摘要
随着人工智能、大数据、5G通信等先进技术的快速发展，云计算和终端电子产品需求大幅增加，市场供需矛盾已从芯片制造领域传导至上游半导体材料制造领域。目前， 半导体材料仍以硅材料占主导地位，其中大尺寸、高品质集成电路级半导体硅单晶材料的强劲需求对晶体生长工艺与控制提出了更高要求。然而，半导体硅单晶生长是一个设备与工艺相互支撑、密切结合的过程，具有技术门槛高、学科交叉多、行业垄断强等突出特点。因此，论文围绕半导体硅单晶生长过程中的关键科学问题，开展了过程建模与过程控制研究，以提升半导体硅单晶品质，满足不断提高的芯片制程，这无疑是具有重要理论意义和实际价值。论文主要研究工作如下： (1) 基于数据驱动的关键晶体质量参数预测建模研究：针对硅单晶生长过程中的晶体直径、熔体温度等关键质量参数难以在线精确检测的问题，建立了基于离散时间非线性自回归(Nonlinear autoregressive with exogenous inputs, NARX)模型描述的过程变量预测模型。首先，提出了一种基于互相关函数的时滞优化估计方法，准确估计了不同过程变量间的滞后时间，并基于Lipschitz商准则和模型拟合优度准确辨识了 NARX模型的时序阶次。其次，建立了一种基于堆叠自编码器(Stacked auto-encoder, SAE)和长短时记忆网络(Long short-term memory network, LSTM)的深度学习模型，利用SAE的数据提取功能和LSTM的动态时序预测能力，实现了晶体直径和熔体温度的多变量预测。然后，根据小波包数据分解技术、SAE以及LSTM网络，建立了一种基于分解-集成策略的关键质量参数集成学习建模方法，进一步提高了晶体直径和熔体温度的预测精度。最后，实验结果显示所提出的这两种数据驱动预测模型具有良好的预测性能。 (2) 融合数据和机理的硅单晶生长过程混合建模研究：针对硅单晶生长过程机理模型不准确和数据驱动模型可解释性弱等问题，构建了两种以串/并联结构为基础形成的混合模型。首先，建立的单输入-单输出混合模型主要由基于LSTM-Hammerstein-Wiener的能量传递模型和具有晶体直径估计补偿的晶体提拉动力学模型组成，实现了晶体生长速率的鲁棒预测和晶体直径的准确估计。其次，在多输入-多输出混合模型的建立过程中， 提出了一种基于即时学习(Just-in-time learning, JITL)微调策略的能量传递模型JITL-SAE-ELM(Extreme learning machine, ELM)，解决了模型在线自适应更新问题并实现了熔体温度和晶体生长速率的多变量精准预测。此外，设计的多输入-单输出晶体直径估计误差补偿模型，不仅补偿了能量传递模型的建模误差和晶体提拉状态空间模型的未建模动态，还提高了混合模型对晶体直径参数的精准估计。最后，实验结果表明所建立的这两种混合模型可以实现多个晶体质量参数的稳健预测目标，能够有效降低纯机理建模的难度并增强数据驱动建模在混合模型中的作用。 (3) 数据驱动的硅单晶生长过程预测控制研究：针对硅单晶生长控制中存在严重的非线性、大滞后、时变性和不确定性干扰等控制问题，首先提出了一种基于集成学习建模的晶体直径自适应非线性预测控制方法，并分析了有约束情况下控制器的稳定性，实现了晶体直径的精准控制。其次，提出了恒拉速硅单晶生长过程分层控制方法，对内层熔体温度控制过程设计了基于离散时间扩张状态观测器(Extended state observer, ESO)的扰动抑制无模型自适应控制器(Model-free adaptive controller, MFAC)，确保了熔体温度控制的稳定性。对外层晶体直径控制过程设计了基于 ESO的扰动抑制无模型自适应预测控制器(Model-free adaptive predictive controller, MFAPC)，实现了温度轨迹优化的同时提高了晶体直径参数的控制精度。然后，对于不具备恒拉速晶体生长控制实现条件的情况，提出了拉速受控的硅单晶生长过程双重控制方法，设计了基于自适应 ESO的熔体温度单变量 MFAPC 控制器和晶体直径多变量扩展 MFAPC 控制器，并对其稳定性进行了分析。通过两个控制器的协调机制既实现了熔体温度和晶体直径的稳定精准控制，又解决了拉速轨迹和温度轨迹由人工设置的制约性问题。最后，硅单晶生长过程控制实验结果显示所提出的这三种控制方法具有良好的晶体质量参数稳定精准控制性能。 (4) 数据驱动的硅单晶批次过程控制研究：针对单晶炉重复运行过程中关键晶体质量参数批次控制不稳定，以及易受批次间非重复因素干扰等问题，首先提出了一种基于迭代扩张状态观测器(Iterative extended state observer, IESO)的扰动抑制无模型自适应迭代学习控制(Model-free adaptive iterative learning control, MFAILC)方法，并分析了批次跟踪误差的收敛性。通过对晶体直径和熔体温度控制过程设计具有扰动抑制的 MFAILC控制器，实现了批次间晶体直径和熔体温度控制的稳定性和鲁棒性。其次，为了提升基于 IESO的 MFAILC控制器的批次间控制精度和输出稳定性，提出了一种基于整体式的数据驱动迭代学习模型预测控制(Iterative learning model predictive control, ILMPC)方法，并对控制器的批次跟踪误差有界收敛性进行了证明，从而实现了熔体温度和晶体直径的稳定精准控制。最后，硅单晶生长过程的批次控制实验显示所提出的这两种数据驱动批次控制方法保证了控制系统具有学习能力，能够实现关键晶体质量参数的鲁棒批次控制。
NETL