所属的技术人员能够理解，本技术的各个方面可以实现为系统、方法或程序产品。因此，本技术的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“平台”。下面参照图4来描述根据本技术的这种实施方式的电子设备600。图4显示的电子设备600仅仅是一个示例，不应对本技术实施例的功能和使用范围带来任何限制。如图4所示，电子设备600以通用计算设备的形式表现。电子设备600的组件可以包括但不限于：至少一个处理单元610、至少一个存储单元620、连接不同系统组件(包括存储单元620和处理单元610)的总线630、显示单元640等。其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元610执行，使得所述处理单元610执行本说明书上述半导体产品良率的人工智能预测方法部分中描述的根据本技术各种示例性实施方式的步骤。例如，所述处理单元610可以执行如图1中所示的步骤。所述存储单元620可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)6201和/或高速缓存存储单元6202，还可以进一步包括只读存储单元(rom)6203。所述存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204，这样的程序模块6205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。总线630可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备600交互的设备通信，和/或与使得该电子设备600能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口650进行。并且，电子设备600还可以通过网络适配器660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。网络适配器660可以通过总线630与电子设备600的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备600使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。所述半导体产品良率预测设备中，所述存储器中的程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤，因此，所述设备也可以获得上述半导体产品良率的人工智能预测方法的技术效果。本技术实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤。在一些可能的实施方式中，本技术的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上执行时，所述程序代码用于使所述终端设备执行本说明书上述半导体产品良率的人工智能预测方法部分中描述的根据本技术各种示例性实施方式的步骤。参考图5所示，描述了根据本技术的实施方式的用于实现上述方法的程序产品800，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上执行。然而，本技术的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本技术操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如python，java、c++，c#等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。所述计算机存储介质中的程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤，因此，所述计算机存储介质也可以获得上述半导体产品良率的人工智能预测方法的技术效果。以上内容是结合具体的优选实施方式对本技术所作的进一步详细说明，不能认定本技术的具体实施只局限于这些说明。对于本技术所属的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本技术的保护范围。
背景技术：
1、随着集成电路技术的快速发展，对于芯片的需求量越来越大。芯片在生产时的良率也至关重要。如何对芯片的良率进行准确的预测以及根据预测结果进行生产工艺设备或工艺的调整是十分重要的问题。现有技术中出现了基于人工智能的半导体芯片良率的人工智能预测方法，其利用芯片生产时的采集数据作为输入，构建人工智能模型，模型通过学习历史数据，来预测产品的良率水平。但是，现有的良率的人工智能预测方法往往都是基于单一模型实现，单一模型无法给出全面的评估和准确的预测，进而影响对良率判断的准确性。
技术实现思路
1、针对现有技术中的问题，本技术的目的在于提供一种半导体产品良率的人工智能预测方法、系统、设备及介质，提高对半导体产品良率预测的全面性、可靠性和准确性。
2、本技术实施例提供一种半导体产品良率的人工智能预测方法，包括：
3、采集半导体产品的样本集数据，所述样本集数据包括训练用生产数据和实际测试良率数据；
4、基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型，各个所述基于人工智能的良率预测模型的输入为生产数据，输出为预测良率；
5、采集待预测的半导体产品的生产数据以及测试良率数据，输入所述基于人工智能的良率预测模型，获得所述基于多个人工智能的良率预测模型的综合的最优人工智能模型；
6、基于所述基于人工智能的最优人工智能模型得到最终输出预测良率。
7、在一些实施例中，采用如下步骤训练各个所述基于人工智能的良率预测模型：
8、将所述训练用生产数据输入各个所述基于人工智能的良率预测模型；
9、对于各个所述基于人工智能的良率预测模型，采用所述基于人工智能的良率预测模型的训练用预测良率和实际测试良率数据构建损失函数，基于所述损失函数反向迭代优化所述基于人工智能的良率预测模型至收敛。
10、在一些实施例中，其特征在于，基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型之后，还包括如下步骤：
11、采集测试集数据，所述测试集数据包括测试用生产数据和实际测试良率数据；
12、将所述测试用生产数据输入各个收敛的所述基于人工智能的良率预测模型，得到各个所述基于人工智能的良率预测模型的测试用预测良率；
13、基于各个所述基于人工智能的良率预测模型的测试用预测良率和实际测试良率数据，计算各个所述基于人工智能的良率预测模型的预测准确率；
14、根据各个所述基于人工智能的良率预测模型的预测准确率，优化用于实际预测的基于人工智能的良率预测模型参数。
15、在一些实施例中，基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型之后，还包括如下步骤：
16、将所述训练用生产数据输入到各个所述基于人工智能的良率预测模型，得到各个基于人工智能的良率预测模型的训练用预测良率；
17、构建多个基于人工智能的良率预测模型的预测良率组合函数，基于所述多个基于人工智能的良率预测模型的训练用预测良率计算训练用组合良率；
18、基于所述训练用组合良率和实际测试良率数据，优化所述预测良率组合函数中对应于各个基于人工智能的良率预测模型的模型系数。
19、在一些实施例中，基于所述基于人工智能的最优人工智能模型得到最终输出预测良率，包括如下步骤：
20、基于多个所述基于人工智能的良率预测模型的预测良率和所述预测良率组合函数，得到最终输出预测良率。
21、在一些实施例中，基于所述基于人工智能的最优人工智能模型得到最终输出预测良率之后，还包括如下步骤：
22、根据所述最终输出预测良率和预设的良率阈值，确定是否进行报警。
23、在一些实施例中，所述采集半导体产品的样本集数据之后，还包括如下步骤：
24、基于预设的数据清洗和处理规则对所述样本集数据进行处理；
25、基于预设的数据特征类别从所述样本集数据中提取训练用生产数据。
26、本技术实施例还提供一种半导体产品良率预测系统，包括所述的半导体产品良率的人工智能预测方法，所述系统包括：
27、数据采集模块，用于采集半导体产品的样本集数据，所述样本集数据包括训练用生产数据和实际测试良率数据；
28、模型训练模块，用于基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型，各个所述基于人工智能的良率预测模型的输入为生产数据，输出为预测良率；
29、数据输入模块，用于采集待预测的半导体产品的生产数据以及测试良率数据，分别输入所述多个基于人工智能的良率预测模型，获得所述基于多个人工智能的良率预测模型的综合的最优人工智能模型；
30、良率输出模块，用于基于所述基于人工智能的最优人工智能模型得到最终输出预测良率。
31、通过采用该半导体产品良率预测系统，首先通过数据采集模块和模型训练模块基于样本集数据训练多个基于人工智能的良率预测模型，然后基于数据输入模块和良率输出模块基于多个基于人工智能的良率预测模型来进行半导体产品的预测，有利于综合多种基于人工智能的良率预测模型的优势，提高对半导体产品良率预测的全面性、可靠性和准确性，及时给出生产过程中的反馈，给生产人员以提示和指导，在良率过低时及时对生产过程进行调整，进而有利于提高半导体产品的生产良率，减少报废率，降低生产成本，缩短良率提升的周期。
32、本技术实施例还提供一种半导体产品良率预测设备，包括：
33、处理器；
34、存储器，其中存储有所述处理器的可执行指令；
35、其中，所述处理器配置为经由执行所述可执行指令来执行所述的半导体产品良率的人工智能预测方法的步骤。
36、所述半导体产品良率预测设备中，所述存储器中的程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤，因此，所述设备也可以获得上述半导体产品良率的人工智能预测方法的技术效果。
37、本技术实施例还提供一种计算机可读存储介质，用于存储程序，所述程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤。
38、所述计算机存储介质中的程序被处理器执行时实现所述的半导体产品良率的人工智能预测方法的步骤，因此，所述计算机存储介质也可以获得上述半导体产品良率的人工智能预测方法的技术效果。
1.一种半导体产品良率的人工智能预测方法，其特征在于，包括：
2.根据权利要求1所述的半导体产品良率的人工智能预测方法，其特征在于，采用如下步骤训练各个所述基于人工智能的良率预测模型：
3.根据权利要求1所述的半导体产品良率的人工智能预测方法，其特征在于，基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型之后，还包括如下步骤：
4.根据权利要求1所述的半导体产品良率的人工智能预测方法，其特征在于，基于所述样本集数据训练多个基于人工智能的良率预测模型，得到多个收敛的基于人工智能的良率预测模型之后，还包括如下步骤：
5.根据权利要求4所述的半导体产品良率的人工智能预测方法，其特征在于，基于所述基于人工智能的最优人工智能模型得到最终输出预测良率，包括如下步骤：
6.根据权利要求1所述的半导体产品良率的人工智能预测方法，其特征在于，基于所述基于人工智能的最优人工智能模型得到最终输出预测良率之后，还包括如下步骤：
7.根据权利要求1所述的半导体产品良率的人工智能预测方法，其特征在于，所述采集半导体产品的样本集数据之后，还包括如下步骤：
8.一种半导体产品良率预测系统，其特征在于，包括权利要求1至7中任一项所述的半导体产品良率的人工智能预测方法，所述系统包括：
9.一种半导体产品良率预测设备，其特征在于，包括：
10.一种计算机可读存储介质，用于存储程序，其特征在于，所述程序被处理器执行时实现权利要求1至7中任一项所述的半导体产品良率的人工智能预测方法的步骤。
