JP7224492B2 - 推論装置、推論方法及び推論プログラム - Google Patents
推論装置、推論方法及び推論プログラム Download PDFInfo
- Publication number
- JP7224492B2 JP7224492B2 JP2021561312A JP2021561312A JP7224492B2 JP 7224492 B2 JP7224492 B2 JP 7224492B2 JP 2021561312 A JP2021561312 A JP 2021561312A JP 2021561312 A JP2021561312 A JP 2021561312A JP 7224492 B2 JP7224492 B2 JP 7224492B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- time
- processing
- series data
- inference
- 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
Images
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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing Or Measuring Of Semiconductors Or The Like (AREA)
- General Factory Administration (AREA)
Description
製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部と、
取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整部と、を有し、
前記調整部は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する。
・処理後のウェハの状態を推論する仮想測定モデル、または、
・プロセス内の異常の有無を推論する異常検知モデル、
を生成する場合について説明する。このとき、以下の各実施形態では、時系列データ群を複数のネットワーク部を用いて処理することで、多面的な解析を行い、高精度な推論を実現するモデルを生成する。
<推論装置の適用例>
はじめに、仮想測定モデルに微調整機能が付加された仮想測定装置(推論装置)の適用例について説明する。図1は、仮想測定装置が適用されるシステムの全体構成の一例を示す図である。
・生成された仮想測定モデルに含まれる複数のネットワーク部を用いて、時系列データ群を処理し、複数のネットワーク部より出力された各出力データを調整した後に合成することで出力される推論結果(仮想測定データ)と、
・検査データ取得装置150Bにより取得される検査データと、
の誤差が低減されるように、補正パラメータ(各出力データを調整する際に用いる補正行列に含まれるパラメータ。詳細は後述)を更新する。
・仮想測定装置160Aにおいて生成された、高精度な推論を実現する仮想測定モデル(推論部162A)が適用されたモデルであって、
・適用対象である半導体製造プロセスBにおいても、高精度な推論が可能なモデル、
を実現することができる。
次に、半導体製造プロセスA、Bの所定の処理単位120A、120Bについて説明する。図2は、半導体製造プロセスの所定の処理単位の一例を示す第1の図である。図2に示すように、基板処理装置の一例である半導体製造装置200は、複数のチャンバ(複数の処理空間の一例。図2の例では、“チャンバA”~“チャンバC”)を有しており、各チャンバにおいて、ウェハが処理される。
・チャンバA(第1の処理空間)における処理に伴い測定される時系列データ群と、
・チャンバB(第2の処理空間)における処理に伴い測定される時系列データ群と、
・チャンバC(第3の処理空間)における処理に伴い測定される時系列データ群と、
が含まれる。
次に、時系列データ取得装置140A_1~140A_n、140B_1~140B_nにおいて取得される時系列データ群の具体例について説明する。図4は、取得される時系列データ群の一例を示す図である。なお、図4の例では、説明の簡略化のため、時系列データ取得装置140A_1~140A_n、140B_1~140B_nがそれぞれ1次元のデータを測定するものとしている。ただし、1の時系列データ取得装置が2次元のデータ(複数種類の1次元データのデータセット)を測定してもよい。
次に、仮想測定装置160A、160Bのハードウェア構成について説明する。図5は、仮想測定装置のハードウェア構成の一例を示す図である。図5に示すように、仮想測定装置160A、160Bは、CPU(Central Processing Unit)501、ROM(Read Only Memory)502、RAM(Random Access Memory)503を有する。また、仮想測定装置160は、GPU(Graphics Processing Unit)504を有する。なお、CPU501、GPU504などのプロセッサ(処理回路、Processing Circuit、Processing Circuitry)と、ROM502、RAM503などのメモリは、いわゆるコンピュータを形成する。
次に、システム100Aにおける、仮想測定装置160Aの学習部161Aの機能構成について説明する。図6は、仮想測定装置の学習部の機能構成の一例を示す図である。学習部161Aは、分岐部610と、第1のネットワーク部620_1~第Mのネットワーク部620_Mと、連結部630と、比較部640とを有する。
次に、システム100Aにおける、仮想測定装置160Aの学習部161Aの各部(ここでは、特に、分岐部610)の処理の詳細について、具体例を挙げて説明する。
図7は、分岐部の処理の具体例を示す第1の図である。図7の場合、分岐部610は、時系列データ取得装置140A_1~140A_nにより測定された時系列データ群を、第1の基準に応じて加工することで、時系列データ群1(第1の時系列データ群)を生成し、第1のネットワーク部620_1に入力する。
次に、分岐部610の他の処理の詳細について説明する。図8は、分岐部の処理の具体例を示す第2の図である。図8の場合、分岐部610は、時系列データ取得装置140A_1~140A_nにより測定された時系列データ群を、データ種類に応じてグループ分けする。これにより、分岐部610は、時系列データ群1(第1の時系列データ群)と時系列データ群2(第2の時系列データ群)とを生成する。また、分岐部610は、生成した時系列データ群1を第3のネットワーク部620_3に入力し、生成した時系列データ群2を第4のネットワーク部620_4に入力する。
次に、分岐部610による他の処理の詳細について説明する。図9は、分岐部の処理の具体例を示す第3の図である。図9の場合、分岐部610は、時系列データ取得装置140A_1~140A_nにより取得された時系列データ群を、第5のネットワーク部620_5と第6のネットワーク部620_6の両方に入力する。そして、第5のネットワーク部620_5と第6のネットワーク部620_6とで、同じ時系列データ群に対して、異なる処理(正規化処理)を施す。
次に、分岐部610による他の処理の詳細について説明する。図11は、分岐部の処理の具体例を示す第4の図である。図11の場合、分岐部610は、時系列データ取得装置140A_1~140A_nにより測定された時系列データ群のうち、チャンバAにおける処理に伴い測定された時系列データ群1(第1の時系列データ群)を第7のネットワーク部620_7に入力する。
次に、システム100Aにおける、仮想測定装置160Aの推論部162Aの機能構成について説明する。図12は、仮想測定装置の推論部の機能構成の一例を示す図である。図12に示すように、仮想測定装置160Aの推論部162Aは、分岐部1210と、第1のネットワーク部1220_1から第Mのネットワーク部1220_Mと、連結部1230とを有する。
次に、システム100Aにおける、仮想測定装置160Aによる仮想測定処理全体の流れについて説明する。図13は、仮想測定装置による仮想測定処理の流れを示すフローチャートである。
次に、システム100Bにおける、仮想測定装置160Bの微調整機能付き推論部162Bの機能構成について説明する。図14は、仮想測定装置の微調整機能付き推論部の機能構成の一例を示す図である。
次に、システム100Bにおける、仮想測定装置160Bによる微調整処理の流れについて説明する。図15は、仮想測定装置による微調整処理の流れを示すフローチャートである。
以上の説明から明らかなように、仮想測定装置160Aは、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する。
・取得した時系列データ群を複数のネットワーク部を用いて処理することで各ネットワーク部より出力される各出力データの合成結果が、対象物を処理することで得られる結果物の検査データに近づくように、各ネットワーク部について機械学習を行う。
・他の製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を、生成された仮想測定モデルに含まれる複数のネットワーク部を用いて処理し、各出力データを出力する。
・出力した各出力データを補正パラメータを用いて微調整した後に合成することで、仮想測定データを推論する。
・推論した仮想測定データに含まれる誤差に応じて補正パラメータを更新する。
上記第1の実施形態では、各ネットワーク部の最終層から出力された各出力データを、個体感度及び補正行列を用いて微調整するものとして説明した。しかしながら、微調整機能付き推論部による各出力データの微調整の方法はこれに限定されず、例えば、微調整用のネットワーク部を用いて、各出力データを微調整してもよい。
上記第1及び第2の実施形態では、仮想測定装置160Aが生成した仮想測定モデルを他の半導体製造プロセスBに適用する場合について説明したが、他の半導体製造プロセスBに適用されるモデルは、仮想測定モデルに限定されない。
・時系列データ群であるOES(Optical Emission Spectrometry)データを出力する、発光分光分析装置、
・時系列データ群である温度データ、圧力データ等のプロセスデータを出力する、プロセスデータ取得装置、
・時系列データであるRFデータを出力する、プラズマ用高周波電源装置、
等が含まれる。
・時系列データ群であるOES(Optical Emission Spectrometry)データを出力する、発光分光分析装置、
・時系列データ群である温度データ、圧力データ等のプロセスデータを出力する、プロセスデータ取得装置、
・時系列データであるRFデータを出力する、プラズマ用高周波電源装置、
等が含まれる。
以上の説明から明らかなように、異常検知装置160Aは、
・製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群(OESデータ、プロセスデータ、RFデータ)を取得する。
・取得した時系列データ群を複数のネットワーク部を用いて処理することで各ネットワーク部より出力された各出力データの合成結果が、対象物の処理に伴い発生したイベント(異常の有無を示す情報)に近づくように、各ネットワーク部について機械学習を行う。
・他の製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群(OESデータ、プロセスデータ、RFデータ)を、生成された異常検知モデルに含まれる複数のネットワーク部を用いて処理し、各出力データを出力する。
・出力した各出力データを補正パラメータを用いて微調整した後に合成することで、異常の有無を示す情報を推論する。
・推論した異常の有無を示す情報に含まれる誤差に応じて補正パラメータを更新する。
上記第1及び第2の実施形態では、各出力データの微調整の方法として、個体感度及び補正行列、または、微調整用のネットワーク部を用いる場合について説明した。しかしながら、各出力データの微調整の方法は、これに限定されず、例えば、一般化線形混合モデルや、ガウス過程回帰分析、カルマンフィルタ等を用いてもよい。
110A、110B :処理前ウェハ
120A、120B :処理単位
130A、130B :処理後ウェハ
140A_1~140A_n :時系列データ取得装置
140B_1~140B_n :時系列データ取得装置
150A、150B :検査データ取得装置
160A、160B :仮想測定装置
161A :学習部
162A :推論部
162B :微調整機能付き推論部
200 :半導体製造装置
610 :分岐部
620_1 :第1のネットワーク部
620_11~620_1N :第1層~第N層
620_2 :第2のネットワーク部
620_21~620_2N :第1層~第N層
620_M :第Mのネットワーク部
620_M1~620_MN :第1層~第N層
630 :連結部
640 :比較部
1001、1011 :正規化部
1004、1014 :プーリング部
1210 :分岐部
1220_1 :第1のネットワーク部
1220_11~1220_1N :第1層~第N層
1220_2 :第2のネットワーク部
1220_21~1220_2N :第1層~第N層
1220_M :第Mのネットワーク部
1220_M1~1220_MN :第1層~第N層
1240 :連結部
1410 :連結部
1420 :個体調整部
1430 :微調整部
1440 :比較部
1600B :微調整機能付き推論部
1610 :微調整ネットワーク部
Claims (9)
- 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得部と、
予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部と、
取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整部と、を有し、
前記調整部は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論装置。 - 前記調整部は、機械学習済みの前記複数のネットワーク部のモデルパラメータを固定した状態で、前記推論結果に含まれる誤差が低減されるように、前記補正パラメータを更新する、請求項1に記載の推論装置。
- 前記取得部は、取得した前記時系列データ群を第1の基準及び第2の基準に応じてそれぞれ処理することで、第1の時系列データ群と第2の時系列データ群とを生成し、
前記第1の時系列データ群及び前記第2の時系列データ群が、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項2に記載の推論装置。 - 前記取得部は、取得した前記時系列データ群をデータ種類または時間範囲に応じてグループ分けし、
グループ分けした各グループが、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項2に記載の推論装置。 - 取得された前記時系列データ群が、異なる手法で正規化を行う正規化部をそれぞれに含む、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項2に記載の推論装置。
- 前記取得部は、取得した前記時系列データ群を、前記所定の処理単位の第1の処理空間における前記対象物の処理に伴い測定された第1の時系列データ群と、第2の処理空間における前記対象物の処理に伴い測定された第2の時系列データ群とに分け、
前記第1の時系列データ群及び前記第2の時系列データ群が、機械学習済みの前記複数のネットワーク部を用いて処理される、請求項2に記載の推論装置。 - 前記時系列データ群は、基板処理装置における処理に伴い測定されたデータである、請求項1に記載の推論装置。
- 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を用いて、取得された前記時系列データ群を処理する処理工程と、
取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整工程と、を有し、
前記調整工程は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論方法。 - 製造プロセスの所定の処理単位において、対象物の処理に伴い測定された時系列データ群を取得する取得工程と、
予め取得された前記時系列データ群であって、対応するネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれを処理する複数のネットワーク部と、該複数のネットワーク部を用いて処理することで出力された各出力データを合成する連結部とを含む学習部によって、該連結部より出力された合成結果が、前記対象物を処理した際の結果物の検査データに近づくように、前記複数のネットワーク部及び前記連結部が機械学習されることで生成された、機械学習済みの前記複数のネットワーク部及び機械学習済みの前記連結部を用いて、取得された前記時系列データ群を処理する処理工程と、
取得された前記時系列データ群であって、対応する機械学習済みのネットワーク部で行われる処理に応じて分岐された前記時系列データ群それぞれが、機械学習済みの前記複数のネットワーク部を用いて処理されることで出力された各出力データであって、機械学習済みの前記連結部により合成されることなく出力された各出力データを調整し、調整した後の各出力データを合成することで、推論結果を出力する調整工程と、をコンピュータに実行させるための推論プログラムであって、
前記調整工程は、前記推論結果に含まれる誤差に応じた補正パラメータを用いて、前記各出力データを調整する、推論プログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019217439 | 2019-11-29 | ||
JP2019217439 | 2019-11-29 | ||
PCT/JP2020/042564 WO2021106646A1 (ja) | 2019-11-29 | 2020-11-16 | 推論装置、推論方法及び推論プログラム |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2021106646A1 JPWO2021106646A1 (ja) | 2021-06-03 |
JPWO2021106646A5 JPWO2021106646A5 (ja) | 2022-07-14 |
JP7224492B2 true JP7224492B2 (ja) | 2023-02-17 |
Family
ID=76130232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021561312A Active JP7224492B2 (ja) | 2019-11-29 | 2020-11-16 | 推論装置、推論方法及び推論プログラム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20230004837A1 (ja) |
JP (1) | JP7224492B2 (ja) |
KR (1) | KR20220106999A (ja) |
CN (1) | CN114746820A (ja) |
TW (1) | TW202123057A (ja) |
WO (1) | WO2021106646A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102539835B1 (ko) * | 2023-01-10 | 2023-06-02 | (재) 한국건설품질연구원 | 3d 카메라를 이용한 디지털 트윈 생성 및 손상 분석 시스템 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010119894A1 (ja) | 2009-04-14 | 2010-10-21 | シャープ株式会社 | 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体 |
JP2015127914A (ja) | 2013-12-27 | 2015-07-09 | 三菱重工業株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
WO2019159483A1 (ja) | 2018-02-14 | 2019-08-22 | オムロン株式会社 | デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0736505A (ja) * | 1993-07-21 | 1995-02-07 | Nkk Corp | 制御対象の同定・制御方法 |
JPH10260718A (ja) * | 1997-03-19 | 1998-09-29 | Fuji Electric Co Ltd | ダムにおける水量予測方法 |
JP4635194B2 (ja) | 2004-12-02 | 2011-02-16 | 財団法人石油産業活性化センター | 異常検知装置 |
US7359759B2 (en) * | 2005-10-31 | 2008-04-15 | Taiwan Semiconductor Manufacturing Company | Method and system for virtual metrology in semiconductor manufacturing |
-
2020
- 2020-11-16 WO PCT/JP2020/042564 patent/WO2021106646A1/ja active Application Filing
- 2020-11-16 JP JP2021561312A patent/JP7224492B2/ja active Active
- 2020-11-16 CN CN202080082402.4A patent/CN114746820A/zh active Pending
- 2020-11-16 US US17/756,373 patent/US20230004837A1/en active Pending
- 2020-11-16 KR KR1020227021133A patent/KR20220106999A/ko unknown
- 2020-11-17 TW TW109140051A patent/TW202123057A/zh unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010119894A1 (ja) | 2009-04-14 | 2010-10-21 | シャープ株式会社 | 出来映え予測装置、出来映え予測方法、出来映え予測プログラム、及び、プログラム記録媒体 |
JP2015127914A (ja) | 2013-12-27 | 2015-07-09 | 三菱重工業株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
WO2019159483A1 (ja) | 2018-02-14 | 2019-08-22 | オムロン株式会社 | デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
KR20220106999A (ko) | 2022-08-01 |
TW202123057A (zh) | 2021-06-16 |
WO2021106646A1 (ja) | 2021-06-03 |
JPWO2021106646A1 (ja) | 2021-06-03 |
US20230004837A1 (en) | 2023-01-05 |
CN114746820A (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7118170B2 (ja) | 仮想測定装置、仮想測定方法及び仮想測定プログラム | |
JP7412150B2 (ja) | 予測装置、予測方法及び予測プログラム | |
KR102179988B1 (ko) | 오버레이 오차, 근본 원인 분석 및 공정 제어의 피드 포워드 및 피드백 정정을 위한 통계적 오버레이 오차 예측 | |
US10734261B2 (en) | Search apparatus and search method | |
AU2016259298B2 (en) | Machine for development and deployment of analytical models | |
US10387798B2 (en) | Machine for development of analytical models | |
JP7452990B2 (ja) | 異常検知装置、異常検知方法及び異常検知プログラム | |
US8452439B2 (en) | Device performance parmeter tuning method and system | |
JP7224492B2 (ja) | 推論装置、推論方法及び推論プログラム | |
WO2022185969A1 (ja) | データ収集システム、データ収集装置、データ収集方法及びデータ収集プログラム | |
KR20230028995A (ko) | 결함 예측 방법 및 장치 | |
US11687066B2 (en) | Virtual cross metrology-based modeling of semiconductor fabrication processes | |
US20170146983A1 (en) | Method and system for generating minimal cut-sets for highly integrated large systems | |
US20210200575A1 (en) | Self-Optimizing Computation Graphs | |
US20230010252A1 (en) | Semiconductor process modeling system and method | |
CN117010463A (zh) | 包括改进的rbf神经网络的处理器及提供该神经网络的方法 | |
EP4328915A1 (en) | Memory and method with in-memory computing defect detection | |
WO2023224750A1 (en) | Physically-informed multi-system hardware operating windows |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220516 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220516 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221025 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221219 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230110 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230207 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7224492 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |