TW526526B - Adaptive plasma characterization system - Google Patents
Adaptive plasma characterization system Download PDFInfo
- Publication number
- TW526526B TW526526B TW090133108A TW90133108A TW526526B TW 526526 B TW526526 B TW 526526B TW 090133108 A TW090133108 A TW 090133108A TW 90133108 A TW90133108 A TW 90133108A TW 526526 B TW526526 B TW 526526B
- Authority
- TW
- Taiwan
- Prior art keywords
- output
- cluster
- input
- data
- patent application
- Prior art date
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 9
- 238000012512 characterization method Methods 0.000 title abstract description 4
- 238000000034 method Methods 0.000 claims abstract description 131
- 230000006870 function Effects 0.000 claims abstract description 72
- 230000008569 process Effects 0.000 claims abstract description 69
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 239000004065 semiconductor Substances 0.000 claims abstract description 15
- 238000005530 etching Methods 0.000 claims abstract description 13
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 230000002079 cooperative effect Effects 0.000 claims description 12
- 229910052770 Uranium Inorganic materials 0.000 claims description 9
- 238000001020 plasma etching Methods 0.000 claims description 9
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims 2
- 238000004537 pulping Methods 0.000 claims 1
- 238000000926 separation method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 10
- 239000000523 sample Substances 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 239000013078 crystal Substances 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910021420 polycrystalline silicon Inorganic materials 0.000 description 2
- 229920005591 polysilicon Polymers 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000010291 electrical method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 235000012054 meals Nutrition 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 238000013064 process characterization Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L21/00—Processes or apparatus adapted for the manufacture or treatment of semiconductor or solid state devices or of parts thereof
- H01L21/02—Manufacture or treatment of semiconductor devices or of parts thereof
- H01L21/04—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer
- H01L21/18—Manufacture or treatment of semiconductor devices or of parts thereof the devices having potential barriers, e.g. a PN junction, depletion layer or carrier concentration layer the devices having semiconductor bodies comprising elements of Group IV of the Periodic Table or AIIIBV compounds with or without impurities, e.g. doping materials
- H01L21/30—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26
- H01L21/302—Treatment of semiconductor bodies using processes or apparatus not provided for in groups H01L21/20 - H01L21/26 to change their surface-physical characteristics or shape, e.g. etching, polishing, cutting
- H01L21/306—Chemical or electrical treatment, e.g. electrolytic etching
- H01L21/3065—Plasma etching; Reactive-ion etching
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/0285—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and fuzzy logic
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Plasma & Fusion (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Power Engineering (AREA)
- Drying Of Semiconductors (AREA)
- Plasma Technology (AREA)
Description
526526 A7 B7 五、發明説明（ 經濟部智慧財產局員工消費合作社印製 發明領域 本發明是關於一種半導體電漿鈾刻。本發明更特別是 關於一種方法與系統，其特徵爲利用模糊邏輯與神經網路 的半導體電漿製程。 發明背景與槪述 在半導體產業中，電漿鈾刻已成爲半導體電路製造不 可或缺的一部分。例如，當需要相當直的垂直邊緣時經常 會在半導體製程中使用電漿鈾刻師。例如，在蝕刻電晶體 的聚矽閘極時，底割聚矽會對電晶體的操作造成不利的影 響。當利用液體蝕刻方法來執行蝕刻時常常會遇到底割 (undercutting)。電漿餓刻是利用藉由電場加速的離子來僅 蝕刻水平暴露的表面，所以可避免底割。 所有電漿製程的重要態樣是在蝕刻層已被移除之後但 在下方的下一層被破壞之前停止電漿製程。這通常被稱爲" 結束點"偵測---用以偵測特定層之蝕刻的完成。在結束點偵 測中決定鈾刻率通常是非常重要的。電漿製程的另一個重 要態樣是室維護。室維護牽涉到追蹤在電漿製程中使用之 各種設備的條件以決定何時該需要淸洗、修理或作其他改 變 〇 習知對結束點偵測與鈾刻率決定的方法牽涉到對一些 裝置的使用，諸如剩餘氣體分析器、相等晶體觀測器 (crystal peering scope(視覺檢查））、及掃描分光光度計。在 掃描分光光度計的例子中，製程工程師能夠以視覺檢查電 請 先 閱 讀 背 之 注 意 事 項 再 填 寫 本 頁 本紙張尺度適用中國國家標準（CNS ) A4規格（210X 297公釐） 526526 A7 B7 五、發明説明（2 ) 漿顏色的改變，其可提供蝕刻率的指示。當取得的鈾刻率 變成零時，便可推斷出結束點。剩餘氣體分析器的操作與 監控電漿製程之離開氣體內容的操作相同。所有上述的方 法可使製程工程師監控電發.製程的"輸出"以控制該製程。 近年來，對傳送至電漿室之射頻（RF)電力（即輸入）的 監控已在結束點偵測及蝕刻率決定中變成一種有價値的技 術。例如，藉由監控一些變數能夠做出一些有關製程的決 定，該變數是與所用以控制電漿室的電力相關。 雖然一些如阻抗分析器之利用探針的資料收集技術已 發展出來，但仍存在有改良其特徵的空間。例如，傳統製 程工程師使電漿製程的特徵以上述變數爲基礎，其結果是 勞力密集且不準確。關於結束點決定方面，工程師傳統利 用此事實：光線傳輸的特定頻率能夠被利用來判斷是否已 達到蝕刻結束點。然而，這些頻率的選擇是在反覆試驗的 基礎上執行的。其結果是潛伏有不準確性之相當昂貴的製 程特徵方法。當完成製程的特徵時，便根據隨後的輸入値 而預測出輸出參數値。所以，假如RF輸入根據所收集的訓 練資料建議出特定輸出値的話，則該輸出參數値在習知方 法下是稍微可預測的。 雖然上述習知的製程特徵技術在某些例子中是有點用 處的（不管其勞力密集的問題），重要的是需注意到其他的困 難仍然存在。一個特別的困難是關於以下事實··關於電漿 製程的輸出，對電漿製程的輸入參數不是"預先安排好的"。 所以，雖然製程工程師能夠從電漿製程點滴蒐集一些細節 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） 請 先 閱 讀 背 面 之 注 意 事 項 頁 經濟部智慧財產局員工消費合作社印製 526526 A7 B7 五、發明説明（3 ) 以真實地控制該製程，但 細微差別。所以理想的是 製程的特徵，其所提供的〃 計且不容易有上述的缺點< 根據本發明，藉由一 習知的方法無法說明對該製程的 提供一種方法來描述半導體電獎 會員函數"可進行輸出參數値的估 法來提供上述 步驟，其中該 製程的執行， 此方法進一步 糊邏輯爲基礎 行電漿製程之 製程關於輸出 中所存有的不 方法更爲可靠 及其他的目 訓練資料是 該變數與用 包括以下步 的輸入與輸 輸出參數値 參數的特徵 準確性。其 種描述半導 的。此方法 以一些變數 來控制電漿 驟：根據該 出會員函數 的估計，此 。利用模糊 結果是電漿 體電漿製 包括收集 爲基礎且 蝕刻室的 訓練資料 。此會員 類會員函 邏輯來說 製程的特 程特徵的方 訓練資料的 產生於電漿 電力相關。 來產生以模 函數能夠進 數描述電漿 明訓練資料 徵比起習知 進一步根據本發明，提供一種用以估計半導體電漿製 請 先 聞 讀 背 面 之 注 意 事 項 再 填 寫 本 頁 經濟部智慧財產局員工消費合作社印製 程之輸出參數値的方法。此方 ’其中該輸入資料是以一些變 的執行’該變數與用來控制電 法進一步根據模糊邏輯爲基礎 供輸出參數値的估計。此方法 與輸出資料來修改會員函數。 之執行所產生的真實參數値。 法包括收集輸入 數爲基礎且對應 漿蝕刻室的電力 的輸入與輸出會 也根據神經網路 此輸出資料定義 在本發明的另一個態樣中，適應性電漿特 神經網路。此阻 阻·抗分析器、模糊推論系統及 資料的步驟 於電漿製程 相關。此方 員函數來提 學習演算式 出電漿製程 徵系統具有 抗分析器連 本紙張尺度適用中國國家標準（CNS ) A4規格（ 210X297公釐） 526526 A7 B7 五、發明説明（4 ) 接於電漿蝕刻室，其中分析器收集來自電漿製程之執行的 資料。此資料是以一些變數爲基礎，該變數與用來控制電 漿蝕刻室的電力相關。演算式根據該資料來產生模糊邏輯 爲基礎的輸入與輸出會員函數及模糊推論系統的相關模糊 規則組，其中模糊推論系統能進行電漿製程之輸出參數的 估計。神經網路根據神經網路學習演算式與輸出資料來修 改會員函數。此輸出資料定義出電漿製程之執行所產生的 真實參數値。 將了解到的是前述的槪論說明與以下的詳細說明僅作 爲本發明的示範，並用來提供一個槪觀或架構以了解本發 明的本質與特性。含括的附圖用來對本發明作進一步了解 ，並結合於本發明且構成說明書的一部份。圖表說明本發 明的各種特點與實施例，並配合說明來解釋本發明的原則 與操作。 本發明的其他可應用區域將隨著以下的詳細說明得到 更淸晰的了解。應該了解到的是指示本發明之較佳實施例 經濟部智慧財產局員工消費合作社印製 的詳細說明與指定範例僅用於說明的用途，而不限制本發 明的範圍。 . 簡單圖示說明 本發明將藉由詳細說明及附圖得到更完整的了解，其 中： 圖1顯示一種方法的流程圖，該方法描述本發明之半導 體電漿製程的特徵； 本紙張尺度適用家標準（CNS)八4規210x297公董—) -- 526526 Α7 Β7 經濟部智慧財產局員工消費合作社印製 五、發明説明（5 ) 圖2顯示一較佳方法的流程圖，其用以產生模糊邏輯爲 基礎的輸入與輸出會員函數； 圖3顯示用以產生叢集位置之較佳方法的流程圖； 圖4爲一流程圖，其說明用以估計本發明半導體電漿製 程之輸出參數値的方法； 圖5爲根據本發明一實施例之輸入與輸出資料點的圖表 圖6爲根據本發明一實施例之預定山函數應用所得到的 圖表； 圖7爲根據本發明一實施例之修正後山函數應用所得到 的圖表； 圖8爲根據本發明一實施例之具有叢集位置的輸入與輸 出資料點圖表； 圖9爲根據本發明一實施例之對於非線性系統的資料點 與叢集位置圖表； 圖10爲根據本發明一實施例之說明初始估計輸出參數 値的圖表； 圖11爲一圖表，其顯示圖10圖表之真實輸出參數値與 估計輸出參數値間的誤差； 圖1 2顯示對於修改會員函數之估計輸出參數値的圖表 圖13爲一圖表，其顯示圖12圖表之真實輸出參數値與 估計輸出參數値間的誤差； 圖14爲根據本發明一實施例之適應性電漿特徵系統的 本紙張尺度適用中國國家標準（CNS ) Α4規格（210X297公釐） 請 先 閲 讀 背 5 S 事 項 再 填 寫 本 頁 526526 A7 B7 五、發明説明（6 ) 方塊圖。 經濟部智慧財產局員工消費合作社印製 主要元件對照 20 方法 24 輸入與輸出訓練資料 28 輸入與輸出會員函數 30 供電系統 34 叢集位置 36 模糊推論規則 42 物件空間 48 圖表 50 圖表 54 初始山叢集 56 修改的山函數 5 8 圖表 60 圖表 62 輸出資料 64 估計値 66 方法 70 電漿室 70， 電漿室. 72 輸入資料 78 神經網路學習演算式 80 圖表 本紙張尺度適用中國國家標準（CNS ) A4規格（210X 297公釐） -9 - 526526 A7 B7 經濟部智慧財產局員工消費合作社印製 五、發明説明（7 ) 82 圖表 84 圖表 86 圖表 88 圖表 90 適應性電漿特徵系統 91，92輸入與輸出會員函數 94 模糊推論系統 96 神經網路 98 叢集模組 100 阻抗分析器 20 方法 24 輸入與輸出訓練資料 28 輸入與輸出會員函數 30 供電系統 34 叢集位置 36 模糊推論規則 42 物件空間 48 圖表 50 圖表 54 初始山叢集 56 修改的山函數 58 圖表 60 圖表 62 輸出資料 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） -10- 526526 A7 B7 五、發明説明（8 64 估計 値 66 方 法 70 電 漿 室 7 0， 電 漿 室 72 輸 入 資 料 78 神 經 網 路 學 習 80 圖 表 82 圖 表 84 圖 表 86 圖 表 88 圖 表 90 適 辉 性 電 漿 特 91,92 輸 入 與 輸 出 會 94 模 糊 推 m 系 統 96 神 經 網 路 98 叢 集 模 組 100 阻 抗分析 器 請 先 閲 讀 背 Si 之 注 意 事 項 再
頁 經濟部智慧財產局員工消費合作社印製 較佳實施例的詳細說明 以下較佳實施例的說明僅是用以示範其性質，而不對 本發朋的應用與使用者設限。 回到圖1，顯示出用以描述半導體電漿製程及電漿室之 特徵的方法20。雖然本發明主要是描述有關於電漿鈾刻製 程’特別注意到的是本發明並不受此限制。再者，雖然其 本紙張尺度適用中國國家標準（CNS ) A4規格（210X 297公釐） -11 526526 經濟部智慧財產局員工消費合作社印製 A7 B7 五、發明説明（9 ) 中所述的範例通常與結束點偵測相關，其他的製程參數諸 如蝕刻率、室維護、及室設備的診斷等也能受益於本發明 。指定的範例僅用於所討論的用途。 一般而言，方法20牽涉到在步驟22收集輸入與輸出訓 練資料24，其中輸入訓練資料是以控制電漿室70所用之電 力相關的變數爲基礎。可以看見電漿室70具有相關的供電 系統30。藉由監控具有阻抗分析器100的供電系統30，可以 監控一些變數，諸如電壓均方根（RMS)、電流RMS、電壓與 電流間的相角及複數個RMS基波的基諧波等變數。其他的 變數包括複雜與極化阻抗及提供給電漿室70的電力。ENI Technology，Inc.在產品名稱V/I Probe下可使用如RF砠抗 分析器。 應該注意到的是，訓練資料24包括有關於蝕刻製程的 輸入訓練資料（即X値）與輸出訓練資料（β卩Y値）。如已經討 論過的，輸入資料是與提供給室70的電力相關，且能夠由 阻抗分析器100所收集。所以，阻抗分析器100所監控的任 何參數可作爲輸入訓練資料的來源。同時必須注意到的是 ，複數個輸入能夠依賴於該應用。此輸入訓練資料與特殊 的輸出參數相關，且能夠藉由任何一種資料收集裝置所收 集，諸如掃描分光光度計或剩餘氣體分析器。訓練資料24 是產生於在以下將描述之電獎製程在任一比率的執行。 在步驟26產生模糊推論系統，其包括以訓練資料24爲 基礎的輸入與輸出會員函數與模糊規則28。會員函數與模 糊規則28能夠進行電漿製程之各種輸出參數値的隨後估計 請 先 閲- 讀· 背 it 之 注 意 事 項
訂 本紙張尺度適用中國國家標準（CNS ) Α4規格（210Χ297公釐） 526526 Α7 Β7 經濟部智慧財產局員工消費合作社印製 五、發明説明（10 ) ，因此會員函數28便描述關於輸出參數之電漿製程的特徵 。所以，假如輸出參數爲結束點估計，會員函數28將從供 電系統30與阻抗分析器100所取得的輸入資料映射至該蝕刻 的結束點。需注意到的是，圖1中的方法20代表初始建立適 應性電漿特徵系統（APCS)所執行的步驟。如以下將描述， 此電漿特徵系統也能夠學習在實行於此領域中。應該注意 到的是，當建立起APCS時，也能夠使用於除了其訓練之設 備外的其他設備。所以，最後的APCS可適應於其他的室、 供電系統、及阻抗分析器，因此其名稱爲適應性電漿特徵 系統。 現在回到圖2，更細節地描述在步驟26產生會員函數28 的一種方法。特別的是，可以看到在步驟3 2，叢集位置3 4 是根據訓練資料24而產生的。模糊推論規則3 6是在步驟3 8 根據叢集位置34而產生的。如以下將更詳細地討論，模糊 推論規則36貫質上定義出輸入與輸出會員函數28。 圖3說明在步驟3 2產生叢集位置3 4的較佳方法。可以了 解到的是可以利用直覺邏輯或演算式爲基礎的模型來發展 出挨糊推論系統。此較佳實施例是關於山叢集演算式。其 他的相同方法包括K方法演算式與C方法演算式。然而， 本發明不受限於這些方法。可以看到在步驟4〇，訓練資料 24與物件空間48分離。圖5顯示將每個獨一的輸入X映射至 輸出Y的圖表42。變數X代表重要參數的輸入値；變數γ 代表其相對應的輸出値。例如，假如重要參數爲鈾刻率的 s舌’ X可代表在即時給定的時刻中提供給室之電壓與電流 (請先閱讀背面之注意事項存本買) 訂 本紙張尺度適用中國國家標準（CNS ) Α4規格（210X297公釐） -13- 526526 A7 _ B7 _五、發明説明（11 ) 間的即時相角。利用熟知的蝕刻率量測技術能夠決定其相 對應的Y値，可將Χ,Υ座標對描繪於物件空間48中。 可以看到X與Υ的樣本範圍在零至一之間。在此範例 中，將物件空間分割成十個等距離的間隔。可以了解到的 是，可將具有高資料集中性之物件空間中之區域的間隔空 間調整爲實行叢集資料的最佳狀態。所以，此間隔不需要 平均間隔且對每個輸入或輸出不需要相同。但是，圖表42 對輸入與輸出資料空間選擇0.1的間隔空間。每個輸入與輸 出間隔的交點可稱爲節點。所以，圖表42的物件空間具有 100的節點。 現在回到圖3，可看到在步驟44，叢集位置34是根據訓 練資料24與預定的山函數46而產生的。叢集位置34位於物 件空間48中。最好是將預定的山函數46應用至整個物件空 間48中的每個資料樣本，且定義爲： 請 先 閱* 讀' 背 面 之 注 意 事 項
7~(ad(Nij,S)) 經濟部智慧財產局員工消費合作社印製 其中N i j代表在位置i與j的節點；s爲資料樣本 (X(k)，Y(k)) ; α爲學習率；而d(Nij，s：^ Nij與s間的歐基 里得距離函數。 圖6中的三維圖表50代表將山函數應用至圖5之資料的 結果。應該注葸到的是，最後山叢集的峰頂位置位於X座 標0 · 8，Y座標0 · 4。此座標位置與圖5之物件空間中置於右 下部分中的資料點匹配。現在回到圖3，可以看到在步驟5 2 本紙張尺度適用中國國家標準（CNS ) A4規格（210><297公餐） -14 - 526526 A7 ____ B7 ______ 五、發明説明（12 ) ，修改叢集位置34直到滿足預定的臨界標準，以使得修改 的叢集位置具有叢集中心，其與物件空間48中之其他資料 叢集匹配。特別的是，這是藉由破壞由叢集位置所定義之 初始的山叢集54且將修改的山函數56應用至該破壞的山叢 集而完成的。此較佳的修改的山函數56定義爲： M· w (聊)二 Μ丨加)-Μ V-(離，)） 其中Nij代表在位置i與j的節點；M*k爲叢集反覆k 之最大値；爲節點Nij自叢集反覆k的山叢集値；+ 1 在節點Nij的更新山叢集値；N*代表叢集反覆k之最大値 間的節點位置；β爲學習率；而d(*N，Nij)爲N*與Nij間的 歐基里得距離函數。 圖7顯示在圖表5 8上示範將修改的山函數應用至圖6之 資料的結果。應該注意到的是，圖6之峰頂位置已被破壞而 新的山叢集峰頂是位於X座標0.4，Y座標0.8處。此座標位 置與圖5之物件空間中置於左上部分中的資料點匹配。同時 將了解到的是上述的叢集步驟會被反覆地重複直到已形成 所有的資料樣本叢集。所以會繼續這些反覆直到滿足Μ *上 的最小臨界標準。 上述的範例示範了較佳的山叢集方法。從圖5的資料樣 本，在（Χ，Υ)座標（0.8,0.4)(0·4,0·8)識別兩個叢集。圖8示範 具有已識別叢集之資料點的圖表60。 現在回到圖2，可以看到當滿足臨界標準時，叢集位置 本紙張尺度適用中國國家標準（CNS ) Α4規格（210Χ297公釐） (請先閲讀背面之注意事項再本頁) 訂 -^1 經濟部智慧財產局員工消費合作社印製 -15- 526526 A 7 B7 五、發明説明（13 ) 34便被傳送到模糊推論系統。這些叢集位置34是用來發展 模糊推論系統的輸入與輸出會員函數28。 現在回到圖4，可以了解到以叢集節點所建立之初始條 件將導致在真實輸出資料62與估計値64(即模糊推論輸出）間 的一些錯誤。此錯誤可滿足或可不滿足該應用。爲了將此 錯誤最小化，可應用神經網路訓練製程以修改叢集節點位 置。叢集位置的修改有效地”協調”模糊邏輯的輸入與輸出會 員函數28以減少輸出資料62與模糊推論系統之輸出間的錯 誤。 經濟部智慧財產局員工消費合作社印製 所以，本發明提供一種方法66以估計半導體電漿製程 的輸出參數値。一般而言，此方法包括收集輸入資料72的 步驟68，其中輸入資料72是以與用以控制電漿室70’之電力 有關的變數爲基礎。所以此輸入資料72對應於電漿製程的 執行。在步驟74，根據以模糊邏輯爲基礎的輸入與輸出會 員函數28來估計此輸出參數値。在步驟76，根據神經網路 學習演算式78與輸出資料62來修改會員函數28。如已經討 論過的，此輸出資料62定義出電漿製程之執行所產生的真 實參數値。 能夠利用一些熟知的技術來取得此輸出資料62。例如 ’通常利用剩餘氣體分析器、視覺檢查（以相等晶體觀測器） 或掃描分光光度計來測量蝕刻率與結束點偵測。 可透過以下範例更輕易地了解方法66。假設我們給定 一個具有以下函數的二維非線性系統： 本紙張尺度適用中國國家標準（CNS ) A4規格（210X29?公釐） -16- 526526 A 7 _ B7 五、發明説明（14 ) y(k)二2.5(x'45)2 = noise(k); x(k)=.5sin(pik)+.5 其中雜訊爲具有〇與變異數0.00114之中數的正常分配。 圖9的圖表8 0識別此非線性系統的輸入與輸出資料。在 圖表中，方形資料點表示由上述山叢集演算式所取得的叢 集位置。將了解到的是，在此範例中每個叢集位置印射七 個輸入欲輸出會員函數。因爲這是一個簡單的二維圖表， 所以模糊規則是相當明確的。在語言學的模糊模型中，這 些模糊規則將是： “假如Α爲Ai且Β爲Bi…，則Υ爲Υ/ 其中i代表m個模糊規則中的一個；Ai，Bi爲由關輸入 .X之個別的會員函數；而1爲有關輸出Y的第i輸出會員 函數。 這些模糊規則可了解爲： “假如輸入X(A)接近於叢集節點Ai且…則推論Y爲Yi” 假設在圖9中看到叢集位於節點x = .5及y = .l。在上述的 模糊規則中，A!爲.5，Yi爲·5。 可注意到的是雖然在此範例中每個叢集節點具有一個 模糊規則，但本發明不受限於此配置。一對一的關係僅爲 了簡北說明的目的而提供。 假如我們使用上述初始的叢集位置並將模糊推論系統 應用至每個輸入資料樣本以得到估計輸出的話，錯誤約在 + /-〇.2的範圍內。圖10的圖表82顯示對每個輸入資料點之真 本紙張尺度適用中國國家標準（CNS ) Α4規格（210Χ297公釐） (請先閲讀背面之注意事項再本頁) 訂 •t 經濟部智慧財產局員工消費合作社印製 -17- 526526 A7 B7 五、發明説明（15 ) 實的γ輸出（圓形資料點）與得自模糊推論系統的估計γ輸 出（方形資料點）。圖11在圖表84顯示真實Y輸出與得自模糊 推論系統之估計Y輸出間的錯誤。 如上述所討論，Y的估計値是經由模糊推論系統的應 用所得到。挨糊推論系統的第一步驟是找到每個規則的點 火値（firing value)。在此簡例中，有七個模糊規則-每個對 應圖9所指示的每個叢集節點位置。 對第i模糊規則的點火値FV是由以下等式所決定：
Fvi = 其中τ i爲輸入到第i輸入會員函數的會員，即Aix，而 兄·爲第i輸出會員函數的距心。 模糊推論系統的最後値V爲r的總合除以FV的總合。 對於初始估計，山叢集函數能夠提供非線性系統的初 始特徵。爲了在此特徵上修改，將後傳播學習演算式應用 至會員函數。此後傳播學習演算式是由以下遞歸等式所定 至 . 經濟部智慧財產局員工消費合作社印製 我 · yi yT{k)-o^ie\ xj (k+ 1)=： x： (k) - 〇v( {yt 1 (k) - y{k))ex{k){{x{k) -xj)/ crj W)； cr^k+ 1) = (k) - (yi (k) - y(k))ex(k)((x(k) - xj)2 / (k)); e = y\k)-y{k)\ v； /Στ. 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） -18- 526526 A7 B7 五、發明説明（16 ) 在訓練神經網路與替代新的會員函數之後，圖12之圖 表86與圖13之圖表88提供所訓練模糊推論系統的結果。 經濟部智慧財產局員工消費合作社印製 現在回到圖14，顯示出根據本發明的適應性電漿特徵 系統90(APCS)。一般而言，可看到阻抗分析器1〇〇連接於電 漿室70的供電系統30。分析器100收集電漿製程之執行所產 生的資料，該資料是以一些變數爲基礎，該變數與用來控 制電漿蝕刻室70的電力相關。模糊推論系統94根據該資料 來產生以模糊邏輯爲基礎的輸入與輸出會員函數91，92。此 會員函數可執行電漿製程之輸出參數値的自發估計。神經 網路96根據神經網路學習演算式及輸出資料來修改會員函 數，該輸出資料定義出電漿製程執行所產生的真實參數値 。可以看到的是模糊推論系統94最好是包括叢集模組98以 基於該資料產生叢集位置。模糊推論系統根據該叢集位置 來產生模糊推論規則，其中模糊推論規則定義出輸入與輸 出會員函數91，92。最好叢集模組98修改叢集位置直到滿足 預定的臨界標準，以使得修改的叢集位置具有匹配其他資 料叢集的叢集中心。 熟知此技藝者能夠從上述的說明中了解本發明之廣大 的學說可以各種形式來實行。所以，雖然本發明在文中是 以與特定範例相關來描述，然而本發明的實際範圍不應受 限於此’因爲在附圖、說明書與以下專利範圍的硏讀下， 技術熟練的實行者可更淸楚其他的修改。 本發明的說明僅是爲了示範其性質所用，所以在不脫 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐）"" 一 -19- 526526 A7 B7 五、發明説明（17 ) 離本發明的範圍下可進行各種改變。此類改變將不被視爲 脫離本發明的精神與範圍。 經濟部智慧財產局員工消費合作社印製 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） - 20-
Claims (1)
- 526526 Α8 Β8 C8 D8 申請專利範圍附件二·弟9 0 1 3 3 1 0 8號專利申請案 中文申請專利範圍無劃線替換本 (請先閱讀背面之注意事項再填寫本頁} 民國92年1月20日修正 1 · 一種描述半導體電漿製程之特徵的方法，該方法包含 以下步驟： 收集輸入與輸出訓練資料，該輸入訓練資料是以一些 變數爲基礎且產生於電紫製程的執行，該變數與用來控制 電漿鈾刻室的電力相關；及 根據該訓練資料來產生以模糊邏輯爲基礎的輸入·與輸 出會員函數； 該會員函數能夠進行電漿製程之輸出參數値的估計， 使得此會員函數描述電漿製程關於輸出參數的特徵。 2·根據申請專利範圍第1項所述之方法，進一步包括以 下步驟： 根據該訓練資料來產生叢集位置；及 根據該叢集位置來產生模糊推論規則； 該模糊推論規則定義出輸入與輸出會員函數。 經濟部智慧財產局員工消費合作社印製 3·根據申請專利範圍第2項所述之方法，進一步包括以 下步驟： 分離訓練資料的物件空間； 根據該訓練資料及預定的山函數來產生叢集位置，該 叢集位置位於物件空間之間；及 修改叢集位置直到滿足預定的臨界標準，使得修改的 叢集位置具有叢集中心，其與物件空間中的其他資料叢集 ^本紙H度適用中國國家標準（CNS ) A4規格（210X297公釐） 一 526526 A8 B8 C8 D8 六、申請專利範圍 匹配。 4.根據申請專利範圍第3項所述之方法，進一步包括以 下步驟：調整物件空間中之區域的間隔距離，其具有訓練 資料之相當高的集中性。 5·根據申請專利範圍第3項所述之方法，其中預定的山 函數可定義爲： μ ㈣)) k 其中Nij代表在位置i與j的節點；S爲資料樣本 (X(k)，Y(k)) ; α爲學習率「而cUN^S)爲Nij與S間的歐基 里得距離函數。 6. 根據申請專利範圍第3項所述之方法，進一步包括以 下步驟： 破壞由叢集位置所定義的山叢集；及 將修改的山函數應用至被破壞的山叢集。 7. 根據申請專利範圍第6項所述之方法，其中修改的山 函數可定義爲： 其中Nij代表在位置i與j的節點；M*k爲叢集反覆k 的最大値；Μ、爲叢集反覆k之節點Nij的山叢集値；M、+ 1 爲在節點Nij之更新的山叢集値；N*代表具有叢集反覆k 本紙張尺度適用中國國家椋準（CNS ) A4規格（210X297公釐） (請先閱讀背面之注意事項再填寫本頁) .裝丨------訂 經濟部智慧財產局員工消費合作社印製 -2- 526526 A8 B8 C8 D8 六、申請專利範圍 之最大値的節點位置；β爲學習率；而d(*N，Nij)爲N*與 Nij間的歐基里得距離函數。 8·根據申請專利範圍第1項所述之方法，進一步包括將 阻抗分析器連接到電漿蝕刻室的步驟，阻抗分析器產生輸 入訓練資料以回應電漿製程的執行。 9· 一種用以估計半導體電漿製程之輸出參數値的方法， 該方法包含以下步驟： 收集輸入資料，該輸入資料是以一些變數爲基礎且相 應於電漿製程的執行，該變數與用來控制電漿蝕刻室·的電 力相關； 根據以模糊邏輯爲基礎的輸入與輸出會員函數來估計 輸出參數値；及 根據神經網路學習演算式與輸出資料來修改會員函數 ，該輸出資料定義出電漿製程之執行所產生的真實參數値· 〇 10·根據申請專利範圍第9項所述之方法，進一步包括將 後傳播學習演算式應用至會員函數的步驟。 11·根據申請專利範圍第9項所述之方法，進一步包括估 計蝕刻率値的步驟，該蝕刻率値定義出電漿製程所發生的 蝕刻率。 1 2 ·根據申請專利範圍第9項所述之方法，進一步包括估 §十結束點値的步驟，該結束點値定義出電漿製程的結束點 〇 13·根據申請專利範圍第9項所述之方法，進一步包括估 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） (請先閱讀背面之注意事項再填寫本頁) .裝-------訂 經濟部智慧財產局員工消費合作社印製 -3 - 526526 A8 B8 C8 D8 ^、申請專利範圍 計維護條件値的步驟，該維護條件値定義出電漿蝕刻室的 維護條件。 14. 根據申請專利範圍第9項所述之方法，進一步包括估 計設備條件値的步驟，該設備條件値定義出使用於電漿製 程中之設備的條件。 15. 根據申請專利範圍第9項所述之方法，進一步包括將 阻抗分析器連接到電漿蝕刻室的步驟，阻抗分析器產生輸 入訓練資料以回應電漿製程的執行。 經濟部智慧財產局員工消費合作社印製 16. —種適應性電漿特徵系統，包含： 連接於電漿蝕刻室的阻抗分析器，此分析器收 電漿製程之執行的資料，該資料是以一些變數爲基 與用來控制電漿蝕刻室的電力相關； 模糊推論系統，其根據該資料來產生以模糊邏 礎的輸入與輸出會員函數，該會員函數能夠進行電 之輸出參數値的估計；及 神經網路，其根據神經網路學習演算式與輸出 修改會員函數，該輸出資料定義出電漿製程之執行 的真實參數値。 17. 根據申請專利範圍第16項所述之特徵系統， 糊推論系統包括： 根據該資料來產生叢集位置的叢集模組； 該模糊推論系統根據該叢集位置來產生模糊推 ，其中模糊推論規則定義出輸入與輸出會員函數。 1 8 ·根據申請專利範圍第17項所述之特徵系統， 集來自 礎，其 輯爲基 漿製程 資料來 所產生 其中模 論規則 其中叢 (請先閱讀背面之注意事項再填寫本頁) 裝· 、1T 絲 -4- 526526 經濟部智慧財產局員工消費合作社印製 A8 B8 C8 D8六、申請專利範圍 集模組修改叢集位置直到滿足預定的臨界標準，使得修改 的叢集位置具有匹配其他資料叢集的叢集中心。 1 9. 一種描述半導體電漿製程之特徵的方法，該方法包 含以下步驟： 收集輸入與輸出訓練資料，該輸入訓練資料是以一些 變數爲基礎且起因於電漿製程的執行，該變數與用來控制 電漿鈾刻室的電力相關； 分離訓練資料的物件空間； 根據該訓練資料及預定的山函數來產生叢集位置，該 叢集位置位於物件空間之間； 修改叢集位置直到滿足預定的臨界標準，使得修改的 叢集位置具有叢集中心，其與物件空間中的其他資料叢集 匹配； 根據該叢集位置來產生模糊推論規則； 該検糊推論規則定義出輸入與輸出會員函數； 該會員函數能夠進行電漿製程之輸出參數値的估計， 使得此會員函數描述電漿製程關於輸出參數的特徵；及 根據神經網路學習演算式與輸出資料來修改會員函數 ’該輸出資料定義出電漿製程之執行所產生的真實參數値 〇 20·根據申請專利範圍第19項所述之方法，進一步包括 將後傳播學習演算式應用至會員函數的步驟。 (請先閲讀背面之注意事項再填寫本頁) 裝---- 、11 絲 本紙張尺度適用中國國家標準（CNS ) A4規格（210X297公釐） -5-
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US09/778,453 US6627464B2 (en) | 2001-02-07 | 2001-02-07 | Adaptive plasma characterization system |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW526526B true TW526526B (en) | 2003-04-01 |
Family
ID=25113400
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW090133108A TW526526B (en) | 2001-02-07 | 2001-12-31 | Adaptive plasma characterization system |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US6627464B2 (zh) |
| EP (1) | EP1231524B1 (zh) |
| JP (1) | JP4383713B2 (zh) |
| KR (1) | KR20020065844A (zh) |
| CN (1) | CN1271687C (zh) |
| DE (1) | DE60219376T2 (zh) |
| TW (1) | TW526526B (zh) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6915177B2 (en) * | 2002-09-30 | 2005-07-05 | Advanced Micro Devices, Inc. | Comprehensive integrated lithographic process control system based on product design and yield feedback system |
| TWI264043B (en) * | 2002-10-01 | 2006-10-11 | Tokyo Electron Ltd | Method and system for analyzing data from a plasma process |
| TWI350046B (en) | 2003-08-18 | 2011-10-01 | Mks Instr Inc | System and method for controlling the operation of a power supply |
| US7871830B2 (en) * | 2005-01-19 | 2011-01-18 | Pivotal Systems Corporation | End point detection method for plasma etching of semiconductor wafers with low exposed area |
| US20060175014A1 (en) * | 2005-02-10 | 2006-08-10 | Michael Cox | Specimen surface treatment system |
| US20060175013A1 (en) * | 2005-02-10 | 2006-08-10 | Michael Cox | Specimen surface treatment system |
| US20060175291A1 (en) * | 2005-02-10 | 2006-08-10 | Hunt John A | Control of process gases in specimen surface treatment system |
| US7625824B2 (en) * | 2005-06-16 | 2009-12-01 | Oerlikon Usa, Inc. | Process change detection through the use of evolutionary algorithms |
| JP2007073751A (ja) | 2005-09-07 | 2007-03-22 | Hitachi High-Technologies Corp | プラズマ処理装置および処理方法 |
| TWI380144B (en) * | 2008-04-09 | 2012-12-21 | Inotera Memories Inc | Method of fuzzy control for semiconductor machine |
| US8650002B2 (en) * | 2009-06-30 | 2014-02-11 | Lam Research Corporation | Determining plasma processing system readiness without generating plasma |
| US9037279B2 (en) | 2009-09-09 | 2015-05-19 | Taiwan Semiconductor Manufacturing Company, Ltd. | Clustering for prediction models in process control and for optimal dispatching |
| JP5632626B2 (ja) * | 2010-03-04 | 2014-11-26 | 東京エレクトロン株式会社 | 自動整合装置及びプラズマ処理装置 |
| US9336302B1 (en) | 2012-07-20 | 2016-05-10 | Zuci Realty Llc | Insight and algorithmic clustering for automated synthesis |
| US10395895B2 (en) | 2015-08-27 | 2019-08-27 | Mks Instruments, Inc. | Feedback control by RF waveform tailoring for ion energy distribution |
| US11205103B2 (en) | 2016-12-09 | 2021-12-21 | The Research Foundation for the State University | Semisupervised autoencoder for sentiment analysis |
| GB2564404A (en) * | 2017-07-06 | 2019-01-16 | Tokamak Energy Ltd | Machine learning in fusion reactors |
| CN114046456B (zh) * | 2021-11-23 | 2024-02-02 | 重庆大学 | 融合模糊推理和神经网络的腐蚀评估方法及系统 |
| US20240012370A1 (en) * | 2022-06-30 | 2024-01-11 | Advanced Energy Industries, Inc. | Adaptive fuzzy controller |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4846920A (en) | 1987-12-09 | 1989-07-11 | International Business Machine Corporation | Plasma amplified photoelectron process endpoint detection apparatus |
| US4954212A (en) | 1989-09-26 | 1990-09-04 | Vlsi Technology, Inc. | Endpoint detection system and method for plasma etching |
| US5135604A (en) | 1990-12-04 | 1992-08-04 | Board Of Supervisors Of Louisiana State University And Agricultural And Mechanical College | Analysis of radiofrequency discharges in plasma |
| US5175472A (en) | 1991-12-30 | 1992-12-29 | Comdel, Inc. | Power monitor of RF plasma |
| JPH06110555A (ja) * | 1992-09-29 | 1994-04-22 | Toshiba Corp | 流入水量予測装置 |
| US5664066A (en) * | 1992-11-09 | 1997-09-02 | The United States Of America As Represented By The United States Department Of Energy | Intelligent system for automatic feature detection and selection or identification |
| US5841651A (en) * | 1992-11-09 | 1998-11-24 | The United States Of America As Represented By The United States Department Of Energy | Closed loop adaptive control of spectrum-producing step using neural networks |
| JPH06214788A (ja) * | 1993-01-18 | 1994-08-05 | Fujitsu Ltd | ファジィメンバーシップ関数のチューニング方法 |
| US5410495A (en) * | 1993-07-20 | 1995-04-25 | Texas Instruments Incorporated | Apparatus, systems, and methods for diagnosing anomalous mass flow controller operation |
| US5576629A (en) | 1994-10-24 | 1996-11-19 | Fourth State Technology, Inc. | Plasma monitoring and control method and system |
| US5711843A (en) * | 1995-02-21 | 1998-01-27 | Orincon Technologies, Inc. | System for indirectly monitoring and controlling a process with particular application to plasma processes |
| JPH1049508A (ja) * | 1995-12-27 | 1998-02-20 | Toshiba Corp | データ処理システム、システム構築装置、システム構築方法、及びシステム構築プログラムを記録した媒体 |
| US6110214A (en) * | 1996-05-03 | 2000-08-29 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| US6246972B1 (en) * | 1996-08-23 | 2001-06-12 | Aspen Technology, Inc. | Analyzer for modeling and optimizing maintenance operations |
| US6290789B1 (en) * | 1997-06-26 | 2001-09-18 | Kawasaki Steel Corporation | Ultrafine-grain steel pipe and process for manufacturing the same |
| US5842651A (en) * | 1997-09-04 | 1998-12-01 | Smothers; Ed | Vegetation shredder and method of using same |
| KR100560886B1 (ko) * | 1997-09-17 | 2006-03-13 | 동경 엘렉트론 주식회사 | 가스 플라즈마 프로세스를 감시 및 제어하기 위한 시스템및 방법 |
| US6313584B1 (en) * | 1998-09-17 | 2001-11-06 | Tokyo Electron Limited | Electrical impedance matching system and method |
| JP2000339167A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論におけるメンバーシップ関数のチューニング方法 |
| JP2000339166A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成方法 |
| JP2000339165A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ制御の推論規則作成用データ生成方法 |
| JP2000339168A (ja) * | 1999-05-31 | 2000-12-08 | Toshiba Mach Co Ltd | ファジィ推論規則のチューニング方法 |
-
2001
- 2001-02-07 US US09/778,453 patent/US6627464B2/en not_active Expired - Lifetime
- 2001-12-31 TW TW090133108A patent/TW526526B/zh not_active IP Right Cessation
-
2002
- 2002-01-11 EP EP02000646A patent/EP1231524B1/en not_active Expired - Lifetime
- 2002-01-11 DE DE60219376T patent/DE60219376T2/de not_active Expired - Lifetime
- 2002-02-01 KR KR1020020005894A patent/KR20020065844A/ko not_active Application Discontinuation
- 2002-02-06 JP JP2002029359A patent/JP4383713B2/ja not_active Expired - Lifetime
- 2002-02-07 CN CNB02103558XA patent/CN1271687C/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| EP1231524B1 (en) | 2007-04-11 |
| EP1231524A2 (en) | 2002-08-14 |
| DE60219376D1 (de) | 2007-05-24 |
| CN1271687C (zh) | 2006-08-23 |
| DE60219376T2 (de) | 2007-12-20 |
| EP1231524A3 (en) | 2003-05-28 |
| US6627464B2 (en) | 2003-09-30 |
| JP2002329713A (ja) | 2002-11-15 |
| JP4383713B2 (ja) | 2009-12-16 |
| CN1369902A (zh) | 2002-09-18 |
| US20020132479A1 (en) | 2002-09-19 |
| KR20020065844A (ko) | 2002-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TW526526B (en) | Adaptive plasma characterization system | |
| CN112507040B (zh) | 多元关系生成模型的训练方法、装置、电子设备及介质 | |
| Buragohain et al. | A novel approach for ANFIS modelling based on full factorial design | |
| Stefenon et al. | Optimized ensemble extreme learning machine for classification of electrical insulators conditions | |
| JPWO2017094267A1 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| JP5870189B1 (ja) | 個別電気機器稼働状態推定装置、およびその方法 | |
| JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
| Human et al. | Shewhart-type control charts for variation in phase I data analysis | |
| Słoń | Application of models of relational fuzzy cognitive maps for prediction of work of complex systems | |
| Jyoti et al. | Data clustering approach to industrial process monitoring, fault detection and isolation | |
| Barbosa et al. | Piecewise affine identification of a hydraulic pumping system using evolutionary computation | |
| Colbert et al. | Using trajectory measurements to estimate the region of attraction of nonlinear systems | |
| JP5208822B2 (ja) | 分散電源の運転状態検出方法、装置及びプログラム | |
| Hamedmoghadam et al. | A global optimization approach based on opinion formation in complex networks | |
| CN117669860A (zh) | 电气设备能效评估方法、装置、设备及介质 | |
| Yousef et al. | Visual analytics for process monitoring: Leveraging time-series imaging for enhanced interpretability | |
| Machlev et al. | Explaining the decisions of deep learning models for load disaggregation (NILM) based on XAI | |
| Zhang et al. | A KRR-UKF robust state estimation method for distribution networks | |
| Yu | Gaussian mixture models-based control chart pattern recognition | |
| Wani et al. | Parallel algorithm for control chart pattern recognition | |
| Kabiri et al. | A bayesian approach for recognition of control chart patterns | |
| Kim et al. | Monotonic fuzzy systems as universal approximators for monotonic functions | |
| JP2022068690A (ja) | 意思決定支援装置 | |
| CN118169517B (zh) | 基于卷积神经网络的配电网单相接地故障定位方法、系统 | |
| Soltani et al. | A new objective function for fuzzy c-regression model and its application to TS fuzzy model identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GD4A | Issue of patent certificate for granted invention patent | ||
| MM4A | Annulment or lapse of patent due to non-payment of fees |