CN116469498B - 材料去除率的预测方法、装置、终端设备及存储介质 - Google Patents

材料去除率的预测方法、装置、终端设备及存储介质 Download PDF

Info

Publication number
CN116469498B
CN116469498B CN202310722110.8A CN202310722110A CN116469498B CN 116469498 B CN116469498 B CN 116469498B CN 202310722110 A CN202310722110 A CN 202310722110A CN 116469498 B CN116469498 B CN 116469498B
Authority
CN
China
Prior art keywords
domain
target domain
wafer
removal rate
material removal
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
Application number
CN202310722110.8A
Other languages
English (en)
Other versions
CN116469498A (zh
Inventor
冯建设
朱枫
谢旻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Xinrun Fulian Digital Technology Co Ltd
City University of Hong Kong CityU
Original Assignee
Shenzhen Xinrun Fulian Digital Technology Co Ltd
City University of Hong Kong CityU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Xinrun Fulian Digital Technology Co Ltd, City University of Hong Kong CityU filed Critical Shenzhen Xinrun Fulian Digital Technology Co Ltd
Priority to CN202310722110.8A priority Critical patent/CN116469498B/zh
Publication of CN116469498A publication Critical patent/CN116469498A/zh
Application granted granted Critical
Publication of CN116469498B publication Critical patent/CN116469498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B37/00—Lapping machines or devices; Accessories
    • B24B37/34—Accessories
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/146—Quality control systems during manufacturing process
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • 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
    • H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
    • H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
    • H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
    • H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
    • H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
    • H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
    • H01L21/30625—With simultaneous mechanical treatment, e.g. mechanico-chemical polishing
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Evolutionary Biology (AREA)
  • Power Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

本发明公开了一种材料去除率的预测方法、装置、终端设备及存储介质，材料去除率的预测方法应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，其中，生产设备包括：旧生产设备和新生产设备，晶圆包括：标注晶圆和未标注晶圆，预测材料去除率方法包括：根据第一源域和第一目标域建立第一虚拟量测模型，其中，第一源域为旧生产设备的多个标注晶圆，第一目标域为新生产设备的多个未标注晶圆；根据第一虚拟量测模型针对第一目标域进行在线推理得到关键晶圆样本，并根据关键晶圆样本更新第一虚拟量测模型得到第二虚拟量测模型；根据第二虚拟量测模型针对第一目标域的每个未标注晶圆进行材料去除率的预测。

Description

材料去除率的预测方法、装置、终端设备及存储介质
技术领域
本发明属于半导体制造技术领域，尤其涉及一种材料去除率的预测方法、装置、终端设备及存储介质。
背景技术
在半导体制造以及集成电路制造过程中，化学机械抛光是实现晶圆表面平坦化的关键工艺，而平均材料去除率是用于评估该化学机械抛光过程以及检查晶圆产品质量的关键指标之一。
如今，平均材料去除率的实体测量中所需的设备成本往往过高并且非常耗费时间，因此，虚拟量测系统被广泛应用于平均材料去除率的预测，当前有大量的算法模型已被应用于数据驱动的虚拟量测模型开发，如支持向量回归，随机森林和分类与回归树等。
然而，预测新生产设备针对晶圆进行抛光的平均材料去除率时，重新采集晶圆样本的数据并对该数据进行标注需要的成本极高，从而，通过旧生产设备采集的晶圆样本的标签数据来构建的虚拟量测系统无法在新生产设备中得到很好的预测精度。
发明内容
本发明的主要目的在于提供一种材料去除率的预测方法、装置、终端设备及计算机可读存储介质。旨在实现针对晶圆的平均材料去除率进行预测时，提高新生产设备上该平均材料去除率的预测精度。
为了实现上述目的，本发明提供一种材料去除率的预测方法，所述材料去除率的预测方法应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，其中，所述生产设备包括：旧生产设备和新生产设备，所述晶圆包括：标注晶圆和未标注晶圆，所述材料去除率的预测方法包括：
根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为所述旧生产设备的多个所述标注晶圆，所述第一目标域为所述新生产设备的多个所述未标住晶圆；
根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆，并根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型；
根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
可选地，所述根据第一源域和第一目标域建立第一虚拟量测模型步骤，包括：
针对所述第一源域进行调整得到第二源域和针对第一目标域调整得到第二目标域，其中，所述调整包括归一化调整和时间对齐调整；
通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型，其中，所述深度域神经网络包括特征提取器、预测器和分类器。
可选地，所述通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型的步骤，包括：
通过所述特征提取器将所述第二源域和所述第二目标域映射到特征空间得到特征数据；
通过所述预测器针对所述特征数据进行预测，并通过所述分类器针对所述特征数据进行分类来建立所述第一虚拟量测模型。
可选地，在所述通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型的步骤之后，所述方法还包括：
根据所述第二源域确定所述预测器的第一损失数据，并根据所述第二源域和所述第二目标域确定所述分类器的第二损失数据；
根据所述第一损失数据和所述第二损失数据确定所述深度域神经网络的总损失数据；
根据所述总损失数据更新所述预测器的参数和所述分类器的参数进行模型训练来建立所述第一虚拟量测模型。
可选地，所述根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆的步骤，包括：
根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到所述第一目标域中每个所述无标注晶圆的预测置信度；
根据所述预测置信度确定所述关键晶圆。
可选地，所述根据所述预测置信度确定所述关键晶圆的步骤，包括：
确认所述预测置信度是否大于预设的预测置信度阈值；
若是，则确定大于所述预测置信度阈值的所述晶圆样本作为所述关键晶圆。
可选地，所述根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型的步骤，包括：
根据所述关键样本更新所述第一虚拟量测模型的特征提取器的参数得到第二虚拟量测模型。
此外，为实现上述目的，本发明还提供一种材料去除率的预测装置，所述材料去除率的预测装置包括：
建立模块，用于根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为旧生产设备的多个标注晶圆，所述第一目标域为新生产设备的多个未标注晶圆；
更新模块，用于根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆，并根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型；
预测模块，用于根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
此外，为实现上述目的，本发明还提供一种终端设备，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的材料去除率的预测程序，所述材料去除率的预测程序被所述处理器执行时实现如上所述的材料去除率的预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有材料去除率的预测程序，所述材料去除率的预测程序被处理器执行时实现如上所述的材料去除率的预测方法的步骤。
本发明实施例提出的一种材料去除率的预测方法、装置、终端设备及计算机可读存储介质，所述材料去除率的预测方法应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，其中，所述生产设备包括：旧生产设备和新生产设备，所述晶圆包括：标注晶圆和未标注晶圆，所述材料去除率的预测方法包括：根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为所述旧生产设备的多个所述标注晶圆，所述第一目标域为所述新生产设备的多个所述未标注晶圆；根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆，并根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型；根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
本发明技术方案应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，该生产设备包括旧生产设备和新生产设备，该晶圆包括标注晶圆和未标注晶圆，通过该旧生产设备的多个该标注晶圆为第一源域和该新生产设备中的多个该未标注晶圆为第一目标域，然后根据该第一源域和该第一目标域建立第一虚拟量测模型，之后根据该第一虚拟量测模型针对该第一目标域进行在线推理得到关键晶圆，最后，根据该关键晶圆更新该第一虚拟量测模型后得到第二虚拟量测模型，根据该第二虚拟量测模型针对该第一目标域的每个未标注晶圆进行材料去除率的预测。
相比于传统的通过支持向量回归，随机森林和分类与回归树等算法模型针对数据驱动的虚拟量测模型进行开发的方式，本发明通过现有生产设备的标注晶圆为源域和新生产设备的未标注晶圆为目标域建立第一虚拟量测模型，然后根据第一虚拟量测模型针对该目标域进行在线推理得到关键晶圆，最后将关键晶圆更新至该第一虚拟量测模型得到的第二虚拟量测模型针对该目标域的未标注晶圆的材料去除率进行预测。从而，本发明实现了通过虚拟量测系统针对新生产设备的平均材料去除率进行预测时，极大程度上提高了该平均材料去除率的预测精度。
附图说明
图1是本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图；
图2为本发明材料去除率的预测方法第一实施例的流程示意图；
图3为本发明材料去除率的预测方法一实施例所涉及的神经网络框架示意图；
图4为本发明材料去除率的预测方法一实施例所涉及的第二虚拟量测模型示意图；
图5为本发明材料去除率的预测装置一实施例的功能模块示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的终端设备硬件运行环境的设备结构示意图。
本发明实施例终端设备可以是集成预测材料去除率的设备，还可以是智能手机、PC（Personal Computer，个人计算机）、平板电脑、便携计算机等等。
如图1所示，该终端设备可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如Wi-Fi接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的终端设备结构并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及材料去除率的预测程序。
在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的材料去除率的预测程序实现本发明材料去除率的预测方法的各个实施例。
基于上述的终端设备，提出本发明材料去除率的预测方法的各实施例。在本发明材料去除率的方预测法的各实施例中，本发明材料去除率的预测方法应用于材料去除率的预测过程中。
请参照图2，图2为本发明材料去除率的预测方法第一实施例的流程示意图。在本发明材料去除率的预测方法的第一实施例中，所述材料去除率的预测方法应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，其中，所述生产设备包括：旧生产设备和新生产设备，所述晶圆包括：标注晶圆和未标注晶圆，所述材料去除率的预测方法包括：
步骤S10：根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为所述旧生产设备的多个所述标注晶圆，所述第一目标域为所述新生产设备的多个所述无标注晶圆；
在本实施例中，终端设备通过虚拟量测系统针对材料去除率进行预测时，确定现有的旧生产设备的标注晶圆样本为第一源域，确定新生产设备的无标注晶圆样本为第一目标域，然后根据该第一源域和该第二目标域建立第一虚拟量模型。
示例性地，在本实施例中，通过化学机械抛光（Chemical MechanicalPlanarization,CMP）过程针对平均材料去除率（Material Removal Rate,MRR）进行预测，而通过虚拟量测（Virtual Metrology,VM）系统针对平均材料去除率进行预测时，终端设备确定现有的旧生产设备的带标签的晶圆样本为第一源域，确定新生产设备的无标签数据的晶圆样本为第一目标域数据，然后根据该第一源域和第一目标域进行域学习来建立第一虚拟量测模型。
可选地，在一些可行的实施例中，步骤S10中，所述根据第一源域和第一目标域建立第一虚拟量测模型的步骤，还可以包括以下步骤：
步骤S101：针对所述第一源域进行调整得到第二源域和针对第一目标域调整得到第二目标域，其中，所述调整包括归一化调整和时间对齐调整；
在本实施例中，终端设备确定第一源域和第一目标域之后，针对该第一源域的每个样本进行归一化调整和时间对齐调整得到第二源域，并针对第一目标域的每个样本进行归一化调整和时间对齐调整得到第二目标域。
示例性地，在本实施例中，终端设备确定旧设备的带标签数据为第一源域和确定新设备的无标签数据为第一目标域之后，针对该第一源域的每个样本进行归一化调整，具体调整的方式为：
然后终端设备针对该第一源域的每个样本进行时间对齐调整，对齐后第一源域的所有样本的时间长度都一致，具体使用动态时间规整（Dynamic Time Warping, DTW）算法针对该第一源域进行对齐得到第二源域，终端设备针对该第一目标域的每个样本进行归一化调整，具体调整的方式为：
然后终端设备针对该第一目标域的每个样本进行时间对齐调整，对齐后第一源域的所有样本的时间长度都一致，具体使用动态时间规整（Dynamic Time Warping, DTW）算法针对该第一目标域进行对齐得到第二目标域。
步骤S102：通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型，其中，所述深度域神经网络包括特征提取器、预测器和分类器。
在本实施例中，终端设备针对第一源域进行归一化调整和时间对齐调整之后得到第二源域，针对第一目标域进行归一化调整和时间对齐调整之后得到第二目标域，然后通过深度域神经网络针对该第二源域和该第二目标域进行模型训练来建立第一虚拟量测模型，其中，该深度域神经网络包括特征提取器、预测器和分类器。
示例性地，在本实施例中，终端设备根据第二源域和第二目标建立深度域对抗网络之后，针对该深度域对抗网络进行模型训练，其中，具体模型超参数设置表格如下：
可选地，在一些可行的实施例中，步骤S102中，所述“通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型”的步骤，还可以包括以下步骤：
步骤S1021：通过所述特征提取器将所述第二源域和所述第二目标域映射到特征空间得到特征数据；
在本实施例中，终端设备通过深度域神经网络的特征提取器针对第二源域和第二目标域映射到特征空间，然后根据该特征空间得到特征数据。
示例性地，如图3所示的神经网络框架示意图，在本实施例中，终端设备针对第一源域进行归一化调整和时间对齐调整之后得到第二源域，针对第一目标域进行归一化调整和时间对齐调整之后得到第二目标域，然后终端设备通过深度域神经网络的特征提取器针对第二源域和第二目标域映射到特征空间，然后根据该特征空间得到特征数据。
需要说明的是，在本实施例中，深度域神经网络的特征提取器针对第二源域和第二目标域进行特征提取得到特征数据，使深度域神经网络的预测器能够准确预测，并使深度域神经网络的分类器无法区分该特征数据来源于源域和目标域中的哪一个域，即，减少该源域和该目标域的分布差异。
示例性地，如图3所示的神经网络框架示意图，在本实施例中，因输入的晶圆样本均为矩阵形式，使用卷积层、最大汇聚层和全连接层来构建特征提取器。
步骤S1022：通过所述预测器针对所述特征数据进行预测，并通过所述分类器针对所述特征数据进行分类来建立所述第一虚拟量测模型。
在本实施例中，终端设备通过深度域神经网络的预测器针对通过特征提取器得到的特征数据进行预测，并通过深度域神经网络的分类器针对通过特征提取器得到的特征数据进行分类。
示例性地，在本实施例中，终端设备通过深度域神经网络的特征提取器针对第二源域的晶圆样本和第二目标域的晶圆样本进行特征提取得到特征数据之后，通过深度域神经网络的预测器针对该特征数据预测，确定哪一个该特征数据来源于源域，并通过深度域神经网络的分类器针对该特征数据进行分类。
需要说明的是，如图3所示的神经网络框架示意图，在本实施例中，使用全连接层来构建预测器，并使用暂退法（Drop Out）以避免模型过拟合，并且使用全连接层来构建分类器，其中，该特征提取器和该预测器构成了一个前馈神经网络，分类器通过梯度反转层(gradient reversal layer,GRL)连接于特征提取器的后面，其中，为偏分，/>为神经网络参数，/>为平均材料去除率对应的参数，/>为分类器对应的参数，/>为预测器的损失，为分类器的损失。
可选地，在一些可行的实施例中，步骤S102中，所述“通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型”的步骤，还可以包括以下步骤：
步骤S1023：根据所述第二源域确定所述预测器的第一损失数据，并根据所述第二源域和所述第二目标域确定所述分类器的第二损失数据；
在本实施例中，终端设备针对第二源域和第二目标域进行模型训练建立第一虚拟量测模型之后，根据该第二源域确定深度域神经网络的预测器的第一损失数据，并根据该第二源域和该第二目标域确定深度域神经网络的分类器的第二损失数据。
示例性地，在本实施例中，针对第二源域和第二目标域进行模型训练建立第一虚拟量测模型之后，根据该第二源域确定深度域神经网络的预测器的损失数据，该/>具体为：
其中，为模型的预测值，/>为晶圆对应的平均材料去除率，/>为现有设备的带标签的源域数据集，具体为：/>，其中，K为源域数据样本整数，/>为新设备的无标签的目标域数据集，具体为：/>，J为目标域数据样本整数。
示例性地，在本实施例中，终端设备根据该第二源域和该第二目标域确定深度域神经网络的分类器的损失数，该/>具体为：
其中，为分类的概率。
步骤S1024：根据所述第一损失数据和所述第二损失数据确定所述深度域神经网络的总损失数据；
在本实施例中，终端设备根据该第二源域确定第一损失数据，并根据该第二源域和第二目标域确定第二损失数据之后，进一步根据该第一损失数据和该第二损失数据确定深度域神经网络的总损失数据；
示例性地，在本实施例中，终端设备根据该第二源域确定第一损失数据，并根据该第二源域和第二目标域确定第二损失数据之后，进一步根据该第一损失数据和该第二损失数据确定深度域神经网络的总损失数据L，该总损失L具体为，其中，λ为权衡参数，终端设备通过最小化总损失L来更新预测器的参数，通过最大化总损失L来更新分类器的参数。
步骤S1025：根据所述总损失数据更新所述预测器的参数和所述分类器的参数进行模型训练来建立所述第一虚拟量测模型。
在本实施例中，根据第一损失数据和第二损失数据确定深度域神经网络的总损失数据之后，根据该总损失数据更新预测器的参数和分类器的参数进行模型训练来建立第一虚拟量测模型。
示例性地，根据第一损失数据和第二损失数据确定深度域神经网络的总损失数据之后，终端设备通过最小化总损失L来更新预测器的参数，通过最大化总损失L来更新分类器的参数进行模型训练来建立第一虚拟量测模型。
步骤S20：根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆样本，并根据所述关键晶圆样本更新所述第一虚拟量测模型得到第二虚拟量测模型；
在本实施例中，终端设备通过第一源域和第一目标域建立虚拟量测模型之后，根据该第一虚拟量测模型针对该第一目标域进行在线推理得到关键晶圆样本，并根据该关键晶圆样本更新该第一虚拟量测模型得到第二虚拟量测模型。
可选地，在一些可行的实施例中，步骤S20中，所述“根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆样本”的步骤，可以包括以下步骤：
步骤S201：根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到所述第一目标域中每个所述无标签晶圆的预测置信度；
在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到该第一目标域中每个晶圆样本的平均材料去除率的预测置信度。
示例性地，在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域或者新输入的实时样本进行在线推理之后，得到该第一目标域或者该实时样本中每个晶圆样本的平均材料去除率和该平均材料去除率的预测置信度。
步骤S202：根据所述预测置信度确定所述关键晶圆样本。
在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理后得到该第一目标域中每个晶圆样本的平均材料去除率的预测置信度之后，根据该预测置信度得到关键晶圆样本。
可选地，在一些可行的实施例中，步骤S202，可以包括以下步骤：
步骤S2021：确认所述预测置信度是否大于预设的预测置信度阈值；
在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到每个晶圆样本的材料去除率的置信度之后，确认该每个晶圆样本的材料去除率的置信度是否大于预设的预测置信度阈值。
步骤S2022：若是，则确定大于所述置信度阈值的所述无标签晶圆作为所述关键晶圆样本。
在本实施例中，终端设备确认第一目标域的每个晶圆样本的材料去除率的置信度是否大于预设的置信度阈值之后，若确认晶圆样本的平均材料去除率的预测置信度大于预设的预测置信度阈值，则确认大于该预设的预测置信度阈值的晶圆样本为关键晶圆样本。
示例性地，示例性地，如图4所示的第二虚拟量测模型示意图，在本实施例中，终端设备确认第一目标域的每个晶圆样本的平均材料去除率的预测置信度是否大于预设的预测置信度阈值之后，若确认晶圆样本的平均材料去除率的预测置信度大于预设的预测置信度阈值，或者针对该预测置信度比较大的样本，确认为第一虚拟量测模型无法作出精准推理的输出晶圆样本，最后确认该输出晶圆样本为关键晶圆样本。
可选地，在一些可行的实施例中，步骤S20中，所述“根据所述关键晶圆样本更新所述第一虚拟量测模型得到第二虚拟量测模型”的步骤，可以包括以下步骤：
步骤S203：根据所述关键样本更新所述第一虚拟量测模型的特征提取器的参数得到第二虚拟量测模型。
在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到关键晶圆样本之后，通过主动实体量测对该关键晶圆样本进行标注，然后根据该标注后的关键晶圆样本更新该第一虚拟量测模型的特征提取器的参数得到第二虚拟量测模型。
示例性地，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到关键晶圆样本之后，通过主动实体量测对该关键样本进行标注，该标注后的关键晶圆样本表示为，并通过损失函数针对该第一虚拟量测模型进行微调（fine-tuned）更新后得到第二虚拟量测模型，该损失函数具体为：
步骤S30：根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
在本实施例中，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到关键晶圆样本之后，根据该关键晶圆样本更新该第一虚拟量测模型得到的第二虚拟量测模型针对该第一目标域中的每个未标注晶圆样本进行材料去除率的预测。
如此，在本实施例中，终端设备通过虚拟量测系统针对材料去除率进行预测时，确定现有的旧生产设备的带标签数据的晶圆样本为第一源域，新生产设备的无标签数据的晶圆样本为第一目标域，然后根据该第一源域和该第二目标域建立第一虚拟量模型；之后，终端设备通过第一源域和第一目标域建立虚拟量测模型之后，根据该第一虚拟量测模型针对该第一目标域进行在线推理得到关键晶圆样本，并根据该关键晶圆样本更新该第一虚拟量测模型得到第二虚拟量测模型；最后，终端设备根据第一虚拟量测模型针对第一目标域进行在线推理得到关键晶圆样本之后，根据该关键晶圆样本更新该第一虚拟量测模型得到的第二虚拟量测模型针对该第一目标域中的每个晶圆样本进行材料去除率的预测。
从而，本发明实现了通过现有生产设备的样本为源域和新生产设备样本为目标域来建立第一虚拟量测模型之后，再通过该第一虚拟量测模型的自学习过程得到的第二虚拟量测模型针对该目标域进行平均材料去除率的预测，从而，极大程度上提高了新生产设备上平均材料去除率的预测精度。
此外，本发明实施例还提供一种材料去除率的预测装置，请参照图5，图5为本发明材料去除率的预测装置一实施例的功能模块示意图，如图5所示，本发明材料去除率的预测装置包括：
建立模块10，用于根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为旧生产设备的多个标注晶圆，所述第一目标域为新生产设备的多个未标注晶圆；
更新模块20，用于根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆样本，并根据所述关键晶圆样本更新所述第一虚拟量测模型得到第二虚拟量测模型；
预测模块30，用于根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
可选地，建立模块10，包括：
调整单元，用于针对所述第一源域进行归一化调整和时间对齐调整得到第二源域和针对第一目标域进行归一化调整和时间对齐调整得到第二目标域；
建立单元，用于通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型，其中，所述深度域神经网络包括特征提取器、预测器和分类器。
可选地，建立单元，包括：
映射子单元，用于通过所述特征提取器针对所述第二源域和所述第二目标域映射到特征空间得到特征数据；
建立子单元，用于通过所述预测器针对所述特征数据进行预测，并通过所述分类器针对所述特征数据进行分类来建立所述第一虚拟量测模型。
可选地，建立单元，还包括：
第一确定子单元，用于根据所述第二源域确定所述预测器的第一损失数据，并根据所述第二源域和所述第二目标域确定所述分类器的第二损失数据；
第二确定子单元，用于根据所述第一损失数据和所述第二损失数据确定所述深度域神经网络的总损失数据；
更新子单元，用于根据用于所述总损失数据更新所述预测器的参数和所述分类器的参数进行模型训练来建立所述第一虚拟量测模型。
可选地，更新模块20，包括：
推理单元，用于根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到所述第一目标域中每个所述晶圆样本的预测置信度；
确定单元，用于根据所述预测置信度确定所述关键晶圆样本。
可选地，确定单元，包括：
第一确认子单元，用于确认所述预测置信度是否大于预设的预测置信度阈值；
第二确定子单元，用于若是，则确定大于所述预测置信度阈值的所述晶圆样本作为所述关键晶圆样本。
可选地，更新模块20，还包括：
第二更新单元，用于根据所述关键样本更新所述第一虚拟量测模型的特征提取器的参数得到第二虚拟量测模型。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质上存储有材料去除率的预测程序，上述材料去除率的预测程序被处理器执行时实现如以上任一项实施例所述的材料去除率的预测方法的步骤。
本发明计算机可读存储介质的具体实施例与上述材料去除率的预测方法各实施例基本相同，在此不作赘述。
本发明还提供一种计算机程序产品，所述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以上任一项实施例所述的材料去除率的预测方法的步骤。
本发明计算机存储介质的具体实施例与上述材料去除率的预测方法各实施例基本相同，在此不作赘述。
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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。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、物品或者系统中还存在另外的相同要素。
上述本发明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，本发明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如上所述的一个存储介质(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，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明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，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种材料去除率的预测方法，其特征在于，所述材料去除率的预测方法应用于通过化学机械抛光的生产设备针对晶圆进行抛光的过程中，其中，所述生产设备包括：旧生产设备和新生产设备，所述晶圆包括：标注晶圆和未标注晶圆，所述材料去除率的预测方法包括：
根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为所述旧生产设备的多个所述标注晶圆，所述第一目标域为所述新生产设备的多个所述未标注晶圆；
其中，所述根据第一源域和第一目标域建立第一虚拟量测模型步骤，包括：
针对所述第一源域进行调整得到第二源域和针对第一目标域调整得到第二目标域，其中，所述调整包括归一化调整和时间对齐调整， 其中，使用动态时间规整算法进行所述时间对齐调整；
通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型，其中，所述深度域神经网络包括特征提取器、预测器和分类器；
所述通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型的步骤，包括：
根据所述第二源域确定所述预测器的第一损失数据，并根据所述第二源域和所述第二目标域确定所述分类器的第二损失数据；
根据所述第一损失数据和所述第二损失数据确定所述深度域神经网络的总损失数据；
通过最小化总损失数据更新预测器的参数，通过最大化总损失数据更新分类器的参数进行模型训练来建立第一虚拟量测模型；
根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆，并根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型；
根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
2.如权利要求1所述的材料去除率的预测方法，其特征在于，所述通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型的步骤，包括：
通过所述特征提取器将所述第二源域和所述第二目标域映射到特征空间得到特征数据；
通过所述预测器针对所述特征数据进行预测，并通过所述分类器针对所述特征数据进行分类来建立所述第一虚拟量测模型。
3.如权利要求1所述的材料去除率的预测方法，其特征在于，所述根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆的步骤，包括：
根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到所述第一目标域中每个所述未标注晶圆的预测置信度；
根据所述预测置信度确定所述关键晶圆。
4.如权利要求3所述的材料去除率的预测方法，其特征在于，所述根据所述预测置信度确定所述关键晶圆的步骤，包括：
确认所述预测置信度是否大于预设的预测置信度阈值；
若是，则确定大于所述预测置信度阈值的所述未标注晶圆作为所述关键晶圆。
5.如权利要求1所述的材料去除率的预测方法，其特征在于，所述根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型的步骤，包括：
根据所述关键晶圆更新所述第一虚拟量测模型的特征提取器的参数得到第二虚拟量测模型。
6.一种材料去除率的预测装置，其特征在于，所述材料去除率的预测装置包括：
建立模块，用于根据第一源域和第一目标域建立第一虚拟量测模型，其中，所述第一源域为旧生产设备的多个标注晶圆，所述第一目标域为新生产设备的多个未标注晶圆；
其中，所述根据第一源域和第一目标域建立第一虚拟量测模型步骤，包括：
针对所述第一源域进行调整得到第二源域和针对第一目标域调整得到第二目标域，其中，所述调整包括归一化调整和时间对齐调整， 其中，使用动态时间规整算法进行所述时间对齐调整；
通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型，其中，所述深度域神经网络包括特征提取器、预测器和分类器；
所述通过深度域神经网络针对所述第二源域和所述第二目标域进行模型训练来建立所述第一虚拟量测模型的步骤，包括：
根据所述第二源域确定所述预测器的第一损失数据，并根据所述第二源域和所述第二目标域确定所述分类器的第二损失数据；
根据所述第一损失数据和所述第二损失数据确定所述深度域神经网络的总损失数据；
通过最小化总损失数据更新预测器的参数，通过最大化总损失数据更新分类器的参数进行模型训练来建立第一虚拟量测模型；
更新模块，用于根据所述第一虚拟量测模型针对所述第一目标域进行在线推理得到关键晶圆，并根据所述关键晶圆更新所述第一虚拟量测模型得到第二虚拟量测模型；
预测模块，用于根据所述第二虚拟量测模型针对所述第一目标域的每个所述未标注晶圆进行材料去除率的预测。
7.一种终端设备，其特征在于，所述终端设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的材料去除率的预测程序，所述材料去除率的预测程序被所述处理器执行时实现如权利要求1至5中任一项所述的材料去除率的预测方法的步骤。
8.一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上存储有材料去除率的预测程序，所述材料去除率的预测程序被处理器执行时实现如权利要求1至5中任一项所述的材料去除率的预测方法的步骤。
CN202310722110.8A 2023-06-19 2023-06-19 材料去除率的预测方法、装置、终端设备及存储介质 Active CN116469498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310722110.8A CN116469498B (zh) 2023-06-19 2023-06-19 材料去除率的预测方法、装置、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310722110.8A CN116469498B (zh) 2023-06-19 2023-06-19 材料去除率的预测方法、装置、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN116469498A CN116469498A (zh) 2023-07-21
CN116469498B true CN116469498B (zh) 2023-11-17

Family

ID=87184681

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310722110.8A Active CN116469498B (zh) 2023-06-19 2023-06-19 材料去除率的预测方法、装置、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN116469498B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019204547A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and methods for automatic speech recognition using domain adaptation techniques
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112541580A (zh) * 2020-12-31 2021-03-23 南京航空航天大学 一种基于主动对抗学习的半监督域自适应方法
CN113076971A (zh) * 2021-03-02 2021-07-06 华中科技大学 一种基于迁移学习的材料去除率模型的建立方法和装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019204547A1 (en) * 2018-04-18 2019-10-24 Maneesh Kumar Singh Systems and methods for automatic speech recognition using domain adaptation techniques
CN112183581A (zh) * 2020-09-07 2021-01-05 华南理工大学 基于自适应迁移神经网络的半监督机械故障诊断方法
CN112541580A (zh) * 2020-12-31 2021-03-23 南京航空航天大学 一种基于主动对抗学习的半监督域自适应方法
CN113076971A (zh) * 2021-03-02 2021-07-06 华中科技大学 一种基于迁移学习的材料去除率模型的建立方法和装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
An Online Virtual Metrology Model With Sample Selection for the Tracking of Dynamic Manufacturing Processes With Slow Drift;Jianshe Feng et al.;IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING;第32卷(第4期);第574-582页 *
Domain-adaptive active learning for cost-effective virtual metrology modeling;Jaewoong Shim et al.;Computers in Industry;第1-7页 *
On Updating a Virtual Metrology Model in Semiconductor Manufacturing via Transfer Learning;Rebecca CLAIN et al.;2022 33rd annual SEMI advanced semiconductor manufacturing conference(ASMC);第1-6页 *
Profile Abstract: An Optimization-Based Subset Selection and Summarization Method for Profile Data Mining;Feng Zhu et al.;IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS;第9337-9348页 *
虚拟计量在半导体领域的应用进展;闫雁楠;中国金属通报;第110-111、114页 *

Also Published As

Publication number Publication date
CN116469498A (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
Collin et al. Extending approximate Bayesian computation with supervised machine learning to infer demographic history from genetic polymorphisms using DIYABC Random Forest
CN109754105B (zh) 一种预测方法及终端、服务器
US10031945B2 (en) Automated outlier detection
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN112348081B (zh) 用于图像分类的迁移学习方法、相关装置及存储介质
CN111831675A (zh) 一种仓储模型训练方法、装置、计算机设备及存储介质
CN112948951B (zh) 建筑模型创建方法与装置、处理服务器
US10872300B2 (en) Artificial intelligent systems and methods for using a structurally simpler learner model to mimic behaviors of a structurally more complicated reference model
CN113627536A (zh) 模型训练、视频分类方法，装置，设备以及存储介质
JPWO2017188048A1 (ja) 作成装置、作成プログラム、および作成方法
CN116469498B (zh) 材料去除率的预测方法、装置、终端设备及存储介质
CN109754319B (zh) 信用分值确定系统、方法、终端及服务器
CN116341059A (zh) 基于相似度的隧道智能设计方法
WO2022162839A1 (ja) 学習装置、学習方法、及び、記録媒体
CN110502715B (zh) 点击概率的预测方法及装置
CN114663751A (zh) 一种基于增量学习技术的输电线路缺陷识别方法和系统
CN114067149A (zh) 互联网服务提供方法、装置和计算机设备
CN116501993B (zh) 房源数据推荐方法及装置
CN115034692A (zh) 数据漂移的跟踪方法、装置、终端设备及存储介质
CN114360426B (zh) Gamma调节方法、装置、计算机设备和存储介质
CN115601550B (zh) 模型确定方法、装置、计算机设备及计算机可读存储介质
CN115631798B (zh) 一种基于图对比学习的生物分子分类方法及装置
CN114118388B (zh) 面向用户隐私保护的异构网络图链接预测方法及相关设备
CN113705594B (zh) 一种识别图像的方法和装置
US20230068381A1 (en) Method and electronic device for quantizing dnn model

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