Verborgene Muster

  • Autor de la entrada:
  • Categoría de la entrada:Sin categoría

Wir haben etwas mehr Glück, kleine Störungen (erinnern Sie sich an das versteckte Muster von 2 %? in den Daten auf den obigen radialen Profildiagrammen, aber wir können die 2D-Positionen nicht einfach sagen oder überhaupt etwas über die 2D-Form dieser Störungen sagen. Daher wären wir nicht in der Lage, diese räumlichen Ungleichmäßigkeiten mit bestimmten Hardware-Features zu verknüpfen, die sie im Dünnschichtabscheidungswerkzeug verursachen. Also, wie gehen wir über diese Funktionen zu finden? Wir können die Bedeutung der überwältigenden langfristigen Trends in den Daten minimieren, indem wir nur die Variationen in den kleinen lokalen Teilmengen – den Nachbarschaften – untersuchen. Indem wir berechnen, wie stark sich ein Wert an jedem Punkt von seinen umgebenden Punkten unterscheidet, den Radius der Nachbarschaft begrenzt und die Bedeutung der weiter entfernten Nachbarn skaliert, können wir lokale Muster in den ansonsten weiträumigen Trends vergrößern. Die lokale Abweichungstransformation wird mathematisch wie folgt ausgedrückt: Eine optische Klanginstallation, die mit den hypnotischen und heiligen Eigenschaften extrem hoher Verschlusszeiten und Spinnmuster spielt. Parallel führen wir auch Transformationen für die Daten durch, die keine ausgeblendeten Muster für den Vergleich enthalten. Akustische Frequenzen werden durch Licht durch ein perforiertes Spinntonrad projiziert. Die Interferenz zwischen den beiden Mustern führt zu einer optischen Fragmentierung des Raddesigns. Die Projektionsmuster werden aufgenommen und hörbar gemacht. Da das Gesamtmuster in jedem Satz etwa 0,5 % des zufälligen Rauschens, weniger als 2 % Beitrag von versteckten Mustern (sofern vorhanden) und der Rest aus radialen Trends mit großer Reichweite enthalten, ist es sehr schwierig, Unterschiede zwischen oberen und unteren Kartensätzen zu erkennen. Wir diskutieren einen Ansatz zur Suche nach verborgenen lokalen räumlichen Mustern in den allgemeinen langfristigen Trends, indem wir Local Deviation Transformation (LDT) durchführen. LDT transformiert die Daten, indem Eingabewerte an jedem Punkt durch die Abweichung dieser Werte vom gewichteten Durchschnitt der umgebenden Nachbarschaftspunkte im Feature-Bereich ersetzt werden. Durch die Begrenzung der Größe der Nachbarschaft und die Minimierung der Beiträge von weiter entfernten Nachbarn werden die Auswirkungen der langfristigen Trends minimiert und lokale Muster entstehen.

In diesem Artikel beschreiben wir einen realen Anwendungsfall einer Suche nach versteckten lokalen Mustern in der Homogenität von Dünnschichten, die durch chemische Dampfablagerungen abgelagert werden (aus Vertraulichkeitsgründen wurden reale Dünnschicht-Uniformitätsdaten durch qualitativ ähnliche Trends und echtes verstecktes lokales Muster durch ein künstlich erzeugtes Muster ersetzt). Während der Weg von 30 % auf 20 % vielleicht nur wenige Jahre gedauert hat, dauerte es für einige Prozesse fast ein Jahrzehnt. Der Fortschritt war nicht nur schrittweise, sondern in vielen Fällen auch sequenziell. Man kann sich leicht vorstellen, dass es schwierig ist, ein Variationsmuster von 1 % in den Daten zu erkennen, das eine Gesamtabweichung von 10 bis 15 % aufweist. Wie oben beschrieben, ist es jedoch nicht mehr möglich, auf das Auffinden der versteckten Muster zu warten. Schon früh wurden uneinheitliche Einheiten vieler Prozesse typischerweise von weitreichenden räumlichen Trends dominiert. Als die Fertigungsanlagen ausgefeilter wurden und die langfristigen Probleme angegangen wurden, nahm die Bedeutung lokaler Nicht-Uniformitäten zu. Obwohl das Verständnis, dass das nächste große Problem der Nichtgleichmäßigkeit durch lokale Muster verursacht werden würde, vorhanden war, war die Fähigkeit, diese Muster zu finden, immer noch begrenzt. Wenn sie sich die Zeit nehmen, die verborgenen Verhaltensmuster in Ihrem Leben zu erkennen, werden Sie nicht nur ein selbst geprüftes Leben führen, sondern Sie werden Dinge über sich selbst und andere entdecken, die Sie vorher nicht gesehen haben. Viele von uns haben sich nie die Zeit genommen, unsere Gedanken darüber aufzuschreiben, wer wir zu sein glauben, was uns motiviert, was unserer Meinung nach andere motivieren könnte. Wir sind in der Regel zu sehr damit beschäftigt, was in den Nachrichten oder in den sozialen Medien passiert, um diese Arbeit zu erledigen. Oder wir haben zu viel Angst vor dem, was wir finden könnten.

Es erfordert ein gewisses Maß an Mut, diese Selbstprüfungsarbeit durchzuführen. Wo bin ich und was will ich jetzt? RxINSIGHTS Machine-Learning generierte «versteckte Muster von Assoziationen und Deep Learning-Insights» erkennen kausale Verhaltens- und andere assoziative Faktoren, die für menschliche Analysten nicht leicht zu erkennen und/oder sofort offensichtlich sind.