CN114637864A - 一种知识图谱的更新方法及装置 - Google Patents
一种知识图谱的更新方法及装置 Download PDFInfo
- Publication number
- CN114637864A CN114637864A CN202210343925.0A CN202210343925A CN114637864A CN 114637864 A CN114637864 A CN 114637864A CN 202210343925 A CN202210343925 A CN 202210343925A CN 114637864 A CN114637864 A CN 114637864A
- Authority
- CN
- China
- Prior art keywords
- graph
- knowledge
- data
- wafer
- static
- 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 44
- 230000003068 static effect Effects 0.000 claims abstract description 91
- 238000004519 manufacturing process Methods 0.000 claims abstract description 87
- 239000004065 semiconductor Substances 0.000 claims abstract description 28
- 230000007547 defect Effects 0.000 claims abstract description 27
- 238000003070 Statistical process control Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 3
- 235000012431 wafers Nutrition 0.000 description 71
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001360 synchronised effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F16/23—Updating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供一种知识图谱的更新方法，包括：获取静态知识图谱，静态知识图谱基于目标数据构建，目标数据包括，半导体制造过程中产生的历史数据；基于当前数据构建动态知识图谱，当前数据为当前预设时间段内半导体制造过程中产生数据；基于动态知识图谱，更新静态知识图谱。本发明提供的知识图谱的更新方法，利用对后续半导体制造过程中产生的数据分析产生的知识，例如缺陷发现以及根因，对静态知识图谱进行不断的更新补全，保证了知识图谱的知识全面性。
Description
技术领域
本发明涉及半导体制造技术领域，尤其涉及一种知识图谱的更新方法及装置。
背景技术
在半导体集成电路制造领域，芯片的良率至关重要，当线上出现良率问题的时候，需要尽快调查到问题根源并及时解决，以便保护生产线的7x24小时正常运转。
现有的良率分析往往需要人工(例如良率分析工程师)进行良率分析，以发现晶圆缺陷及缺陷对应的根因，这往往消耗大量人力和时间，为此可以将融合有工程师经验知识的知识图谱应用于晶圆良率分析，实现基于知识图谱的晶圆良率分析，在知识图谱上进行推理，实现自动晶圆缺陷发现及根因发现。基于知识图谱的晶圆良率分析中知识图谱的知识全面性是关键性因素，因此如何保证知识图谱的知识全面性是需要解决的问题。
发明内容
本发明的实施例提供一种知识图谱的更新方法，利用对后续半导体制造过程中产生的数据分析产生的知识，例如缺陷发现以及根因，对静态知识图谱进行不断的更新补全，保证了知识图谱的知识全面性。
第一方面，本发明提供了一种知识图谱的更新方法，包括：获取静态知识图谱，静态知识图谱基于目标数据构建，目标数据包括，半导体制造过程中产生的历史数据；基于当前数据构建动态知识图谱，当前数据为当前预设时间段内半导体制造过程中产生的与制造相关的数据；基于动态知识图谱，更新静态知识图谱。
本发明提供的知识图谱的更新方法，利用对后续半导体制造过程中产生的数据分析产生的知识，例如缺陷发现以及根因，对静态知识图谱进行不断的更新补全，保证了知识图谱的知识全面性。
在一个可能的实现中，所述静态知识图谱包括多个第一节点，和连接所述多个第一节点的多条第一边，所述第一节点表示所述目标数据中涉及的与所述半导体制造相关的第一实体，所述第一边表示所述多个第一节点之间的关联关系；
所述动态知识图谱包括多个第二节点，和连接所述多个第二节点的多条第二边，所述第二节点表示所述当前数据中涉及的与所述晶圆制造相关的第二实体，所述第二边表示所述多个第二节点之间的关联关系；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将与所述第一节点不同的第二节点，以及与所述第一边不同的第二边补充至所述静态知识图谱中。
在一个可能的实现中，所述动态知识图谱包括多个；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将出现次数大于预设次数的，与所述第一节点不同的第二节点以及与所述第一边不同的第二边，补充至所述静态知识图谱中。
在另一个可能的实现中，所述动态知识图谱包括多个，所述第一边和第二边均具有权重；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
基于所述多个动态知识图谱中第二边出现的次数，调整所述静态知识图谱中对应的第一边的权重。
在另一个可能的实现中，所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将所述静态知识图谱的三元组信息和所述动态知识图谱的三元组信息输入训练完成的图谱融合模型中，得到更新后的静态知识图谱；
其中，所述静态知识图谱的三元组信息表征了所述多个第一节点之间的关联关系；所述动态知识图谱的三元组信息表征了所述多个第二节点之间的关联关系
在另一个可能的实现中，所述获取静态知识图谱，包括：
从所述目标数据中提取多个所述第一实体，以及多个所述第一实体之间的关系；
基于所述多个所述第一实体和多个所述第一实体之间的关系，构建所述静态知识图谱。
在另一个可能的实现中，
所述历史数据包括，结构化数据、半结构化数据和非结构化数据中的一种或多种；
其中，所述结构化数据包括所述半导体制造设备相关的数据，和/或所述晶圆相关的数据；
所述半结构化数据包括，工程师对所述结构化数据分析产生的经验文档；
所述非结构化数据为所述半导体制造设备相关的文档，包括所述半导体制造设备的使用说明信息、故障信息以及所述故障信息对应的修复信息中的一种或多种。
在另一个可能的实现中，所述当前数据包括所述当前时间段内的若干生产流程的统计过程控制数据；
所述基于当前数据构建动态知识图谱，包括：
对所述统计过程控制数据进行语义分析，得到所述统计过程控制数据对应的描述文本，所述描述文本描述了所述统计过程控制数据对应的异常信息；
从所述描述文本中提取多个所述第二实体，以及多个所述第二实体之间的关系；
基于所述多个所述第二实体和多个所述第二实体之间的关系，构建动态知识图谱。
在另一个可能的实现中，半导体制造为晶圆制造，所述第一实体包括所述晶圆的制造设备、所述晶圆的缺陷和所述晶圆的缺陷对应的根因中的至少两项；
所述第二实体包括所述晶圆的制造设备、所述晶圆的缺陷和所述晶圆的缺陷对应的根因、所述晶圆的批次、所述晶圆的生产步骤、所述晶圆的生产步骤对应的操作、所述晶圆上的失效类别、所述晶圆的缺陷检测层、所述晶圆的异常事件和所述晶圆的异常事件对应的根因中的至少两项。
第二方面，本发明提供一种知识图谱的更新装置，包括：
获取模块，被配置为，获取静态知识图谱，所述静态知识图谱基于目标数据构建，所述目标数据包括，半导体制造过程中产生的历史数据；
构建模块，被配置为，基于当前数据构建动态知识图谱，所述当前数据为当前预设时间段内所述半导体制造过程中产生的与制造相关的数据；
更新模块，被配置为，基于所述动态知识图谱，更新所述静态知识图谱。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行第一方面所述的方法。
第四方面，本发明还提供一种计算设备，包括存储器和处理器，所述存储器中存储有指令，当所述指令被处理器执行时，使得第一方面所述的方法被实现。
第五方面，本发明提供一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括指令，当所述指令执行时，令计算机执行第一方面所述的方法。
附图说明
图1为本发明实施例提供的一种知识图谱的更新方法的流程图；
图2为一种静态知识图谱的示意图；
图3为一种规则模板的示意图；
图4为一种动态知识图谱的示意图；
图5为静态知识图谱更新后的示意图；
图6为一种图谱融合模型的结构示意图；
图7为本发明实施例提供的一种知识图谱的更新装置的结构示意图；
