基于SLGBM模型的智能采样半导体虚拟量测系统

技术领域

本发明涉及半导体制造技术领域，具体而言，涉及一种基于SLGBM(集成随机LightGBM)模型的智能采样半导体虚拟量测方法及系统。

背景技术

目前，在半导体制造中，虚拟量测技术是一种关键的方法，它利用已有的生产数据和高级的数据分析技术(如机器学习)来预测工艺参数，从而优化生产过程。这些参数可能包括半导体器件的尺寸、材料的厚度、成分等，这些通常需要通过复杂的实验和测量来获取。使用虚拟量测技术，可以减少实际的物理测量，节省生产时间和成本，提高生产效率。

在半导体生产中，对晶圆进行采样量测是一种常用的手段，通过选择部分代表性的样本进行量测以降低生产和时间成本。然而，传统的随机采样方法可能无法捕获到数据中的关键信息和模式，导致量测效率降低，使得虚拟量测模型的预测准确性下降。

并且，智能采样技术通过使用更复杂的策略来选择样本，旨在在保持计算效率的同时，提高模型的预测性能。在半导体制造中，结合虚拟量测和智能采样技术，可以有效地提高生产效率和质量控制能力。例如，通过预测工艺参数，然后根据预测的不确定性进行智能采样，可以优化生产过程，提高产品的质量和产量。

现有的半导体虚拟量测系统通常在模型计算速度、数据采样效率、模型预测的准确度、模型的不确定性评估、以及对新数据的处理上存在较大的挑战。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种基于SLGBM模型的智能采样半导体虚拟量测方法及系统，能够改善半导体虚拟量测系统的模型计算速度、数据采样效率、模型预测的准确度、模型的不确定性评估、以及对新数据的处理效果。

根据本发明实施例的一个方面，提供了一种基于SLGBM模型的智能采样半导体虚拟量测方法，包括：

获取预处理后的晶圆历史数据；

随机采样预设数量个随机种子，并根据所述预设数量个随机种子，生成所述预设数量个LightGBM回归器；

基于所述预处理后的晶圆历史数据，对所述预设数量个LightGBM回归器进行模型训练，得到训练完成的所述预设数量个LightGBM回归器；

将训练完成的所述预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；

基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；

对所述目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。

作为一种可选的实施方式，基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量，包括：

对所述待处理的晶圆工艺数据进行数据预处理，得到数据预处理后的目标晶圆工艺数据；

将所述目标晶圆工艺数据输入所述虚拟量测模型，得到所述虚拟量测模型输出的所述目标预测向量；

计算所述目标预测向量的平均值，并对所述平均值进行逆标准化计算，得到所述目标量测预测结果。

作为一种可选的实施方式，所述方法还包括：

基于所述目标预测向量以及所述平均值，计算所述目标预测向量的方差，并将所述方差作为预测不确定度。

作为一种可选的实施方式，所述方法还包括：

如果所述预测不确定度大于预设的阈值、或者所述目标量测预测结果的预测值在工艺窗口外，则对晶圆进行实际量测，得到实际量测结果；

输出所述实际量测结果。

作为一种可选的实施方式，所述方法还包括：

如果所述预测不确定度小于或者等于所述预设的阈值、且所述目标量测预测结果的预测值在工艺窗口内，则将所述目标量测预测结果的预测值作为目标预测值；

输出所述目标预测值。

作为一种可选的实施方式，所述方法还包括：

对于训练完成的所述预设数量个LightGBM回归器，确定每个LightGBM回归器的特征重要度；

将各个LightGBM回归器的特征重要度相加，得到特征重要度向量；

基于所述特征重要度向量进行特征筛选，得到目标模型特征；

基于所述目标模型特征，对所述虚拟量测模型进行模型更新或者模型预测。

作为一种可选的实施方式，所述方法还包括：

获取用于模型增量学习的增量数据集；

对所述虚拟量测模型中每个LightGBM回归器，增加决策树数量，得到更新后的待训练模型；

基于所述增量数据集，对所述更新后的待训练模型进行模型训练，得到更新后的虚拟量测模型。

根据本发明实施例的另一方面，还提供了一种基于SLGBM模型的智能采样半导体虚拟量测系统，包括：

数据获取单元，用于获取预处理后的晶圆历史数据；

LightGBM生成单元，用于随机采样预设数量个随机种子，并根据所述预设数量个随机种子，生成所述预设数量个LightGBM回归器；

模型训练单元，用于基于所述预处理后的晶圆历史数据，对所述预设数量个LightGBM回归器进行模型训练，得到训练完成的所述预设数量个LightGBM回归器；

模型集成单元，用于将训练完成的所述预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；

模型预测单元，用于基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；

结果确定单元，用于对所述目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。

作为一种可选的实施方式，所述模型预测单元具体用于：

对所述待处理的晶圆工艺数据进行数据预处理，得到数据预处理后的目标晶圆工艺数据；

将所述目标晶圆工艺数据输入所述虚拟量测模型，得到所述虚拟量测模型输出的所述目标预测向量；

计算所述目标预测向量的平均值，并对所述平均值进行逆标准化计算，得到所述目标量测预测结果。

作为一种可选的实施方式，所述系统还包括：

不确定度计算单元，用于基于所述目标预测向量以及所述平均值，计算所述目标预测向量的方差，并将所述方差作为预测不确定度。

根据本发明实施例的又一方面，还提供了一种计算设备，所述计算设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行上述基于SLGBM模型的智能采样半导体虚拟量测方法。

根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行上述基于SLGBM模型的智能采样半导体虚拟量测方法。

在本发明实施例中，获取预处理后的晶圆历史数据；随机采样预设数量个随机种子，并根据预设数量个随机种子，生成预设数量个LightGBM回归器；基于预处理后的晶圆历史数据，对预设数量个LightGBM回归器进行模型训练，得到训练完成的预设数量个LightGBM回归器；将训练完成的预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；基于虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；对目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。本发明能够通过集成LightGBM，得到虚拟量测模型，以基于这种集成的LightGBM模型，实现对晶圆工艺数据的量测预测。由于LightGBM是一种轻量级计算模型，采用这种虚拟量测模型，能够有效改善半导体虚拟量测系统的模型计算速度。而模型集成后能够预测量测的不确定性，从而有效改善模型预测的准确度。以及，通过预测不确定度、工艺窗口，决定晶圆是否进行真实量测，或者接受预测值作为量测结果，实现了晶圆工艺数据的智能采样，能够提高数据采样效率。以及，采用增量学习策略，能够实现小样本的模型学习，提高了对新数据的处理效果。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是根据本发明实施例的一种可选的基于SLGBM模型的智能采样半导体虚拟量测方法的流程示意图；

图2是根据本发明实施例的一种可选的基于SLGBM模型的智能采样半导体虚拟量测系统的结构示意图；

图3示意性地示出了本发明实施例的一种介质的结构示意图；

图4示意性地示出了本发明实施例的一种计算设备的结构示意图；

图5示意性地示出了本发明实施例的一种可选的智能采样系统的工作流程示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面参考图1，图1为本发明一实施例提供的基于SLGBM模型的智能采样半导体虚拟量测方法的流程示意图。需要注意的是，本发明的实施方式可以应用于适用的任何场景。

图1所示的本发明一实施例提供的基于SLGBM模型的智能采样半导体虚拟量测方法的流程，包括：

步骤S101，获取预处理后的晶圆历史数据。

在本实施例中，执行主体可以为终端设备、服务器等电子设备。

其中，预处理后的晶圆历史数据可以用于作为样本，对虚拟量测模型进行训练。具体的，晶圆历史数据可以包含机台FDC(故障检测与分类)系统和Recipe(工艺配方)以及量测结果的历史数据。在得到晶圆历史数据之后，可以对晶圆历史数据进行数据清洗和标准化，以消除无关变量和噪音，使数据满足模型的输入要求，得到预处理后的晶圆历史数据。

其中，半导体制造中的化学气相沉积(CVD)工艺是一种用于制造半导体的关键过程。在这个过程中，气体或蒸汽通过化学反应在基片上形成薄膜。CVD工艺机台能够获得大量的数据，这些数据可以用于监控和优化生产过程。以下是一些例子：

工艺配方数据：这些数据包括用于CVD过程的各种输入参数，如气体类型、气体流量、压力、温度、时间等。例如，气体流量数据可能包括气体的种类、流量、压力和温度。这些数据可以帮助工程师理解和控制CVD过程，以优化产品质量和产量。

传感器数据：CVD机台上的各种传感器可以提供大量的实时数据，这些数据可以用于监控和控制CVD过程。例如，温度传感器可以提供关于反应室温度的数据，压力传感器可以提供关于反应室内压力的数据，流量计可以提供关于气体流量的数据。此外，还可能有用于监测薄膜厚度、成分和结构的传感器。

