CN105989372A - 识别重要且次要因素不敏感的痕迹特征的方法设备和系统 - Google Patents
识别重要且次要因素不敏感的痕迹特征的方法设备和系统 Download PDFInfo
- Publication number
- CN105989372A CN105989372A CN201610157620.5A CN201610157620A CN105989372A CN 105989372 A CN105989372 A CN 105989372A CN 201610157620 A CN201610157620 A CN 201610157620A CN 105989372 A CN105989372 A CN 105989372A
- Authority
- CN
- China
- Prior art keywords
- indication character
- computer
- residual error
- recurrence
- indication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000012141 concentrate Substances 0.000 claims 2
- 239000000463 material Substances 0.000 description 30
- 238000004590 computer program Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000004065 semiconductor Substances 0.000 description 7
- 238000005299 abrasion Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000011017 operating method Methods 0.000 description 3
- 238000005498 polishing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007669 thermal treatment Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Factory Administration (AREA)
- Mechanical Treatment Of Semiconductor (AREA)
Abstract
提供了一种用于识别重要的且次要因素不敏感的痕迹特征的方法、设备和计算机系统。计算机计算一个或多个次要因素对目标的第一回归中的残差。所述计算机计算所述一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差。所述计算机对于所述一个或多个痕迹特征集,计算所述第二回归中的残差对所述第一回归中的残差的第三回归中的确定系数。所述计算机通过对所述确定系数排序,对所述一个或多个痕迹特征集排名。所述计算机基于对所述一个或多个痕迹特征集的排名,确定重要痕迹特征集。
Description
技术领域
本发明一般涉及计算机实施的分析,并且更具体地涉及在半导体制造中识别重要的且耗材不敏感(consumable-insensitive)的痕迹(trace)特征。
背景技术
在半导体制造中,每天工程师都想要识别痕迹特征或痕迹特征集,诸如,特定压力、温度、气流等。这些痕迹特征或痕迹特征集使得半导体制造中的工艺的输出不规范或偏离目标。例如,高压可导致薄膜的沉积低于规范。找到500万个需要由工程师在特定运行中区分或排序的潜在痕迹特征并不罕见。
存在许多次要因素或耗材,诸如时间漂移、设备的使用年限、抛光垫的磨损、环境因素、以及其它次要因素。频繁地,次要因素或耗材导致痕迹特征和目标两者的改变。例如,快速热处理(RTP)的旧工具可能具有脏的玻璃膜,或者其可能蒙上了一层雾,从而需要灯以消耗更多电力且运行得更热。
发明内容
在一方面,提供一种用于识别重要的且次要因素不敏感的痕迹特征的方法。该方法由计算机实施。该方法包括:计算一个或多个次要因素对目标的第一回归中的残差。该方法还包括:计算一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差。该方法还包括:对于一个或多个痕迹特征集,计算第二回归中的残差对第一回归中的残差的第三回归中的确定系数。该方法还包括:通过对确定系数排序,对一个或多个痕迹特征集排名。该方法还包括:基于对一个或多个痕迹特征集的排名,确定重要痕迹特征集。
在另一方面,提供一种用于识别重要的且次要因素不敏感的痕迹特征的计算机程序产品。该计算机程序产品包括将程序代码包含其中的计算机可读存储介质。该程序代码可被执行以:计算一个或多个次要因素对目标的第一回归中的残差;计算一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差;对于一个或多个痕迹特征集,计算第二回归中的残差对第一回归中的残差的第三回归中的确定系数;通过对确定系数排序,对一个或多个痕迹特征集排名;以及基于对一个或多个痕迹特征集的排名,确定重要痕迹特征集。
在又一方面,提供一种用于识别重要的且次要因素不敏感的痕迹特征的计算机系统。该计算机系统包括一个或多个处理器、一个或多个计算机可读有形存储设备、以及存储在所述一个或多个计算机可读有形存储设备中的至少一个上、用于由所述一个或多个处理器中的至少一个执行的程序指令。该程序指令可被执行以计算一个或多个次要因素对目标的第一回归中的残差。该程序指令还可被执行以计算一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差。该程序指令还可被执行以对于一个或多个痕迹特征集,计算第二回归中的残差对第一回归中的残差的第三回归中的确定系数。该程序指令还可被执行以通过对确定系数排序,对一个或多个痕迹特征集排名。该程序指令还可被执行以基于对一个或多个痕迹特征集的排名,确定重要痕迹特征集。
附图说明
图1是示出根据本发明的一个实施例的、呈现对当前方法以及本发明的该方法的直观解释的维恩(Venn)图的图。
图2是示出根据本发明的一个实施例的、用于识别重要的且耗材不敏感的痕迹特征的操作步骤的流程图。
图3是图示根据本发明的一个实施例的、承载(host)用于识别重要且耗材不敏感的痕迹特征的计算机程序的计算机设备的组件的图。
具体实施方式
本发明的实施例公开了一种用于解决半导体制造中的新问题的方法。该方法用于基于痕迹特征所携带的关于目标测量以及以上基于次要因素或耗材的相关性的信息,识别重要痕迹特征或痕迹特征集并对其排名。痕迹特征或痕迹特征集可使得半导体制造中的工艺的输出不规范或偏离目标。痕迹特征包括但不限于特定压力、温度、以及气流。次要因素或耗材(诸如,时间漂移、设备的使用年限、抛光垫的磨损、环境因素、以及其它这样的次要因素(耗材))可导致痕迹特征和目标两者的改变。在这样的情形中,本发明的该方法降低痕迹特征与目标之间的相关性的价值,这是因为,它们不是真正的因果关系,并且痕迹特征和目标均被次要因素或耗材影响。
图1是示出根据本发明的一个实施例的、呈现对当前方法以及本发明的该方法的直观解释的维恩图的图。图1A中所示的维恩图中的阴影区域101表示当前方法试图量化的信息,而图1B中所示的维恩图中的阴影区域102表示本发明的该方法试图量化的信息。如图1A中所示,当前方法试图捕捉痕迹特征F与目标Y之间的关系的本质。然而,如图1B中所示,本发明的该方法试图在给出次要特征或耗材(G)的情况下捕捉痕迹特征(F)与目标(Y)之间的关系的本质。在本发明的该方法中,通过将相对于次要因素或耗材(G)的、痕迹特征(F)的残差对目标(Y)的残差进行回归,执行上述量化。
简单的示例说明本发明的该方法与当前方法之间的区别。在此示例中,假设:(1)痕迹特征集(F)包括f1和f2:F={f1,f2},,(2)次要因素或耗材集(G)包括g:G={g},以及(3)目标是Y。假定f1=g、并且f1与Y之间的相关系数等于1(corr(f1,Y)=1)。假定f2不同于g、并且f2与Y之间的相关系数等于0.9(corr(f2,Y)=0.9)。在这些条件下,当前方法和本发明的该方法呈现痕迹特征的不同排名。通过当前方法,f1是比f2更重要的痕迹特征;然而,通过本发明的该方法,f2是比f1更重要的痕迹特征。
图2是示出根据本发明的一个实施例的、用于识别重要的且耗材不敏感的痕迹特征的操作步骤的流程图200。操作步骤由驻留在图3中所示的计算机设备300上的一个或多个计算机程序实施,将在此文档的稍后段落中详细讨论该计算机设备300。
在步骤201,一个或多个计算机程序接收一个或多个痕迹特征集(F)的输入。一个或多个痕迹特征集(F)包括一个或多个痕迹特征。一个或多个痕迹特征集(F)被写为如下:
F={{f1,1,f1,2,...},{f2,1,f2,2,...},...,{fn,1,fn,2,...}}
其中,一个或多个痕迹特征集(F)包括n个集,所述集中的相应一个包括特定数目的痕迹特征,f1,1是第一集的第一痕迹特征,f1,2是第一集的第二痕迹特征,f2,1是第二集的第一痕迹特征,f2,2是第二集的第二痕迹特征,fn,1是第n集的第一痕迹特征,并且fn,2是第n集的第二痕迹特征。例如,所述痕迹特征包括特定压力、温度、气流等。
在步骤203,一个或多个计算机程序接收一个或多个次要因素或耗材(G)的输入。一个或多个次要因素或耗材(G)可以被写为:
G={g1,g2,.....}
其中,一个或多个次要因素或耗材(G)包括第一次要因素或耗材g1、第二次要因素或耗材g2等。例如,一个或多个次要因素或耗材包括时间漂移、设备的使用年限、抛光垫的磨损、环境因素、以及其它次要因素(耗材)。
在步骤205,一个或多个计算机程序接收目标或测量(Y)的输入。目标或测量是半导体制造工艺的预定规范。
在步骤207,一个或多个计算机程序通过将一个或多个次要因素或耗材(G)对目标进行回归,计算一个或多个次要因素或耗材(G)和目标(Y)的残差。在此步骤,一个或多个计算机程序计算目标(Y)中无法通过一个或多个次要因素或耗材(G)建模的信息。一个或多个次要因素或耗材(G)和目标(Y)的残差由rG,Y表示。
在步骤209,一个或多个计算机程序通过将一个或多个次要因素或耗材(G)对一个或多个痕迹特征集(F)中的一个或多个痕迹特征的每个进行回归,计算与一个或多个痕迹特征对应的残差。在此步骤,一个或多个计算机程序计算一个或多个痕迹特征集(F)中无法通过一个或多个次要因素或耗材(G)建模的额外信息。与一个或多个痕迹特征对应的残差可以被写为如下:
其中,表示与作为一个或多个痕迹特征集(F)中的第一集的{f1,1,f1,2,...}对应的残差集,表示与作为一个或多个痕迹特征集(F)中的第二集的{f2,1,f2,2,...}对应的残差集,并且表示与作为一个或多个痕迹特征集(F)中的第n集的{fn,1,fn,2,...}对应的残差集。
在步骤211,一个或多个计算机程序计算在步骤209确定的残差对在步骤207确定的残差的回归,并计算对于一个或多个痕迹特征集(F)的回归的确定系数(R2)。在此步骤,获得包括n个确定系数的R2集。n个确定系数分别对应于一个或多个痕迹特征集(F)。R2集可以被写为如下:
R2={(R2)1,(R2)2,...,(R2)n}
其中,(R2)1表示与作为一个或多个痕迹特征集(F)中的第一集的{f1,1,f1,2,...}对应的确定系数,(R2)2表示与作为一个或多个痕迹特征集(F)中的第二集的{f2,1,f2,2,...}对应的确定系数,并且(R2)n表示与作为一个或多个痕迹特征集(F)中的第n集的{fn,1,fn,2,...}对应的确定系数。在此步骤,一个或多个计算机程序计算在一个或多个次要因素或耗材(G)之外、一个或多个痕迹特征集(F)具有关于目标(Y)的多少信息。如果与痕迹特征集对应的确定系数的值更高,该痕迹特征集就更重要。
在步骤213,一个或多个计算机程序通过对n个确定系数((R2)1,(R2)2,...,(R2)n)排序,对一个或多个痕迹特征集(F)排名。例如,可以以降序对n个确定系数((R2)1,(R2)2,...,(R2)n)排序,其中从高重要性到低重要性对一个或多个痕迹特征集排名。在步骤215,一个或多个计算机程序基于一个或多个痕迹特征集(F)的排名,确定重要的且耗材不敏感的痕迹特征。
图3是图示根据本发明的一个实施例的、承载用于识别重要的且耗材不敏感的痕迹特征的计算机程序的计算机设备300的组件的图。应理解,图3关于可以实施不同实施例的环境,仅提供对一个实施方式的图示,而不暗示对该环境的任何限制。
参考图3,计算机设备300包括处理器320、存储器310、有形存储设备330。在图3中,计算设备300的上述组件之间的通信由标号390表示。存储器310包括ROM(只读存储器)311、RAM(随机存取存储器)313、以及高速缓存315。一个或多个操作系统331以及一个或多个计算机程序333驻留在一个或多个计算机可读有形存储设备330上。用于识别重要的、耗材不敏感的痕迹特征的计算机程序驻留在一个或多个计算机可读有形存储设备330上。计算设备300还包括I/O接口350。I/O接口350允许通过可以连接至计算设备300的外部设备360输入和输出数据。计算设备300还包括用于在计算设备300与计算机网络之间的通信的网络接口340。
本发明可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网(LAN)、广域网(WAN)和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
Claims (15)
1.一种用于识别重要的且次要因素不敏感的痕迹特征的方法,该方法包括:
由计算机计算一个或多个次要因素对目标的第一回归中的残差;
由所述计算机计算所述一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差;
由所述计算机对于所述一个或多个痕迹特征集,计算所述第二回归中的残差对所述第一回归中的残差的第三回归中的确定系数;
由所述计算机通过对所述确定系数排序,对所述一个或多个痕迹特征集排名;以及
由所述计算机基于对所述一个或多个痕迹特征集的排名,确定重要痕迹特征集。
2.如权利要求1所述的方法,还包括:
由所述计算机将所述一个或多个次要因素对所述目标进行回归。
3.如权利要求1所述的方法,还包括:
由所述计算机将所述一个或多个次要因素对所述一个或多个痕迹特征集中的一个或多个痕迹特征的每个进行回归。
4.如权利要求1所述的方法,还包括:
由所述计算机将所述第二回归中的残差对所述第一回归中的残差进行回归。
5.如权利要求1所述的方法,还包括:
由所述计算机接收所述一个或多个痕迹特征集的输入;
由所述计算机接收所述一个或多个次要因素的输入;以及
由所述计算机接收所述目标的输入。
6.一种用于识别重要的且次要因素不敏感的痕迹特征的设备,该设备包括:
被配置为计算一个或多个次要因素对目标的第一回归中的残差的模块;
被配置为计算所述一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差的模块;
被配置为对于所述一个或多个痕迹特征集计算所述第二回归中的残差对所述第一回归中的残差的第三回归中的确定系数的模块;
被配置为通过对所述确定系数排序而对所述一个或多个痕迹特征集排名的模块;以及
被配置为基于对所述一个或多个痕迹特征集的排名确定重要痕迹特征集的模块。
7.如权利要求6所述的设备,还包括:
被配置为将所述一个或多个次要因素对所述目标进行回归的模块。
8.如权利要求6所述的设备,还包括:
被配置为将所述一个或多个次要因素对所述一个或多个痕迹特征集中的一个或多个痕迹特征的每个进行回归的模块。
9.如权利要求6所述的设备,还包括:
被配置为将所述第二回归中的残差对所述第一回归中的残差进行回归的模块。
10.如权利要求6所述的设备,还包括:
被配置为接收所述一个或多个痕迹特征集的输入的模块;
被配置为接收所述一个或多个次要因素的输入的模块;以及
被配置为接收所述目标的输入的模块。
11.一种用于识别重要的且次要因素不敏感的痕迹特征的计算机系统,该计算机系统包括:
一个或多个处理器、一个或多个计算机可读有形存储设备、以及存储在所述一个或多个计算机可读有形存储设备中的至少一个上、用于由所述一个或多个处理器中的至少一个执行的程序指令,所述程序指令可被执行以:
计算一个或多个次要因素对目标的第一回归中的残差;
计算所述一个或多个次要因素对一个或多个痕迹特征集中的一个或多个痕迹特征的每个的第二回归中的残差;
对于所述一个或多个痕迹特征集,计算所述第二回归中的残差对所述第一回归中的残差的第三回归中的确定系数;
通过对所述确定系数排序,对所述一个或多个痕迹特征集排名;以及
基于对所述一个或多个痕迹特征集的排名,确定重要痕迹特征集。
12.如权利要求11所述的计算机系统,还包括程序指令,其可被执行以:
将所述一个或多个次要因素对所述目标进行回归。
13.如权利要求11所述的计算机系统,还包括程序指令,其可被执行以:
将所述一个或多个次要因素对所述一个或多个痕迹特征集中的一个或多个痕迹特征的每个进行回归。
14.如权利要求11所述的计算机系统,还包括程序指令,其可被执行以:
将所述第二回归中的残差对所述第一回归中的残差进行回归。
15.如权利要求11所述的计算机系统,还包括程序指令,其可被执行以:
接收所述一个或多个痕迹特征集的输入;
接收所述一个或多个次要因素的输入;以及
接收所述目标的输入。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/663,628 US9915942B2 (en) | 2015-03-20 | 2015-03-20 | System and method for identifying significant and consumable-insensitive trace features |
US14/663,628 | 2015-03-20 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105989372A true CN105989372A (zh) | 2016-10-05 |
CN105989372B CN105989372B (zh) | 2019-11-26 |
Family
ID=56924765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610157620.5A Active CN105989372B (zh) | 2015-03-20 | 2016-03-18 | 识别重要且次要因素不敏感的痕迹特征的方法设备和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US9915942B2 (zh) |
CN (1) | CN105989372B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689144A (zh) * | 2020-09-11 | 2021-11-23 | 北京沃东天骏信息技术有限公司 | 产品描述的质量评定系统和方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11062216B2 (en) * | 2017-11-21 | 2021-07-13 | International Business Machines Corporation | Prediction of olfactory and taste perception through semantic encoding |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100249976A1 (en) * | 2009-03-31 | 2010-09-30 | International Business Machines Corporation | Method and system for evaluating a machine tool operating characteristics |
US20110276170A1 (en) * | 2010-05-06 | 2011-11-10 | International Business Machines Corporation | Enhancing investigation of variability by inclusion of similar objects with known differences to the original ones |
CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
CN103314378A (zh) * | 2010-08-23 | 2013-09-18 | 回忆系统公司 | 智能存储器系统编译器 |
CN103972854A (zh) * | 2014-04-17 | 2014-08-06 | 公安部四川消防研究所 | 一种利用电弧痕迹判断电气短路火灾的方法 |
CN105184323A (zh) * | 2015-09-15 | 2015-12-23 | 广州唯品会信息科技有限公司 | 特征选择方法及系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6374197B1 (en) | 1999-05-10 | 2002-04-16 | The United States Of America As Represented By The Secretary Of The Navy | Fuzzy logic based model assessment system and method for contact tracking |
US7072049B2 (en) | 2003-02-03 | 2006-07-04 | Timbre Technologies, Inc. | Model optimization for structures with additional materials |
TW200632719A (en) * | 2004-09-17 | 2006-09-16 | Mks Instr Inc | Multivariate control of semiconductor processes |
US7539585B2 (en) | 2007-06-14 | 2009-05-26 | International Business Machines Corporation | System and method for rule-based data mining and problem detection for semiconductor fabrication |
US20100017009A1 (en) | 2008-06-30 | 2010-01-21 | International Business Machines Corporation | System for monitoring multi-orderable measurement data |
JP5048625B2 (ja) | 2008-10-09 | 2012-10-17 | 株式会社日立製作所 | 異常検知方法及びシステム |
US7962302B2 (en) | 2008-12-08 | 2011-06-14 | International Business Machines Corporation | Predicting wafer failure using learned probability |
JP2011145846A (ja) | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
US8533635B2 (en) | 2010-01-20 | 2013-09-10 | International Business Machines Corporation | Rule-based root cause and alias analysis for semiconductor manufacturing |
US8285409B2 (en) | 2010-05-11 | 2012-10-09 | International Business Machines Corporation | Effective cycle time management employing a multi-horizon model |
US8718809B2 (en) | 2010-05-12 | 2014-05-06 | International Business Machines Corporation | Comprehensive analysis of queue times in microelectronic manufacturing |
US8328950B2 (en) | 2010-05-20 | 2012-12-11 | International Business Machines Corporation | Foreign material contamination detection |
JP5501903B2 (ja) | 2010-09-07 | 2014-05-28 | 株式会社日立製作所 | 異常検知方法及びそのシステム |
US8594821B2 (en) | 2011-02-18 | 2013-11-26 | International Business Machines Corporation | Detecting combined tool incompatibilities and defects in semiconductor manufacturing |
US8766803B2 (en) | 2011-05-13 | 2014-07-01 | Roche Diagnostics Operations, Inc. | Dynamic data collection |
US8793106B2 (en) | 2011-09-23 | 2014-07-29 | International Business Machines Corporation | Continuous prediction of expected chip performance throughout the production lifecycle |
US9240360B2 (en) * | 2012-07-25 | 2016-01-19 | International Business Machines Corporation | Run-to-run control utilizing virtual metrology in semiconductor manufacturing |
US9176183B2 (en) | 2012-10-15 | 2015-11-03 | GlobalFoundries, Inc. | Method and system for wafer quality predictive modeling based on multi-source information with heterogeneous relatedness |
-
2015
- 2015-03-20 US US14/663,628 patent/US9915942B2/en active Active
-
2016
- 2016-03-18 CN CN201610157620.5A patent/CN105989372B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100249976A1 (en) * | 2009-03-31 | 2010-09-30 | International Business Machines Corporation | Method and system for evaluating a machine tool operating characteristics |
US20110276170A1 (en) * | 2010-05-06 | 2011-11-10 | International Business Machines Corporation | Enhancing investigation of variability by inclusion of similar objects with known differences to the original ones |
CN103314378A (zh) * | 2010-08-23 | 2013-09-18 | 回忆系统公司 | 智能存储器系统编译器 |
CN102361014A (zh) * | 2011-10-20 | 2012-02-22 | 上海大学 | 大规模半导体制造过程的状态监控与故障诊断方法 |
