Traitement en cours

Veuillez attendre...

Paramétrages

Paramétrages

Goto Application

1. WO2020069224 - DÉTECTION D'UNE ANOMALIE D'UNE LONGUE MÉMOIRE À COURT TERME PERMETTANT UNE SURVEILLANCE D'UN ÉQUIPEMENT À CAPTEURS MULTIPLES

Numéro de publication WO/2020/069224
Date de publication 02.04.2020
N° de la demande internationale PCT/US2019/053304
Date du dépôt international 26.09.2019
CIB
G06N 3/08 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
08Méthodes d'apprentissage
G06N 3/04 2006.01
GPHYSIQUE
06CALCUL; COMPTAGE
NSYSTÈMES DE CALCULATEURS BASÉS SUR DES MODÈLES DE CALCUL SPÉCIFIQUES
3Systèmes de calculateurs basés sur des modèles biologiques
02utilisant des modèles de réseaux neuronaux
04Architecture, p.ex. topologie d'interconnexion
CPC
G06K 9/6231
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6228Selecting the most significant subset of features
6231by evaluating different subsets according to an optimisation criteria such as class separability, e.g. forward selection, backward elimination
G06K 9/6257
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6256Obtaining sets of training patterns; Bootstrap methods, e.g. bagging, boosting
6257characterised by the organisation or the structure of the process, e.g. boosting cascade
G06K 9/6265
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
KRECOGNITION OF DATA; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
9Methods or arrangements for reading or recognising printed or written characters or for recognising patterns, e.g. fingerprints
62Methods or arrangements for recognition using electronic means
6217Design or setup of recognition systems and techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
6262Validation, performance evaluation or active pattern learning techniques
6265based on a specific statistical test
G06N 3/049
GPHYSICS
06COMPUTING; CALCULATING; COUNTING
NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
3Computer systems based on biological models
02using neural network models
04Architectures, e.g. interconnection topology
049Temporal neural nets, e.g. delay elements, oscillating neurons, pulsed inputs
Déposants
  • APPLIED MATERIALS, INC. [US]/[US]
Inventeurs
  • DIDARI, Sima
  • LIAO, Tianqing
  • RAJAGOPAL, Harikrishnan
Mandataires
  • PORTNOVA, Marina
  • KIMES, Benjamin A.
  • NOEL, Samuel J.
Données relatives à la priorité
16/580,76124.09.2019US
62/738,06028.09.2018US
Langue de publication anglais (EN)
Langue de dépôt anglais (EN)
États désignés
Titre
(EN) LONG SHORT-TERM MEMORY ANOMALY DETECTION FOR MULTISENSOR EQUIPMENT MONITORING
(FR) DÉTECTION D'UNE ANOMALIE D'UNE LONGUE MÉMOIRE À COURT TERME PERMETTANT UNE SURVEILLANCE D'UN ÉQUIPEMENT À CAPTEURS MULTIPLES
Abrégé
(EN)
Methods, systems, and non-transitory computer readable medium are provided for long short-term memory (LSTM) anomaly detection for multi-sensor equipment monitoring. A method includes training a LSTM recurrent neural network (RNN) model for semiconductor processing fault detection. The training includes generating training data for the LSTM RNN model and providing the training data to train the LSTM RNN model on first training input and first target output to generate a trained LSTM RNN model for the semiconductor processing fault detection. The training data includes the first training input and the first target output based on normal runs of manufacturing processes of semiconductor processing equipment. Another method includes providing input based on runs of manufacturing processes of semiconductor processing equipment to a trained LSTM RNN model; obtaining one or more outputs from the trained LSTM RNN model; and using the one or more outputs for semiconductor processing fault detection.
(FR)
L'invention concerne des procédés, des systèmes et un support non transitoire lisible par ordinateur destinés à une détection d'une anomalie d'une longue mémoire à court terme (LSTM) permettant une surveillance d'un équipement à capteurs multiples. Un procédé suppose de former un modèle de réseau neuronal récurrent (RNN) de LSTM permettant une détection d'un défaut de traitement de semi-conducteur. La formation suppose de générer des données de formation associées au modèle de RNN de LSTM et de communiquer les données de formation de façon à former le modèle de RNN de LSTM sur une première entrée de formation et sur une première sortie cible afin de générer un modèle de RNN de LSTM formé permettant la détection d'un défaut de traitement de semi-conducteur. Les données de formation contiennent la première entrée de formation et la première sortie cible sur la base d'exécutions normales de processus de fabrication d'un équipement de traitement de semi-conducteur. Un autre procédé comprend les étapes consistant à : fournir une entrée sur la base d'exécutions de processus de fabrication d'un équipement de traitement de semi-conducteur à un modèle de RNN de LSTM formé ; obtenir une ou plusieurs sorties du modèle de RNN de LSTM formé ; et utiliser lesdites une ou plusieurs sorties pour la détection d'un défaut de traitement de semi-conducteur.
Également publié en tant que
Dernières données bibliographiques dont dispose le Bureau international