步骤S102，随机采样预设数量个随机种子，并根据所述预设数量个随机种子，生成所述预设数量个LightGBM回归器。

在本实施例中，执行主体可以随机生成十个LightGBM(轻量梯度提升树模型)回归器，并将上述预处理后的晶圆历史数据输入到这十个回归器中进行训练。可以理解，这里的十个仅为示例，在实际应用中，可以基于实际需求选择其他数量个随机种子，本实施例对此不做限定。

其中，训练完成后，获取每个模型的特征重要度，并将这些特征重要度相加，生成一个特征重要度向量。这个向量然后被用来进行特征筛选，确定预测结果最佳的特征数量n。最后，仅保留特征重要性排名前n的特征，输入后续模型进行训练和预测。当初始虚拟量测模型建立后，输入新数据仅需进行数据清洗和标准化，并保留n个重要特征。

步骤S103，基于所述预处理后的晶圆历史数据，对所述预设数量个LightGBM回归器进行模型训练，得到训练完成的所述预设数量个LightGBM回归器。

在本实施例中，执行主体可以将预处理后的晶圆历史数据输入到预设数量个LightGBM回归器进行模型训练，得到训练完成的所述预设数量个LightGBM回归器。

步骤S104，将训练完成的所述预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型。

在本实施例中，执行主体可以将预设数量个LightGBM回归器集成到一个SLGBM模型中，从而得到虚拟量测模型。

其中，虚拟量测模型用于基于新的工艺数据对量测结果进行预测，得到一个长度为n的预测向量。预测向量的平均值经过逆标准化计算后，即得到虚拟量测模型的预测结果。最后，计算预测向量的方差以得到虚拟量测模型对于输入数据预测结果的不确定性。

其中，LightGBM模型是一种开源的机器学习模型，而本申请提出的SLGBM(stochastic LightGBM)是通过随机采样的方法生成多个LightGBM模型，并将其进行集成后生成的模型，也可以叫做集成LightGBM模型。

步骤S105，基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量。

在本实施例中，将待处理的晶圆工艺数据输入虚拟量测模型，即可得到虚拟量测模型输出的目标预测向量。其中，目标预测向量为一个长度为n的预测向量。预测向量的平均值经过逆标准化计算后，即得到虚拟量测模型的预测结果。最后，计算预测向量的方差以得到虚拟量测模型对于输入数据预测结果的不确定性。

步骤S106，对所述目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。

在本实施例中，逆标准化计算即为基于平均值和方差，计算得到原始值的过程。之后，可以将原始值作为目标量测预测结果。

作为一种可选的实施方式，基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量，包括：

对所述待处理的晶圆工艺数据进行数据预处理，得到数据预处理后的目标晶圆工艺数据；

将所述目标晶圆工艺数据输入所述虚拟量测模型，得到所述虚拟量测模型输出的所述目标预测向量；

计算所述目标预测向量的平均值，并对所述平均值进行逆标准化计算，得到所述目标量测预测结果。

在本实施方式中，执行主体可以先获取待处理的晶圆工艺数据，然后对待处理的晶圆工艺数据进行数据预处理，得到数据预处理后的目标晶圆工艺数据。之后，将目标晶圆工艺数据输入虚拟量测模型，基于虚拟量测模型，得到预测结果。其中，虚拟量测模型输出的预测结果可以为一个长度为n的预测向量，通过计算计算所述目标预测向量的平均值，并对所述平均值进行逆标准化计算，得到所述目标量测预测结果。

作为一种可选的实施方式，所述方法还包括：

基于所述目标预测向量以及所述平均值，计算所述目标预测向量的方差，并将所述方差作为预测不确定度。

在本实施方式中，执行主体在计算得到目标量测预测结果的同时，还可以计算目标预测向量的方差，并将方差作为预测不确定度。

作为一种可选的实施方式，所述方法还包括：

如果所述预测不确定度大于预设的阈值、或者所述目标量测预测结果的预测值在工艺窗口外，则对晶圆进行实际量测，得到实际量测结果；

输出所述实际量测结果。

在本实施方式中，如果预测结果在工艺窗口外或预测不确定度高于阈值，那么对该晶圆进行实际量测，得到真实的量测结果。

请一并参阅图5，图5示意性地示出了本发明实施例的一种可选的智能采样系统的工作流程示意图，如图5所示，智能采样系统在进行智能采样时，可以先输入新的晶圆工艺数据，并对新的晶圆工艺数据进行数据预处理，得到预处理后的数据。之后，将预处理后的数据输入虚拟量测模型，得到预测值和预测不确定度。判断预测不确定度是否大于阈值，以及判断预测值是否在工艺窗口外。如果预测结果在工艺窗口外或预测不确定度高于阈值，则对该晶圆进行实际量测，得到真实量测结果。如果预测结果在工艺窗口内且预测的不确定度低于阈值，则接受预测结果作为最终的量测结果。

