今天
我們
'關於
去
到
演講
關於
如何
到
使用
跳轉
到
做
薄的
電影
發展
使用 電漿 增強型 化學 汽 沉積 .
這 是 a 位元 不同的 , I 思考 ,
比 一些 的 這 典型的 工作 那 的 完畢 在 產業 ,
在哪裡 它 的 a 不斷地 攪拌 反應爐 和 你 能 總是 混合 事物 .
不管 的 什麼 發生 , 你 能 總是 措施 輸出 .
但在 等離子增強 化學 汽 沉積 ,
它 的 真的 離散的 口袋 的 穩定 那 你 有 到 工作 和 .
甚至 儘管 我們 能 放 向上 一個大的 範圍 空間 ,
那裡 能 是 斑點 之內 那 範圍 空間
在哪裡 你 可能 不是 是 有能力的 到 罷工 這 電漿
或者 它 可以 弧 因為 這 力量 密度 是 也 高的 .
自從 我們 有 a 大的 數位 的 沉積 參數 ,
我們 需要 到 使用 a 設計 的 實驗
到 有效地 探索 那 範圍 空間 .
甚至 如果 我們 '關於 有能力的 到 罷工 這 電漿 ,
那裡 是 仍然 問題 和 薄的 電影 均勻性 .
我們 '關於 存款 奈米 電影
和 幾乎 完美的 均勻性 穿過 a 12 -英吋 晶圓 .
一次 我們 得到 那 , 我們 仍然 有 到 打 這 有針對性的 電影 特性 .
我們 '關於 去 到 演講 關於 如何 到 使用 電漿化學氣相沉積
到 發展 新的 薄的 電影 從 新的 前驅 .
這 第一的 事物 我們 '關於 去 到 做 是 演講 關於 前驅 1 .
從 什麼 I 曾是 有能力的 到 讀 從 這 跳轉 教學 ,
這 權威 篩檢 設計 是 a 非常 有效的 方式
到 螢幕 a 大的 數位 的 主要的 效果 在 這 最少 數位 的 實驗 .
那 的 鑰匙 到 這 工作 那 我們 做。
我們 想 到 得到 這 正確的 回答 在 這 最短 數量 的 時間
和 a 數據 驅動 方法 .
我們 用過的 a 權威 篩檢 美國能源部 到 探索 七 因素 在 二十六 運行 .
什麼 我們 '二 做 是 只是 打開 向上 那 最初的 美國能源部 .
這 是 這 設定 我們 來了 為了 這 權威 篩檢 美國能源部 .
這裡 是 這 七 不同的 因素 是 變化 為了 這 沉積物，
和 我們的 輸出 是 去 到 是 這 範圍 和，
和 我們 '關於 嘗試 到 最大化 它 .
如果 我們 看 在 這 範圍 的 參數 為了 這 類型 的 電漿化學氣相沉積 加工 ,
這 是 a 非常 寬的 範圍 的 最初的 參數 .
再次 , 我們 '關於 嘗試 到 螢幕 為了 主要的 效果 ,
和 我們的 輸出 是 範圍 從， 說 , 9-34 , 和 我們的 基線 曾是 21 .
我們 做 看 一個 改進 那裡 .
一 的 這 事物 那 I 總是 喜歡 到 做 什麼時候 我們 做 a 美國能源部
是 包括 a 中心 觀點 複製 或者 a 重複 跑步
到 看 如何 可重複 這 樂器 是 , 作為 出色地 作為 到 製作 當然
那 這 統計數據 我們 產生 之內 這 設計 是 有效的 .
這些 是 這 二 中心 -觀點 運行 ,
和 你 能 看 我們 得到 出色的 可重複性 .
這 其他 事物 那 的 真的 好的 為了 我們 到 做 前 我們 得到 進入 配件 這 模型
是 只是 到 看 在 這 輸出 變數
和 嘗試 到 確認 任何 趨勢 那 我們 能 看 .
是 那裡 任何事物 我們 能 確認 迅速地 那 我們 能 屬性 這 主要的 因素 到 ?
這裡， 那裡 的 四 點 和 a Y 價值 的 更大 比 三十 之內 這 美國能源部 .
如果 我們 選擇 那些 點 ,
它 的 好的 到 看 如果 我們 能 看 任何 趨勢 聯繫 和 這些 數據 .
一 的 這 最快的 方法 I 成立 到 做 那 是 到 迅速地 做 a 多變數 分析 ,
和 我們 能 做 這 圖形地 .
什麼 我們 '關於 去 到 做 是 拿 全部 我們的 因素
和 然後 我們的 輸出 多變的 ,
和 我們 '關於 去 到 產生 a 多變數 分析 .
這裡 在 這 圖形 , 這 是 我們的 Y 價值 .
你 能 看 作為 我們 去 從 10至 三十 ,
這 四 價值觀 那 是 這 最高 是 突出顯示 ,
但 這 列 是 這 各種各樣的 因素 .
這裡 我們 能 看 為了 氦 ,
我們 有 這 最高 價值觀 在 這 高的 和 低的 分裂 .
為了 前驅 , 我們 有 這 高的 和 低的 分裂 .
但對於 溫度 和 壓力 ,
我們 有 這 最高 價值觀 在 這 最低 分裂 .
它 的 真的 , I 思考 ,
a 好的 指示 最初 前 我們 已經 完畢 任何 模型 配件 ,
那 溫度 和 壓力 可以 是 重要的 變數 為了 我們 到 看 在 .
如果 我們 去 後退 到 這 桌子，
這 其他 好的 事物 關於 跳轉 , 它 的 非常 強大的 因為...
再次 , 前 我們 做 這 確定的 篩檢 ,
我們 能 使用 a 預測器 篩檢
到 確認 什麼 是 這 最多 重要的 因素 .
再次 , 我們 使用 這 標準 分析 , 輸入 我們的 因素 , 我們的 回覆 是 Y ,
和 你 能 看 什麼 這 預測器 篩檢 是 告訴 我們
是 , 是的 , 壓力 和 溫度 是 非常 重要的 .
但有一個 事物 那 我們 沒有 不 抓住
在 那 多變數 分析 是 這 前驅 流動 .
這些 三 因素 , 壓力 , 前驅 流動 , 和 溫度
出現 到 是 主導的 在 給予 我們 這 最高 價值觀 的 Y .
現在 I 通緝 到 合身 這 模型 因為 I 思考
這 真實的 力量 的 這 美國能源部 是 不是 這 運行 在 這 桌子 ,
但 它 的 這 回覆 表面 模型 那 你 能 使用
到 得到 預測 為了 改進 作為 出色地 作為 方向 到 更遠 探索 .
但是當 I 去了 到 分析 它 , 它 不會 不 工作 .
它 轉彎 出去 我們 是 僅有的 有能力的 到 完全的 二十五 的 這 二十六 運行 ,
和 I 曾是 不是 意識到的 那 這 權威 篩檢 美國能源部 ,
這 預設 分析 會 不是 工作 如果 你 做過 不是 完全的 全部 的 這 運行 .
在 這 觀點 , I 聯繫 傑德 在 跳轉 到 幫助 我 理解
如何 I 可以 得到 一些 模型 出去 的 這 數據
那 我們 小心 集 超過 a 時期 的 時間 .
I '二 轉動 它 超過 到 傑德 .
什麼時候 帳單 稱為 ,
喜歡 他 說 ,
什麼時候 他 打 那 腳本 那 已儲存 到 這 數據 桌子
的 合身 權威 篩檢 , 沒有什麼 發生 .
如果 你 看 超過 這裡 ,
這 紀錄 是 說 , 那裡 是 運行 那 是 不是 折疊 超過 中心 觀點 跑步 ,
和 它 的 跑步 17 , 哪個 是 明顯地 這 跑步 那 曾是 遺失的
和 不能 不 是 完全的 在 這 實驗 .
什麼 帳單 通緝 曾是 a 方式 到 仍然 合身 那 權威 篩檢 模型 .
我們 來了 向上 和 二 不同的 方法
和 有 三 模型 那 來了 關於 從 那些 二 不同的 方法 .
這 第一的 一 是 有關的 到 這 權威 篩檢 .
這 設計 的 這些 類型 的 模型， 的 這些 實驗，
是 總是 折疊 -超過 對 , 在哪裡 那裡 的 a 一對 的 對立面 .
如果 我們 能 尋找 那 折疊 -超過 一對 , 或者 這 雙 , I 猜測 , 的 這 排 17 ,
我們 應該 是 有能力的 到 排除 兩個都 列
和 然後 合身 這 確定的 篩檢 設計 .
我們 只是 需要 a 簡單的 方式 到 做 那 .
什麼 我們 來了 向上 和 曾是 基本上 到 使用 a 夫妻 的 快速方式 .
I 'm 去 到 第一的 標準化 這 屬性 的 這些 列
和 改變 這 造型 類型 到 序數 .
作為 I 做 這 , 你 '二 注意 那 我的 能力 到 選擇 有 改變 .
那 幫助 什麼時候 I 看 在 a 數據 篩選 .
現在 I 有 盒子 相當 比 直方圖 , 所以 它 只是 使 它 快點 到 選擇 .
什麼 我們 需要 到 做 是 尋找 這 對面的 排 的 這 .
I 有 這 排 17 已選擇 , 和 你 看 那 它 的 高的 , 高的 , 高的 ,
低的 , 低的 , 低的 , 和 然後 I 'm 出去 的 記憶 空間 .
I 'm 記住 高的 , 高的 , 高的 , 低的 , 低的 , 低的 .
I 需要 到 尋找 這 對面的 的 那 ,
哪個 是 去 到 是 低的 , 低的 , 低的 , 高的 , 高的 , 高的 .
如果 I 只是 來 超過 這裡 和 開始 在職的 我的 方式 向下 , 低的 , 低的 , 低的 , 高的 ,
經過 這 時間 I 得到 到 只是 四 的 這 運行
所以 只是 更多的 比 一半 的 這 因素 已選擇 ,
現在 I 'm 向下 到 只是 一 匹配 排 .
它 只是 所以 發生 那 這 非常 下一個 跑步 曾是 這 折疊 一對 在 這 實驗 .
我們 能 選擇 兩個都 的 那些 運行 , 排除 他們 ,
和 然後 去 後退 進入 這 柱子 特性
和 改變 那 造型 類型 後退 到 連續的 .
現在 什麼時候 我們 打 那 權威 篩檢 按鈕 ,
它 作品 .
我們 能 跑步 那 模型 和 看 那 它 的 預測 相當 出色地 .
我們 能 看 這 分析器 , 但 我們 也 是 真的 意識到的
那 一 的 這 運行 出去 的 二十六 , 那 的 幾乎 4 %。
我們 '關於 投擲 離開 大致 4 % 的 這 資訊 經過 排除 這 .
什麼 我們 'd 真的 喜歡 到 做 是 不是 丟 那 資訊 離開 ,
尋找 a 方式 到 使用 那 .
我們 用過的 這 模型篩選 平台 在 跳轉 專業版 到 跑步 a 束 的 模型
和 然後 選擇 這 最好的 .
這 二 那 來了 出去 這 最好的 是 a 神經 和 逐步 模型 ,
和 I 能 走 透過 那些 真的 迅速地 .
這 神經 模型 曾是 和 我們的 回覆 和 我們的 因素 .
自從 這 曾是 a 美國能源部 , 我們 '關於 去 到 做 這 最低限度 阻礙 ,
和 I 'm 只是 去 到 選擇 a 隨機的 種子 所以 這 是 可重複 .
這 模型篩選 平台 一般來說 建議 關於 20 提升 .
如果 I 打 去 這裡 , I 得到 a 漂亮的 好的 R 方 穿過 這。
或許 I 可能 嘗試 到 調 這 模型 經過 添加 一些 更多的 參數 ,
但 什麼時候 I 做 , I 能 看 那 R 方塊 是 不是 真的 改變 .
I 大學教師 不 思考 I 想 到 添加 更多的 參數
和 風險 過度擬合 這 模型 .
那 曾是 一 額外的 方式 到 做 它 .
然後 這 第二 模型 那 顯示 向上 容易地 為了 我們
使用 這 模型篩選 平台 曾是 到 做 逐步 .
這 方式 我們 做過 那 曾是 我們 放 我們的 輸出 這裡
和 然後 使用 這 捷徑 到 做 a 回覆 表面 .
那 包括 全部 主要的 因素 ,
全部 平方 條款 , 和 全部 二 -方式 交互作用 .
然後 如果 我們 改變 這 到 逐步 這裡 , 我們 能 打 這 跑步 按鈕 和 去 .
現在 跳轉 是 去 到 進入 和 出口 一切
直到 它 發現 這 模型 那 適合 這 最好的 .
我們 能 去 前方 和 跑步 那 .
現在 我們 有 三 模型 那 我們 想 到 比較 .
什麼 I 'm 去 到 做 是 I 'm 去 到 拿 這 第一的 模型 和 節省 .
I 'm 去 到 發布 那 預言 公式
到 這 公式 倉庫 .
I 'm 去 到 給 它 a 真的 快的 姓名 , 和 我們 將要 稱呼 這 渠務署 .
任何 , I 能 不 類型 .
我們 '二 稱呼 它 渠務署 , 和 然後 關閉 它 .
我們 '二 做 這 和 這 神經 作為 出色地 .
我們 將要 發布 那 預言 公式 ,
給 它 a 姓名 ,
和 做 這 相同的 和 這 最終的 模型
在哪裡 我們 將要 發布 那 預言 公式 .
這 最後的 一 曾是 , 我們 稱為 它 逐步 .
現在 I 有 這些 三 模型 和 I 能 比較 他們 .
我們 能 跑步 這 模型 比較 平台 為了 全部 三 的 他們
從 之內 這 公式 倉庫。
我們 能 得到 a 秩 的 這 R 方 的 那些 模型 .
我們 能 看 在 這 實際的 相對 預測 ,
和 我們 能 看 那 他們 '關於 全部 預測 關於 這 相同的 .
我們 能 也 看 在 這 預測 經過 排 ,
和 我們 能 看 這 一 觀點 從 這 權威 篩檢 設計
是 這 一 那 曾是 左邊 出去 什麼時候 我們 合身 這 原來的 權威 篩檢 設計 .
它 似乎 到 是 重要的 , 和 大概 最多 重要的是 ,
我們 能 看 在 a 分析器 為了 全部 的 這些 反對 每個 其他 .
如果 I 轉動 離開 這 可取性 , 我們 能 看 如何 這些 模型 比較 到 每個 其他 .
為了 例子 , 我們 能 看 在 那 權威 篩檢 設計
和 看 那 它 的 顯示 一些 曲率 在哪裡 這 其他 二 模型 是 不是 .
或許 我們 能 看 和 看 超過 這裡
那 這 曲率 是 不同的 為了 每個 的 那些 .
然後 這 問題 變成 , 哪個 模型 是 最好的 和 如何 做 I 知道 ?
然後 那 帶來 我們 後退 到 帳單 .
謝謝 , 傑德 .
讓 我 分享 我的 螢幕 .
能 你 看 我的 螢幕 ?
是的 .
I 'm 去 到 只是 …
傑德 已儲存 全部 那 到 這 公式 倉庫， 所以我 'm 只是 去 到 執行 這 腳本
那 將要 拿 我們 到 這 公式 倉庫 那 他 的 已經 已儲存 .
再次 , 我們 '二 然後 只是 去 正確的 到 這 分析器 .
我們 '關於 去 到 合身 全部 三 的 這些 .
然後 我們 有 這 分析器 .
這 是 什麼 這 真實的 力量 , I 思考 , 的 這 美國能源部 是，
因為 這 預測分析器 , 我們 能 最佳化 和 最大化 這 可取性 .
這 回覆 表面 模型 將要 告訴 我們 什麼 組合 的 因素 我們 需要
到 得到 這 最高 鬆緊帶 或者 最高 價值 的 這 輸出 範圍 .
什麼 曾是 真的 眼睛 開幕 為了 我 是 如果 你 看 在 這 價值觀 那 我們 得到
什麼時候 我們 做 這 最佳化 , 二 的 這 預測 ,
這 神經 網 和 這 權威 篩檢 美國能源部，
是 給予 我們 價值觀 的 這 Y 範圍
那 是 更大 比 任何事物 我們 鋸 在 我們的 最初的 數據 桌子 .
我們 有 a 最大限度 價值 的 三十四 .
讓 的 看。
I 'm 對不起 , I 只是 得到 到 得到 那 螢幕 後退 .
通常 , 它 的 非常 例外 為了 我 到 看 這 和 這 美國能源部 .
通常 , 這 模型 , 如果 你 最大化 它 ,
是 一般來說 關閉 到 什麼 你 看 作為 在 這 桌子 .
但在 這 案件 , 它 看起來 喜歡 我們 真的 有 一些 低的 -絞刑 水果 .
我們 需要 到 測試 這 組合 的 參數
和 真的 看 如果 那 預言 曾是 有效的 或者 不是 .
如果 我們 去 後退 到 我們的 跳轉 雜誌...
I 只是 想 到 展示 你 什麼 發生了 .
我們 拿了 , I 思考 這 是 這 預言 從 一 的 這 神經 網路 適合 .
再次 , 這 最高 價值 在 這 權威 篩檢 美國能源部 曾是 三十四 .
這 模型 預言 曾是 四十二 , 但 什麼時候 我們 實際上 跑了 它 ,
我們 鋸 一些 文物 在 這 電影 那 是 不是 可接受 .
這 電漿 本身 曾是 穩定的 .
那裡 曾是 不 方式 到 看 這 直到 這 晶圓 來了 出去 的 這 反應爐 .
但你 能 看 那裡 的 a 靶心 圖案 ,
哪個 是 到期的 到 電影 非 -均勻性 .
在 這 案件 , 它 的 非常 厚的 在 這 中間 和 薄的 在 這 邊緣 ,
哪個 給出 我們 這 靶心 圖案 .
然後 如果 你 看 小心 ,
你 能 看 全部 這些 小的 點 超過 這 晶圓 ,
哪個 是 實際上 這 孔 在下面 這 淋浴噴頭 .
這 淋浴噴頭 有 數千 的 小的 孔 在哪裡 這 氣體 來 出去 .
在 這 案件 , 我們 有 a 淋浴 頭 圖案 和 a 靶心 .
I 思考 這 模型 是 告訴 我們 什麼 方向 到 去 .
但再次 , 電漿 是 具有挑戰性的 到 使用 .
甚至 儘管 這 模型 曾是 告訴 我們
這 電影 應該 有 這 最高 價值 的 Y ,
這 電影 本身 曾是 不可接受 .
然後 我們 有 到 依靠 在 我們的 過程 和 理論 知識 的 這 過程 .
我們 知道 那 氬氣 有 a 降低 電離能，
和 如果 我們 代替 氬氣 為了 氦 和 這 電漿 ,
我們 能 得到 a 更高 電漿 密度 ,
哪個 可能 幫助 我們 克服 這些 挑戰 .
什麼 我們 做過 是 轉變 到 氬氣 , 和 你 能 看 ,
雖然 這 電影 是 不是 完美的 , 它 的 很多 更多的 制服
和 當然 好的 足夠的 為了 我們 到 得到 這 身體的 特性
的 這 電影 那 我們 能 使用 .
在 這 案件 , 我們 是 有能力的 到 打 a Y 價值 的 46 ,
哪個 再次 , 是 很多 更大 比 三十四 .
我們 '關於 當然 熱門 在 這 正確的 方向 .
什麼 我們 真的 通緝 到 做 是 ,
是 那裡 任何 機會 為了 我們 到 更遠 提升 這 電影 ?
再次 , 那 的 在哪裡 這 預測分析器
或者 這 回覆 表面 模型 是 非常 強大的 .
如果 我們 只是 看 在 這 趨勢 那 我們 看 這裡...
I 'm 只是 去 到 吹 這些 向上
所以 我們 能 看 他們 a 小的 位元 更好的 為了 每個 的 這些 案例 .
這 數據 是 真的 告訴 我們，
在 肯定 案例 , 那裡 的 事物 那 我們 真的 想 到 調查 .
降低 溫度
看 喜歡 它 的 確實 偏愛 這 最高 價值 的 Y ,
壓力 出現 到 是 a 鑰匙 範圍 ,
和 低的 -頻率 力量 為了 這 最初的 美國能源部
看起來 喜歡 在 二 案例 ,
你 想 到 去 到 更高 低的 -頻率 力量 .
這 逐步 是 給予 我們 這 對面的 .
但你 能 看 那 這 是 真的 a 藍圖
為了 我們 到 做 一個 額外的 設計 到 看 如何 遠的 我們 能 推 它 .
能 我們 去 到 降低 流動 利率， 能 我們 去 到 降低 溫度，
能 我們 去 到 降低 壓力 和 更遠 提升 這 電影 特性 ?
它 的 真的 順序 學習 ,
和 那 為了 我 , 是 這 真實的 力量 的 這 美國能源部 .
我們 大學教師 不 真的 有 時間 到 去 透過 全部 的 那 ,
但 什麼 I 做過 是 放 一起 a 新的 跳轉 桌子 和 這 結果
從 我們的 順序 學習 為了 這 放 的 實驗 .
這裡 是 這 相同的 數據 我們 鋸 在 這 權威 篩檢 美國能源部 .
這裡 是 我們的 Y 價值觀 , 和 我們 '關於 範圍 從 9至 三十四 .
這 不同的 顏色 是 這 不同的 美國能源部 .
這裡 的 這 下一個 美國能源部 那 我們 做過 .
什麼 你 能 看 是 基於 在 這 趨勢 在 這 預言 分析器
和 這 回覆 表面 模型 ,
我們 固定的 這 低的 -頻率 力量 在 這 最高 環境 我們 可以 .
它 轉彎 出去 身體的 限制 為了 這 電漿 化學 阻止 我們
從 添加 任何 更多的 比 20 % 低的 -頻率 力量 .
我們 也 固定的 這 溫度 .
我們 能 不 操作 為了 這 化學 以下 200 .
我們 知道 那 降低 溫度 給了 我們 這 最高 價值 ,
所以 我們 固定的 這些 二
和 然後 做過 a 五 -因素 美國能源部 聚焦 在 降低 前驅 流量 ,
各種各樣的 間距 , 這 更高 權力 , 和 當然 這 降低 壓力 ,
哪個 曾是 表明的 作為 一 的 這 最多 重要的 參數 .
如果 你 看 在 這 Y 價值觀 這裡 ,
你 能 看 我們 '關於 確實 熱門 在 這 正確的 方向 .
現在 我們 '關於 去 從 中 20多歲 向上 到 56 .
我們 '關於 當然 多於 這 46 我們 鋸 那裡 .
然後 我們 做過 這 相同的 學習 .
再次 , 這 預測分析器 表明的 什麼 參數 我們 應該 探索 .
我們 做過 其他 美國能源部 .
在 這 案件 , 我們 固定的 不同的 參數 ,
但 你 能 看 那 這 趨勢 是 這 相同的 .
現在 我們 '關於 擊中 向上 到 66 在 條款 的 我們的 Y 價值 ,
和 我們 做過 一 最終的 實驗 ,
和 在 這 案件 你 能 看 基本上 這 和 的 全部 這 知識
那 我們 獲得 .
它 轉身 出去 什麼時候 我們 切換 到 氬氣 , 你 可以 添加 更多的 低的 -頻率 力量 .
你 可以 去 從 零 到 40 %。
在 我們的 最終的 分析 , 這 美國能源部 顯示 那 不像 這 第一的 美國能源部 ,
後 我們 微調 一切 和 切換 氣體 ,
這 低的 -頻率 力量 沒有 統計 影響 在 這 Y 價值 .
