本发明专利技术公开了一种关于经制造过程制造的产品进行预测的系统和其训练方法。该方法包括：接收多个输入向量以及与多个输入向量相对应的多个缺陷值；基于缺陷值识别与多个输入向量相对应的多个第一聚类标签；基于输入向量和对应的第一聚类标签来训练聚类分类器；基于聚类分类器的输出将输入向量重新分配到多个第二聚类标签；基于输入向量和第二聚类标签重新训练聚类分类器；以及训练与第二聚类标签相对应的多个机器学习模型。应的多个机器学习模型。应的多个机器学习模型。
【技术实现步骤摘要】
关于经制造过程制造的产品进行预测的系统和其训练方法
[0001]相关申请的交叉引用
[0002]本申请要求2021年4月23日提交的名称为“用于缺陷可见度回归的重新分配聚类”的美国临时申请第63/179,117号的优先权和权益，该申请的全部内容通过引用并入本文。
[0003]本申请还涉及2020年12月18日提交的名称为“用于执行基于树的多模态回归的系统和方法”的、要求2020年9月18日提交的名称为“用于显示器缺陷可见度的基于树的多模态回归”的美国临时申请第63/080,558号的优先权和权益的美国申请第17/127,778号，该申请的全部内容通过引用并入本文。
[0004]根据本公开的实施例的一个或多个方面涉及用于预测制造缺陷水平的机器学习系统。
技术介绍
[0005]近年来，显示行业发展迅速。随着新型显示面板模块和生产方法的部署，并且随着产品规格收紧，可能期望增强设备和质量控制方法以维持生产质量。例如，可能期望具有用于检测不同的制造缺陷水平的措施。相应地，期望一种用于自动预测制造缺陷的水平以对制造过程进行调整的系统和方法。
[0006]在本
技术介绍
部分中公开的以上信息仅用于增强对本公开的背景的理解，并且因此，其可能包含不构成现有技术的信息。
技术实现思路
[0007]本公开的实施例的方面针对一种用于关于经制造过程制造的产品进行预测的系统和方法。在一些实施例中，该系统利用聚类分类器将制造数据聚类成多个聚类，每个聚类对应于制造数据的不同模态。该系统还针对聚类中的每一个生成并应用机器学习模型，以基于制造数据对缺陷可见度水平进行预测。在一些实施例中，该系统应用聚类重新分配过程来改善系统的预测结果。
[0008]根据一些实施例，提供一种训练用于关于经制造过程制造的产品进行预测的系统的方法，该方法包括：由系统的处理器接收多个输入向量以及与多个输入向量相对应的多个缺陷值；由处理器基于缺陷值识别与多个输入向量相对应的多个第一聚类标签；由处理器基于输入向量和对应的第一聚类标签来训练聚类分类器；由处理器基于聚类分类器的输出将输入向量重新分配到多个第二聚类标签；由处理器基于输入向量和第二聚类标签重新训练聚类分类器；以及由处理器训练与第二聚类标签相对应的多个机器学习模型。
[0009]在一些实施例中，识别多个第一聚类标签包括：针对多个输入向量中的每个输入向量以及多个缺陷值中的与该输入向量相对应的缺陷值，识别与该缺陷值相对应的缺陷值分位数；以及基于缺陷值分位数将该输入向量分配到多个第一聚类标签中的聚类标签。
[0010]在一些实施例中，输入向量包括来自制造过程的跟踪数据。
[0011]在一些实施例中，跟踪数据包括来自在制造过程中使用的多个传感器的多元传感器数据。
[0012]在一些实施例中，缺陷值包括经制造过程制造的产品的与跟踪数据相对应的缺陷可见度水平。
[0013]在一些实施例中，将输入向量重新分配到多个第二聚类标签包括：将输入向量输入到聚类分类器；从聚类分类器接收作为响应于输入向量的输入的输出的多个第二聚类标签；以及将输入向量分配到多个第二聚类标签中的对应的第二聚类标签。
[0014]在一些实施例中，该方法进一步包括：由处理器通过以下步骤确定将输入向量重新分配到多个第二聚类标签：保持输入向量重新分配的数量的计数；确定该计数小于或等于阈值；以及确定重新分配输入向量。
[0015]在一些实施例中，该方法进一步包括：由处理器通过以下步骤确定将输入向量重新分配到多个第二聚类标签：确定重新分配的、第一聚类标签中的对应的第一聚类标签与第二聚类标签中的对应的第二聚类标签不同的输入向量的数量；计算重新分配的数量与输入向量的总数量的比率；确定该比率大于阈值；以及确定重新分配输入向量。
[0016]在一些实施例中，训练聚类分类器包括：由处理器将输入向量和对应的第一聚类标签作为训练数据输入到聚类分类器；以及由处理器训练聚类分类器，以使用有监督的机器学习算法来识别赋予输入向量的第一聚类标签。
[0017]在一些实施例中，重新训练聚类分类器包括：由处理器将输入向量和对应的第二聚类标签作为训练数据输入到聚类分类器；以及由处理器训练聚类分类器，以使用有监督的机器学习算法来识别赋予输入向量的第二聚类标签。
[0018]在一些实施例中，训练多个机器学习模型包括：基于输入向量中的在第二聚类标签中的同一聚类标签内的输入向量和缺陷值中的对应的缺陷值来训练多个机器学习模型中的一个。
[0019]在一些实施例中，多个第一聚类标签中的聚类标签与多个第二聚类标签中的对应的聚类标签不同。
[0020]根据一些实施例，提供一种训练用于关于经制造过程制造的产品进行预测的预测系统的方法，该方法包括：由预测系统的处理器接收多个输入向量以及与多个输入向量相对应的多个缺陷值；由处理器基于缺陷值识别与多个输入向量相对应的多个第一聚类标签；由处理器基于输入向量和对应的第一聚类标签来训练聚类分类器；由处理器训练与第一聚类标签相对应的多个第一机器学习模型；基于聚类分类器的输出将输入向量重新分配到多个第二聚类标签；基于输入向量和第二聚类标签重新训练聚类分类器；以及训练与第二聚类标签相对应的多个第二机器学习模型。
[0021]在一些实施例中，识别多个第一聚类标签包括：针对多个输入向量中的每个输入向量以及多个缺陷值中的与该输入向量相对应的缺陷值，识别与该缺陷值相对应的缺陷值分位数；以及基于缺陷值分位数将该输入向量分配到多个第一聚类标签中的聚类标签。
[0022]在一些实施例中，输入向量包括来自制造过程的跟踪数据，并且缺陷值包括经制造过程制造的产品的与跟踪数据相对应的缺陷可见度水平。
[0023]在一些实施例中，训练多个第一机器学习模型包括：基于输入向量中的在第一聚类标签中的同一聚类标签内的输入向量和缺陷值中的对应的缺陷值来训练多个第一机器
学习模型中的一个。
[0024]在一些实施例中，该方法进一步包括：由处理器通过以下步骤确定将输入向量重新分配到多个第二聚类标签：保持输入向量重新分配的数量的计数；确定该计数小于或等于阈值；以及确定重新分配输入向量。
[0025]在一些实施例中，该方法进一步包括：由处理器通过以下步骤确定将输入向量重新分配到多个第二聚类标签：确定缺陷值与由多个第一机器学习模型生成的预测的缺陷值之间的平均百分比绝对误差(MAPE)；确定MAPE大于阈值；以及确定重新分配输入向量。
[0026]在一些实施例中，将输入向量重新分配到多个第二聚类标签包括：将输入向量输入到聚类分类器；从聚类分类器接收作为响应于输入向量的输入的输出的多个第二聚类标签；以及将输入向量分配到多个第二聚类标签中的对应的第二聚类标签。
[0027]根据一些实施例，提供一种关于经制造过程制造的产品进行预测的系统，该系统包括：处理器；和存储器，其中，存储器包括指令，指令在由处理器执行时使处理器执行以下步骤：接收多个输入向量以及与多个输入向量相对应的本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种训练用于关于经制造过程制造的产品进行预测的系统的方法，所述方法包括：由所述系统的处理器接收多个输入向量以及与所述多个输入向量相对应的多个缺陷值；由所述处理器基于所述缺陷值识别与所述多个输入向量相对应的多个第一聚类标签；由所述处理器基于所述输入向量和对应的所述第一聚类标签来训练聚类分类器；由所述处理器基于所述聚类分类器的输出将所述输入向量重新分配到多个第二聚类标签；由所述处理器基于所述输入向量和所述第二聚类标签重新训练所述聚类分类器；以及由所述处理器训练与所述第二聚类标签相对应的多个机器学习模型。2.根据权利要求1所述的方法，其中，识别所述多个第一聚类标签包括：针对所述多个输入向量中的每个输入向量以及所述多个缺陷值中的与该输入向量相对应的缺陷值，识别与该缺陷值相对应的缺陷值分位数；以及基于所述缺陷值分位数将该输入向量分配到所述多个第一聚类标签中的聚类标签。3.根据权利要求1所述的方法，其中，所述输入向量包括来自所述制造过程的跟踪数据。4.根据权利要求3所述的方法，其中，所述跟踪数据包括来自在所述制造过程中使用的多个传感器的多元传感器数据。5.根据权利要求3所述的方法，其中，所述缺陷值包括经所述制造过程制造的所述产品的与所述跟踪数据相对应的缺陷可见度水平。6.根据权利要求1所述的方法，其中，将所述输入向量重新分配到所述多个第二聚类标签包括：将所述输入向量输入到所述聚类分类器；从所述聚类分类器接收作为响应于所述输入向量的所述输入的输出的所述多个第二聚类标签；以及将所述输入向量分配到所述多个第二聚类标签中的对应的第二聚类标签。7.根据权利要求1所述的方法，进一步包括：由所述处理器通过以下步骤确定将所述输入向量重新分配到所述多个第二聚类标签：保持输入向量重新分配的数量的计数；确定所述计数小于或等于阈值；以及确定重新分配所述输入向量。8.根据权利要求1所述的方法，进一步包括：由所述处理器通过以下步骤确定将所述输入向量重新分配到所述多个第二聚类标签：确定重新分配的、所述第一聚类标签中的对应的所述第一聚类标签与所述第二聚类标签中的对应的第二聚类标签不同的输入向量的数量；计算重新分配的所述数量与所述输入向量的总数量的比率；确定所述比率大于阈值；以及确定重新分配所述输入向量。9.根据权利要求1所述的方法，其中，训练所述聚类分类器包括：
由所述处理器将所述输入向量和对应的所述第一聚类标签作为训练数据输入到所述聚类分类器；以及由所述处理器训练所述聚类分类器，以使用有监督的机器学习算法来识别赋予所述输入向量的所述第一聚类标签。10.根据权利要求1所述的方法，其中，重新训练所述聚类分类器包括：由所述处理器将所述输入向量和对应的第二聚类标签作为训练数据输入到所述聚类分类器；以及由所述处理器训练所述聚类分类器，以使用有监督的机器学习算法来识别赋予所述输入向量的所述第二聚类标签。11.根据权利要求1所述的方法，其中，训练所述多个机器学习模型包括：基于所述输入向量中的在所述第二聚类标签中的同一聚类标签内的输入向量和所述缺陷值中的对应的所述缺陷值来训练所述多个机器学习模型中的一个。12.根...
【专利技术属性】
技术研发人员：李章焕，芒恩，
申请(专利权)人：三星显示有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。