CN117391486A - 确定不同生产过程中的测量值之间的相关性的方法和装置 - Google Patents
确定不同生产过程中的测量值之间的相关性的方法和装置 Download PDFInfo
- Publication number
- CN117391486A CN117391486A CN202310841635.3A CN202310841635A CN117391486A CN 117391486 A CN117391486 A CN 117391486A CN 202310841635 A CN202310841635 A CN 202310841635A CN 117391486 A CN117391486 A CN 117391486A
- Authority
- CN
- China
- Prior art keywords
- measurement
- value
- correlation
- measurement values
- significance
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 108
- 239000011159 matrix material Substances 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 6
- 239000003623 enhancer Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 230000008569 process Effects 0.000 description 8
- 239000004065 semiconductor Substances 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 235000012431 wafers Nutrition 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000206 photolithography Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Factory Administration (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
Abstract
用于确定分别在不同生产步骤之后的第一测量值和第二测量值之间的相关性以优化生产步骤的方法，包括以下步骤：多次重复(S12)以下步骤从测量值集合(O)中抽取(S13)随机样本，并计算(S14)随机抽取的样本中所包含的第一和第二测量值之间的相关性矩阵(C_i)。在所述重复(S12)已结束后，通过相关性矩阵(C_i)而确定平均相关性矩阵(C_m)和确定相关性矩阵的标准方差矩阵(C_σ)。然后，借助以逐个元素的方式将所述平均相关性矩阵(C_m)的绝对值除以所述标准方差矩阵(C_σ)的绝对值而确定(S17)显著性值。可以根据这些显著性值而适配生产步骤之一。
Description
技术领域
本发明涉及一种用于确定来自不同生产过程的第一测量值(Messung)和第二测量值之间的相关性的方法及其用于优化生产过程的用途，以及执行该方法的装置和计算机程序以及机器可读存储介质。
背景技术
目前，对半导体过程之间的有相关性的过程步骤的分析主要基于专家知识，因为在非常小、稀疏和过度指定(ü berspezifiziert)的数据集的情况下传统方法是不可靠的。这种稀疏数据的特性可以归因于：在这些过程的监控中使用采样机制以缩短测试时间，并因此减少各个晶圆的周期时间。然而，传统的机器学习方法在大量缺失值结合极低采样率的情况下会失效。
本发明的优点
本发明能够分析小的、稀疏的和过度指定的数据集以揭示依赖性。
本发明的结果然后可用于改进和更好地理解半导体生产中的制造过程。因此不仅可以定量验证现有经验，而且可以揭示例如在线测量值(Inline-Messung)和PCM测量值之间的新依赖性。这样使得能够根据依赖性分析结果而更快、更有效地控制和协调(Abstimmung)生产参数，这引起：更快地启动(Hochlauf)新产品或提高已投产产品的产量。
本发明的其他方面是并列权利要求的主题。有利的扩展是从属权利要求的主题。
发明内容
在第一方面，本发明涉及一种用于确定第一测量值和第二测量值之间的相关性的计算机实现的方法，其中第一测量值是在一个或多个对象的第一生产步骤之后所检测的，并且第二测量值是在所述一个或多个对象的特别是紧接在第一生产步骤之后的第二生产步骤之后所检测的。该对象可以是要制造的产品，例如半导体元件。生产步骤可以是半导体生产中的不同制造过程。
该方法开始于：提供被划分为第一测量值和第二测量值的测量值集合以及多个样本。随后多次重复抽取随机样本和计算相关性矩阵的步骤，直到满足中止标准。在抽取随机样本步骤中，从测量值集合中抽取样本。在计算相关性矩阵的步骤中，确定随机抽取样本中包含的第一测量值和第二测量值之间的相关性矩阵。
在所述重复已结束之后，通过在多次重复中所确定的所有相关性矩阵而确定平均相关性矩阵。平均相关性矩阵可以被理解为：通过这些重复的所确定的相关性矩阵经由平均值计算所确定的相关性矩阵。随后确定这些所确定的相关性矩阵的标准方差矩阵，其中这些所确定的相关性矩阵是在多次重复中所确定的。然后通过以逐个元素的方式将平均相关性矩阵的绝对值除以标准方差矩阵的绝对值而确定显著性值(Signifikanzwert)。这些显著性值表征第一测量值与第二测量值的相关性。这些显著性值可以以矩阵的形式而存在。
建议：使第一和第二测量值各自包括多个不同的测量值(测量类型(Messtypen))，其中针对所述第一测量值和第二测量值中不同测量值的其中每个组合而执行多次重复抽取随机样本和计算相关性矩阵的步骤以及接下来的用于确定显著性值的步骤。
还建议：预给定显著性阈值，其中，从测量值集合中去除测量值集合中的那些具有小于显著性阈值的显著性值的第一测量值，并且也去除与已去除的第一测量值相关联的那些第二测量值。相关联的测量可以被理解为：在与第一测量值相同的对象上所执行的第二测量。然后，可解释增强机(Explainable Boosting Machine)(EBM)基于经缩减的测量值集合而被训练。然后根据经训练的可解释增强机的边缘化(Marginalisierung)来确定第一测量值和第二测量值之间的相关性。该过程的优点是可以找到第一测量值对第二测量值的还要更精确的依赖性。
此外，建议：第一测量值是在线测量值并且第二测量值是PCM测量值。这样做的优点是：不仅可以定量验证现有经验，而且可以揭示在线参数和PCM参数之间的新依赖性。因此，可以更快、更有效地控制和调整生产参数，这引起：更快启动新产品或提高已投产的产品的产量。这使得该方法特别适合于半导体元件的制造。
此外，建议：根据来自EBM的相关性或显著性值而适配生产步骤之一。优选地，根据来自EBM的相关性或显著性值、即第一和第二测量值的相关性，并且根据优选预给定的要达成的第二测量值而适配第一生产过程和/或第二生产过程，从而使得能够借助经适配的生产过程而基本上能够达成所述要达成的第二测量值。可以设想的是，要达成的第二测量值是针对第二测量值的目标测量值或公差范围。特别优选地根据来自EBM的相关性或显著性值来选择与要达成的第二测量值特别强相关的第一测量值。然后，根据所选择的第一测量值，可以相应地适配第一生产过程和/或第二生产过程，它们影响到所选择的第一测量值。
在另外的方面中，本发明涉及分别被设置为执行上述方法的装置和计算机程序以及涉及其上存储有该计算机程序的机器可读存储介质。
附图说明
下面参考附图更详细地解释本发明的实施方式。附图中：
图1示意性地示出了本发明的实施方式的流程图；
图2示意性地示出了用于控制至少部分自主的机器人的实施例；
图2示意性地示出了用于控制制造系统的实施例；
图3示意性地示出了训练装置。
具体实施方式
在半导体晶圆的制造中，晶圆在各个生产步骤之后都要被测试，其中在线测量(也称为在线质量控制)在第一个生产步骤完成后被执行，并且PCM测量在第二个生产步骤完成后被执行。如果过程工程师(Prozessingenieur)了解PCM值如何依赖于在线值，则他们可以这样协调各个生产步骤的制造过程，使得达成最佳结果。
在线测量值是非常稀疏的，因为并非每个测试都在所有晶圆上被执行。因此进行抽样，这可能会导致超过90％的观测值缺失。此外，可以使用经典的填补方法(Imputationsmethode)来估计缺失的测量值。已知的机器学习方法无法处理具有空条目(Eintrag)的输入向量。更困难的是，特别是在新产品的启动阶段(Anlaufphase)，它们往往被过度指定，并且只包含少量的观察结果。小数据集使得难以学习可靠的模型。过度指定会使寻找真正的底层依赖性变得困难，导致过度信赖统计学和模型，而数据驱动的(datengesteuert)特征选择会导致p-hacking/数据疏浚。
图1示意性地示出了方法20的流程图，该方法20可以处理刚才提到的问题，并且特别是使得能够标识较小数据集中的显著相关性。
该方法从步骤S11开始。在此步骤中，提供或获得测量值集合O，其划分为第一生产步骤后的第一测量值和第二生产步骤后的第二测量值、多个自助样本(Bootstrap-Stichproben)n_bootstrap以及每个自助样本中作为原始样本大小的一小部分(Bruchteil)的多个观察结果(Beobachtung)fraction_samples。样本的数量包括至少100个、特别是2500个第一测量值。
在优选实施方式中，第一测量值和第二测量值是在线测量值和PCM测量值。
在完成步骤S11之后，多次重复S12，直到循环索引(Schleifenindex)i已递增达到了值n_bootstrap。在重复中，重复相继执行步骤S13和S14。在步骤S13中，从测量值集合O中抽取随机样本。所抽取样本的规模(Umfang)应为fraction_samples x len(O)。
在步骤S14中，计算所抽取的自助样本中包含的第一测量值和第二测量值之间的相关性矩阵C_i。
在重复S12结束后，接着是步骤S15。在这种情况下，经由所有重复n_bootstrap通过来自步骤S14的所有相关性矩阵C_i而确定平均相关性矩阵C_m。
随后接着在步骤S16中经由所有重复n_bootstrap而计算来自步骤S14的这些相关性矩阵的标准方差矩阵C_σ。
随后在步骤S17中计算显著性值：|C_m/C_σ|，其中以逐个元素的方式理解该除法和绝对值。
最后，可以针对第一和第二测量值的每个组合而输出针对它们的相关性的显著性值。即显著性值表征了这些测量值的相关性。
在每次迭代中，上述方法由原始数据集(＝测量值集合O)生成自助样本并计算协方差。所抽取样本的大小表示了偏倚(Verzerrung)和方差之间的权衡(Kompromiss)。通过选择较小的样本大小使得自助样本更加独立即它们不一定具有与整体数据集相同的偏倚，但较小的样本在其统计上具有较大方差。优选地，选择一半数据集大小的样本大小作为启发式(Heuristik)。原则上，通过较大数量的样本也可以减轻(mitigieren)较小样本大小情况下的方差问题。
在执行了S12中的所有迭代后，估计每个协方差的分布。通过这种方式，可以计算像是经验协方差分布的平均值和标准偏差这样的统计数据。
显著性值定义为：自举平均值除以相应相关性的自举标准偏差。由于相关性包含经由随机变量的平均值形成，因此可以预期：根据中心极限定理，其分布是渐近正态分布的(asymptotisch normalverteilt)。由此可以推断，当鉴于显著性而测试各个相关性时，如果显著性值大于或等于二(zweit)，则有95％的确定性(Sicherheit)该相关性不为零。然而，如果同时处理许多相关性(例如2500个)，则可以对显著性值进行校正。优选地，通过Bonferroni校正来校正显著性值。在Bonferroni校正中，将会有更高的显著性值，例如对于2500个相关性，显著性值大于或等于4。由于Bonferroni校正是保守的(konservativ)，因此对于刚刚提出的示例，也可以选择等于3的低阈值。
在本发明的另一实施方式中，方法20的显著性值的所输出结果可以用于加深分析并尝试对依赖性进行建模。
例如，几乎不可能根据稀疏的在线数据来预测PCM测量值。虽然在线测量值绝大部分是空的，而这表明无法做出可靠的预测，但发明人想出：仍然可以找到在线测量值与其相关联的PCM测量值之间的联系。
在建模中优选地使用可解释增强机(EBM)，即可解释的玻璃盒模型，其使得能够更深入地对其理解：什么影响到模型预测。它们计算每个输入特征对目标的边际影响，这使得它们特别适合我们的应用情况。此外，可以使用基于树的EBM，这使得能够处理输入中的缺失值。
为了对第一和第二测量系列(Messreihe)之间的依赖性进行建模，可以如下地使用方法20的所输出的显著性值。
首先提供第一测量值X、第二测量值y和显著性阈值T。
然后根据方法20计算第一和第二测量值之间的所有相关性的显著性值或者根据方法20提供显著性值。
接下来删除X中具有小于T的显著性值的所有第一测量值。
接下来删除与已被删除的第一测量值相关联的第二测量值。
然后可以缩放第一测量值。所述缩放可以例如通过最小-最大缩放(Min-Max-Skalierung)而进行。
随后，可以用观察/测量范围之外的值(例如-0.1)来填补缺失值。
接下来是使用决策树作为基本估计器(Basis-)来训练可解释增强机回归器。为了训练可以使用到已知的用于训练EBM的方法，例如参见作者Yin Lou、RichCaruana、Giles Hooker、Johannes Gehrke的出版物：“Accurate Intelligible Modelswith Pairwise Interactions”KDD′13，2013年8月11至14日。芝加哥，美国伊利诺伊州|2013年8月，ACM出版。
然后，可以将结果重新缩放(Re-Skalierung)为输入数据的原始比例。
最后，可以输出依赖性分析。为此，可以借助经训练的EBM来确定至少经第一测量值的测量值范围的区间(Intervalle)的边缘化，以便获得更精确的显著性值，特别是依赖性值。由于EBM本质上是可解释的，因此还可以基于EBM的各个功能输出依赖性分析。EBM的最终预测器可表示为pred＝f1(feature1)+...+fn(featuren)，其中隐式学习的(implizitgelernt)函数f1，...，fn可以理解为相应的feature1，...featuren和pred之间的(非线性)依赖性。
然后，由此所得出的依赖性可用于优化生产步骤，并使得在新生产线的启动阶段中在协调机器时能够更快且更有根据地规划试验(Design of Experiment(实验设计)，DoE)。
例如，如果第二测量值之一在所指定的或可容忍的范围之外，则显著性值可用于确定哪些第一测量值与该第二测量值相关性最强。然后可以从这些相关的第一测量值推导出对相关的第一测量值有影响的生产过程必须被适配到什么程度。这种适配可以例如通过适配过程参数来进行，其方式优选为，使控制系统相应地适配这些过程参数。
还可以设想的是，过程参数的适配取决于第二测量值相对于所指定的或可容忍的范围的绝对偏差并且取决于显著性值而进行，并且可选地基于表征生产步骤和测量值之间的依赖性的物理域模型而进行。
图2示出了一种实施例，其中具有相应过程参数化的控制系统40用于操控制造系统200的制造机器11，其方式为，操控对该制造机器11进行控制的执行器10。制造机器11可以是例如用于冲压、锯切、钻孔、铣削和/或切割的机器，或者是执行半导体制造步骤的机器，例如化学覆层方法、蚀刻和清洁方法、物理覆层和清洁方法、离子注入、结晶或温度过程(扩散、加热、熔化等)、光刻或化学机械平坦化。
图3示意性地示出了包括提供器51的训练装置500，该提供器51从训练数据集提供步骤S11的测量值。第一测量值被输送到要训练的EBM 52，其由此而确定第二测量值。输出参量和输入图像被输送到评估器53，评估器53由此而确定经更新的超/参数，其中所述超/参数被传送到参数存储器P并替换那里的当前参数。评估器53被设置用于，在训练中对EBM的参数进行优化。
由训练装置500执行的方法可以被实现为计算机程序并且存储在机器可读存储介质54上并且由处理器55执行。
术语“计算机”包括用于执行可预给定计算规则的任何设备。这些计算规则可以以软件形式存在，或者以硬件的形式存在，还可以以软件和硬件混合形式存在。
Claims (10)
1.一种用于确定第一测量值和第二测量值之间的相关性的方法(20)，其中所述第一测量值是在第一生产步骤之后所检测的，并且第二测量值是在所述第一生产步骤之后接下来的第二生产步骤之后所检测的，所述方法包括以下步骤：
提供(S11)测量值集合(O)，所述测量值划分为第一测量值和第二测量值；
多次重复(S12)，直到循环索引(i)已递增达到了预给定值，其中，在重复中执行以下步骤(S13，S14)：
从测量值集合(O)中抽取(S13)随机样本，并计算(S14)所抽取的随机样本中所包含的第一和第二测量值之间的相关性矩阵(C_i)；
在所述重复(S12)已结束后，通过多次重复的步骤(S14)的多个所确定的相关性矩阵(C_i)而确定(S15)平均相关性矩阵(C_m)；
确定(S16)多次重复的步骤(S14)的多个所确定的相关性矩阵的标准方差矩阵(C_σ)；和
借助以逐个元素的方式将所述平均相关性矩阵(C_m)的绝对值除以所述标准方差矩阵(C_σ)的绝对值而确定(S17)所述第一和第二测量值之间的显著性值。
2.根据权利要求1所述的方法，其中所述第一测量值和第二测量值分别包括多个不同的测量值，其中针对所述第一测量值和第二测量值中不同测量值的其中每个组合而执行所述多次重复(S12)以及接下来的用于确定所述显著性值的步骤(S16、S17)。
3.根据权利要求1或2所述的方法，其中显著性阈值(T)是预给定的，其中从所述测量值集合(O)中去除所述测量值集合中的那些具有小于所述显著性阈值(T)的显著性值的第一测量值，并且也去除与已去除的第一测量值相关联的那些第二测量值，其中可解释增强机(EBM)基于经缩减的测量值集合而被训练，其中根据经训练的可解释增强机的边缘化来确定所述第一测量值和第二测量值之间的相关性。
4.根据权利要求3所述的方法，其中用测量值范围之外的测量值来填补缺失的第二测量值。
5.根据权利要求3或4中任一项所述的方法，其中所述显著性阈值根据样本的数量而被预给定。
6.根据前述权利要求中任一项所述的方法，其中，所述第一测量值是在线测量值，并且所述第二测量值是PCM测量值。
7.根据前述权利要求中任一项所述的方法，其中，根据所述第一和第二测量值的显著性值或相关性以及根据要达成的第二测量值而适配所述第一生产过程和/或所述第二生产过程。
8.一种被设置用于执行根据前述权利要求中任一项所述的方法的装置。
9.一种计算机程序，所述计算机程序包括指令，当所述程序由计算机执行时，所述指令使所述计算机执行根据权利要求1至7所述的方法。
10.一种机器可读存储介质，在所述机器可读存储介质上存储有根据权利要求9所述的计算机程序。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102022207075.5 | 2022-07-11 | ||
| DE102022207075.5A DE102022207075A1 (de) | 2022-07-11 | 2022-07-11 | Verfahren und Vorrichtung zur Produktionsprozessoptimierung anhand ermittelter Korrelationen zwischen ersten und zweiten Messungen aus Produktionsprozessen |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117391486A true CN117391486A (zh) | 2024-01-12 |
Family
ID=89386952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310841635.3A Pending CN117391486A (zh) | 2022-07-11 | 2023-07-10 | 确定不同生产过程中的测量值之间的相关性的方法和装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20240012877A1 (zh) |
| CN (1) | CN117391486A (zh) |
| DE (1) | DE102022207075A1 (zh) |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE10201804C1 (de) | 2002-01-18 | 2003-10-09 | Perceptron Gmbh | Verfahren und System zum Vergleichen von Messdaten |
| DE102019208922A1 (de) | 2019-06-19 | 2020-12-24 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Kontrollieren eines Produktionsprozesses |
-
2022
- 2022-07-11 DE DE102022207075.5A patent/DE102022207075A1/de active Pending
-
2023
- 2023-07-09 US US18/349,150 patent/US20240012877A1/en active Pending
- 2023-07-10 CN CN202310841635.3A patent/CN117391486A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240012877A1 (en) | 2024-01-11 |
| DE102022207075A1 (de) | 2024-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Letham et al. | Constrained Bayesian optimization with noisy experiments | |
| US20240095432A1 (en) | Determination of recipes for manufacturing semiconductor devices | |
| Eckley et al. | Analysis of changepoint models | |
| US11586794B2 (en) | Semiconductor processing tools with improved performance by use of hybrid learning models | |
| CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
| WO2002052365A2 (en) | Model predictive control (mpc) system using doe based model | |
| US20220405641A1 (en) | Method for recommending information, recommendation server, and storage medium | |
| KR20180014471A (ko) | 신규 물질의 구조 생성 방법 및 장치 | |
| JP2020523030A5 (zh) | ||
| CN106600001A (zh) | 基于混合高斯分布相关学习机的玻璃窑炉温度预报方法 | |
| Bablani et al. | Efficient and effective methods for mixed precision neural network quantization for faster, energy-efficient inference | |
| CN117391486A (zh) | 确定不同生产过程中的测量值之间的相关性的方法和装置 | |
| CN108932197B (zh) | 基于参数Bootstrap重抽样的软件失效时间预测方法 | |
| US20240053735A1 (en) | Method and Device for Identifying Variables from a Plurality of Variables Having a Dependence on a Predetermined Variable from the Plurality of Variables | |
| CN111191884A (zh) | 一种基于数据集距离评价样本集划分质量的方法 | |
| CN106933834A (zh) | 一种数据匹配方法及装置 | |
| KR20240122510A (ko) | 예방 유지보수-후 챔버 조건 모니터링 및 시뮬레이션 | |
| CN116048956A (zh) | 一种软件缺陷发生情况预测方法、装置、设备及存储介质 | |
| CN111667186A (zh) | 确定用于生产的机器能耗的方法与装置 | |
| IL294712A (en) | Learning with momentary assessment using different time constants | |
| CN113035363A (zh) | 一种概率密度加权的遗传代谢病筛查数据混合采样方法 | |
| CN118800645B (zh) | 集成电路金属层光刻工艺的优化方法和装置 | |
| Guler et al. | Bayesian optimization for tuning lithography processes | |
| CN118350514B (zh) | 结合纯度检测的碳酸锂生产管理方法及系统 | |
| CN116681266B (zh) | 一种镜面放电加工机的生产调度方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |