TWI759655B - 路徑規劃系統 - Google Patents

路徑規劃系統 Download PDF

Info

Publication number
TWI759655B
TWI759655B TW108143416A TW108143416A TWI759655B TW I759655 B TWI759655 B TW I759655B TW 108143416 A TW108143416 A TW 108143416A TW 108143416 A TW108143416 A TW 108143416A TW I759655 B TWI759655 B TW I759655B
Authority
TW
Taiwan
Prior art keywords
module
state
memory
stage
information
Prior art date
Application number
TW108143416A
Other languages
English (en)
Other versions
TW202121262A (zh
Inventor
黃國勝
許芸毓
Original Assignee
國立中山大學
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 國立中山大學 filed Critical 國立中山大學
Priority to TW108143416A priority Critical patent/TWI759655B/zh
Publication of TW202121262A publication Critical patent/TW202121262A/zh
Application granted granted Critical
Publication of TWI759655B publication Critical patent/TWI759655B/zh

Links

Images

Landscapes

  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

一種路徑規劃系統，用以解決習知自動化檢測採用固定路徑，導致重複檢測及延長工作時間的問題。係包含：一執行元件，作用於一工作環境，該執行元件收集該工作環境之一環境訊息；一分析模組，連接該執行元件，該分析模組傳遞及轉化該環境訊息，並產生一特徵訊息；一聚焦模組，連接該分析模組，該聚焦模組接收該特徵訊息，並產生一特徵狀態；一記憶模組，連接該聚焦模組，該記憶模組接收該特徵狀態，並產生一隱藏狀態；及一學習模組，連接該記憶模組及該執行元件，該學習模組接收該隱藏狀態，並提供該執行元件工作指令。