我們 放 那 到 零 .
我們 成立 出去 這 最低 間距 曾是 這 最多 重要的 .
我們的 甜的 點 為了 壓力 曾是 2 .3 托 ,
和 我們 做過 想 到 操作 在 這 最低 溫度 .
真的 我們 有 a 三 -因素 美國能源部 之間 全部的 力量 , 前驅 流動 ,
和 氬氣 稀釋 到 真的 撥號 在 這 電影 ,
和 我們 可以 打 a 最大限度 價值 的 84 .
I 總結 全部 那 在 a 盒子 陰謀 這裡 , 哪個 I 思考 真的 節目
這 能力 的 這 美國能源部 和 順序 學習 ,
在哪裡 我們 開始 出去 和 a 七 -因素 權威 篩檢 美國能源部 和 二十六 運行
和 結束 向上 和 a 三 -因素 I -最佳的 設計 和 16 運行 ,
但 你 能 看 我們的 持續 改進 .
這 曾是 我們的 參考 目標 , 所以 我們 仍然 有 更多的 工作 到 做 .
但這 是 a 非常 強大的 方式 為了 我們 到 螢幕 七 因素
和 三 -等級 設計 在 a 非常 短的 時期 的 時間 .
I 做 思考 它 的 值得 只是 到 觀點 出去
如何 高效率的 這些 新的 現代的 美國能源部 s 是 .
如果 我們 看起來 在 什麼 我們 '關於 真的 正在做 ,
我們 有 七 因素 那 我們 開始 和 .
全部 的 這些 是 三 -等級 設計 .
為了 a 三 -等級 , 七 -因素 設計 , 那 會 是 超過 2 ,100 運行 .
我們 可以 跑步 90 出去 的 這 實驗 設計
和 達到 這 增加 在 這 Y 價值 .
I 思考 這些 現代的 設計 ,
這 最佳的 設計 合併 和 這 權威 篩檢 美國能源部 s
是 非常 強大的 工具 為了 我們 到 得到 這 最多 價值
和 這 最少 數位 的 實驗 .
這 最終的 事物 I 想 到 觸碰 在
是 什麼時候 我們 切換 到 a 不同的 前驅 .
這 是 真的 a 不同的 挑戰 我們 面臨 .
這 目標 這裡 曾是 到 評價 不同的 前驅
到 比較 如何 它 堆疊 向上 反對 這 最初的 基線 電影 .
什麼 我們 嘗試過 到 做 是 使用 全部 的 我們的 學習 從 那些 四 做
和 變得 甚至 更多的 高效的。
反而 的 90 跑步， 能 我們 做 這 在 52 運行 ?
和 傑德 的 幫助 , 我們 放 一起 一個 八 -因素 A -最佳的 設計 ,
但 什麼 我們 成立 是 那 這 化學 曾是 令人震驚的是 不同的 .
全部 的 這 範圍 空間 那 我們 可以 操作 容易地 和 前驅 1
曾是 不是 這 案件 這裡 .
在 事實 , I 放 一起 a 滑動 到 展示 你
如何 壞的 一些 的 這些 電影 可以 看 , 所以 我們 可以 得到 完美的 電影 .
你 'd 是 難的 -按下 到 告訴 那裡 的 a 電影 .
這 是 a 奈米 -厚的 電影 ,
邊緣 到 邊緣 在 a 12 -英吋 矽 晶圓 , 完美 制服 .
然後 我們 會 有 電影 那 看 喜歡 這 .
明顯地 , 那 的 不是 a 設計 那 我們 通緝 .
但 挑戰 那 我們 面臨 曾是 , 我們 '關於 正在做 一個 八 -因素 美國能源部 ,
和 我們 '關於 嘗試 到 做 這 迅速地 和 高效率 ,
和 三十 % 的 這 運行 失敗的 .
I 'm 尋找 在 a 桌子 和 八 不同的 因素 .
如何 做 I 挑選 出去 這 因素 那 是 貢獻 到 這 ?
什麼 我們 做過 是 我們 創建 a 桌子 為了 我們的 八 輸入 因素
和 然後 已識別 全部 的 這 電影
那 有 分層 , 電弧 , 或者 其他 問題 ,
和 然後 創建 a 公制 , 只是 a 電影 公制， 經過 或者 失敗 .
它 轉彎 出去 我們 能 合身 這 分類 多變的
和 看 如果 我們 能 得到 a 模型 那 將要 幫助 我們 理解
什麼 是 真的 導致 這些 問題 透過 全部 這些 電影 .
這 第一的 事物 我們 能 做 迅速地
是 再次 去 到 我們的 模型篩選平台，
預測器 篩檢 ,
和 得到 a 處理 在 什麼 因素 , 如果 任何 , 是 真的 控制 電影 品質 .
如果 我們 看 在 這 , 它 的 漂亮的 清除 和 它 的 令人震驚的是，
因為 這 曾是 不是 這 案件 和 前驅 1 .
這 流動 速度 的 這 前驅 曾是 經過 遠的 和 離開
這 最多 主導的 因素 影響 電影 品質 .
但什麼 我們 需要 到 跑步 這些 實驗
是 不是 只是 會心 這 因素 ,
但 什麼 價值 能 我們 安全地 跑步 到 產生 品質 電影。
那 的 在哪裡 我們 做過 這 神經 網 .
再次 , 我們 '二 去 進入 預測 造型， 神經 網，
我們 '二 拿 我們的 因素 ,
和 我們 '關於 去 到 合身 電影 品質 作為 a 分類 多變的 .
I 'm 去 到 去 到 提升 的 20 , 作為 傑德 提及 .
那 的 通常 什麼 這 模型篩選 來 向上 和 ,
和 我們 '二 產生 我們的 模型 ,
和 你 能 看 我們 得到 出色的 R 方 價值觀 .
這 是 a 分類 模型 .
I 相信 那 尋找 在 這 鵬 曲線
提供 洞察力 進入 如何 出色地 這 模型 適合 .
如果 這 曲線 是 沿著 這 對角線 , 它 的 只是 基本上 a 猜測 .
這 看起來 喜歡 a 一半 方塊 海浪 .
這些 是 基本上 完美的 適合 在 這 鵬 曲線 .
然後 這 問題 是 , 如何 能 我們 利用 那 數據 ?
這 好的 事物 關於 這 神經 網 是 那 你 有 a 分類分析器。
I 能 執行 這 分類刻畫器 ,
和 現在 I 放 這 向上 在哪裡 我們知道 我們 想 到 操作 在 降低 壓力 .
我們 知道 從 這 以前的 工作 我們 想 到 操作 在 降低 間距 .
我們 想 到 去 到 這 最低 可能的 溫度。
我們 '二 只是 放 這 在 這 中間 .
然後 基本上 我們 有 這 分析器 那 告訴 我們
這 基本的 因素 影響 這 是 真的 這 氬氣 流動 速度 .
如果 我們 能 保持 我們的 流動 速度 以下 400 系統管理控制台 ,
我們 能 有 a 100 % 成功 速度
為了 這 電影 那 我們 '關於 嘗試 到 最佳化 .
和 這 , 我們 放 向上 a 新的 美國能源部 ,
限制 這 全部的 流動 速度 到 400 系統管理控制台 .
我們 '二 去 後退 到 我們的 跳轉 雜誌 .
我們 是 有能力的 到 來 向上 和 a 新的 設計
和 完全的 41 的 這 四十二 運行 , 和 我們 '關於 仍然 執行 那 學習 .
但它 只是 節目 如何 強大的
這 神經 網路 是 為了 a 分類 多變的
在哪裡 我們 能 做 這 在 一個 下午，
在哪裡 在 一 o '鐘 我們 成立 這些 電影 溫 不 在職的 .
三 小時 之後 , 我們 有 a 模型 那 告訴 我們 如何 到 放 向上 a 新的 設計
和 我們 是 執行 那 之後 那 天 .
I 思考 那 的 這 材料 我們 通緝 到 覆蓋 .
