KR20160119281A - 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용 - Google Patents

반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용 Download PDF

Info

Publication number
KR20160119281A
KR20160119281A KR1020167027506A KR20167027506A KR20160119281A KR 20160119281 A KR20160119281 A KR 20160119281A KR 1020167027506 A KR1020167027506 A KR 1020167027506A KR 20167027506 A KR20167027506 A KR 20167027506A KR 20160119281 A KR20160119281 A KR 20160119281A
Authority
KR
South Korea
Prior art keywords
hyper
sample
node
cube
deviation
Prior art date
Application number
KR1020167027506A
Other languages
English (en)
Other versions
KR102053834B1 (ko
Inventor
더모트 캔트웰
Original Assignee
어플라이드 머티어리얼스, 인코포레이티드
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 어플라이드 머티어리얼스, 인코포레이티드 filed Critical 어플라이드 머티어리얼스, 인코포레이티드
Publication of KR20160119281A publication Critical patent/KR20160119281A/ko
Application granted granted Critical
Publication of KR102053834B1 publication Critical patent/KR102053834B1/ko

Links

Images

Classifications

    • G06N99/005—
    • 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
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

데이터 분석을 위한 방법 및 시스템은, 제 1 노드를 생성하는 단계, 제 1 노드에 대한 제 1 하이퍼-큐브를 결정하는 단계, 샘플이 제 1 하이퍼-큐브 내에 있는지를 결정하는 단계를 포함한다. 샘플이 제 1 하이퍼-큐브 내에 있지 않은 경우, 방법은, 샘플이 제 1 하이퍼-스피어 내에 있는지를 결정하는 단계를 포함하고, 제 1 하이퍼 스피어는 제 1 하이퍼-큐브의 대각선과 동일한 반경을 갖는다.

Description

반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용{USING RADIAL BASIS FUNCTION NETWORKS AND HYPER-CUBES FOR EXCURSION CLASSIFICATION IN SEMI-CONDUCTOR PROCESSING EQUIPMENT}
[001] 본 개시물은 인공 신경 네트워크들(artificial neural networks)에 관한 것으로, 더 구체적으로, 시스템을 분석하기 위한 방사형 기저 함수 네트워크들(radial basis function networks)에 관한 것이다.
[002] 인공 신경 네트워크들은 시스템의 공지된 값들에 기반하여 시스템에서의 동작을 분석하는 데에 사용될 수 있다. 예를 들어, 사용자는 반도체 프로세싱 장비로부터의 센서 데이터와 같은 센서 데이터를 분석하는 데에 관심이 있을 수 있다. 방사형 기저 함수(RBF) 네트워크는 방사형 기저 함수들을 활성화 함수들(activation functions)로서 사용하는 인공 신경 네트워크이다. 전형적인 RBF 네트워크에서, RBF 노드 또는 뉴런은 노드의 활성화 값을 결정하는 것을 담당하고, 여기서, 각각의 노드는 다수의 입력들과 하나의 출력을 갖는다. RBF 네트워크들은 전형적으로, 정상(normal)과 비정상(abnormal) 값들 사이를 단지 구별할 수만 있다. RBF 네트워크 분석에서의 에러들은 거짓 음성들(false negatives)인 경향이 있으며, 잘못된 결과들은 차원들(dimensions)의 개수들(예를 들어, 센서들의 개수들)을 증가시킴에 따라 증가하는 경향이 있다.
[003] 본 개시물은 첨부된 도면들의 도들에서 예로써 예시되며, 제한으로써 예시된 것이 아니다.
[004] 도 1은 네트워크 아키텍쳐의 일 실시예를 예시한다.
[005] 도 2는, RBF 네트워크 및 하이퍼-큐브(hyper-cube) 분석을 위한 방법의 일 실시예를 예시한다.
[006] 도 3은, RBF 네트워크 및 하이퍼-큐브 분석을 위한 방법의 다른 실시예를 예시한다.
[007] 도 4는 예시적인 RBF 네트워크를 예시한다.
[008] 도 5는 반도체 프로세싱 장비를 위한 예시적인 RBF 네트워크를 예시한다.
[009] 도 6은 RBF 네트워크에 대한 거짓 음성 결과들을 예시한다.
[0010] 도 7은 RBF 네트워크에 대한 거짓 양성(false positive) 결과들을 예시한다.
[0011] 도 8은, RBF 네트워크 및 하이퍼-큐브 분석의 실시예를 예시한다.
[0012] 도 9는, RBF 네트워크 및 하이퍼-큐브 분석에서의 편위(excursion)의 실시예를 예시한다.
[0013] 도 10은, RBF 네트워크 및 하이퍼-큐브 분석에서의 편위의 실시예를 예시한다.
[0014] 도 11은, RBF 네트워크 및 하이퍼-큐브 분석에서의 편위의 실시예를 예시한다.
[0015] 도 12는 하이퍼-큐브와 하이퍼-스피어(sphere)의 생성의 실시예를 예시한다.
[0016] 도 13은 신뢰도 추정(confidence estimation)의 실시예를 예시한다.
[0017] 도 14a, 14b, 14c, 14d, 및 14e는 예시적인 센서 데이터를 예시한다.
[0018] 도 15a 및 15b는 예시적인 센서 데이터를 예시한다.
[0019] 도 16은 예시적인 RBF 네트워크를 예시한다.
[0020] 도 17은 예시적인 컴퓨터 시스템을 예시한다.
[0021] 도 18은 신뢰도 추정의 실시예를 예시한다.
[0022] 본 발명의 실시예들은, RBF 네트워크 및 데이터의 하이퍼-큐브 분석을 위한 방법 및 시스템에 관한 것이다. 예를 들어, 데이터 샘플들은 반도체 프로세싱 장비로부터의 센서 데이터일 수 있다. 일 실시예에서, 방법 및 시스템은, 샘플들이 서브-시스템에서 "정상" 대 "비정상" 동작을 나타내는지를 검출할 수 있고, 비정상 편위가 라벨링될(labeled) 수 있는 경우 "비정상" 거동을 나타내는 샘플들을 분류할 수 있으며, 근본 원인에 대한 정보와 해결책이 이용 가능한 경우 "비정상" 거동을 진단하고 수정(correct)할 수 있다. 본 발명의 실시예들은, 부가적으로 식별된 편위들이 시스템에 부가될 수 있다는 점에서, 확장 가능하다(extensible).
[0023] RBF 함수는 이하의 식을 만족시키는 임의의 함수로서 정의될 수 있다:
[수학식 1]
Figure pat00001
RBF 네트워크는 n-차원 공간에 로케이팅된 RBF 함수들의 집합(collection)이다. 도 4에 도시된 하나의 RBF 네트워크에서는, 입력 층(401)과 RBF 층(403)을 포함하는 2개의 층들이 있다. 이러한 네트워크는 3개의 입력들과 4개의 RBF 노드들을 갖는다. 이제, 각각의 노드는 n-차원 공간에 로케이팅되고, 여기서, 입력들의 개수는 n (예를 들어, 도 4에서 n=3)을 정의한다. 각각의 노드는 n-엘리먼트 벡터를 사용하여 정의될 수 있고, 각각의 노드에 대한 입력이 또한, n-엘리먼트 벡터일 수 있다. 도 4에 도시된 네트워크는 5개의 고유한 편위들 또는 클래스들(classes)을 구분할 수 있다. 각각의 노드는 고유한 편위 또는 클래스를 나타낸다. 미상의(unknown) 샘플들은 노드들(1 내지 4) 중 어느 하나에 속할 수 있거나 어느 노드에도 속하지 않을 수 있다.
[0024] 예를 들어, 입력 샘플은, 샘플이, 공지된 참조 세트, 프로세스에서의 특정된 횟수의 실행들(runs) 또는 특정된 수의 날들(days)로부터의 모든 실행들 사이에서의 시그마 차이(sigma difference)로서 표현되는 표준화된(standardized) 값일 수 있는데, 이는 90% 초과의 정확도를 제공해야 한다.
[0025] 그러나, 에러들은 RBF 네트워크들에서 차원들을 증가시킬 때 증가한다. 예를 들어, 1-차원의 정규 분포(normally distributed) 데이터에 대해서, 99.7%의 샘플들이 +/- 3σ 내에 존재할 것으로 예상된다. 2-차원의 정규 분포 데이터에 대해서, 더 많은 샘플들이 +/- 3σ 밖으로 벗어난다. 3-차원의 정규 분포 데이터에 대해서, 훨씬 더 많은 샘플들이 +/- 3σ 밖으로 벗어난다. 차원들이 증가함에 따라, 단위(unit) 하이퍼-스피어의 볼륨은 제로(zero)로 향해가는 경향이 있고, 따라서, 에러들의 개수가 증가하는 것으로 이어진다. 그러므로, 도 6에 도시된 바와 같이, 본래의(native) RBF 네트워크는 거짓 음성 에러들을 가질 것인데, 여기서, 샘플(601)은, 샘플이 정상인 경우, 비정상으로 식별된다. 여기서, 샘플(601)은 RBF 함수 원 밖에, 그러나 +/- 3σ 경계 내에 있다. 그러므로, 본래의 RBF 네트워크는, 샘플(601)이, +/- 3 시그마 경계 내에 있기 때문에 실제로는 정상인 경우에, 샘플(601)이 노드 밖에 있다고 나타낸다(이 경우, 정상).
[0026] 일 실시예에서, 이러한 문제는, 노드 하이퍼-스피어들의 반경들을 증가시키는 것에 의해서 극복된다. 그러나 현재, 도 7에 도시된 바와 같이, 샘플(701)이 미상으로 식별되어야 하는 경우에 그러한 샘플이 "정상"으로 식별되는 거짓 양성이라는 에러가 여전히 존재한다. 이러한 샘플들에는, 결정된 샘플 클래스에 대해 더 낮은 신뢰도 추정이 할당될 수 있다.
[0027] 이제, 노드가 생성되고, 하이퍼-큐브가 노드에 대해 결정된다. 그 후, 시스템은 샘플이 하이퍼-큐브 내에 있는지를 결정한다. 샘플이 하이퍼-큐브 내에 있지 않은 경우, 시스템은 샘플이, 하이퍼-큐브의 대각선과 동일한 반경을 갖는 하이퍼-스피어 내에 있는지를 결정한다. 그 후, 시스템은, 샘플이 하이퍼-큐브 내에 있는지(정상), 하이퍼-스피어 내에 있는지(더 낮은 신뢰도로 정상), 또는 어느 쪽 내에도 있지 않은지(비정상)에 기초하여, 가능한 샘플 클래스, 예를 들어, 정상 또는 비정상을 결정한다.
[0028] 일 실시예에서, 임의의 주어진 노드에 대한 최대 에러는 단일 축을 따르고, 네트워크 및 에러가 용인 가능한지(tolerable)와 관련한 평가를 위해 계산될(computed) 수 있다. 일 실시예에서, 에러는, 부가적인 노드들(예를 들어, 편위들)을 관련된 라벨들로 축들 상에 부가하는 것에 의해 최소화될 수 있다.
[0029] 도 1은 일 실시예에 따른 네트워크 아키텍쳐(100)를 예시한다. 초기에, RBF 네트워크 및 하이퍼-큐브 시스템(102)은, 물리적 프로세스 시스템(104)과 같은 시스템을 정의하는 데이터 소스들(106)(예를 들어, 센서들)을 식별한다. 사용자는, 예를 들어, 그래픽 사용자 인터페이스(GUI)를 통해서, 데이터 소스들(106) 중 다양한 데이터 소스들로부터의 데이터(예를 들어, 샘플들)를 클라이언트 기계(110)를 통해 선택할 수 있다. 시스템(102)은 이러한 데이터로부터 RBF 네트워크 및 하이퍼-큐브들을 도출한다(derive). 예를 들어, 도 5의 RBF 네트워크에 도시된 바와 같이, 가스 총 유동(501), 챔버 압력(503), 및 TGV 포지션(505)에 대한 센서 데이터가 압력 제어 시스템을 특징짓는(characterize) 데에 사용될 수 있다.
[0030] 실시예에서, 사용자는 또한, 클라이언트 기계(110)를 통해, 편위들(108)(즉, 비정상적인 시스템 거동에 대해 정의된 파라미터들)을 선택할 수 있고, 편위들(108)은 시스템(102)에 의해 영구 저장 유닛(112)에 저장될 수 있다.
[0031] 예를 들어, 물리적 프로세스 시스템(104)은 제조 툴들을 포함할 수 있거나 또는 제조 툴들에 직접 또는 네트워크(예를 들어, 근거리 네트워크(LAN))를 통해서 연결될 수 있다. 제조 툴들의 예들은 전자 디바이스들의 제조를 위한 반도체 제조 툴들, 예컨대, 에칭기들, 화학 기상 증착 노들(furnaces), 등을 포함한다. 그러한 디바이스들을 제조하는 것은, 레시피(recipe)로서 공지될 수 있는, 상이한 유형들의 제조 프로세스들을 수반하는 수십 개의 제조 단계들을 포함할 수 있다.
