CN117952022A - 良率多维度互动***、方法、计算机设备和存储介质 - Google Patents
良率多维度互动***、方法、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117952022A CN117952022A CN202410349446.9A CN202410349446A CN117952022A CN 117952022 A CN117952022 A CN 117952022A CN 202410349446 A CN202410349446 A CN 202410349446A CN 117952022 A CN117952022 A CN 117952022A
- Authority
- CN
- China
- Prior art keywords
- chip yield
- data
- yield
- analysis
- information
- 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
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 170
- 238000012545 processing Methods 0.000 claims abstract description 122
- 238000012360 testing method Methods 0.000 claims description 50
- 238000007726 management method Methods 0.000 claims description 39
- 230000006870 function Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 230000007547 defect Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 11
- 238000003058 natural language processing Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002787 reinforcement Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013144 data compression Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 5
- 230000008520 organization Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013477 bayesian statistics method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 description 26
- 230000008569 process Effects 0.000 description 17
- 239000000243 solution Substances 0.000 description 12
- 239000000047 product Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种良率多维度互动***、方法、计算机设备和存储介质。其中,该***包括:处理引擎,用于接收关于描述芯片良率问题的输入,并基于输入进行分析处理后反馈输出;处理引擎基于输入进行分析处理后反馈输出,包括:利用输入的关于描述芯片良率问题的若干个数据维度的信息,基于处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成芯片良率问题的结果用于输出;知识数据库模块,用于基于知识数据库中预存储的数据生成芯片良率问题的结果;芯片良率分析模块,用于实时分析输入的若干个数据维度的信息生成芯片良率问题的结果。采用本***进行芯片良率分析,能够根据用户的个性化需求,准确、及时地提供针对性的良率分析结果。
Description
技术领域
本申请涉及半导体技术领域,特别是涉及一种良率多维度互动***、方法、计算机设备和存储介质。
背景技术
集成电路产业正向低功耗、小尺寸、高度集成、智能化发展,对设计、制造、封装各环节要求严苛。提升集成电路良品率并有效应用于先进工艺,对产业发展至关重要。当前,通过制造测试芯片、使用测试设备监控良品率,并结合技术人员分析数据以改善良品率,是重要手段。
然而,集成电路产品设计制造过程中产生海量数据,如何有效分析这些数据以提升成品率和产品性能,成为竞争焦点。虽然机器学习等技术的发展为数据分析提供了新可能,但是现有的技术中尚未出现一种能够根据用户的询问信息,自动对芯片良率数据进行深入分析的交互式芯片良率数据分析***。
用户的询问信息可能包含芯片性能、制造过程、测试数据等多个方面的问题,但现有的工具往往无法将这些询问与芯片良率数据进行有效的关联和匹配,以进行全面的自动分析,从而无法为用户提供准确、及时的反馈。
发明内容
基于此,有必要针对上述技术问题,提供一种能够根据询问信息和芯片良率数据自动进行芯片良率问题分析,以及时应答反馈关于芯片良率问题分析结果的良率多维度互动***、方法、计算机设备和存储介质。本发明为解决现有技术问题,已实施这一套良率多维度互动***,即“chatYES***”(chat良率提升*** Yield Enhancement System)。
第一方面,在本实施例中提供了一种良率多维度互动***,包括处理引擎、知识数据库模块和芯片良率分析模块;
所述处理引擎,用于接收关于描述芯片良率问题的输入,并基于所述输入进行分析处理后反馈输出;其中,所述输入包括关于描述所述芯片良率问题的至少一个数据维度的信息;
所述处理引擎基于所述输入进行分析处理后反馈输出,包括:利用所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出;
所述知识数据库模块,用于基于所述知识数据库中的数据生成所述芯片良率问题的结果;
所述芯片良率分析模块,用于分析所述输入的若干个数据维度的信息生成所述芯片良率问题的结果。
在其中一个实施例中,所述数据维度根据信息的性质进行分类,包括但不限于:格式维度、时间维度、地理维度、产品维度、客户维度、行为维度、特征维度。比如语音格式、文字格式、图片格式、文档格式等是根据格式维度来进行分类的;颜色、尺寸等维度是根据特征维度来进行分类的。
在其中一个实施例中,所述处理引擎包括分类模型;
所述分类模型根据所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,对所述芯片良率问题进行分类;
所述处理引擎对分属不同类型的芯片良率问题采用不同的分析处理方式;
其中,所述分析处理方式包括:基于所述知识数据库模块进行分析处理,基于所述芯片良率分析模块进行分析处理,以及基于所述知识数据库模块和芯片良率分析模块进行分析处理。
在其中一个实施例中,所述知识数据库模块包括第一输入输出合集以及芯片良率分析技术文件中的至少一种;所述第一输入输出合集包括所述处理引擎接收的关于描述芯片良率问题的历史输入,以及反馈的历史输出;所述芯片良率分析技术文件包括论文、专利文档、项目文件以及实务记录文件中的至少一种;
所述知识数据库模块,用于基于所述第一输入输出合集和/或芯片良率分析技术文件,预生成多组芯片良率问题的问答集,并基于所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,在所述问答集中进行问题匹配,匹配完成后生成所述芯片良率问题的结果;
所述知识数据库模块还用于实时学习新获取的第一输入输出合集以及芯片良率分析技术文件,对预生成的问答集进行更新。
在其中一个实施例中,所述处理引擎输出部分或者全部的所述芯片良率问题的结果时,对所述结果添加至少一个标签后一并输出;
所述标签包括:该结果中的至少一个数据维度的信息的最后更新时间、更新用户、更新地点、更新来源中的至少一个。
在其中一个实施例中,所述良率多维度互动***设置有权限管理模块,所述权限管理模块包括用户权限管理、数据权限管理和使用权限管理中的至少一项功能;
所述用户权限管理,包括对用户的权限根据用户所属的机构、组织架构和项目中的至少一种进行赋权,并根据用户的权限来分析处理其输入;
所述数据权限管理,包括对所述知识数据库模块中预存储的数据进行分级管理,根据用户权限使用对应级别的数据生成结果输出给所述用户;
所述使用权限管理,包括对所述芯片良率分析模块中的功能进行分级管理,根据用户权限使用对应级别的功能生成结果输出给所述用户。
在其中一个实施例中,所述利用所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出,包括:
当达到预设条件后,获取所述输入的关于描述所述芯片良率问题的所有数据维度的信息,并根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用;
其中,所述预设条件包括:不同数据维度的信息之间存在矛盾,相同数据维度的信息存在矛盾,全部数据维度的信息叠加后所述知识数据库模块的问答集中无法成功进行问题匹配,和/或全部数据维度的信息叠加后无法选择调用所述芯片良率分析模块中的功能。
在其中一个实施例中,所述根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用,包括:
利用贝叶斯统计学,对基于顺序和/或权重筛选出来的所述若干个数据维度的信息进行处理,实现对所述芯片良率问题的描述和/或分析处理。
在其中一个实施例中,所述良率多维度互动***还包括原始数据处理模块,用于对所述输入的关于描述所述芯片良率问题的至少一个数据维度信息进行预处理,得到预处理后的所述数据维度的信息;
其中,所述预处理包括数据压缩、数据预统计、数据格式转换和缺陷类型标注中的至少一种。
在其中一个实施例中,所述良率多维度互动***还包括要素判定模块,用于基于所述输入的关于描述所述芯片良率问题的数据维度的信息,以及预设判定规则,确定所述芯片良率问题的解决要素是否完整:
若完整,则进行分析处理后反馈输出;
若不完整,则向所述处理引擎输出询问信息,以使所述处理引擎根据询问信息,向用户输出要求补充关于描述所述芯片良率问题的至少一个数据维度的信息。
在其中一个实施例中,所述良率多维度互动***还包括语言处理模块,用于基于预设的词典和自然语言处理方式,对所述输入进行处理,形成以最小词性为单位且包含语义的词项单元,提取所述输入的至少一个数据维度的信息给所述处理引擎进行分析处理;
其中,所述语言处理方式包括分词、词频统计、上下文语义分析。
在其中一个实施例中,所述良率多维度互动***基于机器学习模型、深度机器学习模型、强化学习模型、非强化学习模型和自然语言处理模型中的至少一种构建。
在其中一个实施例中,所述处理引擎,为对待训练的芯片良率分析模型进行训练得到的;对待训练的芯片良率分析模型进行训练,包括:
获取所述待训练的芯片良率分析模型的训练数据集;所述训练数据集,包括芯片良率问题的第二输入输出合集;所述第二输入输出合集包括关于芯片良率问题的输入和输出,以及良率多维度互动***对所述芯片良率问题的分析处理数据;
基于所述训练数据集对所述待训练的芯片良率分析模型进行训练,得到所述处理引擎。
在其中一个实施例中,所述芯片良率分析模块中包括测试机控制模块;
所述测试机控制模块,用于基于所述关于描述芯片良率问题的输入,生成所述芯片良率问题的测试方案,并控制和/或辅助控制测试机利用所述测试方案执行电性测试,基于所述电性测试的测试结果,生成所述芯片良率问题的结果。
在其中一个实施例中,所述良率多维度互动***还包括结果模板模块;
所述结果模板模块包括多个结果模板,用于基于所述关于描述芯片良率问题的输入以及所述芯片良率问题的结果,确定目标结果模板,并基于目标结果模板生成结构化的分析报告,作为所述芯片良率问题的结果。
第二方面,在本实施例中提供了一种芯片良率分析方法,所述方法应用于如第一方面所述的良率多维度互动***,所述方法包括:
获取包括关于描述芯片良率问题的至少一个数据维度的信息的输入;
利用所述输入的关于描述所述芯片良率问题的至少一个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出。
第三方面,在本实施例中提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第二方面所述的方法的步骤。
第四方面,在本实施例中提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第二方面所述的方法的步骤。
上述良率多维度互动***、方法、计算机设备和存储介质,基于处理引擎全面关联知识数据库模块、芯片良率分析模块等功能模块,能对芯片良率问题进行多维数据分析并及时处理反馈,实现了半导体领域的芯片良率多维数据相关的自动交互式***,为解决集成电路行业内芯片良率数据关联分析提供了一个方便、有效、简单且快捷的新工具。与传统的良率分析方法相比,本申请的技术方案能够根据用户的个性化需求,准确、及时地提供针对性的良率分析结果。通过这一***,用户可以更加方便地了解芯片良率问题的具体情况,及时采取措施进行优化和改进,从而提高集成电路产品的良品率和性能。
附图说明
图1为一个实施例中良率多维度互动***的结构框图。
图2为另一个实施例中良率多维度互动***的结构框图。
图3为一个实施例中芯片良率分析方法的流程示意图。
图4为一个实施例中良率多维度互动***的交互界面示意图。
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个示例性的实施例中,如图1所示,提供了一种良率多维度互动***100,该良率多维度互动***100,包括处理引擎101、知识数据库模块102和芯片良率分析模块103。
处理引擎101用于接收关于描述芯片良率问题的输入,并基于输入进行分析处理后反馈输出。
其中,芯片良率问题表示在集成电路制造过程中,由于设计、制造、封装等各个环节中的各种因素,导致芯片成品率未达到预期水平的一系列问题。在可制造性技术与环境的背景下,为了提高集成电路产品的良品率,缩短良品率成熟周期,通过制造测试芯片、集成电路测试设备来测试和监控芯片良品率,并通过技术人员利用良率分析工具对测试得到的数据进行分析以改善芯片良品率,成为了一种重要手段。因此,技术人员常常会对很多芯片良率问题进行分析解决,举例来说,芯片良率问题包括但不限于:晶圆缺陷分类(WaferDefect Classification)、掩膜缺陷分类(Reticle Defect Classification)、die维度的自动缺陷分类(Automated Defect Classification,Die)、包装缺陷分类(PackagingDefect Classification)、图案缺陷分类(Pattern Defect Classification)。
输入包括关于描述芯片良率问题的至少一个数据维度的信息。数据维度包括:语言/文字、图片、文档数据的,以及前述三种格式数据维度中任意一种中包括的描述芯片良率问题的不同信息类型。数据维度根据信息的性质进行分类,包括但不限于:格式维度、时间维度、地理维度、产品维度、客户维度、行为维度、特征维度。比如语音格式、文字格式、图片格式、文档格式等是根据格式维度来进行分类的;颜色、尺寸等维度是根据特征维度来进行分类的,而输入中涉及的时间信息则属于时间维度等。
处理引擎101基于输入进行分析处理后反馈输出,包括:利用输入的关于描述芯片良率问题的若干个数据维度的信息,基于处理引擎101耦合的知识数据库模块102和/或芯片良率分析模块103,生成芯片良率问题的结果用于输出。
具体地,处理引擎101包括分类模型。分类模型根据输入的关于描述芯片良率问题的若干个数据维度的信息,对芯片良率问题进行分类,以使处理引擎101对分属不同类型的芯片良率问题采用不同的分析处理方式。
其中,不同的分析处理方式包括:基于知识数据库模块102进行分析处理,基于芯片良率分析模块103进行分析处理,以及基于知识数据库模块102和芯片良率分析模块103进行分析处理。
知识数据库模块102,用于基于知识数据库中的数据生成芯片良率问题的结果。知识数据库中的数据可以预存储,方便提前对数据进行预处理;知识数据库中的数据也可以实时存储,即知识数据库可以基于输入实时获取相关数据,本实施例中不对知识数据库中的数据进行具体的限定。
芯片良率分析模块103,用于分析输入的若干个数据维度的信息生成芯片良率问题的结果。芯片良率分析模块可以进行实时分析,也可以实现预分析,比如在指定时间生产autoreport(自动报告),本实施例中不对芯片良率分析模块的分析方式进行具体的限定。
本实施例中的良率多维互动***,基于处理引擎101全面关联知识数据库模块102、芯片良率分析模块103等功能模块,能对芯片良率问题进行多维数据分析并及时处理反馈,实现了半导体领域的芯片良率多维数据相关的自动交互式***,为解决集成电路行业内芯片良率数据关联分析提供了一个方便、有效、简单且快捷的新工具。与传统的良率分析方法相比,本实施例中的技术方案能够根据用户的个性化需求,准确、及时地提供针对性的良率分析结果。通过这一***,用户可以更加方便地了解芯片良率问题的具体情况,及时采取措施进行优化和改进,从而提高集成电路产品的良品率和性能。
在一个示例性地实施例中,芯片良率分析模块103通过集成多个数据分析软件来实现分析功能,比如与自主知识产权的DataExp系列数据分析软件/平台进行耦合实现。
在一个示例性地实施例中,知识数据库模块102包括第一输入输出合集以及芯片良率分析技术文件中的至少一种。
其中,第一输入输出合集包括处理引擎101接收的关于描述芯片良率问题的历史输入,以及反馈的历史输出;芯片良率分析技术文件包括论文、专利文档、项目文件以及实务记录文件中的至少一种。
知识数据库模块102,用于基于第一输入输出合集和/或芯片良率分析技术文件,预生成多组芯片良率问题的问答集,并基于输入的关于描述芯片良率问题的若干个数据维度的信息,在问答集中进行问题匹配,匹配完成后生成芯片良率问题的结果。
示例性地,假设处理引擎101获取的关于描述芯片良率问题的输入,为某型号芯片良率下降的查询信息。首先,知识数据库模块102会根据对应的若干个数据维度的信息,从多组芯片良率问题的问答集中匹配与该查询信息相关的输入,以及对应的输出。通过对比发现,该芯片型号在以往的生产过程中也出现过类似的良率下降问题,并且当时的问题原因是由于某个特定工艺参数的设置不当。基于这一发现,知识数据库模块102可以初步判断当前的芯片良率问题可能也与工艺参数有关。接着,知识数据库模块102可以进一步引用芯片良率分析技术文件中的专业知识,分析工艺参数对芯片良率的影响机制,并提出相应的优化建议。这些建议可以包括调整工艺参数的取值范围、优化工艺流程等。
知识数据库模块102还用于实时学习新获取的第一输入输出合集,以及芯片良率分析技术文件,对预生成的问答集进行更新。
本实施例中,知识数据库模块102包括第一输入输出合集以及芯片良率分析技术文件中的至少一种。通过知识数据库模块102,可以基于第一输入输出合集和/或相关技术文件生成问题集,与输入进行问题匹配,进行芯片良率问题分析,得到芯片良率问题的结果,从而更准确地定位问题原因、提出解决方案并预测潜在风险。这有助于企业及时发现和解决良率问题,提高产品质量和生产效率。
在一个示例性的实施例中,处理引擎101输出部分或者全部的芯片良率问题的结果时,对结果添加至少一个标签后一并输出。
其中,标签包括:该结果中的至少一个数据维度的信息的最后更新时间、更新用户、更新地点、更新来源中的至少一个。
本实施例中,处理引擎101在输出部分或全部芯片良率问题的结果时,对结果添加至少一个标签,并一并输出。这些标签包含了结果中至少一个数据维度的信息的最后更新时间、更新用户、更新地点、更新来源等关键信息。通过对结果添加标签,可以明确知道数据是在何时、由谁、在哪里以及从哪个来源更新的。这大大增强了数据的可追溯性,使得在后续的数据分析、问题排查或决策制定过程中,能够迅速定位到数据的来源和更新情况。标签提供了数据更新的详细信息,有助于判断数据的准确性和可靠性。例如,如果某个数据维度的信息最近由权威用户或可靠来源进行了更新,那么该数据的可信度就相对较高。通过标签化输出,处理引擎101可以更高效地与其他***或模块进行数据交互。其他***或模块可以根据标签快速识别数据的属性、来源和更新状态,从而进行相应的处理或分析。
在一个示例性地实施例中,如图2所示,良率多维度互动***100设置有权限管理模块104,权限管理模块104包括用户权限管理、数据权限管理和使用权限管理中的至少一项功能。
其中,用户权限管理,包括对用户的权限根据用户所属的机构、组织架构和项目中的至少一种进行赋权,并根据用户的权限来分析处理其输入。数据权限管理,包括对知识数据库模块102中预存储的数据进行分级管理,根据用户权限使用对应级别的数据生成结果输出给用户。使用权限管理,包括对芯片良率分析模块103中的功能进行分级管理,根据用户权限使用对应级别的功能生成结果输出给用户。
对于包括权限管理模块104的良率多维度***,首先,在用户权限管理方面,***会首先识别用户的身份,并根据用户所属的机构、组织架构或项目来进行权限的赋予。例如,***管理员拥有最高的权限,可以访问***的所有功能和数据;项目经理则只能访问其负责项目的相关数据和功能;而普通工程师则只能查看和操作与其工作相关的数据。当普通工程师提交关于芯片良率问题的输入时,***会根据其权限来分析处理这些输入,确保只提供该工程师权限范围内的信息和建议。在一些实施例中,会根据用户权限输出展示其有权限查看的标签。其次,数据权限管理方面,知识数据库模块102中的数据被划分为不同的级别。敏感数据或高级数据,如特定芯片良率问题的解决方案,先进工艺下的数据,可能仅对高级别用户开放。一般用户可能只能访问一些基础的数据集或分析结果。这样,当不同级别的用户请求关于芯片良率问题的数据时,***会根据其权限返回相应级别的数据;因此,在一些实施例中,相同的芯片良率问题,可能会针对不同权限的用户输出不同的结果。
最后,在使用权限管理方面,芯片良率分析模块103中的功能也被分级管理。例如,高级功能,如复杂的算法分析或模型训练,可能只对具有相应技能和经验的用户开放。其他用户可能只能使用基本的分析工具或预定义的模型。因此,当用户尝试使用某个特定功能时,***会检查其权限,并决定是否允许该操作。在一些实施例中,芯片良率分析模块通过集成了多个自主知识产权的数据分析软件来实现分析功能,权限管理模块104根据用户的数据分析软件购买情况,来决定该用户是否有权限使用对应数据分析软件的分析功能。
本实施例中,良率多维度互动***100设置有权限管理模块104,权限管理模块104包括用户权限管理、数据权限管理和使用权限管理中的至少一项功能。通过这种方式,确保了***的安全性,防止了未经授权的用户访问敏感数据或执行高级操作,同时也为不同级别的用户提供了适当的工具和信息,以满足其工作需求。
在一个示例性的实施例中,利用输入的关于描述芯片良率问题的若干个数据维度的信息,基于处理引擎101耦合的知识数据库模块102和/或芯片良率分析模块103,生成芯片良率问题的结果用于输出,包括:
当达到预设条件后,获取输入的关于描述芯片良率问题的所有数据维度的信息,并根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用。
具体地,利用贝叶斯统计学,对基于顺序和/或权重筛选出来的所述若干个数据维度的信息进行处理,实现对芯片良率问题的描述和/或分析处理。当输入中包括需要进行模糊判断的数据集和/或数据组时,即对良率询问的顺序或权重做出筛选决策的时候,处理引擎使用贝叶斯方法(Bayes Approach)来设立模糊的检验测试(Fuzzy Hypotheses Test),以输入的条件的重要性、频率、用户权限等多维度考量因素,来判断输入的模糊数据集或数据组,最终是什么顺序和权重决策。
其中,预设条件包括:不同数据维度的信息之间存在矛盾,相同数据维度的信息存在矛盾,全部数据维度的信息叠加后知识数据库模块102的问答集中无法成功进行问题匹配,和/或全部数据维度的信息叠加后无法选择调用芯片良率分析模块103中的功能。
示例性地,在处理这些不同数据维度的信息时,***会遵循一系列预设条件来确保数据的一致性和准确性。当这些预设条件被触发时,***会采取特定的措施来处理数据。这些预设条件包括以下几种情况:不同数据维度的信息之间存在矛盾,例如,如果某个数据维度显示温度异常,而另一个数据维度却显示温度正常;相同数据维度的信息存在矛盾;全部数据维度的信息叠加后,知识数据库模块102的问答集中无法成功进行问题匹配,以准确地定位问题;全部数据维度的信息叠加后无法选择调用芯片良率分析模块103中的功能。
在满足这些预设条件后,***会根据预设的规则对各数据维度的信息进行排序和/或计算权重。这个排序和权重计算可能基于数据的可靠性、相关性、历史表现等因素。通过这个过程,***能够筛选出对解决问题最为关键的数据维度。最后,基于这些筛选后的数据维度信息,***会生成关于芯片良率问题的结果,并输出给用户。
本实施例中,当达到预设条件后,获取输入的关于描述芯片良率问题的所有数据维度的信息,并根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用。通过预设条件的判断,***能够筛选出更为关键和准确的数据维度信息,避免无效或错误数据的干扰。这大大提升了芯片良率问题解决的准确性。同时,利用排序和权重计算,***能够迅速定位到最重要的数据维度,从而提高了问题解决的效率。***能够根据用户输入的多个数据维度信息,自动进行匹配、分析和处理,生成针对芯片良率问题的结果。这种智能化的处理方式不仅减少了人工干预的需要,还提高了处理结果的客观性和可靠性。另一方面,也提供了***处理模糊数据的能力,提高了***的应答处理能力和扩大了可处理输入的范围。
在其中一个实施例中,如图2所示,良率多维度互动***100还包括原始数据处理模块105,用于对输入的关于描述芯片良率问题的至少一个数据维度信息进行预处理,得到预处理后的数据维度的信息;
其中,预处理包括数据压缩、数据预统计、数据格式转换和缺陷类型标注中的至少一种。
预处理包括数据压缩、数据预统计、数据格式转换和缺陷类型标注中的至少一种。
示例性地,数据压缩可以包括以下步骤:获取待处理的文档格式的输入和预定义的关键词表;根据关键词表,将文档格式的输入编译成二进制文件。其中,文档格式的输入中包括若干字段。其中,若干字段包括表示芯片信息的字段、表示测试条件的字段和表示测试数据的字段;关键词表中定义的若干字段包括:表示芯片信息的字段、表示测试条件的字段和表示测试数据的字段。关键词表中定义有若干字段及其对应的关键词,关键词是预设的二进制数值。
数据预统计包括针对预设的数据维度对原始数据进行预统计。如表所示,表展示了在晶圆维度对原始数据进行预统计的结果,对于每个晶圆,不仅可以统计其失效信息,还可以统计其良率信息,其中良率信息还可以统计边缘良率、非边缘良率等信息。
表 数据预统计
数据格式转换,包括将图片格式的原始数据转换为预设格式,如JPG、PNG、TIFF等格式的图像文件,以及将文档格式的原始数据转换为预设格式如.bin、.dat格式的二进制文件。
缺陷类型标注,包括将图片格式的原始数据按照缺陷类型划分为若干个包含标签的图像集,例如,机械损伤图片集、晶圆表面存在冗余物图片集、晶体损伤图片集等。
通过原始数据处理模块105,用于对输入的关于描述芯片良率问题的至少一个数据维度信息进行预处理,得到预处理后的数据维度的信息,可以得到芯片良率分析模块103和知识数据库模块102能够直接处理的芯片良率数据,以便于模块进行芯片良率问题的分析。
在一个示例性地实施例中,如图2所示,良率多维度互动***100还包括要素判定模块106,用于基于输入的关于描述芯片良率问题的数据维度的信息,以及预设判定规则,确定芯片良率问题的解决要素是否完整。
若完整,则进行分析处理后反馈输出,若不完整,则向处理引擎101输出询问信息,以使处理引擎101根据询问信息,向用户输出要求补充关于描述芯片良率问题的至少一个数据维度的信息。
示例性地,假设一个数据维度的信息的内容为:“最近生产的芯片在测试阶段良率较低,可能的原因是什么?”,通过解析处理得到的关键信息包括“某批次芯片”、“良率低于预期”。要素判定模块106获取这些关键信息,并通过原始数据处理模块105得到芯片良率数据(这些芯片良率数据可能是经过预处理后的,包含了各种电性参数的统计结果、缺陷类型标注等),要素判定模块106参考预设的判定规则进行判断。
在这个例子中,假设预设判定规则之一是:分析芯片良率问题至少需要知道芯片的制造批次、良率的具体数值、以及可能的缺陷类型。如果关键信息和芯片良率数据中包含了这些信息,要素判定模块106就会判定解决要素完整,并向芯片良率分析模块103输出分析指令。芯片良率分析模块103接收到指令后,会进一步利用这些数据进行分析,找出可能导致良率低于预期的原因。然而,如果关键信息和芯片良率数据不完整,例如缺少了缺陷类型的信息,要素判定模块106就会判定解决要素不完整。此时,它会向处理引擎101输出询问信息,要求补充关于缺陷类型的详细信息,或提供额外的测试数据或图片等。
本实施例中,良率多维度互动***100还包括要素判定模块106,用于基于输入的关于描述芯片良率问题的数据维度的信息,以及预设判定规则,确定芯片良率问题的解决要素是否完整。通过要素判断模块,确保关于描述芯片良率问题的多个数据维度的信息是完整的,从而能够得到准确的分析结果。在一个示例性的实施例中,良率多维度互动***100还包括语言处理模块107,用于基于预设的词典和自然语言处理方式,对输入进行处理,形成以最小词性为单位且包含语义的词项单元,提取输入的至少一个数据维度的信息给处理引擎101进行分析处理。
其中,语言处理方式包括分词、词频统计、上下文语义分析。
其中,预设词典是一个预先定义好的词汇集合,包含大量的单词、短语术语,例如与芯片制造、测试、良率分析等领域相关的专业词汇和术语,以及它们对应的词义、词性、用法等信息。
示例性地,一个数据维度的信息为语音格式,则先将语音格式的信息转换为文字格式,信息为文字格式,则直接提取其中的内容。假设信息的内容为:“芯片良率对生产成本有何影响?如何平衡良率与成本?” 语言处理模块107首先会利用预设词典对这条信息进行分词处理,将其拆分成单独的词项单元,例如: “芯片”、“良率”、“生产”、“成本”、“影响”、“平衡”等。接下来,语言处理模块107会进行词频统计,统计每个词项单元在信息中出现的次数,词频统计可以帮助识别关键信息。最后,语言处理模块107会进行上下文语义分析,结合预设词典中的词义信息和词项单元之间的关联,来理解询问信息的整体语义。在这个例子中,模块会识别出“芯片良率对生产成本的影响”是信息的核心关注点,并且“平衡良率与成本”表明了用户想要进一步了解如何兼顾芯片的良率和生产制造成本。
经过这些解析处理后,语言信息处理模块会提取出一个包含语义信息的词项单元合集,这个合集就代表了芯片良率问题的关键信息。在这个例子中,关键信息可能包括“良率”、“成本”和“影响”等词项单元。
上述语言信息处理模块,能够从不同数据维度的信息中,通过关键词提取技术,快速识别并提取出与芯片良率问题直接相关的关键信息。这大大减少了信息处理的复杂性,使得后续的分析和决策能够更加聚焦和高效。从而能够更迅速地响应用户的询问,提供及时有效的分析。
在一个示例性的实施例中,良率多维度互动***100基于机器学习模型、深度机器学习模型、强化学习模型、非强化学习模型和自然语言处理模型中的至少一种构建。
示例性地,语言处理模块107基于自然语言处理(NLP)模型,如BERT或GPT等,实现对询问信息的关键词提取,从而触发后续的数据处理和分析流程。原始数据处理模块105则运用数据清洗和特征提取模型。这些模型利用统计学和机器学习算法,对从生产线收集到的原始数据进行预处理,包括去除噪声、填充缺失值、转换数据类型等,并提取出对芯片良率问题分析有用的特征。要素判定模块106基于分类和回归模型,如决策树、随机森林或支持向量机等。这些模型通过对提取的关键信息和预处理后的芯片良率数据进行学习和训练,能够自动识别和判定影响芯片良率问题分析的解决要素是否完整。芯片良率分析模块103利用聚类分析和关联规则挖掘模型,对判定完整的关键要素进行深入分析。这些模型通过对数据进行聚类和关联分析,能够发现不同关键要素之间的潜在联系和规律,获取芯片良率问题的分析结果。处理引擎101可以利用深度学习模型。对于复杂的芯片良率分析任务,深度学习模型如神经网络、卷积神经网络(CNN)和循环神经网络(RNN)等可以提供更强大的特征学习和表示能力。这些模型可以通过学习输入数据的深层表示来捕获复杂的模式和关系,从而提高预测准确性。
以其中的处理引擎101为例,处理引擎101,为对待训练的芯片良率分析模型进行训练得到的;对待训练的芯片良率分析模型进行训练,包括:获取待训练的芯片良率分析模型的训练数据集;训练数据集,包括芯片良率问题的第二输入输出合集,以及良率多维度互动***对所述芯片良率问题的分析处理数据;第二输入输出合集包括关于芯片良率问题的输入和输出,以及良率多维度互动***对芯片良率问题的分析处理数据;基于训练数据集对待训练的芯片良率分析模型进行训练,得到处理引擎101。其中,训练数据集包括芯片良率问题的第二输入输出合集;第二输入输出合集包括芯片良率问题的解决要素,以及对应的分析结果。训练数据集的来源可以包括以下几种:历史生产数据,包括过去生产的芯片的各种参数、测试结果以及良率数据。这些数据记录了芯片制造过程中的各种信息,是分析良率问题的重要基础。仿真数据,通过仿真软件模拟芯片制造过程,生成大量的仿真数据。这些数据可以覆盖各种可能的制造条件和参数变化,有助于模型学习更广泛的情况。外部数据源,可能包括其他研究机构或企业共享的公开数据,以及行业内的标准数据集等。这些外部数据可以为模型提供额外的信息和视角。
本实施例中,良率多维度互动***100基于深度学习模型、强化学习模型以及神经网络模型中的至少一种构建。通过综合运用不同的模型,良率多维度互动***100实现了对芯片良率问题的高效、准确分析。能够提供了更加全面和深入的良率分析结果,从而有助于根据分析结果优化生产流程、提高产品质量和降低成本。
在一个示例性的实施例中,芯片良率分析模块103中包括测试机控制模块108;
测试机控制模块108,用于基于关于描述芯片良率问题的输入,生成芯片良率问题的测试方案,并控制和/或辅助控制测试机利用测试方案执行电性测试,基于电性测试的测试结果,生成芯片良率问题的结果。
具体地,测试机控制模块108首先接收来自***中的其他模块输入。输入可能包括芯片的具体型号、生产工艺、历史芯片良率数据等,而芯片良率数据则直接反映了当前生产批次中的芯片性能状况。基于这些输入信息,测试机控制模块108会运用内置的算法和模型,生成一个或多个芯片良率问题的测试方案。这些测试方案能够通过特定的测试手段和方法,得到芯片良率问题的分析结果。在生成测试方案的过程中,模块会充分考虑各种可能的因素,如芯片的设计特点、生产工艺的波动、环境因素的影响等,以确保测试方案的有效性和准确性。生成测试方案后,测试机控制模块108会将这些方案发送给测试机执行。测试机是专门用于执行芯片电性测试的设备,它可以根据测试方案中的指令,对芯片进行各种电性参数的测量和评估。在本良率多维度互动***100中,测试机可以执行包括WAT(晶圆验收测试)、WLR(晶圆层压电阻测试)和SPICE(半导体参数集成电路模拟测试)等在内的至少一种电性测试。这些测试方案能够全面、准确地评估芯片的电性性能,从而揭示芯片良率问题的关键所在。测试机执行完电性测试后,会将测试结果反馈给测试机控制模块108。测试机控制模块108会根据这些测试结果,结合之前的关键信息和芯片良率数据,进行芯片良率问题分析,得到芯片良率问题的分析结果。
在一个示例性的实施例中,良率多维度互动***100还包括结果模板模块109;结果模板模块109包括多个结果模板,用于基于关于描述芯片良率问题的输入以及芯片良率问题的结果,确定目标结果模板,并基于目标结果模板生成结构化的分析报告,作为芯片良率问题的结果。
其中,各良率结果模板都针对特定的良率问题或分析场景,提供了不同的分析维度和呈现方式。例如,有的模板可能更注重于良率数据的统计和对比,有的模板则可能更侧重于芯片良率问题的原因分析和改进建议。在芯片良率分析过程中,结果模板模块109会基于关键信息、芯片良率数据以及芯片良率问题的分析结果,确定使用哪一个良率结果模板作为目标良率结果模板。这一确定过程可能涉及到对良率问题的类型、严重程度、影响范围等多个因素的综合考虑。一旦确定了目标良率结果模板,芯片良率分析模块103就会根据该良率结果模板的结构和格式,自动生成芯片良率问题的结构化的分析结果。这些结果可能包括良率数据的表格、图表、原因分析的文字描述、改进建议的列表等多种形式。
本实施例中,通过引入结果模板模块109,良率多维度互动***100能够更加高效、准确地生成芯片良率问题的结构化的分析结果。
在一个示例性的实施例中,基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的良率多维度互动***100的芯片良率分析方法。该方法所提供的解决问题的实现方案与上述***中所记载的实现方案相似,故下面所提供的一个或多个芯片良率分析方法实施例中的具体限定可以参见上文中对于良率多维度互动***100的限定,在此不再赘述。如图3所示,提供了一种芯片良率分析方法,该方法包括:
步骤302,获取包括关于描述芯片良率问题的至少一个数据维度的信息的输入。
步骤304,利用输入的关于描述芯片良率问题的若干个数据维度的信息,基于处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成芯片良率问题的结果用于输出。
如图4为采用本实施例的芯片良率分析方法进行芯片良率分析的交互界面示意图。本申请的芯片良率分析方法,获取芯片良率问题的多个询问信息,利用自然语言处理对各询问信息进行解析处理,得到芯片良率问题的关键信息。基于关键信息以及预设判定规则,确定芯片良率问题的解决要素是否完整;若完整,则向芯片良率分析模块输出分析指令;若不完整,则向询问信息处理模块输出询问信息补充指令。基于关键信息以及分析指令,进行芯片良率问题分析,得到芯片良率问题的分析结果。采用本实施例的方法进行芯片良率分析,不仅能够处理海量的芯片良率原始数据,进行全面的自动分析,还能够根据用户的个性化需求,准确、及时地提供针对性的良率分析结果。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过***总线连接,通信接口、显示单元和输入装置 通过输入/输出接口连接到***总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种芯片良率分析方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (17)
1.一种良率多维度互动***,其特征在于,包括处理引擎、知识数据库模块和芯片良率分析模块;
所述处理引擎,用于接收关于描述芯片良率问题的输入,并基于所述输入进行分析处理后反馈输出;其中,所述输入包括关于描述所述芯片良率问题的至少一个数据维度的信息;
所述处理引擎基于所述输入进行分析处理后反馈输出,包括:利用所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出;
所述知识数据库模块,用于基于所述知识数据库中的数据生成所述芯片良率问题的结果;
所述芯片良率分析模块,用于分析所述输入的若干个数据维度的信息生成所述芯片良率问题的结果。
2.根据权利要求1所述的良率多维度互动***,其特征在于,所述处理引擎包括分类模型;
所述分类模型根据所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,对所述芯片良率问题进行分类;
所述处理引擎对分属不同类型的芯片良率问题采用不同的分析处理方式;
其中,所述分析处理方式包括:基于所述知识数据库模块进行分析处理,基于所述芯片良率分析模块进行分析处理,以及基于所述知识数据库模块和芯片良率分析模块进行分析处理。
3.根据权利要求1所述的良率多维度互动***,其特征在于,所述知识数据库模块包括第一输入输出合集以及芯片良率分析技术文件中的至少一种;所述第一输入输出合集包括所述处理引擎接收的关于描述芯片良率问题的历史输入,以及反馈的历史输出;所述芯片良率分析技术文件包括论文、专利文档、项目文件以及实务记录文件中的至少一种;
所述知识数据库模块,用于基于所述第一输入输出合集和/或芯片良率分析技术文件,预生成多组芯片良率问题的问答集,并基于所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,在所述问答集中进行问题匹配,匹配完成后生成所述芯片良率问题的结果;
所述知识数据库模块还用于实时学习新获取的第一输入输出合集以及芯片良率分析技术文件,对预生成的问答集进行更新。
4.根据权利要求1所述的良率多维度互动***,其特征在于,所述处理引擎输出部分或者全部的所述芯片良率问题的结果时,对所述结果添加至少一个标签后一并输出;
所述标签包括:该结果中的至少一个数据维度的信息的最后更新时间、更新用户、更新地点、更新来源中的至少一个。
5.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***设置有权限管理模块,所述权限管理模块包括用户权限管理、数据权限管理和使用权限管理中的至少一项功能;
所述用户权限管理,包括对用户的权限根据用户所属的机构、组织架构和项目中的至少一种进行赋权,并根据用户的权限来分析处理其输入;
所述数据权限管理,包括对所述知识数据库模块中预存储的数据进行分级管理,根据用户权限使用对应级别的数据生成结果输出给所述用户;
所述使用权限管理,包括对所述芯片良率分析模块中的功能进行分级管理,根据用户权限使用对应级别的功能生成结果输出给所述用户。
6.根据权利要求1所述的良率多维度互动***,其特征在于,所述利用所述输入的关于描述所述芯片良率问题的若干个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出,包括:
当达到预设条件后,获取所述输入的关于描述所述芯片良率问题的所有数据维度的信息,并根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用;
其中,所述预设条件包括:不同数据维度的信息之间存在矛盾,相同数据维度的信息存在矛盾,全部数据维度的信息叠加后所述知识数据库模块的问答集中无法成功进行问题匹配,和/或全部数据维度的信息叠加后无法选择调用所述芯片良率分析模块中的功能。
7.根据权利要求6所述的良率多维度互动***,其特征在于,所述根据预设的规则对各数据维度的信息进行排序和/或计算权重,并基于顺序和/或权重筛选若干个数据维度的信息进行使用,包括:
利用贝叶斯统计学,对基于顺序和/或权重筛选出来的所述若干个数据维度的信息进行处理,实现对所述芯片良率问题的描述和/或分析处理。
8.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***还包括原始数据处理模块,用于对所述输入的关于描述所述芯片良率问题的至少一个数据维度信息进行预处理,得到预处理后的所述数据维度的信息;
其中,所述预处理包括数据压缩、数据预统计、数据格式转换和缺陷类型标注中的至少一种。
9.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***还包括要素判定模块,用于基于所述输入的关于描述所述芯片良率问题的数据维度的信息,以及预设判定规则,确定所述芯片良率问题的解决要素是否完整:
若完整,则进行分析处理后反馈输出;
若不完整,则向所述处理引擎输出询问信息,以使所述处理引擎根据询问信息,向用户输出要求补充关于描述所述芯片良率问题的至少一个数据维度的信息。
10.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***还包括语言处理模块,用于基于预设的词典和自然语言处理方式,对所述输入进行处理,形成以最小词性为单位且包含语义的词项单元,提取所述输入的至少一个数据维度的信息给所述处理引擎进行分析处理;
其中,所述语言处理方式包括分词、词频统计、上下文语义分析。
11.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***基于机器学习模型、深度机器学习模型、强化学习模型、非强化学习模型和自然语言处理模型中的至少一种构建。
12.根据权利要求1所述的良率多维度互动***,其特征在于,所述处理引擎,为对待训练的芯片良率分析模型进行训练得到的;对待训练的芯片良率分析模型进行训练,包括:
获取所述待训练的芯片良率分析模型的训练数据集;所述训练数据集,包括芯片良率问题的第二输入输出合集;所述第二输入输出合集包括关于芯片良率问题的输入和输出,以及良率多维度互动***对所述芯片良率问题的分析处理数据;
基于所述训练数据集对所述待训练的芯片良率分析模型进行训练,得到所述处理引擎。
13.根据权利要求1所述的良率多维度互动***,其特征在于,所述芯片良率分析模块中包括测试机控制模块;
所述测试机控制模块,用于基于所述关于描述芯片良率问题的输入,生成所述芯片良率问题的测试方案,并控制和/或辅助控制测试机利用所述测试方案执行电性测试,基于所述电性测试的测试结果,生成所述芯片良率问题的结果。
14.根据权利要求1所述的良率多维度互动***,其特征在于,所述良率多维度互动***还包括结果模板模块;
所述结果模板模块包括多个结果模板,用于基于所述关于描述芯片良率问题的输入以及所述芯片良率问题的结果,确定目标结果模板,并基于目标结果模板生成结构化的分析报告,作为所述芯片良率问题的结果。
15.一种芯片良率分析方法,其特征在于,所述方法应用于如权利要求1至权利要求14中任一项所述的良率多维度互动***,所述方法包括:
获取包括关于描述芯片良率问题的至少一个数据维度的信息的输入;
利用所述输入的关于描述所述芯片良率问题的至少一个数据维度的信息,基于所述处理引擎耦合的知识数据库模块和/或芯片良率分析模块,生成所述芯片良率问题的结果用于输出。
16.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求15所述的方法的步骤。
17.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求15所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349446.9A CN117952022A (zh) | 2024-03-26 | 2024-03-26 | 良率多维度互动***、方法、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410349446.9A CN117952022A (zh) | 2024-03-26 | 2024-03-26 | 良率多维度互动***、方法、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117952022A true CN117952022A (zh) | 2024-04-30 |
Family
ID=90796543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410349446.9A Pending CN117952022A (zh) | 2024-03-26 | 2024-03-26 | 良率多维度互动***、方法、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117952022A (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6578022B1 (en) * | 2000-04-18 | 2003-06-10 | Icplanet Corporation | Interactive intelligent searching with executable suggestions |
US20040010483A1 (en) * | 2002-02-27 | 2004-01-15 | Brands Michael Rik Frans | Data integration and knowledge management solution |
US9501585B1 (en) * | 2013-06-13 | 2016-11-22 | DataRPM Corporation | Methods and system for providing real-time business intelligence using search-based analytics engine |
KR20180015561A (ko) * | 2016-08-03 | 2018-02-13 | 한국전자통신연구원 | 적응형 지식 베이스 구축 방법 및 그 시스템 |
CN111309928A (zh) * | 2020-02-21 | 2020-06-19 | 广东电网有限责任公司 | 一种基于贝叶斯和语义分析的运维知识库构建方法 |
CN111597204A (zh) * | 2020-05-20 | 2020-08-28 | 江苏南工科技集团有限公司 | 一种基于ai技术的智慧运维知识分析方法 |
CN112069314A (zh) * | 2020-08-25 | 2020-12-11 | 清华大学 | 一种基于科技文献数据的特定领域态势分析*** |
CN113392227A (zh) * | 2021-05-31 | 2021-09-14 | 交控科技股份有限公司 | 面向轨道交通领域的元数据知识图谱引擎*** |
US20210319043A1 (en) * | 2020-04-13 | 2021-10-14 | Singapore University Of Technology And Design | Multi-source data management mechanism and platform |
CN114186041A (zh) * | 2021-11-29 | 2022-03-15 | 珠海采筑电子商务有限公司 | 一种答案输出方法 |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答*** |
US20230237028A1 (en) * | 2013-03-15 | 2023-07-27 | Primal Fusion Inc. | Methods and devices for customizing knowledge representation systems |
US11734365B1 (en) * | 2022-02-28 | 2023-08-22 | Unlimidata Limited | Knowledge-enriched item set expansion system and method |
CN116860925A (zh) * | 2023-06-09 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 基于LLMs提示词优化的电网调度智能问答***及方法 |
CN116932708A (zh) * | 2023-04-18 | 2023-10-24 | 清华大学 | 大语言模型驱动的开放域自然语言推理问答***及方法 |
CN117056479A (zh) * | 2023-08-07 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 基于语义解析引擎的智能问答交互*** |
CN117171191A (zh) * | 2023-08-15 | 2023-12-05 | 山东产研先进材料研究院有限公司 | 一种材料垂直领域智能搜索引擎***及方法 |
CN117271767A (zh) * | 2023-09-15 | 2023-12-22 | 上海海启科技有限公司 | 基于多智能体的运维知识库的建立方法 |
CN117271700A (zh) * | 2023-11-23 | 2023-12-22 | 武汉蓝海科创技术有限公司 | 集成智能学习功能的设备使用与维修知识库 |
CN117290489A (zh) * | 2023-11-24 | 2023-12-26 | 烟台云朵软件有限公司 | 一种行业问答知识库快速构建方法与*** |
-
2024
- 2024-03-26 CN CN202410349446.9A patent/CN117952022A/zh active Pending
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6578022B1 (en) * | 2000-04-18 | 2003-06-10 | Icplanet Corporation | Interactive intelligent searching with executable suggestions |
US20040010483A1 (en) * | 2002-02-27 | 2004-01-15 | Brands Michael Rik Frans | Data integration and knowledge management solution |
US20230237028A1 (en) * | 2013-03-15 | 2023-07-27 | Primal Fusion Inc. | Methods and devices for customizing knowledge representation systems |
US9501585B1 (en) * | 2013-06-13 | 2016-11-22 | DataRPM Corporation | Methods and system for providing real-time business intelligence using search-based analytics engine |
KR20180015561A (ko) * | 2016-08-03 | 2018-02-13 | 한국전자통신연구원 | 적응형 지식 베이스 구축 방법 및 그 시스템 |
CN111309928A (zh) * | 2020-02-21 | 2020-06-19 | 广东电网有限责任公司 | 一种基于贝叶斯和语义分析的运维知识库构建方法 |
US20210319043A1 (en) * | 2020-04-13 | 2021-10-14 | Singapore University Of Technology And Design | Multi-source data management mechanism and platform |
CN111597204A (zh) * | 2020-05-20 | 2020-08-28 | 江苏南工科技集团有限公司 | 一种基于ai技术的智慧运维知识分析方法 |
CN112069314A (zh) * | 2020-08-25 | 2020-12-11 | 清华大学 | 一种基于科技文献数据的特定领域态势分析*** |
CN113392227A (zh) * | 2021-05-31 | 2021-09-14 | 交控科技股份有限公司 | 面向轨道交通领域的元数据知识图谱引擎*** |
CN114186041A (zh) * | 2021-11-29 | 2022-03-15 | 珠海采筑电子商务有限公司 | 一种答案输出方法 |
US11734365B1 (en) * | 2022-02-28 | 2023-08-22 | Unlimidata Limited | Knowledge-enriched item set expansion system and method |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答*** |
CN116932708A (zh) * | 2023-04-18 | 2023-10-24 | 清华大学 | 大语言模型驱动的开放域自然语言推理问答***及方法 |
CN116860925A (zh) * | 2023-06-09 | 2023-10-10 | 国网吉林省电力有限公司吉林供电公司 | 基于LLMs提示词优化的电网调度智能问答***及方法 |
CN117056479A (zh) * | 2023-08-07 | 2023-11-14 | 广东电网有限责任公司广州供电局 | 基于语义解析引擎的智能问答交互*** |
CN117171191A (zh) * | 2023-08-15 | 2023-12-05 | 山东产研先进材料研究院有限公司 | 一种材料垂直领域智能搜索引擎***及方法 |
CN117271767A (zh) * | 2023-09-15 | 2023-12-22 | 上海海启科技有限公司 | 基于多智能体的运维知识库的建立方法 |
CN117271700A (zh) * | 2023-11-23 | 2023-12-22 | 武汉蓝海科创技术有限公司 | 集成智能学习功能的设备使用与维修知识库 |
CN117290489A (zh) * | 2023-11-24 | 2023-12-26 | 烟台云朵软件有限公司 | 一种行业问答知识库快速构建方法与*** |
Non-Patent Citations (2)
Title |
---|
张奇;刘国华;李季辉;卢海涛;: "一种基于本体驱动知识库的科学数据库体系结构", 计算机研究与发展, no. 1, 15 January 2008 (2008-01-15) * |
曹宇;叶健辉;于永超;: "基于电网本体知识库的智能搜索研究与实现", 电力与能源, no. 01, 20 February 2016 (2016-02-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114722746B (zh) | 一种芯片辅助设计方法、装置、设备及可读介质 | |
CN111427775B (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
CN112767106B (zh) | 自动化审计方法、***、计算机可读存储介质及审计设备 | |
US20210209011A1 (en) | Systems and methods for automated testing using artificial intelligence techniques | |
CN116797195A (zh) | 工单处理方法、装置、计算机设备和计算机可读存储介质 | |
CN112685374B (zh) | 日志分类方法、装置及电子设备 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN110968664A (zh) | 一种文书检索方法、装置、设备及介质 | |
CN112420125A (zh) | 分子属性预测方法、装置、智能设备和终端 | |
CN116361147A (zh) | 测试用例根因定位方法及其装置、设备、介质、产品 | |
CN117296064A (zh) | 计算环境中的可解释人工智能 | |
CN114781532A (zh) | 机器学习模型的评估方法、装置、计算机设备及介质 | |
CN113761193A (zh) | 日志分类方法、装置、计算机设备和存储介质 | |
CN111985226A (zh) | 标注数据生成方法及装置 | |
WO2023000725A1 (zh) | 电力计量的命名实体识别方法、装置和计算机设备 | |
CN117952022A (zh) | 良率多维度互动***、方法、计算机设备和存储介质 | |
CN113821296A (zh) | 可视化界面生成方法、电子设备及存储介质 | |
US20230368086A1 (en) | Automated intelligence facilitation of routing operations | |
US20230368085A1 (en) | Automated intelligence facilitation of routing operations | |
CN117806980B (zh) | 一种基于大语言模型的测试用例自动生成装置 | |
US20230367303A1 (en) | Automated intelligence facilitation of routing operations | |
CN117807481B (zh) | 故障识别方法、模型的训练方法、装置、设备以及介质 | |
CN118170685B (zh) | 一种自适应操作***环境的自动化测试平台及方法 | |
CN116991364B (zh) | 基于大数据的软件开发***管理方法 | |
CN117436444B (zh) | 基于标签的数据处理方法、设备及计算机可读存储介质 |
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 |