本发明涉及半导体集成电路制造，尤其涉及抛光材料去除率分布预测模型训练方法、预测方法、存储介质和终端。
背景技术：
1、硅片的平坦度是晶圆制造领域中关键的质量标准，它直接关联到后续工艺步骤的一致性及芯片性能的稳定性。由于初始形态的硅片难以进行调整，其平坦度主要由抛光阶段的材料去除率(material remove rate,mrr)分布决定。
2、此过程中，mrr分布主要受抛光的工艺参数、抛光垫和抛光液影响。因此，根据硅片的初始形态选择合适的抛光垫、抛光液，并为之设计一整套工艺参数显得至关重要。传统的参数优化方法依赖于手动设计的实验(design of experiments,doe)，人工分析实验数据、总结规律，进而调整参数。但由于工艺、抛光垫和抛光液参数选择空间大，影响机理复杂，人工方法只能提供初步指导，在效率和量化控制方面存在明显挑战，对于mrr分布的优化效果有限。
技术实现思路
1、本申请的目的在于提供一种抛光材料去除率分布预测模型训练方法、预测方法、存储介质和终端，用于解决传统抛光材料去除率分布只能通过人工调整参数来实现优化，其存在局限性，对于mrr分布的优化效果有限。
2、第一方面，本申请提供一种抛光材料去除率分布预测模型训练方法，包括：
3、获取多条抛光材料去除率分布数据，通过可逆降维方法对每条抛光材料去除率分布数据进行降维处理，以获取抛光材料去除率分布数据的分布关键特征；
4、将抛光工艺与抛光垫物性参数集合中每个参数分别与抛光材料去除率分布数据的分布关键特征进行相关性分析，以获取抛光材料去除率分布数据的高相关性工艺和物性参数；
5、将抛光材料去除率分布数据的高相关性工艺和物性参数与分布关键特征集成为训练数据集，基于所述训练数据集对预设网络模型进行训练，以获取抛光材料去除率分布预测模型。
6、于本申请一实施例中，每条抛光材料去除率分布数据均经过清洗及标准化处理，对所述抛光材料去除率分布数据进行清洗及标准化处理包括：
7、所述抛光材料去除率分布数据包括以按半径从小到大进行排列的多个数据点，将所述抛光材料去除率分布数据中的每个所述数据点均减去所述抛光材料去除率分布数据中半径为零的数据点，并将减去所述抛光材料去除率分布数据中半径为零数据点的数据形成数据矩阵。
8、于本申请一实施例中，通过可逆降维方法对每条抛光材料去除率分布数据进行降维处理包括：
9、通过主成分分析法构建双向转换器，通过所述双向转换器对每条抛光材料去除率分布数据进行降维处理；
10、所述双向转换器还用于将所述抛光材料去除率分布预测模型预测到的分布关键特征转换为抛光材料去除率分布数据。
11、于本申请一实施例中，通过所述双向转换器对每条抛光材料去除率分布数据进行降维处理过程中，选定所有抛光材料去除率分布数据中大于等于90％方差被解释时，所对应所选取主成分数量为抛光材料去除率分布数据的降维维度。
12、于本申请一实施例中，通过皮尔森相关系数分析方法，将抛光工艺与抛光垫物性参数集合中每个参数分别与抛光材料去除率分布数据的分布关键特征进行相关性分析。
13、于本申请一实施例中，通过皮尔森相关系数分析方法，将抛光工艺与抛光垫物性参数集合中目标参数与抛光材料去除率分布数据的分布关键特征进行相关性分析包括：
14、计算所述目标参数分别与抛光材料去除率分布数据的分布关键特征中每个关键特征的皮尔森相关系数，以获取每个关键特征所对应的相关系数值，将每个相关系数值分别乘以关键特征对应的可解释方差比并求和，以得到所述目标参数与抛光材料去除率分布数据的分布关键特征的相关值；
15、判断所述相关值是否大于预设成分阈值，若是，则判定所述目标参数为抛光材料去除率分布数据的高相关性工艺和物性参数，否则判定所述目标参数不为抛光材料去除率分布数据的高相关性工艺和物性参数；
16、其中，所述目标参数为所述抛光工艺与抛光垫物性参数集合中任意一个参数；所述相关系数值对应的可解释方差比为所述相关系数值所对应关键特征在抛光材料去除率分布数据中的可解释方差比
17、于本申请一实施例中，所述预设网络模型为多任务岭回归模型。
18、第二方面，本申请提供一种抛光材料去除率分布预测方法，包括：
19、获取待预测抛光工艺与抛光垫物性参数，将所述待预测抛光工艺与抛光垫物性参数输入所述抛光材料去除率分布预测模型训练方法所获取的抛光材料去除率分布预测模型中，以获取预测的分布关键特征；
20、将所述预测的分布关键特征转换为预测抛光材料去除率分布数据。
21、第三方面，本申请提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的抛光材料去除率分布预测模型训练方法或实现所述的抛光材料去除率分布预测方法。
22、第四方面，本申请提供一种终端，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
23、所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如实现所述的抛光材料去除率分布预测模型训练方法或实现所述的抛光材料去除率分布预测方法。
24、与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
25、应用本发明实施例提供的抛光材料去除率分布预测模型训练方法，通过可逆降维方法对抛光材料去除率分布数据进行降维处理，以获取抛光材料去除率分布数据的分布关键特征，通过对抛光工艺与抛光垫物性参数集合中参数与分布关键特征进行相关性分析，以获取抛光材料去除率分布数据的高相关性工艺和物性参数；基于高相关性工艺和物性参数与分布关键特征对训练模型进行训练，以获取可基于参数对分布关键特征进行预测的抛光材料去除率分布预测模型，进一步可将分布关键特征转换为抛光材料去除率分布数据。实现了对硅片抛光后mrr分布的高精度预测，准确度达到纳米级。该方法还能够实现产线端工艺参数和抛光垫的控制与定量优化，从而满足生产线上的高平坦度需求，优化生产效率和产品质量。本发明采用机器学习模型，基于大量实际数据进行学习和预测，提高了决策的科学性和准确性。这种数据驱动的方法能够更准确地理解材料去除过程中的复杂机制，从而实现更精确的控制和优化。
26、本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
1.一种抛光材料去除率分布预测模型训练方法，包括：
2.根据权利要求1所述的训练方法，其特征在于，每条抛光材料去除率分布数据均经过清洗及标准化处理，对所述抛光材料去除率分布数据进行清洗及标准化处理包括：
3.根据权利要求1所述的训练方法，其特征在于，通过可逆降维方法对每条抛光材料去除率分布数据进行降维处理包括：
4.根据权利要求3所述的训练方法，其特征在于，通过所述双向转换器对每条抛光材料去除率分布数据进行降维处理过程中，选定所有抛光材料去除率分布数据中大于等于90％方差被解释时，所对应所选取主成分数量为抛光材料去除率分布数据的降维维度。
5.根据权利要求1所述的训练方法，其特征在于，通过皮尔森相关系数分析方法，将抛光工艺与抛光垫物性参数集合中每个参数分别与抛光材料去除率分布数据的分布关键特征进行相关性分析。
6.根据权利要求5所述的训练方法，其特征在于，通过皮尔森相关系数分析方法，将抛光工艺与抛光垫物性参数集合中目标参数与抛光材料去除率分布数据的分布关键特征进行相关性分析包括：
7.根据权利要求1所述的训练方法，其特征在于，所述预设网络模型为多任务岭回归模型。
8.一种抛光材料去除率分布预测方法，其特征在于，包括：
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任意一项所述的抛光材料去除率分布预测模型训练方法或实现权利要求8中所述的抛光材料去除率分布预测方法。
10.一种终端，其特征在于，包括：处理器以及存储器，所述存储器与所述处理器之间通信连接；
