生成器件结构预测模型的方法和器件结构仿真设备技术

技术编号:36740306 阅读:18 留言:0更新日期:2023-03-04 10:16
提供了一种器件结构仿真设备和创建预测目标器件的结构的模型的方法。该器件结构仿真设备包括:存储器,其存储器件结构仿真程序;以及处理器,其被配置为执行存储在存储器中的器件结构仿真程序。通过执行器件结构仿真程序,器件结构仿真设备还被配置为接收目标器件的谱数据,通过对谱数据执行预处理来生成输入数据集,并且基于输入数据集来训练模型,使得模型被配置为预测目标器件的结构。预处理包括基于谱数据选择特定基函数并且将谱数据分离为特定基函数的集合,并且模型包括至少一个子模型。型。型。

【技术实现步骤摘要】
生成器件结构预测模型的方法和器件结构仿真设备
[0001]相关申请的交叉引用
[0002]本申请基于并要求2021年8月25日提交于韩国知识产权局的韩国专利申请No.10

2021

0112656的优先权,其公开内容整体以引用方式并入本文。


[0003]本专利技术构思涉及生成器件结构预测模型的方法和器件结构仿真设备,更具体地,涉及一种使用层叠模型(和/或元学习模型)来生成预测器件结构的预测模型的方法以及包括该预测模型的器件结构仿真设备。

技术介绍

[0004]神经网络是指对生物大脑进行建模的计算架构。随着近来神经网络技术的发展,已对在各种类型的电子系统中使用神经网络装置来分析输入数据并提取有效信息进行了大量研究,该神经网络装置使用至少一个神经网络模型。
[0005]为了增加半导体工艺的仿真器和/或半导体测量设备的性能,在样本准备和参考数据测量上花费了大量时间和成本,并且工程师个人利用物理知识调节了参数。最近,已对使用神经网络技术进行大量研究,但仍会发生少量训练数据引起的过拟合。

技术实现思路

[0006]本专利技术构思提供了一种用于在测量半导体器件结构的过程中使用利用层叠方法生成的模型来推导稳健预测结果并且用于使用元学习模型来克服由数据不足导致的脆弱性的设备。
[0007]根据本专利技术构思的一方面,提供了一种器件结构仿真设备,包括:存储器,其存储器件结构仿真程序;以及处理器,其被配置为执行存储在存储器中的器件结构仿真程序。通过执行器件结构仿真程序,器件结构仿真设备还被配置为接收目标器件的谱数据,通过对谱数据执行预处理来生成输入数据集,并且基于输入数据集来训练模型,使得模型被配置为预测目标器件的结构。预处理包括基于谱数据选择特定基函数并且将谱数据分离为特定基函数的集合;并且模型包括至少一个子模型。
[0008]根据本专利技术构思的另一方面,提供了一种创建预测目标器件的结构的模型的方法。该方法包括:接收目标器件的谱数据;通过对谱数据执行预处理来生成输入数据集;以及基于输入数据集来训练模型,使得模型被配置为预测目标器件的结构。输入数据集包括仿真数据和测量数据。模型至少包括第一子模型和第二子模型,第一子模型基于仿真数据来训练,并且第二子模型基于测量数据来训练。
[0009]根据本专利技术构思的另一方面,提供了一种创建预测目标器件的结构的模型的方法。该方法包括:接收目标器件的谱数据;通过对谱数据执行预处理来生成输入数据集;基于先前数据来预训练模型;以及基于输入数据集来重新训练经预训练的模型,使得经重新训练的模型被配置为预测目标器件的结构。
附图说明
[0010]本专利技术构思的示例实施例将从以下结合附图进行的详细描述更清楚地理解,在附图中:
[0011]图1A和图1B示出根据一些示例实施例的器件结构仿真系统;
[0012]图2A和图2B是用于描述根据比较例的测量器件结构的方法的图;
[0013]图3是根据一些示例实施例的器件结构仿真系统的图;
[0014]图4是根据一些示例实施例的对器件结构进行仿真的方法的流程图;
[0015]图5是根据一些示例实施例的对器件结构进行仿真的方法的流程图;
[0016]图6是根据一些示例实施例的器件结构仿真系统的图;
[0017]图7A是根据一些示例实施例的对器件结构进行仿真的方法的流程图;图7B是比较例的流程图;
[0018]图8A是根据一些示例实施例的对器件结构进行仿真的方法的流程图;图8B是根据一些示例实施例的元学习算法的流程图;
[0019]图9A至图9C是用于描述根据一些示例实施例的预处理的图;
[0020]图10是示出根据一些示例实施例的包括集成电路的设备的框图;以及
[0021]图11是根据一些示例实施例的包括神经网络装置的器件结构仿真系统的框图。
具体实施方式
[0022]以下,参照附图详细描述示例实施例。
[0023]图1A示出根据一些示例实施例的器件结构仿真系统100。
[0024]器件结构仿真系统100可包括预测模块110、第一测量装置120、第二测量装置130和仿真器140。器件结构仿真系统100还可包括其它通用元件,例如存储器、通信模块、视频模块(例如,相机接口、联合照片专家组(JPEG)处理器、视频处理器或混合器)、三维(3D)图形核心、音频系统、显示驱动器、图形处理单元(GPU)、数字信号处理器(DSP)等。
[0025]预测模块110可基于神经网络分析输入数据,从输入数据提取有效信息,并且基于有效信息预测器件结构或控制安装有预测模块110的仿真设备的配置。例如,预测模块110可应用于(和/或包括在)仿真器、移动装置、图像显示装置、测量设备、物联网(IoT)装置等,其对计算系统中的对象进行建模和/或监测,并安装在任何其它各种类型的电子装置上。
[0026]预测模块110可生成神经网络(例如,训练和/或学习神经网络),执行神经网络的操作(例如,基于所接收的输入数据执行神经网络的操作),基于操作结果来生成信息信号,和/或重新训练神经网络。预测模块110可包括硬件加速器以执行神经网络。例如,硬件加速器可包括专用处理电路(例如,神经处理单元(NPU)、张量处理单元(TPU)、神经引擎等)以用于执行神经网络,但不限于此。
[0027]预测模块110可执行多个神经网络模型112和114。神经网络模型112可指例如深度学习模型,其被训练以执行诸如器件结构预测、工艺仿真和/或图像分类的特定操作。预测模块110可对应于用于提取器件结构仿真系统100期望的信息信号的神经网络模型。例如,神经网络模型112可包括各种类型的神经网络模型中的至少一种,例如卷积神经网络(CNN)、区域CNN(R

CNN)、区域建议网络(RPN)、递归神经网络(RNN)、基于层叠的深度神经网络(S

DNN)、状态空间动态神经网络(S

SDNN)、反卷积网络、深度信念网络(DBN)、受限玻尔
兹曼机(RBM)、全卷积网络、长短期记忆(LSTM)网络、分类网络、贝叶斯神经网络(BNN)等。另外地(和/或可替换地),深度学习模型可基于各种算法中的至少一种来训练,例如回归、线性和/或逻辑回归、随机森林、支持向量机(SVM)和/或诸如统计聚类、贝叶斯分类、决策树、降维(例如,主分量分析)、专家系统和/或其组合(包括诸如随机森林的集成)之类的其它类型的模型。
[0028]预测模块110可使用诸如元学习算法和/或包括表决、装袋、提升和/或层叠的集成算法的各种算法来训练神经网络模型,但示例实施例不限于此。
[0029]神经网络模型112可由学习装置(例如,基于大量输入数据来训练神经网络的处理电路和/或服务器)通过训练生成并且由预测模块110执行。以下,神经网络模型112是指其配置参数(例如,网络拓扑、偏置和权重)通过训练来确定的神经网络。神本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种器件结构仿真设备,包括:存储器,其存储器件结构仿真程序;以及处理器,其被配置为执行存储在所述存储器中的所述器件结构仿真程序,使得通过执行所述器件结构仿真程序,所述器件结构仿真设备被配置为接收目标器件的谱数据,通过对所述谱数据执行预处理来生成输入数据集,并且基于所述输入数据集来训练模型,使得所述模型被配置为预测所述目标器件的结构,其中,所述预处理包括基于所述谱数据选择特定基函数,并且将所述谱数据分离为特定基函数的集合,并且所述模型包括至少一个子模型。2.根据权利要求1所述的器件结构仿真设备,其中所述输入数据集包括仿真数据和测量数据,并且所述至少一个子模型包括第一子模型和第二子模型,所述第一子模型基于所述仿真数据来训练,所述第二子模型基于所述测量数据来训练。3.根据权利要求2所述的器件结构仿真设备,其中,所述器件结构仿真设备还被配置为基于所述测量数据通过仿真来生成器件结构数据,并且基于所述器件结构数据来生成器件谱数据,其中,所述仿真数据包括所述器件结构数据和所述器件谱数据。4.根据权利要求2所述的器件结构仿真设备,其中,所述器件结构仿真设备还被配置为基于所述仿真数据来训练所述第一子模型,并且基于所述第一子模型和所述测量数据来训练所述第二子模型。5.根据权利要求1所述的器件结构仿真设备,其中所述至少一个子模型包括第一子模型和第二子模型,所述第一子模型基于先前数据来训练,并且所述第二子模型基于所述输入数据集来训练,所述第一子模型包括初始权重数据,并且所述第二子模型包括通过基于所述输入数据集重新训练所述初始权重数据而得到的重新训练的权重数据。6.根据权利要求5所述的器件结构仿真设备,其中所述模型还包括优化所述初始权重数据的损失函数,并且所述损失函数生成第一梯度数据和第二梯度数据,所述第一梯度数据基于所述先前数据,所述第二梯度数据基于所述输入数据集,并且所述损失函数基于所述第一梯度数据和所述第二梯度数据来更新所述初始权重数据。7.根据权利要求5所述的器件结构仿真设备,其中,所述器件结构仿真设备还被配置为在一个空间中绘制多条谱数据的特性,所述多条谱数据包括在所述输入数据集中,并且根据所述多条谱数据之间的距离来计算相似度。8.根据权利要求1所述的器件结构仿真设备,其中,所述器件结构仿真设备还被配置为将所述谱数据分离为高频区域和低频区域,并且处理所述高频区域的噪声。
9.根据权利要求1所述的器件结构仿真设备,其中,所述器件结构仿真设备还被配置为降低所述谱数据的维度,并且选择与所述目标器件的结构的预测有关的数据。10.根据权利要求...

【专利技术属性】
技术研发人员:马阿米卢弦均李伸旭任东哲张圭伯郑载勋
申请(专利权)人:三星电子株式会社
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1