半导体硅片是集成电路制造所需要关键衬底材料,在此领域数据分析备受关注,大数据日益广泛的数据化时代,把大数据策略结合硅片加工制备的工程知识应用于实际的硅片生产制造的研究具有非常实际的应用价值。随着集成电路技术的快速进步,对硅片的品质要求不断提高,传统生产经验和单纯的材料科学的工程知识已经不足以应对多因素交织和复杂多变的实际生产。在硅片品质分析和优化品质方面,以数理统计为背景的数据分析技术逐渐地获得认可,且越来越广泛地应用于生产制造的各方面。随着计算机和互联网技术的飞速进步,数据分析技术在各领域得到应用。数据分析技术与各领域学科交叉形成一些新的学科分支。本文以半导体硅片为研究对象,主旨在于改进硅片的几何参数品质,基于数据挖掘和机器学习策略,对硅片的几何参数检测原始数据(raw-data)进行挖掘和分析,在主体框架上可分为诊断和预报两个部分:在诊断部分,主要是以硅片制造环节中的切割、研磨和酸腐蚀工位的异常品的形状为分析对象,实现了异常品的自动化诊断;在预报部分,主要以酸腐蚀为研究对象,通过分析酸腐蚀剥离去除形状的实验数据,建立了酸腐蚀过程经验模型并求解,在一定程度上可以预报不同工艺条件下酸腐蚀后硅片的形状。特别地,对于当前的酸腐蚀工艺,通过空间统计策略建立酸腐蚀去除剥离形状的空间分布模型,该模型可以用于预报前道工序异常品经过酸腐蚀加工后能否被挽救为合格品。在诊断部分,本文从硅片raw-data中提取了 32个异常品的统计量,并基于这些统计量构造出9个特征值,这9个特征值在组内差异较小,组间差异较显著,可以用于后续的机器学习分类器的训练和验证。随后采用大数据和机器学习方法,为异常硅片进行诊断,结果显示采用大数据和机器学习手段可以实现异常品的自动化诊断,其中采用随机森林分类器对验证集进行诊断的误诊率为0.3%。在预报部分,首先以酸腐蚀过程的工程知识和实验数据为基础,建立和求解酸腐蚀经验模型,模型预报均方误差平均值为0.061um,最大值为0.139um,酸腐蚀的经验模型的建模、求解过程是预报酸腐蚀不同工艺条件下腐蚀去除量在硅片上的空间分布的重要方法;随后,在当前的酸腐蚀工艺保持不变的条件下,采用大数据技术,建立酸腐蚀剥离去除形状的空间分布模型,模型的均方误差为0.028952um,此空间分布数据模型可以用于诊断酸腐蚀过程是否出现异常,也可以用于预报通过酸腐蚀挽救前道工序异常品的成功率。