하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,반도체 관련 파라미터들을 복수 개의 제1 신경망 모델로 각각 입력하는 단계; 및상기 복수 개의 제1 신경망 모델에서 각각 상기 반도체 관련 파라미터들에 의한 반도체 소자의 예측된 성능 지수를 제1 출력 값으로 출력하는 단계를 포함하는, 반도체 공정 최적화를 위한 학습 방법.

청구항 1에 있어서, 상기 복수 개의 제1 신경망 모델은,각각 동일한 신경망 구조를 가지고, 복수의 에포크를 통해 랜덤화 된 훈련 데이터 셋을 통해 학습되어 각 신경망 내 가중치가 서로 다른 값을 갖도록 학습되는, 반도체 공정 최적화를 위한 학습 방법.

청구항 2에 있어서, 상기 학습 방법은, 상기 복수 개의 제1 신경망 모델에서 출력하는 복수 개의 제1 출력 값을 크기 순으로 정렬하는 단계;상기 복수 개의 제1 출력 값들 중 기 설정된 상위 범위에 속하는 제1 출력 값 및 기 설정된 하위 범위에 속하는 제1 출력 값을 제거하는 단계; 및상기 상위 범위 및 하위 범위에 속하는 제1 출력 값이 제거된 나머지 제1 출력 값들을 제2 신경망 모델로 입력시키는 단계를 더 포함하는, 반도체 공정 최적화를 위한 학습 방법.

청구항 3에 있어서, 상기 학습 방법은, 상기 제2 신경망 모델에서 상기 나머지 제1 출력 값들에 기초하여 복수 개의 제2 출력 값을 출력하는 단계; 및상기 복수 개의 제2 출력 값에 기초하여 최종 출력 값을 산출하는 단계를 더 포함하는, 반도체 공정 최적화를 위한 학습 방법.

청구항 4에 있어서, 상기 제2 신경망 모델은, 나머지 제1 출력 값들을 그와 동일한 개수의 제2 출력 값으로 변형해주도록 학습되는, 반도체 공정 최적화를 위한 학습 방법.

청구항 4에 있어서, 상기 최종 출력 값은, 상기 복수 개의 제2 출력 값을 평균한 값 또는 상기 복수 개의 제2 출력 값 중 중간 값인, 반도체 공정 최적화를 위한 학습 방법.

하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 반도체 관련 파라미터들을 복수 개의 제1 신경망 모델로 각각 입력하기 위한 명령; 및상기 복수 개의 제1 신경망 모델에서 각각 상기 반도체 관련 파라미터들에 의한 반도체 소자의 예측된 성능 지수를 제1 출력 값으로 출력하기 위한 명령을 포함하는, 컴퓨팅 장치.

청구항 7에 있어서, 상기 복수 개의 제1 신경망 모델은,각각 동일한 신경망 구조를 가지고, 복수의 에포크를 통해 랜덤화 된 훈련 데이터 셋을 통해 학습되어 각 신경망 내 가중치가 서로 다른 값을 갖도록 학습되는, 컴퓨팅 장치.

청구항 8에 있어서, 상기 하나 이상의 프로그램들은,상기 복수 개의 제1 신경망 모델에서 출력하는 복수 개의 제1 출력 값을 크기 순으로 정렬하기 위한 명령;상기 복수 개의 제1 출력 값들 중 기 설정된 상위 범위에 속하는 제1 출력 값 및 기 설정된 하위 범위에 속하는 제1 출력 값을 제거하기 위한 명령; 및상기 상위 범위 및 하위 범위에 속하는 제1 출력 값이 제거된 나머지 제1 출력 값들을 제2 신경망 모델로 입력시키기 위한 명령을 더 포함하는, 컴퓨팅 장치.

청구항 9에 있어서, 상기 하나 이상의 프로그램들은, 상기 제2 신경망 모델에서 상기 나머지 제1 출력 값들에 기초하여 복수 개의 제2 출력 값을 출력하기 위한 명령; 및상기 복수 개의 제2 출력 값에 기초하여 최종 출력 값을 산출하기 위한 명령을 더 포함하는, 컴퓨팅 장치.

청구항 10에 있어서, 상기 제2 신경망 모델은, 나머지 제1 출력 값들을 그와 동일한 개수의 제2 출력 값으로 변형해주도록 학습되는, 컴퓨팅 장치.

청구항 10에 있어서, 상기 최종 출력 값은, 상기 복수 개의 제2 출력 값을 평균한 값 또는 상기 복수 개의 제2 출력 값 중 중간 값인, 컴퓨팅 장치.

하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,반도체 관련 파라미터들을 복수 개의 신경망 모델로 각각 입력하는 단계; 상기 복수 개의 신경망 모델에서 각각 상기 반도체 관련 파라미터들에 의한 반도체 소자의 예측된 성능 지수를 출력 값으로 출력하는 단계;상기 복수 개의 신경망 모델에서 출력하는 복수 개의 출력 값을 크기 순으로 정렬하는 단계;상기 복수 개의 출력 값들 중 기 설정된 상위 범위에 속하는 출력 값 및 기 설정된 하위 범위에 속하는 출력 값을 제거하는 단계; 및상기 상위 범위 및 하위 범위에 속하는 출력 값이 제거된 나머지 출력 값들에 기초하여 최종 출력 값을 산출하는 단계를 포함하는, 반도체 공정 최적화를 위한 학습 방법.

청구항 13에 있어서, 상기 복수 개의 신경망 모델은,각각 동일한 신경망 구조를 가지고, 복수의 에포크를 통해 랜덤화 된 훈련 데이터 셋을 통해 학습되어 각 신경망 내 가중치가 서로 다른 값을 갖도록 학습되는, 반도체 공정 최적화를 위한 학습 방법.

청구항 13에 있어서, 상기 최종 출력 값은,상기 복수 개의 출력 값을 평균한 값 또는 상기 복수 개의 출력 값 중 중간 값인, 반도체 공정 최적화를 위한 학습 방법.

하나 이상의 프로세서들;메모리; 및하나 이상의 프로그램들을 포함하고,상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며, 상기 하나 이상의 프로그램들은, 반도체 관련 파라미터들을 복수 개의 신경망 모델로 각각 입력하기 위한 명령; 상기 복수 개의 신경망 모델에서 각각 상기 반도체 관련 파라미터들에 의한 반도체 소자의 예측된 성능 지수를 출력 값으로 출력하기 위한 명령;상기 복수 개의 신경망 모델에서 출력하는 복수 개의 출력 값을 크기 순으로 정렬하기 위한 명령;상기 복수 개의 출력 값들 중 기 설정된 상위 범위에 속하는 출력 값 및 기 설정된 하위 범위에 속하는 출력 값을 제거하기 위한 명령; 및상기 상위 범위 및 하위 범위에 속하는 출력 값이 제거된 나머지 출력 값들에 기초하여 최종 출력 값을 산출하기 위한 명령을 포함하는, 컴퓨팅 장치.

청구항 16에 있어서, 상기 복수 개의 신경망 모델은,각각 동일한 신경망 구조를 가지고, 복수의 에포크를 통해 랜덤화 된 훈련 데이터 셋을 통해 학습되어 각 신경망 내 가중치가 서로 다른 값을 갖도록 학습되는, 컴퓨팅 장치.

청구항 16에 있어서, 상기 최종 출력 값은,상기 복수 개의 출력 값을 평균한 값 또는 상기 복수 개의 출력 값 중 중간 값인, 컴퓨팅 장치.