图8为本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
图1为本发明实施例提供的一种知识图谱的更新方法的流程图。该方法可以通过任何具有计算能力的装置、设备、平台或设备集群来执行。本申请对执行该方法的具体计算设备不做具体限定，可根据需要选择合适的计算设备执行。如图1所示，该知识图谱的更新方法，至少包括步骤S101-S103。
在步骤S101中，获取静态知识图谱。
静态知识图谱是指以图形式组织的过往沉淀下来的知识，存储的知识是常识性的、泛用性的。
静态知识图谱可以基于目标数据预先构建，目标数据包括半导体制造过程中产生历史数据。
半导体可以为晶圆、显示屏等通俗理解上的半导体，下面以晶圆为例介绍本发明的具体方案。
在一个示例中，历史数据可以包括，结构化数据和/或半结构化数据；也就是说，用于构建静态知识图谱的历史数据可以是多源异构数据。
其中，结构化数据包括晶圆制造设备相关的数据和/或晶圆相关的数据，晶圆制造相关的数据例如为：晶圆制造设备产生的数值数据，可以包括设备在生产中通过传感器取得的包含设备的状态的数据，例如包括但不限于：温度，湿度，压力，电压，电流等、设备使用率、报警信息等；晶圆相关的数据例如为：晶圆的良率数据、晶圆在生产流程中通过缺陷检测得到的数据；晶圆在生产流程中通过电学测试得到的数据；晶圆在最终良率检测中得到的失效类型(bin)的数据，例如可以包括CPU区间失效、GUP区间失效、存储区间失效等失效类型。
半结构化数据包括，工程师对结构化数据分析产生的经验文档；该经验文档主要表达了从结构数据中分析出的异常数据，并对这些异常数据进行了分析，推测异常数据带来的晶圆缺陷，以及晶圆缺陷对应的根因。工程师的经验文档通常是半结构化的数据。
例如，在生产过程中，有一些常规的ppt模板帮助工程师能够更好的总结和汇报问题，常见的格式为：
i.问题的描述
ii.检查的手段
iii.归因
iv.下一步的修正方案
换言之，目标数据为多源异构数据，包括来自晶圆在制造过程中各机台产生的结构化数据，和工程师对结构化数据进行分析形成的半结构化的经验文档数据。
在另一个示例中，目标数据还可以包括第三个来源的数据，为晶圆的制造设备相关的文档，包括所述制造设备的使用说明信息、故障信息以及所述故障对应的修复信息中的一种或多种。
晶圆的制造设备相关的文档通常为非结构化数据。
例如晶圆的制造相关的文档可以为设备的产品说明书，里面包含的内容包含但不限于设备的说明，设备的每一个小模块，常见的失效和解决方案。
从目标数据中抽取得到多个实体以及多个实体间的关系，以实体为节点、以关系为边，构建晶圆制造相关的静态知识图谱。
可选的，多个实体可以包括事件类实体和对象类实体，例如事件类实体可以包括设备(Tool)事件、失效类型(Bin)事件、生产步骤(Step)事件、良品率事件、统计过程控制(statstical process control，SPC)事件、缺陷对应的根因中的一项或多项；对象类实体可以包括缺陷检测层(Layer)对象、设备(Tool)对象、缺陷(Defect)对象、失效类型(Bin)对象、生产步骤(Step)对象中的一项或多项。
可选的，边可以包括多种类型，例如对象类实体与事件类实体(Entity-Event，En-Ev)类型的边，对象类实体与对象类实体(Entity-Entity，En-En)类型的边，事件类实体与事件类实体(Event-Event，Ev-Ev)类型的边。
图2示出了一种静态知识图谱的示意图。图中方形节点表示事件类实体，圆形节点表示对象类实体，边表示各个节点间的关系。例如图中“TAD”节点与“Step1”节点，以及节点间的“Step-Tool”边，表示设备TAD与步骤Step1之间具有关系，可得出，晶圆制造过程中的步骤1需要设备TAD参与。
在步骤S102中，基于当前数据构建动态知识图谱。
当前数据为当前预设时间段内晶圆制造过程中产生的与制造相关的数据，例如，当前数据包括晶圆生产相关的所有信息，包括生产步骤、每个步骤的设备、相关的设备事件、异常事件等。
当前数据可以分为两类，一类是当前生产周期晶圆制造设备产生的SPC数据，另一类是工程师对SPC数据分析得出的数据，可以称之为业务数据，包括晶圆(wafer)的批次、晶圆的生产步骤、晶圆上的失效类别、晶圆的缺陷检测层、晶圆的异常事件、晶圆的缺陷、以及缺陷对应的根因等。
通过对当前数据进行知识抽取，得到的多个实体和实体间的关系，以构建动态知识图谱。动态知识图谱中的实体可以包括晶圆的批次、晶圆的生产步骤、晶圆的生产步骤对应的操作、晶圆上的失效类别、晶圆的缺陷检测层、晶圆的异常事件和晶圆的异常事件对应的根因中的至少两项。
由于SPC数据为纯数值的结构化数据，为了便于知识抽取，需要将SPC数据转换为文本数据，即将对SPC数据进行语义分析，得到SPC对应的描述文本，描述文本描述了SPC数据对应的异常信息。
然后再在SPC数据转换后的文本数据的基础上，进行知识抽取，抽取得到多个实体，以及实体间的关系。
可以通过多种方式实现SPC数据的语义识别，例如，根据预设的规则模板，为SPC数据匹配对应的描述文本。示例性的，可以根据图3所示的规则模板进行匹配，比如SPC数据的分布特征为“1point is outside the control limits”即“一点落在A区以外”，则根据规则模板为该SPC数据匹配的描述文本为“A large shift”即“有较大偏离”。
还可以通过，将SPC数据输入训练完成的语义识别模型，得到SPC数据对应的描述文本来实现对SPC数据的语义识别。示例性的，语义识别模型的框架可以是seq2seq，seq2seq框架包括编码器(encoder)和解码器(decoder)，通过训练数据集训练seq2seq框架，建立数值序列与文本的映射关系，最终得到Data-To-Text模型，即符合要求的语义识别模型。
当前预设时间段可以理解为当前更新周期，例如知识图谱的更新周期为一个月，则当前预设时间段为当前一个月的时间段。即收集汇总当前一个月的晶圆生产相关的信息。
可以理解的，上文提及的当前生产周期的含义为当前更新周期内的晶圆生产周期，当前更新周期可以包括若干个晶圆生产周期，例如，当前更新周期内包括5个晶圆生产周期，则这5个晶圆生产周期都可成为当前生产周期。
在步骤S103中，基于动态知识图谱，更新静态知识图谱。
不同于静态知识图谱。动态知识图谱是带有时间维度的知识图谱，例如，其中的节点包括晶圆的批次节点、该批次的SPC事件节点。可针对每个批次的晶圆，也即当前更新周期内的每个生产周期产生一个动态知识图谱，在一个更新周期内可以生成多个动态知识图谱，多个动态知识图谱形成一个将事件按照时间顺序进行呈现的事理图谱。
动态知识图谱一般是将那些一次性的数据组织成一次性的图谱，用户在对数据结果进行分析时可以将数据转化为一次性图谱并与静态知识图谱融合，进行可视化分析推理，当一次性的数据(例如一个生产周期的业务数据或SPC数据)分析完毕后将一次性图谱销毁，分析后的数据如果能沉淀出新的泛用的知识(比如Wafer Bin分析文档)，再融合进静态知识图谱，补充静态知识图谱的内容，完成对静态知识图谱的更新。换言之，将动态知识图谱中有用的知识抽取出来，融合进静态知识图谱中，以对静态知识图谱进行知识补全。
在一个示例中，可以将动态知识图谱中与静态知识图谱不同的节点和边补充至静态知识图谱中，以形成新的静态知识图谱。
图4示出了在更新周期内的一个动态知识图谱，将其中与图1示出的静态知识图谱中不同的节点以及连接关系，抽取出来并补充至静态知识图谱中，以更新补全静态知识图谱，更新后的静态知识图谱如图5所示。
在另一个示例中，当前更新周期具有多个晶圆的生产周期，可以生成多个动态知识图谱，将出现次数大于预设次数的(例如5次)，动态知识图谱中与静态知识图谱中不同的节点和边，补充至静态知识图谱中，以更新补全静态知识图谱。
在另一个示例中，当前更新周期具有多个晶圆的生产周期，可以生成多个动态知识图谱；静态知识图谱中的边还具有权重信息；基于多个动态知识图谱中的边出现的次数，调整静态知识图谱中对应的边的权重。
例如，当动态知识图谱中的边出现的次数越多时，表明这个关系经常发生，这个知识较为重要，若静态知识图谱中没有这个边，可以将这个边补充至静态图谱中，并设置为一个较大的权重，若静态知识图谱中存在这个边，可以将这个边的权重调大，使之在推理过程中这个边的权重计算增大。
在另一个示例中，可以将静态知识图谱的三元组信息和动态知识图谱的三元组信息输入训练完成的图谱融合模型中，得到更新后的静态知识图谱；其中，静态知识图谱的三元组信息表征了多个第一节点之间的关联关系；动态知识图谱的三元组信息表征了所述多个第二节点之间的关联关系。例如，图5示出的知识图谱中的三元组信息可以包括(Step 1，Step-Tool，TAD)、(Step 1,Layer-Step，Metal 1)等，即三元组信息表示了知识图谱中的节点1，节点1和节点2之间的关系，节点2。也就是说，获取了一个知识图谱的三元组关系，也就是获知了知识图谱的表达信息，也就是说，可以通过获取知识图谱的三元组信息，来构建知识图谱。
图谱融合模型的结构如图6所示，该模型为基于循环跳跃网络的关系路径模型，该模型可以有效发掘知识图谱中的长尾实体的语义信息，一定程度上解决了现有知识图谱的局部表达性不足的问题，关系路径可以理解为知识图谱上实体与关系交错而成的链式结构，也就是说掌握了知识图谱的关系路径，也就掌握了知识图谱的构图信息，也就可以构建出更新后的静态知识图谱，进而解决多节点路径信息问题。
图谱融合模型的输入为静态知识图谱的三元组信息，以及动态知识图谱的三元组信息，输出为更新后的静态知识图谱。图谱融合模型的训练过程如下：
输入：知识图谱三元组序列G
输出：训练好的图谱融合模型
1:通过Xavier方法初始化所有参数
2:while
没有收敛do
3:利用公式计算每一个节点的ht,ω
4:for i←1to T do
5:更新权重矩阵ω的系数
6:更新RSN中的参数
7:计算h′ t
8:end for
9:用公式计算目标函数
10:使用梯度下降法更新所有参数
11:end while
其中，
表示图谱融合模型的损失函数，步骤2的含义为若模型的损失函数没有收敛则继续训练，即模型训练至模型的损失函数收敛为止。ht表征模型中的神经元的输出，ω表示模型中的神经元的权重。
在晶圆的生产过程中，将包含有正确知识的动态知识图谱的三元组信息和待更新的静态知识图谱的三元组信息，输入训练完成的图谱融合模型进行融合，得到更新后的静态知识图谱，即将晶圆后续生产过程中产生的新的知识，补全至静态知识图谱中，以保证静态知识图谱的全面性和失效性。
综上，本发明实施例提供的知识图谱的更新方法，将工程师的先验知识构建静态知识图谱，形成一些常识性的、泛用性的知识，再利用后续晶圆制造过程中产生的动态知识动态图谱中一些新的泛用的知识，融合进行静态知识图谱中，实现对静态知识图谱的更新补充，保证静态知识图谱的知识全面性和时效性。
与前述方法实施例基于相同的构思，本发明实施例中还提供了一种知识图谱的更新装置700，该知识图谱的更新装置700包括用以实现图1所示的方法中的各个步骤的单元或模块。
图7为本发明实施例提供的一种知识图谱的更新装置的结构示意图。如图7所示，该知识图谱的更新装置700至少包括：
获取模块701，被配置为，获取静态知识图谱，所述静态知识图谱基于目标数据构建，所述目标数据包括，晶圆制造过程中产生的与制造相关的历史数据，以及工程师对晶圆数据分析形成的经验文档；
构建模块702，被配置为，基于当前数据构建动态知识图谱，所述当前数据为当前预设时间段内所述晶圆制造过程中产生的与制造相关的数据；
更新模块703，被配置为，基于所述动态知识图谱，更新所述静态知识图谱。
根据本发明实施例提供的知识图谱的更新装置700可对应于执行本发明实施例中描述的方法，并且一种知识图谱的更新装置700中的各个模块的上述和其它操作和/或功能分别为了实现图1中的各个方法的相应流程，具体实现可参见上文描述，为了简洁，在此不再赘述。
本发明实施例还提供一种计算设备，包括至少一个处理器、存储器和通信接口，所述处理器用于执行图1所述的方法。该计算设备可以为服务器或终端设备。
图8为本发明实施例提供的计算设备的结构示意图。
如图8所示，所述计算设备800包括至少一个处理器801、存储器802、通信接口和803。其中，处理器801和存储器802和通信接口803通信连接，可以通过无线或有线等方式实现通信。该通信接口803用于接收用户指令或采集设备发送的信息；存储器802存储有计算机指令，处理器801执行该计算机指令，执行前述方法实施例中的方法。
应理解，在本发明实施例中，该处理器801可以是中央处理单元CPU，该处理器801还可以是其他通用处理器、数字信号处理器(digital signal processor，DSP)、专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(fieldprogrammable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。
该存储器802可以包括只读存储器和随机存取存储器，并向处理器801提供指令和数据。存储器802还可以包括非易失性随机存取存储器。
该存储器802可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data date SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlinkDRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
应理解，根据本发明实施例的计算设备800可以执行实现本发明实施例中图1所示方法，该方法实现的详细描述参见上文，为了简洁，在此不再赘述。
本发明的实施例提供了一种计算机可读存储介质，其上存储有计算机程序，当所述计算机指令在被处理器执行时，使得上文提及的知识图谱的更新方法被实现。
本发明的实施例提供了一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括指令，当该指令执行时，令计算机执行上文提及的知识图谱的更新方法。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执轨道，取决于技术方案的特定应用和设计约束条件。本领域普通技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执轨道的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种知识图谱的更新方法，其特征在于，包括：
获取静态知识图谱，所述静态知识图谱基于目标数据构建，所述目标数据包括，半导体制造过程中产生的历史数据；
基于当前数据构建动态知识图谱，所述当前数据为当前预设时间段内所述半导体制造过程中产生的数据；
基于所述动态知识图谱，更新所述静态知识图谱。
2.根据权利要求1所述的方法，其特征在于，所述静态知识图谱包括多个第一节点，和连接所述多个第一节点的多条第一边，所述第一节点表示所述目标数据中涉及的与所述半导体制造相关的第一实体，所述第一边表示所述多个第一节点之间的关联关系；
所述动态知识图谱包括多个第二节点，和连接所述多个第二节点的多条第二边，所述第二节点表示所述当前数据中涉及的与所述半导体制造相关的第二实体，所述第二边表示所述多个第二节点之间的关联关系；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将与所述第一节点不同的第二节点，以及与所述第一边不同的第二边补充至所述静态知识图谱中。
3.根据权利要求2所述的方法，其特征在于，所述动态知识图谱包括多个；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将出现次数大于预设次数的，与所述第一节点不同的第二节点以及与所述第一边不同的第二边，补充至所述静态知识图谱中。
4.根据权利要求2所述的方法，其特征在于，所述动态知识图谱包括多个，所述第一边和第二边均具有权重；
所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
基于所述多个动态知识图谱中第二边出现的次数，调整所述静态知识图谱中对应的第一边的权重。
5.根据权利要求2-4任一项所述的方法，其特征在于，所述基于所述动态知识图谱，更新所述静态知识图谱，包括：
将所述静态知识图谱的三元组信息和所述动态知识图谱的三元组信息输入训练完成的图谱融合模型中，得到更新后的静态知识图谱；
其中，所述静态知识图谱的三元组信息表征了所述多个第一节点之间的关联关系；所述动态知识图谱的三元组信息表征了所述多个第二节点之间的关联关系。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述历史数据包括，结构化数据、半结构化数据和非结构化数据中的一种或多种；
其中，所述结构化数据包括所述半导体制造设备相关的数据，和/或所述晶圆相关的数据；
所述半结构化数据包括，工程师对所述结构化数据分析产生的经验文档；
所述非结构化数据为所述半导体制造设备相关的文档，包括所述半导体制造设备的使用说明信息、故障信息以及所述故障信息对应的修复信息中的一种或多种。
7.根据权利要求2-6任一项所述的方法，其特征在于，所述当前数据包括所述当前时间段内的若干生产流程的统计过程控制数据；
所述基于当前数据构建动态知识图谱，包括：
对所述统计过程控制数据进行语义分析，得到所述统计过程控制数据对应的描述文本，所述描述文本描述了所述统计过程控制数据对应的异常信息；
从所述描述文本中提取多个所述第二实体，以及多个所述第二实体之间的关系；
基于所述多个所述第二实体和多个所述第二实体之间的关系，构建动态知识图谱。
8.根据权利要求2-7任一项所述的方法，其特征在于，所述半导体制造为晶圆制造；
所述第一实体包括晶圆的制造设备、所述晶圆的缺陷和所述晶圆的缺陷对应的根因中的至少两项；
所述第二实体包括所述晶圆的制造设备、所述晶圆的缺陷和所述晶圆的缺陷对应的根因、所述晶圆的批次、所述晶圆的生产步骤、所述晶圆的生产步骤对应的操作、所述晶圆上的失效类别、所述晶圆的缺陷检测层、所述晶圆的异常事件和所述晶圆的异常事件对应的根因中的至少两项。
9.一种知识图谱的更新装置，其特征在于，包括：
获取模块，被配置为，获取静态知识图谱，所述静态知识图谱基于目标数据构建，所述目标数据包括，半导体制造过程中产生的历史数据；
