CN117151227B - 一种半导体检测结果的推理方法及装置 - Google Patents
一种半导体检测结果的推理方法及装置 Download PDFInfo
- Publication number
- CN117151227B CN117151227B CN202311091894.5A CN202311091894A CN117151227B CN 117151227 B CN117151227 B CN 117151227B CN 202311091894 A CN202311091894 A CN 202311091894A CN 117151227 B CN117151227 B CN 117151227B
- Authority
- CN
- China
- Prior art keywords
- spc
- characterization
- vector
- data set
- detection result
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 46
- 239000004065 semiconductor Substances 0.000 title claims abstract description 40
- 239000013598 vector Substances 0.000 claims abstract description 121
- 238000012512 characterization method Methods 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004519 manufacturing process Methods 0.000 claims abstract description 16
- 238000003070 Statistical process control Methods 0.000 claims description 148
- 238000007689 inspection Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 13
- 238000013507 mapping Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
本说明书实施例涉及一种半导体检测结果的推理方法及装置，方法包括：获取第一数据集，其中包含多个半导体制造过程中产生的SPC特征，任一SPC特征对应多个晶圆检测结果；对任一SPC特征进行独热编码，得到SPC表征向量；对任一晶圆检测结果进行独热编码，得到检测结果表征向量；对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集，并训练分类器；获取第一待推理数据，其包含多个SPC特征；将所述多个SPC特征各自对应的SPC表征向量求和，输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。
Description
技术领域
本说明书一个或多个实施例涉及机器学习领域，尤其涉及一种半导体检测结果的推理方法及装置。
背景技术
在半导体制造过程中产生了各种检测数据，其用来检测半导体生产机台的运行状态，并在产生异常的时候，辅助分析问题的成因。其中，一类数据为SPC数据(StatisticalProcess Control，统计过程控制)。SPC是一种用于监控和管理制造过程稳定性和质量的方法，通过收集和分析生产过程中的数据，以实时监测过程的变化，并采取相应的控制措施。将SPC数据进行收集和处理后，可以得到对应的SPC特征(SPC Pattern)，基于SPC特征可以推理出对应的晶圆检测结果。
然而，现有方案中往只能根据单个SPC特征进行推理，得到一个或多个可能的晶圆检测结果。但是在实际生产中，往往会同时出现多个SPC特征，如果对它们分别进行推理，一方面效率低，另一方面多个SPC特征的推理结果之间难以汇总和统一，导致推理效果不好。因此，需要一种基于多个SPC特征进行半导体检测结果推理的方法。
发明内容
本说明书一个或多个实施例描述了一种半导体检测结果的推理方法及装置，利用单个SPC特征与对应晶圆检测结果形成的数据集对分类器进行训练，然后利用训练好的分类器对多个SPC特征进行推理，得到多个SPC特征对应的一个或多个晶圆检测结果。
第一方面，提供了一种半导体检测结果的推理方法，包括：
获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；
基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；
对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；
获取第一待推理数据，其包含多个SPC特征；
将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。
在一种可能的实施方式中，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果，包括：
将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；
将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定对应的一个或多个晶圆检测结果。
在一种可能的实施方式中，获取第一数据集，包括：
获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；
对于知识图谱中任一SPC特征，基于其对应的多个晶圆检测结果，形成第一数据集。
在一种可能的实施方式中，获取第一数据集，包括：
获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；
将知识图谱中的多个三元组输入到知识图谱嵌入模型中进行嵌入处理，得到包含多个嵌入表征三元组的第二数据集；所述知识图谱嵌入模型使得三元组中的嵌入表征满足预设关系；
基于所述第二数据集对待推理三元组进行推理，得到对于待推理的晶圆检测结果的多个推理结果，所述待推理三元组包含已知的SPC特征；
基于多个所述待推理三元组的推理结果，形成第一数据集。
在一种可能的实施方式中，所述知识图谱嵌入模型包括：TransE模型、RGCN模型、RAGAT模型。
在一种可能的实施方式中，所述分类器为多次神经网络或者随机森林分类器。
第二方面，提供了一种半导体检测结果的推理装置，包括：
第一获取单元，配置为，获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；
编码单元，配置为，基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；
训练单元，配置为，对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；
第二获取单元，配置为，获取第一待推理数据，其包含多个SPC特征；
推理单元，配置为，将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。
在一种可能的实施方式中，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果，包括：
将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；
将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定对应的一个或多个晶圆检测结果。
第三方面，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的方法。
第四方面，提供了一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现第一方面的方法。
本说明书实施例提出的一种半导体检测结果的推理方法及装置，利用单个SPC特征与对应晶圆检测结果形成的数据集对分类器进行训练，然后利用训练好的分类器对多个SPC特征进行推理，得到多个SPC特征对应的一个或多个晶圆检测结果，在提升推理效率的同时也能够提升推理结果的准确性。
附图说明
为了更清楚地说明本说明书披露的多个实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书披露的多个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1示出根据一个实施例的训练半导体检测结果分类器的方法的实施场景示意图；
图2示出根据一个实施例的半导体检测结果的推理方法的实施场景示意图；
图3示出根据一个实施例的半导体检测结果的推理方法的流程图；
图4示出根据一个实施例的半导体检测结果的推理装置的示意性框图。
具体实施方式
下面结合附图，对本说明书提供的方案进行描述。
如前所述，现有方案中往只能根据单个SPC特征进行推理，得到一个或多个可能的晶圆检测结果。但是在实际生产中，半导体生产机台上往往会同时出现多个SPC特征，如果对它们分别进行推理，一方面效率低，另一方面并没有利用上多个SPC特征之间暗含的内在关联，导致推理效果不好。因此，需要一种基于多个SPC特征进行半导体检测结果推理的方法。
为了解决上述问题，图1示出根据一个实施例的训练半导体检测结果分类器的方法的实施场景示意图。在图1的示例中，初始数据集中包含多个半导体制造过程中产生的统计过程控制SPC特征，每个SPC特征对应多个晶圆检测结果。由于数据集中的SPC特征的数量和晶圆检测结果的数量都是一个确定的值，于是可以基于SPC特征的数量对数据集中的全部SPC特征进行独热编码(one-hot编码)，得到多个SPC表征向量；同时基于晶圆检测结果的数量对数据集中的全部晶圆检测结果进行独热编码，得到多个检测结果表征向量。然后，对于任意的SPC特征1，其对应多个晶圆检测结果1至晶圆检测结果n，将晶圆检测结果1至晶圆检测结果n的独热编码结果求和，将求和结果作为SPC特征1的标签，并将SPC特征1对应的SPC表征向量及其标签添加到训练集中。使用基于多个SPC特征按照上述流程形成的训练集对分类器进行训练，得到训练完成的分类器。
在训练好分类器后，可以基于该训练器进行推理。图2示出根据一个实施例的半导体检测结果的推理方法的实施场景示意图。在图2的示例中，待推理的数据包含多个SPC特征1至SPC特征m，将其对应的SPC表征向量求和，将求和结果输入到训练好的分类其中进行推理，得到推理结果向量。推理结果向量是一个具有一个或多个1的多热编码(multi-hot编码)向量，将其拆分为多个独热编码向量，并根据这些独热编码向量反向查询出其对应的多个晶圆检测结果。
以下结合具体的实施例，描述上述半导体检测结果的推理方法的具体实施步骤。图3示出根据一个实施例的半导体检测结果的推理方法的流程图，所述方法的执行主体可以为任何具有计算、处理能力的平台或服务器或设备集群等。如图3所示，所述方法至少包括：步骤301，获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；步骤302，基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；步骤303，对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；步骤304，获取第一待推理数据，其包含多个SPC特征；步骤305，将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。下面描述上述各个步骤的具体执行过程。
首先，在步骤301，获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果。
SPC特征可以是将SPC数据进行收集和处理后得到的。任一SPC特征对应多个晶圆检测结果，形成一对多的关系。
可以有多种方法获取第一数据集，在一个实施例中，获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；对于知识图谱中任一SPC特征，基于其对应的多个晶圆检测结果，形成第一数据集。
具体地，对于任意SPC特征，在知识图谱中查找全部以该SPC特征为主语，且宾语为某种晶圆检测结果的三元组，得到多个三元组。将这些三元组的宾语提取出来，作为该SPC特征对应的多个晶圆检测结果。基于多个SPC特征以及每个SPC特征对应的多个晶圆检测结果，形成第一数据集。
在另一个实施例中，获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；将知识图谱中的多个三元组输入到知识图谱嵌入模型中进行嵌入处理，得到包含多个嵌入表征三元组的第二数据集；所述知识图谱嵌入模型使得三元组中的嵌入表征满足预设关系；基于所述第二数据集对待推理三元组进行推理，得到对于待推理的晶圆检测结果的多个推理结果，所述待推理三元组包含已知的SPC特征；基于多个所述待推理三元组的推理结果，形成第一数据集。
具体地，对于任意的待推理三元组，其包含已知的SPC特征作为主语，以及待推理的晶圆检测结果作为宾语。基于所述第二数据集对待推理三元组进行推理，得到对于待推理的晶圆检测结果的多个推理结果，作为该SPC特征对应的多个晶圆检测结果。基于多个SPC特征以及每个SPC特征对应的多个晶圆检测结果，形成第一数据集。
其中，所述知识图谱嵌入模型包括：TransE模型(Translating Embeddings)、RGCN模型(Relational Graph Convolutional Network)和RAGAT模型(Relation Aware GraphAttention Network)。
然后，在步骤302，基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量。
其中，SPC表征向量的向量维度与第一数据集中SPC特征的全部可能取值的数量相同，检测结果表征向量的向量维度与第一数据集中晶圆检测结果的全部可能取值的数量相同。在编码后，可以得到SPC特征与SPC表征向量之间的第一映射关系，以及晶圆检测结果与结果表征向量之间的第二映射关系。第一映射关系和第二映射关系皆为一一映射。
其次，在步骤303，对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器。
其中，求和得到的第一结果向量可以看作是多热编码(multi-hot编码)的编码结果。
可以使用任意具有多分类功能的模型作为分类器，例如，可以使用多层神经网络或者随机森林分类器作为分类器，这里不做限定。
步骤301至步骤303描述了基于第一训练集训练分类器的方法。使用训练好的分类器对待推理数据进行推理的方法可以参考步骤304至步骤305。
在步骤304，获取第一待推理数据，其包含多个SPC特征。
最后在步骤305，将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。
可以使用上述第一映射关系将SPC特征映射为对应的SPC表征向量。
在一个实施例中，将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定对应的一个或多个晶圆检测结果。
具体地，第三结果向量为与标签具有相同数据格式的多热编码向量。将其拆分为一个或多个独热编码向量之和的结果，这些独热向量分别对应一个检测结果表征向量。使用前述第二映射关系，将一个或多个检测结果表征向量映射为对应的晶圆检测结果，得到待推理数据对应的一个或多个晶圆检测结果。形成多个SPC特征推理出多个晶圆检测结果的多对多关系。
步骤301至步骤305通过使用一对多的训练数据对分类器进行训练，训练完成的分类器可以基于多个SPC特征进行推理，并得到对应的多个晶圆检测结果。
根据另一方面的实施例，还提供一种半导体检测结果的推理装置。图4示出根据一个实施例的半导体检测结果的推理装置的示意性框图，该装置可以部署在任何具有计算、处理能力的设备、平台或设备集群中。如图4所示，所述装置400包括：
第一获取单元401，配置为，获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；
编码单元402，配置为，基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；
训练单元403，配置为，对于任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；
第二获取单元404，配置为，获取第一待推理数据，其包含多个SPC特征；
推理单元405，配置为，将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果。
在一种可能的实施方式中，将求和得到的第二结果向量输入到训练好的分类器中，基于输出结果确定所述第一待推理数据对应的一个或多个晶圆检测结果，包括：
将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；
将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定对应的一个或多个晶圆检测结果。
根据另一方面的实施例，还提供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，令计算机执行上述任一实施例所描述的方法。
根据再一方面的实施例，还提供一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现上述任一实施例所描述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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，并不排除在包括要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
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 (8)
1.一种半导体检测结果的推理方法，包括：
获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；
基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；
对于多个SPC表征向量中任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；
获取第一待推理数据，其包含多个SPC特征；
将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；
将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定所述第一待推理数据对应的一个或多个晶圆检测结果。
2.根据权利要求1所述的方法，其特征在于，获取第一数据集，包括：
获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；
对于知识图谱中任一SPC特征，基于其对应的多个晶圆检测结果，形成第一数据集。
3.根据权利要求1所述的方法，其特征在于，获取第一数据集，包括：
获取半导体领域的知识图谱，其中包含多个三元组，任一三元组中的主语对应SPC特征，宾语对应晶圆检测结果；
将知识图谱中的多个三元组输入到知识图谱嵌入模型中进行嵌入处理，得到包含多个嵌入表征三元组的第二数据集；所述知识图谱嵌入模型使得三元组中的嵌入表征满足预设关系；
基于所述第二数据集对待推理三元组进行推理，得到对于待推理的晶圆检测结果的多个推理结果，所述待推理三元组包含已知的SPC特征；
基于多个所述待推理三元组的推理结果，形成第一数据集。
4.根据权利要求3所述的方法，其特征在于，所述知识图谱嵌入模型包括：TransE模型、RGCN模型、RAGAT模型。
5.根据权利要求1所述的方法，其特征在于，所述分类器为多层神经网络或者随机森林分类器。
6.一种半导体检测结果的推理装置，包括：
第一获取单元，配置为，获取第一数据集，其中包含多个半导体制造过程中产生的统计过程控制SPC特征，任一SPC特征对应多个晶圆检测结果；
编码单元，配置为，基于SPC特征在所述第一数据集中的全部可能取值的数量，对任一SPC特征进行独热编码，得到SPC表征向量；基于晶圆检测结果在所述第一数据集中的全部可能取值的数量，对任一晶圆检测结果进行独热编码，得到检测结果表征向量；
训练单元，配置为，对于多个SPC表征向量中任意的第一SPC表征向量，将其对应的多个第一检测结果表征向量求和，将求和得到的第一结果向量作为第一标签；基于多个SPC表征向量及其对应的标签形成第一训练集；基于所述第一训练集训练分类器；
第二获取单元，配置为，获取第一待推理数据，其包含多个SPC特征；
推理单元，配置为，将所述多个SPC特征各自对应的SPC表征向量求和，将求和得到的第二结果向量输入到训练好的分类器中，得到第三结果向量，其与所述第一训练集中的标签具有相同的数据格式；将所述第三结果向量拆分为一个或多个第二检测结果表征向量求和的形式，基于所述一个或多个第二检测结果表征向量，确定所述第一待推理数据对应的一个或多个晶圆检测结果。
7.一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，令计算机执行权利要求1-5中任一项所述的方法。
8.一种计算设备，包括存储器和处理器，其中，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091894.5A CN117151227B (zh) | 2023-08-28 | 2023-08-28 | 一种半导体检测结果的推理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311091894.5A CN117151227B (zh) | 2023-08-28 | 2023-08-28 | 一种半导体检测结果的推理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117151227A CN117151227A (zh) | 2023-12-01 |
| CN117151227B true CN117151227B (zh) | 2024-05-17 |
Family
ID=88886068
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311091894.5A Active CN117151227B (zh) | 2023-08-28 | 2023-08-28 | 一种半导体检测结果的推理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117151227B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111260064A (zh) * | 2020-04-15 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于元知识的知识图谱的知识推理方法、系统以及介质 |
| CN111831901A (zh) * | 2020-03-26 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN112052828A (zh) * | 2020-09-23 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种学习能力确定方法、装置及存储介质 |
| CN114330551A (zh) * | 2021-12-29 | 2022-04-12 | 食品安全与营养（贵州）信息科技有限公司 | 基于多任务学习和注意力层融合的多模态情感分析方法 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN114637885A (zh) * | 2022-02-24 | 2022-06-17 | 杭州网易云音乐科技有限公司 | 模型训练方法、多样性评分确定方法、介质、装置及设备 |
| CN115577114A (zh) * | 2021-12-20 | 2023-01-06 | 北京邮电大学 | 一种基于时序知识图谱的事件检测方法和装置 |
| CN116090558A (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spc数值序列数据生成知识点的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140379626A1 (en) * | 2013-06-20 | 2014-12-25 | Rockwell Automation Technologies, Inc. | Information platform for industrial automation stream-based data processing |
-
2023
- 2023-08-28 CN CN202311091894.5A patent/CN117151227B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111831901A (zh) * | 2020-03-26 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 数据处理方法、装置、设备和存储介质 |
| CN111260064A (zh) * | 2020-04-15 | 2020-06-09 | 中国人民解放军国防科技大学 | 基于元知识的知识图谱的知识推理方法、系统以及介质 |
| CN112052828A (zh) * | 2020-09-23 | 2020-12-08 | 腾讯科技（深圳）有限公司 | 一种学习能力确定方法、装置及存储介质 |
| CN115577114A (zh) * | 2021-12-20 | 2023-01-06 | 北京邮电大学 | 一种基于时序知识图谱的事件检测方法和装置 |
| CN114330551A (zh) * | 2021-12-29 | 2022-04-12 | 食品安全与营养（贵州）信息科技有限公司 | 基于多任务学习和注意力层融合的多模态情感分析方法 |
| CN114637885A (zh) * | 2022-02-24 | 2022-06-17 | 杭州网易云音乐科技有限公司 | 模型训练方法、多样性评分确定方法、介质、装置及设备 |
| CN114637864A (zh) * | 2022-04-02 | 2022-06-17 | 筏渡(上海)科技有限公司 | 一种知识图谱的更新方法及装置 |
| CN116090558A (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spc数值序列数据生成知识点的方法 |
Non-Patent Citations (1)
| Title |
|---|
| SPC在热表车间多品种小批量生产方式下的应用;李新云;袁翔东;任卫斌;;工业工程与管理;20131010(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117151227A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
| US10867244B2 (en) | Method and apparatus for machine learning | |
| US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
| JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
| US20220019742A1 (en) | Situational awareness by fusing multi-modal data with semantic model | |
| US20200410709A1 (en) | Location determination apparatus, location determination method and computer program | |
| CN111008643A (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
| CN112434744B (zh) | 一种多模态特征融合模型的训练方法及装置 | |
| CN112633461A (zh) | 应用辅助系统和方法以及计算机可读记录介质 | |
| CN111125186B (zh) | 一种基于调查问卷的数据处理方法及系统 | |
| KR20240043656A (ko) | 공정 설비의 비정상 동작 탐지를 위한 딥러닝 모델의 학습 방법 | |
| US11373285B2 (en) | Image generation device, image generation method, and image generation program | |
| CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
| CN117151227B (zh) | 一种半导体检测结果的推理方法及装置 | |
| JP2021177541A (ja) | 試料の検査のためのアルゴリズムモジュールの自動選択 | |
| CN115380294A (zh) | 针对工业机器学习的数据处理 | |
| CN116402777A (zh) | 基于机器视觉的电力设备检测方法及系统 | |
| US20220230028A1 (en) | Determination method, non-transitory computer-readable storage medium, and information processing device | |
| CN115545169A (zh) | 基于gru-ae网络的多视角业务流程异常检测方法、系统以及设备 | |
| US20210397960A1 (en) | Reliability evaluation device and reliability evaluation method | |
| CN113822313A (zh) | 图节点异常检测方法及装置 | |
| CN117216701B (zh) | 智慧桥梁监测预警方法及系统 | |
| CN117634006B (zh) | 基于bim技术的套管预埋工程管理系统及方法 | |
| Shirsat et al. | Breast Cancer detection based on machine learning feature selection and extraction algorithm | |
| CN113240109B (zh) | 网络训练的数据处理方法、装置、电子设备、存储介质 |
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 |