CN103972854A (zh) * | 2014-04-17 | 2014-08-06 | 公安部四川消防研究所 | 一种利用电弧痕迹判断电气短路火灾的方法 |
CN105184323A (zh) * | 2015-09-15 | 2015-12-23 | 广州唯品会信息科技有限公司 | 特征选择方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113689144A (zh) * | 2020-09-11 | 2021-11-23 | 北京沃东天骏信息技术有限公司 | 产品描述的质量评定系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
US9915942B2 (en) | 2018-03-13 |
CN105989372B (zh) | 2019-11-26 |
US20160274177A1 (en) | 2016-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11488055B2 (en) | Training corpus refinement and incremental updating | |
Chong et al. | Calibrating building energy simulation models: A review of the basics to guide future work | |
US11544676B2 (en) | Equipment repair management and execution | |
Pandian et al. | A critique of reliability prediction techniques for avionics applications | |
Pan et al. | A reliability estimation approach via Wiener degradation model with measurement errors | |
Zhang et al. | Optimal maintenance planning for repairable multi-component systems subject to dependent competing risks | |
US20120016701A1 (en) | Intelligent timesheet assistance | |
US10330018B2 (en) | Integrating design and field management of gas turbine engine components with a probabilistic model | |
US10706205B2 (en) | Detecting hotspots in physical design layout patterns utilizing hotspot detection model with data augmentation | |
US9292650B2 (en) | Identifying layout pattern candidates | |
Wang et al. | Residual life estimation based on nonlinear-multivariate Wiener processes | |
US20150039374A1 (en) | Planning periodic inspection of geo-distributed infrastructure systems | |
US20200074267A1 (en) | Data prediction | |
US11288065B2 (en) | Devops driven cognitive cost function for software defect prediction | |
US10387799B2 (en) | Centralized management of predictive models | |
Dam et al. | DeepSoft: A vision for a deep model of software | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CA3053894A1 (en) | Defect prediction using historical inspection data | |
US11488083B2 (en) | Risk failure prediction for line assets | |
CN105989372A (zh) | 识别重要且次要因素不敏感的痕迹特征的方法设备和系统 | |
CN113313211B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
CN113221326B (zh) | 基于teacher-student代理模型的卫星组件温度场预测方法 | |
CN114331380A (zh) | 职业流动关系的预测方法、系统、设备及存储介质 | |
CN114787831B (zh) | 改进分类模型的准确性 | |
US20230401462A1 (en) | Predicting device insulation condition and providing optimal decision model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |