一种半导体芯片制造多任务排序方法、设备和存储介质

技术领域

本申请涉及制造半导体器件的方法和设备技术领域，尤其涉及一种半导体芯片制造多任务排序方法、设备和存储介质。

背景技术

晶圆制造厂负责将硅片转化为成品芯片，一颗芯片需要经过薄膜沉积、光刻胶涂敷、光刻显影、刻蚀、量测、清洗、离子注入等多个环节和上千个工序。

实际生产中，用户需要依据制造情况对当天所有待办用户任务进行排序，排序过程繁琐且容易出错，不利于提高生产效率和生产质量。

发明内容

本申请的一个目的是提供一种半导体芯片制造多任务排序方法、设备和存储介质，至少用以解决人工进行待办用户任务排序导致流程系统效率低下，无法提高生产效率和生产质量的技术问题。

为实现上述目的，本申请的一些实施例提供了以下几个方面：

第一方面，本申请提供了一种半导体芯片制造多任务排序方法，包括：

获取多个待办用户任务的信息；

根据每个所述待办用户任务的信息，获取对任务执行顺序有影响的因素；

根据所述因素和预先训练好的分类模型，得到每个待办用户任务的排序序号以及对应概率；

根据每个序号的概率值大小，确定多个待办用户任务的执行顺序。

可选的，所述因素包括内部影响因素和外部影响因素；

所述外部影响因素包括：任务所属的系统类别，图表编号，批次编号，配方，设备名称，超出控制，以及超出范围；

所述内部影响因素包括：实例名称，实例中的任务数量，用户编号，用户当时的任务信息，待办用户任务的优先级指数，待办用户任务依赖的上一个任务的信息和后一个任务的信息，待办用户任务上一任务的处理方式，待办用户任务处理的所在日期和星期。

可选的，在根据所述因素和预先训练好的分类模型，得到每个待办用户任务的排序序号以及对应概率之前，还包括：

对所述因素进行数值编码转换。

可选的，所述分类模型为逻辑回归分类模型。

可选的，在获取多个待办用户任务的信息之前，还包括：

获取多个历史任务的外部影响因素、内部影响因素和执行顺序；

将外部影响因素和内部影响因素的特征向量作为输入，将所述执行顺序作为标签，对所述分类模型进行训练。

可选的，所述对所述分类模型进行训练，包括：

对所述分类模型的超参数进行Gridsearch网格调参，以得到最终的模型超参数。

可选的，所述根据每个序号的概率值大小，确定多个待办用户任务的执行顺序，包括：

按照概率值从大到小的顺序，对多个待办用户任务进行排序。如果概率值相同则并行执行。

可选的，在确定多个待办用户任务的执行顺序之后，还包括：

将多个待办用户任务的信息按执行顺序显示在人机交互界面上，按照所述执行顺序触发多个待办用户任务执行。

第二方面，本申请提供了一种电子设备，包括：存储器和处理器；

其中，在所述存储器中存储有一个或多个计算机程序，所述一个或多个计算机程序包括指令；当所述指令被所述处理器执行时，使得所述电子设备执行任一项半导体芯片制造多任务排序方法。

第三方面，本申请的一些实施例还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令可被处理器执行以实现如上所述的任一项半导体芯片制造多任务排序方法。

相较于现有技术，本申请对工作人员所有待办用户任务的排序处理转成了机器学习分类模型的方式进行预测，改进后，对工作人员各待办用户任务的优先级排序进行预测输出，从而方便工作人员获知当天任务的排序优先级，弥补了该半导体行业用户当天待办用户任务排序的空白，极大提升了相关工作人员的工作效率以及整个生产制造的质量。

附图说明

图1为本申请实施例提供的一种半导体芯片制造多任务排序方法的流程图；

图2为本申请实施例提供的内部影响因素字段的示意图；

图3为本申请实施例提供的外部影响因素字段的示意图；

图4为本申请实施例提供的电子设备的结构图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

实施例一

本申请提供一种半导体芯片制造多任务排序方法，适用于对半导体芯片制造多个待办用户任务的执行顺序进行排序的情况，也就是确定每个待办用户任务的处理优先级。

本申请提供方法可以集成在FFS(Fab Flow System，Fab流程系统)里，其连接有制造执行系统(MES)、统计过程控制系统(SPC)、设备自动化方案(EAP)、配方管理系统(RMS)、良率管理系统(YMS)、缺陷管理系统(DMS)、缺陷自动分类(ADC)、PMS(保养管理系统)等相关业务系统和远程通信，为生产目的提供全方位交互式工作流程的系统。旨在将日常工作、故障探测事件(Trouble shooting case)、异常处理转化为相关流程，并通过信息接收，参数规则启动流程，通过流程已配置的人工或系统节点来解决问题和异常情况，提供高效、可靠的服务。本申请的Fab流程系统从所连接的系统里获取多个待办用户任务的信息，进而确定多个待办处理任务的执行顺序，并触发所连接的系统按顺序执行相应任务。