[0032] 물리적 프로세스 시스템(104)은, 시스템을 제어하기 위해, 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 핸드헬드 컴퓨터들 또는 유사한 컴퓨팅 디바이스들을 포함하는, 임의의 유형의 컴퓨팅 디바이스를 포함할 수 있다. 센서들과 같은 데이터 소스들(106)은 물리적 프로세스 시스템(104) 및/또는 제조 툴들의 일부일 수 있거나, 또는 물리적 프로세스 시스템(104) 및/또는 제조 툴들에 (예를 들어, 네트워크를 통해) 연결될 수 있다.
[0033] 다른 예에서, 클라이언트 기계들(110)은, 데스크탑 컴퓨터들, 랩탑 컴퓨터들, 이동 통신 디바이스들, 셀 폰, 스마트 폰들, 핸드헬드 컴퓨터들 또는 유사한 컴퓨팅 디바이스들을 포함하는, 임의의 유형의 컴퓨팅 디바이스일 수 있다.
[0034] 일 실시예에서, 물리적 프로세스 시스템(104), 데이터 소스들(106), 영구 저장 유닛(112), 및 클라이언트 기계(110)는 시스템(102)에 연결되는데, 이는 직접 연결일 수 있거나 또는 하드웨어 인터페이스(도시되지 않음) 또는 네트워크(도시되지 않음)를 통한 간접 연결일 수 있다. 네트워크는 회사 내의 인트라넷과 같은 근거리 네트워크(LAN), 무선 네트워크, 이동 통신 네트워크, 또는 인터넷 또는 유사한 통신 시스템과 같은 원거리 네트워크(WAN)일 수 있다. 네트워크는, 유선 및 무선 디바이스들과 같은, 임의의 개수의 네트워킹 및 컴퓨팅 디바이스들을 포함할 수 있다.
[0035] 상기 소개된 기능(functionality)의 분할은 단지 예시적인 것이다. 다른 실시예들에서, 설명된 기능은 모놀리식(monolithic) 컴포넌트로 결합될 수 있거나 컴포넌트들의 임의의 조합으로 하위-분할될 수 있다. 예를 들어, 클라이언트 기계(110) 및 시스템(102)은 단일 컴퓨터 시스템 상에서, 개별 컴퓨터 시스템들 상에서, 또는 이들의 조합 상에서 호스팅될 수 있다.
[0036] 도 2는, RBF 네트워크 및 하이퍼-큐브 분석을 위한 방법(200)의 일 실시예를 예시한다. 방법(200)은, 하드웨어(예를 들어, 회로망, 전용 로직, 프로그래밍 가능한 로직, 마이크로코드, 등), 소프트웨어(예를 들어, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해서 수행될 수 있다. 일 실시예에서, 방법(200)은 도 1의 시스템(102)에 의해 수행된다.
[0037] 도 2의 블록(202)에서, 시스템(102)의 프로세싱 로직은, 도 12에 도시된 바와 같은 제 1 노드(1200)를 생성한다. 제 1 노드는 다수의 입력들과 1개의 출력을 갖는다. 노드를 생성하기 위해, 입력들의 개수(n), 위치(L[n])(L[n] 벡터는 n-차원 공간에서의 노드 위치를 결정함), 및 수용영역(receptive field; r)(노드의 차원 또는 크기)이 제공된다. 실시예에서 디폴트(default) r 값은 1이다.
[0038] 각각의 노드는 가우스 활성화(Gaussian activation):
[수학식 a1]
Figure pat00002
및 정규화된 가우스 활성화:
[수학식 a2]
Figure pat00003
를 포함한다. 활성화 함수는 동작에 따라 사용된다. 양자 모두의 경우들에서,
Figure pat00004
, 여기서 I는 입력 벡터이고,
Figure pat00005
, 여기서 I는 입력 벡터이다.
[0039] 노드를 활성화하기 위해, 사용할 활성화 함수 및 입력 벡터가 제공된다. 시스템(102)은, x를 반환(return)하기 위해, d를 계산하고 적절한 활성화 함수를 사용한다.
[0040] 임의의 주어진 값 x에 대한 노드 한계값(threshold)은, 주어진 입력(I)이 노드 내에 포함되는지를 결정하는 데에 사용되는 값이다. 이하는 노드 한계값을 계산하는 데에 사용된다:
[수학식 a3]
Figure pat00006
[0041] 시스템(102)은 적절한 위치들과 수용영역들을 갖는 제 1 노드를 생성하고, 적절할 때, 정확한(correct) 활성화 함수로 노드를 활성화한다.
[0042] 노드가 생성되는 경우, 요구되는 노드 정보와 함께, 시스템(102)은 또한, 노드 라벨 및 임의의 연관된 액션들을 기록할 필요가 있다. 노드 라벨들은 샘플 클래스, 예를 들어, 정상 또는 결함을 정의한다. 노드 액션들은, 샘플이 특정 노드에 속할 때 무엇을 해야하는지와 언제 액션을 수행하는지를 정의한다.
[0043] 블록(204)에서, 시스템(102)의 프로세싱 로직은, 도 12에 도시된 바와 같은, 제 1 노드(1200)에 대한 제 1 하이퍼-큐브(1201)를 결정한다. 일 실시예에서, 3-시그마 하이퍼-큐브가 참조 데이터에 기초하여 생성된다. 다시 말해서, 제 1 하이퍼-큐브의 크기는 3 시그마이다.
[0044] 블록(206)에서, 시스템(102)의 프로세싱 로직은, 제 1 노드의 기점(origin) 주위에 미러링될(mirrored) 때, 샘플이 제 1 하이퍼-큐브 내에 있는지를 결정한다. 이하가 계산된다:
Figure pat00007
하이퍼-큐브가 검출을 위해 사용될 때, 임의의 노드에 대한 출력은 0 또는 1일 것이고, 여기서, 1은 하이퍼-큐브 내에서의 존재(residence)를 나타낸다. 제 1 노드에 대해서 c[x] 값들이 r(즉, 수용영역)과 동일하거나 그 미만인 경우, 제 1 노드 출력은 1이다. 이러한 경우에, 시스템(102)은, 어떤 클래스에 샘플이 속하는지를 검출하기 위해 제 1 하이퍼-큐브를 사용했고, RBF 함수들은 활성화되지 않는다. 도 8의 제 1 노드(800)로 도시된 바와 같이, 샘플(805)이 제 1 하이퍼-큐브(801) 내에 있는 경우, 그러면 샘플(805)은 제 1 노드의 클래스에 속하는 것으로 여겨지고, 정상으로 간주된다.
[0045] 블록(208)에서, 샘플이 제 1 하이퍼-큐브 밖에 있는 경우, 그러면 시스템은, 샘플이, 도 12에 도시된 바와 같이, 제 1 하이퍼-큐브(1201) 주위의, 제 1 하이퍼-큐브(1201)의 대각선(1205)과 동일한 반경을 갖는 제 1 하이퍼-스피어(1203) 내에 있는지를 결정한다. 도 8에 도시된 바와 같이, 샘플(807)이 제 1 하이퍼-스피어(803) 내에 있는 경우, 그러면 샘플은 제 1 노드(800)의 클래스에 속하는 것으로 여겨지고 정상으로 간주되지만, 더 낮은 신뢰도 추정을 갖는다. 샘플(809)이 제 1 하이퍼-스피어(803) 밖에 있는 경우, 그러면 샘플은 미상 또는 의심(suspicious)으로 분류된다.
[0046] 예를 들어, c[x] 값이 r을 초과하는 경우, 그러면 시스템(102)은 RBF 함수들로 전환된다(switch). 초기에, 존재하는 모든 노드들에 대한 수용영역은 1로 설정된다. 이제, 한계값 조정 스킴(scheme)(즉, 고정 함수(fixed function)를 사용하지만 기점으로부터의 거리에 기초하여 상이한 한계값을 선택함)이, 수용영역 조정 스킴(즉, 더 광역(wider)인 함수를 사용함) 대신에 사용된다. 노드는 수학식 a1을 사용하여 활성화되고, 출력이 기록되며, 여기서, 각각의 노드에 대한 출력은 값이 1 내지 0의 범위이다.
[0047] 다시 말해서, 2차원의 경우에 대해, 2개의 가우스 유형 커브들이, 수용영역 1을 갖는 RBF 함수이다. 이제, 정사각형(square)(2-차원 하이퍼-큐브)은 3 시그마 측부(side)를 갖고, 이로써, 사각형 주위의 원형(circle)(2-차원 하이퍼-스피어)은 4.24의 반경을 갖는다. 입력이 제공되고, 수학식 a1을 사용하여 RBF 함수가 활성화되는 경우, 출력은, 샘플이 노드로부터 얼마나 멀리 떨어져 있는지에 따라, 1 내지 0의 값이다. 한계값은 RBF 출력이고, 여기서 입력은 하이퍼-큐브의 반경이며, 이 경우에는, 4.24가 수학식 a1에 대한 입력이다. 이제, 한계값은 0.00012이다.
[0048] 이러한 예에서, 샘플이 (2,0)의 좌표들을 가졌다면, 그러면 샘플은 3 시그마 정사각형 내에 있을 것이다. 샘플이 (3.5,0)의 좌표들을 가졌다면, 그러면 샘플은 정사각형 밖에 있을 것이고 이로써 수학식 a1이 활성화될 것이다. 이러한 경우에, 출력은 한계값을 초과한 값일 것이고 이로써, 샘플은 원형 내에 있을 것이다. 샘플이 (4.2,0)의 좌표들을 가졌다면, 그러면 다시 수학식 a1이 활성화될 것이다. 그러나, 현재 출력은 한계값 미만이고 이로써 이 샘플은 원형 밖에 있다.
[0049] 블록(210)에서, 시스템(200)의 프로세싱 로직은, 샘플이 하이퍼-큐브 또는 하이퍼스피어 내에 있는지에 기초하여, 샘플에 대해 가능한 샘플 클래스를 결정한다. 하이퍼-큐브가 검출을 위해 사용된 경우, 1의 출력이 있다면 샘플은 제 1 노드에 속하는 것으로 여겨진다. RBF 함수들이 검출을 위해 사용된 경우, 노드 한계값은 수학식 a3을 사용하여 제 1 노드에 대해 계산되는데, 여기서 x는 현재 노드에 대한 본래의 수용영역 값이다. 노드 출력이 노드 한계값과 동일하거나 그 초과인 경우, 그러면 샘플은 이 노드에 속하는 것으로 여겨진다.
[0050] 임의의 주어진 값 x에 대한 노드 에러는, 측부 x를 갖는 이론적인 하이퍼-큐브 평면으로부터 샘플이 얼마나 멀리 떨어져 있는지에 대한 근사치이다. 노드 에러는, 샘플이 하이퍼-큐브 밖에 있지만 하이퍼-스피어 내에 있는 경우, 노드에 대한 샘플의 정확한 할당의 신뢰도 추정을 결정하는 데에 사용된다. 신뢰도 추정은 샘플이 하이퍼-큐브의 측부로부터 얼마나 멀리 떨어져 있는지에 기초한다. 이하의 식들은 노드 에러를 계산하는 데에 사용된다.
[수학식 a4]
Figure pat00008
전형적으로, 노드 에러는 2 유효 자릿수들로 반올림된다(rounded).
[0051] 다시 말해서, 에러는 일차원으로 설명될 수 있다. im 이라는 용어는 입력이고, lm 이라는 용어는 기점으로부터 떨어져 있는 노드들을 설명한다. 도 18에 예시된 예에서, 노드는 기점(lm은 0이다)에 있고, x(즉, 하이퍼-큐브의 측부의 길이)는 3 시그마이며, 반경은 4.24이고, im은 4이다. 여기서, 에러는 abs(4-3)인데, 이는 1이다. 노드 에러는 (1-(1/4.24-3))) 이고 0.19와 동일하며, 이는 샘플이 큐브에 근접하지 않다는 것을 나타내고, 이로써 샘플이 이 노드에 속한다는 것은 더 낮은 신뢰도이다. 그러나, 이전 값들은 하나의 예를 표현하며, im은 임의의 특정 값에 제한되지 않는다. im이 4.24보다 큰 경우, 그러면 노드 에러는 0이고, 이는 샘플이 하이퍼-큐브와 하이퍼-스피어 밖에 있다는 것을 나타낸다.
[0052] 도 3은, RBF 네트워크 및 하이퍼-큐브 분석을 위한 방법(300)의 일 실시예를 예시한다. 방법(300)은 하드웨어(예를 들어, 회로망, 전용 로직, 프로그래밍 가능한 로직, 마이크로코드, 등), 소프트웨어(예를 들어, 프로세싱 디바이스 상에서 실행되는 명령들), 또는 이들의 조합을 포함할 수 있는 프로세싱 로직에 의해서 수행될 수 있다. 일 실시예에서, 방법(300)은 도 1의 시스템(102)에 의해 수행된다.
[0053] 블록(302)에서, 시스템(102)의 프로세싱 로직은 클라이언트 기계(110)로부터 편위의 사용자 선택을 수신한다. 예를 들어, 제 1 하이퍼-스피어 밖에 있는 임의의 샘플에 대해서, 사용자는 이러한 편위를 서술형(descriptive) 라벨, 예를 들어, 편위(A)로 라벨링할 수 있다. 시스템(102)은 편위(108)를 영구 저장 유닛(112)에 저장할 수 있다.
[0054] 블록(304)에서, 시스템(102)의 프로세싱 로직은 편위 노드를 생성한다. 도 9에 도시된 바와 같이, 편위(A) 노드(901)가 제 1 노드(900)에 부가하여 생성되었다. 편위 노드는, 도 2의 블록(202)과 관련하여 설명된 바와 같은 제 1 노드와 유사하게 생성될 수 있다.
[0055] 블록(306)에서, 시스템(102)의 프로세싱 로직은, 도 9에 도시된 바와 같은, 편위 노드(901)에 대한 편위 하이퍼-큐브(903)를 결정한다. 편위 하이퍼-큐브는, 도 2의 블록(204)과 관련하여 설명된 바와 같은 제 1 하이퍼큐브와 유사하게 생성될 수 있다.
[0056] 블록(308)에서, 시스템(102)의 프로세싱 로직은, 도 9에 도시된 바와 같이, 편위 노드(901)의 기점 주위에 미러링될 때, 샘플이 편위 하이퍼-큐브(903) 내에 있는지를 결정한다. 샘플이 편위 하이퍼-큐브(903) 내에 있는 경우, 그러면 샘플은 편위(A) 노드에 속하는 것으로 여겨진다. 시스템(102)은, 도 2의 블록(206)과 관련하여 설명된 결정과 유사하게, 샘플이 편위 하이퍼-큐브 내에 있는지를 결정할 수 있다.
[0057] 블록(310)에서, 샘플이 편위 하이퍼-큐브(903) 밖에 있는 경우, 그러면 시스템(102)은 샘플이, 편위 하이퍼-큐브(903) 주위의, 편위 하이퍼-큐브(903)의 대각선과 동일한 반경을 갖는 편위 하이퍼-스피어(905) 내에 있는지를 결정한다. 샘플(907)이 편위 하이퍼-스피어(905) 내에 있는 경우, 그러면 샘플(907)은 편위(A) 노드에 속하는 것으로 여겨지지만, 더 낮은 신뢰도 추정을 갖는다. 샘플(909)이 편위 하이퍼-스피어(905) 밖에 있는 경우, 샘플(909)은 미상으로 분류된다. 시스템(102)은, 도 2의 블록(208)과 관련하여 설명된 결정과 유사하게, 샘플이 편위 하이퍼-스피어 내에 있는지를 결정할 수 있다.
[0058] 일 실시예에서, 도 10에 도시된 바와 같이, 모든 하이퍼-스피어들 밖에 있는 임의의 샘플(1003)에 대해서, 필요하다면, 시스템(102)은 어느 노드가 샘플(1003)과 연관되어야 하는지를 예측할 수 있다. 이제, RBF 함수들은 샘플(1003)과 각각의 노드(1000, 1001)의 도심(centroid; 1005, 1007) 사이의 거리를 측정한다. 그 후, 샘플(1003)은, 도 10에 도시된 바와 같이, 편위(A) 노드(1001)의 가장 가까운 도심(1007)에 속하는 것으로 여겨질 수 있다. 이제, 시스템(102)은 사용자가, 샘플을 최적합(best-fit) 클래스에 부가하거나, 샘플을 새로운 클래스에 부가하거나, 또는 어떠한 액션도 취하지 않는 것을 허용할 수 있다.
[0059] 예를 들어, 각각의 노드는 정규화된 가우스 활성화 수학식 a2를 사용하여 활성화된다. 그 후, 각각의 노드 출력은 이하를 사용하여 조정된다.
Figure pat00009
이러한 스킴은 하나의 노드가 활성화되는 것을 보장하고, 이로써, 출력은 '미상'이 아니다. 샘플 클래스를 결정하기 위한 로직은 유사하다. 다시 말해서, 초기의 네트워크가 샘플을 '미상'(샘플이 기존의 어떠한 노드들에도 속하지 않는다는 것을 의미)으로 밝혀냈다고 가정하면, 사용자는, 샘플이 기존의 노드와 유사한지를(예를 들어, 기존의 노드 부근에 있지만, 실제로 그 안에 있지는 않음) 결정하고 싶어할 수 있다. 이제, 정규화된 가우스 활성화를 사용하여 네트워크가 활성화되고, 적어도 하나의 노드가, 네트워크가 샘플에 대해 '미상'을 반환하지 않도록, 활성화된다. 네트워크는, 샘플에 대해 가장 가까운 노드에 대한 노드 라벨을 반환할 것이다.
[0060] 일 실시예에서, 샘플이 다수의 하이퍼-스피어들 또는 하이퍼-큐브들에 있는 경우, 시스템(102)은, 샘플이 속한 하이퍼-스피어 또는 하이퍼-큐브를 결정하기 위해, RBF 함수들을 사용할 수 있다. 예를 들어, 도 11은 제 1 노드(1100), 편위(A) 노드(1101), 및 편위(B) 노드(1103)를 도시한다. 여기서, 샘플(1105)은 편위(A) 노드(1101)와 편위(B) 노드(1103) 양자 모두의 하이퍼-스피어들(1107, 1109) 내에 있다. 샘플(1105)과 그 샘플이 있는 각각의 노드(1101, 1103)의 도심들(1111, 1113) 사이의 거리들이 측정된다. 그 후, 시스템(102)은, 도심이 가장 가까운 노드에 샘플(1105)이 속한다고 여긴다.
[0061] 일 실시예에서, 검출을 위해 하이퍼-큐브들이 사용되고, 샘플이 둘 또는 그 초과의 하이퍼-큐브들에 있는 경우(예를 들어, 다수의 노드들이 1의 출력 값을 가짐), 존재하는 모든 노드들에 대한 수용영역은 1로 설정된다. 샘플이 있는 하이퍼-큐브들의 노드들은 수학식 a1을 사용하여 활성화되고, 출력이 기록된다. 최대 출력이 기록되고, 샘플은 최대 출력을 갖는 노드에 속하는 것으로 여겨진다. RBF 함수들이 사용되고, 샘플이 둘 또는 그 초과의 노드들에서 발견되는 경우, 최대 출력이 기록되고, 샘플은 최대 출력을 갖는 노드에 속하는 것으로 여겨진다. 여기서, 샘플은 어느 노드들에도 속하지 않거나 또는 오직 하나의 노드에만 속할 수 있다. 샘플은 그 샘플이 있는 노드의 라벨을 받는다.
[0062] 다시 말해서, 샘플이 둘 또는 그 초과의 하이퍼-큐브들에서 발견되는 경우, 하이퍼-큐브 검출은 오직 1 또는 0만 반환하고, 이로써, 이러한 정보만으로는, 샘플이 속하는 큐브가 결정될 수 없다. 그러므로, RBF 함수들로 전환하여, 각각의 큐브 중심으로부터의 샘플의 거리가 결정될 수 있다. 미상의 샘플은 가장 가까운 큐브의 라벨로 라벨링된다. 샘플이 둘 또는 그 초과의 하이퍼-스피어들에서 발견되는 경우, 가장 큰 RBF 함수 출력을 갖는 노드의 라벨이 기록되는데, 이는, RBF 함수는, 샘플이 큐브의 중앙에 있을 경우 1을 반환하고, 샘플들이 중앙으로부터 멀어짐에 따라 감쇠하기(decay away) 때문이다.
[0063] 검출에 대한 신뢰도 추정을 결정할 때, 검출을 위해 하이퍼-큐브들이 사용된 경우, 확실성은 100%이다. RBF 함수들이 사용되었고 샘플이 어떠한 노드에도 속하지 않는 것으로 발견된 경우, 그러면 확실성은 다시 100%이다. 그렇지 않다면, 확실성은 수학식 a4 * 100%에 의해 주어지고, 여기서 x는 해당 노드에 대한 본래의 수용영역 값이다.
[0064] 일 실시예에서, 시스템(102)은, 하이퍼-스피어 내에 있지만 하이퍼-큐브 밖에 있는 샘플에 대한 신뢰도 추정을 결정한다. 여기서, 샘플은 1차원의 에러만을 가질 수 있다. 시스템(102)은, 도 13에 도시된 바와 같이, 임의의 차원의 최대 에러 및 단일 에러 차원 상의 샘플 에러를 결정한다. 하이퍼-큐브의 평면에 대한 거리는 샘플 에러 대 최대 에러의 에러 비율에 의해 결정된다. 이러한 에러 비율은 신뢰도 추정을 결정하는 데에 사용될 수 있다.
[0065] 도 14a, 14b, 14c, 14d, 및 14e는, 상기 설명된 방법들에 따름으로써 분석될 수 있는 예시적인 센서 데이터를 예시한다. 예를 들어, 센서 데이터는, 매치 시리즈 포지션(match series position)(도 14a에 도시됨), 매치 션트(shunt) 포지션(도 14b에 도시됨), DC 바이어스(도 14c에 도시됨), 포워드 전력(forward power)(도 14d에 도시됨), 및 리플렉티드 전력(도 14e에 도시됨)을 포함하여, 바이어스 RF 시스템을 특징지을 수 있다. 이러한 예들에서, 중앙 밴드 내의 샘플들은 '정상' 거동을 나타낸다. 이제, 입력으로서 센서 데이터의 5 세트들을 취하고 초기에는 '정상' 대 '비정상' 동작만을 식별할 수 있는 5차원 RBF 네트워크가 생성될 수 있다.
[0066] 도 15a는 '정상' 동작의 예를 도시하고, 도 15b는 '비정상' 동작의 예를 도시한다. 도 15b의 '비정상' 경우에 대해서, 매치 시리즈 포지션은 UP이고, 매치 션트 포지션은 DOWN 이며, DC 바이어스는 DOWN 이고, 포워드 전력은 UP이며, 그리고 리플렉티드 전력은 UP이다. 이제, 시스템은, 사용자가 이러한 편위를, 공지되었다면 수정 액션(corrective action)을 갖는, '공지된' 편위 유형(예를 들어, 고장 유형)으로 지정하거나, 또는 아무런 액션을 취하지 않는 것을 허용할 수 있다.
[0067] 이러한 예에 대해서, 사용자는, 이것이, 'SW를 버전 xx.xx.xx로 업그레이드' 라는 수정 액션을 갖는, 'RF 바이어스 문제'라 불리는 고장이었다고 결정하였다. 실시예에서, 이러한 정보는 편위(108)로서 영구 저장 유닛(112)에 부가될 수 있고, 따라서 시스템(102)이, 유사한 파라미터들을 갖는 샘플을 분석할 때, 시스템(102)은 사용자에게 고장 유형 및 추천되는 수정 액션을 제공할 수 있다.
[0068] 도 16은, 단지 3차원들만 도시된 RBF 네트워크의 예를 도시한다. 여기서, DC 바이어스 및 정상 노드들이 겹쳐진다. 이러한 경우에, 시스템은, 분석된 샘플이 '정상' 및 'DC 바이어스 시프트(shift)' 노드들 양자 모두에 있는 경우, 샘플이 '정상'이라고 결정할 것이다. 샘플은 '바이어스 커플링' 노드의 경계 상에 도시되고, 그리고 확실성은 약 78%인 것으로 결정되었다.
[0069] 실시예에서, 새로운 편위 노드들이 부가되는 경우, 노드 크기는 제 1 노드의 기점으로부터의 거리에 의해 결정된다. 제 1 노드는 기점에 로케이팅된다. 편위 노드가 기점으로부터 더 멀어질수록, 노드 크기는 더 커진다. 초기에 샘플과 기점 사이의 거리는 이하를 사용하여 계산된다:
Figure pat00010
여기서 s는 샘플 좌표들, O는 기점, n은 차원들이다.
[0070] 거리가 3 미만인 경우, 그러면 새 노드 크기는 1이다. 거리가 9 초과인 경우, 그러면 새 노드 크기는 3이다. 그렇지 않으면, 새 노드 크기 = 거리/3이다. 다시 말해서, 노드가 기점으로부터 더 멀어질수록, 노드는 더 커질 것이다. 노드 크기는, 기점에 가까운 1의 노드 크기로부터, 노드 크기가 3이 될 때까지 선형적으로 증가하고, 그리고 이보다 더 멀어지는 노드들은 3의 노드 크기를 가질 것이다. 이제, 기점 가까이에서, 편위는 아마도 국부화된(localized) 분포를 가질 것이고, 그러므로, 노드가 '정상' 노드와 겹치지 않도록, 작은 노드가 사용된다. 기점으로부터 멀어질수록, 분포는 증가하며, 이로써, 더 큰 노드가 사용된다. 그러나, 노드들이 터무니없이 커지지 않도록, 3의 최대 노드 크기가 설정될 수 있다.
[0071] 도 17은 예시적인 컴퓨팅 디바이스(또는 시스템)(1700)를 예시하는 블록도이다. 컴퓨팅 디바이스(1700)는, 컴퓨팅 디바이스(1700)로 하여금 본원에서 논의된 방법론들 중 임의의 하나 또는 그 초과의 방법론들을 수행하게 하기 위한 명령들의 세트를 포함한다. 기계는 클라이언트-서버 네트워크 환경에서 서버 기계로서 동작할 수 있다. 기계는 개인용 컴퓨터(PC), 셋-탑 박스(STB), 서버, 네트워크 라우터, 스위치 또는 브릿지, 또는 해당 기계에 의해 취해질 액션들을 특정하는 (순차적인 또는 다른 방식의) 명령들의 세트를 실행할 수 있는 임의의 기계일 수 있다. 또한, 단일 컴퓨팅 디바이스만 예시되었지만, "컴퓨팅 디바이스"라는 용어는 또한, 본원에서 논의된 방법론들 중 임의의 하나 또는 그 초과의 방법론들을 수행하기 위해, 개별적으로 또는 공동으로 명령들의 세트(또는 다수의 세트들)를 실행하는 기계들의 임의의 집합을 포함하는 것으로 이해되어야 한다.
[0072] 예시적인 컴퓨터 디바이스(1700)는 프로세싱 시스템(프로세싱 디바이스)(1702), 주 메모리(1704)(예를 들어, 판독-전용 메모리(ROM), 플래시 메모리, 동기식 DRAM(SDRAM)과 같은 동적 랜덤 액세스 메모리(DRAM), 등), 정적 메모리(1706)(예를 들어, 플래시 메모리, 정적 랜덤 액세스 메모리(SRAM), 등), 및 데이터 저장 디바이스(1716)를 포함하고, 이들은 서로 버스(1708)를 통해 통신한다.
[0073] 프로세싱 디바이스(1702)는, 마이크로프로세서, 중앙 처리 유닛, 등과 같은 하나 또는 그 초과의 범용 프로세싱 디바이스들을 나타낸다. 더 구체적으로, 프로세싱 디바이스(1702)는 복합 명령 세트 컴퓨팅(CISC) 마이크로프로세서, 축소 명령 세트 컴퓨팅(RISC) 마이크로프로세서, 초장 명령어(VLIW) 마이크로프로세서, 다른 명령 세트들을 구현하는 프로세서, 또는 명령 세트들의 조합을 구현하는 프로세서들일 수 있다. 프로세싱 디바이스(1702)는 또한, 주문형 반도체(ASIC), 필드 프로그래밍 가능한 게이트 어레이(FPGA), 디지털 신호 프로세서(DSP), 네트워크 프로세서, 등과 같은 하나 또는 그 초과의 특수-목적 프로세싱 디바이스들일 수 있다. 프로세싱 디바이스(1702)는 본원에서 논의되는 동작들 및 단계들을 수행하기 위해 도 1의 시스템(102)을 실행하도록 구성된다.
[0074] 컴퓨팅 디바이스(1700)는 네트워크 인터페이스 디바이스(1722)를 더 포함할 수 있다. 컴퓨팅 디바이스(1700)는 또한, 비디오 디스플레이 유닛(1710)(예를 들어, 액정 디스플레이(LCD) 또는 음극선관(CRT)), 영숫자 입력 디바이스(1712)(예를 들어, 키보드), 커서 제어 디바이스(1714)(예를 들어, 마우스), 및 신호 생성 디바이스(1720)(예를 들어, 스피커)를 포함할 수 있다.
[0075] 데이터 저장 디바이스(1716)는, 본원에서 설명되는 방법론들 또는 기능들 중 임의의 하나 또는 그 초과를 구현하는 명령들(1726)의 하나 또는 그 초과의 세트들이 저장되는 컴퓨터-판독 가능한 저장 매체(1724)를 포함할 수 있다. 명령들(1726)은 또한, 컴퓨팅 디바이스(1700)에 의한 명령들의 실행 동안에 주 메모리(1704) 내에 및/또는 프로세싱 디바이스(1702) 내에 완전하게 또는 적어도 부분적으로 상주(reside)할 수 있고, 주 메모리(1704)와 프로세싱 디바이스(1702)는 또한, 컴퓨터-판독 가능한 저장 매체를 구성한다. 명령들(1726)은 추가로, 네트워크 인터페이스 디바이스(1722)를 통해 네트워크(1728)를 통해서 전송되거나 수신될 수 있다.
[0076] 컴퓨터-판독 가능한 저장 매체(1724)가 단일 매체인 것으로 예시적인 실시예에서 도시되지만, "컴퓨터-판독 가능한 저장 매체"라는 용어는, 명령들의 하나 또는 그 초과의 세트들을 저장하는 단일 매체 또는 다수의 매체들(예를 들어, 중앙형 또는 분산형 데이터베이스, 및/또는 연관된 캐쉬들 및 서버들)을 포함하는 것으로 이해되어야 한다. "컴퓨터-판독 가능한 저장 매체"라는 용어는 또한, 기계에 의해 실행하기 위한 명령들의 세트를 저장하거나 인코딩하거나 또는 운반(carrying)할 수 있고 그리고 기계로 하여금 본 발명의 방법론들 중 임의의 하나 또는 그 초과의 방법론들을 수행하게 하는 임의의 매체를 포함하는 것으로 이해되어야 한다. 따라서, "컴퓨터-판독 가능한 저장 매체"라는 용어는 솔리드-스테이트(solid-state) 메모리들, 광학 매체들, 및 자기 매체들을 포함하지만, 이에 제한되지는 않는 것으로 이해되어야 한다.
[0077] 후속하는 상세한 설명의 몇몇 부분들은 컴퓨터 메모리 내의 데이터 비트들(bits)에 대한 작동들의 심볼 표현들 및 알고리즘들 측면에서 표현된다. 이러한 알고리즘의 설명들 및 표현들은, 데이터 프로세싱 기술분야의 당업자들이 그 기술 분야의 다른 당업자들에게 가장 효과적으로 자신들의 작업의 내용(substance)을 전달하기 위해 사용되는 수단이다. 알고리즘은 여기서, 그리고 일반적으로, 결과로 이어지는 단계들의 자기-모순 없는(self-consistent) 시퀀스일 것으로 생각된다. 단계들은 물리적인 양들의 물리적 조작들(physical manipulations)을 요구하는 것들이다. 보통, 필수적인 것은 아니지만, 이러한 양들은, 저장되고, 이송되고, 결합되고, 비교되고, 그리고 그와 다르게 조작될 수 있는, 전기 또는 자기 신호들의 형태를 취한다. 주로 일반적인 용법의 이유들로, 이러한 신호들을 비트들, 값들, 엘리먼트들, 심볼들, 문자들(characters), 용어들, 숫자들, 등으로서 지칭하는 것이 종종 편리하다고 증명되었다.
[0078] 그러나, 이러한 용어들 및 유사한 용어들 모두는 적절한 물리적 양들과 연관되어야 하고 그리고 그러한 양들에 적용된 단지 편리한 라벨들이라는 것을 명심해야 한다. 후속하는 논의로부터 명백한 것과 같이 구체적으로 다르게 언급되지 않는 한, 명세서 전체에 걸쳐, "결정하는(determining)", "식별하는(identifying)", "비교하는(comparing)", "전송하는(sending)" 등과 같은 용어들을 사용하는 논의들은 컴퓨터 시스템 또는 유사한 전자 컴퓨팅 디바이스의 프로세스들 및 동작들을 지칭하는 것으로 이해되고, 컴퓨터 시스템은 컴퓨터 시스템의 레지스터들 및 메모리들 내의 물리적(예를 들어, 전자적) 양들로서 표현된 데이터를 컴퓨터 시스템 메모리들 또는 레지스터들 또는 다른 그러한 정보 저장, 송신, 또는 디스플레이 디바이스들 내의 물리적 양들로서 유사하게 표현된 다른 데이터로 조작 및 변환시킨다.
[0079] 본 발명의 실시예들은 또한, 본원에서의 작동들을 수행하기 위한 시스템에 관한 것이다. 이러한 시스템은 요구되는 목적들을 위해 특별히 구성될 수 있거나, 또는 시스템은 컴퓨터에 저장된 컴퓨터 프로그램에 의해서 선택적으로 작동되거나 재구성되는 범용 컴퓨터를 포함할 수 있다. 그러한 컴퓨터 프로그램은, 비제한적으로, 플로피 디스크들, 광학 디스크들, CD-ROM들, 및 광-자기 디스크들을 포함하는 임의의 유형의 디스크, 판독-전용 메모리들(ROM들), 랜덤 액세스 메모리들(RAM들), EPROM들, EEPROM들, 자기 또는 광학 카드들, 플래시 메모리, 또는 전자 명령들을 저장하기에 적합한 임의의 유형의 매체들과 같은, 컴퓨터(또는 기계) 판독 가능한 저장 매체에 저장될 수 있다.
[0080] 본원에 제시된 알고리즘들 및 디스플레이들은 본질적으로 임의의 특별한 컴퓨터 또는 다른 장치와 관련되지 않는다. 여러 가지 범용 시스템들이 본원의 교시내용들에 따른 프로그램들과 함께 이용될 수 있고, 또는 방법 단계들을 실시하기 위해서 더 특수화된 장치를 구축하는 것이 편리한 것으로 입증될 수 있을 것이다. 다양한 이러한 시스템들에 대한 구조는 본원의 설명으로부터 명확해질 것이다. 또한, 본 발명의 실시예들은 임의의 특별한 프로그래밍 언어에 관하여 설명되지 않는다. 본원에 설명된 바와 같은 발명의 교시내용들을 구현하기 위해서 다양한 프로그래밍 언어들이 이용될 수 있다는 것이 이해될 것이다.
[0081] 상기 설명은 예시적인 것으로 의도된 것이고, 제한적인 것으로 의도되지 않았음이 이해되어야 한다. 상기 설명을 읽고 이해할 때, 많은 다른 실시예들이 당업자에게 자명할 것이다. 그러므로, 본 발명의 범위는 첨부된 청구항들을 참고하여, 그러한 청구항들이 권리를 갖는 등가물들의 전체 범위와 함께, 결정되어야 한다.

Claims (20)

  1. 방법으로서,
    노드를 식별하는 단계;
    상기 노드에 연관되는 하이퍼-큐브를 결정하는 단계;
    상기 노드에 연관되는 하이퍼-스피어를 결정하는 단계;
    샘플의 위치를 식별하는 단계;
    상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지 결정하는 단계; 및
    프로세싱 디바이스에 의해, 상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지의 결정에 기초하여 상기 샘플에 대한 클래스를 결정하는 단계를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 단계는,
    상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우, 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는 단계를 포함하는,
    방법.
  3. 제 1 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 단계는,
    상기 샘플이 상기 하이퍼-스피어 내에 그리고 상기 하이퍼-큐브의 밖에 위치되는 경우, 상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우보다 더 낮은 신뢰도로 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는 단계를 포함하는,
    방법.
  4. 제 3 항에 있어서,
    상기 더 낮은 신뢰도 추정은 상기 하이퍼-큐브의 측부로부터의 상기 샘플의 위치의 거리에 기초하는,
    방법.
  5. 제 1 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 단계는,
    상기 샘플이 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 위치되는 않는 경우, 상기 샘플을 미상의(unknown) 클래스로 식별하는 단계를 포함하는,
    방법.
  6. 제 1 항에 있어서,
    상기 하이퍼-스피어의 반경은 상기 하이퍼-큐브의 대각선에 기초하는,
    방법.
  7. 제 1 항에 있어서,
    편위(excursion)의 사용자 선택을 수신하는 단계;
    상기 편위에 대한 편위 노드를 생성하는 단계;
    상기 편위 노드에 대한 편위 하이퍼-큐브를 결정하는 단계;
    상기 샘플의 위치가 편위 노드 기점 주위의 상기 편위 하이퍼-큐브 내에 있는지를 결정하는 단계;
    상기 샘플의 위치가 상기 편위 하이퍼-큐브 내에 있지 않은 경우, 상기 샘플의 위치가 편위 하이퍼-스피어 내에 있는지를 결정하는 단계 ― 상기 편위 하이퍼-스피어는 상기 편위 하이퍼-큐브의 대각선과 동일한 반경을 가짐 ―; 및
    상기 샘플의 위치가 상기 편위 하이퍼-큐브 또는 상기 편위 하이퍼-스피어 내에 있는지에 기초하여 가능한(likely) 샘플 클래스를 결정하는 단계를 더 포함하는,
    방법.
  8. 시스템으로서,
    메모리; 및
    상기 메모리에 동작가능하게 커플링되는 프로세싱 디바이스를 포함하고,
    상기 프로세싱 디바이스는,
    노드를 식별하고;
    상기 노드에 연관되는 하이퍼-큐브를 결정하고;
    상기 노드에 연관되는 하이퍼-스피어를 결정하고;
    샘플의 위치를 식별하며;
    상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지 결정하고; 그리고
    상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지의 결정에 기초하여 상기 샘플에 대한 클래스를 결정하는,
    시스템.
  9. 제 8 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 프로세싱 디바이스는 추가적으로, 상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는,
    시스템.
  10. 제 8 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 프로세싱 디바이스는 추가적으로, 상기 샘플이 상기 하이퍼-스피어 내에 그리고 상기 하이퍼-큐브의 밖에 위치되는 경우, 상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우보다 더 낮은 신뢰도로 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는,
    시스템.
  11. 제 10 항에 있어서,
    상기 더 낮은 신뢰도 추정은 상기 하이퍼-큐브의 측부로부터의 상기 샘플의 위치의 거리에 기초하는,
    시스템.
  12. 제 8 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 프로세싱 디바이스는 추가적으로, 상기 샘플이 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 위치되는 않는 경우, 상기 샘플을 미상의 클래스로 식별하는,
    시스템.
  13. 제 8 항에 있어서,
    상기 하이퍼-스피어의 반경은 상기 하이퍼-큐브의 대각선에 기초하는,
    시스템.
  14. 제 8 항에 있어서,
    상기 프로세싱 디바이스는 추가적으로,
    편위의 사용자 선택을 수신하고;
    상기 편위에 대한 편위 노드를 생성하고;
    상기 편위 노드에 대한 편위 하이퍼-큐브를 결정하며;
    상기 샘플의 위치가 편위 노드 기점 주위의 상기 편위 하이퍼-큐브 내에 있는지를 결정하고;
    상기 샘플의 위치가 상기 편위 하이퍼-큐브 내에 있지 않은 경우, 상기 샘플의 위치가 편위 하이퍼-스피어 내에 있는지를 결정하며 ― 상기 편위 하이퍼-스피어는 상기 편위 하이퍼-큐브의 대각선과 동일한 반경을 가짐 ―; 그리고
    상기 샘플의 위치가 상기 편위 하이퍼-큐브 또는 상기 편위 하이퍼-스피어 내에 있는지에 기초하여 가능한 샘플 클래스를 결정하는,
    시스템.
  15. 명령들을 포함하는 비-휘발성 컴퓨터 판독가능 매체로서,
    상기 명령들은 프로세싱 디바이스에 의해 실행될 때 상기 프로세싱 디바이스로 하여금,
    노드를 식별하고;
    상기 노드에 연관되는 하이퍼-큐브를 결정하고;
    상기 노드에 연관되는 하이퍼-스피어를 결정하고;
    샘플의 위치를 식별하며;
    상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지 결정하고; 그리고
    상기 샘플의 위치가 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 있는지의 결정에 기초하여 상기 샘플에 대한 클래스를 결정하는 것을 포함하는 동작들을 수행하도록 하는,
    비-휘발성 컴퓨터 판독가능 매체.
  16. 제 15 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 동작들은 추가적으로, 상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는 것을 포함하는,
    비-휘발성 컴퓨터 판독가능 매체.
  17. 제 15 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 동작들은 추가적으로, 상기 샘플이 상기 하이퍼-스피어 내에 그리고 상기 하이퍼-큐브의 밖에 위치되는 경우, 상기 샘플이 상기 하이퍼-큐브 내에 위치되는 경우보다 더 낮은 신뢰도로 상기 샘플을 상기 노드에 대응하는 클래스로서 식별하는 것을 포함하는,
    비-휘발성 컴퓨터 판독가능 매체.
  18. 제 17 항에 있어서,
    상기 더 낮은 신뢰도 추정은 상기 하이퍼-큐브의 측부로부터의 상기 샘플의 위치의 거리에 기초하는,
    비-휘발성 컴퓨터 판독가능 매체.
  19. 제 15 항에 있어서,
    상기 샘플에 대한 클래스를 결정하는 것에 대해 상기 동작들은 추가적으로, 상기 샘플이 상기 하이퍼-큐브 또는 상기 하이퍼-스피어 내에 위치되는 않는 경우, 상기 샘플을 미상의 클래스로 식별하는 것을 포함하는,
    비-휘발성 컴퓨터 판독가능 매체.
  20. 제 15 항에 있어서,
    상기 하이퍼-스피어의 반경은 상기 하이퍼-큐브의 대각선에 기초하는,
    비-휘발성 컴퓨터 판독가능 매체.
KR1020167027506A 2013-01-17 2014-01-14 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용 KR102053834B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201361753796P 2013-01-17 2013-01-17
US61/753,796 2013-01-17
US14/151,295 US9262726B2 (en) 2013-01-17 2014-01-09 Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment
US14/151,295 2014-01-09
PCT/US2014/011528 WO2014113403A1 (en) 2013-01-17 2014-01-14 Using radial basis function networks and hyper-cubes for excursion classification in semi-conductor processing equipment

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020157022157A Division KR101665476B1 (ko) 2013-01-17 2014-01-14 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용

Publications (2)

Publication Number Publication Date
KR20160119281A true KR20160119281A (ko) 2016-10-12
KR102053834B1 KR102053834B1 (ko) 2019-12-09

Family

ID=51165976

Family Applications (2)

Application Number Title Priority Date Filing Date
KR1020157022157A KR101665476B1 (ko) 2013-01-17 2014-01-14 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용
KR1020167027506A KR102053834B1 (ko) 2013-01-17 2014-01-14 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용

Family Applications Before (1)

Application Number Title Priority Date Filing Date
KR1020157022157A KR101665476B1 (ko) 2013-01-17 2014-01-14 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용

Country Status (8)

Country Link
US (2) US9262726B2 (ko)
JP (2) JP6377639B2 (ko)
KR (2) KR101665476B1 (ko)
CN (2) CN108229689B (ko)
DE (1) DE112014000466T5 (ko)
SG (2) SG10201709489QA (ko)
TW (2) TWI628603B (ko)
WO (1) WO2014113403A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10565513B2 (en) 2016-09-19 2020-02-18 Applied Materials, Inc. Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach
US11275975B2 (en) 2017-10-05 2022-03-15 Applied Materials, Inc. Fault detection classification

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5717832A (en) * 1994-07-28 1998-02-10 International Business Machines Corporation Neural semiconductor chip and neural networks incorporated therein
US20070265743A1 (en) * 2006-05-09 2007-11-15 Omron Corporation Inspection apparatus
US20080270338A1 (en) * 2006-08-14 2008-10-30 Neural Id Llc Partition-Based Pattern Recognition System
US20090136095A1 (en) * 2005-03-24 2009-05-28 Celin Technology Innovation S.R.L. Method for Recognition Between a First Object and a Second Object Each Represented by Images
WO2012147078A1 (en) * 2011-04-27 2012-11-01 Whitewater Security Ltd. A system and a method for detecting abnormal occurrences

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5351247A (en) * 1988-12-30 1994-09-27 Digital Equipment Corporation Adaptive fault identification system
JPH03176776A (ja) * 1989-12-06 1991-07-31 Mitsubishi Electric Corp 円のピック処理方式
JPH06314268A (ja) * 1993-04-28 1994-11-08 Toshiba Corp ニューラルネットの調節装置及び調節方法
KR970051806A (ko) * 1995-12-21 1997-07-29 양승택 스레숄드 망의 합성방법
US5982374A (en) * 1997-04-30 1999-11-09 Wahl; Larry E. Vallian/geometric hexagon opting symbolic Tesseract V/GHOST
JP3309820B2 (ja) * 1998-12-02 2002-07-29 日本電気株式会社 拡散係数抽出方法及び抽出装置
EP1203275A4 (en) * 1999-06-25 2004-12-01 Massively Parallel Computing I MASSIVE SUMMARY NETWORK PROCESSING SYSTEM AND METHOD
US6965895B2 (en) * 2001-07-16 2005-11-15 Applied Materials, Inc. Method and apparatus for analyzing manufacturing data
US20040034612A1 (en) * 2002-03-22 2004-02-19 Nick Mathewson Support vector machines for prediction and classification in supply chain management and other applications
US20030233310A1 (en) * 2002-06-17 2003-12-18 Boris Stavrovski Method and system for implementing a business transaction over the internet with use and consecutive transformation of information from publicly available databases, actual preferences of potential customers and statistical models of the market situation
US7474999B2 (en) 2002-12-23 2009-01-06 Cadence Design Systems, Inc. Method for accounting for process variation in the design of integrated circuits
US7340001B2 (en) * 2003-12-03 2008-03-04 Ut-Battelle Llc Multidimensional signal modulation and/or demodulation for data communications
JP4514687B2 (ja) * 2004-11-08 2010-07-28 株式会社東芝 パターン認識装置
US7487489B2 (en) * 2005-02-28 2009-02-03 Yuri Granik Calculation system for inverse masks
CA2629069C (en) * 2005-11-15 2016-07-19 Bernadette Garner Method for training neural networks
US7849088B2 (en) * 2006-07-31 2010-12-07 City University Of Hong Kong Representation and extraction of biclusters from data arrays
US8046200B2 (en) 2006-09-05 2011-10-25 Colorado State University Research Foundation Nonlinear function approximation over high-dimensional domains
US8189428B2 (en) * 2008-08-06 2012-05-29 The Johns Hopkins University Methods and systems to detect changes in multiple-frequency band sonar data
US8355810B2 (en) * 2009-01-29 2013-01-15 Applied Materials, Inc. Method and system for estimating context offsets for run-to-run control in a semiconductor fabrication facility
US8307184B1 (en) * 2009-06-01 2012-11-06 Nissani Nissensohn Daniel Nathan Communication and memory capacity enhancement method and apparatus
US9002492B2 (en) * 2010-02-16 2015-04-07 Applied Materials, Inc. Methods and apparatuses for utilizing adaptive predictive algorithms and determining when to use the adaptive predictive algorithms for virtual metrology
WO2011148371A1 (en) 2010-05-23 2011-12-01 Technion Research And Development Foundation Ltd. Detection, staging and grading of benign and malignant tumors
NL2006700A (en) 2010-06-04 2011-12-06 Asml Netherlands Bv Method and apparatus for measuring a structure on a substrate, computer program products for implementing such methods & apparatus.
CN101907681B (zh) * 2010-07-15 2012-07-04 南京航空航天大学 基于gsd_svdd的模拟电路动态在线故障诊断方法
US9299040B2 (en) 2010-10-26 2016-03-29 Hewlett Packard Enterprise Development Lp System and method for generating an information integration flow design using hypercubes
US8873813B2 (en) * 2012-09-17 2014-10-28 Z Advanced Computing, Inc. Application of Z-webs and Z-factors to analytics, search engine, learning, recognition, natural language, and other utilities
CN103295024B (zh) * 2012-02-29 2017-03-01 佳能株式会社 分类与对象检测方法和装置以及图像拍摄和处理设备
US9715723B2 (en) * 2012-04-19 2017-07-25 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
US8996504B2 (en) * 2012-05-24 2015-03-31 Sybase, Inc. Plan caching using density-based clustering

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5717832A (en) * 1994-07-28 1998-02-10 International Business Machines Corporation Neural semiconductor chip and neural networks incorporated therein
US20090136095A1 (en) * 2005-03-24 2009-05-28 Celin Technology Innovation S.R.L. Method for Recognition Between a First Object and a Second Object Each Represented by Images
US20070265743A1 (en) * 2006-05-09 2007-11-15 Omron Corporation Inspection apparatus
US20080270338A1 (en) * 2006-08-14 2008-10-30 Neural Id Llc Partition-Based Pattern Recognition System
WO2012147078A1 (en) * 2011-04-27 2012-11-01 Whitewater Security Ltd. A system and a method for detecting abnormal occurrences

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Tan, Shaohua, Jianbin Hao, and Joos Vandewalle. "Nonlinear systems identification using RBF neural networks." Neural Networks, Proceedings of 1993 International Joint Conference on. Vol. 2. IEEE,1993. *

Also Published As

Publication number Publication date
KR20150110628A (ko) 2015-10-02
SG10201709489QA (en) 2017-12-28
TW201642184A (zh) 2016-12-01
CN105074706A (zh) 2015-11-18
JP6625699B2 (ja) 2019-12-25
DE112014000466T5 (de) 2015-09-24
JP2016507832A (ja) 2016-03-10
JP2018198072A (ja) 2018-12-13
SG11201505603VA (en) 2015-08-28
US20140201117A1 (en) 2014-07-17
CN108229689A (zh) 2018-06-29
TW201443792A (zh) 2014-11-16
KR101665476B1 (ko) 2016-10-12
WO2014113403A1 (en) 2014-07-24
JP6377639B2 (ja) 2018-08-22
TWI579778B (zh) 2017-04-21
US9262726B2 (en) 2016-02-16
TWI628603B (zh) 2018-07-01
CN108229689B (zh) 2022-04-05
KR102053834B1 (ko) 2019-12-09
CN105074706B (zh) 2018-01-30
US9852371B2 (en) 2017-12-26
US20160162778A1 (en) 2016-06-09

Similar Documents

Publication Publication Date Title
KR101713007B1 (ko) 일반화된 그리고 견고한 예측 모델들의 생성을 위한 증가된 신호 대 잡음비
JP2021157811A (ja) ｋ近傍およびロジスティック回帰アプローチを用いた時系列異常検出、異常分類、ならびに遷移分析
KR20160081843A (ko) 자동 분류를 위한 파라미터들의 튜닝
KR102236931B1 (ko) 툴 프로세스 데이터에 대한 다-변량 분석을 제공하기 위한 k-최근접 이웃-기반 방법 및 시스템
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
US20210089952A1 (en) Parameter-searching method, parameter-searching device, and program for parameter search
EP3620996A1 (en) Transfer learning of a machine-learning model using a hyperparameter response model
KR101665476B1 (ko) 반도체 프로세싱 장비에서의 편위 분류를 위한 방사형 기저 함수 네트워크들 및 하이퍼-큐브들의 사용
WO2023051974A1 (en) Calibrated decoders for implementations of quantum codes
Guo et al. Fault detection based on improved local entropy locality preserving projections in multimodal processes
US20230384770A1 (en) Calculation device and method for extracting feature of measurement data by using same
US8874252B2 (en) Comprehensive analysis of queue times in microelectronic manufacturing
Aremu et al. Machine learning-based embedding for discontinuous time series machine data
KR102319015B1 (ko) 정밀 점유 지도 작성을 위한 적응형 커널 추론 방법 및 장치
KR102382820B1 (ko) 공정 관리 방법 및 그 장치
US20210073651A1 (en) Model generating method and model generating apparatus
EP3620950A1 (en) Building a machine-learning model with improved feature distribution
CN115935348A (zh) 恶意软件处理方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
A107 Divisional application of patent
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant