用于筛查量子装置的机器学习网络的制作方法

1.本公开总体涉及一种改进的计算机系统，并且特别地涉及一种用于筛查量子装置的方法、器械、系统和计算机程序产品。


背景技术：

2.在制造半导体中，良率是衡量半导体工艺的定量指标。良率是在制造过程期间没有被丢弃的晶圆上的管芯的一部分。制造过程的目标是只生产工作管芯。换句话说，目标可以是100％的良率。然而，实际上，制造过程是不完美的。并非所有由制造过程产生的管芯都在管芯上的量子装置的规格内按期望操作。
3.各种因素可能影响晶圆上的芯片的良率。例如，具有不工作的量子装置或工作不符合规格的量子装置的管芯可能是由不一致造成的，诸如微粒污染、光刻错位、蚀刻造成的横向尺寸变化、注入过程造成的纯度变化、沉积过程造成的纯度变化，以及可能降低制造过程良率的其他因素。
4.因此，期望具有一种方法和器械，其考虑到上面讨论的问题中的至少一些，以及其他可能的问题。例如，期望具有一种方法和器械，其克服筛查量子装置以确定量子装置是否将按期望运作的技术问题。


技术实现要素：

5.本公开的实施例提供了一种装置筛查系统，其包括计算机系统、计算机系统中的特征机器学习模型系统以及计算机系统中的分类神经网络。特征机器学习模型系统被配置为接收量子装置的图像、识别图像中的量子装置的特征，并输出量子装置的图像中为量子装置识别的特征。分类神经网络被配置为接收量子装置的图像中识别的量子装置的特征、基于量子装置的图像中识别的特征从一群互斥特性中为量子装置识别一组特性，并输出为量子装置的图像中识别的量子装置识别的该组特性。该组特性指示量子装置是否将按期望运作。
6.本公开的另一个实施例提供了一种装置筛查系统，其包括计算机系统和计算机系统中的分类机器学习模型系统。该分类机器学习模型系统被配置为接收在量子装置的图像中识别的量子装置的特征、为量子装置识别一组特性，并基于在量子装置的图像中识别的特征输出为量子装置识别的该组特性。该组特性指示量子装置是否将按期望运作。
7.本公开的另一个实施例提供了一种用于筛查量子装置的方法。计算机系统将从量子装置的图像中提取的特征发送到分类神经网络。该分类神经网络被配置为基于量子装置的图像中识别的特征，从一群互斥特性中为量子装置识别一组特性，并输出为量子装置识别的该组特性。计算机系统接收由分类神经网络为量子装置识别的该组特性。该组特性指示量子装置是否将按期望运作。
8.本公开的另一个实施例提供了一种用于筛查量子装置的计算机程序产品，该计算机程序产品包括计算机可读存储介质，该计算机可读存储介质上存储有第一程序代码、第
二程序代码和第三程序代码。第一程序代码可由计算机系统执行，以使计算机系统接收从特征提取神经网络的输出中接收到的特征，该特征提取神经网络被配置为接收量子装置的图像并输出在该量子装置的图像中识别的特征。第二程序代码可由计算机系统执行，以使计算机系统将从量子装置的图像中提取的特征发送到分类神经网络。该分类神经网络被配置为基于在量子装置的图像中识别的特征来为量子装置识别一组特性。第三程序代码可由计算机系统执行，以使计算机系统接收由分类神经网络基于在量子装置的图像中识别的特征为量子装置识别的该组特性，其中该组特性指示量子装置是否将按期望运作。
9.特征和功能可以在本公开的各种实施例中独立实现，或者可以在其他的实施例中组合实现，其中进一步的细节可以参考以下描述和附图看到。
附图说明
10.所附权利要求中阐述了据信是说明性实施例的特性的新颖特征。然而，说明性实施例以及其优选的使用模式、进一步的目标和特征，将在结合附图阅读时参考对本公开的说明性实施例的以下详细描述最好地理解，其中：
11.图1是其中可以实现说明性实施例的数据处理系统网络的图片表示；
12.图2是根据说明性实施例的分析环境的框图；
13.图3是根据说明性实施例的机器学习模型网络的框图的图示；
14.图4是根据说明性实施例的神经网络的框图的图示；
15.图5是根据说明性实施例的用于训练分类机器学习模型系统的过程的框图的图示；
16.图6是根据说明性实施例的用于筛查量子装置的过程的流程图的图示；
17.图7是根据说明性实施例的用于筛查量子装置的过程的流程图的图示；
18.图8是根据说明性实施例的数据处理系统的框图的图示；
19.图9是根据说明性实施例的飞行器制造和维护方法的图示；
20.图10是其中可以实现说明性实施例的飞行器的框图的图示；以及
21.图11是根据说明性实施例的产品管理系统的框图的图示。
具体实施方式
22.说明性实施例认识到并考虑到一个或多个不同的考虑。例如，说明性实施例认识到并考虑到，光刻和蚀刻工艺是造成横向尺寸变化导致量子装置以不期望的方式操作(诸如超出规格的操作)的主要原因。例如，光刻和蚀刻工艺可能通过不一致诸如栅极长度变化、接触重叠或其他不期望的不一致而导致参数和功能故障。说明性实施例认识到并考虑到许多这些不一致是系统性的并取决于布局模式。
23.说明性实施例认识到并考虑到这些挑战随着量子装置数量的增加而增加。说明性实施例认识到并考虑到，如果不仔细控制光刻或蚀刻过程，则畸形的结构会导致结构诸如量子装置中的意外的短路和开路。说明性实施例认识到并考虑到一些量子装置，诸如约瑟夫森结，可能不包括半导体材料。说明性实施例认识到并考虑到，目前，对这些问题的筛查是通过在制造的后期阶段或在量子装置的制造完成后执行的电气测试进行的。说明性实施例认识到并考虑到，在工艺的早期对这些问题的筛查可以通过使用人类操作员执行的视觉
检查来执行。说明性实施例认识到并考虑到这些类型的检查是主观的、耗时的或仅限于量子装置的小子集中的至少一个。
24.因此，说明性实施例提供了一种用于识别量子装置中的不一致的方法、器械、系统和计算机程序产品。此外，说明性实施例还可以在完成量子装置的制造之前识别加工中的不一致。在说明性示例中，对加工中的不一致的该类型的筛查可以实现重新加工量子装置或调整制造量子装置中的操作以减少可能无法按期望运作的量子装置的数量。
25.在说明性示例中，采用神经网络系统来识别不一致，其方式比人类操作员执行的视觉检查更有效率且更快。此外，在制造的不同阶段期间，可以使用筛查系统分析图像，使得可以执行改变制造工艺、重新加工量子装置或其他操作中的至少一个，以提高在晶圆上制造量子装置的良率。
26.说明性示例提供了一种用于筛查量子装置的方法、器械、系统和计算机程序产品。计算机系统将从量子装置的图像中提取的特征发送到分类神经网络。该分类神经网络被配置为基于量子装置的图像中识别的特征，从一群互斥特性中为量子装置识别一组特性，并输出为量子装置识别的该组特性。计算机系统接收由分类神经网络为量子装置识别的该组特性。该组特性指示量子装置是否将按期望运作。
27.现在参考附图，并且特别参考图1，描绘了其中可以实现说明性实施例的数据处理系统网络的图片表示。网络数据处理系统100是其中可以实现说明性实施例的计算机网络。网络数据处理系统100包含网络102，其是用于在网络数据处理系统100内连接在一起的各种装置和计算机之间提供通信链路的介质。网络102可以包括连接，诸如电线、无线通信链路或光缆。
28.在所描绘的示例中，服务器计算机104和服务器计算机106与存储单元108一起连接到网络102。此外，客户端装置110连接到网络102。如图所描绘，客户端装置110包括客户端计算机112、客户端计算机114和客户端计算机116。客户端装置110可以是例如计算机、工作站或网络计算机。在所描绘的示例中，服务器计算机104提供诸如启动文件、操作系统图像和应用程序的信息给客户端装置110。此外，客户端装置110也可以包括其他类型的客户端装置，诸如移动电话118、平板计算机120和智能眼镜122。在该说明性示例中，服务器计算机104、服务器计算机106、存储单元108和客户端装置110是连接到网络102的网络装置，其中网络102是用于这些网络装置的通信介质。客户端装置110中的一些或全部可以形成物联网(iot)，其中这些物理装置可以连接到网络102并通过网络102彼此交换信息。
29.客户端装置110在该示例中是服务器计算机104的客户端。网络数据处理系统100可以包括额外的服务器计算机、客户端计算机和未示出的其他装置。客户端装置110利用有线连接、光纤连接或无线连接中的至少一种连接到网络102。
30.位于网络数据处理系统100中的程序代码可以存储在计算机可记录存储介质上，并下载到数据处理系统或其他装置以供使用。例如，程序代码可以存储在服务器计算机104上的计算机可记录存储介质上并通过网络102下载到客户端装置110，以供在客户端装置110上使用。
31.在所描绘的示例中，网络数据处理系统100是互联网，其具有代表全世界的网络和网关的集合的网络102，该网络和网关使用传输控制协议/互联网协议(tcp/ip)的协议套件来彼此通信。互联网的核心是主要节点或主计算机之间的高速数据通信线路的骨干网，该
主要节点或主计算机由路由数据和消息的数以千计的商业系统、政府系统、教育系统和其他计算机系统构成。当然，网络数据处理系统100也可以使用多个不同类型的网络来实现。例如，网络102可以由互联网、内部网、局域网(lan)、城域网(man)或广域网(wan)中的至少一种组成。图1旨在作为示例，并且不作为不同说明性实施例的架构限制。
32.如本文中所用，“多个”当参考项目使用时是指一个或多个项目。例如，“多个不同类型的网络”是一个或多个不同类型的网络。
33.此外，短语“...中的至少一个”在与项目列表一起使用时，意味着可以使用所列项目中的一个或多个的不同组合，并且可能仅需要列表中的每个项目中的一个。换句话说，“...中的至少一个”意味着可以使用来自列表的任何项目组合和项目数量，但不需要列表中的所有项目。该项目可以是特定的对象、事物或类别。
34.例如，不受限制，“项目a、项目b或项目c中的至少一个”可以包括项目a、项目a和项目b，或项目b。该示例也可以包括项目a、项目b和项目c，或项目b和项目c。当然，这些项目的任何组合都可以存在。在一些说明性示例中，“...中的至少一个”可以是例如不限于项目a中的两个；项目b中的一个；以及项目c中的十个；项目b中的四个和项目c中的七个；或其他合适组合。
35.在该说明性示例中，相机系统130与客户端计算机112进行通信。如图所描绘，相机系统130操作以生成量子装置134的图像132。在该说明性示例中，相机系统130可以是一个或多个相机。相机系统130可以包括以下各项中的至少一个：扫描电子显微镜、透射电子显微镜、红外显微镜、光学显微镜、x射线显微镜、扫描探针显微镜、扫描隧道显微镜、扫描透射电子显微镜、扫描奥格显微镜、拉曼显微镜、光致发光显微镜、原子力显微镜、导电原子力显微镜、扫描电容显微镜、扫描热显微镜、磁力显微镜、压电力显微镜、近场扫描微波光学显微镜、开尔文探针显微镜、扫描超导量子干涉装置(squid)显微镜、nv中心磁力显微镜或一些其他合适的显微镜类型。
36.如图所描绘，量子装置134位于晶圆136上。在该说明性示例中，量子装置134可以在晶圆136上处于不同的加工阶段。例如，量子装置134可以包括完成的量子装置、部分完成的量子装置或处于制造阶段期间的量子装置中的至少一个。在其他说明性示例中，晶圆136可以被切割成具有位于管芯上的量子装置134的管芯。
37.在该说明性示例中，图像132可以由装置筛查系统138分析。如图所描绘，图像132被输入到装置筛查系统138。装置筛查系统138处理图像132并以从图像132确定的量子装置134的特性140的形式输出信息。
38.如图所描绘，装置筛查系统138包括特征机器学习模型系统142和分类神经网络144。特征机器学习模型系统142操作以识别在量子装置134的图像132中发现的特征。这些特征被输出到分类神经网络144，其使用这些特征来识别量子装置134的特性140。在该说明性示例中，分类神经网络144可以将特征分类为对应于量子装置134的特性140的类别。
39.在该说明性示例中，特性140可以被用来对量子装置134的加工进行改变。例如，如果量子装置134的制造尚未完成，可以做出改变，使得量子装置134可以被抢救。例如，可以对量子装置134的加工或重新加工执行改变。在一些说明性示例中，可以为量子装置134的未来制造做出改变，使得可以避免量子装置134的不期望的特性。例如，可以改变光刻技术、蚀刻时间、掺杂剂浓度中的至少一个或做出其他改变，以改善量子装置134的特性140。
40.现在参考图2，根据说明性实施例描绘了分析环境的框图。在该说明性示例中，筛查环境200包括可以在硬件(诸如图1中网络数据处理系统100中所示的硬件)中实施的部件。
41.如图所描绘，筛查环境200是其中装置筛查系统202可以分析量子装置206的图像204的环境。如图所描绘，图像204可以由相机系统207生成。相机系统207包括一个或多个相机。
42.在该说明性示例中，量子装置206是用于执行处理或存储量子信息中至少一个的结构。尽管许多类型的量子装置206是半导体结构，但量子装置206中的一些不使用半导体。量子装置206可以选自以下各项中的至少一个：量子点装置、纳米线装置、量子阱装置、量子信息处理装置、量子存储器、超导谐振器、约瑟夫森结、非线性电感器、线性电感器、电容器、光学谐振器、二极管、晶体管、场效应晶体管、存储器装置、量子干涉装置、拓扑量子装置、波导、光学谐振器或一些其他合适的量子装置。
43.在该说明性示例中，量子装置206位于衬底208上。衬底208可以采取多种不同的形式。例如，衬底208可以选自半导体衬底、硅衬底、蓝宝石(al2o3)衬底、硅热氧化物衬底、绝缘体上硅衬底或其他合适的衬底中的至少一种。在说明性示例中，衬底208可以采取晶圆的形式。
44.不一致210可以在量子装置206的制造中的至少一个期间或在量子装置206的最终结构中发生。在加工的不同阶段执行以制造量子装置206的各种操作可以导致量子装置206中的一个或多个中的一组不一致210。不一致210也可以存在于制造过程中，其导致量子装置除了或代替量子装置206中的物理偏差外，不能按预期运作。
45.不一致可能导致量子装置不能正常运作。不一致可以是在量子装置的最终结构中，在制造量子装置期间使用的临时结构的错位，或可以影响量子装置的运作的一些其他类型的不一致。
46.临时结构的示例是抗蚀剂。抗蚀剂中的不一致可以是抗蚀剂的不正确曝光或显影、抗蚀剂的错位、抗蚀剂的不正确厚度，或一些其他不期望的特性。抗蚀剂是层状材料，其用于将图案转移到结构上，诸如用于正在制造的量子装置的衬底或结构。抗蚀剂可以通过光刻技术进行图案化，使得形成临时掩模，其在随后的加工步骤期间保护结构的底层部分。光刻技术中使用的抗蚀剂是光致抗蚀剂。
47.在该说明性示例中，装置筛查系统202可以在加工的不同阶段期间进行操作来分析量子装置206。例如，量子装置206的图像204可以在制造量子装置206的一组阶段期间生成，该组阶段选自量子装置上抗蚀剂的显影、量子装置上薄膜的图案化或蚀刻量子装置中的至少一个。
48.在该说明中，如果在抗蚀剂中发现不一致，则可以对量子装置206进行加工以重新对抗蚀剂进行图案化。因此，通过缓解在量子装置206的不同加工阶段期间发生的潜在问题，可以提高衬底208上的量子装置206的良率。
49.在该说明性示例中，装置筛查系统202包括筛查管理器212、机器学习模型214和计算机系统216。筛查管理器212和机器学习模型214在计算机系统216上运行。
50.如图所描绘，筛查管理器212与机器学习模型214进行通信，并可以控制机器学习模型214的操作，以筛查量子装置206。例如，筛查管理器212可以接收图像204并将那些图像
输入机器学习模型214中。筛查可以在加工量子装置206的一个或多个阶段期间执行。
51.筛查管理器212或机器学习模型214中的至少一个可以用软件、硬件、固件或其组合来实施。当使用软件时，由筛查管理器212或机器学习模型214中的至少一个执行的操作可以在被配置为在硬件(诸如处理器单元上运行的程序代码中)实施。当使用固件时，由筛查管理器212或机器学习模型214中的至少一个执行的操作可以在程序代码和数据中实施，并存储在永久性存储器中以在处理器单元上运行。当采用硬件时，硬件可以包括操作以执行筛查管理器212或机器学习模型214中至少一个中的操作的电路。
52.在说明性示例中，硬件可以采取选自电路系统、集成电路、专用集成电路(asic)、可编程逻辑装置或被配置为执行多个操作的一些其他合适类型的硬件中的至少一种的形式。对于可编程逻辑装置，该装置可被配置为执行多个操作。该装置可以在以后重新配置，或可以永久性地被配置为执行多个操作。可编程逻辑装置包括例如可编程逻辑阵列、可编程阵列逻辑、现场可编程逻辑阵列、现场可编程门阵列，以及其他合适的硬件装置。此外，过程可以在与无机部件集成的有机部件中实施，并且可以完全由有机部件(不包括人类)组成。例如，过程可以作为有机半导体中的电路实施。
53.计算机系统216是物理硬件系统并包括一个或多个数据处理系统。当计算机系统216中存在多于一个的数据处理系统时，那些数据处理系统使用通信介质彼此通信。通信介质可以是网络。数据处理系统可以选自以下各项中的至少一个：计算机、服务器计算机、平板计算机或一些其他合适的数据处理系统。
54.可用于实施机器学习模型214的机器学习模型的示例包括神经网络、决策树、支持向量机、贝叶斯网络、遗传算法、聚类分析算法或一些其他类型的机器学习模型中的至少一种。
55.机器学习模型是可以在不被明确编程的情况下学习的一种类型的人工智能模型。机器学习模型214可以选自有监督的机器学习模型或无监督的机器学习模型中的至少一个。有监督的机器学习模型可以包括回归机器学习模型或分类机器学习模型中的至少一种。这些类型的机器学习模型基于用于训练机器学习模型的训练算法的类型。
56.机器学习模型可以基于输入到机器学习模型中的训练数据进行学习。机器学习模型可以使用各种类型的机器学习算法进行学习。机器学习算法包括有监督学习、无监督学习、特征学习、稀疏字典学习、异常检测、关联规则或其他类型的学习算法中的至少一种。
57.在该说明性示例中，机器学习模型214被组织以形成机器学习模型网络217。如图所描绘，机器学习模型网络217包括特征机器学习模型系统218和分类机器学习模型系统220。如图所描绘，特征机器学习模型系统218接收量子装置206的图像204。在该说明性示例中，装置筛查系统202可以是两层机器学习模型系统，其中特征机器学习模型系统218执行特征提取，并且分类机器学习模型系统220执行分类。
58.在该说明性示例中，筛查管理器212可以接收图像204。筛查管理器212可以将图像204输入特征机器学习模型系统218中以用于特征提取。
59.如图所描绘，特征机器学习模型系统218可以识别图像204中量子装置206的特征222。此外，特征机器学习模型系统218可以输出量子装置206的图像204中为量子装置206识别的特征222。
60.特征机器学习模型系统218可以使用多种不同类型的机器学习模型来实施。例如，
特征机器学习模型系统218可以是卷积神经网络(cnn)，其已被训练成处理图像以识别图像中的特征。换句话说，卷积神经网络可以提取特征。
61.如图所描绘，分类机器学习模型系统220接收在量子装置206的图像204中识别的量子装置206的特征222。在说明性示例中，特征222可以直接从特征机器学习模型系统218发送至分类机器学习模型系统220。
62.如图所描绘，分类机器学习模型系统220可以基于在量子装置206的图像204中识别的特征222为量子装置206识别一组特性224，并输出为量子装置206识别的该组特性224。
63.在该说明性示例中，该组特性224指示量子装置206是否将按期望运作。该组特性224可以被分析以确定一个或多个或所有量子装置206是否将按期望运作。换句话说，该组特性224可以指示量子装置206中的第一部分将按期望运作，而量子装置206中的第二部分将不能按期望运作。在另一个示例中，该组特性224可以指示没有量子装置206将按期望运作。在另一个示例中，该组特性224可以指示所有的量子装置206将按期望运作。
64.在说明性示例中，该组特性224可以从一群互斥特性226中识别。如本文中所用，“一群”当参考项目使用时，意味着一个或多个项目。例如，“一群互斥特性226”是互斥特性226中的一个或多个。
65.互斥特性226意味着特性不能同时存在。如图所描绘，分类机器学习模型系统220可将特征222分类为类别228。在该说明性示例中，类别228可包括曝光、特征塌陷、成分、蚀刻量、对准或一些其他合适类别中的至少一个。
66.类别228中的类别中的特性224是互斥特性226。例如，类别可以是抗蚀剂的曝光。曝光的特性可以是曝光过度、曝光不足或正确曝光。这些特性是互斥的，因为当这三个特性中的一个存在时，其他两个特性就不可能为特定的特征存在。
67.作为另一个示例，另一个类别可以是成分。在该类别中，特性可以是颗粒的存在和颗粒的不存在。成分的这两个特性是互斥的。因此，类别228是存在的，其中类别228中的类别中的该组特性224是互斥的。
68.在说明性示例中，筛查管理器212可以使用特性224形成一组动作232。在说明性示例中，特性224可以被放入或分类到类别228中。
69.该组动作232可以采取多种形式。例如，该组动作232可以选自以下各项中的至少一个：生成日志条目、发送警报、在发生不一致时执行校正动作、启动对一组晶圆的重新加工、释放一组晶圆以用于进一步加工、选择一组量子装置以用于进一步分析，或其他一些合适的动作。
70.接下来转到图3，根据说明性实施例，描绘了机器学习模型网络的框图的图示。在说明性示例中，同一个附图标记可以在一个以上的图中使用。这种在不同图中重复使用附图标记的做法表示了不同图中的相同要素。
71.如图所描绘，机器学习模型网络217是图2中机器学习模型214可以被组织以筛查量子装置206的一种方式的示例。在该说明性示例中，机器学习模型网络217可以由形成机器学习模型网络217中的子网络的神经网络组成。
72.如图所描绘，机器学习模型网络217包括卷积神经网络(cnn)300和分类神经网络302。在该说明性示例中，卷积神经网络300是图2中特征机器学习模型系统218的实施方式的示例。分类神经网络302是图2中分类机器学习模型系统220的实施方式的示例。
73.在该说明性示例中，卷积神经网络300可以具有被选择以执行高通量图像判读的架构。换句话说，卷积神经网络300可以被配置为处理单独晶圆的图像，其中每个晶圆可以包含数千个量子装置，以提取图2中的特征222。特征222可以采取各种形式。例如，特征222可以选自边缘、对比度差异、亮度水平或卷积神经网络300可以输出的一些其他合适的特征类型中的至少一个。
74.在一个说明性示例中，卷积神经网络300可以是包括提取块304的块结构。例如，可以使用14块结构，其中每个结构包括涉及独立卷积、批量形式化和激活的操作，如目前使用的从图像中提取特征的卷积神经网络所执行的。
75.在该说明性示例中，提取块304中的每个提取块可以将通道增加一倍，并且分辨率减半。换句话说，在该特定示例中，每个提取块可以增加通道的数量并降低分辨率。因此，网络的层可以识别图像中的特征，其中网络的层中的后续层与网络的层中的先前层相比，识别更大的特征。先前层的输出被输入到后续层中。在其他实施方式中，取决于性能规格，提取块不一定减少通道或降低分辨率。
76.在处理图像204期间，卷积神经网络300中的提取块304使信息变得越来越抽象并分布在越来越多的通道中。在该示例中，提取块304中的最后一个提取块可以输出特征222，其使用全局池化进行分组以形成张量306。张量306是成分阵列，并且在该示例中，可以是1024维的数字群，其包含关于从图像204中提取的特征222的信息。
77.因此，特征222在张量306中以保留图像之间的局部和整体结构的方式用数字表示。张量306形成分类神经网络302的输入。
78.在该说明性示例中，分类神经网络302可以使用神经元308来实施。神经元308可以被组织为对应于类别228的神经元308的一组子网络310，其中类别中的一组特性224是互斥的。换句话说，神经元308的该组子网络310中的每个子网络对应于类别228中的类别。
79.分类神经网络302可以在卷积神经网络300输出的张量306中接收在图2中量子装置206的图像204中识别的量子装置206的特征222。此外，分类神经网络302可以从图2中的一群互斥特性226中识别量子装置206的一组特性224，并输出该组特性224。在该说明性示例中，为图2中的该群互斥特性226识别的该组特性224基于量子装置206的图像204中识别的特征222，其中特征222在位于张量306中的信息中。该组特性224指示量子装置206是否将按期望运作。
80.在该说明性示例中，分类神经网络302可以是三层网络。在该示例中，每个层可以是1024个神经元宽。在其他说明性示例中，取决于实施方式，可以使用其他数量的神经元层。
81.此外，分类神经网络302可以将由张量306中的信息表示的特征222分类为类别228。类别228中的每个类别可以是图2中的互斥特性226。
82.关于接下来的图4，根据说明性实施例描绘了神经网络的框图的图示。在该说明性示例中，神经网络400是图3中分类神经网络302中的子网络310中的子网络的一个示例。在该描绘的示例中，神经网络400将特征分类为针对一个类别的特性。
83.如图所描绘，神经网络400有两层，层404和层406。在该示例中每层包括四个神经元。层404包括神经元408、神经元410、神经元412和神经元414。在该示例中，层406包括神经元416、神经元418、神经元420和神经元422。层404中的每个神经元都具有连接到层406中的
神经元的输出。这些神经元表示包含四个互斥特性的类别的子网络。
84.如图所描绘，神经网络400接收张量424。在该说明性示例中，张量424包含由特征机器学习模型系统提取的特征。张量424中的每个特征被发送到层404中的神经元中。在该示例中，张量124包含四个特征。在该示例中，特性概率426从层406输出。在该说明性示例中，层406中的每个神经元都输出图像中存在特定特性的概率。
85.在该说明性示例中，对于其中特性在类别内互斥的类别，四个特性从层406输出。神经网络400是图3中的子网络310中的子网络的实施方式的简化示例，其中示出了少量的神经元，以避免模糊这些特征的方式，通过描绘了宽度为1024个神经元的三层(这些神经元被分组为包含特性的类别的子网络)来示出说明性示例中的特征。简化的示例被描绘为示出神经网络(诸如子网络)的输入和输出，该网络已被训练成对特征进行分类，其中互斥特性的概率针对类别被输出。
86.现在转到图5，根据说明性实施例，描绘了用于训练分类机器学习模型系统的过程的框图的图示。在该说明性示例中，训练数据500包括图像502。图像502可以是处于一个或多个加工阶段的量子装置的任何图像。在一个说明性示例中，图像502还可以包括量子装置，其具有在图像502中的那些量子装置的不期望特性或期望特性中的至少一个。在该说明性示例中，图像502可以由量子装置的数千个扫描电子显微镜(sem)图像组成。
87.在该说明性示例中，训练数据500也可以包括元数据504。元数据504可以是例如指示应在特定图像中识别的特性的标签。元数据504可以与一组机器学习算法506一起使用，以训练分类机器学习模型系统220。
88.训练可以由训练管理器508使用该组机器学习算法506执行。在该说明性示例中，训练管理器508在图2的计算机系统216上运行。在说明性示例中，该组机器学习算法506是一组监督机器学习算法。如图所描绘，特征机器学习模型系统218先前已被训练为提取特征222。
89.在该说明性示例中，当分类机器学习模型系统220使用分类神经网络302实施时，可以通过使用丢弃510或正则化512中的至少一个的训练管理器508减少过拟合。
90.在该说明性示例中，丢弃510涉及在训练分类神经网络302期间停用一组神经元308，使得减少过拟合。该示例中神经元的停用涉及断开神经元的输入或输出中的至少一个。该停用可以在说明性示例中随机执行。
91.如图所描绘，正则化512是一种用于减少分类神经网络302的过拟合的可能性的技术。在训练神经网络时，过拟合可能发生，其中神经网络对训练数据的输出值预测得非常好，而且误差很小且准确度很高。然而，当该训练过的网络接收新的以前未见过的数据时，该神经网络生成的预测结果很差。
92.在该说明性示例中，正则化512可以是l1正则化，其中项可以被添加到由该组机器学习算法506使用的误差函数。该误差函数被配置为惩罚训练期间生成的大幅度权重值。例如，l1正则化可以由训练管理器508与机器学习算法506一起使用，使得在训练分类神经网络302期间，一组神经元308的一组幅度减少，使得减少过拟合。
93.训练完成后，分类神经网络302然后可以用来确定图2至图3中的类别228中的特性224。此外，验证可由训练管理器508执行，以确保分类神经网络302按期望执行。训练数据500中的一部分可被保留用于验证目的。例如，80％的训练数据500可用于训练，而20％的训
练数据500可用于验证目的。
94.因此，与目前的技术相比，具有特征机器学习模型系统218和分类机器学习模型系统220的两个阶段的机器学习模型网络217可以以所期望的速度水平更准确地识别图2中量子装置206的特性224。此外，使用图2中的互斥特性226、丢弃510或正则化512中的至少一个可以提高分类机器学习模型系统220的性能。该性能提高可以包括除了在确定图2中的量子装置206的特性224时保持或提高准确性外，还提高速度。
95.在一个说明性示例中，存在一个或多个技术解决方案，其克服了筛查量子装置以确定量子装置是否将按期望运作的技术问题。因此，一个或多个技术解决方案可以提供一种技术效果，即使得能够在诸如晶圆的衬底上加工量子装置的一个或多个阶段中，以使得能够识别指示量子装置将不会按期望运作的特性的方式，对量子装置进行筛查。在一些说明性示例中，这些特性也可以被称为故障模式。
96.在说明性示例中，一个或多个技术解决方案提供了一种技术效果，即在加工阶段诸如光刻图案化之后，使得装置筛查诸如每分钟约1000个量子装置能够在线执行。在说明性示例中，该技术效果可以将反馈学习周期从几个月减少到几个小时或甚至更短的时间段。目前，在测试量子装置的功能时，需要几个月的时间来识别问题。通过使用图2至图3和图5中的机器学习模型网络217在加工的不同阶段期间执行筛查以识别问题可以减少该时间，使得可以及时执行返工操作，因此提高量子装置的良率。
97.在说明性示例中，图2至图3和图5中的机器学习模型网络217可以自动执行根本原因分析，以对可用于识别问题的特性进行分类。这些问题可以是颗粒的存在、缺失门、缺失引线或可能导致量子装置不能按期望运作的其他问题。这些类型的问题可能会导致目前在装置电气测试完成后才会识别的电气故障，诸如短路或开路。
98.图2中的计算机系统216可以被配置为使用软件、硬件、固件或其组合来执行不同说明性示例中描述的步骤、操作或动作中的至少一个。因此，计算机系统216作为专用计算机系统操作，其中计算机系统216中的机器学习模型网络217使得能够对量子装置206进行筛查，从而以使得能够识别量子装置206可能无法按期望运作的问题或情况的方式识别特性224。
99.特别地，与没有机器学习模型网络217的目前可用的一般计算机系统相比，机器学习模型网络217将计算机系统216转变为专用计算机系统。在说明性示例中，在计算机系统216中使用机器学习模型网络217提供了在制造量子装置206期间用于筛查量子装置206的实际应用，其方式提高了计算机系统216在从量子装置206的图像204中筛查量子装置的性能。换句话说，计算机系统216中的机器学习模型网络217针对集成到计算机系统216中的机器学习模型网络217中的过程的实际应用，该过程包括将从量子装置的图像中提取的特征222发送到分类神经网络302中。接收由分类神经网络302为量子装置206识别的一组特性224。该组特性224指示量子装置是否将按期望运作。在计算机系统216中使用机器学习模型网络217可以改善计算机系统216识别特性224、执行一组动作232或执行与分析图像204有关的其他操作以获得可用于改善量子装置206的良率的特性224中的至少一个的速度或准确性中的至少一个。以这种方式，计算机系统216中的筛查管理器212或机器学习模型网络217中的至少一个提供了分析图像204以用于筛查量子装置206的实际应用，使得改善了计算机系统216的功能。
100.图2中对筛查环境200的图示并不意味着对实施说明性实施例的方式的物理限制或架构限制。除了图示的部件之外，还可以使用其他部件，或者取代图示的部件。一些部件可能是不必要的。而且，呈现该框以图示一些功能部件。当在说明性实施例中实施时，这些框中的一个或多个可以被组合、分割，或组合和分割成不同的框。
101.例如，装置筛查系统202可以应用于分析除量子装置以外的其他类型的结构的图像。例如，装置筛查系统202可用于筛查半导体结构，诸如晶体管、场效应晶体管、电容器、二极管或其他类型的半导体结构。
102.作为另一个示例，特征222可以被间接地发送到分类机器学习模型系统220。例如，特征222可以从特征机器学习模型系统218输出到筛查管理器212。筛查管理器212然后可以将特征222发送到分类机器学习模型系统220。
103.接下来转到图6，根据说明性实施例描绘了用于筛查量子装置的流程图的图示。图6中的过程可以在硬件、软件或两者中实施。当在软件中实施时，该过程可以采取程序代码的形式，该程序代码由位于一个或多个计算机系统中的一个或多个硬件装置中的一个或多个处理器单元运行。例如，该过程可以在图2中计算机系统216的筛查管理器212中实施。
104.该过程开始时，将从量子装置的图像中提取的特征发送到分类神经网络中(操作600)。在操作600中，分类神经网络被配置为基于在量子装置的图像中识别的特征，从一群互斥特性中为量子装置识别一组特性，并输出为量子装置识别的该组特性。
105.该过程接收由分类神经网络为量子装置识别的一组特性(操作602)。该组特性指示量子装置是否将按预期运作。
106.该过程基于该组特性执行一组动作(操作604)。此后，该过程终止。该组动作可以选自释放晶圆以用于进一步加工、生成日志条目、发送警报、当存在不一致时执行校正动作、启动一组晶圆的返工或一些其他合适的动作中的至少一个。作为另一个示例，该组动作可以包括基于由分类神经网络识别的该组特性来修改用于制造量子装置的过程。
107.接下来转到图7，根据说明性实施例描绘了用于筛查量子装置的过程的流程图的图示。图7中的过程可以在硬件、软件或两者中实施。当在软件中实施时，该过程可以采取程序代码的形式，该程序代码由位于一个或多个计算机系统中的一个或多个硬件装置中的一个或多个处理器单元运行。例如，该过程可以在图5的训练管理器508中实施。
108.该过程开始时，识别训练数据(操作700)。该训练数据可以是用于量子装置、半导体装置或其他正在进行训练的装置或结构的图像。
109.该过程使用训练数据和一组机器学习算法来训练分类机器学习模型系统(操作702)。在操作702中，训练数据可以被发送到先前已训练的特征机器学习模型系统中，其中特征机器学习模型系统输出的特征被发送到分类神经网络中。
110.该过程在训练分类神经网络期间停用神经元的一组子网络中的一组神经元，使得减少过拟合(操作704)。该过程在训练分类神经网络期间减少神经元的该组子网络中的该组神经元的幅度，使得减少过拟合(操作706)。此后，该过程终止。
111.不同的所描绘实施例中的流程图和框图示出了说明性实施例中器械和方法的一些可能实施方式的架构、功能和操作。在这方面，流程图或框图中的每个框可以代表模块、段、功能或操作或步骤中的一部分中的至少一个。例如，框中的一个或多个可以实施为程序代码、硬件或程序代码和硬件的组合。当在硬件中实施时，硬件可以例如采取制造或配置为
执行流程图或框图中的一个或多个操作的集成电路的形式。当实施为程序代码和硬件的组合时，实施方式可以采取固件的形式。流程图或框图中的每个框可以使用执行不同操作的专用硬件系统，或专用硬件和专用硬件运行的程序代码的组合来实施。
112.在说明性实施例的一些可替代实施方式中，框中指出的一个或多个功能可能不按图中指出的顺序出现。例如，在一些情况下，连续示出的两个框可以基本上同时执行，或者框有时可以按相反的顺序执行，这取决于所涉及的功能。而且，除了流程图或框图中的图示框之外，可以添加其他框。
113.现在转到图8，根据说明性实施例描绘了数据处理系统的框图的图示。数据处理系统800可用于实施图1中的服务器计算机104、服务器计算机106和客户端装置110。数据处理系统800也可用于实施图2中的计算机系统210。在该说明性示例中，数据处理系统800包括通信框架802，其在处理器单元804、存储器806、永久性存储设备808、通信单元810、输入/输出(i/o)单元812和显示器814之间提供通信。在该示例中，通信框架802采取总线系统的形式。
114.处理器单元804用于为可载入存储器806中的软件执行指令。处理器单元804包括一个或多个处理器。例如，处理器单元804可以选自以下各项中的至少一个：多核处理器、中央处理单元(cpu)、图形处理单元(gpu)、物理处理单元(ppu)、数字信号处理器(dsp)、网络处理器或一些其他合适类型的处理器。此外，处理器单元804可以使用一个或多个异构处理器系统来实施，其中主处理器与次级处理器存在于单个芯片上。作为另一个说明性示例，处理器单元804可以是对称多处理器系统，其在单个芯片上包含同一类型的多个处理器。
115.存储器806和永久性存储设备808是存储装置816的示例。存储装置是能够存储信息的任何硬件，例如在不受限制的情况下，临时地、永久地，或既是临时地也是永久地存储数据、功能形式的程序代码或其他合适信息中的至少一种。存储装置816在这些说明性示例中也可以被称为计算机可读存储装置。在这些示例中，存储器806可以是例如随机存取存储器或任何其他合适的易失性或非易失性存储装置。永久性存储设备808可以采取各种形式，这取决于特定的实施方式。
116.例如，永久性存储设备808可以包含一个或多个部件或装置。例如，永久性存储设备808可以是硬盘驱动器、固态驱动器(ssd)、闪存、可重写光盘、可重写磁带，或上述的一些组合。永久性存储设备808所使用的介质也可以是可移除的。例如，可移除的硬盘驱动器可以用于永久性存储设备808。
117.在这些说明性示例中，通信单元810提供与其他数据处理系统或装置的通信。在这些说明性示例中，通信单元810是网络接口卡。
118.输入/输出单元812允许与可连接到数据处理系统800的其他装置进行数据输入和输出。例如，输入/输出单元812可以通过键盘、鼠标或一些其他合适的输入装置中的至少一个来为用户输入提供连接。此外，输入/输出单元812可以将输出发送到打印机。显示器814提供了向用户显示信息的机构。
119.用于操作系统、应用程序或程序中的至少一个的指令可以位于存储装置816中，该存储装置通过通信框架802与处理器单元804通信。不同实施例的过程可以由处理器单元804使用计算机实施的指令来执行，该指令可以位于存储器诸如存储器806中。
120.这些指令被称为程序代码、计算机可用程序代码或计算机可读程序代码，其可由
处理器单元804中的处理器读取和执行。不同实施例中的程序代码可以体现在不同的物理或计算机可读存储介质上，诸如存储器806或永久性存储设备808上。
121.程序代码818以功能形式位于计算机可读介质820上，该计算机可读介质是可选择性地移除的，并且可以被加载到数据处理系统800上或转移到数据处理系统800，以用于由处理器单元804执行。程序代码818和计算机可读介质820在这些说明性示例中形成计算机程序产品822。在说明性示例中，计算机可读介质820是计算机可读存储介质824。
122.在这些说明性示例中，计算机可读存储介质824是用于存储程序代码818的物理或有形存储装置，而不是传播或传输程序代码818的介质。如本文中所用，计算机可读存储介质824不应理解为是短暂信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，经过光缆的光脉冲)，或通过电线传输的电信号，如本文中所用，不应理解为是短暂信号本身，诸如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如，经过光缆的光脉冲)，或通过电线传输的电信号。
123.可替代地，程序代码818可以使用计算机可读信号介质转移到数据处理系统800。该计算机可读信号介质可以是例如包含程序代码818的传播数据信号。例如，计算机可读信号介质可以是电磁信号、光信号或任何其他合适类型的信号中的至少一种。这些信号可以通过连接来传输，诸如无线连接、光缆、同轴电缆、电线或任何其他合适类型的连接。
124.此外，如本文中所用，“计算机可读介质820”可以是单数或复数的。例如，程序代码818可以以单个存储装置或系统的形式位于计算机可读介质820中。在另一个示例中，程序代码818可以位于分布在多个数据处理系统中的计算机可读介质820中。换句话说，程序代码818中的一些指令可以位于一个数据处理系统中，而程序代码818中的其他指令可以位于一个数据处理系统中。例如，程序代码818中的一部分可以位于服务器计算机中的计算机可读介质820中，而程序代码818中的另一部分可以位于处在一组客户端计算机中的计算机可读介质820中。
125.为数据处理系统800示出的不同部件并不意味着对可以实施不同实施例的方式提供架构限制。在一些说明性示例中，部件中的一个或多个可以并入另一个部件或以其他方式形成另一个部件中的一部分。例如，在一些说明性示例中，存储器806或其部分可以并入处理器单元804中。不同的说明性实施例可以在数据处理系统中实施，该数据处理系统包括除了为数据处理系统800示出的那些部件之外或代替那些部件的部件。图8所示的其他部件可以从所示的说明性示例变化。不同的实施例可以使用能够运行程序代码818的任何硬件装置或系统实施。
126.可以在如图9所示的飞行器制造和维护方法900和如图10所示的飞行器1000的情境下描述本公开的说明性实施例。首先转到图9，根据说明性实施例描绘了飞行器制造和维护方法的图示。在预生产期间，飞行器制造和维护方法900可以包括图10中飞行器1000的规范和设计902以及材料采购904。
127.在生产期间，图10中的飞行器1000的部件和子组件制造906与系统集成908发生。在说明性示例中，部件和子组件制造906可以包括制造量子装置。此后，图10中的飞行器1000可以通过认证和交付910，以便投入服役中912。当由客户投入服役中912时，图10中的飞行器1000被安排进行常规维修和维护914，这可包括改装、重新配置、翻新和其他维修或维护。
128.飞行器制造和维护方法900的过程中的每个可以由系统集成商、第三方、运营商或其一些组合执行或进行。在这些示例中，运营商可以是客户。出于本描述的目的，系统集成商可以包括但不限于任何数量的飞行器制造商和主要系统分包商；第三方可以包括但不限于任何数量的供应商、分包商和供货商；以及运营商可以是航空公司、租赁公司、军事实体、服务组织等。
129.现在参考图10，描绘了其中可以实施说明性实施例的飞行器的图示。在该示例中，飞行器1000由图9中的飞行器制造和维护方法900生产，并且可以包括具有多个系统1004和内部1006的机体1002。系统1004的示例包括推进系统1008、电气系统1010、液压系统1012和环境系统1014中的一个或多个。可以包括任何数量的其他系统。尽管示出了航空航天示例，但不同的说明性实施例可以应用于其他工业，诸如汽车工业。
130.本文中体现的器械和方法可在图9中的飞行器制造和维护方法900的阶段中的至少一个的期间采用。
131.在一个说明性示例中，在图9中的部件和子组件制造906中生产的部件或子组件可以以类似于图9中飞行器1000处于服役中912时生产的部件或子组件的方式生产或制造。作为又一个示例，一个或多个器械实施例、方法实施例或其组合可以在生产阶段期间被利用，诸如图9中的部件和子组件制造906与系统集成908。一个或多个器械实施例、方法实施例或其组合可以在飞行器1000处于服役中912时、图9中的维修和维护914期间或两者期间被利用。使用多个不同的说明性实施例可以大大加快飞行器1000的装配、降低飞行器1000的成本，或者既加快飞行器1000的装配又降低飞行器1000的成本。例如，在使用诸如一个或多个说明性示例中所描绘的筛查系统时，量子装置的制造可以以提高晶圆上量子装置的良率的方式执行。对返工过程的改变可以以挽救或减少通过加工晶圆上的量子装置而形成的量子装置的废弃的方式执行。
132.现在转到图11，根据说明性实施例描绘了产品管理系统的框图的图示。产品管理系统1100是物理硬件系统。在该说明性示例中，产品管理系统1100包括制造系统1102或维修系统1104中的至少一个。
133.制造系统1102被配置为制造产品，诸如图10中的飞行器1000。如图所描绘，制造系统1102包括制造设备1106。制造设备1106包括制作设备1108或装配设备1110中的至少一个。
134.制作设备1108是用于制作用于形成图10中飞行器1000的零件的部件的设备。例如，制作备1108可以包括机器和工具。这些机器和工具可以是钻头、液压机、熔炉、模具、复合带铺设机、真空系统、车床或其他合适类型的设备中的至少一种。制作设备1108可用于制作金属零件、复合材料零件、半导体、电路、紧固件、肋、皮板、支柱、天线或其他合适类型的零件中的至少一种。
135.关于制作半导体部件，制作设备1108可以包括以下各项中的至少一种：外延反应器、氧化系统、扩散系统、蚀刻机、清洗机、粘合机、切割机、晶圆锯、离子植入机、物理气相沉积系统、化学气相沉积系统、光刻系统、电子束光刻系统、等离子体蚀刻机、管芯附接机、焊线机、管芯包覆系统、成型设备、密封机、电测试器、预烧炉、保留烘烤炉、uv擦除机，或可用于制造量子装置的其他合适类型的设备。
136.装配设备1110是用于装配零件以形成图10中的飞行器1000的设备。特别地，装配
设备1110用于装配部件和零件以形成图10中的飞行器1000。装配设备1110也可以包括机器和工具。这些机器和工具可以是机械臂、爬行器、紧固件安装系统、基于轨道的钻孔系统或机器人中的至少一种。装配设备1110可用于装配零件，诸如座椅、水平尾翼、机翼、发动机、发动机壳体、起落架系统和图10中飞行器1000的其他零件。
137.在该说明性示例中，维修系统1104包括维修设备1112。维修设备1112可以包括对图10中的飞行器1000进行执行所需的任何设备。维修设备1112可以包括用于对图10中的飞行器1000上的零件执行不同操作的工具。这些操作可以包括拆卸零件、翻新零件、检查零件、返工零件、制造替换零件或用于对图10中的飞行器1000执行维修的其他操作中的至少一种。这些操作可以用于常规维修、检查、升级、翻新或其他类型的维修操作。
138.在说明性示例中，维修设备1112可以包括超声波检查装置、x射线成像系统、视觉系统、钻头、爬行器和其他合适的装置。在一些情况下，维修设备1112可以包括制作设备1108、装配设备1110或两者，以生产和装配维修所需的零件。
139.产品管理系统1100还包括控制系统1114。控制系统1114是硬件系统，并且还可以包括软件或其他类型的部件。控制系统1114被配置为控制制造系统1102或维修系统1104中至少一个的操作。特别地，控制系统1114可以控制制作设备1108、装配设备1110或维修设备1112中的至少一个的操作。
140.控制系统1114中的硬件可以使用可以包括计算机、电路、网络和其他类型设备的硬件来实施。控制可以采取直接控制制造设备1106的形式。例如，机器人、计算机控制的机器和其他设备可以由控制系统1114控制。在其他说明性示例中，控制系统1114可以管理人类操作员1116在制造图10中的飞行器1000或对其执行维修时执行的操作。例如，控制系统1114可以分配任务、提供指令、显示模型或执行其他操作，以管理由人类操作员1116执行的操作。在这些说明性示例中，装置筛查系统202可以在产品管理系统1100中实施。例如，装置筛查系统202可以是用于筛查和确定量子装置良率的制造设备1106的一部分。在该说明性示例中，装置筛查系统202可以以使控制系统1114能够管理图10中的飞行器1000的制造或维修中的至少一个的方式与控制系统1114进行通信。例如，图像可以在量子装置上的光致抗蚀剂显影、蚀刻量子装置或制作量子装置中的其他阶段中的至少一个之后产生。在一个说明性示例中，显影后的光致抗蚀剂的图像可以使得能够校正光刻中的问题。蚀刻量子装置后的成像使得能够对半导体的不期望的特性进行筛查。
141.在不同的说明性示例中，人类操作员1116可以操作制造设备1106、维修设备1112或控制系统1114中的至少一个或与其互动。该互动可以发生以制造图10中的飞行器1000。
142.当然，产品管理系统1100可以被配置为管理图10中的飞行器1000以外的其他产品。尽管产品管理系统1100已关于航空航天工业中的制造进行描述，但产品管理系统1100可以被配置为管理其他工业的产品。例如，产品管理系统1100可以被配置成为汽车工业以及任何其他合适的工业制造产品。
143.因此，说明性实施例提供了一种方法、器械、系统和计算机程序产品，以用于识别可能导致量子装置以不期望的方式执行的特性。例如，该特性可能指示半导体结构不具有预期或期望的功能时的情况。在一个说明性示例中，计算机系统将从量子装置的图像中提取的特征发送到分类神经网络中。分类神经网络被配置为基于量子装置的图像中识别的特征，从一群互斥特性中为量子装置识别一组特性，并输出为量子装置识别的该组特性。计算
机系统接收由分类神经网络为量子装置识别的该组特性。该组特性指示量子装置是否将按期望运作。
144.在一个说明性示例中，在加工量子装置的一个或多个阶段中对量子装置进行筛查，使得能够识别出指示量子装置将不会按期望运作的特性。在说明性示例中，通过在加工的不同阶段期间使用机器学习模型网络对量子装置执行筛查以识别问题，使得可以及时执行返工操作，可以减少筛查时间，因此提高量子装置的良率。在说明性示例中，机器学习模型网络可以自动执行根本原因分析，以对可用于识别问题的特性进行分类。这些问题可以是颗粒的存在、缺失门、缺失引线或可能导致量子装置不能按期望运作的其他问题。这些类型的问题可能会导致目前在对量子装置执行电气测试后才会识别的电气故障，诸如短路或开路。
145.对不同的说明性实施例的描述是为了说明和描述的目的而提出的，并且不旨在详尽或局限于所公开的形式的实施例。不同的说明性示例描述了执行动作或操作的部件。在说明性实施例中，部件可以被配置为执行所描述的动作或操作。例如，部件可以具有用于结构的配置或设计，其为部件提供执行说明性示例中描述为由该部件执行的动作或操作的能力。此外，在本文中使用术语“包括”、“具有”、“包含”及其变体的情况下，此类术语旨在以类似于术语“包括”的方式作为开放的过渡词来包括，而不排除任何额外或其他要素。
146.此外，本公开包括根据以下条款的实施例：
147.条款1.一种装置筛查系统(202)，其包括：
148.计算机系统(216)；
149.计算机系统(216)中的特征机器学习模型系统(142、218)，其中特征机器学习模型系统(142、218)被配置为接收量子装置(134、206)的图像(132、204、502)，在图像(132、204、502)中为量子装置(134、206)识别特征(222)，并输出在量子装置(134、206)的图像(132、204、502)中为量子装置(134、206)识别的特征(222)；以及
150.计算机系统(216)中的分类神经网络(144、302)，其中分类神经网络(144、302)被配置为接收在量子装置(134、206)的图像(132、204、502)中识别的量子装置(134、206)的特征(222)，基于在量子装置(134、206)的图像(132、204、502)中识别的特征(222)从一群互斥特性(226)中为量子装置(134、206)识别一组特性(140、224)，并输出在量子装置(134、206)的图像(132、204、502)中为量子装置(134、206)识别的该组特性(140、224)，其中该组特性(140、224)指示量子装置(134、206)是否将按期望运作。
151.条款2.根据条款1所述的装置筛查系统(202)，其中分类神经网络(144、302)包括对应于类别(228)的神经元(308)的一组子网络(310)，其中该组特性(140、224)在类别(228)中的类别中是互斥的。
152.条款3.根据条款2所述的装置筛查系统(202)，其中类别(228)包括曝光、特征塌陷、成分、蚀刻量或对准中的至少一种。
153.条款4.根据条款2所述的装置筛查系统(202)，其中神经元(308)的子网络(310)中的一组神经元(308)在训练分类神经网络(144、302)期间被停用，使得减少过拟合。
154.条款5.根据条款2所述的装置筛查系统(202)，其中神经元(308)的子网络(310)中的一组神经元(308)在训练分类神经网络(144、302)期间具有一组减小的幅度，使得减少过拟合。
155.条款6.根据任一项前述条款所述的装置筛查系统(202)，其中特征机器学习模型系统(142、218)是卷积神经网络(300)，其被训练从而为量子装置(134、206)提取特征(222)。
156.条款7.根据条款6所述的装置筛查系统(202)，其中卷积神经网络(300)包括：
157.识别图像(132、204、502)中的特征(222)的神经元层(308)，其中与神经元层(308)中的先前层相比，神经元层(308)中的后续层识别更大的特征，并且其中先前层的输出被输入到后续层中。
158.条款8.根据条款7所述的装置筛查系统(202)，其中神经元层(308)中的每个层增加通道的数量并降低图像的分辨率。
159.条款9.根据任一项前述条款所述的装置筛查系统(202)，其中量子装置(134、206)选自以下各项中的一个：量子点装置、纳米线装置、量子阱装置、量子信息处理装置、量子存储器、超导谐振器、约瑟夫森结、非线性电感器、线性电感器、电容器、光学谐振器、二极管、晶体管、场效应晶体管、存储器装置、量子干涉装置、拓扑量子装置、波导或光学谐振器。
160.条款10.根据任一项前述条款所述的装置筛查系统(202)，其中量子装置(134、206)的图像(132、204、502)在制作量子装置(134、206)的一组阶段期间生成，该组阶段选自在量子装置上显影抗蚀剂、在量子装置上图案化薄膜或蚀刻量子装置中的至少一个。
161.条款11.一种装置筛查系统(202)，其包括：
162.计算机系统(216)；以及
163.计算机系统(216)中的分类机器学习模型系统(220)，其中分类机器学习模型系统(220)被配置为接收在量子装置(134、206)的图像(132、204、502)中识别的量子装置(134、206)的特征(222)，为量子装置(134、206)识别一组特性(140、224)，并输出基于在量子装置(134、206)的图像(132、204、502)中识别的特征(222)为量子装置(134、206)识别的该组特性(140、224)，其中该组特性(140、224)指示量子装置(134、206)是否将按期望运作。
164.条款12.根据条款11所述的装置筛查系统(202)，其中分类机器学习模型系统(220)是分类神经网络(144、302)，其被配置为从一群互斥特性(226)中为量子装置(134、206)识别该组特性(140、224)。
165.条款13.根据条款11至12中任一项所述的装置筛查系统(202)，其中在为量子装置(134、206)识别该组特性(140、224)时，分类机器学习模型系统(220)被配置为从一群互斥特性(226)中为量子装置(134、206)识别该组特性(140、224)。
166.条款14.根据条款11至13中任一项所述的装置筛查系统(202)，其中分类机器学习模型系统(220)选自神经网络、决策树、支持向量机、贝叶斯网络、遗传算法或聚类分析算法中的至少一种。
167.条款15.根据条款12所述的装置筛查系统(202)，其中分类神经网络(144、302)包括对应于类别(228)的神经元(308)的子网络(310)，其中该组特性(140、224)在类别(228)中的类别中是互斥的。
168.条款16.根据条款15所述的装置筛查系统(202)，其中类别(228)包括曝光、特征塌陷、成分、蚀刻量或对准中的至少一种。
169.条款17.根据条款15所述的装置筛查系统(202)，其中神经元(308)的子网络(310)中的一组神经元(308)在训练分类神经网络(144、302)期间被停用，使得减少过拟合。
170.条款18.根据条款15所述的装置筛查系统(202)，其中神经元(308)的子网络(310)中的一组神经元(308)在训练分类神经网络(144、302)期间具有一组减小的幅度，使得减少过拟合。
171.条款19.根据条款11至18中任一项所述的装置筛查系统(202)，其中在来自特征提取神经网络的输出中接收特征(222)，该特征提取神经网络被配置为接收量子装置(134、206)的图像(132、204、502),为图像(132、204、502)中的量子装置(134、206)识别特征(222)，并输出为量子装置(134、206)的图像(132、204、502)中的量子装置(134、206)识别的特征(222)。
172.条款20.根据条款11至19中任一项所述的装置筛查系统(202)，其中量子装置(134、206)选自以下各项中的一个：量子点装置、纳米线装置、量子阱装置、量子信息处理装置、量子存储器、超导谐振器、约瑟夫森结、非线性电感器、线性电感器、电容器、光学谐振器、二极管、晶体管、场效应晶体管、存储器装置、量子干涉装置、拓扑量子装置、波导或光学谐振器。
173.条款21.一种用于筛查量子装置(134、206)的方法，该方法包括：
174.由计算机系统(216)将从量子装置的图像中提取的特征(222)发送(600)到分类神经网络(144、302)，其中分类神经网络(144、302)被配置为基于在量子装置的图像中识别的特征(222)，从一群互斥特性(226)中为量子装置识别一组特性(140、224)，并输出为量子装置识别的该组特性(140、224)；以及
175.由计算机系统(216)接收(602)由分类神经网络(144、302)为量子装置识别的该组特性(140、224)，其中该组特性(140、224)指示量子装置是否将按期望运作。
176.条款22.根据条款21所述的方法，其进一步包括：
177.基于由分类神经网络(144、302)识别的该组特性(140、224)修改用于制作量子装置的过程。
178.条款23.根据条款21至22中任一项所述的方法，其中分类神经网络(144、302)包括对应于类别(228)的神经元(308)的一组子网络(310)，其中该组特性(140、224)在类别中是互斥的。
179.条款24.根据条款23所述的方法，其中类别(228)包括曝光、特征塌陷、成分、蚀刻量或对准中的至少一种。
180.条款25.根据条款23所述的方法，其进一步包括：
181.在训练分类神经网络(144、302)期间停用(704)神经元(308)的该组子网络(310)中的一组神经元(308)，使得减少过拟合。
182.条款26.根据条款23所述的方法，其进一步包括：
183.在训练分类神经网络(144、302)期间减少(706)神经元(308)的该组子网络(310)中的一组神经元(308)的幅度，使得减少过拟合。
184.条款27.根据条款21至26中任一项所述的方法，其进一步包括：
185.接收在来自特征提取神经网络的输出中接收的特征(222)，该特征提取神经网络被配置为接收量子装置的图像，并输出在量子装置的图像中为量子装置识别的特征(222)。
186.条款28.根据条款21至27中任一项所述的方法，其中在制作量子装置的阶段期间生成量子装置的图像，该阶段选自在量子装置上的光致抗蚀剂的曝光、在量子装置上图案
化薄膜，以及蚀刻量子装置。
187.条款29.一种用于筛查量子装置(134、206)的计算机程序产品(822)，该计算机程序产品(822)包括：
188.计算机可读存储介质(822)；
189.第一程序代码，其存储在计算机可读存储介质(824)上，可由计算机系统(216)执行以使计算机系统(216)接收在来自特征提取神经网络的输出中接收的特征(222)，该特征提取神经网络被配置为接收量子装置的图像，并输出在量子装置的图像中识别的特征(222)；
190.第二程序代码，其存储在计算机可读存储介质(824)上，可由计算机系统(216)执行以使计算机系统(216)将从量子装置的图像中提取的特征(222)发送到分类神经网络(144、302)中，其中分类神经网络(144、302)被配置为基于在量子装置的图像中识别的特征(222)为量子装置(134、206)识别一组特性(140、224)；以及
191.第三程序代码，其存储在计算机可读存储介质(824)上，可由计算机系统(216)执行以使计算机系统(216)接收由分类神经网络(144、302)基于在量子装置的图像中识别的特征(222)为量子装置(134、206)识别的该组特性(140、224)，其中该组特性(140、224)指示量子装置是否将按期望运作。
192.对于本领域普通技术人员来说，许多修改和变化将是显而易见的。此外，与其他期望的实施例相比，不同的说明性实施例可以提供不同的特征。选择和描述所选取的一个或多个实施例以便最好地解释实施例的原理、实际应用，并使本领域普通技术人员能够理解具有各种修改的各种实施例的公开内容，该各种修改适合于所设想的特定用途。