CN113807441B - 半导体结构制备中的异常传感器监测方法及其装置 - Google Patents
半导体结构制备中的异常传感器监测方法及其装置 Download PDFInfo
- Publication number
- CN113807441B CN113807441B CN202111095217.1A CN202111095217A CN113807441B CN 113807441 B CN113807441 B CN 113807441B CN 202111095217 A CN202111095217 A CN 202111095217A CN 113807441 B CN113807441 B CN 113807441B
- Authority
- CN
- China
- Prior art keywords
- classifier
- measurement
- target
- sensors
- scores
- 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 56
- 239000004065 semiconductor Substances 0.000 title claims abstract description 39
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 27
- 238000002360 preparation method Methods 0.000 title claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 301
- 238000012216 screening Methods 0.000 claims abstract description 48
- 230000015654 memory Effects 0.000 claims description 24
- 238000004519 manufacturing process Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 5
- 238000012806 monitoring device Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 11
- 230000005856 abnormality Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67288—Monitoring of warpage, curvature, damage, defects or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67253—Process monitoring, e.g. flow or thickness monitoring
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/67—Apparatus specially adapted for handling semiconductor or electric solid state devices during manufacture or treatment thereof; Apparatus specially adapted for handling wafers during manufacture or treatment of semiconductor or electric solid state devices or components ; Apparatus not specifically provided for elsewhere
- H01L21/67005—Apparatus not specifically provided for elsewhere
- H01L21/67242—Apparatus for monitoring, sorting or marking
- H01L21/67294—Apparatus for monitoring, sorting or marking using identification means, e.g. labels on substrates or labels on containers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本申请提供一种半导体结构制备中的异常传感器监测方法及其装置,该方法包括:获取晶圆经过不同量测站点的量测数据;将每一量测站点包括的多个量测数据输入至第一分类器中,以对多个量测站点进行筛选;将筛选之后的多个量测站点对应的多个量测数据输入至第二分类器和第三分类器中,而筛选出多个量测站点;将多个量测站点对应的量测数据分别输入至第一分类器,第二分类器和第三分类器,而筛选出多个目标传感器;根据第一分类器,第二分类器和第三分类器获得每一目标传感器组的得分,将得分最高的所述目标传感器组内的多个目标传感器定义为异常传感器。本申请可以利用分类器更快得锁定出现异常的传感器,分析效率快。
Description
技术领域
本申请涉及半导体制造技术,尤其涉及一种半导体结构制备中的异常传感器监测方法及其装置。
背景技术
在半导体产品制作过程中,影响半导体产品良率的因素有很多,如果能越早排除这些影响产品良率的因素,越能提升半导体产品的产能和良率。
在判断影响半导体产品良率的因素时,是先获取异常半导体产品历经站点所涉及的传感器的量测数据,再对这些量测数据进行一一分析,从而确定出影响半导体产品良率的因素(异常传感器)。
在需要分析的量测数据过多时,现有的进行异常分析的方法就需要进行大量的分析工作,这就会导致分析出影响半导体产品良率的因素时出现分析效率过慢的问题。
发明内容
本申请提供一种半导体结构制备中的异常传感器监测方法及其装置,用以减少在确定晶圆制备中的异常传感器的工作量,提高异常传感器确定效率。
一方面,本申请提供一种半导体结构制备中的异常传感器监测方法,包括:
获取晶圆经过不同量测站点的量测数据,其中,每一所述量测站点包括多个量测传感器,所述量测传感器用于获取所述晶圆的所述量测数据;
将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选;
将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点;
将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器,所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器;
对多个所述目标传感器进行组合,形成多个目标传感器组;
根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分;
将得分最高的所述目标传感器组内的多个所述目标传感器定义为异常传感器。
其中一个实施例中,所述将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选,包括:
将每一所述量测站点包括的多个所述量测数据输入至所述第一分类器中,得到每一所述量测站点对应的得分;
筛选出多个量测站点中得分最高的多个所述量测站点。
其中一个实施例中,将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点包括:
将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分;
计算同一所述量测站点在所述第二分类器和所述第三分类器中的得分的平均值,以获得平均得分,并将所述平均得分定义为同一所述量测站点对应的最终评价得分;
筛选出多个量测站点中最终评价得分最高的多个所述量测站点。
其中一个实施例中,所述将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器,包括:
将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个量测传感器分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分;
加权求和同一所述量测站点下多个量测传感器分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述量测站点下多个所述量测传感器对应的得分;
确定多个所述量测站点中得分最高的多个所述量测传感器为多个所述目标传感器。
其中一个实施例中,所述根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分,包括:
将多个所述目标传感器组对应的量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分;
加权求和同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述目标传感器对应的得分,以获得每个所述目标传感器组对应的得分。
其中一个实施例中,所述加权求和同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述目标传感器对应的得分,以获得每个所述目标传感器组对应的得分,包括:
获取所述目标传感器组在目标分类器上的得分具有的权重,所述权重等于以所述量测传感器在所述目标分类器上的得分为分子,以所述量测传感器在所述第一分类器、所述第二分类器和所述第三分类器上的得分之和为分母时得到的数值;所述目标分类器为所述第一分类器、所述第二分类器和所述第三分类器中的任意一个分类器;
根据所述权重,获得同一所述目标传感器组对应的得分,以获得每个所述目标传感器组对应的得分。
其中一个实施例中,所述将每一所述量测站点包括的多个所述量测数据输入至第一分类器中之前,还包括:
降维处理每一所述量测站点包括的多个所述量测数据。
其中一个实施例中,所述第一分类器包括Xgboost分类器,所述第二分类器包括ANN分类器,所述第三分类器包括RF分类器。
其中一个实施例中,所述获取晶圆经过不同量测站点的量测数据之后,还包括:
去除所有所述量测站点的量测数据中的异常数据和数据缺失项,所述异常数据包括数值超过预设数值范围的量测数据,所述数据缺失项包括无量测数据的数据项。
另一方面,本申请提供一种半导体结构制备中的异常传感器监测装置,包括:
获取模块,用于获取晶圆经过不同量测站点的量测数据,其中,每一所述量测站点包括多个量测传感器,所述量测传感器用于获取所述晶圆的所述量测数据;
筛选模块,用于将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选;
所述筛选模块还用于将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点;
所述筛选模块还用于将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器,所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器;
处理模块,用于对多个所述目标传感器进行组合,形成多个目标传感器组;
所述处理模块还用于根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分;
标记模块,用于将得分最高的所述目标传感器组内的多个所述目标传感器定义为异常传感器。
另一方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面所述的半导体结构制备中的异常传感器监测方法。
另一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,当所述指令被执行时,使得计算机执行如第一方面所述的半导体结构制备中的异常传感器监测方法。
另一方面,本申请提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的半导体结构制备中的异常传感器监测方法。
本申请提供的该半导体结构制备中的异常传感器监测方法将获取到的晶圆经过不同量测站点的量测数据输入至该第一分类器中,初步筛选出多个量测站点。再将筛选出的多个量测站点对应的多个量测数据输入至该第二分类器和该第三分类器中,再筛选出多个量测站点。将通过该第二分类器和该第三分类器筛选出的多个量测站点对应的量测数据分别输入至该第一分类器、该第二分类器和该第三分类器,而筛选出多个目标传感器。对该多个目标传感器进行组合后形成多个目标传感器组。将该多个目标传感器组对应的量测数据分别输入至该第一分类器、该第二分类器和该第三分类器,得到每个该目标传感器组的得分,将得分最高的该目标传感器组内的多个该目标传感器定义为异常传感器。由此,确定出晶圆制备中出现异常的传感器。相比于对量测数据进行一一分析来确定异常传感器的方法,本申请提供的方法可以利用分类器更快得锁定出现异常的传感器,分析效率更快。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1为本申请提供的半导体结构制备中的异常传感器监测方法的一种应用场景示意图。
图2为本申请的一个实施例提供的半导体结构制备中的异常传感器监测方法的流程示意图。
图3为本申请的一个实施例提供的半导体结构制备中的异常传感器监测方法的示意图。
图4为本申请的一个实施例提供的半导体结构制备中的异常传感器监测装置的示意图。
图5为本申请的一个实施例提供的电子设备的示意图。
通过上述附图,已示出本公开明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围,而是通过参考特定实施例为本领域技术人员说明本公开的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本申请提供的半导体结构制备中的异常传感器监测方法应用于计算机设备10,该计算机设备例如计算机、实验室专用的服务器等。图1为本申请提供的半导体结构制备中的异常传感器监测方法的应用示意图,图1中,该计算机设备10上设置有第一分类器11、第二分类器12和第三分类器13。该计算机设备10将获取到的晶圆经过不同量测站点的量测数据输入至该第一分类器11中,初步筛选出多个量测站点。再将筛选出的多个量测站点对应的多个量测数据输入至该第二分类器12和该第三分类器13中,再筛选出多个量测站点。将通过该第二分类器12和该第三分类器13筛选出的多个量测站点对应的量测数据分别输入至该第一分类器11、该第二分类器12和该第三分类器13,而筛选出多个目标传感器。对该多个目标传感器进行组合后形成多个目标传感器组。将该多个目标传感器组对应的量测数据分别输入至该第一分类器11、该第二分类器12和该第三分类器13,得到每个该目标传感器组的得分,将得分最高的该目标传感器组定义为异常传感器。由此,确定出晶圆制备中出现异常的传感器。
请参见图2,本申请实施例一提供一种半导体结构制备中的异常传感器监测方法,包括:
S210,获取晶圆经过不同量测站点的量测数据,其中,每一该量测站点包括多个量测传感器,该量测传感器用于获取该晶圆的该量测数据。
该晶圆可以包括已经出现异常的晶圆。该量测数据例如包括晶圆的高度、宽度等,晶圆被施加电压后产生的电流。
晶圆在制备过程中需要经过不同的量测站点,每个量测站点覆盖至少一个机台,机台上设置有多个量测传感器,每个量测传感器对晶圆进行检测后产生量测数据。
可选的,在获取晶圆经过不同量测站点的量测数据之后,还需要去除所有该量测站点的量测数据中的异常数据和数据缺失项,该异常数据包括数值超过预设数值范围的量测数据,该数据缺失项包括无量测数据的数据项。例如某个量测站点的某项量测值的数值范围应该是2至10,而该某项量测值为300,则该某项量测值为异常数据,需要去除。该数据缺失项就是某个数据项应该有量测数据,例如电流的数据项应该有电流量测数据,但是获取到的量测数据中电流的数据项却没有量测数据,则去除电流的数据项。
S220,将每一该量测站点包括的多个该量测数据输入至第一分类器中,以对多个该量测站点进行筛选。
该第一分类器11例如包括Xgboost分类器。
将每一该量测站点包括的多个该量测数据输入至该第一分类器11中,得到每一该量测站点对应的得分。即,每一该量测站点包括的多个量测数据作为数据集合输入至该第一分类器11中,该第一分类器11输出每一该量测站点的得分。可选的,可以筛选出该晶圆经过的量测站点中得分大于预设得分的多个量测站点为初步筛选出的量测站点,也可以筛选出多个该量测站点中得分最高的多个该量测站点为初步筛选出的量测站点。
可选的,在将每一该量测站点包括的多个该量测数据输入至该第一分类器11中之前,还需要降维处理每一该量测站点包括的多个该量测数据。该降维处理即降维PCA(Principal component analysis)处理。
S230,将筛选之后的多个该量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一该量测站点在该第二分类器和该第三分类器中的得分,而筛选出多个该量测站点。
步骤S230是对步骤S220筛选出的量测站点进行进一步的筛选,例如步骤S220从晶圆经过的所有量测站点中筛选出25个量测站点,步骤S230就是从这25个量测站点中再进一步筛选得到例如10个量测站点。
该第二分类器12例如包括人工神经网络(Artificial Neural Network,ANN)分类器,该第三分类器13例如包括随机森林(Random Forest,RF)分类器。
经过步骤S220初步筛选出多个量测站点后,将筛选之后的多个该量测站点对应的多个量测数据输入至该第二分类器12和该第三分类器13中,以获得同一该量测站点在该第二分类器12和该第三分类器13中的得分。即,将筛选之后的多个该量测站点对应的多个量测数据作为数据集合输入至该第二分类器12后得到第一得分,将筛选之后的多个该量测站点对应的多个量测数据输入至该第三分类器13后得到第二得分。
在进行量测站点筛选时,可以通过该第一得分和该第二得分对量测站点进行筛选。例如,计算同一该量测站点在该第二分类器12和该第三分类器13中的得分的平均值,以获得平均得分(即该第一得分和该第二得分的求和平均值),并将该平均得分定义为同一该量测站点对应的最终评价得分,筛选出多个量测站点中最终评价得分最高的多个该量测站点为最终筛选出的量测站点。
可选的,在计算出同一该量测站点对应的最终评价得分后,也可以筛选出多个量测站点中最终评价得分大于预设评价得分的多个量测站点为最终筛选出的量测站点。
S240,将多个该量测站点对应的该量测数据分别输入至该第一分类器,该第二分类器和该第三分类器,以获得同一该量测站点下多个该量测传感器的得分,而筛选出多个目标传感器。
经过步骤S230筛选出的多个量测站点对应的该量测数据作为数据集合分别输入至该第一分类器11、该第二分类器12和该第三分类器13,该第一分类器11、该第二分类器12和该第三分类器13都会输出一个得分。在确定量测传感器的得分时,是获得同一该量测站点下多个量测传感器分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分后,再加权求和同一该量测站点下多个量测传感器分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分,得到同一该量测站点下多个该量测传感器对应的得分。在确定每个该量测传感器的得分后,可以确定多个该量测站点中得分最高的多个该量测传感器为该多个目标传感器。可选的,也可以确定多个该量测站点中得分超过预设得分的多个该量测传感器为该多个目标传感器。
在加权求和同一该量测站点下多个量测传感器分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分时,需要先获取该量测传感器分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分具有的权重。
该量测传感器在该第一分类器11上的得分具有的权重等于该量测传感器在该第一分类器11上的得分为分子,以该量测传感器在该第一分类器11、该第二分类器12和该第三分类器13上的得分之和为分母时得到的数值。同理,该量测传感器在该第二分类器12上的得分具有的权重等于该量测传感器在该第二分类器12上的得分为分子,以该量测传感器在该第一分类器11、该第二分类器12和该第三分类器13上的得分之和为分母时得到的数值。该量测传感器在该第三分类器13上的得分具有的权重等于该量测传感器在该第三分类器13上的得分为分子,以该量测传感器在该第一分类器11、该第二分类器12和该第三分类器13上的得分之和为分母时得到的数值。例如该量测传感器在该第一分类器11上的得分为0.9,在该第二分类器12上的得分为0.5,在该第三分类器13上的得分为0.6,则该量测传感器在该第一分类器11上的得分具有的权重为0.9/(0.9+0.5+0.6),该量测传感器在该第二分类器12上的得分具有的权重为0.5/(0.9+0.5+0.6),该量测传感器在该第三分类器13上的得分具有的权重为0.6/(0.9+0.5+0.6),该量测传感器的得分即为[0.9/(0.9+0.5+0.6)]*0.9+[(0.5/(0.9+0.5+0.6)]*0.5+[(0.6/(0.9+0.5+0.6)]*0.6=0.71。
同一量测传感器在该第一分类器11、该第二分类器12和该第三分类器13上的得分会有差异,引入权重计算量测传感器的得分的目的是提高得分较高的分类器输出的得分,以使得最终计算得到的量测传感器的得分更加切合实际。
可选的,在筛选出多个目标传感器后,可以将该目标传感器作为异常传感器。
S250,对多个该目标传感器进行组合,形成多个目标传感器组。
影响晶圆异常的不仅有本身出现异常的量测传感器,量测传感器之间的组合也可能是引起晶圆异常的原因。因此,本实施例还对多个该目标传感器进行组合,形成多个目标传感器组。在组合时,可以是随机组合多个该目标传感器,形成多个目标传感器组。例如对目标传感器1、目标传感器2、目标传感器3、目标传感器4、目标传感器5和目标传感器6均进行两两组合,得到的多个该目标传感器组可以为(目标传感器1和目标传感器2)、(目标传感器2和目标传感器3)、(目标传感器3和目标传感器4)、(目标传感器4和目标传感器5)、(目标传感器1和目标传感器3)、(目标传感器1和目标传感器4)、(目标传感器1和目标传感器5)、(目标传感器2和目标传感器4)、(目标传感器2和目标传感器5)、(目标传感器3和目标传感器5)等。或者随机组合,得到的多个该目标传感器组可以为(目标传感器1、目标传感器2、目标传感器3)、(目标传感器1、目标传感器3、目标传感器4)、(目标传感器1、目标传感器3、目标传感器5)、(目标传感器2、目标传感器3、目标传感器4)等。随机组合的方式可以根据实际需要选择,本申请不做限定。
S260,根据该第一分类器,该第二分类器和该第三分类器获得每一该目标传感器组的得分,而获得每个该目标传感器组对应的得分。
将多个该目标传感器组对应的量测数据分别输入至该第一分类器11、该第二分类器12和该第三分类器13,以获得同一该目标传感器组分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分。再加权求和同一该目标传感器组下多个量测传感器分别在该第一分类器11、该第二分类器12和该第三分类器13上的得分,得到同一该目标传感器对应的得分,以获得每个该目标传感器组对应的得分。
即,将每个该目标传感器组对应的量测数据作为数据集合分别输入至该第一分类器11、该第二分类器12和该第三分类器13,分别获得该第一分类器11、该第二分类器12和该第三分类器13输出的得分。再获取该目标传感器组在目标分类器上的得分具有的权重,该目标分类器为该第一分类器11、该第二分类器12和该第三分类器13中的任意一个分类器。该目标传感器组在目标分类器上的得分具有的权重等于以该量测传感器在该目标分类器上的得分为分子,以该量测传感器在该第一分类器11、该第二分类器12和该第三分类器13上的得分之和为分母时得到的数值。再根据该权重,获得同一该目标传感器组对应的得分,以获得每个该目标传感器组对应的得分。
如步骤S240中的相关描述,例如该目标传感器组在该第一分类器11上的得分为0.7,在该第二分类器12上的得分为0.3,在该第三分类器13上的得分为0.5,则该目标传感器组在该第一分类器11上的得分具有的权重为0.7/(0.7+0.3+0.5),该量测传感器在该第二分类器12上的得分具有的权重为0.3/(0.7+0.3+0.5),该量测传感器在该第三分类器13上的得分具有的权重为0.5/(0.7+0.3+0.5),该量测传感器的得分即为[0.7/(0.7+0.3+0.5)]*0.7+[0.3/(0.7+0.3+0.5)]*0.3+[0.5/(0.7+0.3+0.5)]*0.5=0.554。
S270,将得分最高的该目标传感器组内的多个该目标传感器定义为异常传感器。
得分最高的该目标传感器组可以是一个该目标传感器组,也可以是按得分从高到低排列的得分最高的多个目标传感器组。
为了更便于理解本实施提供的该半导体结构制备中的异常传感器监测方法如何实现,请参考图3中的示例,图3中先执行步骤S210,以获取了晶圆1在量测站点1至量测站点10中所有传感器(传感器11至传感器16、传感器21至传感器26、传感器31至传感器36、传感器41至传感器46、传感器51至传感器56、传感器61至传感器66、传感器71至传感器76、传感器81至传感器86、传感器91至传感器96、传感器101至传感器106)下的量测数据(量测数据11至量测数据16、量测数据21至量测数据26、量测数据31至量测数据36、量测数据41至量测数据46、量测数据51至量测数据56、量测数据61至量测数据66、量测数据71至量测数据76、量测数据81至量测数据86、量测数据91至量测数据96、量测数据101至量测数据106)。再执行步骤S220和步骤S230,从量测站点1至量测站点10中筛选出6个量测站点。再执行步骤S240筛选出多个目标传感器。再执行步骤S250和步骤S260,确定出异常传感器。
本实施例提供的该半导体结构制备中的异常传感器监测方法将获取到的晶圆经过不同量测站点的量测数据输入至该第一分类器11中,初步筛选出多个量测站点。再将筛选出的多个量测站点对应的多个量测数据输入至该第二分类器12和该第三分类器13中,再筛选出多个量测站点。将通过该第二分类器12和该第三分类器13筛选出的多个量测站点对应的量测数据分别输入至该第一分类器11、该第二分类器12和该第三分类器13,而筛选出多个目标传感器。对该多个目标传感器进行组合后形成多个目标传感器组。将该多个目标传感器组对应的量测数据分别输入至该第一分类器11、该第二分类器12和该第三分类器13,得到每个该目标传感器组的得分,将得分最高的该目标传感器组内的多个该目标传感器定义为异常传感器。由此,确定出晶圆制备中出现异常的传感器。相比于对量测数据进行一一分析来确定异常传感器的方法,本实施例提供的方法可以利用分类器更快得锁定出现异常的传感器,分析效率更快。
请参见图4,本申请实施例二提供一种半导体结构制备中的异常传感器监测装置10,包括:
获取模块11,用于获取晶圆经过不同量测站点的量测数据,其中,每一该量测站点包括多个量测传感器,该量测传感器用于获取该晶圆的该量测数据;
筛选模块12,用于将每一该量测站点包括的多个该量测数据输入至第一分类器中,以对多个该量测站点进行筛选;
该筛选模块12还用于将筛选之后的多个该量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一该量测站点在该第二分类器和该第三分类器中的得分,而筛选出多个该量测站点;
该筛选模块12还用于将多个该量测站点对应的该量测数据分别输入至该第一分类器,该第二分类器和该第三分类器,以获得同一该量测站点下多个该量测传感器的得分,而筛选出多个目标传感器;
处理模块13,用于对多个该目标传感器进行组合,形成多个目标传感器组;
该处理模块13还用于根据该第一分类器,该第二分类器和该第三分类器获得每一该目标传感器组的得分,而获得每个该目标传感器组对应的得分;
标记模块14,用于将得分最高的该目标传感器组内的多个该目标传感器定义为异常传感器。
该筛选模块12具体用于将每一该量测站点包括的多个该量测数据输入至该第一分类器中,得到每一该量测站点对应的得分;筛选出多个量测站点中得分最高的多个该量测站点。
该筛选模块12具体用于将筛选之后的多个该量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一该量测站点在该第二分类器和该第三分类器中的得分;计算同一该量测站点在该第二分类器和该第三分类器中的得分的平均值,以获得平均得分,并将该平均得分定义为同一该量测站点对应的最终评价得分;筛选出多个量测站点中最终评价得分最高的多个该量测站点。
该筛选模块12具体用于将多个该量测站点对应的该量测数据分别输入至该第一分类器、该第二分类器和该第三分类器,以获得同一该量测站点下多个量测传感器分别在该第一分类器、该第二分类器和该第三分类器上的得分;加权求和同一该量测站点下多个量测传感器分别在该第一分类器、该第二分类器和该第三分类器上的得分,得到同一该量测站点下多个该量测传感器对应的得分;确定多个该量测站点中得分最高的多个该量测传感器为多个该目标传感器。
该处理模块13具体用于将多个该目标传感器组对应的量测数据分别输入至该第一分类器、该第二分类器和该第三分类器,以获得同一该目标传感器组分别在该第一分类器、该第二分类器和该第三分类器上的得分;加权求和同一该目标传感器组分别在该第一分类器、该第二分类器和该第三分类器上的得分,得到同一该目标传感器对应的得分,以获得每个该目标传感器组对应的得分。
该处理模块13具体用于获取该目标传感器组在目标分类器上的得分具有的权重,该权重等于以该量测传感器在该目标分类器上的得分为分子,以该量测传感器在该第一分类器、该第二分类器和该第三分类器上的得分之和为分母时得到的数值;该目标分类器为该第一分类器、该第二分类器和该第三分类器中的任意一个分类器;根据该权重,获得同一该目标传感器组对应的得分,以获得每个该目标传感器组对应的得分。
该处理模块13还用于降维处理每一该量测站点包括的多个该量测数据。
该第一分类器包括Xgboost分类器,该第二分类器包括ANN分类器,该第三分类器包括RF分类器。
该处理模块13还用于去除所有该量测站点的量测数据中的异常数据和数据缺失项,该异常数据包括数值超过预设数值范围的量测数据,该数据缺失项包括无量测数据的数据项。
该半导体结构制备中的异常传感器监测装置10的实现方法与以上任一实施例描述的该半导体结构制备中的异常传感器监测方法一致,此处不再赘述。
请参见图5,本申请实施例三还提供一种电子设备20,包括:处理器21,以及与该处理器21通信连接的存储器22,该存储器22存储计算机执行指令;该处理器21执行该存储器22存储的计算机执行指令,以实现如以上任一实施例描述的该半导体结构制备中的异常传感器监测方法。
本申请还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机执行指令,当该指令被执行时,使得计算机执行指令被处理器执行时用于实现如上任一项实施例提供的该半导体结构制备中的异常传感器监测方法。
本申请还提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上任一项实施例提供的该半导体结构制备中的异常传感器监测方法。
需要说明的是,上述计算机可读存储介质可以是只读存储器(Read Only Memory,ROM)、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory,CD-ROM)等存储器。也可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本申请各个实施例所描述的方法。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (12)
1.一种半导体结构制备中的异常传感器监测方法,其特征在于,包括:
获取晶圆经过不同量测站点的量测数据,其中,每一所述量测站点包括多个量测传感器,所述量测传感器用于获取所述晶圆的所述量测数据;
将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选;
将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点;
将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器,所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器;
对多个所述目标传感器进行组合,形成多个目标传感器组;
根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分;
将得分最高的所述目标传感器组内的多个所述目标传感器定义为异常传感器;
所述将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选,包括:
将每一所述量测站点包括的多个所述量测数据输入至所述第一分类器中,得到每一所述量测站点对应的得分;
筛选出多个量测站点中得分最高的多个所述量测站点。
2.根据权利要求1所述的方法,其特征在于,将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点包括:
将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分;
计算同一所述量测站点在所述第二分类器和所述第三分类器中的得分的平均值,以获得平均得分,并将所述平均得分定义为同一所述量测站点对应的最终评价得分;
筛选出多个量测站点中最终评价得分最高的多个所述量测站点。
3.根据权利要求1或2所述的方法,其特征在于,所述将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器,包括:
将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个量测传感器分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分;
加权求和同一所述量测站点下多个量测传感器分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述量测站点下多个所述量测传感器对应的得分;
确定多个所述量测站点中得分最高的多个所述量测传感器为多个所述目标传感器。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分,包括:
将多个所述目标传感器组对应的量测数据分别输入至所述第一分类器、所述第二分类器和所述第三分类器,以获得同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分;
加权求和同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述目标传感器对应的得分,以获得每个所述目标传感器组对应的得分。
5.根据权利要求4所述的方法,其特征在于,所述加权求和同一所述目标传感器组分别在所述第一分类器、所述第二分类器和所述第三分类器上的得分,得到同一所述目标传感器对应的得分,以获得每个所述目标传感器组对应的得分,包括:
获取所述目标传感器组在目标分类器上的得分具有的权重,所述权重等于以所述量测传感器在所述目标分类器上的得分为分子,以所述量测传感器在所述第一分类器、所述第二分类器和所述第三分类器上的得分之和为分母时得到的数值;所述目标分类器为所述第一分类器、所述第二分类器和所述第三分类器中的任意一个分类器;
根据所述权重,获得同一所述目标传感器组对应的得分,以获得每个所述目标传感器组对应的得分。
6.根据权利要求1所述的方法,其特征在于,所述将每一所述量测站点包括的多个所述量测数据输入至第一分类器中之前,还包括:
降维处理每一所述量测站点包括的多个所述量测数据。
7.根据权利要求1所述的方法,其特征在于,所述第一分类器包括Xgboost分类器,所述第二分类器包括ANN分类器,所述第三分类器包括RF分类器。
8.根据权利要求1所述的方法,其特征在于,所述获取晶圆经过不同量测站点的量测数据之后,还包括:
去除所有所述量测站点的量测数据中的异常数据和数据缺失项,所述异常数据包括数值超过预设数值范围的量测数据,所述数据缺失项包括无量测数据的数据项。
9.一种半导体结构制备中的异常传感器监测装置,其特征在于,包括:
获取模块,用于获取晶圆经过不同量测站点的量测数据,其中,每一所述量测站点包括多个量测传感器,所述量测传感器用于获取所述晶圆的所述量测数据;
筛选模块,用于将每一所述量测站点包括的多个所述量测数据输入至第一分类器中,以对多个所述量测站点进行筛选;
所述筛选模块还用于将筛选之后的多个所述量测站点对应的多个量测数据输入至第二分类器和第三分类器中,以获得同一所述量测站点在所述第二分类器和所述第三分类器中的得分,而筛选出多个所述量测站点;
所述筛选模块还用于将多个所述量测站点对应的所述量测数据分别输入至所述第一分类器,所述第二分类器和所述第三分类器,以获得同一所述量测站点下多个所述量测传感器的得分,而筛选出多个目标传感器;
处理模块,用于对多个所述目标传感器进行组合,形成多个目标传感器组;
所述处理模块还用于根据所述第一分类器,所述第二分类器和所述第三分类器获得每一所述目标传感器组的得分,而获得每个所述目标传感器组对应的得分;
标记模块,用于将得分最高的所述目标传感器组内的多个所述目标传感器定义为异常传感器;
所述筛选模块具体用于将每一所述量测站点包括的多个所述量测数据输入至所述第一分类器中,得到每一所述量测站点对应的得分;筛选出多个量测站点中得分最高的多个所述量测站点。
10.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-8中任一项所述的半导体结构制备中的异常传感器监测方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,当所述指令被执行时,使得计算机执行如权利要求1-8中任一项所述的半导体结构制备中的异常传感器监测方法。
12.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的半导体结构制备中的异常传感器监测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095217.1A CN113807441B (zh) | 2021-09-17 | 2021-09-17 | 半导体结构制备中的异常传感器监测方法及其装置 |
US17/750,448 US20230087390A1 (en) | 2021-09-17 | 2022-05-23 | Method for monitoring abnormal sensors during fabrication of semiconductor structure, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111095217.1A CN113807441B (zh) | 2021-09-17 | 2021-09-17 | 半导体结构制备中的异常传感器监测方法及其装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113807441A CN113807441A (zh) | 2021-12-17 |
CN113807441B true CN113807441B (zh) | 2023-10-27 |
Family
ID=78895811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111095217.1A Active CN113807441B (zh) | 2021-09-17 | 2021-09-17 | 半导体结构制备中的异常传感器监测方法及其装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230087390A1 (zh) |
CN (1) | CN113807441B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020064367A (ja) * | 2018-10-15 | 2020-04-23 | 株式会社東芝 | 異常検知装置及び異常検知方法 |
KR20210017651A (ko) * | 2019-08-09 | 2021-02-17 | 연세대학교 산학협력단 | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 |
CN112397404A (zh) * | 2019-08-14 | 2021-02-23 | 长鑫存储技术有限公司 | 半导体制程检测方法及检测系统 |
CN114631122A (zh) * | 2019-10-14 | 2022-06-14 | Pdf决策公司 | 半导体应用的协作学习模型 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10082787B2 (en) * | 2015-08-28 | 2018-09-25 | International Business Machines Corporation | Estimation of abnormal sensors |
US11610076B2 (en) * | 2019-08-07 | 2023-03-21 | Applied Materials, Inc. | Automatic and adaptive fault detection and classification limits |
KR102627062B1 (ko) * | 2019-10-06 | 2024-01-18 | 피디에프 솔루션즈, 인코포레이티드 | 비정상 장비 트레이스 검출 및 분류 |
US20210287040A1 (en) * | 2020-03-16 | 2021-09-16 | Fares AL-QUNAIEER | Training system and processes for objects to be classified |
-
2021
- 2021-09-17 CN CN202111095217.1A patent/CN113807441B/zh active Active
-
2022
- 2022-05-23 US US17/750,448 patent/US20230087390A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020064367A (ja) * | 2018-10-15 | 2020-04-23 | 株式会社東芝 | 異常検知装置及び異常検知方法 |
KR20210017651A (ko) * | 2019-08-09 | 2021-02-17 | 연세대학교 산학협력단 | 반도체 제조 공정에서 고장 검출 및 불량 원인 진단을 위한 방법 |
CN112397404A (zh) * | 2019-08-14 | 2021-02-23 | 长鑫存储技术有限公司 | 半导体制程检测方法及检测系统 |
CN114631122A (zh) * | 2019-10-14 | 2022-06-14 | Pdf决策公司 | 半导体应用的协作学习模型 |
Also Published As
Publication number | Publication date |
---|---|
CN113807441A (zh) | 2021-12-17 |
US20230087390A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814385A (zh) | 预测加工件质量的方法、装置和计算机设备 | |
CN111382546B (zh) | 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法 | |
CN114627092A (zh) | 缺陷检测方法、装置、电子设备及可读存储介质 | |
CN115268406B (zh) | 一种单片机芯片测试方法、系统、计算机设备及存储介质 | |
CN115484112B (zh) | 支付大数据安全防护方法、系统及云平台 | |
CN112417734B (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN115049019B (zh) | 金属有机框架对砷的吸附性能评估方法、装置及相关设备 | |
CN113850244B (zh) | 基于图像识别的输煤量监测方法、装置、设备及存储介质 | |
CN113807441B (zh) | 半导体结构制备中的异常传感器监测方法及其装置 | |
CN113988676B (zh) | 一种水处理设备的安全管理方法及系统 | |
CN111783099B (zh) | 一种设备安全分析方法、装置及设备 | |
CN117035374A (zh) | 一种应对突发事件的兵力协同调度方法、系统及介质 | |
CN1971619A (zh) | 基于元胞自动机的图像边缘检测算法 | |
CN116152757A (zh) | 一种基于多点位的称重数据分析方法及相关装置 | |
CN114548294A (zh) | 一种电网异常数据检测方法、装置、移动终端及存储介质 | |
CN113255440A (zh) | 一种基于机器学习的农作物叶片异常检测方法及系统 | |
CN113554126B (zh) | 样本评估方法、装置、设备及计算机可读存储介质 | |
CN117309299B (zh) | 伺服驱动器振动试验方法、装置、设备及介质 | |
CN113553754A (zh) | 存储器、火灾风险预测模型构建方法、系统和装置 | |
CN117421688B (zh) | 基于机器学习的智能预警方法、装置、设备及介质 | |
CN111104584A (zh) | 信息价值度的确定方法、装置、存储介质和处理器 | |
JP7322918B2 (ja) | プログラム、情報処理装置、及び学習モデルの生成方法 | |
CN116611267A (zh) | 一种物探数据正则化反演中先验边界结构全约束配置方法 | |
CN114372088A (zh) | 基于型评系统的计量设备样机评价方法、装置、设备及介质 | |
CN116756662A (zh) | 基于哈里斯鹰算法优化随机森林的良率预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |