深度学习设备和包括深度学习设备的系统技术方案

提供了一种深度学习设备和包括该设备的系统。深度学习设备包括：处理电路，被配置为使用异常检测模型来确定接收到的图像是否异常；合并从异常检测模型中提取的至少一些向量；将通过主成分分析(PCA)生成的主成分输入到概率近似模型，以检测接收到的图像的数据中是否出现分布外(OOD)；存储确定的结果；并且当出现OOD的数据的比率大于或等于阈值时，使用目标标记提取模型来提取出现OOD的至少一些数据作为目标标记，其中，异常检测模型使用目标标记来确定接收到的图像是否异常。来确定接收到的图像是否异常。来确定接收到的图像是否异常。

【技术实现步骤摘要】
深度学习设备和包括深度学习设备的系统
[0001]相关申请的交叉引用
[0002]本申请要求于2021年5月21日向韩国知识产权局提交的韩国专利申请No.10
‑
2021
‑
0065586以及于2021年7月15日向韩国知识产权局提交的韩国专利申请No.10
‑
2021
‑
0092932的优先权，其全部公开内容通过引用合并于此。


[0003]本公开涉及深度学习设备和包括深度学习设备的系统。

技术介绍

[0004]最近，在半导体器件制造工艺中，信息技术(IT)系统、大数据和/或人工智能技术已经被用于提高半导体器件的质量和生产率，并且已经使用机器学习和/或深度学习来预测和/或分析半导体器件的质量以进行例如质量控制。例如，可以通过深度学习来学习半导体器件的图像(例如，扫描电子显微镜(SEM)图像)，并且可以使用经过训练的模型来确定半导体器件是否有缺陷。
[0005]在这种情况下，深度学习的性能可能会由于学习图像的分布外(OOD)图像而降低。因此，越来越需要检测OOD数据并有效地恢复由于OOD数据而降低的深度学习的性能。

技术实现思路

[0006]本公开的各个方面提供了一种用于有效地检测分布外(OOD)数据以维持其性能的深度学习设备。
[0007]本公开的各方面还提供了一种包括用于有效地检测OOD数据以维持其性能的深度学习设备的系统。
[0008]应注意，本专利技术的目的不限于上述目的，并且根据以下描述，本领域技术人员将清楚本专利技术的其他目的。
[0009]根据本专利技术构思的一个方面，提供了一种深度学习设备，包括处理电路，该处理电路被配置为：使用异常检测模型来确定接收到的图像是否异常；合并从异常检测模型中提取的至少一些向量；对合并至少一些向量的结果执行主成分分析(PCA)；将通过PCA生成的主成分输入到概率近似模型，以检测接收到的图像的数据中是否出现分布外(OOD)；将确定接收到的图像是否异常的结果和确定是否出现OOD的结果存储在数据库中；并且当出现OOD的数据的比率大于或等于阈值时，使用目标标记提取模型来提取出现OOD的至少一些数据作为目标标记，其中，异常检测模型使用目标标记来确定接收到的图像是否异常。
[0010]根据本专利技术构思的一个方面，提供了一种深度学习系统，包括：输入单元，被配置为接收图像；处理器，被配置为控制输入单元；以及深度学习设备，连接到处理器，并被配置为从输入单元接收图像，该深度学习设备包括处理电路和数据库，该处理电路被配置为使用异常检测模型来确定从输入单元接收到的图像是否异常，合并从异常检测模型中提取的至少一些向量，对合并至少一些向量的结果执行主成分分析(PCA)，将通过PCA生成的主成
分输入到概率近似模型，以检测图像的数据中是否出现分布外(OOD)，存储确定图像是否异常的结果和确定是否出现OOD的结果，并且当出现OOD的数据的比率大于或等于阈值时，使用目标标记提取模型来提取出现OOD的至少一些数据作为目标标记，并且数据库被配置为存储确定图像是否异常的结果和确定是否出现OOD的结果，并且其中，异常检测模型使用目标标记来确定图像是否异常。
[0011]根据本专利技术构思的一个方面，提供了一种深度学习系统，包括：输入单元，被配置为接收图像；处理器，被配置为控制输入单元；以及深度学习设备，连接到处理器，并被配置为从输入单元接收图像，该深度学习设备包括处理电路和数据库，该处理电路被配置为使用异常检测模型来确定从输入单元接收到的图像是否异常，合并从异常检测模型中提取的至少一些向量，对合并至少一些向量的结果执行主成分分析(PCA)，将通过PCA生成的主成分输入到概率近似模型，以检测图像的数据中是否出现分布外(OOD)，将确定图像是否异常的结果和确定是否出现OOD的结果存储在数据库中，并且当出现OOD的数据相对于存储在数据库中的图像的比率大于或等于阈值时，使用目标标记提取模型来提取出现OOD的至少一些数据，其中，异常检测模型使用目标标记来确定图像是否异常。
附图说明
[0012]通过参考附图详细描述本公开的示例性实施例，本公开的以上和其他方面和特征将变得更加清楚，在附图中：
[0013]图1是用于描述根据一些实施例的包括深度学习设备的系统的框图。
[0014]图2是用于描述图1的存储器600的框图。
[0015]图3是用于描述根据一些实施例的深度学习设备的框图。
[0016]图4和图5是用于说明输入图像的示例的图。
[0017]图6是用于描述根据一些实施例的深度学习设备的操作的框图。
[0018]图7是用于描述根据一些实施例的合并从异常检测模型中提取的至少一些向量的操作的表。
[0019]图8是用于描述根据一些实施例的OOD数据检测单元的操作的表。
[0020]图9是用于描述根据一些实施例的检测异常和检测OOD数据的梯形图。
[0021]图10是用于描述根据一些实施例的存储在数据库中的数据的表。
[0022]图11是用于描述确定阈值的过程的曲线图。
[0023]图12是根据一些实施例的深度学习设备的操作的流程图。
[0024]图13是根据一些实施例的深度学习设备的操作的流程图。
[0025]图14是用于描述根据一些实施例的深度学习系统网络环境1的框图。
具体实施方式
[0026]图1是用于描述根据一些实施例的包括深度学习设备的系统的框图。
[0027]参照图1，根据一些实施例的深度学习系统100可以体现在和/或作为例如固定或可移动设备，例如，TV、投影仪、蜂窝电话、智能电话、台式电脑、笔记本电脑、数字广播终端、个人数字助理(PDA)、便携式多媒体播放器(PMP)、导航设备、平板个人电脑(PCf)、可穿戴设备、机顶盒(STB)、数字多媒体广播(DMB)接收器、收音机、机器人、车辆等。
[0028]深度学习系统100包括通信单元200、输入单元300、深度学习设备400、处理器500、存储器600、输出单元700和感测单元800。深度学习系统100的配置不限于此。例如，尽管被示为单独的组件，但是可以组合深度学习系统100的一些组件和/或还可以包括其他组件。
[0029]通信单元200可以使用有线/无线通信技术向其他外部电子设备(例如，图14的电子设备100a至100e)发送数据和/或从其接收数据。例如，通信单元200可以与外部设备交换传感器信息、用户输入、学习模型、控制信号等中的至少一种。
[0030]通信单元200可以采用的通信技术的一些示例可以包括但不限于全球移动通信系统(GSM)、码分多址(CDMA)、长期演进(LTE)、5G、无线LAN(WLAN)、无线保真(Wi
‑
Fi)、蓝牙、射频识别(RFID)、红外数据协会(IrDA)、ZigBee、近场通信(NFC)等。
[0031]输入单元300可以获得各种类型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习设备，包括：处理电路，被配置为：使用异常检测模型来确定接收到的图像是否异常；合并从所述异常检测模型中提取的至少一些向量；对合并所述至少一些向量的结果执行主成分分析PCA；将通过所述PCA生成的主成分输入到概率近似模型，以检测所述接收到的图像的数据中是否出现分布外OOD；将确定所述接收到的图像是否异常的结果和确定是否出现所述OOD的结果存储在数据库中；并且当出现所述OOD的数据的比率大于或等于阈值时，使用目标标记提取模型来提取出现所述OOD的至少一些数据作为目标标记，其中，所述异常检测模型使用所述目标标记来确定所述接收到的图像是否异常。2.根据权利要求1所述的深度学习设备，其中，所述异常检测模型包括卷积神经网络CNN、人工神经网络ANN、密集卷积网络DenseNet或缩放CNN中的至少一种。3.根据权利要求1所述的深度学习设备，其中，所述概率近似模型包括高斯混合模型GMM、基于直方图的模型、核密度估计模型、Parzen窗口估计模型、k最近邻估计模型或k均值聚类模型中的至少一种。4.根据权利要求1所述的深度学习设备，其中，所述处理电路还被配置为实时地检查出现所述OOD的数据的比率是否大于或等于所述阈值。5.根据权利要求1所述的深度学习设备，其中，所述处理电路还被配置为：检测用于在所述主成分和所述概率近似模型之间聚类的最优值；并且使用满足所述最优值的所述主成分中的至少一些和满足所述最优值的所述概率近似模型中的至少一部分来检测是否出现所述OOD。6.根据权利要求5所述的深度学习设备，其中，所述最优值是根据贝叶斯信息准则BIC、邓恩指数、轮廓分数或Akaike信息准则AIC中的至少一种来计算的。7.根据权利要求1所述的深度学习设备，其中，所述阈值包括当性能精度为设定值时出现所述OOD的数据相对于存储在所述数据库中的图像的比率。8.一种深度学习系统，包括：输入单元，被配置为接收图像；处理器，被配置为控制所述输入单元；以及深度学习设备，连接到所述处理器，并被配置为从所述输入单元接收所述图像，所述深度学习设备包括处理电路和数据库，所述处理电路被配置为使用异常检测模型来确定从所述输入单元接收到的图像是否异常，合并从所述异常检测模型中提取的至少一些向量，对合并所述至少一些向量的结果执行主成分分析PCA，将通过所述PCA生成的主成分输入到概率近似模型，以检测所述图像的数据中是否出现分布外OOD；存储确定所述图像是否异常的结果和确定是否出现所述OOD的结果，当出现所述OOD的数据的比率大于或等于阈值时，使用目标标记提取模型来提取出现
所述OOD的至少一些数据作为目标标记，并且所述数据库被配置为存储确定所述图像是否异常的结果和确定是否出现所述OOD的结果，其中，所述异常检测模型使用所述目标标记来确定所述图像是否异常。9.根据权利要求8所述的深度学习系统，其中，所述异常检测模型包括卷积神经网络CNN、人工神经网络ANN、密集卷积网络DenseNet或缩放CNN中...

【专利技术属性】
技术研发人员：金永宰，柳凯元，李智雄，李俊行，姜景薰，李盈学，
申请(专利权)人：三星电子株式会社，
类型：发明
国别省市：