶体生长数据之间的关系;通过Node和Flask搭建了后端服务,用于连接数据库和晶体直径模型,对前端界面提供数据支撑,并实现晶体直径的在线预测等功能。