作为一种可选的实施方式，所述方法还包括：

如果所述预测不确定度小于或者等于所述预设的阈值、且所述目标量测预测结果的预测值在工艺窗口内，则将所述目标量测预测结果的预测值作为目标预测值；

输出所述目标预测值。

在本实施方式中，如果预测结果在工艺窗口内且预测的不确定度低于阈值，那么接受预测结果作为量测数据。

作为一种可选的实施方式，所述方法还包括：

对于训练完成的所述预设数量个LightGBM回归器，确定每个LightGBM回归器的特征重要度；

将各个LightGBM回归器的特征重要度相加，得到特征重要度向量；

基于所述特征重要度向量进行特征筛选，得到目标模型特征；

基于所述目标模型特征，对所述虚拟量测模型进行模型更新或者模型预测。

在本实施方式中，对于训练完成的所述预设数量个LightGBM回归器，确定每个LightGBM回归器的特征重要度。如对n个LightGBM回归器，确定每个LightGBM回归器的特征重要度。再将n个LightGBM回归器的特征重要度相加，得到特征重要度向量。其中，特征重要度向量用来进行特征筛选，确定预测结果最佳的特征数量n。保留特征重要性排名前n的特征，作为上述目标模型特征。这些目标模型特征可以用来输入后续模型进行训练和预测。当初始虚拟量测模型建立后，输入新数据仅需进行数据清洗和标准化，并保留n个重要特征。

作为一种可选的实施方式，所述方法还包括：

获取用于模型增量学习的增量数据集；

对所述虚拟量测模型中每个LightGBM回归器，增加决策树数量，得到更新后的待训练模型；

基于所述增量数据集，对所述更新后的待训练模型进行模型训练，得到更新后的虚拟量测模型。

在本实施方式中，虚拟量测模型的增量学习通过将新数据集输入集成模型，以原有的模型作为预训练模型，并生成数个新的决策树，对原模型对新数据的预测误差进行学习，它可以从已有的模型开始，而不是从零开始。这种方法的主要优点在于，可以在原模型的基础上继续学习新的数据，从而避免了完全重新训练模型的计算成本。

其中，这里生成新的决策树，是指在每个已有的LightGBM模型中增加决策树数量(LightGBM模型是对数个决策树进行集成的模型)。

综上，通过集成的LightGBM模型，提高了模型的泛化能力，使其能够在半导体制造过程中更准确地预测晶圆的量测值，同时利用LightGBM的轻量计算也显著降低了计算成本。并且，本申请通过模型集成可以获取预测系统预测结果的不确定性，从而对预测结果的可靠性进行量化和解释。进一步地，本申请还引入了智能采样机制，以提高采样效率，最后，通过采用增量学习策略，实现了小样本的模型学习，从而降低了计算资源的消耗。

在本发明实施例中，获取预处理后的晶圆历史数据；随机采样预设数量个随机种子，并根据预设数量个随机种子，生成预设数量个LightGBM回归器；基于预处理后的晶圆历史数据，对预设数量个LightGBM回归器进行模型训练，得到训练完成的预设数量个LightGBM回归器；将训练完成的预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；基于虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；对目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。本发明能够改善半导体虚拟量测系统的模型计算速度、数据采样效率、模型预测的准确度、模型的不确定性评估、以及对新数据的处理效果。

在介绍了本发明示例性实施方式的方法之后，接下来，参考图2对本发明示例性实施方式的一种基于SLGBM模型的智能采样半导体虚拟量测装置，包括：

数据获取单元201，用于获取预处理后的晶圆历史数据；

LightGBM生成单元202，用于随机采样预设数量个随机种子，并根据所述预设数量个随机种子，生成所述预设数量个LightGBM回归器；

模型训练单元203，用于基于所述预处理后的晶圆历史数据，对所述预设数量个LightGBM回归器进行模型训练，得到训练完成的所述预设数量个LightGBM回归器；

模型集成单元204，用于将训练完成的所述预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；

模型预测单元205，用于基于所述虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；

结果确定单元206，用于对所述目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。

作为一种可选的实施方式，所述模型预测单元205具体用于：

对所述待处理的晶圆工艺数据进行数据预处理，得到数据预处理后的目标晶圆工艺数据；

将所述目标晶圆工艺数据输入所述虚拟量测模型，得到所述虚拟量测模型输出的所述目标预测向量；

计算所述目标预测向量的平均值，并对所述平均值进行逆标准化计算，得到所述目标量测预测结果。

作为一种可选的实施方式，所述系统还包括：

不确定度计算单元，用于基于所述目标预测向量以及所述平均值，计算所述目标预测向量的方差，并将所述方差作为预测不确定度。

作为一种可选的实施方式，所述系统还包括：

结果输出单元，用于如果所述预测不确定度大于预设的阈值、或者所述目标量测预测结果的预测值在工艺窗口外，则对晶圆进行实际量测，得到实际量测结果；输出所述实际量测结果。

作为一种可选的实施方式，所述结果输出单元还用于：

如果所述预测不确定度小于或者等于所述预设的阈值、且所述目标量测预测结果的预测值在工艺窗口内，则将所述目标量测预测结果的预测值作为目标预测值；

输出所述目标预测值。

作为一种可选的实施方式，所述系统还包括：

模型处理单元，用于对于训练完成的所述预设数量个LightGBM回归器，确定每个LightGBM回归器的特征重要度；将各个LightGBM回归器的特征重要度相加，得到特征重要度向量；基于所述特征重要度向量进行特征筛选，得到目标模型特征；基于所述目标模型特征，对所述虚拟量测模型进行模型更新或者模型预测。

作为一种可选的实施方式，所述系统还包括：

模型更新单元，用于获取用于模型增量学习的增量数据集；对所述虚拟量测模型中每个LightGBM回归器，增加决策树数量，得到更新后的待训练模型；基于所述增量数据集，对所述更新后的待训练模型进行模型训练，得到更新后的虚拟量测模型。

在本发明实施例中，获取预处理后的晶圆历史数据；随机采样预设数量个随机种子，并根据预设数量个随机种子，生成预设数量个LightGBM回归器；基于预处理后的晶圆历史数据，对预设数量个LightGBM回归器进行模型训练，得到训练完成的预设数量个LightGBM回归器；将训练完成的预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；基于虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；对目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。本发明能够改善半导体虚拟量测系统的模型计算速度、数据采样效率、模型预测的准确度、模型的不确定性评估、以及对新数据的处理效果。

在介绍了本发明示例性实施方式的方法和装置之后，接下来，参考图3对本发明示例性实施方式的计算机可读存储介质进行说明，请参考图3，其示出的计算机可读存储介质为光盘30，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，获取预处理后的晶圆历史数据；随机采样预设数量个随机种子，并根据预设数量个随机种子，生成预设数量个LightGBM回归器；基于预处理后的晶圆历史数据，对预设数量个LightGBM回归器进行模型训练，得到训练完成的预设数量个LightGBM回归器；将训练完成的预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；基于虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；对目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果；各步骤的具体实现方式在此不再重复说明。

需要说明的是，所述计算机可读存储介质的例子还可以包括，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)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

在介绍了本发明示例性实施方式的方法、介质和装置之后，接下来，参考图4对本发明示例性实施方式的用于基于SLGBM模型的智能采样半导体虚拟量测的计算设备。

图4示出了适于用来实现本发明实施方式的示例性计算设备40的框图，该计算设备40可以是计算机系统或服务器。图4显示的计算设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图4所示，计算设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。

计算设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)4021和/或高速缓存存储器4022。计算设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM4023可以用于读写不可移动的、非易失性磁介质(图4中未显示，通常称为“硬盘驱动器”)。尽管未在图4中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块4024的程序/实用工具4025，可以存储在例如系统存储器402中，且这样的程序模块4024包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块4024通常执行本发明所描述的实施例中的功能和/或方法。

计算设备40也可以与一个或多个外部设备404(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口405进行。并且，计算设备40还可以通过网络适配器406与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图4所示，网络适配器406通过总线403与计算设备40的其它模块(如处理单元401等)通信。应当明白，尽管图4中未示出，可以结合计算设备40使用其它硬件和/或软件模块。

处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如，获取预处理后的晶圆历史数据；随机采样预设数量个随机种子，并根据预设数量个随机种子，生成预设数量个LightGBM回归器；基于预处理后的晶圆历史数据，对预设数量个LightGBM回归器进行模型训练，得到训练完成的预设数量个LightGBM回归器；将训练完成的预设数量个LightGBM回归器集成到一个集成模型中，得到虚拟量测模型；基于虚拟量测模型，对待处理的晶圆工艺数据进行量测预测，得到目标预测向量；对目标预测向量的平均值进行逆标准化计算，得到目标量测预测结果。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了基于SLGBM模型的智能采样半导体虚拟量测装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

此外，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。