CN112926815A - 具风险评估的取样参数搜寻系统、方法与图案化用户接口 - Google Patents

具风险评估的取样参数搜寻系统、方法与图案化用户接口 Download PDF

Info

Publication number
CN112926815A
CN112926815A CN202010116772.7A CN202010116772A CN112926815A CN 112926815 A CN112926815 A CN 112926815A CN 202010116772 A CN202010116772 A CN 202010116772A CN 112926815 A CN112926815 A CN 112926815A
Authority
CN
China
Prior art keywords
sampling
predetermined value
satisfaction
sampling parameter
recommended
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
Application number
CN202010116772.7A
Other languages
English (en)
Other versions
CN112926815B (zh
Inventor
黄博煜
张语轩
古宏麒
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Industrial Technology Research Institute ITRI
Original Assignee
Industrial Technology Research Institute ITRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Industrial Technology Research Institute ITRI filed Critical Industrial Technology Research Institute ITRI
Publication of CN112926815A publication Critical patent/CN112926815A/zh
Application granted granted Critical
Publication of CN112926815B publication Critical patent/CN112926815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

一种具风险评估的取样参数搜寻系统、方法与图案化用户接口。取样参数搜寻系统包括数据提取单元、目标式满足分数计算单元、限制式满足机率计算单元、取样风险评估单元及优化单元。若推荐取样参数的限制式满足机率介于第一预定值及第二预定值之间，则优化单元调整推荐取样参数，以优化限制式满足机率模型。