参见图1，该方法包括：

S11、获取多个待办用户任务的信息。

待办用户任务是针对一个用户的设定时间段的任务。设定时间段可以是当天，任务例如可以是薄膜沉积、光刻胶涂敷、光刻显影、刻蚀、量测、清洗、离子注入等多个环节所产生的任务，每个待办用户任务的信息包括操作设备信息、任务内容、配置参数等等。

多个待办用户任务可以批量录入Fab流程系统中并在人机交互界面上显示，用户可以在人机交互界面上对任务进行增加、删除和修改等操作。

S12、根据每个所述待办用户任务的信息，获取对任务执行顺序有影响的因素。

每个待办用户任务的内容不同，处理所需的时长不同，而且受限于前一个任务、后一个任务以及用户的任务情况，待办用户任务的执行顺序应进行合理设置。

本申请经过大量试验，提炼出对任务执行顺序有影响的内部影响因素和外部影响因素。其中，外部影响因素为运行任务的系统级别的因素，至少包括任务所属的系统类别，chartid，lotid，recipe,equipment,ooc和oos；内部影响因素为待办用户任务本身关联的任务级别的因素，至少包括待办用户任务所属实例名称，实例中的任务数量，用户编号，用户当前的任务信息，任务的优先级指数，依赖的上一个任务的信息和后一个任务的信息，以及上一任务的处理方式。

任务的优先级指数表明了待办用户任务相对其它任务的优先程度。

内部影响因素和外部影响因素中与时间相关的特征都转为时间戳进行处理。

参见图2，内部影响因素包括：

task_id表示编号，instance_name表示实例名称，instance_task_qty实例中的任务数量，user_task1,user_task2,user_task3，user_task4分别为实例中各待办用户任务的名称，省略号代表其余的待办用户任务，user_task1,user_task2,user_task3，user_task4对应列中的1表示有此任务，0表示无此任务。after_task表示当前待办用户任务的后一个任务名称，previous_task表示当前待办用户任务的依赖的上一个任务名称，day表示当前待办用户任务处理所在的日期，week表示当前待办用户任务处理所在的星期，previous_task_process_method为当前待办用户任务的上个任务的处理方式，assignee表示用户编号，assignee_task_qty表示用户当时的任务数量，流转人数为当前待办用户任务的流转人数，duration_time(ms)表示毫秒级的任务处理时长。

参见图3，外部影响因素包括：

task_id表示编号，ChartID表示图表编号，LotID表示批次编号，product_qty表示产品编码，Module表示部门，recipe表示配方，equipment表示设备名称，ooc表示超出控制，oos表示超出范围。

图2和图3中一行代表一组有对应关系的数据，task_id表示一行样本的编号。

S13、根据所述因素和预先训练好的分类模型，得到每个待办用户任务的排序序号以及对应概率。

可选的，对任务外影响因素和和任务内影响因素进行特征提取，得到词向量特征；对词向量特征进行特征工程得到特征向量。

外部影响因素和内部影响因素的表达格式不同一，有的是字符，有的是汉字，有的是数字。为了便于进行AI处理需要首先进行格式化。基于此，对外部影响因素和内部影响因素进行数值编码转换。

针对类别文本特征，会使用LabelEncoder或OneHot编码，转换为数值特征，是特征工程的处理方式。

特征处理是特征工程的核心部分，包括数据预处理、特征选择、降维和归一化等。其中，数据预处理包括补充缺失值、无量钢化、信息冗余等。特征选择可以采用主成分分析法提取对任务排序更有影响的因素，或者在更有影响的因素前施加较大的权重。降维可以降低数据量，提高数据处理速度，归一化可以基于特征矩阵的行，将向量转换为单位向量。

接着，可以对特征向量进行标准型、唯一性和有效性等校验。

将特征向量输入到预先训练好的分类模型中，得到每个待办用户任务的排序序号以及对应概率。

本申请核心在于采用分类模型这种智能方法代替了人工任务排序的过程，分类模型为逻辑回归分类模型，该模型具有实现简单，易于理解和实现；计算代价不高，速度很快，存储资源低的优点。逻辑回归属于线性分类器，通过Logistic函数(Sigmoid函数)，将数据特征映射到0～1区间的一个概率值(样本属于正例的可能性)，通过与0.5的比对得出数据所属的分类。除了逻辑回归分类模型之外，分类模型还可以是GBDT、Xgboost或LightGBM等模型。