构建模块，被配置为，基于当前数据构建动态知识图谱，所述当前数据为当前预设时间段内所述半导体制造过程中产生的与制造相关的数据；
更新模块，被配置为，基于所述动态知识图谱，更新所述静态知识图谱。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序在计算机中执行时，令计算机执行权利要求1-8中任一项的所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343925.0A CN114637864A (zh) | 2022-04-02 | 2022-04-02 | 一种知识图谱的更新方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210343925.0A CN114637864A (zh) | 2022-04-02 | 2022-04-02 | 一种知识图谱的更新方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114637864A true CN114637864A (zh) | 2022-06-17 |
Family
ID=81952492
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210343925.0A Pending CN114637864A (zh) | 2022-04-02 | 2022-04-02 | 一种知识图谱的更新方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114637864A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090559A (zh) * | 2023-02-03 | 2023-05-09 | 深圳智现未来工业软件有限公司 | 一种基于晶圆图检测数据生成知识点的方法 |
| CN116611519A (zh) * | 2023-07-19 | 2023-08-18 | 中国电子科技集团公司第十研究所 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
| CN117151227A (zh) * | 2023-08-28 | 2023-12-01 | 深圳智现未来工业软件有限公司 | 一种半导体检测结果的推理方法及装置 |
-
2022
- 2022-04-02 CN CN202210343925.0A patent/CN114637864A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116090559A (zh) * | 2023-02-03 | 2023-05-09 | 深圳智现未来工业软件有限公司 | 一种基于晶圆图检测数据生成知识点的方法 |
| CN116611519A (zh) * | 2023-07-19 | 2023-08-18 | 中国电子科技集团公司第十研究所 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
| CN116611519B (zh) * | 2023-07-19 | 2023-10-13 | 中国电子科技集团公司第十研究所 | 一种基于生产链全周期事理图谱的时间规划方法及系统 |
| CN117151227A (zh) * | 2023-08-28 | 2023-12-01 | 深圳智现未来工业软件有限公司 | 一种半导体检测结果的推理方法及装置 |
| CN117151227B (zh) * | 2023-08-28 | 2024-05-17 | 深圳智现未来工业软件有限公司 | 一种半导体检测结果的推理方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114637864A (zh) | 一种知识图谱的更新方法及装置 | |
| US10572331B2 (en) | Method and apparatus for a computer-based generation of component fault trees | |
| US20120303142A1 (en) | Automated model building and model updating | |
| Li et al. | Fault diagnosis expert system of semiconductor manufacturing equipment using a Bayesian network | |
| CN112882954A (zh) | 一种分布式数据库运维动态阈值告警方法及装置 | |
| WO2023284088A1 (zh) | 基于人工智能的电路设计方法与实现系统 | |
| US20110047150A1 (en) | Methods and systems for global knowledge sharing to provide corrective maintenance | |
| CN117909864A (zh) | 一种电力故障预测系统及方法 | |
| Milojković et al. | Short-term forecasting in electronics | |
| Zhang et al. | Stability verification for heterogeneous complex networks via iterative SOS programming | |
| CN112948582A (zh) | 一种数据处理方法、装置、设备以及可读介质 | |
| US20230385495A1 (en) | Efficient circuit simulation method and apparatus, device, and storage medium | |
| EP3678269A1 (en) | System, method and a computer program product for configuring a protection system of a power network | |
| US20100174396A1 (en) | Ontology Model to Accelerate Engineering Analysis in Manufacturing | |
| CN115408535A (zh) | 事故知识图谱构建方法、装置、存储介质及电子设备 | |
| CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
| CN118277746B (zh) | 用于工业物联网的数据补偿方法、装置、设备及存储介质 | |
| JP2004227184A (ja) | 品質データ管理方法およびその装置 | |
| Wang et al. | Connectivity index of generalized uncertain graph | |
| CN115545006B (zh) | 规则脚本生成方法、装置、计算机设备及介质 | |
| Kurilo et al. | Development of a system for hybrid detection of time series anomalies | |
| CN113850565B (zh) | 一种基于成熟度模型的全过程咨询项目管理监测系统及方法 | |
| CN114818275A (zh) | 一种构建知识图谱用于半导体制造良率分析的方法及装置 | |
| CN116257635B (zh) | 云计算技术图谱构建方法、装置、系统、设备及介质 | |
| CN116893855A (zh) | 生成用于外数据点访问的配置的系统和计算机实现的方法 |
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: 20230406 Address after: Building A, Tianxia International Center, No. 8 Taoyuan Road, Dawangshan Community, Nantou Street, Nanshan District, Shenzhen City, Guangdong Province, 518054, 2605 Applicant after: Shenzhen Zhixian Future Industrial Software Co.,Ltd. Address before: 200090 A307, 3rd floor, building a, East 1223, 1687 Changyang Road, Yangpu District, Shanghai Applicant before: Raft Ferry (Shanghai) Technology Co.,Ltd. |
|
| TA01 | Transfer of patent application right |