-
公开(公告)号：CN112418431A
公开(公告)日：2021-02-26
申请号：CN202010842150.2
申请日：2020-08-20
Applicant: 三星电子株式会社
Abstract: 一种用于包括机器学习模型和基于规则的模型的混合模型的方法，包括通过向基于规则的模型提供第一输入从基于规则的模型中获得第一输出，以及通过将第一输入、第二输入和获得的第一输出提供给机器学习模型从机器学习模型中获得第二输出。所述方法还包括基于获得的第二输出的误差来训练机器学习模型。
-
公开(公告)号：CN118690718A
公开(公告)日：2024-09-24
申请号：CN202410252037.7
申请日：2024-03-06
Applicant: 三星电子株式会社
IPC: G06F30/398 , H04L43/0894 , G06F17/18
Abstract: 提供了一种用于估计关于产品的缺陷的核密度函数的阈值的方法、设备和系统。该方法包括：自举采样操作，通过使用根据样本数据的数量从多个带宽估计方法当中选择的带宽估计方法来为样本数据集估计最佳核带宽，基于最佳核带宽来估计与核密度函数的尾部区域相对应的阈值，以及基于多个阈值来提供用于对阈值的不确定性进行量化的定量值。
-
公开(公告)号：CN110852983B
公开(公告)日：2024-03-08
申请号：CN201910501571.6
申请日：2019-06-11
Applicant: 三星电子株式会社
IPC: G06T7/00 , G06N3/0464 , G06V10/762 , G06V10/82
-
Patent Agency Ranking
公开(公告)号：CN112926743A
公开(公告)日：2021-06-08
申请号：CN202011251713.7
申请日：2020-11-11
Applicant: 三星电子株式会社
Abstract: 一种计算设备，包括：存储计算机可执行指令的存储器；以及处理电路，其被配置为执行计算机可执行指令，使得处理电路被配置为作为机器学习生成器操作，该机器学习生成器被配置为接收半导体工艺参数、根据半导体工艺参数生成半导体工艺结果信息并输出所生成的半导体处理结果信息；并且作为机器学习鉴别器操作，该机器学习鉴别器被配置为从机器学习生成器接收所生成的半导体工艺结果信息并鉴别所生成的半导体工艺结果信息是否为真。
-
公开(公告)号：CN117436232A
公开(公告)日：2024-01-23
申请号：CN202310820669.4
申请日：2023-07-05
Applicant: 三星电子株式会社
IPC: G06F30/20 , G06F18/214 , G06F18/27
Abstract: 一种用于半导体设计工艺中的仿真的神经网络的建模方法被提供。在神经网络的建模方法中，第一回归模型基于第一样本数据和第一仿真结果数据而被训练。第一回归模型用于根据第一样本数据预测第一仿真结果数据。第一样本数据表示半导体装置的制造工艺的条件和半导体装置的特性中的至少一个。第一仿真结果数据通过对第一样本数据执行仿真而被获得。响应于第一回归模型的一致性低于目标一致性，第一回归模型基于与第一样本数据不同的第二样本数据而被重新训练。第二样本数据与第一回归模型的一致性降低因素相关联，第一回归模型的一致性降低因素是第一回归模型的预测失败的原由。
-
公开(公告)号：CN110852983A
公开(公告)日：2020-02-28
申请号：CN201910501571.6
申请日：2019-06-11
Applicant: 三星电子株式会社
Abstract: 一种用于检测半导体装置中的缺陷的方法包括：使用从第一数据集提取的采样的干净数据集对预训练卷积神经网络(CNN)模型进行预训练；使用第一数据集的第一数据和预训练CNN模型来训练正常CNN模型和标签噪声CNN模型。所述方法还包括：使用第二数据集的第二数据和正常CNN模型输出关于第二数据是好还是坏的第一预测结果；使用第二数据和标签噪声CNN模型输出关于第二数据是好还是坏的第二预测结果。将第一预测结果与第二预测结果进行比较，以在存在标签差异时执行噪声校正。将作为噪声校正的结果创建的第三数据添加到采样的干净数据集。使用添加了第三数据的采样的干净数据集对正常CNN模型和标签噪声CNN模型进行附加地训练。
-
公开(公告)号：CN110796258A
公开(公告)日：2020-02-14
申请号：CN201910700351.6
申请日：2019-07-31
Applicant: 三星电子株式会社
IPC: G06N20/00
Abstract: 提供了用于基于元学习来选择机器学习的模型的方法和设备。一种选择机器学习的模型的方法，所述机器学习由处理器执行。所述方法包括：接收至少一个数据集；为所述至少一个数据集的机器学习配置配置空间；从所述至少一个数据集中提取包括与所述至少一个数据集的数量信息相关的元特征；基于所述配置空间中包括的多个配置来计算所述至少一个数据集的所述机器学习的性能；基于所述元特征、所述多个配置和所计算出的性能来执行元学习；以及基于执行所述元学习的结果来优化所述配置空间。
-
公开(公告)号：CN116467996A
公开(公告)日：2023-07-21
申请号：CN202310097735.X
申请日：2023-01-19
Applicant: 三星电子株式会社
IPC: G06F30/392 , G06F115/12
Abstract: 一种模拟由半导体工艺制造的集成电路的布局的方法，包括：从定义布局的布局数据中提取多个图案布局；通过放大多个图案布局和从半导体工艺提供的至少一个参数来生成训练数据；通过对训练数据进行采样生成样本数据；从样本数据生成包括三维阵列的特征数据；将样本数据和特征数据分别提供给模拟器和机器学习模型；以及基于机器学习模型的输出和模拟器的输出训练机器学习模型。
-
-
-
-
-
-
-
Search Results
8
records
(took 0.022 seconds)