本申请将特征多个待办用户任务的特征向量输入到分类模型中，得到多个待办用户任务对应的各排序序号的概率值，一个用户的所有待办用户任务的排序序号的概率值相加为100％。

在获取多个待办用户任务的信息之前，需要对分类模型进行训练，以达到预测排序序号的目的。具体的，获取多个历史任务的外部影响因素、内部影响因素和执行顺序；将外部影响因素和内部影响因素的特征向量作为输入，将所述执行顺序作为标签，对所述分类模型进行训练。

其中，历史任务是已经处理完毕的任务，在多个历史任务处理时，Fab流程系统对其顺序进行统计作为标签。历史任务的外部影响因素和内部影响因素的获取，以及特征向量的获取参见上述描述，此处不再赘述。

在训练分类模型的过程中，对分类模型的超参数进行GridSearch网格调参，找到最优的模型超参数，以及对训练好的模型进行保存。

具体的，导入相关的库/模块，初始化xgb.XGBRegressor模型的默认参数按照顺序，每次选取一个或多个相关参数，给出取值区间，进行GridSearch针对网格搜索给出的最佳参数，再划定更详细的区间，将最优参数精细化找到所有属性的最佳参数，与原始模型进行结果对比，验证是否提高了模型的精度。

对分类模型训练完成后，可以进行待办用户任务的排序序号预测的操作，也就是将多个待办用户任务的特征向量输入至训练好的分类模型中，得到多个待办用户任务的排序序号以及对应概率。

S14、根据每个序号的概率值大小，确定多个待办用户任务的执行顺序。

按照概率值从大到小的顺序，对多个待办用户任务进行排序。如果概率值相同则并行执行。

假设有3个待办用户任务，分别是任务A、任务B和任务C。获取任务A、任务B和任务C的内部影响因素和外部影响因素，并提取特征向量，将任务A、任务B和任务C的特征向量一并输入至分类模型中，得到任务A的概率80％，任务B的概率5％和任务C的概率15％，相加为100％。任务A的概率最大则排第一位，任务C的概率其次则排第二位，任务B的概率最小则排第三位。如果任务A和任务B的概率相同则并行执行。

本申请基于工作流系统内部影响因素和外部影响因素，提取关键特征，通过数据挖掘分析用户历史当天的任务处理排序建立分类模型，基于已建立的机器学习分类模型对工作人员待办任务预测当天任务之间的排序，方便相关工作人员获知自己当天所有的任务之间的处理优先级排序，以提升工作效率。

实施例二

本实施例在上述实施例的基础上进一步优化，具体的，在确定多个待办用户任务的执行顺序之后，还包括：将多个待办用户任务的信息按执行顺序显示在人机交互界面上，按照所述执行顺序触发多个待办用户任务执行。

优选的，为了增加人工操作的灵活性，将每个待办用户任务的排序序号显示在人机交互界面上，用户可以根据业务要求和自己的时间安排，在人机交互界面上调整多个待办用户任务的处理顺序，系统响应于用于对多个待办用户任务的顺序调整操作，按照调整后的顺序触发多个待办用户任务执行。

优选的，越来越多的待办用户任务的特征向量输入，分类模型会输出越来越多的排序序号和概率值，则基于新增的待办用户任务和真实的排序序号，定期对分类模型进行迭代和优化，从而有利于精准预测多个待办用户任务的排序序号。

实施例三

图4是本发明实施例提供的一种电子设备的结构示意图，该电子设备集成有Fab流程系统。

电子设备400包括一个或多个处理器401和存储器402。

处理器401可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备400中的其他组件以执行期望的功能。

存储器402可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器401可以运行所述程序指令，以实现上文所说明的本申请任意实施例的一种半导体芯片制造多任务排序方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如初始外参、阈值等各种内容。

在一个示例中，电子设备400还可以包括：输入装置403和输出装置404，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。该输入装置403可以包括例如键盘、鼠标等等。该输出装置404可以向外部输出各种信息，包括预警提示信息、制动力度等。该输出装置404可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图4中仅示出了该电子设备400中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备400还可以包括任何其他适当的组件。

除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本申请任意实施例所提供的一种半导体芯片制造多任务排序方法的步骤。

作为另一方面，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读存储介质承载有一个或者多个计算机可读指令，所述计算机可读指令可被处理器执行以实现前述本申请的多个实施例的半导体芯片制造多任务排序方法和/或技术方案的步骤。

在本申请一个典型的配置中，终端、服务网络的设备均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读存储介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读存储介质的示例。

计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

附图中的流程图或框图示出了按照本申请各种实施例的设备、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的针对硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其他的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。