Description

具风险评估的取样参数搜寻系统、方法与图案化用户接口
技术领域
本揭露是有关于一种具风险评估的取样参数搜寻系统、方法与图案化用户接口。
背景技术
在许多产业的优化搜寻技术上，通常是必须满足某些限制式下，求取能够获得最佳目标式输出值的取样参数。以薄膜制程为例，研究人员必须找到一组制程参数(如射频能量、SiH4数量、NH3数量)，使得膜厚在一定规格条件内，应力最小。以化工制程为例，研究人员必须找到一组操作参数(如化学物的添加量、冷却水的控制条件、循环回流比)，使得反应温度在一定限制安全条件内，产品的产率最大。
此些应用情境上的目标式与限制式都是未知的黑盒子(black-box)，在实验之前无法得知目标式输出值是否为最优者且无法得知限制式输出值是否满足限制条件门坎值。
目前现有的优化搜寻技术容易混淆目标式及限制式的效应，提取过多不符合条件限制的取样点，造成搜寻参数的效率不佳等问题。因此，如何提升最佳取样参数的搜寻效率是研究人员努力的方向之一。
发明内容
本揭露是有关于一种具风险评估的取样参数搜寻系统、方法与图案化用户接口。
根据本揭露的一实施例，提出一种具风险评估的取样参数搜寻系统。取样参数搜寻系统包括数据提取单元、目标式满足分数计算单元、限制式满足机率计算单元、取样风险评估单元及优化单元。数据提取单元用以根据至少一已操作取样参数，取得至少一目标式输出值及至少一限制式输出值。目标式满足分数计算单元用以根据已操作取样参数及目标式输出值，获得目标式满足分数模型。限制式满足机率计算单元用以根据已操作取样参数及限制式输出值，获得限制式满足机率模型。取样风险评估单元用以根据目标式满足分数模型，取得推荐取样参数；并根据推荐取样参数及限制式满足机率模型，评估推荐取样参数的限制式满足机率。若推荐取样参数的限制式满足机率大于或等于第一预定值，则输出推荐的取样参数。若推荐取样参数的限制式满足机率介于第一预定值及第二预定值之间，则优化单元调整推荐取样参数，以优化限制式满足机率模型。
根据本公开的一实施例，提出一种具风险评估的取样参数搜寻方法。取样参数搜寻方法包括以下步骤。根据至少一已操作取样参数，取得至少一目标式输出值及至少一限制式输出值。根据已操作取样参数及目标式输出值，获得目标式满足分数模型。根据已操作取样参数及限制式输出值，获得限制式满足机率模型。根据目标式满足分数模型，取得推荐取样参数；并根据推荐取样参数及限制式满足机率模型，评估推荐取样参数的限制式满足机率。若推荐取样参数的限制式满足机率大于或等于第一预定值，则输出推荐取样参数。若推荐取样参数的限制式满足机率介于第一预定值及第二预定值之间，则调整推荐取样参数，以优化限制式满足机率模型。
根据本公开的一实施例，提出一种图形化用户接口。图形化用户接口包括目标式满足分数模型窗口、限制式满足机率模型窗口及取样信息窗口。目标式满足分数模型窗口用以显示目标式满足分数模型。目标式满足分数模型是根据已操作至少一取样参数及至少一目标式输出值所获得。限制式满足机率模型窗口用以显示限制式满足机率模型。限制式满足机率模型是根据已操作取样参数及至少一限制式输出值所获得。取样信息窗口用以显示推荐取样参数及限制式满足机率，推荐取样参数是根据目标式满足分数模型所取得。限制式满足机率是根据推荐取样参数及限制式满足机率模型所获得。
为了对本公开的上述及其他方面有更佳的了解，下文特举实施例，并配合所附附图详细说明如下。
附图说明
图1为一实施例提供的具风险评估的取样参数搜寻系统的示意图；
图2为一实施例提供的具风险评估的取样参数搜寻方法的流程图；
图3～图12为图2中各个步骤的示例图；
图13为一实施例提供的图案化用户接口的示意图。
附图标记说明：
1000：取样参数搜寻系统；
110：数据提取单元；
120：目标式满足分数计算单元；
130：限制式满足机率计算单元；
140：取样风险评估单元；
170：优化单元；
700：图形化用户接口；
710：目标式满足分数模型窗口；
720：限制式满足机率模型窗口；
730：取样信息窗口；
740：容忍度设定值窗口；
750：分数窗口；
760：机率窗口；
B0：决策边界；
B1、B2：虚线；
E1、E2：目标式满足分数模型；
E(X4)、E(X5)、E(X6)：目标式满足分数；
f(X1)、f(X2)、f(X3)、f(X7)：目标式输出值；
f1、g1：曲线；
g0：条件值；
g(X1)、g(X1)、g(X3)、g(X7)：限制式输出值；
P1、P2：限制式满足机率模型；
P(X4)、P(X5)、P(X6)、P(X7)、P(X8)：限制式满足机率；
R0：不确定区间；
R1：满足限制式区间；
R2：不满足限制式区间；
S110、S120、S130、S140、S150、S160、S170、S180：步骤；
TR：容忍度设定值；
V1：第一预定值；
V2：第二预定值；
X1、X2、X3、X4、X5、X6、X7、X8：取样参数。
具体实施方式
请参照图1，为一实施例提供的具风险评估的取样参数搜寻系统1000的示意图。取样参数搜寻系统1000包括一数据提取单元110、一目标式满足分数计算单元120、一限制式满足机率计算单元130、一取样风险评估单元140、一优化单元170及一图案化用户接口700。数据提取单元110例如是一数据提取卡接口、一传输线、一卡片阅读机、一无线传输模块或一扫描仪。目标式满足分数计算单元120、限制式满足机率计算单元130、取样风险评估单元140及优化单元170例如是一电路、一芯片、一电路板、数组程序代码或储存程序代码之储存装置。图形化用户接口700例如是一平板计算机、一手机、一计算机、或一头戴式显示器。
取样参数搜寻系统1000在最佳取样参数的搜寻过程中，结合风险评估机制及机率模型优化技术，提升取样参数的搜寻效能，以达到降低试验次数及缩短调控时间的产业应用需求。以下更搭配一流程图详细说明上述各项组件的运作。
请参照图2～图12，图2为一实施例提供的具风险评估的取样参数搜寻方法的流程图，图3～图12为图2中各个步骤的示例图。在步骤S110中，数据提取单元110根据至少一已操作取样参数(例如是第3图的取样参数X1、X2、X3)，取得至少一目标式输出值(例如是第3图的目标式输出值f(X1)、f(X2)、f(X3))及至少一限制式输出值(例如是第3图的限制式输出值g(X1)、g(X2)、g(X3))。其中，目标式输出值f(X1)、f(X2)、f(X3)例如是误差值，其数值越低越好。限制式输出值g(X1)、g(X2)、g(X3)例如是膜厚变化量，其数值必须高于条件值g0。
表一
Figure BDA0002391728370000041
如图4及表一所示，就这三个取样参数X1、X2、X3而言，取样参数X3的目标式输出值f(X3)最低，但其限制式输出值g(X3)低于条件值g0，故取样参数X3并不是最佳的。取样参数X1的目标式输出值f(X1)低于取样参数X2的目标式输出值f(X2)，取样参数X1的限制式输出值g(X1)高于条件值g0，故取样参数X1为三者中最佳者。
目前仅试验了取样参数X1、X2、X3，研究人员必须再进一步搜寻出更佳的取样参数。通过以下的步骤可以进行模型修正，以搜寻出更佳的取样参数。
接着，在步骤S120中，目标式满足分数计算单元120根据已操作取样参数(例如是取样参数X1、X2、X3)及目标式输出值(例如是目标式输出值f(X1)、f(X2)、f(X3))，获得一目标式满足分数模型(例如是第5图的目标式满足分数模型E1)。如图4所示，取样参数X1、X2、X3输入到未知的目标式得到目标式输出值f(X1)、f(X2)、f(X3)。未知的目标式有可能是第4图的曲线f1。对于未知的目标式来说，取样参数X1、X2、X3可以分别对应到确定的目标式输出值f(X1)、f(X2)、f(X3)，但其余的取样参数则无法得知确定的目标式输出值。因此，目标式满足分数计算单元120利用一高斯过程(Gaussian process,GP)及一预期改进采集函数(Expected Improvement acquisition function,EI acquisition function)来获得图5的目标式满足分数模型E1。目标式满足分数模型E1参考了确定的取样参数X1、X2、X3的位置及目标式输出值f(X1)、f(X2)、f(X3)，呈现出各个取样参数的目标式满足分数。目标式满足分数较高者，较能够满足目标式(例如是误差较低)；目标式满足分数较低者，较无法满足目标式(例如是误差较高)。因此，往后在挑选取样参数时，可以从目标式满足分数较高者进行挑选。
然后，在步骤S130中，限制式满足机率计算单元130根据已操作取样参数(例如是取样参数X1、X2、X3)及限制式输出值(例如是限制式输出值g(X1)、g(X2)、g(X3))，获得一限制式满足机率模型(例如是图6的限制式满足机率模型P1)。
如图4所示，取样参数X1、X2、X3输入至未知的限制式得到限制式输出值g(X1)、g(X2)、g(X3)。未知的限制式有可能是图4的曲线g1。对于未知的限制式来说，取样参数X1、X2、X3可以对应到确定的限制式输出值g(X1)、g(X2)、g(X3)，但其余的取样参数则无法得知确定的限制式输出值。因此，限制式满足机率计算单元130利用一支持向量机(SupportVector Machine,SVM)算法获得图6的限制式满足机率模型P1。支持向量机算法例如是一分类支持向量机算法或多分类支持向量机算法。
如图6所示，限制式满足机率模型P1的限制式满足机率为0～1的数值。数值越低，表示限制式满足机率越低；数值越高，表示限制式满足机率越高。限制式满足机率可以划分为满足限制式区间R1、不确定区间R0及不满足限制式区间R2。限制式满足机率落入满足限制式区间R1时，代表此取样参数满足未知的限制式的机率相当的高；限制式满足机率落入不满足限制式区间R2时，代表此取样参数满足未知的限制式的机率相当的低；限制式满足机率落入不确定区间R0时，代表此取样参数满足未知的限制式的机率无法确定。
限制式满足机率利用第一预定值V1及第二预定值V2来划分出满足限制式区间R1、不确定区间R0及不满足限制式区间R2。第一预定值V1及第二预定值V2可以依据一容忍度设定值TR(绘示于图7)来设定。请参照图7，为根据容忍度设定值TR建立第一预定值V1及第二预定值V2的示意图。取样风险评估单元140根据容忍度设定值TR利用一离散算法(discretization)建立第一预定值V1及第二预定值V2。容忍度设定值TR为第一预定值V1及第二预定值V2的差值。第一预定值V1及第二预定值V2例如是依据下式(1)、(2)进行计算。
V1＝1-0.5*(1-TR)...........................(1)
V2＝0.5*(1-TR).........................(2)
限制式满足机率大于或等于第一预定值V1时，落入满足限制式区间R1；限制式满足机率介于第一预定值V1与第二预定值V2之间时，落入不确定区间R0；限制式满足机率小于或等于第二预定值V2时，落入不满足限制式区间R2。
请参照图8，为根据一实施例的一支持向量机(SVM)算法的示意图。在支持向量机算法中，主要是要利用数值为0.5的决策边界B0归类出满足限制式区间R1、不满足限制式区间R2两个分类。但在这两个分类之间，会存在落入不确定区间R0的情况(也就是图8上两条虚线B1、B2之间的范围)。限制式满足机率模型P1可以随着数据量的增加进行修正，使得虚线B1、B2逐渐靠近，缩减落入不确定区间R0的情况。一般而言，下一取样参数接近决策边界B0时，可以快速缩减落入不确定区间R0的情况。
有了上述的目标式满足分数模型E1及限制式满足机率模型P1之后，推荐取样参数会有下述表二的六种情况。
表二
Figure BDA0002391728370000061
在图2的步骤S140中，取样风险评估单元140根据目标式满足分数模型E1，取得推荐取样参数。如表二所述，取样风险评估单元140不输出目标式满足分数低的取样参数。因此，如图5所示，取样风险评估单元140会先从目标式满足分数E(X4)最高的取样参数X4选取。
在图2的步骤S150中，取样风险评估单元140根据此推荐取样参数(例如是取样参数X4)及限制式满足机率模型P1，评估此推荐取样参数(例如是取样参数X4)的一限制式满足机率(例如是图6的限制式满足机率P(X4))。如图6及表三所示，取样参数X4的限制式满足机率P(X4)为0.21。
表三
Figure BDA0002391728370000071
接着，在步骤S160中，取样风险评估单元140判断推荐取样参数(例如是取样参数X4)的限制式满足机率(例如是限制式满足机率P(X4))与第一预定值V1及第二预定值V2的关系。取样参数X4的限制式满足机率P(X4)小于第二预定值V2，位于不满足限制式区间R2。根据上述表二，取样风险评估单元140不输出取样参数X4。因此，流程回至步骤S140，以重新取得另一推荐取样参数。
如图5所示，取样风险评估单元140根据目标式满足分数模型E1，取得下一推荐取样参数(例如是图5的取样参数X5)。并且，在图2的步骤S150中，取样风险评估单元140根据此推荐取样参数(例如是取样参数X5)及限制式满足机率模型P1，评估此推荐取样参数(例如是取样参数X5)的限制式满足机率(例如是图6的限制式满足机率P(X5))。如图6及表四所示，取样参数X5的限制式满足机率P(X5)为0.225。
表四
Figure BDA0002391728370000072
Figure BDA0002391728370000081
接着，在步骤S160中，取样风险评估单元140判断推荐取样参数(例如是取样参数X5)的限制式满足机率(例如是限制式满足机率P(X5))与第一预定值V1及第二预定值V2的关系。取样参数X5的限制式满足机率P(X5)仍小于第二预定值V2，仍位于不满足限制式区间R2。根据上述表二，取样风险评估单元140不输出取样参数X5。因此，流程仍回至步骤S140，以重新取得另一推荐取样参数。
如图5所示，取样风险评估单元140根据目标式满足分数模型E1，取得下一推荐取样参数(例如是图5的取样参数X6)。并且，在图2的步骤S150中，取样风险评估单元140根据此推荐取样参数(例如是取样参数X6)及限制式满足机率模型P1，评估此推荐取样参数(例如是取样参数X6)的限制式满足机率(例如是图6的限制式满足机率P(X6))。如图6及表五所示，取样参数X6的限制式满足机率P(X6)为0.251。
表五
Figure BDA0002391728370000082
接着，在步骤S160中，取样风险评估单元140判断推荐取样参数(例如是取样参数X6)的限制式满足机率(例如是限制式满足机率P(X6))与第一预定值V1及第二预定值V2的关系。取样参数X6的限制式满足机率P(X6)介于第一预定值V1及第二预定值V2之间，而位于不确定区间R0。根据上述表二，需要对限制式满足机率模型P1进行优化，故进入步骤S170。
在步骤S170中，优化单元170调整取样参数，以优化限制式满足机率模型P1。于一实施例中，如图9所示，优化单元170通过一主动学习取样算法(Active Learning)的不确定抽样技术(uncertainty sampling)，取得下一推荐取样参数(例如是取样参数X7，其为接近决策边界B0的点)，期望可以优化限制式满足机率模型P1，使其快速缩减落入不确定区间R0的情况。如图9及表六所述，取样参数X7的限制式满足机率P(X7)为0.51，其接近于决策边界B0。
表六
Figure BDA0002391728370000091
取得取样参数X7后，操作者即可以此取样参数X7实际进行机台的操作。再次执行本流程时，在步骤S110中，如图10所示，数据提取单元110根据实际执行的已操作取样参数(例如是取样参数X1、X2、X3、X7)，取得目标式输出值(例如是目标式输出值f(X1)、f(X2)、f(X3)、f(X7))及限制式输出值(例如是限制式输出值g(X1)、g(X2)、g(X3)、g(X7))。如表六所示，研究人员取得了4笔取样参数X1、X2、X3、X7及对应的目标式输出值f(X1)、f(X2)、f(X3)、f(X7)及限制式输出值g(X1)、g(X2)、g(X3)、g(X7)。
接着，在步骤S120中，目标式满足分数计算单元120利用高斯过程(GP)及预期改进采集函数(EI acquisition function)来获得图11的目标式满足分数模型E2。目标式满足分数模型E2参考了取样参数X1、X2、X3、X7的位置及目标式输出值f(X1)、f(X2)、f(X3)、f(X7)，呈现出各个取样参数的目标式满足分数。相较于目标式满足分数模型E1，目标式满足分数模型E2更为准确。
然后，在步骤S130中，限制式满足机率计算单元130根据已操作取样参数(例如是取样参数X1、X2、X3、X7)及限制式输出值(例如是限制式输出值g(X1)、g(X2)、g(X3)、g(X7))，获得图12的限制式满足机率模型P2。如图12所示，取样参数X7接近于决策边界B0，故限制式满足机率模型P2可以快速地缩减落入不确定区间R0的情况。如图9及图12所示，点状底纹呈现出落入不确定区间R0的范围。很明显的，限制式满足机率模型P2的不确定区间R0大幅的缩减，如此一来，下次从目标式满足分数较高者挑选取样参数时，较有机会落入满足限制式区间R1。
接着，在步骤S140中，取样风险评估单元140根据目标式满足分数模型E2，取得推荐取样参数(例如是取样参数X8)。并且，在步骤S150中，取样风险评估单元140根据此推荐取样参数(例如是取样参数X8)及限制式满足机率模型P2，评估此推荐取样参数(例如是取样参数X8)的限制式满足机率(例如是限制式满足机率P(X8))。如图12所示，取样参数X8的限制式满足机率P(X8)为0.76。
表七
Figure BDA0002391728370000101
然后，在步骤S160中，取样风险评估单元140判断推荐取样参数(例如是取样参数X8)的限制式满足机率(例如是限制式满足机率P(X8))与第一预定值V1及第二预定值V2的关系。取样参数X8的限制式满足机率P(X8)大于第一预定值V1，位于满足限制式区间R1。根据上述表二，取样风险评估单元140会输出取样参数X8。因此，流程进入步骤S180，以输出此取样参数X8。
透过上述方式，取样参数搜寻系统1000在优化取样参数搜寻过程中，结合了风险评估机制及机率模型优化技术，提升取样参数搜寻效能，以达到降低试验次数及缩短调控时间之产业应用需求。
上述实施例是以单一参数模型来做说明。然而，在另一实施例中，本技术可以应用于多参数模型。
上述技术可以利用一应用程序安装于行动装置或计算机上，并将取样参数搜寻过程呈现于行动装置或计算机上。请参照图13，为根据一实施例的图案化用户接口700的示意图。图案化用户接口700包括一目标式满足分数模型窗口710、一限制式满足机率模型窗口720、一取样信息窗口730、一容忍度设定值窗口740、一分数窗口750及一机率窗口760。目标式满足分数模型窗口710用以显示目标式满足分数模型(例如是目标式满足分数模型E1、E2)。限制式满足机率模型窗口720用以显示限制式满足机率模型(例如是限制式满足机率模型P1、P2)。取样信息窗口730用以显示推荐取样参数(例如是取样参数X7、X8)及限制式满足机率(例如是限制式满足机率P(X7)、P(X8))。容忍度设定值窗口740显示目前的容忍度设定值TR、分数窗口750显示推荐取样参数的目标式输出值，机率窗口760显示推荐取样参数的限制式满足机率。
综上所述，虽然本揭露已以实施例揭露如上，然其并非用以限定本揭露。本揭露所属技术领域技术人员在不脱离本揭露之精神和范围内，当可作各种之更动与润饰。因此，本揭露的保护范围当视前后的申请专利范围所界定者为准。

Claims (18)

1.一种具风险评估的取样参数搜寻系统，包括：
数据提取单元，用以根据至少一已操作取样参数，取得至少一目标式输出值及至少一限制式输出值；
目标式满足分数计算单元，用以根据该至少一已操作取样参数及该至少一目标式输出值，获得目标式满足分数模型；
限制式满足机率计算单元，用以根据该至少一已操作取样参数及该至少一限制式输出值，获得限制式满足机率模型；
取样风险评估单元，用以根据该目标式满足分数模型，取得推荐取样参数；并根据该推荐取样参数及该限制式满足机率模型，评估该推荐取样参数之限制式满足机率；若该推荐取样参数之该限制式满足机率大于或等于第一预定值，则输出该推荐取样参数；以及
优化单元，若该推荐取样参数之该限制式满足机率介于该第一预定值及第二预定值之间，则该优化单元调整该推荐取样参数，以优化该限制式满足机率模型。
2.根据权利要求1所述的取样参数搜寻系统，其中该目标式满足分数计算单元是根据该至少一已操作取样参数及该目标式输出值，利用高斯过程及预期改进采集函数来获得该目标式满足分数模型。
3.根据权利要求1所述的取样参数搜寻系统，其中该限制式满足机率计算单元利用支持向量机算法获得该限制式满足机率模型。
4.根据权利要求1所述的取样参数搜寻系统，其中该取样风险评估单元利用离散算法建立该第一预定值及该第二预定值。
5.根据权利要求1所述的取样参数搜寻系统，其中该取样风险评估单元根据容忍度设定值建立该第一预定值及该第二预定值，该第一预定值与该第二预定值的差值为该容忍度设定值。
6.根据权利要求1所述的取样参数搜寻系统，其中该第一预定值大于该第二预定值。
7.根据权利要求1所述的取样参数搜寻系统，其中若该限制式满足机率大于或等于该第一预定值，则该推荐取样参数的取样风险为确定满足；若该限制式满足机率介于该第一预定值及该第二预定值之间，则该推荐取样参数的该取样风险为不确定满足；若该限制式满足机率小于或等于该第二预定值，则该推荐取样参数的该取样风险为确定不满足。
8.根据权利要求1所述的取样参数搜寻系统，，其中该优化单元通过主动学习取样算法，选择最接近决策边界的参数点作为该推荐取样参数。
9.一种具风险评估的取样参数搜寻方法，包括：
根据至少一已操作取样参数，取得至少一目标式输出值及至少一限制式输出值；
根据该至少一已操作取样参数及该至少一目标式输出值，获得目标式满足分数模型；
根据该至少一已操作取样参数及该至少一限制式输出值，获得限制式满足机率模型；
根据该目标式满足分数模型，取得推荐取样参数；并根据该推荐取样参数及该限制式满足机率模型，评估该推荐取样参数的限制式满足机率；
若该推荐取样参数的该限制式满足机率大于或等于第一预定值，则输出该推荐取样参数；以及
若该推荐取样参数的该限制式满足机率介于该第一预定值及第二预定值之间，则调整该推荐取样参数，以优化该限制式满足机率模型。
10.根据权利要求9所述的取样参数搜寻方法，其中在获得该目标式满足分数模型的步骤中，是根据该至少一已操作取样参数及该目标式输出值，利用高斯过程及预期改进采集函数来获得该目标式满足分数模型。
11.根据权利要求9所述的取样参数搜寻方法，其中在获得该限制式满足机率模型的步骤中，是利用支持向量机算法获得该限制式满足机率模型。
12.根据权利要求9所述的取样参数搜寻方法，其中该第一预定值及该第二预定值是利用离散算法所建立。
13.根据权利要求9所述的取样参数搜寻方法，其中该第一预定值及该第二预定值是根据容忍度设定值所建立，该第一预定值与该第二预定值的差值为该容忍度设定值。
14.根据权利要求9所述的取样参数搜寻方法，其中该第一预定值大于该第二预定值。
15.根据权利要求9所述的取样参数搜寻方法，其中若该限制式满足机率大于或等于该第一预定值，则该推荐取样参数的取样风险为确定满足；若该限制式满足机率介于该第一预定值及该第二预定值之间，则该推荐取样参数的该取样风险为不确定满足；若该限制式满足机率小于或等于该第二预定值，则该推荐取样参数的该取样风险为确定不满足。
16.根据权利要求9所述的取样参数搜寻方法，其中在调整该推荐取样参数，以优化该限制式满足机率模型的步骤中，是通过主动学习取样算法，选择最接近决策边界的参数点作为该推荐取样参数。
17.一种图案化用户接口，包括：
目标式满足分数模型窗口，用以显示目标式满足分数模型，该目标式满足分数模型是根据至少一已操作取样参数及至少一目标式输出值所获得；
限制式满足机率模型窗口，用以显示限制式满足机率模型，该限制式满足机率模型是根据该至少一已操作取样参数及至少一限制式输出值所获得；以及
取样信息窗口，用以显示推荐取样参数及限制式满足机率，该推荐取样参数是根据该目标式满足分数模型所取得，该限制式满足机率是根据该推荐取样参数及该限制式满足机率模型所获得。
18.根据权利要求17所述的图案化用户接口，还包括容忍度设定值窗口，用以设定容忍度设定值，该容忍度设定值用以建立第一预定值及第二预定值，该第一预定值与该第二预定值的差值为该容忍度设定值。
CN202010116772.7A 2019-12-06 2020-02-25 具风险评估的取样参数搜寻系统、方法与图案化用户接口 Active CN112926815B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW108144692A TWI753329B (zh) 2019-12-06 2019-12-06 具風險評估之最佳取樣參數搜尋系統、方法與圖案化使用者介面
TW108144692 2019-12-06

Publications (2)

Publication Number Publication Date
CN112926815A true CN112926815A (zh) 2021-06-08
CN112926815B CN112926815B (zh) 2022-12-27

Family

ID=76162499

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010116772.7A Active CN112926815B (zh) 2019-12-06 2020-02-25 具风险评估的取样参数搜寻系统、方法与图案化用户接口

Country Status (3)

Country Link
US (1) US11769081B2 (zh)
CN (1) CN112926815B (zh)
TW (1) TWI753329B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022144049A (ja) * 2021-03-18 2022-10-03 キオクシア株式会社 情報処理装置及び情報処理方法
CN113990501B (zh) * 2021-10-28 2023-03-24 江苏省人民医院（南京医科大学第一附属医院） 一种icu患者身体约束决策方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1789651A1 (en) * 2004-09-03 2007-05-30 The Robert Gordon University Method and system for the design of an oil well
CN106897566A (zh) * 2017-02-28 2017-06-27 北京积水潭医院 一种风险预估模型的构建方法及装置
US20180285516A1 (en) * 2017-04-04 2018-10-04 Humanetics Innovative Solutions, Inc. Customized response finite element model for crash test dummy and method
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
JP2019192160A (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 最適化装置、最適化方法、及びプログラム

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7277832B2 (en) 2001-05-04 2007-10-02 Bigwood Technology, Inc. Dynamical method for obtaining global optimal solution of general nonlinear programming problems
US7050953B2 (en) 2002-05-22 2006-05-23 Bigwood Technology Incorporated Dynamical methods for solving large-scale discrete and continuous optimization problems
US7698246B2 (en) 2006-09-07 2010-04-13 International Business Machines Corporation System and method for optimal and adaptive process unification of decision support functions associated with managing a chaotic event
US8386401B2 (en) * 2008-09-10 2013-02-26 Digital Infuzion, Inc. Machine learning methods and systems for identifying patterns in data using a plurality of learning machines wherein the learning machine that optimizes a performance function is selected
US8688616B2 (en) 2010-06-14 2014-04-01 Blue Prism Technologies Pte. Ltd. High-dimensional data analysis
US20130110751A1 (en) 2011-10-31 2013-05-02 Taif University Computational device implemented method of solving constrained optimization problems
US10317857B2 (en) 2013-03-15 2019-06-11 Rockwell Automation Technologies, Inc. Sequential deterministic optimization based control system and method
CN104199870A (zh) * 2014-08-19 2014-12-10 桂林电子科技大学 基于混沌搜索的ls-svm预测模型的建立方法
JP2018012646A (ja) 2014-12-01 2018-01-25 日産化学工業株式会社 ヒドラゾン誘導体及び有害生物防除剤
US10387779B2 (en) 2015-12-09 2019-08-20 The Aerospace Corporation Systems and methods for multi-objective evolutionary algorithms with soft constraints
CN107220263B (zh) 2016-03-22 2021-09-03 阿里巴巴集团控股有限公司 数据迁移的优化方法、评估方法及处理方法及装置
WO2018017467A1 (en) * 2016-07-18 2018-01-25 NantOmics, Inc. Distributed machine learning systems, apparatus, and methods
CN107341279B (zh) 2016-11-18 2019-09-13 北京理工大学 一种针对高耗时约束的飞行器快速近似优化方法
US20200097853A1 (en) 2017-06-02 2020-03-26 Google Llc Systems and Methods for Black Box Optimization
CN110462636A (zh) * 2017-06-02 2019-11-15 谷歌有限责任公司 黑盒优化的系统和方法
TWI625682B (zh) 2017-12-01 2018-06-01 財團法人工業技術研究院 參數最佳化方法、裝置以及非暫態電腦可讀取媒體
GB201808878D0 (en) * 2018-05-31 2018-07-18 Imperial Innovations Ltd Optimisation system and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1789651A1 (en) * 2004-09-03 2007-05-30 The Robert Gordon University Method and system for the design of an oil well
US20080289875A1 (en) * 2004-09-03 2008-11-27 The Robert Gordon University Method and System for the Design of an Oil Well
CN106897566A (zh) * 2017-02-28 2017-06-27 北京积水潭医院 一种风险预估模型的构建方法及装置
US20180285516A1 (en) * 2017-04-04 2018-10-04 Humanetics Innovative Solutions, Inc. Customized response finite element model for crash test dummy and method
JP2019192160A (ja) * 2018-04-27 2019-10-31 日本電信電話株式会社 最適化装置、最適化方法、及びプログラム
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法

Also Published As

Publication number Publication date
TW202123148A (zh) 2021-06-16
US20210174261A1 (en) 2021-06-10
CN112926815B (zh) 2022-12-27
US11769081B2 (en) 2023-09-26
TWI753329B (zh) 2022-01-21

Similar Documents

Publication Publication Date Title
CN109242135B (zh) 一种模型运营方法、装置、及业务服务器
CN112926815B (zh) 具风险评估的取样参数搜寻系统、方法与图案化用户接口
EP2568433A1 (en) Malfunction analysis apparatus, malfunction analysis method, and recording medium
KR20210017342A (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
CN110706092B (zh) 风险用户识别方法和装置，存储介质及电子设备
US8364450B2 (en) Multi-objective optimization design support apparatus and method
CN112052890A (zh) 给水泵振动预测方法及装置
CN113537630A (zh) 业务预测模型的训练方法及装置
CN112149060A (zh) 一种汽轮机低压末级温度场预测方法及装置
CN115495705A (zh) 评价函数确定方法、装置、电子设备以及存储介质
CN114071525B (zh) 基站优化次序确定方法、装置及存储介质
US7177863B2 (en) System and method for determining internal parameters of a data clustering program
CN116664335B (zh) 基于智能监控的半导体生产系统运行分析方法及系统
US8406904B2 (en) Two-dimensional multi-products multi-tools advanced process control
US9904660B1 (en) Nonparametric method for measuring clustered level of time rank in binary data
WO2024072948A1 (en) Optimization of fabrication processes
CN110135592B (zh) 分类效果确定方法、装置、智能终端及存储介质
US11922165B2 (en) Parameter vector value proposal apparatus, parameter vector value proposal method, and parameter optimization method
CN113435599A (zh) 信息处理设备、指定方法和非暂态计算机可读存储介质
US11868885B2 (en) Learning device, inference device, learning method, and inference method using a transformation matrix generated from learning data
CN114037060A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN114423076A (zh) 一种指纹数据生成方法、装置、电子设备及存储介质
CN114417653A (zh) 基于不确定性的卫星组件电路板热可靠性分析方法
JP2018190130A (ja) 分析装置、分析方法及び分析プログラム
US11170073B2 (en) Sequential embedding statistical analysis for multidimensional tolerance limits

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