TW201443792A - 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類 - Google Patents

半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類 Download PDF

Info

Publication number
TW201443792A
TW201443792A TW103101836A TW103101836A TW201443792A TW 201443792 A TW201443792 A TW 201443792A TW 103101836 A TW103101836 A TW 103101836A TW 103101836 A TW103101836 A TW 103101836A TW 201443792 A TW201443792 A TW 201443792A
Authority
TW
Taiwan
Prior art keywords
sample
node
hypercube
hypersphere
deviation
Prior art date
Application number
TW103101836A
Other languages
English (en)
Other versions
TWI579778B (zh
Inventor
Dermot Cantwell
Original Assignee
Applied Materials Inc
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 Applied Materials Inc filed Critical Applied Materials Inc
Publication of TW201443792A publication Critical patent/TW201443792A/zh
Application granted granted Critical
Publication of TWI579778B publication Critical patent/TWI579778B/zh

Links

Classifications

    • 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
    • G06N3/09—Supervised 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
    • G06N3/06—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
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

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)
  • Information Transfer Between Computers (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

一種資料分析方法與系統，包括產生一第一節點，決定該第一節點之一第一超立方體，決定一樣本是否在該第一超立方體內。若該樣本不存在於該第一超立方體內，則該方法包括決定該樣本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的一對角線相等之一半徑。

Description

半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類
本申請案與在2013年1月17日申請之美國專利臨時申請案第61/753,796號有關，並且主張該案之優先權，該案的內容係藉由引用形式而併入本文中。
本說明書與人工神經網路有關，且更特別的是，與用於分析一系統之徑向基底函數網路有關。
人工神經網路可用以根據系統的已知數值分析系統中的運作。舉例而言，使用者對分析感測器數據有興趣，例如來自半導體處理設備的感測器數據。徑向基底函數(Radial Basis Function，RBF)網路是使用徑向基底函數作為活化函數之人工神經網路。在一典型RBF網路中，一RBF節點或神經元係可用以決定節點的活化值，其中每一個節點都具有多個輸入與一個輸出。RBF網路一般僅能區分正常值與異常 值。RBF網路分析中的誤差係傾向為誤否定，且錯誤的結果係傾向於隨著維度數量(例如感測器數量)增加而增加。
一種方法包括：由一處理器產生一第一節點；由該處理器決定第一節點之一第一超立方體；由該處理器決定一樣本是否存在於該第一超立方體內；以及，若該樣本不存在於該第一超立方體內，則由該處理器決定該樣本是否存在於一第一超球體內，其中該第一超樣本具有與該第一超立方體的一對角線相等之一半徑。
一種系統包括一記憶體；以及耦接至該記憶體之一處理裝置，用以：產生一第一節點；決定該第一節點之一第一超立方體；決定一樣本是否存在於該第一超立方體內；以及，若該樣本不存在於該第一超立方體內，則決定該樣本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的對角線相等之一半徑。
一種包括指令之非暫態電腦可讀取之儲存媒介，所述指令在由一電腦系統執行時，係使該電腦系統執行一組運作，包括：產生一第一節點；決定該第一節點之一第一超立方體；決定一樣本是否存在於該第一超立方體內；以及，若該樣本不存在於該第一超立方體內，則決定該樣本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的對角線相等之一半徑。
100‧‧‧網路架構
102‧‧‧RBF網路與超立方體系統
104‧‧‧物理處理系統
106‧‧‧數據來源
108‧‧‧偏離
110‧‧‧客戶端機器
112‧‧‧長效儲存單元
200‧‧‧方法
202-210‧‧‧步驟
300‧‧‧方法
302-312‧‧‧步驟
401‧‧‧輸入層
403‧‧‧RBF層
501‧‧‧氣體總流量
503‧‧‧腔室壓力
505‧‧‧TGV位置
601‧‧‧樣本
701‧‧‧樣本
800‧‧‧第一節點
801‧‧‧第一超立方體
803‧‧‧第一超球體
805‧‧‧樣本
807‧‧‧樣本
809‧‧‧樣本
900‧‧‧第一節點
901‧‧‧偏離節點
903‧‧‧偏離超立方體
905‧‧‧偏離超球體
907‧‧‧樣本
909‧‧‧樣本
1000‧‧‧節點
1001‧‧‧節點
1003‧‧‧樣本
1005‧‧‧形心
1007‧‧‧形心
1100‧‧‧第一節點
1101‧‧‧偏離A節點
1103‧‧‧偏離B節點
1105‧‧‧樣本
1107‧‧‧超球體
1109‧‧‧超球體
1200‧‧‧第一節點
1201‧‧‧第一超立方體
1203‧‧‧第一超球體
1205‧‧‧對角線
1700‧‧‧計算裝置
1702‧‧‧處理器
1704‧‧‧主要記憶體
1706‧‧‧靜態記憶體
1708‧‧‧匯流排
1710‧‧‧視頻顯示裝置
1712‧‧‧字母數字輸入裝置
1714‧‧‧游標空置裝置
1716‧‧‧數據儲存裝置
1720‧‧‧訊號產生裝置
1722‧‧‧網路介面裝置
1724‧‧‧電腦可讀取之媒介
1726‧‧‧指令集
1728‧‧‧網路
在如附圖式的圖示中，本說明書係藉由舉例方式、 而非藉由限制方式來加以說明。
第1圖說明了一網路架構的一具體實施例。
第2圖說明了一種RBF網路與超立方體分析方法的一具體實施例。
第3圖說明了一種RBF網路與超立方體分析方法的另一具體實施例。
第4圖說明了一種例示RBF網路。
第5圖說明了一種用於半導體處理設備之例示RBF網路。
第6圖說明了一RBF網路之誤否定結果。
第7圖說明了一RBF網路之誤肯定結果。
第8圖說明了一RBF網路與超立方體分析的一具體實施例。
第9圖說明了一RBF網路和超立方體分析中的一偏離的一具體實施例。
第10圖說明了一RBF網路和超立方體分析中的一偏離的一具體實施例。
第11圖說明了一RBF網路和超立方體分析中的一偏離的一具體實施例。
第12圖說明一超立方體與一超球體的產生之一具體實施例。
第13圖說明了可信度預估的一具體實施例。
第14A圖、第14B圖、第14C圖、第14D圖與第14E圖說明例示感測器數據。
第15A圖與第15B圖說明例示感測器數據。
第16圖說明一例示RBF網路。
第17圖說明一例示電腦系統。
第18圖說明可信度預估的一具體實施例。
本發明之具體實施例係與一種RBF網路與數據的超立方體分析之方法和系統有關。舉例而言，數據樣本係來自半導體處理設備之感測器數據。在一具體實施例中，該方法與系統可偵測樣本是否指示了在一次系統中的「正常」與「異常」運作，當異常偏離可被標示時分類指示「異常」行為的樣本，以及在可得到關於根源與解決方案的資訊時確立並修正「異常」行為。本發明的具體實施例係可延伸至可將另外辨識之偏離加入該系統中。
一RBF函數可定義為滿足下列方程式的任何函數：
