CN111985704A - 预测晶圆失效率的方法及其装置 - Google Patents
预测晶圆失效率的方法及其装置 Download PDFInfo
- Publication number
- CN111985704A CN111985704A CN202010810614.1A CN202010810614A CN111985704A CN 111985704 A CN111985704 A CN 111985704A CN 202010810614 A CN202010810614 A CN 202010810614A CN 111985704 A CN111985704 A CN 111985704A
- Authority
- CN
- China
- Prior art keywords
- failure rate
- wafer
- fitting operation
- project
- measurement results
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 235000012431 wafers Nutrition 0.000 claims abstract description 97
- 238000005259 measurement Methods 0.000 claims abstract description 82
- 238000012545 processing Methods 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000002955 isolation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000012360 testing method Methods 0.000 description 9
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明提供了一种预测晶圆失效率的方法及其装置。通过对多个目标晶圆的预定项目的测量结果和所述预定项目对应的项目失效率进行拟合运算，以获得目标晶圆的预测失效率，进而能够在晶圆的生产过程中即可以高效准确的预测目标晶圆的晶圆失效率。
Description
技术领域
本发明涉及半导体技术领域，特别涉及一种预测晶圆失效率的方法及其检测装置。
背景技术
晶圆失效率直接反映了半导体器件产品的质量，在半导体制造中需要对晶圆失效率进行监测。
芯片探测(chip probing，CP)测试是对整张晶圆(wafer)上的每个芯片单元(Die)进行检测，耗费时间较长，且CP测试的数据不能直接地反映产线的问题。鉴于此，相关技术中，通常使用晶圆允收测试(wafer Acceptance test， WAT)数据进行人工判定是否CP测试异常，从而间接判断每片晶圆是否失效。
然而，通过较为单一的WAT数据来判断CP测试是否异常的准确率较低；同时，通过人工判断WAT数据是否异常的主观性较强，且效率低。
发明内容
本发明的目的在于提供一种预测晶圆失效率的方法及其检测装置，以解决现有晶圆失效率预测的效率和准确性较低的问题。
为解决上述问题，本发明公开一种预测晶圆失效率的方法，包括：
获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率；
对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率；
输出所述目标晶圆的晶圆失效率。
可选的，所述拟合运算的方法包括：
对多个所述测量结果和所述项目失效率使用至少两种的拟合运算公式进行初步拟合运算，并得到每个拟合运算公式对应的R2值，其中，所述R2表示所述初步拟合运算中每个拟合运算公式对应的拟合优度；
对所有R2值进行排序；
选取最大R2值对应的拟合运算公式，以作为最终拟合运算公式；
对多个所述测量结果和所述项目失效率使用所述最终拟合公式进行拟合运算，以得到所述目标晶圆的晶圆失效率。
可选的，所述至少两种拟合运算公式包括：线性方程拟合公式和二次方程拟合公式。
可选的，在进行所述拟合运算之前，所述方法还包括：对多个所述目标晶圆的测量结果所对应的数值进行数据清洗，以将数值中的异常数值进行过滤。
可选的，对所述异常数值进行过滤的方法包括：使用3IQR方法进行过滤。
可选的，在进行所述拟合运算之前，所述方法还包括：对多个所述测量结果进行降维处理，以得到降维测量结果；
以及所述拟合运算包括：对所述降维测量结果进行拟合运算。
可选的，所述降维方法包括：特征提取法。
可选的，在对多个所述测量结果进行降维处理之后，
所述方法还包括：对所述降维测量结果进行展开重构。
可选的，所述预定项目包括：开启电压、饱和电流、关闭电流、击穿电压、接薄层电压、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
可选的，获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率之前，所述方法还包括：
获取多个目标晶圆针对至少两种预定项目的初始测量结果，以及每种所述预定项目对应的失效率预测值；
将每种所述预定项目对应的失效率预测值与其对应的实际失效率进行权重值计算，得到每种所述预定项目的权重值；
根据所述权重值从大到小的顺序对每种所述预定项目进行排序；
将排序的序号在前的所述预定项目对应的所述初始测量结果和所述实际失效率确定为所述预定项目的所述测量结果和所述项目失效率。
为解决上述问题，还提供一种预测晶圆失效率的装置，其特征在于，包括：
获取模块，用于获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率；
处理模块，用于对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率；
输出模块，用于输出所述目标晶圆的晶圆失效率。
可选的，所述处理模块包括编码器，所述编码器用于构建神经网络，所述神经网络用于对多个所述测量结果进行降维处理；以及对所述降维测量结果进行展开重构。
本发明提供的一种预测晶圆失效率的方法中，通过对多个目标晶圆的预定项目的测量结果和所述预定项目对应的项目失效率进行拟合运算，以通过大量数据来计算以获得目标晶圆的预测失效率，进而能够在晶圆的生产过程中可以高效准确的预测目标晶圆的晶圆失效率。
附图说明
图1是本发明一实施例中的预测晶圆失效率的方法的流程图；
图2是本发明一实施例中构建的神经网络模型示意图；
图3是本发明一实施例中的晶圆失效检测装置的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种预测晶圆失效率的方法及其装置作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
图1是本发明一实施例中的预测晶圆失效率的方法的流程图，以下结合图1，对本实施例中的一种预测晶圆失效率的方法进行详细说明。
如图1所示，首先进行数据获取。其中，在本实施例中，所述数据获取包括：获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率。
其中，获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率的方法包括如下步骤一到步骤四。
在步骤一中：获取多个目标晶圆针对至少两种预定项目的初始测量结果，以及每种所述预定项目对应的失效率预测值。
在本步骤中，获取多个目标晶圆针对至少两种预定项目的测量结果包括：获取WAT测试(晶片允收测试)中的预定测试项目：开启电压、饱和电流、关闭电流、击穿电压、接薄层电压、基础电阻、栅氧化层厚度以及隔离层厚度中的至少两种预定项目对应的初始测量结果数值。
以及，获取每种所述预定项目对应的失效率预测值的方法可以包括：获取长期监测的所述预定项目对应的失效率数值，并对所述失效率数值进行计算以得到所述失效率预测值，其中，对所述失效率值进行计算的方法可以包括：对每种所述长期监测的所述预定项目对应的失效率数值取平均、拟合运算或取中位数等。
在步骤二中，将每种所述预定项目对应的失效率预测值与其对应的实际失效率进行权重值计算，得到每种所述预定项目的权重值。
在本实施例中，例如第一种所述预定项目对应的失效率预测值为A1，第一种所述预定项目对应的实际失效率为A2，对所述A1和A2进行权重值计算，以得到第一种所述预定项目对应的权重值a1，例如第二种所述预定项目对应的失效率预测值为B1，第二种所述预定项目对应的实际失效率为B2，对所述B1和 B 2进行权重值计算，以得到第二种所述预定项目对应的权重值a2，以此类推，得到每种所述预定项目对应的权重值a1、a2、a3～an。其中，所述权重值计算方法包括：取平均等；具体的计算方法在此不做具体限定，以实际情况为准。
在步骤三中，根据所述权重值从大到小的顺序对每种所述预定项目进行排序。即在本步骤中，对上述步骤计算得到的权重值a1、a2、a3～an进行排序。
在步骤四中，将排序的序号在前的所述预定项目对应的所述初始测量结果和所述实际失效率确定为所述预定项目的所述测量结果和所述项目失效率。
在本步骤中，由于对获取的至少两种预定项目中的每种所述预定项目对应的失效率预测值和与其对应的实际失效率进行权重值计算，以将权重值排序在前的所述预定项目的初始测量结果和实际失效率作为所述预定项目的测量结果和项目失效率。如此一来，获取的所述预定项目的测量结果和项目失效率的数值更准确，更适用于进行晶圆失效率的预测。
继续参图1所示，在本实施例中，在进行数据获取之后，拟合运算之前，所述方法还包括：对多个所述目标晶圆的测量结果所对应的数值进行数据清洗，以将数值中的异常数值进行过滤。
其中，对所述异常数值进行过滤的方法包括：使用3IQR方法进行过滤。在本实施例中，通过对目标晶圆的测量结果对应的数值中的异常数值进行了过滤，因此，去除了目标晶圆的测量结果对应的数值中的异常数值，进而使得用于进行拟合运算的目标晶圆的测量结果更准确，以进一步的提升拟合运算的拟合效果，使得预测的晶圆失效率更加接近实际失效率，预测的晶圆失效率更准确。
进一步的，在执行数据清洗之后，还可以对多个所述测量和所述项目失效率进行降维处理，以得到降维测量结果。如此，后续在进行拟合运算时，即可基于降维后的测量结果，有效避免了后续进行拟合运算时出现过拟合的现象，进而提升预测的所述目标晶圆的所述晶圆失效率的准确性。
具体的，可采用神经网络模型对多个所述测量结果进行降维处理。图2是本发明一实施例中构建的神经网络模型示意图，参图2并结合图3所示，在本实施例中，所述神经网络模型前半部分为特征提取层，所述特征提取层对多个所述测量结果使用特征提取法进行降维处理。
本实施例中，所述降维的方法可以为特征提取法，即以预定特征提取的方法对所述预定项目的测量结果进行降维处理，由于本实施例中的多个所述预定项目的测量结果可对应一个项目失效率，则，在进行降维处理时，仅需对所述预定项目的测量结果进行降维处理。比如，将所述预定项目的测量结果进行区间划分，以得到不同的数据区间，之后对所述数据区间取平均、数据区间取中位数等计算，以计算后的所述数值作为所述降维测量结果。或者，使用自动编码器，利用所述自动编码器内部的规则，自动对所述预定项目的测量结果进行分析处理以进行降维。
举例而言，定义本实施例中，每个所述预定项目的测量结果为一个维度，假设本实施例的所述预定项目的所述测量结果为C1维，例如C1为200。则可先进行特征提取降维至C2维，例如C2为50。之后再进行特征提取降维至C3 维，例如C3为5，最终以降至C3个维度，即5个维度的数据进行拟合运算。在本实施例中，上述特征提取的数学计算模型和对所述预定项目的测量结果降低的维度在此不做具体限定，以实际情况为准。
继续参图2所示，在本实施例中，在对多个所述测量结果进行降维处理之后，所述方法还包括：对所述降维测量结果进行展开重构。即，所述神经网络模型对降维后的所述降维测量结果，进行展开重构以重新升维。例如，在本实施例中，可以先升至D1维，再从D1维升至D2维，其中D1维可以为50维， D2维可以为200维。升维后的所述测量结果越恢复到未降维的数据越佳。
继续参图1所示，在对数据进行初步处理(包括数据清洗处理和降维处理) 之后，即可对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率。
本实施例中，由于对所述测量结果进行了降维处理，因此，进行拟合运算时即是对所述降维测量结果和所述项目失效率进行拟合运算。
具体的实施例中，所述拟合运算的方法包括如下步骤一到步骤三。
在步骤一中：对多个所述测量结果和所述项目失效率使用至少两种的拟合运算公式进行初步拟合运算，并得到每个拟合运算公式对应的R2值，
其中，所述R2表示所述初步拟合运算中每个拟合运算公式对应的拟合优度。在本实施例中，至少两种所述拟合运算公式包括：线性方程拟合公式和二次方程拟合公式。在本实施例中，所述线性拟合公式可以为：
其中，所述xi表示多个所述预定项目对应的测量结果；ai表示所述预定项目的系数；y 表示目标晶圆的预测失效率。
以及，所述二次方程拟合公式可以为：
其中，所述xi和所述xj表示不同所述预定项目对应的测量结果；aij表示对应系数。y表示目标晶圆的预测失效率。
进一步的，在本实施例中，按公式
分别计算各个拟合方程的R2。其中：
SStot＝∑i(yi-yavg)2，SSreg＝∑i(fi-yavg)2，SSres＝∑i(fi-yi)2。
其中，所述n表示大于等于1的自然数，yi表示所述预定项目的所述实际失效率，fi表示所述预定项目的预测失效率，yavg表示所述目标晶圆的所述预定项目的实际失效率平均值。
在步骤二中：对所有R2值进行排序，并选取最大R2值对应的拟合运算公式，以作为最终拟合运算公式。R2值的范围为R2小于1，其中，所述R2越接近1表示拟合效果越佳。
在步骤三中：对多个所述测量结果和所述项目失效率使用所述最终拟合公式进行拟合运算，以得到所述目标晶圆的晶圆失效率。
在本实施例中，由于对所示多个测量结果和所示项目失效率使用了至少两种的拟合运算公式进行初步拟合运算，且选取所述拟合运算公式对应的拟合优度最大的拟合运算公式作为最终的拟合运算公式，则可通过上述方法选择最佳的拟合计算公式作为最终拟合运算公式来进行拟合运算，如此一来，提升了拟合运算的拟合效果，能够使预测的晶圆失效率更加接近实际失效率，更加准确。
图3是本发明一实施例中的晶圆失效检测装置的结构示意图。参图3所示，本实施例还公开了晶圆失效检测装置，所述晶圆失效检测装置包括：获取模块、与所述获取模块通讯连接的处理模块，以及与所述处理模块通讯连接的输出模块。其中，所述获取模块用于获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率；
所述处理模块用于对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率；以及
所述输出模块用于输出所述目标晶圆的晶圆失效率。
此外，在本实施例中，所述处理模块还包括编码器，所述编码器用于构建神经网络，所述神经网络用于对多个所述测量结果进行降维处理；以及对所述降维测量结果进行展开重构。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可，此外，各个实施例之间不同的部分也可互相组合使用，本发明对此不作限定。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (12)
1.一种预测晶圆失效率的方法，其特征在于，包括：
获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率；
对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率；
输出所述目标晶圆的晶圆失效率。
2.如权利要求1所述的预测晶圆失效率的方法，其特征在于，所述拟合运算的方法包括：
对多个所述测量结果和所述项目失效率使用至少两种的拟合运算公式进行初步拟合运算，并得到每个拟合运算公式对应的R2值，其中，所述R2表示所述初步拟合运算中每个拟合运算公式对应的拟合优度；
对所有R2值进行排序；
选取最大R2值对应的拟合运算公式，以作为最终拟合运算公式；
对多个所述测量结果和所述项目失效率使用所述最终拟合公式进行拟合运算，以得到所述目标晶圆的晶圆失效率。
3.如权利要求2所述的预测晶圆失效率的方法，其特征在于，所述至少两种拟合运算公式包括：线性方程拟合公式和二次方程拟合公式。
4.如权利要求1所述的晶圆失效检测方法，其特征在于，在进行所述拟合运算之前，所述方法还包括：对多个所述目标晶圆的测量结果所对应的数值进行数据清洗，以将数值中的异常数值进行过滤。
5.如权利要求4所述的预测晶圆失效率的方法，其特征在于，对所述异常数值进行过滤的方法包括：使用3IQR方法进行过滤。
6.如权利要求1所述的预测晶圆失效率的方法，其特征在于，在进行所述拟合运算之前，所述方法还包括：对多个所述测量结果和所述项目失效率进行降维处理，以得到降维测量结果；
以及所述拟合运算包括：对所述降维测量结果和所述项目失效率进行拟合运算。
7.如权利要求6所述的预测晶圆失效率的方法，其特征在于，所述降维方法包括：特征提取法。
8.如权利要求6所述的预测晶圆失效率的方法，其特征在于，在对多个所述测量结果进行降维处理之后，所述方法还包括：对所述降维测量结果进行展开重构。
9.如权利要求1所述的预测晶圆失效率的方法，其特征在于，所述预定项目包括：开启电压、饱和电流、关闭电流、击穿电压、接薄层电压、基础电阻、栅氧化层厚度以及隔离层厚度中的至少一种。
10.如权利要求1所述的预测晶圆失效率的方法，其特征在于，获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率的方法包括：
获取多个目标晶圆针对至少两种预定项目的初始测量结果，以及每种所述预定项目对应的失效率预测值；
将每种所述预定项目对应的失效率预测值与其对应的实际失效率进行权重值计算，得到每种所述预定项目的权重值；
根据所述权重值从大到小的顺序对每种所述预定项目进行排序；
将排序的序号在前的所述预定项目对应的所述初始测量结果和所述实际失效率确定为所述预定项目的所述测量结果和所述项目失效率。
11.一种预测晶圆失效率的装置，其特征在于，包括：
获取模块，用于获取多个目标晶圆针对预定项目的测量结果，并得到所述预定项目的项目失效率；
处理模块，用于对多个所述测量结果和所述项目失效率进行拟合运算，以预测出所述目标晶圆的晶圆失效率；
输出模块，用于输出所述目标晶圆的晶圆失效率。
12.如权利要求11所述的预测晶圆失效率的装置，其特征在于，所述处理模块包括编码器，所述编码器用于构建神经网络，所述神经网络用于对多个所述测量结果进行降维处理；以及对所述降维测量结果进行展开重构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810614.1A CN111985704A (zh) | 2020-08-11 | 2020-08-11 | 预测晶圆失效率的方法及其装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010810614.1A CN111985704A (zh) | 2020-08-11 | 2020-08-11 | 预测晶圆失效率的方法及其装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111985704A true CN111985704A (zh) | 2020-11-24 |
Family
ID=73435411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010810614.1A Pending CN111985704A (zh) | 2020-08-11 | 2020-08-11 | 预测晶圆失效率的方法及其装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111985704A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019077494A1 (en) * | 2017-10-16 | 2019-04-25 | King Abdullah University Of Science And Technology | SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE |
| CN110414710A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 基于人工智能的趋势预测方法及装置 |
| CN110689067A (zh) * | 2019-09-25 | 2020-01-14 | 上海华力集成电路制造有限公司 | 晶圆的失效检测方法、装置、设备及存储介质 |
| CN110782013A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 |
| CN110957009A (zh) * | 2019-11-05 | 2020-04-03 | 中山大学中山眼科中心 | 一种基于深度混合网络的单细胞转录组缺失值填补方法 |
| WO2020091259A1 (ko) * | 2018-10-29 | 2020-05-07 | 에스케이텔레콤 주식회사 | 비대칭 tanh 활성 함수를 이용한 예측 성능의 개선 |
-
2020
- 2020-08-11 CN CN202010810614.1A patent/CN111985704A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019077494A1 (en) * | 2017-10-16 | 2019-04-25 | King Abdullah University Of Science And Technology | SYSTEM, APPARATUS AND METHOD FOR PREDICTING EC NUMBER OF ENZYME BASED ON DEEP LEARNING SEQUENCE |
| WO2020091259A1 (ko) * | 2018-10-29 | 2020-05-07 | 에스케이텔레콤 주식회사 | 비대칭 tanh 활성 함수를 이용한 예측 성능의 개선 |
| CN110414710A (zh) * | 2019-06-20 | 2019-11-05 | 平安科技（深圳）有限公司 | 基于人工智能的趋势预测方法及装置 |
| CN110689067A (zh) * | 2019-09-25 | 2020-01-14 | 上海华力集成电路制造有限公司 | 晶圆的失效检测方法、装置、设备及存储介质 |
| CN110782013A (zh) * | 2019-10-22 | 2020-02-11 | 太原理工大学 | 一种基于广义互熵自编码器的火电厂NOx排放量预测方法 |
| CN110957009A (zh) * | 2019-11-05 | 2020-04-03 | 中山大学中山眼科中心 | 一种基于深度混合网络的单细胞转录组缺失值填补方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP1794693B1 (en) | Feature failure correlation | |
| KR101904518B1 (ko) | 희귀 불량 현상을 식별하기 위한 방법 및 시스템 | |
| CN109033499B (zh) | 一种多阶段一致性检验的航空发动机剩余寿命预测方法 | |
| CN110134919B (zh) | 风电机组异常数据清洗方法 | |
| CN112180230B (zh) | 芯片测试参数异常的侦测方法、存储介质、终端 | |
| CN109271319B (zh) | 一种基于面板数据分析的软件故障的预测方法 | |
| CN113342906B (zh) | 一种对晶圆量测数据分布形态的分类方法以及装置 | |
| WO2007064933A1 (en) | Method and apparatus for classifying manufacturing outputs | |
| US20140278234A1 (en) | Method and a system for a statistical equivalence test | |
| JP6656984B2 (ja) | 半導体装置の製造方法 | |
| TWI229915B (en) | Method and system for analyzing wafer yield against uses of a semiconductor tool | |
| CN101192050B (zh) | 过滤制程数据的方法及其系统 | |
| CN114265840A (zh) | 异常得分计算装置、方法以及存储介质 | |
| CN111985704A (zh) | 预测晶圆失效率的方法及其装置 | |
| CN112014713B (zh) | 一种晶圆电性测试方法及测试设备 | |
| US6615157B1 (en) | System method and computer program product for automatically assessing experiment results | |
| CN104752259B (zh) | 对具有与工艺水平不相称良率的芯片的分类方法 | |
| CN117881973A (zh) | 用于多维动态零件平均测试的系统和方法 | |
| WO2022092289A1 (ja) | 情報処理方法及び情報処理装置 | |
| TWI647770B (zh) | 晶圓的良率判斷方法以及晶圓合格測試的多變量偵測方法 | |
| JP2002368056A (ja) | 歩留まり条件の提供方法、製造条件の決定方法、半導体装置の製造方法、および記録媒体 | |
| CN113721121A (zh) | 一种用于半导体工艺的故障检测方法及装置 | |
| CN109193563B (zh) | 基于三相三线表计设备的失流故障监测方法和装置 | |
| CN113933672B (zh) | 一种晶圆测试参数的相关性判断方法及系统 | |
| CN114167335B (zh) | 新增检测工具的合格检验方法和检验系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201124 |
|
| RJ01 | Rejection of invention patent application after publication |