CN116842439A - 一种基于模型的半导体质量预测方法 - Google Patents
一种基于模型的半导体质量预测方法 Download PDFInfo
- Publication number
- CN116842439A CN116842439A CN202310678132.9A CN202310678132A CN116842439A CN 116842439 A CN116842439 A CN 116842439A CN 202310678132 A CN202310678132 A CN 202310678132A CN 116842439 A CN116842439 A CN 116842439A
- Authority
- CN
- China
- Prior art keywords
- value
- neural network
- model
- entering
- function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000004065 semiconductor Substances 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 230000003190 augmentative effect Effects 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000010884 ion-beam technique Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012248 genetic selection Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 24
- 230000008569 process Effects 0.000 description 16
- 238000005468 ion implantation Methods 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 11
- 238000002513 implantation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 238000000137 annealing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000001259 photo etching Methods 0.000 description 2
- 229910052710 silicon Inorganic materials 0.000 description 2
- 239000010703 silicon Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 208000001953 Hypotension Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000427 thin-film deposition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/0499—Feedforward 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/10—Measuring as part of the manufacturing process
- H01L22/14—Measuring as part of the manufacturing process for electrical parameters, e.g. resistance, deep-levels, CV, diffusions by electrical means
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于模型的半导体质量预测方法，具体步骤为：步骤一：使用BP神经网络通过遗传算法计算初始权值和阈值；步骤二：设置初始乘子及惩罚因子；步骤三：训练神经网络；步骤四：判断是否满足专家知识，是则进入步骤五，否则进入步骤六；步骤五：采用增广拉格朗日乘子函数作为训练目标，进入步骤七；步骤六：采用均方误差作为目标函数，进入步骤七；步骤七：判断是否达到目标误差，是则结束，否则进入步骤三。
Description
技术领域
本发明半导体生产技术领域，具体涉及一种基于模型的半导体质量预测方法。
背景技术
半导体制造是一个非常复杂的过程，如何持续优化工艺提升良率行业关注的重点。其难度主要体现在工艺复杂性和设备复杂性等方面。一方面工艺复杂，半导体的制造工艺涉及到多种物理化学过程,例如光刻、离子注入、刻蚀等，完成的生产过程包括一百多道关键工序，每一道工序都需要高度精确的控制和检测；另一方面设备复杂，半导体生产需要使用多种高度复杂的设备，如薄膜沉积、光刻机、离子注入等设备，这些设备需要存在各种各样的参数，这些众多的参数直接影响制造产品质量的优劣
目前在半导体质量预测方面主要有以下几种方法：
1.基于统计学方法的预测：该方法使用已有的半导体晶圆质量数据，通过统计学方法(例如回归分析)对新晶圆的质量进行预测。该方法适用于质量数据样本量大且样本具有一定的规律性的情况，但是预测精度较低。
2.基于物理模型的预测：该方法基于半导体晶圆的制造工艺和物理特性，建立半导体晶圆的物理模型，并通过该模型预测晶圆的质量。该方法需要对半导体晶圆的物理特性有深入的理解，预测精度较高，但是建模过程比较复杂。
3.基于机器学习方法的预测：该方法使用机器学习算法，例如决策树、神经网络等，利用已有的半导体晶圆质量数据和相关特征数据来训练模型，并通过该模型预测新晶圆的质量。该方法可以提高预测准确率和稳定性，但需要较多的数据和计算资源。
在半导体晶圆制造中，由于纯净硅的导电性能很差，需要加入少量杂质使其结构和电导率发生改变，从而变成一种有用的半导体，这个过程称为掺杂。离子注入是对半导体表面附近区域进行掺杂的技术，其目的是改变半导体的载流子浓度和导电类型。离子注入设备不同的注入剂量、注入角度、注入深度等都会影响芯片的性能、成品率和寿命，目前通过电学测试法检验B、P及退火后的RS等参数确定产品质量，但是方法负责，成本较高，精准度不够。
发明内容
本发明针对现有技术的不足，提出一种针对在小样本数据条件下BP神经网络预测精度不高的问题，将专家知识融入到BP神经网络训练工程中，提升模型的预测精度，高效的预测离子注入工序的工艺质量的基于模型的半导体质量预测方法，具体技术方案如下：
一种基于模型的半导体质量预测方法，具体步骤为：
步骤一：使用BP神经网络通过遗传算法计算初始权值和阈值；
步骤二：设置初始乘子及惩罚因子；
步骤三：训练神经网络；
步骤四：判断是否满足专家知识，是则进入步骤五，否则进入步骤六；
步骤五：采用增广拉格朗日乘子函数作为训练目标，进入步骤七；
步骤六：采用均方误差作为目标函数，进入步骤七；
步骤七：判断是否达到目标误差，是则结束，否则进入步骤三。
作为优选：所述步骤一具体为：
1.1、开始；
1.2、确定神经网络结构；
1.3、初始化值编码；
1.4、计算适应度；
1.5、交叉操作；
1.6、计算适应度；
1.7、判断是否满足约束条件，是则进入步骤1.8，否则进入步骤1.4；
1.8、获取最优初始值与阈值。
作为优选：所述步骤一中，使用遗传算法具体为：
S1、数据归一化，离子束流参数、离子源参数、气体参数、机械参数和环境参数数据量纲各异，数值差异大，为了防止因输入数据范围问题导致预测结果不正确的情况，对输入数据进行归一化处理；
S2、染色体编码，染色体编码是指将输入数据变换为二进制形式，以便后续遗传、变异、交叉等操作；
S3、种群初始化，对输入数据进行二进制编码后，随机产生一组数据，一组数据是一个单独的个体，这些个体形成了一个群体；
S4、适应度函数的评价，个体遗传的复杂程度通过适应度函数所求的值来确定，设一个适应度值为F，则其适应度函数公式如下：
其中，k为有关系数，yi为通过编码计算出的值，Oi为实测目标值；
S5、进行遗传操作，对基因进行选择、交叉和变异操作，遗传选择是对个体适应度而言的，采用轮盘赌法对个体进行选择，经过这一阶段的遗传操作之后，个体会进行各种遗传交叉和遗传变异；
S6、判断是否满足终止条件，如果满足，则输出结果，否则回到步骤S3重新进行操作，直到符合条件。
作为优选：所述步骤四中，专家知识指工艺人员、设计人员对研究问题的机理有一定的了解，通过已有的经验或机理利用公式表征输入和输出间关系，利用单调性专家知识，即公式是单调增或单调减的，专家知识表达为数学公式：
其中f(x)表示任意函数，x1,x2表示定义域内的两点，f(x1),f(x2)表示对应值域的值。
作为优选：所述步骤五中，基于增广拉格朗日乘子法的BP神经网络；以专家知识作为约束条件，通过将增广拉格朗日函数作为BP神经网络目标函数，使得BP神经网络输出结果既满足均方误差，又满足专家知识，设单调性专家知识为输入S与输出G为单调递增关系，以此作为约束条件，增广拉格朗日乘子法对约束优化问题的处理方法为如下公式：
其中，p为样本的个数，X为模型输入，Y为模型输出，e为实际值与模型预测的误差值，S,G分别代表了专家知识的输入和输出且为单调递增关系，E为目标函数，构建增广拉格朗日函数如下：
其中,λ，ρ分别为拉格朗日乘子和惩罚因子，e为误差值，g(x)为约束；
通过判断a的正负来推断神经网络是否满足约束，当a>0时神经网络输出值满足约束，反之不满足约束，将增广拉格朗日函数作为神经网络的目标函数，按照梯度下降法对模型进行优化。
本发明的有益效果为：过专家知识与神经网络相结合的办法，可以比单纯的基于物理模型的预测或只使用神经网络模型更准确的表征参数与产品质量的关系，更准确的预测产品质量。本发明尤其适用于离子注入工序在试产或工程批阶段，在此阶段往往数据量不够，通过正交试验、响应曲面方法所得到的数据只适用于参数优化，不足够来表征质量模型，通过结合专家知识优化后的模型能够精准的对质量进行预测。对60V MOS产品模型预测的准确度比物理模型预测准确度高11.2％，比神经网络模型预测准确度高21％。在实际应用中帮助工艺人员更深刻的了解某生产线离子注入设备对产品质量的影响。
附图说明
图1为本发明的结构示意图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示：一种基于模型的半导体质量预测方法，具体步骤为：
步骤一：使用BP神经网络通过遗传算法计算初始权值和阈值；
1.1、开始；
1.2、确定神经网络结构；
1.3、初始化值编码；
1.4、计算适应度；
1.5、交叉操作；
1.6、计算适应度；
1.7、判断是否满足约束条件，是则进入步骤1.8，否则进入步骤1.4；
1.8、获取最优初始值与阈值。
使用遗传算法具体为：
S1、数据归一化，离子束流参数、离子源参数、气体参数、机械参数和环境参数数据量纲各异，数值差异大，为了防止因输入数据范围问题导致预测结果不正确的情况，对输入数据进行归一化处理；
S2、染色体编码，染色体编码是指将输入数据变换为二进制形式，以便后续遗传、变异、交叉等操作；
S3、种群初始化，对输入数据进行二进制编码后，随机产生一组数据，一组数据是一个单独的个体，这些个体形成了一个群体；
S4、适应度函数的评价，个体遗传的复杂程度通过适应度函数所求的值来确定，设一个适应度值为F，则其适应度函数公式如下：
其中，k为有关系数，yi为通过编码计算出的值，Oi为实测目标值；
S5、进行遗传操作，对基因进行选择、交叉和变异操作，遗传选择是对个体适应度而言的，采用轮盘赌法对个体进行选择，经过这一阶段的遗传操作之后，个体会进行各种遗传交叉和遗传变异；
S6、判断是否满足终止条件，如果满足，则输出结果，否则回到步骤S3重新进行操作，直到符合条件。
步骤二：设置初始乘子及惩罚因子；
步骤三：训练神经网络；
步骤四：判断是否满足专家知识，是则进入步骤五，否则进入步骤六；
专家知识指工艺人员、设计人员对研究问题的机理有一定的了解，通过已有的经验或机理利用公式表征输入和输出间关系，利用单调性专家知识，即公式是单调增或单调减的，专家知识表达为数学公式：
其中f(x)表示任意函数，x1,x2表示定义域内的两点，f(x1),f(x2)表示对应值域的值。
步骤五：采用增广拉格朗日乘子函数作为训练目标，进入步骤七；
基于增广拉格朗日乘子法的BP神经网络；以专家知识作为约束条件，通过将增广拉格朗日函数作为BP神经网络目标函数，使得BP神经网络输出结果既满足均方误差，又满足专家知识，设单调性专家知识为输入S与输出G为单调递增关系，以此作为约束条件，增广拉格朗日乘子法对约束优化问题的处理方法为如下公式：
其中，p为样本的个数，X为模型输入，Y为模型输出，e为实际值与模型预测的误差值，S,G分别代表了专家知识的输入和输出且为单调递增关系，E为目标函数，构建增广拉格朗日函数如下：
其中,λ，ρ分别为拉格朗日乘子和惩罚因子，e为误差值，g(x)为约束；
通过判断a的正负来推断神经网络是否满足约束，当a>0时神经网络输出值满足约束，反之不满足约束，将增广拉格朗日函数作为神经网络的目标函数，按照梯度下降法对模型进行优化。
步骤六：采用均方误差作为目标函数，进入步骤七；
步骤七：判断是否达到目标误差，是则结束，否则进入步骤三。
在半导体晶圆制造中，由于纯净硅的导电性能很差，需要加入少量杂质使其结构和电导率发生改变，从而变成一种有用的半导体，这个过程称为掺杂。离子注入是对半导体表面附近区域进行掺杂的技术，其目的是改变半导体的载流子浓度和导电类型。离子注入设备不同的注入剂量、注入角度、注入深度等都会影响芯片的性能、成品率和寿命，目前通过电学测试法检验B、P及退火后的RS等参数确定产品质量。
本发明通过小样本数据构建离子注入制造质量表征模型，表征模型首先使用BP神经网络通过遗传算法计算初始权值和阈值；其次通过专家知识进行数学表达；最后通过增广拉格朗日乘子将专家知识融入神经网络训练中。在离子注入工序影响产品质量B、P及退火后的RS的性能的主要参数包括：离子束流参数、离子源参数、气体参数、机械参数和环境参数五大类，细分参数表1所示：
表1离子注入工艺影响参数
在某厂新建的半导体八吋线中，首个工程批的产品良率偏低，经过分析导致良率偏低的原因是离子注入工序引起的。通过试验阶段的不太多的小样本数据，结合设备专家、工艺专家的知识构建了表征离子束流参数、离子源参数、气体参数、机械参数和环境参数等参数与B、P及退火后的RS的性能的关系。试验表明预测模型的准确度比物理模型以及无专家经验的神经网络更准确，工艺人员通过质量预测模型快速制定各种试验和优化方案，有效的减少了试验成本和周期，从而更快的稳定了产品的良率。
Claims (5)
1.一种基于模型的半导体质量预测方法，其特征在于，具体步骤为：
步骤一：使用BP神经网络通过遗传算法计算初始权值和阈值；
步骤二：设置初始乘子及惩罚因子；
步骤三：训练神经网络；
步骤四：判断是否满足专家知识，是则进入步骤五，否则进入步骤六；
步骤五：采用增广拉格朗日乘子函数作为训练目标，进入步骤七；
步骤六：采用均方误差作为目标函数，进入步骤七；
步骤七：判断是否达到目标误差，是则结束，否则进入步骤三。
2.根据权利要求1所述基于模型的半导体质量预测方法，其特征在于：所述步骤一具体为：
1.1、开始；
1.2、确定神经网络结构；
1.3、初始化值编码；
1.4、计算适应度；
1.5、交叉操作；
1.6、计算适应度；
1.7、判断是否满足约束条件，是则进入步骤1.8，否则进入步骤1.4；
1.8、获取最优初始值与阈值。
3.根据权利要求1所述基于模型的半导体质量预测方法，其特征在于：所述步骤一中，使用遗传算法具体为：
S1、数据归一化，离子束流参数、离子源参数、气体参数、机械参数和环境参数数据量纲各异，数值差异大，为了防止因输入数据范围问题导致预测结果不正确的情况，对输入数据进行归一化处理；
S2、染色体编码，染色体编码是指将输入数据变换为二进制形式，以便后续遗传、变异、交叉等操作；
S3、种群初始化，对输入数据进行二进制编码后，随机产生一组数据，一组数据是一个单独的个体，这些个体形成了一个群体；
S4、适应度函数的评价，个体遗传的复杂程度通过适应度函数所求的值来确定，设一个适应度值为F，则其适应度函数公式如下：
其中，k为有关系数，yi为通过编码计算出的值，Oi为实测目标值；
S5、进行遗传操作，对基因进行选择、交叉和变异操作，遗传选择是对个体适应度而言的，采用轮盘赌法对个体进行选择，经过这一阶段的遗传操作之后，个体会进行各种遗传交叉和遗传变异；
S6、判断是否满足终止条件，如果满足，则输出结果，否则回到步骤S3重新进行操作，直到符合条件。
4.根据权利要求1所述基于模型的半导体质量预测方法，其特征在于：所述步骤四中，专家知识指工艺人员、设计人员对研究问题的机理有一定的了解，通过已有的经验或机理利用公式表征输入和输出间关系，利用单调性专家知识，即公式是单调增或单调减的，专家知识表达为数学公式：
其中f(x)表示任意函数，x1,x2表示定义域内的两点，f(x1),f(x2)表示对应值域的值。
5.根据权利要求1所述基于模型的半导体质量预测方法，其特征在于：所述步骤五中，基于增广拉格朗日乘子法的BP神经网络；以专家知识作为约束条件，通过将增广拉格朗日函数作为BP神经网络目标函数，使得BP神经网络输出结果既满足均方误差，又满足专家知识，设单调性专家知识为输入S与输出G为单调递增关系，以此作为约束条件，增广拉格朗日乘子法对约束优化问题的处理方法为如下公式：
其中，p为样本的个数，X为模型输入，Y为模型输出，e为实际值与模型预测的误差值，S,G分别代表了专家知识的输入和输出且为单调递增关系，E为目标函数，构建增广拉格朗日函数如下：
其中,λ，ρ分别为拉格朗日乘子和惩罚因子，e为误差值，g(x)为约束；
通过判断a的正负来推断神经网络是否满足约束，当a>0时神经网络输出值满足约束，反之不满足约束，将增广拉格朗日函数作为神经网络的目标函数，按照梯度下降法对模型进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678132.9A CN116842439A (zh) | 2023-06-08 | 2023-06-08 | 一种基于模型的半导体质量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678132.9A CN116842439A (zh) | 2023-06-08 | 2023-06-08 | 一种基于模型的半导体质量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116842439A true CN116842439A (zh) | 2023-10-03 |
Family
ID=88173465
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310678132.9A Pending CN116842439A (zh) | 2023-06-08 | 2023-06-08 | 一种基于模型的半导体质量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842439A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052482A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市益普科技有限公司 | 一种用于半导体生产检测的分析管理方法 |
-
2023
- 2023-06-08 CN CN202310678132.9A patent/CN116842439A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052482A (zh) * | 2024-04-16 | 2024-05-17 | 深圳市益普科技有限公司 | 一种用于半导体生产检测的分析管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI267012B (en) | Quality prognostics system and method for manufacturing processes | |
| US7603328B2 (en) | Dual-phase virtual metrology method | |
| US9240360B2 (en) | Run-to-run control utilizing virtual metrology in semiconductor manufacturing | |
| CN116842439A (zh) | 一种基于模型的半导体质量预测方法 | |
| Pan et al. | A virtual metrology system for predicting end-of-line electrical properties using a MANCOVA model with tools clustering | |
| CN111190393B (zh) | 半导体制程自动化控制方法及装置 | |
| CN110782546A (zh) | 基于组合树模型的半导体pvd制程的电阻率虚拟量测方法 | |
| CN102299044A (zh) | 工艺控制***及其实现方法 | |
| CN116053164A (zh) | 一种关键尺寸控制方法及*** | |
| CN111027117B (zh) | 胶凝砂砾石配合比关键指标预测抗压强度的bp神经网络分析方法 | |
| CN113537469A (zh) | 一种基于LSTM网络和Attention机制的城市需水预测方法 | |
| CN114692507A (zh) | 基于堆叠泊松自编码器网络的计数数据软测量建模方法 | |
| CN110648023A (zh) | 基于二次指数平滑改进gm(1,1)的数据预测模型的建立方法 | |
| CN116523131A (zh) | 一种基于dbn的集成电路工艺参数优化方法和*** | |
| CN112766548A (zh) | 基于gasa-bp神经网络的订单完工时间预测方法 | |
| CN116090389A (zh) | 基于失效边缘采样的电路良率估计方法、预测*** | |
| US20240176339A1 (en) | Method of predicting an optimal process condition model to improve a yield of a semiconductor fabrication process and method of controlling a semiconductor fabrication process based on an optimal process condition model | |
| Heo et al. | A modified lasso model for yield analysis considering the interaction effect in a multistage manufacturing line | |
| TW202226009A (zh) | 用於決定晶圓路徑品質的順序方法 | |
| CN111914466B (zh) | 一种基于相关变量分散式建模的化工过程监测方法 | |
| CN114037148B (zh) | 基于遗传神经网络和自适应权重的日最大电力负荷预测法 | |
| CN109376337B (zh) | 一种基于Girvan-Newman算法的集散软测量方法 | |
| CN116736796B (zh) | 一种钢材尺寸的高精度工控方法 | |
| CN117436532B (zh) | 一种洁净室气态分子污染物根因分析方法 | |
| Bisri et al. | Improvement of Shewhart Control Chart for Autocorrelated Data in Continuous Production Process |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |