機器學習

隨著技術節點的不斷縮小，晶圓結構變得越來越複雜，歧義程度也越來越万博mantex体育入口高。雖然物理建模是選擇的方法，但在某些情況下，無模型方法可以提供更快速的解決方案。Nova正在不斷開發機器學習能力，使我們的工具無需人類編程就能學習。這一廣泛的多學科領域包括計算機和數學科學、統計學、數據挖掘和信息理論方法。無監督學習算法和有監督學習算法都在內部進行測試，其中一些算法已經被納入到我們的工具中。這些算法從輸入數據中提取有價值的信息，無論是否給出訓練樣本，同時提取準確的信息，同時保持計算量和訓練集大小盡可能小。

亮點&好處

• 自動化的過程:與需要專家優化工作的完整模型構建不同，機器學習模型是完全自動化的。
• 培訓集的可用性:機器學習模型隻需要輸入數據集和參考。這類數據通常已經出現在客戶站點上。
• 設置時間短:Nova的算法利用先進的計算方法，使訓練時間最小化。
• 高穩定性:由於訓練是自動化的，機器學習模型很容易根據檢測到的基線變化進行更新，結果隨著時間的推移保持穩定。

監督學習接收輸入數據和相應的響應，並學習它們之間的關係。輸出是一個估計量，用來預測不可見數據的未來響應。學習過程是一個最小化預測輸出和參考響應之間誤差的優化問題。問題的關鍵是建議輸入到輸出的一個正確的可調映射。Nova在基於模型的方法方麵的豐富經驗有助於設計這些映射。

通過研究最精確的預測，算法開發人員需要確定算法的類型(例如:神經網絡、支持向量機、PCA等)和優化的超參數集，同時避免將數據與噪聲擬合。再一次，我們對工具的深入了解，使我們能夠以前所未有的精度描述預期的工具噪聲特征。

由於培訓、驗證和測試都是在客戶的站點上完成的，Nova的算法需要完全自動化。這意味著超參數選擇算法應該具有足夠的通用性和通用性，能夠對來自不同客戶、不同技術流程和不同測量工具的數據做出正確的預測。万博mantex体育入口這些解決方案還被設計成對訓練集大小的變化具有魯棒性。在滿足所有這些要求的同時，保持客戶要求的準確性。