一RBF網路為位於n-維空間中之RBF函數的集合。在第4圖所示的一個RBF網路中有兩層，包括一輸入層401與一RBF層403。此一網路具有3個輸入和4個RBF節點。在此，每一個節點都位於n-維空間中，其中輸入的數量即定義了n(例如在第4圖中，n=3)。每一個節點都可利用一n-元素向量來定義，且每一個節點的輸入也可為一n-元素向量。第4圖中所示網路係可區分出5個獨特的偏離或類別。每一個節點都代表一獨特的偏離或類別。未知樣本可屬於節點1至4中任一個或無節點。
舉例而言，一輸入樣本係一標準化數值，其中該樣本係表示為一已知參考集合、製程中的一指定運轉數、或來自一指定天數的所有運轉之間的一標準差，其應可提供高於90%的精確度。
然而，誤差係隨著RBF網路中的維度增加而增加。舉例而言，對於1-維正常分布的數據而言，預期會有99.7%的樣本是在+/-3σ內。對於2-維正常分布的數據而言，會有較多的樣本落在+/-3σ外部。對於3-維正常分布的數據而言，則甚至會有更多的樣本落在+/-3σ外部。隨著維度增加，單位超球體的體積係趨近零，因而導致誤差數量增加。因此，如第6圖所示，一原生RBF網路將具有誤否定誤差，其中一樣本601在該樣本為正常時係被辨識為異常。在此，樣本601是在RBF函數圈外部、但在+/-3σ邊界內部。因此，當樣本601實際上為正常時，由於其是落在該+/-3σ邊界內，一原生RBF網路係指示了該樣本601是在節點外部(在此情況中為正常)。
在一個具體實施例中，這個問題係藉由增加節點超球體的半徑而克服。仍存在一誤差，如第7圖所示，現在是一誤肯定，其中樣本701在該樣本應該被辨識為未知時卻被辨識為「正常」。對於已決定的樣本類別，這些樣本係被指定一較低可信度預估值。
在此，係產生一節點，且為該節點決定一超立方體。然後，該系統決定一樣本是否存在於該超立方體內。若該樣本不存在於該超立方體內，則該系統決定該樣本是否存在於一超球體內(該超球體具有與該超立方體的對角線相等之半 徑)。該系統接著根據該樣本是否存在於該超立方體內(正常)、超球體內(正常、但可信度較低)、或皆不在其內(異常)而決定一可能樣本類別，例如正常或異常。
在一具體實施例中，任何已知節點之最大誤差是沿著一單一軸、且可經計算以供評估關於該網路或誤差是否為可容許者。在一個具體實施例中，誤差係可藉由對軸上的其他節點(例如偏離)加入相關標示而達最小化。
第1圖說明了根據一具體實施例之一網路架構100。一開始，一RBF網路與超立方體系統102辨識定義一系統(例如一物理處理系統)104之數據來源106(例如感測器)。使用者可經由一客戶端機器110而從數據來源106中的不同者選擇(例如經由圖形使用者介面(GUI))數據(例如樣本)。系統102從此數據得出一RBF網路與超立方體。舉例而言，如第5圖的RBF網路所示，氣體總流量501、腔室壓力503、以及TGV位置505之感測器數據係可用以特徵化一壓力控制系統。
在一具體實施例中，使用者也可經由客戶端機器110選擇偏離108(亦即，異常系統行為的定義參數)，且偏離108係由系統102儲存於一長效儲存單元112中。
舉例而言，物理處理系統104可包括製造工具、或直接或經由網路(例如一區域網路(LAN))而連接至製造工具。製造工具的實例包括用於電子裝置製造之半導體製造工具，例如蝕刻器、化學氣相沉積反應爐等。製造這類裝置係包括數十道製造步驟，涉及了不同類型的製造處理(也稱為 製程配方(recipe))。
物理處理系統104可包括任何類型的計算裝置以控制系統，包括桌上型電腦、膝上型電腦、手持式電腦或類似的計算裝置。數據來源106(例如感測器)係物理處理系統104及/或製造工具的部件，或是連接至物理處理系統104及/或製造工具(例如，經由一網路)。
在另一實例中，客戶端機器110可為任何類型的計算裝置，包括桌上型電腦、膝上型電腦、行動通訊裝置、行動電話、智慧型電話、手持式電腦、或類似的計算裝置。
在一具體實施例中，物理處理系統104、數據來源106、長效儲存單元112、以及客戶端機器110係連接至系統102，可為一直接連接、或是經由一硬體介面(未示)或經由一網路(未示)之一間接連接。該網路可為一區域網路(LAN)(例如在一公司內的企業內部網路)、一無線網路、一行動通訊網路、或一廣域網路(WAN)(例如網際網路或類似的通訊系統)。網路可包括任何數量的連網與計算裝置，例如有線與無線裝置。
上述功能區分係僅為例示。在其他具體實施例中，所述功能係可結合於一單晶構件中、或是次區分為任何構件組合。舉例而言，客戶端機器110與系統102係可駐留在一單一電腦系統上、在個別的電腦系統上、或是在單一電腦系統與個別電腦系統的組合上。
第2圖說明一種RBF網路與超立方體分析方法200的一具體實施例。方法200可藉由處理邏輯來執行，該處理 邏輯可包括硬體(例如電路、專用邏輯、可編程邏輯、微編碼等)、軟體(例如在一處理裝置上運行之指令)、或硬體與軟體的組合。在一具體實施例中，方法200係由第1圖所示系統102執行。
在第2圖的方塊202，系統102的處理邏輯產生一第一節點1200，如第12圖所示。第一節點具有多個輸入與一個輸出。為產生一節點，係提供數個輸入n、一位置L[n](L[n]向量係決定在n-維空間中的節點位置)、以及一感受場r(節點的維度或大小)。在一具體實施例中，一預設r值為1。
每一個節點含有一高斯活化：
以及一正規化之高斯活化：
所使用之活化函數係根據運作而定。在兩者情況中，，其中I為輸入向量
，其中I為輸入向量
為活化一節點，係提供輸入向量與待使用之活化函數。系統102計算d並使用適當的活化函數來回傳x。
任何已知數值x之一節點臨界值是用以決定一已知輸入I是否包含在該節點內之數值。下式係用以計算節點臨界值：
系統102以適當的位置和感受場產生第一節點，並在適當時以正確的活化函數來活化該節點。
當一節點產生(帶有所需要的節點資訊)，系統102也需要記錄節點標示和任何相關動作。節點標示定義了樣本類別，例如正常、或一缺陷。節點動作定義了當一樣本屬於一特定節點時所要做的、以及何時執行該動作。
在方塊204，系統102的處理邏輯決定了該第一節點1200之一第一超立方體1201，如第12圖所示。在一具體實施例中，係基於參考數據而產生一3σ超立方體。換言之，第一超立方體的大小為3σ。
在方塊206，系統102的處理邏輯決定當在該第一節點的原點周圍鏡射時，一樣本是否存在於該第一超立方體內。計算下式：c[x]=∥i[x]-l[x]∥，x=1至n。
當一超立方體被用於偵測時，任何節點之輸出將為0或1，其中1表示存在於該超立方體中。若c[x]值小於或等於第一節點之r(亦即，感受場)，則第一節點輸出為1。在這個情況中，系統102係已使用第一超立方體來偵測該樣本是屬於何類別，且RBF函數並未被活化。如第8圖的第一節點800所示，若一樣本805落於一第一超立方體801內，則樣本805會被視為屬於該第一節點的類別，且被視為是正常的。
在方塊208，若一樣本是在第一超立方體外部，則該系統決定該樣本是否存在於第一超立方體1201周圍的一第一超球體1203內，其中該第一超球體1203具有之一半徑係 等於第一超立方體1201的一對角線1205，如第12圖所示。如第8圖所示，若樣本807存在於一第一超球體803內，則該樣本被視為是屬於該第一節點800的類別、並且被視為正常，但具有一較低可信度預估值。若樣本809是在第一超球體803外部，則該樣本即被分類為未知或可疑。
舉例而言，若c[x]值大於r，則系統102即切換至RBF函數。最初，出現的所有節點之感受場係設定為1。在此，係使用一臨界值調整方案(亦即，利用一固定函數、但根據離原點的距離來選擇一不同的臨界值)來替代一感受場調整方案(亦即，使用較廣的函數)。利用方程式a1與所記錄之輸出(其中每一節點之輸出在數值上係介於1至0之間)來活化該節點。
換言之，對於二維的情況而言，兩個高斯類型曲線為帶有感受場1之RBF函數。在此，正方形(二維超立方體)具有一3σ側，使得一圓(二維超球體)在該正方形周圍具有4.24之一半徑。當提供了輸入，且利用方程式a1來活化BRF函數時，輸出係根據該樣本離節點有多遠而定，而為從1至0的值。臨界值為當輸入為超立方體的半徑時之RBF輸出，在此例中，4.24係輸入至方程式a1。在此，臨界值為0.00012。
在這個實例中，若該樣本具有之座標為(2,0)，則該樣本會在該3σ正方形內。若該樣本具有之座標為(3.5,0)則該樣本會在該正方形外部，因此方程式a1會被活化。在此例中，輸出會是大於該臨界值的一數值，因此，該樣本會在該圓中。若該樣本具有之座標為(4.2,0)，則方程式a1會再 次被活化。然而，現在該輸出係小於該臨界值，因此此樣本是在圓的外部。
在方塊210，系統200的處理邏輯基於該樣本是否存在於該超立方體或該超球體內而決定該樣本之一可能樣本類別。當一超立方體被用於偵測，若存在一輸出為1，則該樣本會被視為屬於該第一節點。當RBF函數被用於偵測時，則利用方程式a3來計算一節點臨界值，其中x為目前節點之原始感受場值。若節點輸出大於或等於節點臨界值，則該樣本係視為屬於此節點。
任何已知數值x之節點誤差係該樣本離具有側邊x之理論超立方體平面有多遠之估算值。節點誤差係用以於該樣本在超立方體外部、但在超球體內部時決定對一節點之樣本正確指定的可信度預估值。可信度預估值是以該樣本離該超立方體的側邊有多遠為基礎。下述方程式係用以計算節點誤差：
一般而言，節點誤差係四捨五入至兩位有效數字。
換言之，誤差係可以一個維度來描述。項次i m 為輸入，而項次l m 則考量了遠離原點之節點。在節點是在原點處(l m 為0)的實例中，如第18圖所述，x(亦即，超立方體的 側邊長度)為3σ，半徑為4.24，且i m 為4。在此，誤差為abs(4-3)，即1。節點誤差為(1-(1/4.24-3))，即等於0.19，其表示該樣本並未靠近立方體，因此該樣本屬於此節點之可信度較低。然而，前述數值僅代表一個實例，且i m 不限於任何特定數值。若l m 大於4.24，則節點誤差為0，其表示該樣本係位於超立方體與超球體外部。
第3圖說明了一種RBF網路與超立方體分析方法300之一具體實施例。方法300可由處理邏輯來執行，該處理邏輯可包括硬體(例如電路、專用邏輯、可編程邏輯、微編碼等)、軟體(例如在一處理裝置上運行之指令)、或硬體與軟體的組合。在一具體實施例中，方法300是由第1圖之系統102所執行。
在方塊302，系統102的處理邏輯係自客戶端機器110接收一偏離的使用者選擇。舉例而言，對於存在於第一超球體外部的任何樣本而言，使用者可對此偏離標示一敘述標示，例如偏離A(Excursion A)。系統102將一偏離108儲存於長效儲存單元112中。
在方塊304，系統102的處理邏輯產生一偏離節點。如第9圖所示，除第一節點900以外也已產生一偏離A節點901。該偏離節點係以類似於如第2圖的方塊202所述之第一節點的方式而產生。
在方塊306，系統102的處理邏輯係決定該偏離節點901之一偏離超立方體903，如第9圖所示。偏離超立方體係可以類似於如第2圖的方塊204所述之第一超立方體的方 式而產生。
在方塊308，系統102的處理邏輯決定一樣本在該偏離節點901的原點周圍映射時是否存在於該偏離超立方體903內，如第9圖所示。若一樣本是存在於該偏離超立方體903內，則該樣本即被視為屬於偏離A節點。系統102決定一樣本是否存在於該偏離超立方體內，即類似於關於第2圖的方塊206所說明之決定。
在方塊310，若一樣本是在該偏離超立方體903外部，則系統102決定該樣本是否存在於該偏離超立方體903周圍的一偏離超球體905內，其中該偏離超球體905具有之一半徑係等於該偏離超立方體903的對角線。若樣本907存在於該偏離超球體905內，則樣本907即被視為屬於偏離A節點，但具有較低的可信度預估值。若樣本909是在偏離超球體905外部，則該樣本909即被分類為未知。該系統102決定一樣本是否存在於該偏離超球體內，即類似於第2圖中方塊208所說明之決定。
在一具體實施例中，如第10圖所示，對於在所有超球體外部的任何樣本1003而言，系統102係預測樣本1003應該與哪一節點相關聯(如果有的話)。在此RBF函數測量了樣本1003與每一節點1000、1001的形心1005、1007之間的距離。樣本1003接著會被視為屬於偏離A節點1001的最接近形心1007，如第10圖所示。在此，系統102可允許使用者將該樣本加入最佳匹配類別、將該樣本加入一新類別、或不採取動作。
舉例而言，利用正規化高斯活化方程式a2來活化每一節點。接著，利用下式來調整每一節點輸出。
此方案確保僅活化一個節點，因此輸出並非為「未知」。用於決定樣本類別的邏輯是類似的。換言之，假設一初始網路發現一樣本為「未知」(表示其並不屬於任何現有節點)，則一使用者會想要決定該樣本是否類似於一現有節點(例如，接近一現有節點、但實際上未在該節點中)。在此，係使用正規化之高斯活化來活化該網路，且至少一個節點活化使得該網路不會針對一樣本回傳「未知」。該網路將回傳最接近該樣本之節點之一節點標示。
在一具體實施例中，若一樣本存在於多個超球體或超立方體中，該系統102係使用RBF函數來決定該樣本是屬於超球體或超立方體。舉例而言，第11圖說明一第一節點1100、偏離A節點1101、以及偏離B節點1103。在此，樣本1105係存在偏離A節點1101與偏離B節點1103兩者的超球體1107、1109內。樣本1105與樣本所存在之每一節點1101、1103的形心1111、1113之間的距離係被測量。該系統102接著會將樣本1105視為屬於與最接近的形心之節點。
在一具體實施例中，若超立方體被用於偵測，且樣本存在於兩個或更多個超立方體中(例如，有多個節點具有1之輸出值)，則出現的所有節點之感受場係設定為1。利用方 程式a1來活化樣本所存在之超立方體的節點並記錄輸出。最大輸出係被記錄，且該樣本係被視為屬於具有最大輸出之節點。若使用RBF函數，且該樣本被發現是在兩個或更多節點中，則記錄最大輸出，且該樣本被視為屬於具有最大輸出之節點。該樣本可不屬於節點、或僅屬於一個節點。給予該樣本其所存在之節點的標示。
換言之，若發現樣本是在兩個或更多個超立方體中，則該超立方體偵測係僅回傳1或0，因此無法單獨以此一資訊來決定該樣本所屬之立方體；因此，切換至RBF函數，該樣本離每一個立方體中心的距離即可被決定。以最靠近的立方體的標示來標示一未知樣本。若發現樣本是在兩個或更多個超球體中，則具有最大RBF函數輸出之節點標示會被記錄，這是由於RBF函數在樣本位在立方體中心時會回傳1，且會隨著樣本離中心更遠而衰減。
在決定偵測之可信度預估時，若超立方體被用於偵測，則確定性為100%。若使用的是RBF函數，且發現該樣本並不屬於任何節點，則確定性也同樣為100%。否則確定性為方程式a4*100%，其中x為該節點之原始感受場值。
在一具體實施例中，系統102決定存在於一超球體內、但在一超立方體外的樣本之一可信度預估值。在此，一樣本係僅在一個維度中具有誤差。系統102決定在任何維度中的一最大誤差及在一單一誤差維度上之一樣本誤差，如第13圖所示。至超立方體的一平面之距離係由該樣本誤差對該最大誤差的一誤差比例。此誤差比例係用以決定該可信度預 估值。
第14A圖、第14B圖、第14C圖、第14D圖與第14E圖說明了根據上述方法加以分析之例示感測器數據。舉例而言，感測器數據係特徵化一偏壓RF系統，包括匹配序列位置(如第14A圖所示)、匹配分流位置(如第14B圖所示)、DC偏壓(如第14C圖所示)、前向功率(如第14D圖所示)、以及反射功率(如第14E圖所示)。在這些實例中，在中心帶內的樣本係表示「正常」行為。在此，係產生一五維之RBF網路，該網路取得五組感測器數據作為輸入，並可僅初步區分為「正常」和「不正常」運作。
第15A圖說明「正常」運作的一樣本，而第15B圖說明「不正常」運作的一樣本。對於第15B圖所示之「不正常」運作情況而言，匹配序列位置為上(UP)、匹配分流位置為下(DOWN)、DC偏壓為下降(DOWN)、前向功率為上升(UP)、且反射功率為上升(UP)。在此，該系統讓使用者可將此偏離指定為一「已知」偏離類型(例如故障類型)，帶有一修正動作(如果可知的話)、或不進行動作。
就這個實例而言，使用者係決定這是一種被稱為「RF偏壓問題」之故障，帶有「將SW更新至版本xx.xx.xx」之修正動作。在一具體實施例中，此一資訊會作為偏離108而被加到長效儲存單元112中，使得當該系統102分析具有類似參數之一樣本時，系統102可對使用者提供故障類型與建議的修正動作。
第16圖說明了一RBF網路的實例，其中僅繪示出 三個維度。在此，DC偏壓與正常節點重疊。在這個情況中，若所分析之樣本皆在「正常」與「DC偏壓偏離」兩節點中，則系統將決定樣本為「正常」。所示之一樣本是在「偏壓耦合」節點的邊上，且確定性係確認約為78%。
在一具體實施例中，若加入新的偏離節點，則節點大小係由離第一節點的原點的距離所決定。第一節點是位於原點處。偏離節點離原點越遠，則節點的大小就越大。最初樣本與原點之間的距離是利用下式計算：
其中s為樣本座標，0為原點，n為維度
若該距離小於3，則新節點的大小為1。若該距離大於9，則新的節點的大小為3。否則，新節點的大小=距離/3。換言之，節點離原點越遠，則節點將會越大。節點大小係從靠近原點時節點大小為1線性增加，直到節點大小為3為止，且比這個更遠的節點將具有的節點大小為3。在此，在靠近原點處，偏離可能會具有一局部性分佈，且因此使用小節點，使得節點不與「正常」節點重疊。離原點越遠，分佈即增加，因此使用一較大節點。然而，可設置之最大節點大小為3，因此節點不會變成大到不合理。
第17圖為一方塊圖，其說明了一例示計算裝置(或系統)1700。計算裝置1700包括一組指令以使該計算裝置1700執行本文所述之方法中的任一或多者。本機器可在客戶 端-伺服器網路環境中的一伺服器機器的容量中運作。本機器係一個人電腦(PC)、一機上盒(STB)、一伺服器、一網路路由器、切換器或橋接器、或是可執行一組指令(依序或不依序)(該組指令係指明該機器所將採取之動作)的任何機器。此外，雖僅說明一單一計算裝置，但用語「計算裝置」應也可視為包括各別或結合執行一組(或多組)指令以執行本文所述方法中任一或多者的任何機器組合。
例示的電腦裝置1700包括一處理系統(處理裝置)1702、一主要記憶體1704(例如唯讀記憶體(ROM)、快閃記憶體、動態隨機存取記憶體(DRAM)，例如同步DRAM(SDRAM)等)、一靜態記憶體1706(例如快閃記憶體、靜態隨機存取記憶體(SRAM)等)、以及一數據儲存裝置1716，前述係經由一匯流排1708而彼此通訊。
處理裝置1702表示一或多個通用處理裝置，例如微處理器、中央處理單元等。更特定地，該處理裝置1702係一複雜指令集計算(CISC)微處理器、減少指令集計算(RISC)微處理器、極長指令字元(VLIW)微處理器、或是實施其他指令集之處理器或實施指令集組合之處理器。處理裝置1702也可為一或多個專用處理裝置，例如一專用積體電路(ASIC)、一場可編程閘極陣列(FPGA)、一數位訊號處理器(DSP)、網路處理器等。處理裝置1702係配置以執行第1圖的系統102，以執行本文所述之運作與步驟。
計算裝置1700係進一步包括一網路介面裝置1722。計算裝置1700也包括一視頻顯示單元1710(例如液晶 顯示器(LCD)或陰極射線管(CRT))、一字母數字輸入裝置1712(例如鍵盤)、一游標空置裝置1714(例如滑鼠)、以及一訊號產生裝置1720(例如揚聲器)。
數據儲存裝置1716係包括一電腦可讀取之儲存媒介1724，在其上方儲存有可具現本文所述方法或功能中任一或多者之一或多組指令集1726。在由計算裝置1700執行期間，指令1726也完全或至少部分存在於主要記憶體1704內及/或處理裝置1702內，主要記憶體1704和處理裝置1702亦構成電腦可讀取之媒介。指令1726係進一步經由網路介面裝置1722而於一網路1728上被傳輸或接收。
雖然在一例示具體實施例中，該電腦可讀取之儲存媒介1724係繪示為一單一媒介，但用語「電腦可讀取之儲存媒介」應被理解為包括可儲存一或多組指令集的一單一媒介或多個媒介(例如一集中式或分佈式資料庫、及/或相關的緩存與伺服器)。用語「電腦可讀取之儲存媒介」也應包括可儲存、編碼或傳載由該機器所執行、且可使該機器執行本發明方法中任一或多者之指令集的任何媒介。因此，用語「電腦可讀取之儲存媒介」係可包括、但不限於固態記憶體、光學媒介和磁性媒介。
下述部分的詳細說明內容係針對在一電腦記憶體內的數據位元之演算與運作的符號表示而提出。這些演算說明與表示皆為數據處理領域中熟習技藝者用來以最有效率地將其工作本質傳達給該領域中其他人士的方式。在此，演算一般是被理解為會導致一結果的自相容步驟序列。這些步驟是 需要物理量的物理操作之步驟。通常、但非必須，這些量值是利用電氣或磁性訊號的形式，其可被儲存、傳送、組合、比較、以及其他操縱。已經證明了有時(主要是為了一般使用的理由)將這些訊號稱為位元、數值、元素、符號、字元、用語、數字等會是便利的。
然而，應牢記的是，所有的這些與類似用語都是與適當物理量相關，並且僅為應用於這些物理量時之方便標示。除非從下述討論中可顯知有另外的具體陳述，否則應知在說明中，利用例如「決定」、「辨識」、「比較」、「發送」等之用語是指一電腦系統或類似的電子計算裝置之動作與處理，該電腦系統或類似的電子計算裝置係對在該電腦系統的暫存器與記憶體內之表示為物理(例如電子)量的數據操縱及轉換為在電腦系統記憶體或暫存器或其他這類資訊儲存、傳輸或顯示裝置內之同樣表示為物理量的其他數據。
本發明之具體實施例也與一種用於執行本文所述運作的系統有關。此系統係針對所需目的而經特別建構，或是此系統可包含由儲存在電腦內的電腦程式來選擇性啟動或重為配置之一通用電腦。此一電腦程式可儲存在一電腦(或機器)可讀取之儲存媒介中，例如、但不限於：任何類型的碟片(包括軟碟、光碟、CD-ROMs、以及磁光碟片)、唯讀記憶體(ROMs)、隨機存取記憶體(RAMs)、EPROMs、EEPROMs、磁性卡或光學卡、快閃記憶體、或任何適合儲存電子指令的媒介類型。
本文所提出的演算和顯示並不與任何特定電腦或其 他設備本質上相關。可使用帶有根據本文教示之程式的各種通用系統，或是建構一更為專用之設備來執行這些方法步驟是被證明為便利的。從本文說明將可得知各式各樣的這些系統之結構。此外，本發明之具體實施例並不是針對任何特定的編程語言而說明；可知各種編程語言都可用於實施本發明之上述教示內容。
應理解上述說明係為描述而非限制。熟習該領域技術之人士在閱讀與理解上述說明後係可明顯得知許多其他具體實施例。因此，本發明的範疇、以及與請求項所主張者相當的等效例的完整範疇應參照如附申請專利範圍來加以決定。
200‧‧‧方法
202-210‧‧‧步驟

Claims (20)

  1. 一種方法，包括：由一處理器產生一第一節點；由該處理器決定該第一節點之一第一超立方體；由該處理器決定一樣本是否存在於該第一超立方體內；及若該樣本並不存在於該第一超立方體內，則由該處理器決定該樣本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的一對角線相等之一半徑。
  2. 如請求項1所述之方法，進一步包括：根據該樣本是否存在於該第一超立方體或該第一超球體內，決定一可能樣本類別。
  3. 如請求項2所述之方法，進一步包括：接收一偏離的一使用者選擇；產生該偏離之一偏離節點；決定該偏離節點之一偏離超立方體；決定該樣本是否存在於一偏離節點原點周圍的該偏離超立方體內；若該樣本並不存在於該偏離超立方體內，則決定該樣本是否存在於一偏離超球體內，其中該偏離超球體具有與該偏離超立方體的一對角線相等之一半徑；及由該處理器根據該樣本是否存在於該偏離超立方體或該 偏離超球體內而決定一可能樣本類別。
  4. 如請求項3所述之方法，進一步包括記錄該偏離之一偏離標示。
  5. 如請求項3所述之方法，進一步包括：若該樣本是皆在該第一超球體與該偏離超球體內，則決定該樣本是否屬於該第一節點或該偏離節點。
  6. 如請求項2所述之方法，進一步包括決定該樣本類別的一可信度預估值。
  7. 如請求項1所述之方法，其中產生一第一節點包括：接收輸入向量；接收活化函數；及決定該至少一節點的一活化值。
  8. 一種系統，包括：一記憶體；及一處理裝置，耦接至該記憶體以：產生一第一節點；決定該第一節點之一第一超球體；決定一樣本是否存在於該第一超立方體內；及若該樣本並不存在於該第一超立方體內，則決定該樣 本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的一對角線相等之一半徑。
  9. 如請求項8所述之系統，其中該處理裝置係進一步以根據該樣本是否存在於該第一超立方體或該第一超球體內而決定一可能樣本類別。
  10. 如請求項9所述之系統，其中該處理裝置係進一步以：接收一偏離的一使用者選擇；產生該偏離之一偏離節點；決定該偏離節點之一偏離超立方體；決定該樣本是否存在於一偏離節點原點周圍的該偏離超立方體內；若該樣本不存在於該偏離超立方體內，則決定該樣本是否存在於一偏離超球體內，其中該偏離超球體具有與該偏離超立方體的一對角線相等之一半徑；及根據該樣本是否存在於該偏離超立方體或該偏離超球體內而決定一可能樣本類別。
  11. 如請求項10所述之系統，其中該處理裝置係進一步以記錄該偏離之一偏離標示。
  12. 如請求項10所述之系統，其中若該樣本皆在該第一超球體與該第一偏離超球體內時，該處理裝置係進一步以決定該 樣本是否屬於該第一節點或該偏離節點。
  13. 如請求項9所述之系統，其中該處理裝置係進一步以決定該樣本類別之一可信度預估值。
  14. 如請求項8所述之方法，其中為產生一第一節點，該處理裝置係：接收輸入向量；接收活化函數；及決定該至少一節點的一活化值。
  15. 一種包括指令之非暫態電腦可讀取之儲存媒介，所述指令在由一電腦系統執行時係使該電腦系統執行一組運作，包括：產生一第一節點；決定該第一節點之一第一超球體；決定一樣本是否存在於該第一超立方體內；及若該樣本並不存在於該第一超立方體內，則決定該樣本是否存在於一第一超球體內，其中該第一超球體具有與該第一超立方體的一對角線相等之一半徑。
  16. 如請求項15所述之非暫態電腦可讀取之儲存媒介，其中所述運作進一步包括根據該樣本是否存在於該第一超立方體或該第一超球體內而決定一可能樣本類別。
  17. 如請求項16所述之非暫態電腦可讀取之儲存媒介，其中所述運作進一步包括：接收一偏離的一使用者選擇；產生該偏離之一偏離節點；決定該偏離節點之一偏離超立方體；決定該樣本是否存在於一偏離節點原點周圍的該偏離超立方體內；若該樣本不存在於該偏離超立方體內，則決定該樣本是否存在於一偏離超球體內，其中該偏離超球體具有與該偏離超立方體的一對角線相等之一半徑；及根據該樣本是否存在於該偏離超立方體或該偏離超球體內而決定一可能樣本類別。
  18. 如請求項17所述之非暫態電腦可讀取之儲存媒介，其中所述運作進一步包括記錄該偏離之一偏離標示。
  19. 如請求項17所述之非暫態電腦可讀取之儲存媒介，其中所述運作進一步包括：若該樣本皆在該第一超球體與該第一偏離超球體內時，則決定該樣本是否屬於該第一節點或該偏離節點。
  20. 如請求項15所述之非暫態電腦可讀取之儲存媒介，其中所述產生一第一節點包括： 接收輸入向量；接收活化函數；及決定該至少一節點的一活化值。
TW103101836A 2013-01-17 2014-01-17 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類 TWI579778B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201361753796P 2013-01-17 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

Publications (2)

Publication Number Publication Date
TW201443792A true TW201443792A (zh) 2014-11-16
TWI579778B TWI579778B (zh) 2017-04-21

Family

ID=51165976

Family Applications (2)

Application Number Title Priority Date Filing Date
TW105124796A TWI628603B (zh) 2013-01-17 2014-01-17 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類
TW103101836A TWI579778B (zh) 2013-01-17 2014-01-17 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類

Family Applications Before (1)

Application Number Title Priority Date Filing Date
TW105124796A TWI628603B (zh) 2013-01-17 2014-01-17 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類

Country Status (8)

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

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

Family Cites Families (34)

* 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
EP0694854B1 (en) 1994-07-28 2002-06-05 International Business Machines Corporation Improved neural semiconductor chip architectures and neural networks incorporated therein
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
JP2003503787A (ja) * 1999-06-25 2003-01-28 マッシブリー パラレル コンピューティング， インコーポレイテッド 大規模集合ネットワークによる処理システムおよびその方法
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
ITBG20050013A1 (it) 2005-03-24 2006-09-25 Celin Technology Innovation Srl Metodo per il riconoscimento tra un primo oggetto ed un secondo oggetto rappresentati da immagini.
CN101310294A (zh) * 2005-11-15 2008-11-19 伯纳黛特·加纳 神经网络的训练方法
JP5050607B2 (ja) * 2006-05-09 2012-10-17 オムロン株式会社 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
US7849088B2 (en) * 2006-07-31 2010-12-07 City University Of Hong Kong Representation and extraction of biclusters from data arrays
US7966277B2 (en) * 2006-08-14 2011-06-21 Neural Id Llc Partition-based pattern recognition system
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
US20140058705A1 (en) * 2011-04-27 2014-02-27 Decision Makers Ltd. System and Method for Detecting Abnormal Occurrences
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

Also Published As

Publication number Publication date
KR20150110628A (ko) 2015-10-02
CN105074706A (zh) 2015-11-18
TWI628603B (zh) 2018-07-01
KR101665476B1 (ko) 2016-10-12
KR102053834B1 (ko) 2019-12-09
CN108229689A (zh) 2018-06-29
CN108229689B (zh) 2022-04-05
KR20160119281A (ko) 2016-10-12
TW201642184A (zh) 2016-12-01
JP6377639B2 (ja) 2018-08-22
US9852371B2 (en) 2017-12-26
JP2016507832A (ja) 2016-03-10
JP2018198072A (ja) 2018-12-13
SG11201505603VA (en) 2015-08-28
US20140201117A1 (en) 2014-07-17
US9262726B2 (en) 2016-02-16
CN105074706B (zh) 2018-01-30
TWI579778B (zh) 2017-04-21
SG10201709489QA (en) 2017-12-28
US20160162778A1 (en) 2016-06-09
WO2014113403A1 (en) 2014-07-24
JP6625699B2 (ja) 2019-12-25
DE112014000466T5 (de) 2015-09-24

Similar Documents

Publication Publication Date Title
US10817394B2 (en) Anomaly diagnosis method and anomaly diagnosis apparatus
TWI553496B (zh) 增加訊噪比以創造一般化且強健的預測模型
TWI723476B (zh) 異常檢測的解釋特徵確定方法、裝置和設備
Yu et al. A statistical framework of data-driven bottleneck identification in manufacturing systems
TWI628553B (zh) 基於ｋ近鄰演算法的方法與系統以對工具處理資料提供多變數分析
WO2019200738A1 (zh) 数据特征提取的方法、装置、计算机设备和存储介质
CN112529203A (zh) 纠缠量子态分辨方法、装置、设备、存储介质及产品
US11102301B2 (en) PCA-based scoring of the similarity of damage patterns of operational assets
TWI579778B (zh) 半導體處理裝置中使用徑向基底函數網路及超立方體作偏離分類
CN110889493A (zh) 针对关系网络添加扰动的方法及装置
US10320636B2 (en) State information completion using context graphs
Majeed et al. CTGAN-MOS: Conditional generative adversarial network based minority-class-augmented oversampling scheme for imbalanced problems
CN109933579B (zh) 一种局部k近邻缺失值插补系统与方法
JP7325557B2 (ja) 異常診断方法および異常診断装置
Zhou et al. Proactive drive failure prediction for cloud storage system through semi-supervised learning
Grendar et al. Revised empirical likelihood
WO2022203650A1 (en) Method and system for detection of abnormal transactional behavior
Ahakonye et al. AI Model Stability in Industrial IoT Intrusion Detection: Leveraging the Characteristics Stability Index
WO2022265800A1 (en) Computer security using activity and content segregation
Cortellessa et al. Towards Assessing Spread in Sets of Software Architecture Designs
CN117556305A (zh) 一种网络节点的识别方法、系统及电子设备
CN117763467A (zh) 一种异常数据检测模型的更新方法、装置及电子设备