买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜宁波齐芯半导体科技有限公司申请的专利基于混合式量子Al算法的半导体装备晶圆缺陷识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118505601B 。

龙图腾网通过国家知识产权局官网在2025-03-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410422357.2，技术领域涉及：G06T7/00；该发明授权基于混合式量子Al算法的半导体装备晶圆缺陷识别方法是由连振宇;黄昭仁设计研发完成，并于2024-04-09向国家知识产权局提交的专利申请。

本基于混合式量子Al算法的半导体装备晶圆缺陷识别方法在说明书摘要公布了：本发明涉及半导体芯片技术领域，尤其涉及基于混合式量子Al算法的半导体装备晶圆缺陷识别方法。步骤如下：S1：根据半导体制程中的情境，选择不同的缺陷识别和分类方法；S2：当半导体制造出现高吞吐量的制程站点，选择自我增殖与注意力神经网络；S3：当半导体制造出现低吞吐量的制程站点，选择混合量子‑经典深度学习模型。本发明提供的基于混合式量子Al算法的半导体装备晶圆缺陷识别方法，通过改进，能够以更有效的方式执行缺陷分类，能够通过自我增殖机制，使用一系列线性变换以更低的计算成本生成更多的特征图，并通过自我注意力机制，通过信道方式和空间方式的注意力机制来捕捉特征图的远距离相关性，进而能够应用于各种缺陷模式分类任务。

本发明授权基于混合式量子Al算法的半导体装备晶圆缺陷识别方法在权利要求书中公布了：1.基于混合式量子Al算法的半导体装备晶圆缺陷识别方法，其特征在于，步骤如下：S1：根据半导体制程中的情境，选择不同的缺陷识别和分类方法；S2：当半导体制造出现高吞吐量的制程站点，选择自我增殖与注意力神经网络；S3：当半导体制造出现低吞吐量的制程站点，选择混合量子-经典深度学习模型；所述S2步骤中，自我增殖与注意力神经网络由自我增殖模块和自我注意力模块组成；所述自我增殖模块通过线性变换以较低的成本生成更多的特征图；所述自我注意力模块通过自我增殖模块生成的特征中，学习关于远程依赖的信息；所述自我增殖模块通过线性变换生成相同数量的特征，表达式如下： 其中，m’i是特征图M′的基本单位；h和w是新特征图ui，j的高度和宽度；ρ表示低成本的特征图生成操作；所述自我注意力模块包括信道注意力机制与空间注意力机制；所述信道注意力机制通过关注输入的特征图并且激活部分的信道，关注对于输出结果有高相关性的特征图案；所述空间注意力机制通过聚合来自其他特征图位置的信息来增强查询位置的特征；所述信道注意力机制的架构组成，步骤如下:第一是Squeeze，透过GlobalAveragePooling将3维的FeatureMap平坦化成1维的张量；第二为Excitation，透过瓶颈变换以捕获通道的重要性；第三为融合函数，用于传播特征融合的元素相乘；所述空间注意力机制的架构表达式如下： 其中，h和w是输入xi的高度和宽度，xi表示为输入实例的特征图；we1和we2表示用于瓶颈变换的线性变换矩阵；wg是全局注意力的权重；LN表示层标准化；所述混合量子-经典深度学习模型包含以下三个部分：第一个部分是经典卷积神经网络，主要用于特征的提取；第二个部分是量子神经网络，由编码网络、参数化量子电路、与量测层构成；第三个部分是经典神经网络，进行后处理以生成预测，以将量子神经网络最终的量测值用于分类的任务；通过自我增殖模块用于经典卷积神经网络的特征提取；所述自我增殖模块由一个压缩层、一个增殖层和一个连接层组成；所述压缩层是少量卷积层，使用Conv2D1×1卷积，将输出的通道减少一半；所述增殖层是线性变换层，通过线性转换来生成特征图的另一半；所述连接层用于合并来自压缩层和增殖层的特征图；所述量子神经网络由三个连续的部分组成，分别为：编码电路，用于将经典数据编码为量子比特的状态，以将经典数据输入到量子神经网络中进行运算；参数化量子电路，用于状态转换到它们在希尔伯特空间上的最佳位置；量测层，用于将量子计算机按照PQCs的规定准备量子态并执行测量，同时让测量结果再由经典计算器进行后续的处理，以进行晶圆缺陷的预测与分类；所述经典神经网络由三部分组成，如下：首先，将输出状态从量子层转换为经典层的输入；其次，让神经网络选择线性整流函数作为激活函数；最后，使用Softmax激活函数计算各种缺陷种类的代表概率值。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人宁波齐芯半导体科技有限公司，其通讯地址为：315000 浙江省宁波市鄞州区首南街道学士路642弄2号卓悦大厦1912室；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。