[发明专利]深度学习设备和包括深度学习设备的系统

说明书

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。

相关申请的交叉引用

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。

技术领域

本公开涉及深度学习设备和包括深度学习设备的系统。

背景技术

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。

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。

发明内容

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。

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。

应注意，本发明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发明的其他目的。

根据本发明构思的一个方面，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。

根据本发明构思的一个方面，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。