Description

路徑規劃系統
本發明係關於一種自動化檢測技術，尤其是一種提供最短移動距離及減少重複檢測次數的路徑規劃系統。
晶圓(Wafer)在進行分割及封裝製程之前，需先經由電子自動測試裝置確認晶圓上的各個晶粒(Die)的功能完整性，並將有瑕疵的晶粒剔除而不再加工為晶片。一般晶粒測試係由探針卡(Probe Card)作為測試裝置與晶粒之間的媒介，係由測試裝置使晶圓與探針卡相對移動，而能夠將探針逐一定位至各個晶粒，在首次檢測中係以固定路徑對所有晶粒做全面測試，針對在首次檢測中不合格的晶粒再以二次檢測重複確認。
上述的探針卡在測試過程中必須不斷與各個晶粒接觸，除了可能造成晶粒受損，還可能使探針尖端累積汙染物而影響測試結果，因此，自動測試裝置應該避免執行不必要的重複測試，以減少探針卡與各個晶粒的接觸次數，又，晶圓上的所有晶粒無法避免要進行首次檢測，並在二次檢測中盡可能地略過正常的晶粒，其中，首次檢測可以採用固定路徑移動做測試，惟，每一片晶圓上檢驗出有瑕疵的晶粒分佈狀況都不同，導致二次檢測的移動路徑必須重新規劃，且通常需要人工介入設定，造成增加人力成本及延長作業時間等問題。
有鑑於此，習知的路徑規劃系統確實仍有加以改善之必要。
為解決上述問題，本發明的目的是提供一種路徑規劃系統，可以選擇最短移動距離及減少重複次數的工作路徑。
本發明的次一目的是提供一種路徑規劃系統，透過深度學習及快速訓練找出最佳路徑。
本發明的又一目的是提供一種路徑規劃系統，透過壓縮數據量係可以降低運算負擔及工作時間。
本發明的再一目的是提供一種路徑規劃系統，係可以提升長序列訓練效能。
本發明全文所記載的元件及構件使用「一」或「一個」之量詞，僅是為了方便使用且提供本發明範圍的通常意義；於本發明中應被解讀為包括一個或至少一個，且單一的概念也包括複數的情況，除非其明顯意指其他意思。
本發明的路徑規劃系統，包含：一執行元件，該執行元件作用於一工作環境，該執行元件收集該工作環境之一環境訊息；一分析模組，該分析模組連接該執行元件，該分析模組傳遞及轉化該環境訊息，並產生一特徵訊息；一聚焦模組，該聚焦模組連接該分析模組，該聚焦模組接收該特徵訊息，並產生一特徵狀態；一記憶模組，連接該聚焦模組，該記憶模組接收現在時間點之該特徵狀態、上一階段之一記憶狀態及上一階段之一隱藏狀態，並整合產生現在時間點之該記憶狀態及現在時間點之該隱藏狀態，再傳遞至下一階段循環，而在首階段循環中，該記憶模組透過分配權重將首階段的該特徵狀態、初始化的該隱藏狀態及初始化的該記憶狀態相加，而產生並輸出首階段的該隱藏狀態及首階段的該記憶狀態，該記憶模組是長短期記憶層， 由一輸入閘門控制現在時間點所記憶的資料量，一遺忘閘門選擇是否保留上一階段的舊資料，及一輸出閘門控制現在時間點輸出的該記憶狀態；及一學習模組，該學習模組連接該記憶模組及該執行元件，該學習模組接收該隱藏狀態，並提供該執行元件工作指令，由該執行元件收集下一階段之環境訊息，完成單一階段的循環。
據此，本發明的路徑規劃系統，藉由分析模組、聚焦模組、記憶模組及學習模組共同執行訓練及深度學習，選擇最短移動距離及減少重複次數的工作路徑，另外，透過記憶架構提升學習效果，縱使執行元件或工作環境略有不同，仍能快速完成訓練並找出最佳路徑，係可以節省人力成本及降低工作時間。
其中，該執行元件是探針卡，且該工作環境是晶圓測試裝置，該環境訊息是晶圓上各個晶粒的測量結果、測量次數及分佈位置。如此，依據各晶粒的狀態係可以規劃適當路徑，係具有提升檢測效率及降低晶粒和探針磨損機率的功效。
其中，該分析模組是卷積神經網路，由一卷積層找出該環境訊息的各個局部特徵，並保留各該局部特徵的空間排列，再由一池化層壓縮各該局部特徵，將所有資訊匯整於一全連接層並產生該特徵訊息。如此，卷積神經網路係可以轉化及壓縮龐大的數據量，係具有降低運算負擔的功效。
其中，該聚焦模組是軟性注意力機制層。如此，藉由軟性注意力機制找出對應每一個特徵訊息需要被關注的程度，係具有降低狀態資訊量的功效。
其中，該聚焦模組整合現在時間點之該特徵訊息及上一階段之該隱藏狀態產生該特徵狀態。如此，該聚焦模組係可以統整過去的狀態，係具有提升學習效能的功效。
其中，在首階段循環中，該聚焦模組將該特徵訊息及初始化的該隱藏狀態整合為該特徵狀態。如此，該聚焦模組係可以執行首階段循環，係具有開始訓練的功效。
其中，該學習模組是異步優勢動作評價演算層，係由一動作網路輸出及優化該執行元件的工作指令，及由一評價網路估計該執行元件的工作價值。如此，該學習模組係可以執行動作及進行評價，具有提升學習效果及優化工作表現的功效。
1:執行元件
2:分析模組
3:聚焦模組
4:記憶模組
5:學習模組
51:動作網路
52:評價網路
W:工作環境
X1,X2,…,XT:環境訊息
E1,E2,…,ET:特徵訊息
H0,H1,…,HT:隱藏狀態
Z1,Z2,…,ZT:特徵狀態
C0,C1,…,CT-1:記憶狀態
〔第1圖〕本發明一較佳實施例的系統方塊圖。
〔第2圖〕本發明一較佳實施例複數階段的循環情形圖。
為讓本發明之上述及其他目的、特徵及優點能更明顯易懂，下文特舉本發明之較佳實施例，並配合所附圖式，作詳細說明如下：請參照第1圖所示，其係本發明路徑規劃系統的較佳實施例，係包含一執行元件1、一分析模組2、一聚焦模組3、一記憶模組4及一學習模組5，該執行元件1作用於一工作環境W，該執行元件1分別連接該分析模組2及該學習模組5，該分析模組2連接該聚焦模組3，該聚焦模組3連接該記憶模組4，該記憶模組4連接該學習模組5。
該執行元件1對該工作環境W執行處理動作，並即時收集該工作環境W之一環境訊息X，該環境訊息X可以是影像、缺陷分佈或量測數據等用於認知環境狀況的資訊。例如：該執行元件1可以是探針卡，且該工 作環境W可以是晶圓測試裝置，使探針卡以特定路徑逐一測量晶圓上的各個晶粒，並記錄各該晶粒的測量結果、測量次數及分佈位置等資訊。
該分析模組2係透過該執行元件1收集所有該環境訊息X的變化，該分析模組2傳遞及轉化該環境訊息X，而產生一特徵訊息E。該分析模組2可以是卷積神經網路(Convolutional Neural Network,CNN)，包含卷積層(Convolutional Layer)、池化層(Pooling Layer)及全連接層(Fully Connected Layer)，由該卷積層找出該環境訊息X的各個局部特徵，並保留各個局部特徵的空間排列，再由該池化層壓縮並保留重要資訊，以減少數據運算的負擔，最後處理後的資訊匯整於該全連接層進行預測分析。
請參照第1及2圖所示，該聚焦模組3採用注意力機制及歷史記憶性，使該聚焦模組3整合現在時間點之該特徵訊息Et及上一階段之一隱藏狀態Ht-1產生一特徵狀態Zt，加強系統的學習效能，其中，t為現在時間點的訓練採樣次數。該聚焦模組3可以是軟性注意力機制(Soft Attention Mechanism)層，用於找出對應每一個該特徵訊息Et需要被關注的程度，係可以降低狀態資訊量。
該記憶模組4具有依據時間點增加記憶及選擇遺忘的功能，提升長序列訓練過程中的學習表現，該記憶模組4接收上一階段之一記憶狀態Ct-1及上一階段之該隱藏狀態Ht-1，並整合現在時間點之該特徵狀態Zt產生現在時間點之該記憶狀態Ct及現在時間點之該隱藏狀態Ht。該記憶模組4可以是長短期記憶(Long Short Term Memory,LSTM)層，包含輸入閘門(Input Gate)、輸出閘門(Output Gate)及遺忘閘門(Forget Gate)，該輸入閘門用於控制現在時間點所記憶的資料量，而該遺忘閘門用於選擇是否保留上一階段的舊記憶資料，該輸出閘門則控制現在時間點要輸出的該記憶狀態Ct，該記憶模組4可以透過學習以權重及偏量操控上述各閘門的運作。
該學習模組5依據該隱藏狀態Ht控制該執行元件1進行處理動作，並對該處理動作進行評價，進而優化該處理動作。該學習模組5可以是異步優勢動作評價(Asynchronous Advantage Actor-Critic,A3C)演算層，係由一動作(Actor)網路51輸出並優化策略，以提升該執行元件1的工作效能，並由一評價(Critic)網路52估計該執行元件1的工作價值，係可以加速學習過程。
請參照第2圖所示，本發明的路徑規劃系統係透過該記憶模組4串接每一個該隱藏狀態H0、H1、…、HT，其中，H0為初始化的隱藏狀態，T為最大訓練次數，係可以處理及轉化數個該環境訊息X1、X2、…、XT，數個該特徵訊息E1、E2、…、ET，數個該特徵狀態Z1、Z2、…、ZT，及數個該記憶狀態C0、C1、…、CT-1。
據由前述結構，在單循環的路徑規劃過程中，首先由該分析模組2接收該環境訊息X1並提取精簡之該特徵訊息E1，再由該聚焦模組3將該特徵訊息E1及初始化的該隱藏狀態H0整合為該特徵狀態Z1，接下來該記憶模組4透過分配權重將該特徵狀態Z1、初始化的該隱藏狀態H0及初始化的該記憶狀態C0相加，使該記憶模組4輸出第一階段的該隱藏狀態H1及該記憶狀態C1，到第二階段的該聚焦模組3及該記憶模組4，該學習模組5依據該隱藏狀態H1進行第一階段的動作及評價指令，如第1圖所示，由該執行元件1完成該學習模組5第一階段的指令後，將第二階段的該環境訊息X2輸入該分析模組2，依此循環至最大訓練次數T。
一般晶圓測試裝置採用本發明的路徑規劃系統，尤其是用於測量稀疏且非特定分佈的多個晶粒，透過結合注意力機制及記憶性的深度學習方法，係能夠以最短移動距離且單顆晶粒的最少平均檢測次數完成晶圓測試。另外，縱使該執行元件1及其作用之該工作環境W的型態發生變化，本發明 的路徑規劃系統仍能提供高效的訓練及工作，舉例而言，測試路徑規劃用於不同尺寸的晶圓，係可以透過學習方法套用於檢測工作而不需要重新訓練；又，採用不同的探針數量及排列方式的探針卡，仍能學習到最適用的測試路徑。
綜上所述，本發明的路徑規劃系統，藉由分析模組、聚焦模組、記憶模組及學習模組共同執行訓練及深度學習，選擇最短移動距離及減少重複次數的工作路徑，另外，透過記憶架構提升學習效果，縱使執行元件或工作環境略有不同，仍能快速完成訓練並找出最佳路徑，係可以節省人力成本及降低工作時間。
雖然本發明已利用上述較佳實施例揭示，然其並非用以限定本發明，任何熟習此技藝者在不脫離本發明之精神和範圍之內，相對上述實施例進行各種更動與修改仍屬本發明所保護之技術範疇，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
1:執行元件
2:分析模組
3:聚焦模組
4:記憶模組
5:學習模組
W:工作環境
X:環境訊息
E:特徵訊息
H:隱藏狀態
Z:特徵狀態

Claims (7)

  1. 一種路徑規劃系統，包含：一執行元件，該執行元件作用於一工作環境，該執行元件收集該工作環境之一環境訊息；一分析模組，該分析模組連接該執行元件，該分析模組傳遞及轉化該環境訊息，並產生一特徵訊息；一聚焦模組，該聚焦模組連接該分析模組，該聚焦模組接收該特徵訊息，並產生一特徵狀態；一記憶模組，連接該聚焦模組，該記憶模組接收現在時間點之該特徵狀態、上一階段之一記憶狀態及上一階段之一隱藏狀態，並整合產生現在時間點之該記憶狀態及現在時間點之該隱藏狀態，再傳遞至下一階段循環，而在首階段循環中，該記憶模組透過分配權重將首階段的該特徵狀態、初始化的該隱藏狀態及初始化的該記憶狀態相加，而產生並輸出首階段的該隱藏狀態及首階段的該記憶狀態，該記憶模組是長短期記憶層，由一輸入閘門控制現在時間點所記憶的資料量，一遺忘閘門選擇是否保留上一階段的舊資料，及一輸出閘門控制現在時間點輸出的該記憶狀態；及一學習模組，該學習模組連接該記憶模組及該執行元件，該學習模組接收該隱藏狀態，並提供該執行元件工作指令，由該執行元件收集下一階段之環境訊息，完成單一階段的循環。
  2. 如請求項1之路徑規劃系統，其中，該執行元件是探針卡，且該工作環境是晶圓測試裝置，該環境訊息是晶圓上各個晶粒的測量結果、測量次數及分佈位置。
  3. 如請求項1之路徑規劃系統，其中，該分析模組是卷積神經網路，由一卷積層找出該環境訊息的各個局部特徵，並保留各該局部特徵 的空間排列，再由一池化層壓縮各該局部特徵，將所有資訊匯整於一全連接層並產生該特徵訊息。
  4. 如請求項1之路徑規劃系統，其中，該聚焦模組是軟性注意力機制層。
  5. 如請求項1之路徑規劃系統，其中，該聚焦模組整合現在時間點之該特徵訊息及上一階段之該隱藏狀態產生該特徵狀態。
  6. 如請求項5之路徑規劃系統，其中，在首階段循環中，該聚焦模組將該特徵訊息及初始化的該隱藏狀態整合為該特徵狀態。
  7. 如請求項1之路徑規劃系統，其中，該學習模組是異步優勢動作評價演算層，係由一動作網路輸出及優化該執行元件的工作指令，及由一評價網路估計該執行元件的工作價值。
TW108143416A 2019-11-28 2019-11-28 路徑規劃系統 TWI759655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW108143416A TWI759655B (zh) 2019-11-28 2019-11-28 路徑規劃系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW108143416A TWI759655B (zh) 2019-11-28 2019-11-28 路徑規劃系統

Publications (2)

Publication Number Publication Date
TW202121262A TW202121262A (zh) 2021-06-01
TWI759655B true TWI759655B (zh) 2022-04-01

Family

ID=77516763

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108143416A TWI759655B (zh) 2019-11-28 2019-11-28 路徑規劃系統

Country Status (1)

Country Link
TW (1) TWI759655B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060036394A1 (en) * 2004-08-12 2006-02-16 Wen-Ling Chen Universal and integrated wafer testing real-time monitoring software system and its open system architecture
CN101526752A (zh) * 2009-01-13 2009-09-09 上海微电子装备有限公司 自调整式曝光路径规划方法
CN109655737A (zh) * 2018-12-24 2019-04-19 北京华峰测控技术股份有限公司 一种晶圆的测试方法
TW201928541A (zh) * 2017-10-20 2019-07-16 美商克萊譚克公司 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060036394A1 (en) * 2004-08-12 2006-02-16 Wen-Ling Chen Universal and integrated wafer testing real-time monitoring software system and its open system architecture
CN101526752A (zh) * 2009-01-13 2009-09-09 上海微电子装备有限公司 自调整式曝光路径规划方法
TW201928541A (zh) * 2017-10-20 2019-07-16 美商克萊譚克公司 用於大型偏移晶粒對晶粒檢測之多步驟影像對準方法
CN109655737A (zh) * 2018-12-24 2019-04-19 北京华峰测控技术股份有限公司 一种晶圆的测试方法

Also Published As

Publication number Publication date
TW202121262A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
CN111709448B (zh) 一种基于迁移关系网络的机械故障诊断方法
US11124317B2 (en) Method for prediction of key performance parameters of aero-engine in transition condition
CN110398348B (zh) 存储器、高压断路器机械故障诊断方法和装置
US11715190B2 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
KR20200074677A (ko) Plc 제어에 따른 오류 검출 시스템
CN110738630A (zh) 递归性深度学习系统的训练方法与检测系统
CN112348052A (zh) 一种基于改进EfficientNet的输变电设备异常声源定位方法
CN117521512A (zh) 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法
TWI759655B (zh) 路徑規劃系統
CN113222250B (zh) 基于卷积神经网络的大功率激光装置输出波形预测方法
Li et al. Knowledge enhanced ensemble method for remaining useful life prediction under variable working conditions
CN116994641A (zh) 一种半导体老化测试方法及其系统
CN117371608A (zh) 基于深度学习的猪舍多点位温湿度预测方法及系统
CN115019129A (zh) 基于时序成像与图像融合的双有源桥变换器故障诊断方法及系统
Komijani et al. Multi-label Classification of Steel Surface Defects Using Transfer Learning and Vision Transformer
CN114548701A (zh) 面向全量测点耦合结构分析与估计的过程预警方法及系统
JP6892848B2 (ja) 情報処理装置、情報処理方法および情報処理プログラム
CN114692887A (zh) 半监督学习系统及半监督学习方法
CN113139332A (zh) 一种自动化模型构建方法、装置及设备
Jiang et al. Micro Solder Defect Inspection Using Infrared Sequence and Deep Learning Omni-scale CNN
CN111160419A (zh) 一种基于深度学习的电子式互感器数据分类预测方法及装置
Soni et al. Predictive maintenance of gas turbine using prognosis approach
Yu et al. Fault diagnosis of wearable temperature sensors based on multi-scale feature extraction
CN111310907A (zh) 一种微波组件故障诊断方法、装置及设备
CN115329906B (zh) 一种基于图正则化网络的故障诊断方法及装置