本技術涉及半導體工藝，具體而言，涉及一種集成電路金屬層光刻工藝的優(yōu)化方法和裝置。

背景技術：

1、半導體集成電路（ic）芯片的制備工藝中，集成電路芯片的金屬層的制備是應用化學或物理處理方法在集成電路芯片上淀積導電金屬薄膜的過程。目前集成電路芯片的金屬層制備通常通過鋁等金屬材料的真空蒸發(fā)（簡稱蒸鋁工藝）和濺射在硅或二氧化硅的基片表面上沉積金屬薄膜，而后通過涂膠、前烘、曝光、顯影、堅膜、腐蝕、去膠等金屬層光刻工藝完成金屬層導電圖案的形成。然而，這種結合蒸鋁工藝的金屬層光刻工藝容易出現(xiàn)金屬層導線斷條、局部殘存鋁點等不良問題，降低了集成電路芯片金屬層的成品良率。因此，亟需一種改進的技術方案來解決上述問題。

技術實現(xiàn)思路

1、有鑒于此，本技術提出一種集成電路金屬層光刻工藝的優(yōu)化方法和裝置，可以顯著降低集成電路金屬層光刻工藝過程中金屬層導線斷條、局部殘存鋁點等不良問題，提高集成電路芯片金屬層的成品良率。

2、第一方面，本技術實施例提出一種集成電路金屬層光刻工藝的優(yōu)化方法，所述方法包括：

3、基于所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的歷史數(shù)據(jù)訓練成品良率預測模型；

4、基于所述成品良率預測模型，計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每個過程參數(shù)對所述成品良率的第一影響程度，從所述過程參數(shù)集識別對所述成品良率具有顯著第一影響程度的至少一個關鍵過程參數(shù)；

5、基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度，根據(jù)所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度選擇最優(yōu)的候選調節(jié)項組合對所述集成電路金屬層光刻工藝進行優(yōu)化。

6、在一些實施方式中，所述基于所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的歷史數(shù)據(jù)訓練成品良率預測模型包括：

7、將所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的第一歷史數(shù)據(jù)作為訓練集訓練梯度增強決策樹模型，作為所述成品良率預測模型。

8、在一些實施方式中，所述基于所述成品良率預測模型，計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每個過程參數(shù)對所述成品良率的第一影響程度，從所述過程參數(shù)集識別對所述成品良率具有顯著第一影響程度的至少一個關鍵過程參數(shù)，包括：

9、基于所述成品良率預測模型，計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每一個過程參數(shù)對所述成品良率的第一平均影響特征值，所述每一個過程參數(shù)對所述成品良率的第一平均影響特征值用于表征所述每一個過程參數(shù)對所述成品良率的第一影響程度；

10、根據(jù)每一個過程參數(shù)對所述成品良率的第一平均影響特征值的大小，從所述集成電路金屬層光刻工藝的過程參數(shù)集中識別對所述成品良率的第一平均影響特征值靠前的至少一個關鍵過程參數(shù)。

11、在一些實施方式中，所述基于所述成品良率預測模型，計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每一個過程參數(shù)對所述成品良率的第一平均影響特征值，包括：

12、隨機選取所述集成電路金屬層光刻工藝的過程參數(shù)集中每一個過程參數(shù)的一組批次樣本值，基于所述成品良率預測模型計算所述每一個過程參數(shù)的一組批次樣本值中每一批次樣本值對所述成品良率的第一shap值；

13、計算所述每一個過程參數(shù)的一組批次樣本值中每一批次樣本值對所述成品良率的第一shap值的絕對平均值，得到所述每一個過程參數(shù)對所述成品良率的第一平均影響特征值。

14、在一些實施方式中，所述根據(jù)每一個過程參數(shù)對所述成品良率的第一平均影響特征值的大小，從所述集成電路金屬層光刻工藝的過程參數(shù)集中識別對所述成品良率的第一平均影響特征值靠前的至少一個關鍵過程參數(shù)，包括：

15、計算所述集成電路金屬層光刻工藝的每個工藝過程所包含的過程參數(shù)對所述成品良率的第一平均影響特征值的累計度量值；

16、選擇對所述成品良率的第一平均影響特征值的累計度量值最靠前的預定數(shù)量的目標工藝過程，將所述目標工藝過程包含的過程參數(shù)作為所述至少一個關鍵過程參數(shù)。

17、在一些實施方式中，所述基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度，根據(jù)所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度選擇最優(yōu)的候選調節(jié)項組合對所述集成電路金屬層光刻工藝進行優(yōu)化，包括：

18、基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二平均影響特征值，所述候選調節(jié)項組合對所述成品良率的第二平均影響特征值用于表征所述候選調節(jié)項組合對所述成品良率的第二影響程度；

19、選擇所述至少一個關鍵過程參數(shù)的具有最大的第二平均影響特征值的候選調節(jié)項組合對所述集成電路金屬層光刻工藝進行優(yōu)化。

20、在一些實施方式中，所述基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二平均影響特征值，包括：

21、選取包含所述至少一個關鍵過程參數(shù)的任一候選調節(jié)項組合的一組批次樣本值，基于所述成品良率預測模型計算所述至少一個關鍵過程參數(shù)中每一個關鍵過程參數(shù)的候選調節(jié)項對所述成品良率的第二shap值；

22、計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二shap值的平均累計值，得到所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二平均影響特征值。

23、在一些實施方式中，所述基于所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的歷史數(shù)據(jù)訓練成品良率預測模型還包括：

24、將所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的第二歷史數(shù)據(jù)作為測試集驗證所述梯度增強決策樹模型，以獲得最優(yōu)的所述成品良率預測模型。

25、在一些實施方式中，所述集成電路金屬層光刻工藝的過程參數(shù)集包括涂膠轉速、涂膠時間、前烘溫度、前烘時間、曝光時間、顯影時間、堅膜溫度、堅膜時間、腐蝕溫度、腐蝕時間、去膠時間。

26、第二方面，本技術實施例還提出一種集成電路金屬層光刻工藝的優(yōu)化裝置，所述裝置包括：

27、模型訓練單元，用于基于所述集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的歷史數(shù)據(jù)訓練成品良率預測模型；

28、參數(shù)獲取單元，用于基于所述成品良率預測模型，計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每個過程參數(shù)對所述成品良率的第一影響程度，從所述過程參數(shù)集識別對所述成品良率具有顯著第一影響程度的至少一個關鍵過程參數(shù)；

29、工藝優(yōu)化單元，用于基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度，根據(jù)所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度選擇最優(yōu)的候選調節(jié)項組合對所述集成電路金屬層光刻工藝進行優(yōu)化。

30、本技術至少可以達到如下有益效果：

31、本技術實施例通過基于集成電路金屬層光刻工藝的過程參數(shù)集和成品良率的歷史數(shù)據(jù)訓練成品良率預測模型，基于所述成品良率預測模型計算所述集成電路金屬層光刻工藝的過程參數(shù)集中每個過程參數(shù)對所述成品良率的第一影響程度，從所述過程參數(shù)集識別對所述成品良率具有顯著第一影響程度的至少一個關鍵過程參數(shù)；隨后，基于所述成品良率預測模型，計算所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度，根據(jù)所述至少一個關鍵過程參數(shù)的候選調節(jié)項組合對所述成品良率的第二影響程度選擇最優(yōu)的候選調節(jié)項組合對所述集成電路金屬層光刻工藝進行優(yōu)化，從而可以基于集成電路金屬層光刻工藝的歷史數(shù)據(jù)的機器學習識別對集成電路芯片的金屬層成品良率具有顯著影響的關鍵工藝過程和關鍵過程參數(shù)，并識別出對成品良率具有最大正向影響程度的關鍵過程參數(shù)的候選調節(jié)項組合對光刻工藝進行優(yōu)化，可以顯著降低集成電路金屬層光刻工藝過程中金屬層導線斷條、局部殘存鋁點等不良問題，提高集成電路芯片金屬層的成品良率。