CN113130017A - 基于人工智能的晶体生长分析方法及系统 - Google Patents
基于人工智能的晶体生长分析方法及系统 Download PDFInfo
- Publication number
- CN113130017A CN113130017A CN202010502352.2A CN202010502352A CN113130017A CN 113130017 A CN113130017 A CN 113130017A CN 202010502352 A CN202010502352 A CN 202010502352A CN 113130017 A CN113130017 A CN 113130017A
- Authority
- CN
- China
- Prior art keywords
- data
- artificial intelligence
- crystal growth
- model
- crystal
- 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
- 239000013078 crystal Substances 0.000 title claims abstract description 84
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 26
- 238000004088 simulation Methods 0.000 claims abstract description 19
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 claims abstract description 10
- 229910010271 silicon carbide Inorganic materials 0.000 claims abstract description 10
- 238000011156 evaluation Methods 0.000 claims abstract description 5
- 239000013589 supplement Substances 0.000 claims abstract 2
- 238000012795 verification Methods 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 25
- PMHQVHHXPFUNSP-UHFFFAOYSA-M copper(1+);methylsulfanylmethane;bromide Chemical compound Br[Cu].CSC PMHQVHHXPFUNSP-UHFFFAOYSA-M 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000002109 crystal growth method Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 claims 2
- 229910002601 GaN Inorganic materials 0.000 claims 1
- JMASRVWKEDWRBT-UHFFFAOYSA-N Gallium nitride Chemical compound [Ga]#N JMASRVWKEDWRBT-UHFFFAOYSA-N 0.000 claims 1
- 238000005229 chemical vapour deposition Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 238000000151 deposition Methods 0.000 claims 1
- 230000008021 deposition Effects 0.000 claims 1
- 238000011161 development Methods 0.000 claims 1
- 229910003460 diamond Inorganic materials 0.000 claims 1
- 239000010432 diamond Substances 0.000 claims 1
- AJNVQOSZGJRYEI-UHFFFAOYSA-N digallium;oxygen(2-) Chemical compound [O-2].[O-2].[O-2].[Ga+3].[Ga+3] AJNVQOSZGJRYEI-UHFFFAOYSA-N 0.000 claims 1
- 229910001195 gallium oxide Inorganic materials 0.000 claims 1
- 239000007791 liquid phase Substances 0.000 claims 1
- 239000011787 zinc oxide Substances 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 239000000463 material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Chemical & Material Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystals, And After-Treatments Of Crystals (AREA)
Abstract
本发明公开了基于人工智能的晶体生长分析方法及系统。具体涉及到晶体生长领域，尤其是碳化硅晶体生长领域。该发明主要分为试验、仿真、人工智能三部分。试验是数据最可靠的来源，也是验证人工智能分析、仿真分析的有效方法；仿真是对试验数据的补充，也是分析晶体生长的重要辅助方法；人工智能主要用于提取参数中的特征数据并分析、评估，界定晶体生长范围的方法。这样有利于构建一个分析、评价、评估、验证晶体生长状况，也可以界定晶体生长边界条件。
Description
技术领域
本发明公开了基于人工智能的晶体生长参数分析方法及系统。具体涉及到晶体生长领域。尤其是碳化硅晶体生长领域。
背景技术
晶体生长过程中所涉及的变量较多，在碳化硅晶体制备工艺中，常规的制备方法为物理气相传输法。它是一种具有六方纤锌矿结构的强共价键化学物，原子间的键合力极强，该结构的氮化铝和碳化硅晶体表现出优良的化学稳定性，另外这两种晶体的禁带宽度较大，具有较高的击穿场强，热导率也较其他晶体好，线膨胀系数低等优点。如此优越的性能，使其在半导体领域具有广阔的应用前景，但是由于物理气相传输法具有其典型特征，负压高温的黑匣子生长模式减弱了晶体生长参数的可控性；而晶体生长过程中的依赖因素较多，而人脑对这些依赖因素形成的多维度空间的理解存在有局限性，我们可以很好理解一个试验参数点、一个单因素变量关系，而对于双因素协同（互斥）变量的理解多数是“定性“的，而非”定量“的，若要“定量”分析双因素变量关系，我们需要大量的数据来构建变量关系谱图来辅助大脑理解；而随机选取三个晶体生长参数，那他们之间协同与互斥关系在“定性”层面就有23=8之多，“定量”分析就更为困难。现在我们使用计算机科学来辅助晶体生长参数边界的界定，可以基于人工智能模型将晶体生长参数的边界进行可视化，具体可视化的参数个数可以依据试验需求而定，以获取较佳的生长范围及对拟实施生长试验参数的评估。可以降低探索晶体生长参数的时间成本和资金成本，当把晶体生长的边界条件限定在最优区域时，对提高晶体质量和良率时非常有效的办法。
总之，试验可以制备晶体并产生真实可靠的试验数据，用来验证仿真分析和人工智能分析的可靠性；仿真可以预判拟进行晶体生长的理论数据，便于快捷构建晶体生长的理论模型，为人工智能系统补充必要的数据支撑，验证人工智能分析的可靠性；人工智能是基于试验和仿真数据构建的晶体生长分析平台，可以评估试验数据范围，界定良好晶体生长的边界条件，还可以对试验数据工艺参数的生长结果进行评价和评估。
发明内容
本发明旨为晶体生长构建一个人工智能分析方法，以借助人工智能来优选高质量晶体的生长边界条件以及对拟生长试验的工艺参数的结果进行评估分析。本发明所采取的技术方案是：
提取数据的特征要素并标注。对晶体生长的依赖条件进行分析，基于工艺参数来提取特征，建立特征-标签二维数据结构，其中标签为每一工艺参数点的生长结果，分别标记为“好”和“坏”。
建立数据集。数据集是有特征-标签构成的二维数据结构，为了构建良好的人工智能模型，训练数据集中需要大量的数据，但实际上实际的试验数据远达不到我们所需求的数据量，为此将带有标签的仿真数据增加到训练数据集中。形成人工智能学习数据集。
数据预处理。首先将数据集按比例拆分为训练集和测试集，再将数据规范化处理；需要注意的是，如果数据特征中存在有类似数据标签的“好”、“坏”分类值时，要对其进行独热编码处理。
构建人工智能模型。可直接构建人工智能模型，也可借助现有的人工智能框架来构建人工智能模型。
模型训练。基于已处理完的数据集来训练模型，在数据特征值的偏差范围内，我们可以实施数据增强处理，以增加模型的鲁棒性。记录损失值和准确率，并把最优模型（包含模型变量值）保存成相应的格式。
模型应用。将训练好的模型进行评估，并将其评估的工艺参数与结果与仿真数据、试验数据进行对比。若存在偏差，将该数据增入数据集并基于该数据集进行再次模型训练。
经过上述步骤的操作后，我们可以获得一个晶体生长参数的综合分析人工智能系统，但在晶体生长参数综合分析人工智能系统前期，可能会因为数据量的不足、特征提取偏差等因素造成“智能雏型”存在有不足，当我们试验数据量的不断补充和特征提取的有效性增加，“智能雏型”经过反复训练，其会日趋成熟，最终形成非常成熟完备的晶体生长参数人工智能分析系统，此时也就构建完善的晶体生长设计系统。
当我们训练出晶体生长参数的综合分析的人工智能系统时，我们只要参数设定在边界范围内，就可以生长出较好的氮化铝晶体，当我们需要进一步提高氮化铝晶体质量时，在充足数据量的前提条件下，我们可以在“好”的区域内划分为“优秀”、“良好”、“及格”三个等级，基于原有的人工智能模型继续训练，我们会得到一个类似等高线的晶体生长参数边界范围，此时我们在生长氮化铝晶体时只需要将参数条件设定在“优秀“的边界条件内，即使在生长过程中有参数偏差，我们也能将生长晶体结果保持在“良好”范围内。
具体实施步骤
基于物理气相传输法生长氮化铝晶体来构建生长参数分析综合系统，具体步骤如下：
提取数据的特征要素并标注。对碳化硅晶体生长的依赖条件进行分析；在碳化硅晶体生长过程中，主要依赖条件有温度、压力、气流速率、料源、温度梯度等要素，本次数据特征选取温度、压力、气流速率、料间距、轴向温度梯度、径向温度梯度为数据特征，建立特征-标签的二维数据结构；以可制备出6英寸碳化硅晶体为判断依据，并标记为“好”和“坏”。
建立数据集。将以往的历史数据进行整理分配录入到特征-标签二维数据结构表中，同时也将仿真数据结果也录入到特征-标签二维数据结构表中，建立人工智能数据集。
数据预处理。首先将数据集按8:2的比例分拆成训练集和测试集。无论是训练集还是测试集，初步建立的数据集尚不能直接作为人工智能模型训练数据，由于本实例的特征数据中不存在分类数据，只有标签数据是“好”和“坏”的类别型数据，所以需要对数据进行独立热编码操作，现将分类中“好”的标签设置为1，将分类中“坏”的标签设置为0；将数据集中的特征属性值规范化处理。将处理好的数据存储为csv格式的文件中。
构建人工智能模型。本示例中采用的是自己编写的人工智能模型，采用5层卷积神经网络和3层全连接层构建深度学习训练模型。其中卷积神经网络中所用的激活函数为“activation='relu'”。
模型训练。基于已处理好的晶体生长参数数据集对人工智能模型进行训练，在训练过程中，基于温度、压力、气流速率、料间距等参数在实际生产中其与实际输入值有波动偏差的客观因素，在合理的范围内对数据进行增强处理；记录测试集中的损失值和准确率，并择选模型训练过程中的最优模型进行保存。
模型应用。训练好的模型可以实现对拟生长参数的结果进行评估，更重要的是可以优选晶体生长参数边界，这样就可以将生长参数限定在合适的范围内，此在模型可视化中通过多维坐标系来实现。
经过上述步骤的操作，我们获得了一个晶体生长参数的综合分析的人工智能系统，但实际的碳化硅晶体生长周期长，即使将仿真数据来填充模型训练数据集，数据集中的量也是有限的，随着我们的试验样本的不断增加，试验数据和仿真数据不断为训练数据集扩充，人工智能系统对晶体生长参数边界条件越有效、越清晰；在试验数据不断修正仿真数据、不断完善人工智能系统时，仿真数据和人工智能系统对试验的指导意义愈加增大。
基于人工智能系统，我们的晶体生长参数边界条件进一步缩小，现在我们的成晶体率明显提高10%，晶体中的缺陷数量同比降低12%。
Claims (10)
1.基于人工智能的晶体生长分析方法及系统，其特征是，具体步骤如下：（1）提取数据特征并标注；对晶体生长的依赖条件进行分析，基于工艺参数来提取数据特征，建立特征-标签二维数据结构，其中标签为每一工艺参数点的生长结果，分别标记为“好”和“坏”；（2）建立数据集；数据集是有特征-标签构成的二维数据结构，为了构建良好的人工智能模型，训练数据集中需要大量的数据，但实际上实际的试验数据远达不到我们所需求的数据量，为此将带有标签的仿真数据增加到训练数据集中，形成人工智能学习数据集；（3）数据预处理；首先将数据集按比例拆分为训练集和测试集，再将数据规范化处理；需要注意的是，如果数据特征中存在有类似数据标签的“好”、“坏”分类特征数据时，要对其进行独热编码处理；（4）构建人工智能模型；直接创建人工智能模型，或者借助其它人工智能框架来构建人工智能模型；（5）模型训练；基于已处理完的数据集来训练模型，在数据特征值的偏差范围内，可以实施数据增强处理，以增加模型的鲁棒性；记录损失值和准确率，并把最优模型（包含模型变量值）保存成相应的格式；（6）模型应用；将训练好的模型进行评估，并将其评估的工艺参数与结果与仿真数据、试验数据进行对比；若存在偏差，将该数据增入数据集并基于该数据集进行模型训练；（7）当我们训练出晶体生长参数的综合分析的人工智能系统时，我们只要参数设定在边界范围内，就可以生长出较好的氮化铝晶体，当我们需要进一步提高碳化硅晶体质量时，在充足数据量的前提条件下，我们可以在“好”的区域内划分为“优秀”、“良好”、“及格”三个等级，基于原有的人工智能模型继续训练，我们会得到一个类似等高线的晶体生长参数边界范围，此时我们在生长氮化铝晶体时只需要将参数条件设定在“优秀“的边界条件内，即使在生长过程中有参数偏差，我们也能将生长晶体结果保持在“良好”范围内。
2.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（1），其特征在于晶体包括有碳化硅晶体、氮化铝晶体、金刚石晶体、氮化镓晶体、氧化锌晶体、氧化镓晶体。
3.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（1），其特征在于晶体的生长方法包括有物理气相传输或沉积、化学气相沉积、液相法。
4.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（1）和（2），其特征在于从晶体生长和仿真模拟中获取工艺参数和数据结果，并提取有效的数据特征及标签，建立二维表行书的数据结构形式。
5.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（3），其特征在于数据的预处理，晶体生长参数特征数据及标签中的分类值进行独热编码处理，以及对参数特征进行规范化处理。
6.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（4），其特征在于构建适于训练晶体生长数据的人工智能学习模型。
7.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（5），其特征在于模型训练，该模型训练中数据增强处理是基于实际研发、生产过程中晶体生长参数波动偏差范围而实施的操作；既保证模型的有效性，也保证了模型的鲁棒性。
8.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（6），其特征在于模型的应用，基于试验和仿真数据构建晶体生长参数的人工智能分析系统，评估晶体生长参数范围和边界条件，评估试验数据工艺参数点。
9.根据权利要求1所述基于人工智能的晶体生长分析方法中的步骤（7），其特征在于模型的优化提升过程及最终界定最佳的生长范围。
10.通过试验数据、仿真数据、模型系统三者有机结合，数据的相互印证、补充，最终使得生长参数的调整方向更加符合高质量晶体生长的客观规律，界定出高质量晶体的最佳参数范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010502352.2A CN113130017B (zh) | 2020-06-05 | 2020-06-05 | 基于人工智能的晶体生长分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010502352.2A CN113130017B (zh) | 2020-06-05 | 2020-06-05 | 基于人工智能的晶体生长分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113130017A true CN113130017A (zh) | 2021-07-16 |
| CN113130017B CN113130017B (zh) | 2024-01-30 |
Family
ID=76772027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010502352.2A Active CN113130017B (zh) | 2020-06-05 | 2020-06-05 | 基于人工智能的晶体生长分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113130017B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115595667A (zh) * | 2022-10-18 | 2023-01-13 | 湖南大合新材料有限公司（Cn） | 一种碲锌镉晶体智能生长方法、系统、设备及存储介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09288102A (ja) * | 1996-04-22 | 1997-11-04 | Kagaku Gijutsu Shinko Jigyodan | 融液動態の三次元解析方法 |
| US20040129199A1 (en) * | 2002-09-20 | 2004-07-08 | Hamrick David T. | Optimal crystallization parameter determination process |
| CN106960065A (zh) * | 2016-01-11 | 2017-07-18 | 北京仿真中心 | 一种复杂仿真系统可信度的鲁棒评估方法及系统 |
| CN107904661A (zh) * | 2017-12-07 | 2018-04-13 | 北京华进创威电子有限公司 | 一种低应力氮化铝晶体的生长方法 |
| CN108754599A (zh) * | 2018-05-31 | 2018-11-06 | 西安理工大学 | 一种基于有限元数值模拟的硅单晶生长温度控制方法 |
| CN109056056A (zh) * | 2018-09-14 | 2018-12-21 | 西安理工大学 | 一种直拉硅单晶生长过程热场模型辨识方法 |
| CN109978287A (zh) * | 2019-05-17 | 2019-07-05 | 亚洲硅业（青海）有限公司 | 多晶硅智能生产方法及系统 |
| CN110220912A (zh) * | 2019-05-28 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
| CN111028893A (zh) * | 2019-10-28 | 2020-04-17 | 山东天岳先进材料科技有限公司 | 一种晶体生长预测方法及装置 |
| KR102089688B1 (ko) * | 2019-04-12 | 2020-04-24 | 주식회사 이글루시큐리티 | 준지도학습을 통한 인공지능 기반 보안이벤트 분석시스템 및 그 방법 |
| CN113366303A (zh) * | 2018-11-28 | 2021-09-07 | 胜高股份有限公司 | 导热系数估计方法、导热系数估计装置、半导体晶体制品的制造方法、导热系数运算装置、导热系数运算程序以及导热系数运算方法 |
-
2020
- 2020-06-05 CN CN202010502352.2A patent/CN113130017B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09288102A (ja) * | 1996-04-22 | 1997-11-04 | Kagaku Gijutsu Shinko Jigyodan | 融液動態の三次元解析方法 |
| US20040129199A1 (en) * | 2002-09-20 | 2004-07-08 | Hamrick David T. | Optimal crystallization parameter determination process |
| CN106960065A (zh) * | 2016-01-11 | 2017-07-18 | 北京仿真中心 | 一种复杂仿真系统可信度的鲁棒评估方法及系统 |
| CN107904661A (zh) * | 2017-12-07 | 2018-04-13 | 北京华进创威电子有限公司 | 一种低应力氮化铝晶体的生长方法 |
| CN108754599A (zh) * | 2018-05-31 | 2018-11-06 | 西安理工大学 | 一种基于有限元数值模拟的硅单晶生长温度控制方法 |
| CN109056056A (zh) * | 2018-09-14 | 2018-12-21 | 西安理工大学 | 一种直拉硅单晶生长过程热场模型辨识方法 |
| CN113366303A (zh) * | 2018-11-28 | 2021-09-07 | 胜高股份有限公司 | 导热系数估计方法、导热系数估计装置、半导体晶体制品的制造方法、导热系数运算装置、导热系数运算程序以及导热系数运算方法 |
| KR102089688B1 (ko) * | 2019-04-12 | 2020-04-24 | 주식회사 이글루시큐리티 | 준지도학습을 통한 인공지능 기반 보안이벤트 분석시스템 및 그 방법 |
| CN109978287A (zh) * | 2019-05-17 | 2019-07-05 | 亚洲硅业（青海）有限公司 | 多晶硅智能生产方法及系统 |
| CN110220912A (zh) * | 2019-05-28 | 2019-09-10 | 太原理工大学 | 一种基于深度学习的蓝宝石生长缺陷视觉检测方法 |
| CN111028893A (zh) * | 2019-10-28 | 2020-04-17 | 山东天岳先进材料科技有限公司 | 一种晶体生长预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 刘英同, 胡明举, 刘?愿?: "晶体生长的计算机仿真研究", 计算机仿真, no. 10 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115595667A (zh) * | 2022-10-18 | 2023-01-13 | 湖南大合新材料有限公司（Cn） | 一种碲锌镉晶体智能生长方法、系统、设备及存储介质 |
| CN115595667B (zh) * | 2022-10-18 | 2023-11-14 | 湖南大合新材料有限公司 | 一种碲锌镉晶体智能生长方法、系统、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113130017B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104134101B (zh) | 低渗透储层天然气产能预测方法 | |
| CN111414942A (zh) | 一种基于主动学习和卷积神经网络的遥感图像分类方法 | |
| CN112686286B (zh) | 建筑运行能耗异常识别方法、系统、计算机可读存储介质 | |
| CN110516818A (zh) | 一种基于集成学习技术的高维度数据预测方法 | |
| AU2009241409A1 (en) | System and method for interpretation of well data | |
| CN111694830A (zh) | 基于深度集成学习的缺失数据补全方法 | |
| CN112560930B (zh) | 基于生产数据的汽油辛烷值预测方法 | |
| CN104899448A (zh) | 一种集合卡尔曼滤波静态局地化方案的自适应补偿方法 | |
| CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
| CN113130017A (zh) | 基于人工智能的晶体生长分析方法及系统 | |
| CN114662793A (zh) | 基于可解释分层模型的业务流程剩余时间预测方法与系统 | |
| CN110414575A (zh) | 一种融合局部度量的半监督多标记距离度量学习方法 | |
| CN106597853A (zh) | 一种加氢裂化流程中主动式动态调控方法 | |
| CN106294525A (zh) | 一种录井柱状剖面信息提取方法和系统 | |
| Roden et al. | Seismic interpretation with machine learning | |
| Baillard et al. | A Case Study of Understanding the Bonaparte Basin using Unstructured Data Analysis with Machine Learning Techniques | |
| CN115905944A (zh) | 一种基于语义元数据实现工业检验数据的智能标注方法 | |
| CN114266337A (zh) | 一种基于残差网络的烟叶智能分级模型及利用该模型分级的方法 | |
| CN114708463A (zh) | 一种岩石标本图像智能识别方法 | |
| CN111460160B (zh) | 一种基于强化学习的流式文本数据的事件聚类方法 | |
| CN113988410A (zh) | 一种基于knn算法与多项式回归算法组合的跨区域致密油藏油井产能预测方法 | |
| CN113378942A (zh) | 基于多头特征协作的小样本图像分类方法 | |
| CN113130016B (zh) | 一种基于人工智能的晶片质量分析评价方法 | |
| CN112420132A (zh) | 一种汽油催化裂化过程产品质量优化控制方法 | |
| Cao et al. | Study on inferring interwell connectivity of injection-production system based on decision tree |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20231031 Address after: Room JZ2467, Yard 2, Junzhuang Road, Junzhuang Town, Mentougou District, Beijing, 102399 (cluster registration) Applicant after: Beijing Xingyun Lianzhong Technology Co.,Ltd. Address before: 100176 courtyard 17, Tonghui Ganqu Road, Daxing Economic and Technological Development Zone, Beijing Applicant before: BEIJING CENTURY GOLDRAY SEMICONDUCTOR Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |