CN116051555A - 一种晶圆温度分布的检测系统及方法 - Google Patents
一种晶圆温度分布的检测系统及方法 Download PDFInfo
- Publication number
- CN116051555A CN116051555A CN202310330665.8A CN202310330665A CN116051555A CN 116051555 A CN116051555 A CN 116051555A CN 202310330665 A CN202310330665 A CN 202310330665A CN 116051555 A CN116051555 A CN 116051555A
- Authority
- CN
- China
- Prior art keywords
- data
- wafer
- temperature
- abnormal
- template
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 62
- 238000001514 detection method Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005259 measurement Methods 0.000 claims abstract description 134
- 238000004364 calculation method Methods 0.000 claims abstract description 118
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims description 290
- 238000012545 processing Methods 0.000 claims description 87
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000001931 thermography Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 18
- 230000007547 defect Effects 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 15
- 239000013078 crystal Substances 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000004065 semiconductor Substances 0.000 abstract description 3
- 235000012431 wafers Nutrition 0.000 description 512
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000002076 thermal analysis method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本发明涉及半导体晶圆技术领域,尤其涉及一种晶圆温度分布的检测系统及方法。所述方法包括以下步骤:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集;根据弱相似度晶圆数据集、晶圆生产数据以及晶圆测量场数据生成测量场温度异常域、测量场恒温区域、批次温度异常域及批次恒温区域;基于测量场温度异常域以及批次温度异常域生成异常域优化计算公式;基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型;本发明能够提高晶圆温度分布检测的精准度。
Description
技术领域
本发明涉及半导体晶圆技术领域,尤其是涉及一种晶圆温度分布的检测系统及方法。
背景技术
晶圆技术是半导体制造的核心技术之一,国内晶圆技术在过去几年有了长足发展。目前,国内已经形成了一定的晶圆生产能力,主要集中在晶圆制造设备、晶圆设计两个方面,并不断致力于开发新型晶圆制造设备,然而晶圆温度分布并不均匀,温度影响因素较多,因素影响较大,导致晶圆温度分布的检测数据往往难以精准,在众多影响因素下,如何开发一种晶圆温度分布的检测系统及方法成为亟待解决的问题。
发明内容
本发明提供一种晶圆温度分布的检测系统及方法,以解决至少一个上述技术问题。
为实现上述目的,一种晶圆温度分布的检测方法,包括以下步骤:
步骤S1:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集;
步骤S2:根据弱相似度晶圆数据集、晶圆生产数据、晶圆测量场数据进行温度区域划分处理,生成测量场温度异常域、测量场恒温区域、批次温度异常域及批次恒温区域;
步骤S3:基于测量场温度异常域以及批次温度异常域对预构建的异常域计算公式进行优化,生成异常域优化计算公式;
步骤S4:基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型,生成自训练测温模型,利用自训练温度检测模型对进行晶圆温度分布进行检测,获得晶圆温度分布数据。
本实施例通过获取晶圆数据集,利用晶圆数据集中晶圆生产数据以及晶圆测量场数据,以大量数据集对生产数据以及测量场数据对温度分布的影响进行挖掘,通过弱相似度晶圆数集生成处理,生成弱相似度晶圆数据集,帮助提高数据集的多样性,增强后续训练模型的泛化能力,对数据进行温度区域划分处理,通过有效将晶圆温度数据划分类别,从而更好地进行异常检测和数据质量控制,根据划分的温度区域对异常域公式进行优化,利用优化后的异常域公式提高异常温度检测的准确性和效率,构建自训练模型,根据晶圆数据集的数据更新实现模型的自适应调整和模型更新,通过以上步骤获得的数据可以用于进一步的质量控制以及优化温度分布检测,提高晶圆温度分布检测准确性以及检测效率。
在本说明书的一个实施例中,步骤S1包括以下步骤:
步骤S11:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据、晶圆测量场数据以及晶圆参数数据;
步骤S12:对晶圆数据集进行热成像多方位测量处理,生成晶圆热成像图像集;
步骤S13:对晶圆热成像图像集进行图片去噪处理,获得标准晶圆热成像图像集;
步骤S14:根据标准晶圆热成像图像集进行坐标数据存储处理,生成红外坐标数据集;
步骤S15:根据红外坐标数据集、晶圆参数数据以及晶圆生产数据进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集。
本实施例中通过晶圆参数数据的加入提高晶圆数据集的完整性,热成像多方位测量处理可以获得晶圆不同区域的温度分布信息,为后续的热分析和异常检测提供基础数据,通过图片去噪处理,有效降低图像噪声、弱化噪声干扰,提高图像清晰度、可读性,通过坐标数据存储处理,利用生成的红外坐标数据集定位晶圆区域温度,为后续异常检测提供基础数据,弱相似度晶圆数据集生成处理利用生成的弱相似度晶圆数据集在增加数据集多样性、覆盖面的同时,提高后续自训练模型的泛化能力。
在本说明书的一个实施例中,步骤S15的具体步骤为:
步骤S151:获取热成像设备颜色映射数据库,其中热成像设备颜色映射数据库应包括颜色映射规则数据;
步骤S152:根据红外坐标数据集以及颜色映射规则数据进行循环坐标温度提取处理,生成坐标温度数据集;
步骤S153:获取晶圆选取标准数据,根据晶圆选取标准数据以及坐标温度数据集进行模板晶圆对象集选取处理,生成模板晶圆对象集;
步骤S154:根据模板晶圆对象集进行模板坐标数据生成处理,生成模板坐标数据;
步骤S155:基于模板坐标数据、坐标温度数据集以及晶圆参数数据利用晶圆模板相似度计算公式进行模板相似度计算,生成模板相似度数据;
步骤S156:根据模板相似度数据以及模板晶圆对象集进行次级模板晶圆对象集生成处理,生成次级模板晶圆对象集;
步骤S157:根据模板晶圆对象集进行模板对象计数统计处理,生成模板对象数量数据;
步骤S158:当模板对象数量数据小于预设的标准模板数量数据时,将次级模板晶圆对象集作为模板晶圆对象集,返回步骤S154,当模板对象数量数据等于预设的标准模板数量数据时;根据模板相似度数据以及模板晶圆对象集进行弱相似度晶圆数据集提取处理,生成弱相似度晶圆数据集。
本实施例利用聚类思想基于数据分析确定预设的标准模板数量范围内准确的弱相似度晶圆数据集,通过模板对象集选取确定晶圆选取标准,基于模板坐标数据、坐标温度数据集、晶圆参数数据利用相似度关系通过晶圆模板相似度计算公式确定晶圆相对模板对象的相似度,从而对晶圆数据集中的晶圆进行分类和归类,通过循环细化选择晶圆模板对象,提高晶圆相似度数据的精度和质量。
在本说明书的一个实施例中,步骤S155中的晶圆模板相似度计算公式包括以下步骤
为晶圆模板相似度值,n为晶圆参数数据中的晶圆半径,为坐标温度数据集所属晶圆对应晶圆生产数据集中晶体的点缺陷数量,,,...,分别为模板坐标数据中每个模板对象的横坐标温度数据,为坐标温度数据集中的横坐标温度数据,,,...,为模板坐标数据中每个模板对象的纵坐标温度数据,为坐标温度数据集中的纵坐标温度数据,为模板半径数据中的最大横坐标数据,为晶圆参数数据中模板晶圆对象中晶体的点缺陷数量,为晶圆模板相似度计算系数。
本实施例提供一种晶圆模板相似度计算公式该公式通过采集转换生成的具有温度特征的图像晶圆坐标数据,从晶圆坐标数据所具备的温度特征入手,深度挖掘具有随机性的晶圆温度特征所关联的属性,实现晶圆相对于模板对象所具备的温度特征相似度值的获取,公式首先在整体上利用晶圆所具备的点缺陷数据,根据坐标温度数据集所属晶圆对应晶圆生产数据集中晶体的点缺陷数量以及晶圆参数数据中模板晶圆对象中晶体的点缺陷数量进行数值比对,其次根据模板坐标数据中每个模板对象的横坐标温度数据,,...,以及数学概念上的模板半径数据中的最大横坐标数据,联合模板坐标数据中每个模板对象的纵坐标温度数据,,...,以及坐标温度数据集中的纵坐标温度数据,通过遍历晶圆坐标以及作为模板对象晶圆的每个坐标,联合晶圆模板相似度计算系数形成函数关系集:
其中函数关系集:
分别代表坐标温度数据集所属晶圆对应每个模板对象的相似度,通过函数从函数关系集:
中选取最大值,从而获取晶圆模板相似度。
在本说明书的一个实施例中,步骤S2包括以下步骤:
步骤S21:根据弱相似度晶圆数据集以及晶圆生产数据进行批次弱相似晶圆数据生成处理,生成批次弱相似晶圆数据;
步骤S22:根据弱相似度晶圆数据集以及晶圆测量场数据进行弱相似测量场数据生成处理,生成弱相似测量场数据;
步骤S23:基于批次弱相似晶圆数据、模板晶圆对象集、晶圆参数数据以及弱相似测量场数据利用异常温度坐标点计算公式进行异常温度坐标点计算处理,生成批次异常温度坐标点数据以及测量场异常温度坐标点数据;
步骤S24:根据批次异常温度坐标点数据以及晶圆生产数据进行批次温度区域划分,生成批次温度异常域以及批次恒温区域;
步骤S25:根据测量场异常温度坐标点数据以及晶圆测量场数据进行同测量场温度区域划分,生成测量场温度异常域以及测量场恒温区域。
本实施例基于弱相似度晶圆数据集,从晶圆批次、晶圆测量场角度,联结晶圆相似度与晶圆所属批次、晶圆测量场潜在关系,首先生成批次弱相似晶圆数据、弱相似测量场数据,其次利用异常温度坐标点计算公式将潜在关系从数学关系上进行运用,再次利用生成的数据进行温度区域划分,将数据可视化,实现后续数据规范化。
在本说明书的一个实施例中,步骤S23中的异常温度坐标点计算公式包括以下步骤:
为批次异常温度坐标点数据,为对批次异常温度坐标点数据的特征描述,表示批次异常温度坐标点数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标温度数据,为初级异常域数据二维空间坐标系中的纵坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的横坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据,为晶圆模板相似度比对值,为异常温度区间端点调整值,为常数项,指代圆周率,为测量场异常温度坐标点数据,为晶圆参数数据中的晶圆半径,为批次弱相似晶圆数据所对应的批次相似度系数,为弱相似测量场调整系数,为弱相似测量场数据中的测量场光照度数据,为弱相似测量场数据中的测量场温度数据。
本实施例提供一种异常温度坐标点计算公式该公式从晶圆批次、晶圆测量场角度提供了涵盖异常坐标点数据与晶圆生产数据、晶圆参数数据、晶圆测量场数据的函数关系的异常温度坐标点计算公式,通过该公式进行批次异常温度坐标点数据以及测量场异常温度坐标点数据的计算,根据计算结果实现对异常温度坐标点数据的收集,公式分为批次异常温度坐标点数据计算部分以及测量场异常温度坐标点数据计算部分,对于批次异常温度坐标点计算部分,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据以及初级异常域数据二维空间坐标系中的横坐标温度数据结合批次弱相似晶圆数据所对应的批次相似度系数,进行初级异常域以及模板晶圆对象的坐标数据所附有的初级函数关系,通过晶圆参数数据中的晶圆半径结合圆周率数值、常数项形成指代批次异常温度数据的函数关系,此处的常数项为固定值,通过晶圆模板相似度比对值、异常温度区间端点调整值为指代批次异常温度坐标点数据的函数关系设置关系范围以及,当指代批次异常温度坐标点数据的函数关系在关系范围内,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据作为批次异常温度坐标点数据的横坐标,模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据作为批次异常温度坐标点数据中的纵坐标,形成对批次异常温度坐标点数据的特征描述的函数,获得批次异常温度坐标点数据,对于测量场异常温度坐标点数据计算部分,通过弱相似测量场数据中的测量场光照度数据、模板晶圆对象集中对应模板晶圆对象的横坐标温度数据、弱相似测量场数据中的测量场温度数据形成函数关系,通过弱相似测量场调整系数对函数关系调整,形成指代测量场异常温度坐标点数据的函数关系,通过晶圆模板相似度比对值、异常温度区间端点调整值为指代测量场异常温度坐标点数据的函数关系设置关系范围以及,当指代测量场异常温度坐标点数据的函数关系在关系范围内,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据作为测量场异常温度坐标点数据的横坐标,选取模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据作为测量场温度坐标点数据的纵坐标,形成对测量场异常温度坐标点数据的特征描述的函数,获得测量场异常温度坐标点数据,从而完成关于异常温度坐标点的计算。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:根据测量场温度异常域以及批次温度异常域对晶圆进行异常温度区域定位处理,生成晶圆异常温度区块;
步骤S32:根据晶圆异常温度区块进行重复区域数据检测,生成异常温度重复数据;
步骤S33:根据异常温度重复数据以及晶圆异常温度区块进行区块去重处理,生成晶圆温度异常域;
步骤S34:根据异常温度重复数据以及晶圆温度异常域进行批次测量场异常区域权重标记处理,生成晶圆标记温度异常域;
步骤S35:根据晶圆标记温度异常域进行多维数据提取处理,生成多维异常域数据;
步骤S36:基于晶圆数据集、模板对象集、批次异常温度坐标点数据以及测量场异常温度坐标点数据利用异常域计算公式进行初级异常域计算,生成初级异常域数据;
步骤S37:基于初级异常域数据以及多维异常域数据进行误差均值数据生成处理,生成误差均值数据;
步骤S38:当误差均值数据大于预设的均衡误差值时,返回步骤S35,并对步骤S36中的异常域计算公式进行异常域超参数调整处理,当误差均值数据小于预设的均衡误差值时,选择异常域计算公式为异常域优化计算公式。
本实施例利用温度区域数据实现对异常域计算公式优化过程中的基础数据规范化,通过对定位处理生成的晶圆异常温度区块进行多重数据处理,获得具备分析条件的多维异常域数据,通过数据调整异常域计算公式所具备的可调节参数,从而获取在误差范围内最具异常域特征的异常域优化计算公式。
在本说明书的一个实施例中,步骤S36中的异常域计算公式包括以下步骤:
为初级异常域数据,为对初级异常域数据的特征描述,表示初级异常域数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标,为初级异常域数据二维空间坐标系中的纵坐标,为晶圆批次横向超参数,为晶圆测量场横向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的横坐标,为晶圆横坐标调校参数,为晶圆批次纵向超参数,为晶圆测量场纵向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标,为晶圆纵坐标调校参数。
本实施例提供一种异常域计算公式,该公式为一种拥有调整超参数且具有优化功能的异常域计算公式,该公式通过多个调整超参数利用调整超参数与晶圆批次、晶圆测量场与异常域之间的关系,完成异常域的初步计算,公式根据晶圆批次横向超参数、晶圆测量场横向超参数结合根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的横坐标形成函数关系,其中晶圆批次横向超参数在优化过程中起主要作用,负责公式优化过程中的细化优化,晶圆横坐标调校参数则负责优化过程中的再细化调校,通过函数关系获取初级异常域数据二维空间坐标系中的横坐标,根据晶圆批次纵向超参数,根据晶圆异常域坐标数据中的横纵坐标关系形成函数关系,根据晶圆批次纵向超参数、晶圆测量场纵向超参数、结合根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标形成函数关系,其中根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标实现对晶圆批次纵向超参数的适应调整,实现晶圆批次纵向超参数对初级异常域数据二维空间坐标系中的纵坐标在函数关系中贯穿影响的作用,晶圆纵坐标调校参数则负责对函数的再细化调校,通过函数关系、结合晶圆纵坐标调校参数形成函数关系,实现对晶圆数据的计算,从而获得对初级异常域数据二维空间坐标系中的纵坐标,通过获取并统计初级异常域数据二维空间坐标系中的横坐标、初级异常域数据二维空间坐标系中的纵坐标从而得到初级异常域数据的特征描述坐标集。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:根据晶圆数据集进行模型神经元建立,生成模型神经元数据;
步骤S42:根据晶圆标记异常域对模型神经元数据进行线性加权,生成权重神经元数据;
步骤S43:对权重神经元数据进行激活函数设置处理,生成激活神经元数据;
步骤S44:择取晶圆数据集作为模型输入层数据;
步骤S45:择取异常域优化计算公式作为模型隐藏层逻辑公式;
步骤S46:根据激活神经元数据、测量场恒温区域、批次恒温区域进行测温初级模型建立,生成测温初级模型;
步骤S47:根据测量场温度异常域、批次温度异常域基于异常域优化计算公式进行数据对抗模型建立,生成数据对抗模型;
步骤S48:根据测温初级模型、红外坐标数据集进行数据输出模型建立,生成数据输出模型;
步骤S49:利用数据对抗模型以及数据输出模型基于异常域优化计算公式进行自训练测温模型建立,生成自训练测温模型,根据自训练温度检测模型进行晶圆温度分布检测,生成晶圆温度分布数据。
本实施例充分利用前步骤所生成的具备模型建立条件的晶圆数据,根据测温数据训练关系基于晶圆数据构建数据输出模型以及数据对抗模型,根据数据输出模型以及数据对抗模型,以优化后的异常域优化公式为模型关系核心锚点,实现自训练测温模型建立,从数据集特征角度实现较高程度对晶圆温度分布的不确定性进行把控。
在本说明书的一个实施例中,提供一种晶圆温度分布的检测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一项的晶圆温度分布的检测方法。
本实施例提供一种晶圆温度分布的检测系统,该系统能够实现本发明所述任意一种晶圆温度分布的检测方法,实现数据的获取、运算、生成,通过对晶圆数据进行获取,并对其中的数据信息按照已设计的指令顺序进行操作,生成预处理晶圆数据信息,通过对预处理晶圆数据信息进行信息转换,生成晶圆图像信息,通过对晶圆图像信息进行多维坐标数据采集,并对采集的多维坐标数据进行分析计算,构建自训练温度检测模型,系统内部遵循设定的指令集完成方法运行步骤,推动完成晶圆温度分布的检测方法。
本发明结合多学科多类型模型,提出一种晶圆温度分布的检测方法,解决晶圆温度检测过程中晶圆温度分布不均、受环境温度影响较大的问题,实现检测和监控晶圆温度分布,及时发现异常温度信息并进行数据误差纠正,有效检测晶圆温度分布。
附图说明
图1为本发明一种晶圆温度分布的检测方法的步骤流程示意图;
图2为步骤S1的详细实施步骤流程示意图;
图3为步骤S2的详细实施步骤流程示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种晶圆温度分布的检测系统及方法。所述晶圆温度分布的检测方法的执行主体包括但不限于搭载该系统的:机械设备、信息搭载平台、云服务器节点、网络传输设备等可看作本申请的通用计算节点。所述信息搭载平台包括但不限于:音频管理系统、图像管理系统、信息管理系统至少一种。
请参阅图1至图3,本发明提供了一种晶圆温度分布的检测方法,所述方法包括以下步骤:
步骤S1:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集;
步骤S2:根据弱相似度晶圆数据集、晶圆生产数据、晶圆测量场数据进行温度区域划分处理,生成测量场温度异常域、测量场恒温区域、批次温度异常域及批次恒温区域;
步骤S3:基于测量场温度异常域以及批次温度异常域对预构建的异常域计算公式进行优化,生成异常域优化计算公式;
步骤S4:基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型,生成自训练测温模型,利用自训练温度检测模型对进行晶圆温度分布进行检测,获得晶圆温度分布数据。
本实施例通过获取晶圆数据集,利用晶圆数据集中晶圆生产数据以及晶圆测量场数据,以大量数据集对生产数据以及测量场数据对温度分布的影响进行挖掘,通过弱相似度晶圆数集生成处理,生成弱相似度晶圆数据集,帮助提高数据集的多样性,增强后续训练模型的泛化能力,对数据进行温度区域划分处理,通过有效将晶圆温度数据划分类别,从而更好地进行异常检测和数据质量控制,根据划分的温度区域对异常域公式进行优化,利用优化后的异常域公式提高异常温度检测的准确性和效率,构建自训练模型,根据晶圆数据集的数据更新实现模型的自适应调整和模型更新,通过以上步骤获得的数据可以用于进一步的质量控制以及优化温度分布检测,提高晶圆温度分布检测准确性以及检测效率。
本发明实施例中,参考图1所示,为本发明一种晶圆温度分布的检测方法的步骤流程示意图,在本实例中,所述晶圆温度分布的检测方法的步骤包括:
步骤S1:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集;
在本发明实施例中,例如获取具体晶圆厂的晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,晶圆生产数据中应至少包括晶圆源头生产批次数据信息、晶体缺陷中的点缺陷数量,晶圆测量场数据应至少包括晶圆常见测量场数据(测量场光照度数据、测量场温度数据),根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集(晶圆数据1,相似度0.53,晶圆模板对象1,晶圆数据2,相似度0.43,晶圆模板对象2,...);
步骤S2:根据弱相似度晶圆数据集、晶圆生产数据、晶圆测量场数据进行温度区域划分处理,生成测量场温度异常域、测量场恒温区域、批次温度异常域及批次恒温区域;
本发明实施例中,例如利用弱相似度晶圆数据集、晶圆生产数据、晶圆测量场数据进行温度区域划分处理,生成测量场温度异常域((测量场光照度156lux,测量场温度20℃,异常域1),(测量场光照度156lux,测量场温度20℃,异常域2),...)、测量场恒温区域((测量场光照度156lux,测量场温度20℃,恒温区域),(测量场光照度126lux,测量场温度20℃,恒温区域),...)、批次温度异常域((晶圆批次1,异常域1),(晶圆批次2,异常域2),...)及批次恒温区域(((晶圆批次1,恒温区域),(晶圆批次2,恒温区域),...));
步骤S3:基于测量场温度异常域以及批次温度异常域对预构建的异常域计算公式进行优化,生成异常域优化计算公式;
本发明实施例中,例如基于测量场温度异常域以及批次温度异常域对预构建的异常域计算公式进行优化,生成异常域优化公式。
步骤S4:基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型,生成自训练测温模型,利用自训练温度检测模型对进行晶圆温度分布进行检测,获得晶圆温度分布数据。
本发明实施例中,基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型。
本发明实施例中,参考图2 所述,为步骤S1的详细实施步骤流程示意图,在本实施例中,所述步骤S1的详细实施步骤包括:
步骤S11:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据、晶圆测量场数据以及晶圆参数数据;
步骤S12:对晶圆数据集进行热成像多方位测量处理,生成晶圆热成像图像集;
步骤S13:对晶圆热成像图像集进行图片去噪处理,获得标准晶圆热成像图像集;
步骤S14:根据标准晶圆热成像图像集进行坐标数据存储处理,生成红外坐标数据集;
步骤S15:根据红外坐标数据集、晶圆参数数据以及晶圆生产数据进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集。
本实施例中通过晶圆参数数据的加入提高晶圆数据集的完整性,热成像多方位测量处理可以获得晶圆不同区域的温度分布信息,为后续的热分析和异常检测提供基础数据,通过图片去噪处理,有效降低图像噪声、弱化噪声干扰,提高图像清晰度、可读性,通过坐标数据存储处理,利用生成的红外坐标数据集定位晶圆区域温度,为后续异常检测提供基础数据,弱相似度晶圆数据集生成处理利用生成的弱相似度晶圆数据集在增加数据集多样性、覆盖面的同时,提高后续自训练模型的泛化能力。
本发明实施例中,例如获取晶圆数据集,晶圆数据集中数据要求具体如下,晶圆生产数据应包含晶圆源头生产批次数据信息、晶体缺陷中的点缺陷数量,晶圆测量场数据应包含晶圆常见测量场数据(测量场光照度数据、测量场温度数据),晶圆参数数据应至少包含晶体半径数据,利用热成像仪对晶圆进行热成像多方位测量处理,生成晶圆热成像图像集,对热成像图像集进行图片去噪处理,去除不符合厂家设定热成像图像集颜色区域的图像,获得标准晶圆热成像图像集,根据标准晶圆热成像图像集进行坐标数据存储处理,生成与红外温度颜色参数绑定的红外坐标数据集,根据红外坐标数据集、晶圆参数数据以及晶圆生产数据进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集。
在本说明书的一个实施例中,步骤S15的具体步骤:
步骤S151:获取热成像设备颜色映射数据库,其中热成像设备颜色映射数据库应包括颜色映射规则数据;
步骤S152:根据红外坐标数据集以及颜色映射规则数据进行循环坐标温度提取处理,生成坐标温度数据集;
步骤S153:获取晶圆选取标准数据,根据晶圆选取标准数据以及坐标温度数据集进行模板晶圆对象集选取处理,生成模板晶圆对象集;
步骤S154:根据模板晶圆对象集进行模板坐标数据生成处理,生成模板坐标数据;
步骤S155:基于模板坐标数据、坐标温度数据集以及晶圆参数数据利用晶圆模板相似度计算公式进行模板相似度计算,生成模板相似度数据;
步骤S156:根据模板相似度数据以及模板晶圆对象集进行次级模板晶圆对象集生成处理,生成次级模板晶圆对象集;
步骤S157:根据模板晶圆对象集进行模板对象计数统计处理,生成模板对象数量数据;
步骤S158:当模板对象数量数据小于预设的标准模板数量数据时,将次级模板晶圆对象集作为模板晶圆对象集,返回步骤S154,当模板对象数量数据等于预设的标准模板数量数据时,
根据模板相似度数据以及模板晶圆对象集进行弱相似度晶圆数据集提取处理,生成弱相似度晶圆数据集。
本实施例利用聚类思想基于数据分析确定预设的标准模板数量范围内准确的弱相似度晶圆数据集,通过模板对象集选取确定晶圆选取标准,基于模板坐标数据、坐标温度数据集、晶圆参数数据利用相似度关系通过晶圆模板相似度计算公式确定晶圆相对模板对象的相似度,从而对晶圆数据集中的晶圆进行分类和归类,通过循环细化选择晶圆模板对象,提高晶圆相似度数据的精度和质量。
本发明实施例中,例如获取具有基本颜色映射规则数据的热成像设备颜色数据库,根据红外坐标数据集以及颜色映射规则数据,通过坐标所附带的红外温度颜色参数与颜色映射规则数据以及循环采集红外坐标数据集中坐标进行循环坐标温度提取处理,生成坐标温度数据集,获取晶圆选取标准数据,其中晶圆选取标准数据由厂家设定,根据晶圆选取标注年数据以及坐标温度数据集进行模板晶圆对象集选取处理,生成模板晶圆对象集,根据获得的模板晶圆对象集进行模板坐标数据生成处理,生成模板坐标数据,获取模板对象集中每个作为模板对象的晶圆的坐标数据,基于模板坐标数据、坐标温度数据集以及晶圆参数数据利用晶圆模板相似度计算公式进行模板相似度计算,通过获取晶圆与模板晶圆对象集中每个模板对象的相似度,选取最大相似度作为晶圆的模板相似度数据,并将该晶圆归类于该模板晶圆对象下,通过对每个晶圆进行模板相似度计算,生成归类后生成的次级模板晶圆对象集,根据模板对象集进行模板对象计数统计处理,这里统计的主要为归类的模板晶圆对象类别数量,生成模板对象数量数据,当模板对象数量小于预设的标注模板数量数据时,将次级模板晶圆对象集作为模板晶圆对象集,返回模板坐标数据生成处理操作,再次进行模板相似度计算、次级模板晶圆对象集生成、模板对象计算统计处理,模板对象数量数据比较处理,当模板对象数量数据等于预设的标准模板数量数据时,根据模板相似度数据以及模板晶圆对象集进行弱相似度晶圆数据集提取处理,生成弱相似度数据集,需要注意的是,这里预设的标准模板数量数据由厂家设定,当标准模板数量数据越小时,所获得的弱相似度晶圆数据集越高,但同时,也会带来数据运算量增加的问题,当标准模板数量数据越大时,数据运算量越小。
在本说明书的一个实施例中,步骤S155中的晶圆模板相似度计算公式包括以下步骤:
为晶圆模板相似度值,n为晶圆参数数据中的晶圆半径,为坐标温度数据集所属晶圆对应晶圆生产数据集中晶体的点缺陷数量,,,...,分别为模板坐标数据中每个模板对象的横坐标温度数据,为坐标温度数据集中的横坐标温度数据,,,...,为模板坐标数据中每个模板对象的纵坐标温度数据,为坐标温度数据集中的纵坐标温度数据,为模板半径数据中的最大横坐标数据,为晶圆参数数据中模板晶圆对象中晶体的点缺陷数量,为晶圆模板相似度计算系数。
本实施例提供一种晶圆模板相似度计算公式该公式通过采集转换生成的具有温度特征的图像晶圆坐标数据,从晶圆坐标数据所具备的温度特征入手,深度挖掘具有随机性的晶圆温度特征所关联的属性,实现晶圆相对于模板对象所具备的温度特征相似度值的获取,公式首先在整体上利用晶圆所具备的点缺陷数据,根据坐标温度数据集所属晶圆对应晶圆生产数据集中晶体的点缺陷数量以及晶圆参数数据中模板晶圆对象中晶体的点缺陷数量进行数值比对,其次根据模板坐标数据中每个模板对象的横坐标温度数据,,...,以及数学概念上的模板半径数据中的最大横坐标数据,联合模板坐标数据中每个模板对象的纵坐标温度数据,,...,以及坐标温度数据集中的纵坐标温度数据,通过遍历晶圆坐标以及作为模板对象晶圆的每个坐标,联合晶圆模板相似度计算系数形成函数关系集:
其中函数关系集:
分别代表坐标温度数据集所属晶圆对应每个模板对象的相似度,通过函数从函数关系集:
中选取最大值,从而获取晶圆模板相似度。
本发明实施例中,参考图2 所述,为步骤S2的详细实施步骤流程示意图,在本实施例中,所述步骤S2的详细实施步骤包括:
步骤S21:根据弱相似度晶圆数据集以及晶圆生产数据进行批次弱相似晶圆数据生成处理,生成批次弱相似晶圆数据;
步骤S22:根据弱相似度晶圆数据集以及晶圆测量场数据进行弱相似测量场数据生成处理,生成弱相似测量场数据;
步骤S23:基于批次弱相似晶圆数据、模板晶圆对象集、晶圆参数数据以及弱相似测量场数据利用异常温度坐标点计算公式进行异常温度坐标点计算处理,生成批次异常温度坐标点数据以及测量场异常温度坐标点数据;
步骤S24:根据批次异常温度坐标点数据以及晶圆生产数据进行批次温度区域划分,生成批次温度异常域以及批次恒温区域;
步骤S25:根据测量场异常温度坐标点数据以及晶圆测量场数据进行同测量场温度区域划分,生成测量场温度异常域以及测量场恒温区域。
本实施例基于弱相似度晶圆数据集,从晶圆批次、晶圆测量场角度,联结晶圆相似度与晶圆所属批次、晶圆测量场潜在关系,首先生成批次弱相似晶圆数据、弱相似测量场数据,其次利用异常温度坐标点计算公式将潜在关系从数学关系上进行运用,再次利用生成的数据进行温度区域划分,将数据可视化,实现后续数据规范化。
本发明实施例中,根据弱相似度晶圆数据集以及晶圆生产数据进行批次弱相似晶圆数据生出处理,通过提取弱相似度晶圆数据集中的生产批次数据并根据生产批次数据进行归类,生成批次弱相似晶圆数据,根据弱相似度晶圆数据集以及晶圆测量数据进行弱相似测量场数据生成处理,通过提取弱相似度晶圆数据集中的测量场数据并根据测量场数据进行归类,生成弱相似测量场数据,基于批次弱相似晶圆数据、模板晶圆对象集、晶圆参数数据以及弱相似测量场数据利用异常温度坐标点计算公式进行异常温度坐标点计算处理,通过该计算两部分的计算过程,分别获得批次异常温度坐标点数据以及测量场异常温度坐标点数据,根据批次异常温度坐标点数据以及晶圆生产数据进行批次温度区域划分,根据晶圆生成图像,并根据坐标点进行划分,获取批次温度异常域以及批次恒温区域,根据测量场异常温度坐标点数据以及晶圆测量场数据进行同测量场温度区域划分,其中测量场数据为不变量,温度为变量,获取测量场温度异常域以及测量场恒温区域。
在本说明书的一个实施例中,步骤S23中的异常温度坐标点计算公式包括以下步骤:
为批次异常温度坐标点数据,为对批次异常温度坐标点数据的特征描述,表示批次异常温度坐标点数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标温度数据,为初级异常域数据二维空间坐标系中的纵坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的横坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据,为晶圆模板相似度比对值,为异常温度区间端点调整值,为常数项,指代圆周率,为晶圆参数数据中的晶圆半径,为批次弱相似晶圆数据所对应的批次相似度系数,为弱相似测量场调整系数,为弱相似测量场数据中的测量场光照度数据,为弱相似测量场数据中的测量场温度数据,为测量场异常温度坐标点数据。
本实施例提供一种异常温度坐标点计算公式该公式从晶圆批次、晶圆测量场角度提供了涵盖异常坐标点数据与晶圆生产数据、晶圆参数数据、晶圆测量场数据的函数关系的异常温度坐标点计算公式,通过该公式进行批次异常温度坐标点数据以及测量场异常温度坐标点数据的计算,根据计算结果实现对异常温度坐标点数据的收集,公式分为批次异常温度坐标点数据计算部分以及测量场异常温度坐标点数据计算部分,对于批次异常温度坐标点计算部分,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据以及初级异常域数据二维空间坐标系中的横坐标温度数据结合批次弱相似晶圆数据所对应的批次相似度系数,进行初级异常域以及模板晶圆对象的坐标数据所附有的初级函数关系,通过晶圆参数数据中的晶圆半径结合圆周率数值、常数项形成指代批次异常温度数据的函数关系,此处的常数项为固定值,通过晶圆模板相似度比对值、异常温度区间端点调整值为指代批次异常温度坐标点数据的函数关系设置关系范围以及,当指代批次异常温度坐标点数据的函数关系在关系范围内,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据作为批次异常温度坐标点数据的横坐标,模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据作为批次异常温度坐标点数据中的纵坐标,形成对批次异常温度坐标点数据的特征描述的函数,获得批次异常温度坐标点数据,对于测量场异常温度坐标点数据计算部分,通过弱相似测量场数据中的测量场光照度数据、模板晶圆对象集中对应模板晶圆对象的横坐标温度数据、弱相似测量场数据中的测量场温度数据形成函数关系,通过弱相似测量场调整系数对函数关系调整,形成指代测量场异常温度坐标点数据的函数关系,通过晶圆模板相似度比对值、异常温度区间端点调整值为指代测量场异常温度坐标点数据的函数关系设置关系范围以及,当指代测量场异常温度坐标点数据的函数关系在关系范围内,选取模板晶圆对象集中对应模板晶圆对象的横坐标温度数据作为测量场异常温度坐标点数据的横坐标,选取模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据作为测量场温度坐标点数据的纵坐标,形成对测量场异常温度坐标点数据的特征描述的函数,获得测量场异常温度坐标点数据,从而完成关于异常温度坐标点的计算。
在本说明书的一个实施例中,步骤S3包括以下步骤:
步骤S31:根据测量场温度异常域以及批次温度异常域对晶圆进行异常温度区域定位处理,生成晶圆异常温度区块;
步骤S32:根据晶圆异常温度区块进行重复区域数据检测,生成异常温度重复数据;
步骤S33:根据异常温度重复数据以及晶圆异常温度区块进行区块去重处理,生成晶圆温度异常域;
步骤S34:根据异常温度重复数据以及晶圆温度异常域进行批次测量场异常区域权重标记处理,生成晶圆标记温度异常域;
步骤S35:根据晶圆标记温度异常域进行多维数据提取处理,生成多维异常域数据;
步骤S36:基于晶圆数据集、模板对象集、批次异常温度坐标点数据以及测量场异常温度坐标点数据利用异常域计算公式进行初级异常域计算,生成初级异常域数据;
步骤S37:基于初级异常域数据以及多维异常域数据进行误差均值数据生成处理,生成误差均值数据;
步骤S38:当误差均值数据大于预设的均衡误差值时,返回步骤S35,并对步骤S36中的异常域计算公式进行异常域超参数调整处理,当误差均值数据小于预设的均衡误差值时,选择异常域计算公式为异常域优化计算公式。
本实施例利用温度区域数据实现对异常域计算公式优化过程中的基础数据规范化,通过对定位处理生成的晶圆异常温度区块进行多重数据处理,获得具备分析条件的多维异常域数据,通过数据调整异常域计算公式所具备的可调节参数,从而获取在误差范围内最具异常域特征的异常域优化计算公式。
本发明实施例中,例如根据测量场温度异常域以及批次温度异常域对晶圆进行异常温度区域定位处理,通过将基于相同晶圆图像的两个图像集进行融合操作,生成晶圆异常温度区域,根据晶圆异常温度区块进行重复区域数据检测,通过检测重复区域为重复区域,对重复区域附加测量场数据、批次数据的相关权重,生成异常温度重复数据,为后续模型建立做出准备,根据异常温度重复数据以及晶圆温度区块进行区块去重处理,通过将重复的部分去重,防止数据操作误差,减少数据冗余度,根据异常温度重复数据以及晶圆温度异常域进行批次测量场异常区域权重标记处理,生成晶圆标记温度异常域,这里标记的权重数据当设立专有数据库并进行保存备份,根据晶圆标记温度异常域进行多维数据提取处理,通过提取坐标附有的温度数据,批次数据、测量场数据,并判断坐标是否位于重复区域,当位于重复区域时,提取坐标关于批次数据、测量场数据的权重信息,生成多维异常域数据,基于晶圆数据集、模板对象集、批次异常温度坐标点数据以及测量场异常温度坐标点数据利用异常域计算公式进行初级异常域计算,生成初级异常域数据,此时的异常域计算公式根据数据关系推断,并未进行大量数据集的优化因此存在数据误差,基于晶圆数据集、模板对象集、批次异常温度坐标点数据以及测量场异常温度坐标点数据利用异常域计算公式进行初级异常域计算,生成初级异常域数据,基于初级异常域以及多维异常域数据进行误差均值数据生成处理,生成误差均值数据,当误差均值数据大于预设的均衡误差值时(此处的均衡误差值由厂家结合自身数据处理效率以及预期数据精度设置),返回多维数据处理、初级异常域计算、误差均值数据处理步骤,并对异常域计算公式根据其中超参数进行调整,在异常域计算公式中,超参数调整优先级为>>>>>,当误差均值数据小于预设的均衡误差值时,选择异常域计算公式为异常域优化计算公式,调整后的异常域优化计算公式可以根据晶圆生产数据、晶圆参数数据、晶圆测量场数据对异常温度区域数据进行修正。
在本说明书的一个实施例中,步骤S36中的异常域计算公式包括以下步骤:
为初级异常域数据,为对初级异常域数据的特征描述,表示初级异常域数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标,为初级异常域数据二维空间坐标系中的纵坐标,为晶圆批次横向超参数,为晶圆测量场横向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的横坐标,为晶圆横坐标调校参数,为晶圆批次纵向超参数,为晶圆测量场纵向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标,为晶圆纵坐标调校参数。
本实施例提供一种异常域计算公式,该公式为一种拥有调整超参数且具有优化功能的异常域计算公式,该公式通过多个调整超参数利用调整超参数与晶圆批次、晶圆测量场与异常域之间的关系,完成异常域的初步计算,公式根据晶圆批次横向超参数、晶圆测量场横向超参数结合根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的横坐标形成函数关系,其中晶圆批次横向超参数在优化过程中起主要作用,负责公式优化过程中的细化优化,晶圆横坐标调校参数则负责优化过程中的再细化调校,通过函数关系获取初级异常域数据二维空间坐标系中的横坐标,根据晶圆批次纵向超参数,根据晶圆异常域坐标数据中的横纵坐标关系形成函数关系,根据晶圆批次纵向超参数、晶圆测量场纵向超参数、结合根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标形成函数关系,其中根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标实现对晶圆批次纵向超参数的适应调整,实现晶圆批次纵向超参数对初级异常域数据二维空间坐标系中的纵坐标在函数关系中贯穿影响的作用,晶圆纵坐标调校参数则负责对函数的再细化调校,通过函数关系、结合晶圆纵坐标调校参数形成函数关系,实现对晶圆数据的计算,从而获得对初级异常域数据二维空间坐标系中的纵坐标,通过获取并统计初级异常域数据二维空间坐标系中的横坐标、初级异常域数据二维空间坐标系中的纵坐标从而得到初级异常域数据的特征描述坐标集。
在本说明书的一个实施例中,步骤S4包括以下步骤:
步骤S41:根据晶圆数据集进行模型神经元建立,生成模型神经元数据;
步骤S42:根据晶圆标记异常域对模型神经元数据进行线性加权,生成权重神经元数据;
步骤S43:对权重神经元数据进行激活函数设置处理,生成激活神经元数据;
步骤S44:择取晶圆数据集作为模型输入层数据;
步骤S45:择取异常域优化计算公式作为模型隐藏层逻辑公式;
步骤S46:根据激活神经元数据、测量场恒温区域、批次恒温区域进行测温初级模型建立,生成测温初级模型;
步骤S47:根据测量场温度异常域、批次温度异常域基于异常域优化计算公式进行数据对抗模型建立,生成数据对抗模型;
步骤S48:根据测温初级模型、红外坐标数据集进行数据输出模型建立,生成数据输出模型;
步骤S49:利用数据对抗模型以及数据输出模型基于异常域优化计算公式进行自训练测温模型建立,生成自训练测温模型,根据自训练温度检测模型进行晶圆温度分布检测,生成晶圆温度分布数据。
本实施例充分利用前步骤所生成的具备模型建立条件的晶圆数据,根据测温数据训练关系基于晶圆数据构建数据输出模型以及数据对抗模型,根据数据输出模型以及数据对抗模型,以优化后的异常域优化公式为模型关系核心锚点,实现自训练测温模型建立,从数据集特征角度实现较高程度对晶圆温度分布的不确定性进行把控。
本发明实施例中,例如根据晶圆数据集进行模型神经元建立,生成模型神经元数据,此处模型神经元数据应包含晶圆生产数据、晶圆参数数据、晶圆测量场数据,根据晶圆标记异常域对模型神经元数据进行线性加权,生成权重神经元数据,其中权重神经元数据由在晶圆异常温度区块进行重复区域数据检测过程中产生的重复数据转换而来,对权重神经元数据进行激活函数设置处理,根据加权计算后的数据通过设置激活函数减少数据误差,生成激活神经元数据,择取晶圆数据集作为模型输入层数据,择取优化过后的异常域优化计算公式作为模型隐藏层逻辑公式,根据激活神经元数据、测量场恒温区域、批次恒温区域进行测温初级模型建立,生成测温初级模型为数据输出模型的初级模型,根据测量场温度异常域、批次温度异常域基于异常域优化计算公式进行数据对抗模型建立,生成数据对抗模型,根据测温初级模型、红外坐标数据集进行数据输出模型建立,生成数据输出模型,此处的数据对抗模型通过异常域优化计算公式对模型输入层数据进行数据输出,数据输出模型则通过对数据对抗模型输出的数据进行比较判断,不断对异常域优化计算公式进行超参数调整,相比于之前的异常域计算公式优化,此处模型对于异常域计算公式的优化根据晶圆数据集的数据更新实现对异常域计算公式的动态优化,优化异常域对异常数据的修正作用,并对于恒温数据进行图像展示,根据自训练温度检测模型进行晶圆温度分布检测,生成晶圆温度分布数据,自训练温度检测模型在晶圆数据的不断更新下,不断提高自身对于晶圆温度分布检测的精准度。
在本说明书的一个实施例中,提供一种晶圆温度分布的检测系统,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如上任一项的晶圆温度分布的检测方法。
本实施例提供一种晶圆温度分布的检测系统,该系统能够实现本发明所述任意一种晶圆温度分布的检测方法,实现数据的获取、运算、生成,通过对晶圆数据进行获取,并对其中的数据信息按照已设计的指令顺序进行操作,生成预处理晶圆数据信息,通过对预处理晶圆数据信息进行信息转换,生成晶圆图像信息,通过对晶圆图像信息进行多维坐标数据采集,并对采集的多维坐标数据进行分析计算,构建自训练温度检测模型,系统内部遵循设定的指令集完成方法运行步骤,推动完成晶圆温度分布的检测方法。
本发明结合多学科多类型模型,提出一种晶圆温度分布的检测方法,解决晶圆温度检测过程中晶圆温度分布不均、受环境温度影响较大的问题,实现检测和监控晶圆温度分布,及时发现异常温度信息并进行数据误差纠正,有效检测晶圆温度分布。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,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、物品或者设备不仅包括那些要素,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、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽范围。
Claims (10)
1.一种晶圆温度分布的检测方法,其特征在于,包括以下步骤:
步骤S1:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据以及晶圆测量场数据,根据晶圆数据集进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集;
步骤S2:根据弱相似度晶圆数据集、晶圆生产数据以及晶圆测量场数据进行温度区域划分处理,生成测量场温度异常域、测量场恒温区域、批次温度异常域及批次恒温区域;
步骤S3:基于测量场温度异常域以及批次温度异常域对预构建的异常域计算公式进行优化,生成异常域优化计算公式;
步骤S4:基于晶圆数据集、测量场温度异常域、测量场恒温区域、批次温度异常域、批次恒温区域以及异常域优化计算公式构建自训练测温模型,生成自训练测温模型,利用自训练温度检测模型进行晶圆温度分布检测,获得晶圆温度分布数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:获取晶圆数据集,其中晶圆数据集包括晶圆生产数据、晶圆测量场数据以及晶圆参数数据;
步骤S12:对晶圆数据集进行热成像多方位测量处理,生成晶圆热成像图像集;
步骤S13:对晶圆热成像图像集进行图片去噪处理,获得标准晶圆热成像图像集;
步骤S14:根据标准晶圆热成像图像集进行坐标数据存储处理,生成红外坐标数据集;
步骤S15:根据红外坐标数据集、晶圆参数数据以及晶圆生产数据进行弱相似度晶圆数据集生成处理,生成弱相似度晶圆数据集。
3.根据权利要求2所述的方法,其特征在于,其中步骤S15具体步骤为:
步骤S151:获取热成像设备颜色映射数据库,其中热成像设备颜色映射数据库应包括颜色映射规则数据;
步骤S152:根据红外坐标数据集以及颜色映射规则数据进行循环坐标温度提取处理,生成坐标温度数据集;
步骤S153:获取晶圆选取标准数据,根据晶圆选取标准数据以及坐标温度数据集进行模板晶圆对象集选取处理,生成模板晶圆对象集;
步骤S154:根据模板晶圆对象集进行模板坐标数据生成处理,生成模板坐标数据;
步骤S155:基于模板坐标数据、坐标温度数据集以及晶圆参数数据利用晶圆模板相似度计算公式进行模板相似度计算,生成模板相似度数据;
步骤S156:根据模板相似度数据以及模板晶圆对象集进行次级模板晶圆对象集生成处理,生成次级模板晶圆对象集;
步骤S157:根据模板晶圆对象集进行模板对象计数统计处理,生成模板对象数量数据;
步骤S158:当模板对象数量数据小于预设的标准模板数量数据时,将次级模板晶圆对象集作为模板晶圆对象集,返回步骤S154,当模板对象数量数据等于预设的标准模板数量数据时;根据模板相似度数据以及模板晶圆对象集进行弱相似度晶圆数据集提取处理,生成弱相似度晶圆数据集。
4.根据权利要求3所述的方法,其特征在于,步骤S155中的晶圆模板相似度计算公式具体为:
为晶圆模板相似度值,n为晶圆参数数据中的晶圆半径,为坐标温度数据集所属晶圆对应晶圆生产数据集中晶体的点缺陷数量,,,...,分别为模板坐标数据中每个模板对象的横坐标温度数据,为坐标温度数据集中的横坐标温度数据,,,...,为模板坐标数据中每个模板对象的纵坐标温度数据,为坐标温度数据集中的纵坐标温度数据,为模板半径数据中的最大横坐标数据,为晶圆参数数据中模板晶圆对象中晶体的点缺陷数量,为晶圆模板相似度计算系数。
5.根据权利要求3所述的方法,其特征在于,步骤S2具体为:
步骤S21:根据弱相似度晶圆数据集以及晶圆生产数据进行批次弱相似晶圆数据生成处理,生成批次弱相似晶圆数据;
步骤S22:根据弱相似度晶圆数据集以及晶圆测量场数据进行弱相似测量场数据生成处理,生成弱相似测量场数据;
步骤S23:基于批次弱相似晶圆数据、模板晶圆对象集、晶圆参数数据以及弱相似测量场数据利用异常温度坐标点计算公式进行异常温度坐标点计算处理,生成批次异常温度坐标点数据以及测量场异常温度坐标点数据;
步骤S24:根据批次异常温度坐标点数据以及晶圆生产数据进行批次温度区域划分,生成批次温度异常域以及批次恒温区域;
步骤S25:根据测量场异常温度坐标点数据以及晶圆测量场数据进行同测量场温度区域划分,生成测量场温度异常域以及测量场恒温区域。
6.根据权利要求5所述的方法,其特征在于,步骤S23中的异常温度坐标点计算公式具体步骤为:
为批次异常温度坐标点数据,为对批次异常温度坐标点数据的特征描述,表示批次异常温度坐标点数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标温度数据,为初级异常域数据二维空间坐标系中的纵坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的横坐标温度数据,为模板晶圆对象集中对应模板晶圆对象的纵坐标温度数据,为晶圆模板相似度比对值,为异常温度区间端点调整值,为常数项,指代圆周率,为测量场异常温度坐标点数据,为晶圆参数数据中的晶圆半径,为批次弱相似晶圆数据所对应的批次相似度系数,为弱相似测量场调整系数,为弱相似测量场数据中的测量场光照度数据,为弱相似测量场数据中的测量场温度数据。
7.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:根据测量场温度异常域以及批次温度异常域对晶圆进行异常温度区域定位处理,生成晶圆异常温度区块;
步骤S32:根据晶圆异常温度区块进行重复区域数据检测,生成异常温度重复数据;
步骤S33:根据异常温度重复数据以及晶圆异常温度区块进行区块去重处理,生成晶圆温度异常域;
步骤S34:根据异常温度重复数据以及晶圆温度异常域进行批次测量场异常区域权重标记处理,生成晶圆标记温度异常域;
步骤S35:根据晶圆标记温度异常域进行多维数据提取处理,生成多维异常域数据;
步骤S36:基于晶圆数据集、模板对象集、批次异常温度坐标点数据以及测量场异常温度坐标点数据利用异常域计算公式进行初级异常域计算,生成初级异常域数据;
步骤S37:基于初级异常域数据以及多维异常域数据进行误差均值数据生成处理,生成误差均值数据;
步骤S38:当误差均值数据大于预设的均衡误差值时,返回步骤S35,并对步骤S36中的异常域计算公式进行异常域超参数调整处理,当误差均值数据小于预设的均衡误差值时,选择异常域计算公式为异常域优化计算公式。
8.根据权利要求7所述的方法,其特征在于,步骤S36中的异常域计算公式为:
为初级异常域数据,为对初级异常域数据的特征描述,表示初级异常域数据具有在二维空间内对空间内点位置进行描述的特征,为初级异常域数据二维空间坐标系中的横坐标,为初级异常域数据二维空间坐标系中的纵坐标,为晶圆批次横向超参数,为晶圆测量场横向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的横坐标,为晶圆横坐标调校参数,为晶圆批次纵向超参数,为晶圆测量场纵向超参数,为根据批次异常温度坐标点数据以及测量场异常温度坐标点数据所选取模板对象集中模板对象坐标集中的纵坐标,为晶圆纵坐标调校参数。
9.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:根据晶圆数据集进行模型神经元建立,生成模型神经元数据;
步骤S42:根据晶圆标记异常域对模型神经元数据进行线性加权,生成权重神经元数据;
步骤S43:对权重神经元数据进行激活函数设置处理,生成激活神经元数据;
步骤S44:择取晶圆数据集作为模型输入层数据;
步骤S45:择取异常域优化计算公式作为模型隐藏层逻辑公式;
步骤S46:根据激活神经元数据、测量场恒温区域、批次恒温区域进行测温初级模型建立,生成测温初级模型;
步骤S47:根据测量场温度异常域、批次温度异常域基于异常域优化计算公式进行数据对抗模型建立,生成数据对抗模型;
步骤S48:根据测温初级模型、红外坐标数据集进行数据输出模型建立,生成数据输出模型;
步骤S49:利用数据对抗模型以及数据输出模型基于异常域优化计算公式进行自训练测温模型建立,生成自训练测温模型,根据自训练温度检测模型进行晶圆温度分布检测,生成晶圆温度分布数据。
10.一种晶圆温度分布的检测系统,其特征在于,包括:
至少一个处理器;以及,
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行如权利要求1至9中任一项的晶圆温度分布的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330665.8A CN116051555B (zh) | 2023-03-31 | 2023-03-31 | 一种晶圆温度分布的检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310330665.8A CN116051555B (zh) | 2023-03-31 | 2023-03-31 | 一种晶圆温度分布的检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116051555A true CN116051555A (zh) | 2023-05-02 |
CN116051555B CN116051555B (zh) | 2023-06-23 |
Family
ID=86133541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310330665.8A Active CN116051555B (zh) | 2023-03-31 | 2023-03-31 | 一种晶圆温度分布的检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116051555B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW504781B (en) * | 2000-05-25 | 2002-10-01 | Sony Corp | Focusing control mechanism, and inspection apparatus using same |
CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
CN113196173A (zh) * | 2018-12-14 | 2021-07-30 | Asml荷兰有限公司 | 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法 |
CN113705788A (zh) * | 2021-08-27 | 2021-11-26 | 齐鲁工业大学 | 基于全卷积神经网络的红外图像温度估计方法及系统 |
CN114138030A (zh) * | 2021-10-29 | 2022-03-04 | 西安北方华创微电子装备有限公司 | 温度控制方法和半导体工艺设备 |
CN114494211A (zh) * | 2022-01-28 | 2022-05-13 | 东北大学 | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
-
2023
- 2023-03-31 CN CN202310330665.8A patent/CN116051555B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW504781B (en) * | 2000-05-25 | 2002-10-01 | Sony Corp | Focusing control mechanism, and inspection apparatus using same |
CN113196173A (zh) * | 2018-12-14 | 2021-07-30 | Asml荷兰有限公司 | 用于对图像图案分组以确定图案化过程中晶片行为的设备和方法 |
CN110348500A (zh) * | 2019-06-30 | 2019-10-18 | 浙江大学 | 基于深度学习和红外热像的睡眠障碍辅助诊断方法 |
WO2022121189A1 (zh) * | 2020-12-11 | 2022-06-16 | 平安科技(深圳)有限公司 | 检测温度的方法、装置和计算机设备 |
CN113705788A (zh) * | 2021-08-27 | 2021-11-26 | 齐鲁工业大学 | 基于全卷积神经网络的红外图像温度估计方法及系统 |
CN114138030A (zh) * | 2021-10-29 | 2022-03-04 | 西安北方华创微电子装备有限公司 | 温度控制方法和半导体工艺设备 |
CN114494211A (zh) * | 2022-01-28 | 2022-05-13 | 东北大学 | 一种基于红外热学分析的晶圆级气体传感器芯片检测方法 |
Non-Patent Citations (2)
Title |
---|
SUBHRAJIT NAG ETAL.: "WaferSegClassNet - A Light-weight Network for Classification and Segmentation of Semiconductor Wafer Defects", ARXIV:2207.00960V1 [CS.CV], pages 1 - 11 * |
王定盼 等: "基于信息熵不确定性估计的域自适应多源遥感影像地表覆盖分类", 武汉大学学报(信息科学 版). HTTPS://DOI.ORG/10.13203/J.WHUGIS20220346, pages 1 - 16 * |
Also Published As
Publication number | Publication date |
---|---|
CN116051555B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11914937B2 (en) | Computational framework for modeling of physical process | |
JP7353238B2 (ja) | 高次元センサデータにおける異常事象の自動化された根本原因分析を実行する方法及びシステム | |
Yang et al. | Analyzing big time series data in solar engineering using features and PCA | |
CN106662472B (zh) | 偏差估计装置和方法以及故障诊断装置和方法 | |
US11216534B2 (en) | Apparatus, system, and method of covariance estimation based on data missing rate for information processing | |
CN105072584B (zh) | 一种基于压缩感知的低代价时间自适应室内定位方法 | |
CN109886337B (zh) | 基于自适应采样的深度度量学习方法及系统 | |
CN106412841A (zh) | 一种基于dbscan算法的室内定位方法 | |
Liu et al. | A Bayesian approach to diameter estimation in the diameter control system of silicon single crystal growth | |
CN106250918A (zh) | 一种基于改进的推土距离的混合高斯模型匹配方法 | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN109034179B (zh) | 一种基于马氏距离idtw的岩层分类方法 | |
CN117278150B (zh) | 一种室内无线网络信号测量计算方法、设备和介质 | |
CN116051555B (zh) | 一种晶圆温度分布的检测系统及方法 | |
CN111859303B (zh) | 基于动态贝叶斯平均的土壤湿度融合方法及系统 | |
CN115953604B (zh) | 一种不动产地理信息测绘数据采集方法 | |
CN116244662B (zh) | 一种多源高程数据融合方法、装置、计算机设备及介质 | |
CN116486146A (zh) | 一种旋转机械设备的故障检测方法、系统、装置和介质 | |
Wang et al. | Normal Sinkhorn Distance: A novel metric for evaluating generated signals and its application in mechanical fault diagnosis | |
CN112733906B (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
Pandit et al. | QQ plot for assessment of Gaussian Process wind turbine power curve error distribution function | |
Lardin-Puech et al. | Analysing large datasets of functional data: a survey sampling point of view | |
JP4150322B2 (ja) | 高炉操業における操業監視方法、装置、及びコンピュータプログラム | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
Liu et al. | Cost-effective signal map crowdsourcing with auto-encoder based active matrix completion |
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 |