对比文件名称：2008-12-16_TW200849436A_发明专利_TW200849436A 類神經網路晶圓分析系統與方法 METHOD FOR WAFER ANALYSIS WITH ARTIFICIAL NEURAL NETWORK AND SYSTEM THEREOF
目标专利名称：用于空间目标选择的失衡式交叉抑制性机制CN106030621B
本次调用的模型名称：未明确调用模型
### 特征比对表格
| 技术特征描述及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| A: 包括：至少部分地基于目标选择准则从所述多个目标中为机器人设备选择目标，《未被公开》 | 说明书第[0058]段：“本系統之分析步驟如下：首先，提供一測試單元進行晶圓測試，以產生複數個測試資料。...最後，以訓練完之系統分析晶圓；也就是說，以現行的測試製程中，持續性的提供現行所有測試所發生的異常結果情況，透過此系統單元進行相當份量之學習與經驗累積，當日後測試製程中若有異常情況發生時，此單元即可即時從先前之學習經驗中分析判斷出此異常發生的原因，進而提供作為真因以進行分析改善。” | 对比文件公开了一种利用神经网络分析晶圆测试数据以判断异常原因的系统和方法。其“选择”的对象是晶圆的异常类型（例如“線性異常”、“邊緣型局部異常”等），而非“为机器人设备选择目标”。对比文件全篇未提及“机器人设备”或任何需要选择目标以进行移动的实体。目标专利中的“选择目标”是为了引导机器人设备移动至特定空间位置，其技术领域和应用目的（机器人导航与目标选择）与对比文件（半导体工艺监控与故障分析）完全不同，作用亦不相同。因此，该技术特征未被对比文件公开。 |
| B: 所述多个目标中的每个目标对应于包括相对于所述机器人设备的位置的多个位置的目标地图中的不同位置，《未被公开》 | 说明书第[0053]段，结合图5：“第五圖顯示本實施例之測試結果，其中符號1代表測試結果為通過，符號－1代表測試結果為未通過，符號0代表未測試，每一個位置對應到一個測試值，故此一測試資料包含50組，每組6個測試數值，以將此晶圓之測試結果呈現。” | 对比文件中的“位置”是指晶圆上的物理测试站点（site），这些站点可以构成一个空间分布。图5显示了测试结果在不同位置上的分布。然而，对比文件从未提及“目标地图”（target map）这一概念，也未描述这些位置是“相对于机器人设备的位置”。目标专利中的“目标地图”是机器人导航中使用的、以机器人为中心的（自我中心式）空间表示（参见说明书第[0072]-[0076]段），其作用是为机器人提供空间目标选择的环境模型。对比文件中的位置分布仅用于表示晶圆上不同区域的测试结果，其作用是为工艺缺陷分析提供数据，两者作用不同。因此，该技术特征未被对比文件公开。 |
| C: 并且每个位置对应于人工神经网络中的神经元，《未被公开》 | 说明书第[0047]段：“第三圖繪示一個類神經元的模型...X為神經元的輸入值301(input)...Y輸出值306(output)...” | 对比文件公开了神经网络及其神经元模型。然而，并未公开或暗示晶圆上的每个测试“位置”对应于神经网络中的一个特定“神经元”。在对比文件的系统中，测试数据（可能来自多个位置）作为输入值（X）被提供给神经网络进行处理，神经网络内部神经元的激活状态是对输入数据进行综合计算的结果，而不是与物理空间位置一一对应。目标专利中明确要求位置与神经元对应（参见说明书第[0077]段：“目标在一位置处的在场由单元的活跃性(诸如尖峰发放间隔)来指示”），以实现基于位置神经元的交叉抑制选择机制。对比文件未公开这种映射关系。 |
| D: 通过经由从对应于所选目标的目标神经元至不对应于所选目标的非目标神经元的连接输出抑制性权重来设置失衡，《未被公开》 | 说明书第[0047]段：“類神經網路之訓練就是用於調整該偏權值304，使其變得更大或更小...偏權值304可視為一種偏權效果，其值越大，則代表連結的神經元更容易被激發，對類神經網路的影響也更大；反之，則代表對類神經網路並無太大的影響...” | 对比文件公开了在神经网络训练过程中调整权重（偏权值），以改变神经元之间的连接强度，从而影响输出。然而，这种权重调整是全局性的、基于训练数据（输入-输出对）的监督学习过程，目的是使网络能够正确分类输入模式（如识别异常类型）。其并未公开如目标专利所述的、在神经网络运行（推理/选择）阶段，为了在多个竞争单元（目标）中进行选择，而“通过...输出抑制性权重来设置失衡”。目标专利的“失衡”特指在空间目标选择网络中，为了偏置选择结果（如选择最近目标），而在单元间连接的权重中设置非对称性（参见说明书第[0097]-[0099]段及图7、8），这是一种特定结构的、用于实现“赢者全得”竞争机制的交叉抑制连接。对比文件完全没有涉及这种用于目标选择的交叉抑制机制或失衡设置。 |
| E: 以及至少部分地基于所述失衡来修改所述目标神经元与所述非目标神经元之间的相对激活，以使得在所述目标神经元的活跃量大于所述非目标神经元的活跃量时所述机器人设备移动至所述目标地图中与所选目标相关联的位置。《未被公开》 | 说明书第[0058]段：“...當日後測試製程中若有異常情況發生時，此單元即可即時從先前之學習經驗中分析判斷出此異常發生的原因...” | 对比文件公开了神经网络经过训练后，可以根据输入数据（测试结果）修改其内部状态（激活），最终输出一个判断结果（如“線性異常”）。这个过程可以被理解为基于网络权重（在训练中确定）修改了神经元的激活，并产生了一个输出。然而，这种“修改激活”的目的是为了进行模式识别和分类，以找出晶圆异常的原因。而目标专利中“修改相对激活”的目的是为了在多个空间目标神经元之间产生竞争，使得一个（或少数）目标神经元因其更高的活跃量而被选中，进而驱动“机器人设备移动”至对应位置（参见说明书第[0128]段）。对比文件完全没有涉及任何与机器人移动相关的控制或决策过程。因此，该技术特征在作用和技术效果上均未被公开。 |
| F: 其特征在于，每个目标是空间目标。《隐含公开》 | 说明书第[0053]段，结合图5：“...每一個位置對應到一個測試值...以將此晶圓之測試結果呈現。” | 对比文件明确描述了晶圆上的测试位置（site），这些位置是分布在晶圆表面上的物理位置，因此可以认为是“空间目标”。图5直观展示了测试结果在晶圆空间上的分布。虽然对比文件中的“目标”主要是指待识别的异常类型（如线形缺陷），但产生这些异常类型的“位置”本身构成了空间上的点或区域。从广义上理解，这些具有空间属性的位置可以被视为“空间目标”。尽管其应用场景（工艺监控）与目标专利（机器人导航）不同，但“空间目标”这一特征本身在对比文件中有所体现。因此，该特征被对比文件隐含公开。 |
| G: 其特征在于，所述目标选择准则至少部分地基于每个目标的活跃量概率。《未被公开》 | 无相关内容。 | 对比文件完全没有提及任何基于“活跃量概率”的目标选择准则。其判断准则是基于神经网络输出值与预设阈值或输出向量大小的比较（参见说明书第[0060]段：“定義當測試中類神經網路所得之輸出值大於0.5時，則判斷為位置失衡，小於或等於0.5，則判斷為正常...”）。这是一种确定性的分类判断，而非基于概率的选择。目标专利中“活跃量概率”可能涉及神经元发放尖峰的概率等概念，这在对比文件的传统神经网络（非脉冲神经网络）中并未涉及。因此，该技术特征未被对比文件公开。 |
| H: 其特征在于，所述选择目标选择准则至少部分地基于所述目标与所述机器人设备之间的空间距离。《未被公开》 | 无相关内容。 | 对比文件全篇未提及任何与“机器人设备”相关的概念，更没有涉及基于“目标与机器人设备之间的空间距离”的选择准则。其选择（判断）准则完全基于晶圆测试数据的模式，与空间距离无关。该技术特征未被对比文件公开。 |
| I: 其特征在于，所述连接是第一输入层连接、神经元输入、侧向连接、或其组合中的至少一者。《直接公开》 | 说明书第[0047]段：“第三圖繪示一個類神經元的模型，用以說明本發明之晶圓分析系統運算邏輯。X為神經元的輸入值301(input)，W為權重302(weight)...” 以及 说明书第[0061]-[0062]段（对应图7、8）描述了时间延迟神经网络和循环神经网络的结构。 | 对比文件明确公开了神经网络中的连接。图3展示了神经元的基本模型，其中输入值X通过权重W连接到神经元，这属于“神经元输入”或“输入层连接”。此外，说明书描述了“時間延遲類神經網路”（图7）和“循環類神經網路”（图8）这两种更复杂的网络结构。循环神经网络（RNN）的特征是存在反馈连接（将隐藏层或输出层的信号反馈到输入），这种反馈连接可以视为一种特定形式的“侧向连接”或内部连接。因此，对比文件直接公开了神经网络中包含“第一输入层连接、神经元输入、侧向连接（如循环连接）”这些连接类型。虽然对比文件中这些连接的作用是进行信息处理和模式识别，而非专门用于设置失衡式交叉抑制，但连接类型这一结构特征本身已被公开。 |
<<<f>>><<<i>>>