利索-全球专利检索

  1. 登录
  2. 注册

搜索结果

64 条记录 (耗时 0.022 秒)

    DETERMINATION OF TRAINING SET SIZE FOR A MACHINE LEARNING SYSTEM
    1.
    发明申请
    DETERMINATION OF TRAINING SET SIZE FOR A MACHINE LEARNING SYSTEM 有权
    确定机器学习系统的训练尺寸

    公开(公告)号：US20110307424A1

    公开(公告)日：2011-12-15

    申请号：US12813431

    申请日：2010-06-10

    申请人： Wen Jin ,  Vi Vuong ,  Walter Dean Mieher

    发明人： Wen Jin ,  Vi Vuong ,  Walter Dean Mieher

    IPC分类号： G06F15/18

    CPC分类号： G06N99/005

    摘要： Automated determination of a number of profiles for a training data set to be used in training a machine learning system for generating target function information from modeled profile parameters. In one embodiment, a first principal component analysis (PCA) is performed on a training data set, and a second PCA is performed on a combined data set which includes the training data set and a test data set. A test data set estimate is generated based on the first PCA transform and the second PCA matrix. The size of error between the test data set and the test data set estimate is used to determine whether a number of profiles associated with the training data set is sufficiently large for training a machine learning system to generate a library of spectral information.

    摘要翻译： 自动确定用于培训机器学习系统用于从建模的轮廓参数生成目标函数信息的训练数据集的轮廓数。 在一个实施例中，对训练数据集执行第一主成分分析（PCA），并且对包括训练数据集和测试数据集的组合数据集执行第二PCA。 基于第一PCA变换和第二PCA矩阵生成测试数据集估计。 测试数据集和测试数据集估计之间的误差大小用于确定与训练数据集相关联的多个简档是否足够大，用于训练机器学习系统以生成光谱信息库。

    Determination of training set size for a machine learning system
    2.
    发明授权
    Determination of training set size for a machine learning system 有权
    确定机器学习系统的训练集大小

    公开(公告)号：US08452718B2

    公开(公告)日：2013-05-28

    申请号：US12813431

    申请日：2010-06-10

    申请人： Wen Jin ,  Vi Vuong ,  Walter Dean Mieher

    发明人： Wen Jin ,  Vi Vuong ,  Walter Dean Mieher

    IPC分类号： G06F15/18

    CPC分类号： G06N99/005

    摘要： Automated determination of a number of profiles for a training data set to be used in training a machine learning system for generating target function information from modeled profile parameters. In one embodiment, a first principal component analysis (PCA) is performed on a training data set, and a second PCA is performed on a combined data set which includes the training data set and a test data set. A test data set estimate is generated based on the first PCA transform and the second PCA matrix. The size of error between the test data set and the test data set estimate is used to determine whether a number of profiles associated with the training data set is sufficiently large for training a machine learning system to generate a library of spectral information.

    摘要翻译： 自动确定用于培训机器学习系统用于从建模的轮廓参数生成目标函数信息的训练数据集的轮廓数。 在一个实施例中，对训练数据集执行第一主成分分析（PCA），并且对包括训练数据集和测试数据集的组合数据集执行第二PCA。 基于第一PCA变换和第二PCA矩阵生成测试数据集估计。 测试数据集和测试数据集估计之间的误差大小用于确定与训练数据集相关联的多个简档是否足够大，用于训练机器学习系统以生成光谱信息库。

    Accurate and fast neural network training for library-based critical dimension (CD) metrology
    4.
    发明授权
    Accurate and fast neural network training for library-based critical dimension (CD) metrology 有权
    基于图书馆的关键维度（CD）计量学的准确快速的神经网络训练

    公开(公告)号：US08577820B2

    公开(公告)日：2013-11-05

    申请号：US13041253

    申请日：2011-03-04

    申请人： Wen Jin ,  Vi Vuong ,  Junwei Bao ,  Lie-Quan Lee ,  Leonid Poslavsky

    发明人： Wen Jin ,  Vi Vuong ,  Junwei Bao ,  Lie-Quan Lee ,  Leonid Poslavsky

    IPC分类号： G06F15/18

    CPC分类号： G06N3/08 ,  G06N3/0454

    摘要： Approaches for accurate neural network training for library-based critical dimension (CD) metrology are described. Approaches for fast neural network training for library-based CD metrology are also described. In an example, a method includes optimizing a threshold for a principal component analysis (PCA) of a spectrum data set to provide a principal component (PC) value, estimating a training target for one or more neural networks, training the one or more neural networks based both on the training target and on the PC value provided from optimizing the threshold for the PCA, and providing a spectral library based on the one or more trained neural networks.

    摘要翻译： 描述了基于图书馆的关键维度（CD）计量学的准确神经网络训练的方法。 还介绍了基于图书馆的CD测量的快速神经网络训练方法。 在一个示例中，方法包括优化频谱数据集的主成分分析（PCA）的阈值以提供主成分（PC）值，估计一个或多个神经网络的训练目标，训练一个或多个神经元 基于训练目标和通过优化PCA的阈值提供的PC值的网络，以及基于一个或多个训练有素的神经网络提供谱库。

    Integrated circuit profile value determination
    6.
    发明授权
    Integrated circuit profile value determination 有权
    集成电路剖面值确定

    公开(公告)号：US06842261B2

    公开(公告)日：2005-01-11

    申请号：US10228692

    申请日：2002-08-26

    申请人： Junwei Bao ,  Wen Jin ,  Emmanuel Drege ,  Srinivas Doddi ,  Vi Vuong

    发明人： Junwei Bao ,  Wen Jin ,  Emmanuel Drege ,  Srinivas Doddi ,  Vi Vuong

    IPC分类号： G01B11/02 ,  G01N21/47 ,  G01N21/88 ,  G06F19/00 ,  H01L21/00

    CPC分类号： G01N21/4788 ,  G03F7/70625

    摘要： A profile parameter value is determined in integrated circuit metrology by: a) determining a diffraction signal difference based on a measured diffraction signal and a previously generated diffraction signal; b) determining a first profile parameter value based on the previously generated diffraction signal; c) determining a first profile parameter value change based on the diffraction signal difference; d) determining a second profile parameter value based on the first profile parameter value change; e) determining a second profile parameter value change between the first and second profile parameter values; f) determining if the second profile parameter value change meets one or more preset criteria; and g) when the second profile parameter value change fails to meet the one or more preset criteria, iterating c) to g) using as the diffraction signal difference in the iteration of step c), a diffraction signal difference determined based on the measured diffraction signal and a diffraction signal for the second profile parameter value previously determined in step d), and as the first profile parameter value in the iteration of step e), the second profile parameter value previously determined in step d).

    摘要翻译： 在集成电路测量中通过以下方式确定轮廓参数值：a）基于测量的衍射信号和先前产生的衍射信号来确定衍射信号差; b）基于先前产生的衍射信号确定第一轮廓参数值; c）基于所述衍射信号差确定第一轮廓参数值变化; d）基于所述第一轮廓参数值变化来确定第二轮廓参数值; e）确定所述第一和第二轮廓参数值之间的第二轮廓参数值变化; f）确定第二轮廓参数值变化是否满足一个或多个预设标准; 并且g）当第二轮廓参数值改变不能满足一个或多个预设标准时，迭代c）至g）在步骤c）的迭代中使用作为衍射信号差的衍射信号差，基于测得的衍射 信号和用于在步骤d）中预先确定的第二轮廓参数值的衍射信号，以及作为步骤e）的迭代中的第一轮廓参数值，在步骤d）中预先确定的第二轮廓参数值。

    Transforming metrology data from a semiconductor treatment system using multivariate analysis
    8.
    发明授权
    Transforming metrology data from a semiconductor treatment system using multivariate analysis 有权
    使用多变量分析从半导体处理系统转换计量学数据

    公开(公告)号：US08346506B2

    公开(公告)日：2013-01-01

    申请号：US13444746

    申请日：2012-04-11

    申请人： Vi Vuong ,  Junwei Bao ,  Yan Chen ,  Heiko Weichert ,  Sebastien Egret

    发明人： Vi Vuong ,  Junwei Bao ,  Yan Chen ,  Heiko Weichert ,  Sebastien Egret

    IPC分类号： G06F17/18

    CPC分类号： G01N21/4788 ,  G01N21/211 ,  G01N2021/215

    摘要： Metrology data from a semiconductor treatment system is transformed using multivariate analysis. In particular, a set of metrology data measured or simulated for one or more substrates treated using the treatment system is obtained. One or more essential variables for the obtained set of metrology data is determined using multivariate analysis. A first metrology data measured or simulated for one or more substrates treated using the treatment system is obtained. The first obtained metrology data is not one of the metrology data in the set of metrology data earlier obtained. The first metrology data is transformed into a second metrology data using the one or more of the determined essential variables.

    摘要翻译： 来自半导体处理系统的测量数据使用多变量分析进行转换。 特别地，获得了对使用该处理系统处理的一个或多个基底测量或模拟的一组度量数据。 使用多变量分析确定获得的度量数据集的一个或多个基本变量。 获得用于使用处理系统处理的一个或多个基底测量或模拟的第一测量数据。 获得的第一个测量数据不是之前获得的测量数据集中的度量数据之一。 使用所确定的一个或多个基本变量将第一计量数据转换成第二计量数据。

    Data flow management in generating profile models used in optical metrology
    9.
    发明授权
    Data flow management in generating profile models used in optical metrology 有权
    生成光学计量学中使用的轮廓模型的数据流管理

    公开(公告)号：US07783669B2

    公开(公告)日：2010-08-24

    申请号：US11580570

    申请日：2006-10-12

    申请人： Hong Qiu ,  Junwei Bao ,  Wei Liu ,  Jeffrey Alexander Chard ,  Miao Liu ,  Gang He ,  Hemalatha Erva ,  Vi Vuong

    发明人： Hong Qiu ,  Junwei Bao ,  Wei Liu ,  Jeffrey Alexander Chard ,  Miao Liu ,  Gang He ,  Hemalatha Erva ,  Vi Vuong

    IPC分类号： G06Q50/00

    CPC分类号： G01B11/24 ,  Y10S707/953

    摘要： To manage data flow in generating profile models for use in optical metrology, a project data object is created. A first profile model data object is created. The first profile model data object corresponds to a first profile model defined using profile parameters. A version number is associated with the first profile model data object. The first profile model data object is linked with the project data object. At least a second profile model data object is created. The second profile model data object corresponds to a second profile model defined using profile parameters. The first and second profile models are different. Another version number is associated with the second profile model data object. The second profile model data object is linked with the project data object. The project data object, the first profile model data object, and the second profile model data object are stored. The version numbers associated with the first profile model data object and the second profile model data object are stored. The link between the first profile model data object and the project data object is stored. The link between the second profile model data object and the project data object is stored.

    摘要翻译： 为了管理生成用于光学测量的轮廓模型中的数据流，创建了一个项目数据对象。 创建第一个配置文件模型数据对象。 第一个轮廓模型数据对象对应于使用轮廓参数定义的第一轮廓模型。 版本号与第一个轮廓模型数据对象相关联。 第一个配置文件模型数据对象与项目数据对象链接。 至少创建一个第二个轮廓模型数据对象。 第二轮廓模型数据对象对应于使用轮廓参数定义的第二轮廓模型。 第一个和第二个轮廓模型是不同的。 另一个版本号与第二个配置文件模型数据对象相关联。 第二个配置文件模型数据对象与项目数据对象链接。 存储项目数据对象，第一个轮廓模型数据对象和第二个轮廓模型数据对象。 存储与第一轮廓模型数据对象和第二轮廓模型数据对象相关联的版本号。 存储第一轮廓模型数据对象与项目数据对象之间的链接。 存储第二轮廓模型数据对象与项目数据对象之间的链接。