CN109636026B - 一种基于深度学习模型的晶圆良率预测方法 - Google Patents
一种基于深度学习模型的晶圆良率预测方法 Download PDFInfo
- Publication number
- CN109636026B CN109636026B CN201811494897.2A CN201811494897A CN109636026B CN 109636026 B CN109636026 B CN 109636026B CN 201811494897 A CN201811494897 A CN 201811494897A CN 109636026 B CN109636026 B CN 109636026B
- Authority
- CN
- China
- Prior art keywords
- wafer
- model
- data
- yield
- electrical test
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013136 deep learning model Methods 0.000 title claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 48
- 230000004913 activation Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000000523 sample Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 14
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012847 principal component analysis method Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Abstract
本发明涉及一种基于深度学习模型的晶圆良率预测方法，包括以下步骤：对晶圆实际生产过程中的电性测试参数进行数据预处理，并结合主成分分析方法实现对晶圆电性测试数据中的冗余数据进行处理，获得适合模型输入的低相关性数据；其次对输入的关键电性测试参数进行训练集与测试集的划分，在此基础上设计用于晶圆良率预测的连续型深度信念网络模型，该模型主要包含两部分，第一部分是多隐层的连续型受限制的玻尔兹曼机模型，用于对模型输入变量的特征信息进行提取，第二部分是误差反向传播网络模型，用于对所提取到的特征误差信息进行微调。本发明能够实现利用晶圆生产过程中的电性测试数据对晶圆良率进行准确预测。
Description
技术领域
本发明涉及半导体晶圆良率预测技术领域，特别是涉及一种基于深度学习模型的晶圆良率预测方法。
背景技术
我国集成电路产业发展迅速，现在已形成产品设计、芯片制造、电路封装共同发展的态势。由于集成电路产品生产投入大、损失代价高，提前预知晶圆生产的良率情况，对提升晶圆生产工艺、降低晶圆生产损失、控制芯片生产成本具有重要意义。
传统的晶圆良率预测模型主要考虑晶圆的缺陷来源、缺陷数目、缺陷聚集程度与良率之间的关系，而这些良率预测模型需要在晶圆完成生产之后进行综合统计分析，主要用于提供晶圆生产企业获利评估的生产指标，并且不具有动态实时性，无法及时反馈、辅助生产工艺调整。
然而，近年来更多的研究集中于利用晶圆电性测试参数替代缺陷来源、缺陷群聚特性等相关参数作为预测晶圆良率的输入因子，构建晶圆良率预测模型。且主要使用了基于神经网络的良率预测模型，而类神经网络模型在应对高维数据时存在着学习过程较长、梯度易消失、易陷入局部最优的情况，使得模型受输入噪声的影响大，从而导致模型不稳定，难以有效处理晶圆电性测试参数与良率之间的复杂非线性关系，获得较高的预测准确率。
发明内容
本发明所要解决的技术问题是提供一种基于深度学习模型的晶圆良率预测方法，能够得到较高的预测准确率。
本发明解决其技术问题所采用的技术方案是：提供一种基于深度学习模型的晶圆良率预测方法，包括以下步骤：
(1)确定当前需要进行良率预测的数据集，所述数据集中包括原始晶圆电性测试参数以及晶圆针测良率；
(2)分析所述原始晶圆电性测试参数与晶圆针测良率的数据信息，包括晶圆电性测试参数中的缺失值、量纲不一致情况，以及晶圆针测良率中是否存在突出的异常点；
(3)分析确定晶圆电性测试参数的主成分，对模型输入参数进行提取和缩减，得到低维电性测试数据集；
(4)将所提取到的低维电性测试数据集划分为训练集与测试集，其中，训练集中的数据用于预测模型训练，测试集中的数据用于对预测模型的准确性进行评价；
(5)设计基于连续型深度信念网络模型的晶圆良率预测模型；所述晶圆良率预测模型包括用于无监督特征提取的多层受限制的玻尔兹曼机结构和用于回归分析的误差反向传播网络；
(6)对多层受限制的玻尔兹曼机结构中的可见层神经元与隐层神经元添加高斯变量，用于控制模型对输入数据特征提取的能力；
(7)设计多层受限制的玻尔兹曼机结构中的激活函数，用于增强模型对连续型数据类型的输入数据的特征提取能力；
(8)去除多层受限制的玻尔兹曼机结构中离散化为0-1二值形式的特征提取过程；
(9)设计权重信息函数，并将权重信息函数作用于优化空间，收集当前所提取到的特征信息参数，其中，所述权重信息函数的对应值根据特征信息参数确定；
(10)将权重信息函数与预测模型的损失函数相加，实现对损失函数的加权处理；利用优化模型不断迭代更新损失函数，当出现距离真实良率值越远的点时，其权重信息则越大，进而对损失函数的惩罚也将越大；
(11)利用训练集中的晶圆电性测试数据对加权后的预测模型进行训练，在训练过程中使用批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优预测模型，并利用测试集中的晶圆电性测试数据对模型预测性能进行评价。
所述步骤(2)中的缺失值是指，由于设备故障或电流过大的原因，造成部分晶圆电性测试参数缺失；量纲不一致是指，晶圆电性测试过程中的各项参数指标之间的量纲差异大；突出异常点是指，由于偶然因素导致晶圆针测良率值与呈现的实际值严重不符的情况。
所述步骤(3)具体为：首先，计算多维电性测试输入变量的相关系数矩阵，将具有相关性的电性测试参数以特征值与特征向量的形式表示，使得高维电性测试参数转化为低维不相关的电性测试综合指标；其次，计算各电性测试变量的成分方差，得到各变量对应的方差贡献率，并以方差递减的顺序输出各电性测试变量对晶圆良率的影响程度；最后，选择累计贡献率达到85％的k个主成分，并用这k个主成分反映全局的变量特征信息，以降低输入电性测试参数的相关性、冗余度，达到利用少数综合指标反映所有指标的效果。
所述步骤(5)中晶圆良率预测模型是先通过三层连续型的受限制的玻尔兹曼机对输入的参数信息进行特征提取，再通过误差反向传播网络对所提取的特征信息误差进行微调实现良率的准确预测。
所述步骤(6)中高斯变量是指，在受限制的玻尔兹曼机结构的基础上，在可见层与隐层神经元中增加一个均值为0，方差为1的高斯变量N(0，1)，使得此时受限制的玻尔兹曼机结构中隐藏层单元的状态被重新定义为：
受限制的玻尔兹曼机结构中可见层单元的状态被重新定义为：
其中，hi为隐藏层单元、vj为可见层单元、wij为权重、
为sigmoid激活函数的改进形式、ci表示隐层神经元i的偏置、bj表示可见层单元j的偏置、α为0-1之间用于调节高斯变量值的系数。
所述步骤(7)中的激活函数为
其中，φL与φH分别为神经元状态数值的下界与上界，λ用以控制连续型激活函数的倾斜程度。
所述步骤(10)中将权重信息函数与预测模型的损失函数相加得到的加权损失函数为：
其中，yi为实际标签值、
为改进的受限制的玻尔兹曼机所提取到的特征输出值、
即为权重信息函数，β为正则化系数，用以对权值异常偏大的参数进行惩罚。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用了深度学习的方法进行晶圆良率预测，解决了传统的晶圆良率预测方法中所存在的由于影响因素多、数据体量大、数据间关系复杂等而导致的复杂非线性关系建模难的问题，并在预测过程中考虑了特征提取与回归分析的过程，提高了预测精度。
附图说明
图1是本发明的流程图；
图2是本发明中晶圆良率预测模型架构图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
图1是本发明的基于改进的连续型深度信念网络的晶圆良率预测方法流程图，如图1所示，包括以下各步骤：
首先需要获取用于预测的电性测试数据与真实良率样本，并构建该模型的原始数据集，原始数据集中包括点电性测试数据以及真实良率的标签信息。
再采用最大最小值归一化的标准化方式对数据集进行预处理，使各电性测试参数的量纲一致。此外，由于设备故障、电流冲击等因素造成的部分数据集缺失以及晶圆良率值异常数据进行筛选剔除。
在晶圆实际生产过程中采集到的电性测试数据通常以某个参数的均值、最大值、最小值、标准差形式进行存储，且数据本身体量大、维度高，数据之间表现出较强关联性，使得晶圆电性测试参数之间的多重共线性关系显著，导致晶圆电性测试参数与实际晶圆良率之间的关系模型难以建立、预测模型不稳定。因此针对晶圆实际生产过程中关键电性测试参数存在的多重共线性问题，利用主成分分析方法进行处理。首先，计算多维电性测试输入变量的相关系数矩阵，将具有相关性的电性测试参数以特征值与特征向量的形式表示，使得高维电性测试参数转化为低维不相关的电性测试综合指标；其次，计算各电性测试变量的成分方差，得到各变量对应的方差贡献率，并以方差递减的顺序输出各电性测试变量对晶圆良率的影响程度；最后，选择累计贡献率达到85％的k个主成分，并用这k个主成分反映全局的变量特征信息。
设计图2所示改进的连续型深度信念网络的晶圆良率预测模型，用以建立晶圆电性测试参数和良率之间的复杂非线性映射关系，该模型首先通过3层改进的受限制的玻尔兹曼机网络结构，实现对电性测试参数的无监督特征提取；之后通过最后一层的误差反向传播网络对所提取到的特征信息进行调整，并输出预测结果。
其中在改进的受限制的玻尔兹曼机中主要做如下改进：(1)在RBM结构的基础上，在可见层与隐层神经元中增加一个均值为0，方差为1的高斯变量N(0，1)，使得隐层单元的状态变为：
可见层单元的状态重新定义为：
进而提升模型特征提取的精度。其中，hi为隐藏层单元、vj为可见层单元、wij为权重、
为sigmoid激活函数的改进形式、ci表示隐层神经元i的偏置、bj表示可见层单元j的偏置、α为0-1之间用于调节高斯变量值的系数。(2)针对连续型输入、输出数据设计改进的连续型激活函数，即
该激活函数为sigmoid激活函数的改进形式，即为所设计的能够处理连续型输入、输出数据的改进的连续型激活函数，φL与φH分别为神经元状态数值的下界与上界，λ用以控制连续型激活函数的倾斜程度，实现利用连续型的激活函数对各神经元的状态进行激活。(3)去除RBM中离散化为0-1二值形式的过程，即省去
的过程，其中ri表示第i个隐层单元在[0,1]之间所产生的随机数。通过上述步骤实现对改进的受限制的玻尔兹曼机模型的搭建，进而通过多层串联的改进的受限制的玻尔兹曼机结构对输入数据进行贪婪的无监督特征提取，将所提取到的权重特征信息作为回归分析的初始化参数，为后期的回归分析提供初始条件。
在误差反向传播网络中，设计加权损失函数惩罚函数，该加权损失函数是由权重信息函数与损失函数相加所得，即
其中
即为权重信息函数，yi为实际标签值，
为改进的受限制的玻尔兹曼机所提取到的特征输出值。通过对加权损失函数进行不断更新迭代，最终得到预测值与真实值无限接近的输出值，实现对晶圆良率的预测。
最后利用测试集中的电性测试数据对模型预测性能进行评价。
不难发现，本发明首先进行模型总体数据信息读入及预处理，其次设计了两阶段的数据预处理方法，第一阶段对晶圆电性测试参数中的缺失值、异常值进行数据清洗，第二阶段对晶圆电性测试测试参数间的多重共线性关系进行主成分分析，以获取预测模型的输入变量。然后设计基于深度信念网络的晶圆良率预测模型，通过改进隐藏层的连续型受限制玻尔兹曼机实现关键特征的自动提取，利用输出层的误差反向传播机制实现晶圆良率的准确预测。采用某晶圆厂的实际生产数据，对比所现有方法的预测准确率，验证了方法的有效性。本发明采用深度学习的方法进行晶圆良率预测，解决了传统的晶圆良率预测方法中所存在的晶圆良率影响因素多、数据体量大、数据间关系复杂等因素造成的良率预测不精确、不稳定问题，提高了现有晶圆良率预测模型的预测精度与稳定性。
Claims (6)
1.一种基于深度学习模型的晶圆良率预测方法，其特征在于，包括以下步骤：
(1)确定当前需要进行良率预测的数据集，所述数据集中包括原始晶圆电性测试参数以及晶圆针测良率；
(2)分析所述原始晶圆电性测试参数与晶圆针测良率的数据信息，包括晶圆电性测试参数中的缺失值、量纲不一致情况，以及晶圆针测良率中是否存在突出的异常点；
(3)分析确定晶圆电性测试参数的主成分，对模型输入参数进行提取和缩减，得到低维电性测试数据集；
(4)将所提取到的低维电性测试数据集划分为训练集与测试集，其中，训练集中的数据用于预测模型训练，测试集中的数据用于对预测模型的准确性进行评价；
(5)设计基于连续型深度信念网络模型的晶圆良率预测模型；所述晶圆良率预测模型包括用于无监督特征提取的多层受限制的玻尔兹曼机结构和用于回归分析的误差反向传播网络；
(6)对多层受限制的玻尔兹曼机结构中的可见层神经元与隐层神经元添加高斯变量，用于控制模型对输入数据特征提取的能力；
(7)设计多层受限制的玻尔兹曼机结构中的激活函数，用于增强模型对连续型数据类型的输入数据的特征提取能力；
(8)去除多层受限制的玻尔兹曼机结构中离散化为0-1二值形式的特征提取过程；
(9)设计权重信息函数，并将权重信息函数作用于优化空间，收集当前所提取到的特征信息参数，其中，所述权重信息函数的对应值根据特征信息参数确定；
(10)将权重信息函数与预测模型的损失函数相加，实现对损失函数的加权处理；利用优化模型不断迭代更新损失函数，当出现距离真实良率值越远的点时，其权重信息则越大，进而对损失函数的惩罚也将越大；
(11)利用训练集中的晶圆电性测试数据对加权后的预测模型进行训练，在训练过程中使用批量随机梯度下降方法以最小化模型预测输出和实际输出之间的误差，进而获得最优预测模型，并利用测试集中的晶圆电性测试数据对模型预测性能进行评价。
2.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(2)中的缺失值是指，由于设备故障或电流过大的原因，造成部分晶圆电性测试参数缺失；量纲不一致是指，晶圆电性测试过程中的各项参数指标之间的量纲差异大；突出异常点是指，由于偶然因素导致晶圆针测良率值与呈现的实际值严重不符的情况。
3.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(5)中晶圆良率预测模型是先通过三层连续型的受限制的玻尔兹曼机对输入的参数信息进行特征提取，再通过误差反向传播网络对所提取的特征信息误差进行微调实现良率的准确预测。
4.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(6)中高斯变量是指，在受限制的玻尔兹曼机结构的基础上，在可见层与隐层神经元中增加一个均值为0，方差为1的高斯变量N(0，1)，使得此时受限制的玻尔兹曼机结构中隐藏层单元的状态被重新定义为：
受限制的玻尔兹曼机结构中可见层单元的状态被重新定义为：
其中，hi为隐藏层单元、vj为可见层单元、wij为权重、
为sigmoid激活函数的改进形式、ci表示隐层神经元i的偏置、bj表示可见层单元j的偏置、α为0-1之间用于调节高斯变量值的系数。
5.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(7)中的激活函数为
其中，φL与φH分别为神经元状态数值的下界与上界，λ用以控制连续型激活函数的倾斜程度。
6.根据权利要求1所述的基于深度学习模型的晶圆良率预测方法，其特征在于，所述步骤(10)中将权重信息函数与预测模型的损失函数相加得到的加权损失函数为：
其中，yi为实际标签值、
为改进的受限制的玻尔兹曼机所提取到的特征输出值、
即为权重信息函数，β为正则化系数，用以对权值异常偏大的参数进行惩罚。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811494897.2A CN109636026B (zh) | 2018-12-07 | 2018-12-07 | 一种基于深度学习模型的晶圆良率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811494897.2A CN109636026B (zh) | 2018-12-07 | 2018-12-07 | 一种基于深度学习模型的晶圆良率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636026A CN109636026A (zh) | 2019-04-16 |
| CN109636026B true CN109636026B (zh) | 2023-02-28 |
Family
ID=66071973
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811494897.2A Active CN109636026B (zh) | 2018-12-07 | 2018-12-07 | 一种基于深度学习模型的晶圆良率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636026B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110209542B (zh) * | 2019-05-21 | 2023-01-10 | 苏州浪潮智能科技有限公司 | 一种基于朴素贝叶斯分类器的内存测试方法 |
| CN112433472B (zh) * | 2019-08-26 | 2022-10-18 | 长鑫存储技术有限公司 | 半导体生产控制方法及控制系统 |
| CN110648935A (zh) * | 2019-09-25 | 2020-01-03 | 上海众壹云计算科技有限公司 | 一种运用ai模型的半导体制造缺陷动态随机取样方法 |
| US11087449B2 (en) * | 2019-10-24 | 2021-08-10 | KLA Corp. | Deep learning networks for nuisance filtering |
| CN110887664B (zh) * | 2019-12-04 | 2021-05-25 | 中国船舶工业系统工程研究院 | 建立轴承故障识别模型的方法和装置 |
| CN113406464B (zh) * | 2020-03-17 | 2024-09-24 | 瑞昱半导体股份有限公司 | 晶圆测试机台及训练人工智能模型以测试晶圆的方法 |
| CN111538059B (zh) * | 2020-05-11 | 2022-11-11 | 东华大学 | 一种基于改进的玻尔兹曼机的自适应快速动态定位系统及方法 |
| CN111665066B (zh) * | 2020-05-18 | 2021-06-11 | 东华大学 | 基于卷积神经网络的设备故障自适应上下预警界生成方法 |
| CN111539521A (zh) * | 2020-05-25 | 2020-08-14 | 上海华力集成电路制造有限公司 | 神经网络误差-反向传播算法预测半导体产品良率的方法 |
| CN111667111B (zh) * | 2020-06-02 | 2023-04-07 | 上海哥瑞利软件股份有限公司 | 一种集成电路晶圆制造中的良率预测方法 |
| CN112613635B (zh) * | 2020-11-24 | 2023-04-07 | 全芯智造技术有限公司 | 芯片产品的良率预测方法、存储介质及终端 |
| CN112820360A (zh) | 2020-12-31 | 2021-05-18 | 杭州富加镓业科技有限公司 | 一种基于深度学习和提拉法的高阻型氧化镓的质量预测方法、制备方法及系统 |
| CN112966827B (zh) * | 2021-02-26 | 2022-02-11 | 普赛微科技(杭州)有限公司 | 一种存储器开发过程中的良品率预测方法 |
| CN113111620B (zh) * | 2021-05-10 | 2022-10-14 | 上海交通大学 | 一种半导体电路良率预测方法及装置 |
| CN114002574A (zh) * | 2021-10-29 | 2022-02-01 | 上海华力微电子有限公司 | 半导体结构的测试方法 |
| CN114253135B (zh) * | 2021-12-13 | 2024-03-26 | 深圳智现未来工业软件有限公司 | 基于机器学习的芯片性能参数测试方法和装置 |
| CN116384312B (zh) * | 2023-04-20 | 2023-11-17 | 山东大学 | 一种基于并行异构计算的电路良率分析方法 |
| CN117474387A (zh) * | 2023-10-27 | 2024-01-30 | 上海朋熙半导体有限公司 | 基于厂务数据的晶圆良率控制方法、装置、设备及介质 |
| CN117672910A (zh) * | 2023-10-27 | 2024-03-08 | 上海朋熙半导体有限公司 | 基于零部件数据的晶圆良率控制方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741832A (zh) * | 2016-01-27 | 2016-07-06 | 广东外语外贸大学 | 一种基于深度学习的口语评测方法和系统 |
| CN108876650A (zh) * | 2018-06-25 | 2018-11-23 | 仲恺农业工程学院 | 水禽健康养殖环境参数的特征提取方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2018265421B2 (en) * | 2017-05-12 | 2024-03-07 | The Regents Of The University Of Michigan | Individual and cohort pharmacological phenotype prediction platform |
-
2018
- 2018-12-07 CN CN201811494897.2A patent/CN109636026B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105741832A (zh) * | 2016-01-27 | 2016-07-06 | 广东外语外贸大学 | 一种基于深度学习的口语评测方法和系统 |
| CN108876650A (zh) * | 2018-06-25 | 2018-11-23 | 仲恺农业工程学院 | 水禽健康养殖环境参数的特征提取方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636026A (zh) | 2019-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636026B (zh) | 一种基于深度学习模型的晶圆良率预测方法 | |
| CN109491338B (zh) | 一种基于稀疏gmm的多模过程质量相关的故障诊断方法 | |
| US20210365624A1 (en) | Static voltage drop (sir) violation prediction systems and methods | |
| CN110543616B (zh) | 基于工业大数据的smt锡膏印刷体积预测方法 | |
| CN110940523B (zh) | 一种无监督域适应故障诊断方法 | |
| CN109189028A (zh) | 基于多块信息提取的pca故障诊断方法 | |
| Gao et al. | A process fault diagnosis method using multi‐time scale dynamic feature extraction based on convolutional neural network | |
| CN108717149A (zh) | 基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法 | |
| CN115096627B (zh) | 一种液压成形智能装备制造过程故障诊断与运维方法及系统 | |
| CN109240276B (zh) | 基于故障敏感主元选择的多块pca故障监测方法 | |
| CN109460005A (zh) | 基于gru深度神经网络的动态工业过程故障诊断方法 | |
| CN110751101A (zh) | 基于无监督极限学习机多重聚类算法的疲劳驾驶判断方法 | |
| CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
| CN117874639A (zh) | 基于人工智能的机械设备寿命预测方法及装置 | |
| CN113052271A (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN110490496A (zh) | 一种基于分步约简筛选复杂工业过程中影响产品质量的敏感变量的方法 | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| Kang et al. | Product failure detection for production lines using a data-driven model | |
| Raza et al. | Application of extreme learning machine algorithm for drought forecasting | |
| JP2022553523A (ja) | 半導体応用のための協調学習モデル | |
| CN113469263B (zh) | 适于小样本的预测模型训练方法、装置及相关设备 | |
| CN114757495A (zh) | 一种基于逻辑回归的会员价值量化评估方法 | |
| KR102504319B1 (ko) | 영상 객체 속성 분류 장치 및 방법 | |
| CN114238852A (zh) | 运营数据的分析方法、装置、存储介质及电子设备 | |
| Sallehuddin et al. | Forecasting small data set using hybrid cooperative feature selection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |