CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING
Two machine learning modules or models are used to generate a recipe. A first machine learning module determines a set of recipes based on measured signals. The second machine learning module analyzes the set of recipes based on a cost function to determine a final recipe. The second machine learnin...
Gespeichert in:
Hauptverfasser: | , |
---|---|
Format: | Patent |
Sprache: | eng ; fre |
Schlagworte: | |
Online-Zugang: | Volltext bestellen |
Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
container_end_page | |
---|---|
container_issue | |
container_start_page | |
container_title | |
container_volume | |
creator | KUZNETSOV, Alexander YERUSHALMI, Liran |
description | Two machine learning modules or models are used to generate a recipe. A first machine learning module determines a set of recipes based on measured signals. The second machine learning module analyzes the set of recipes based on a cost function to determine a final recipe. The second machine learning module also can determine settings if the set of recipes fail evaluation using the cost function.
Selon l'invention, deux modules ou modèles d'apprentissage automatique sont utilisés pour générer une recette. Un premier module d'apprentissage automatique détermine un ensemble de recettes sur la base de signaux mesurés. Le deuxième module d'apprentissage automatique analyse l'ensemble de recettes sur la base d'une fonction de coût pour déterminer une recette finale. Le deuxième module d'apprentissage automatique peut également déterminer des réglages si l'ensemble de recettes échoue à l'évaluation en utilisant la fonction de coût. |
format | Patent |
fullrecord | <record><control><sourceid>epo_EVB</sourceid><recordid>TN_cdi_epo_espacenet_WO2023076080A1</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><sourcerecordid>WO2023076080A1</sourcerecordid><originalsourceid>FETCH-epo_espacenet_WO2023076080A13</originalsourceid><addsrcrecordid>eNrjZPBy9vcL8fQL9Q8NVvB1dPbw9HNV8HF1DPLz9HNX8PV3cfVRCAly9ARz3fyDFIJdfT2BWlxCnUOAPF9Hv1A3R-eQ0CCgPA8Da1piTnEqL5TmZlB2cw1x9tBNLciPTy0uSExOzUstiQ_3NzIwMjYwNzOwMHA0NCZOFQBLIS68</addsrcrecordid><sourcetype>Open Access Repository</sourcetype><iscdi>true</iscdi><recordtype>patent</recordtype></control><display><type>patent</type><title>CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING</title><source>esp@cenet</source><creator>KUZNETSOV, Alexander ; YERUSHALMI, Liran</creator><creatorcontrib>KUZNETSOV, Alexander ; YERUSHALMI, Liran</creatorcontrib><description>Two machine learning modules or models are used to generate a recipe. A first machine learning module determines a set of recipes based on measured signals. The second machine learning module analyzes the set of recipes based on a cost function to determine a final recipe. The second machine learning module also can determine settings if the set of recipes fail evaluation using the cost function.
Selon l'invention, deux modules ou modèles d'apprentissage automatique sont utilisés pour générer une recette. Un premier module d'apprentissage automatique détermine un ensemble de recettes sur la base de signaux mesurés. Le deuxième module d'apprentissage automatique analyse l'ensemble de recettes sur la base d'une fonction de coût pour déterminer une recette finale. Le deuxième module d'apprentissage automatique peut également déterminer des réglages si l'ensemble de recettes échoue à l'évaluation en utilisant la fonction de coût.</description><language>eng ; fre</language><subject>CALCULATING ; COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS ; COMPUTING ; COUNTING ; PHYSICS</subject><creationdate>2023</creationdate><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Tsyndetics_thumb_exl</thumbnail><linktohtml>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20230504&DB=EPODOC&CC=WO&NR=2023076080A1$$EHTML$$P50$$Gepo$$Hfree_for_read</linktohtml><link.rule.ids>230,308,776,881,25542,76290</link.rule.ids><linktorsrc>$$Uhttps://worldwide.espacenet.com/publicationDetails/biblio?FT=D&date=20230504&DB=EPODOC&CC=WO&NR=2023076080A1$$EView_record_in_European_Patent_Office$$FView_record_in_$$GEuropean_Patent_Office$$Hfree_for_read</linktorsrc></links><search><creatorcontrib>KUZNETSOV, Alexander</creatorcontrib><creatorcontrib>YERUSHALMI, Liran</creatorcontrib><title>CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING</title><description>Two machine learning modules or models are used to generate a recipe. A first machine learning module determines a set of recipes based on measured signals. The second machine learning module analyzes the set of recipes based on a cost function to determine a final recipe. The second machine learning module also can determine settings if the set of recipes fail evaluation using the cost function.
Selon l'invention, deux modules ou modèles d'apprentissage automatique sont utilisés pour générer une recette. Un premier module d'apprentissage automatique détermine un ensemble de recettes sur la base de signaux mesurés. Le deuxième module d'apprentissage automatique analyse l'ensemble de recettes sur la base d'une fonction de coût pour déterminer une recette finale. Le deuxième module d'apprentissage automatique peut également déterminer des réglages si l'ensemble de recettes échoue à l'évaluation en utilisant la fonction de coût.</description><subject>CALCULATING</subject><subject>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</subject><subject>COMPUTING</subject><subject>COUNTING</subject><subject>PHYSICS</subject><fulltext>true</fulltext><rsrctype>patent</rsrctype><creationdate>2023</creationdate><recordtype>patent</recordtype><sourceid>EVB</sourceid><recordid>eNrjZPBy9vcL8fQL9Q8NVvB1dPbw9HNV8HF1DPLz9HNX8PV3cfVRCAly9ARz3fyDFIJdfT2BWlxCnUOAPF9Hv1A3R-eQ0CCgPA8Da1piTnEqL5TmZlB2cw1x9tBNLciPTy0uSExOzUstiQ_3NzIwMjYwNzOwMHA0NCZOFQBLIS68</recordid><startdate>20230504</startdate><enddate>20230504</enddate><creator>KUZNETSOV, Alexander</creator><creator>YERUSHALMI, Liran</creator><scope>EVB</scope></search><sort><creationdate>20230504</creationdate><title>CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING</title><author>KUZNETSOV, Alexander ; YERUSHALMI, Liran</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-epo_espacenet_WO2023076080A13</frbrgroupid><rsrctype>patents</rsrctype><prefilter>patents</prefilter><language>eng ; fre</language><creationdate>2023</creationdate><topic>CALCULATING</topic><topic>COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS</topic><topic>COMPUTING</topic><topic>COUNTING</topic><topic>PHYSICS</topic><toplevel>online_resources</toplevel><creatorcontrib>KUZNETSOV, Alexander</creatorcontrib><creatorcontrib>YERUSHALMI, Liran</creatorcontrib><collection>esp@cenet</collection></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext_linktorsrc</fulltext></delivery><addata><au>KUZNETSOV, Alexander</au><au>YERUSHALMI, Liran</au><format>patent</format><genre>patent</genre><ristype>GEN</ristype><title>CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING</title><date>2023-05-04</date><risdate>2023</risdate><abstract>Two machine learning modules or models are used to generate a recipe. A first machine learning module determines a set of recipes based on measured signals. The second machine learning module analyzes the set of recipes based on a cost function to determine a final recipe. The second machine learning module also can determine settings if the set of recipes fail evaluation using the cost function.
Selon l'invention, deux modules ou modèles d'apprentissage automatique sont utilisés pour générer une recette. Un premier module d'apprentissage automatique détermine un ensemble de recettes sur la base de signaux mesurés. Le deuxième module d'apprentissage automatique analyse l'ensemble de recettes sur la base d'une fonction de coût pour déterminer une recette finale. Le deuxième module d'apprentissage automatique peut également déterminer des réglages si l'ensemble de recettes échoue à l'évaluation en utilisant la fonction de coût.</abstract><oa>free_for_read</oa></addata></record> |
fulltext | fulltext_linktorsrc |
identifier | |
ispartof | |
issn | |
language | eng ; fre |
recordid | cdi_epo_espacenet_WO2023076080A1 |
source | esp@cenet |
subjects | CALCULATING COMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS COMPUTING COUNTING PHYSICS |
title | CONTINUOUS MACHINE LEARNING MODEL TRAINING FOR SEMICONDUCTOR MANUFACTURING |
url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-31T16%3A53%3A35IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-epo_EVB&rft_val_fmt=info:ofi/fmt:kev:mtx:patent&rft.genre=patent&rft.au=KUZNETSOV,%20Alexander&rft.date=2023-05-04&rft_id=info:doi/&rft_dat=%3Cepo_EVB%3EWO2023076080A1%3C/epo_EVB%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rfr_iscdi=true |