对比文件的名称：2008-12-16_TW200849436A_发明专利_TW200849436A 類神經網路晶圓分析系統與方法 METHOD FOR WAFER ANALYSIS WITH ARTIFICIAL NEURAL NETWORK AND SYSTEM THEREOF
目标专利的名称：208动态空间目标选择CN106796667B
本次调用的模型名称：专利创造性评估模型
### 特征比对表格
| 技术特征描述以及公开性判断结果 | 对比文件原文引用 | 公开性论述 |
| **技术特征A**：将多个目标中的每个目标映射到目标地图中的不同位置，<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征A涉及为**空间目标选择**而将多个目标映射到“目标地图”中的不同位置。对比文件涉及晶圆缺陷分析，其“位置”指晶圆上的物理测试点（site），用于输入测试数据（见第5图及说明）。对比文件未公开将这些测试点构建成用于空间导航或选择的“目标地图”，也未公开将“目标”映射到此类地图中的概念。两者的应用领域和目的根本不同。 |
| **技术特征B**：所述目标地图包括空间环境中相对于机器人设备的位置的多个位置，<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征B明确了目标地图是“空间环境中相对于机器人设备的位置”，这是自我中心式（egocentric）的空间表示，为核心导航功能服务。对比文件中的“位置”是晶圆制造中固定的、绝对的测试点坐标，与空间环境或机器人设备的相对位置无关。对比文件未公开任何形式的、相对于移动设备（如机器人）的空间环境地图。 |
| **技术特征C**：每个位置由所述人工神经网络中的神经元表示<br>**判断结果**：**未公开** | 无相应内容 | 目标专利中，地图上的每个“位置”直接由一个“神经元”表示（参见说明书[0107]段）。对比文件中，每个测试“位置”对应一个“输入值”（如第三图301所示的X），这些输入值被送入神经元进行处理。输入值本身并非神经元。因此，对比文件未公开“每个位置由神经元表示”这一技术特征。 |
| **技术特征D**：以及通过控制至所述人工神经网络的神经元的失衡量来动态地修改目标选择函数以使所述机器人设备偏向或偏离候选目标地移动，<br>**判断结果**：**未公开** | 无相应内容 | 这是目标专利的核心发明点。特征D涉及通过控制“失衡量”来“动态地修改”一个“目标选择函数”，其目的是使“机器人设备”的移动产生偏向或偏离。对比文件通过训练“改变其偏權值”（见步骤S403），目的是使神经网络的输出分类（如判断晶圆是否异常）更准确，而非修改一个用于机器人导航的“选择函数”。对比文件未提及机器人、目标选择或移动偏置。 |
| **技术特征E**：所述失衡量基于偏置准则来激励至所述神经元的连接或抑制至所述神经元的连接，<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征E指明“失衡量”用于“激励”或“抑制”连接，且基于“偏置准则”（如目标价值、访问历史等，见[0102]段）。对比文件中“偏權值”的调整（见第三图304及步骤S403）是基于训练数据与预期输出的误差，目的是最小化分类误差，而非基于某种“偏置准则”来主动激励或抑制特定连接以影响选择偏向。两者作用机制和目的不同。 |
| **技术特征F**：所述神经元代表与所述候选目标相对应的位置。<br>**判断结果**：**未公开** | 无相应内容 | 如特征C所述，目标专利中神经元代表空间位置，且该位置对应候选目标。对比文件中的神经元是处理单元，其输出代表对晶圆状态的分类（如正常、异常），并不代表一个与“候选目标”相对应的“空间位置”。 |
| **技术特征G**：其特征在于，所述连接包括耦合在每一对输入和输出神经元之间的中间神经元，并且所述动态地修改包括以下至少一者：动态地修改所述中间神经元的可兴奋性、动态地修改所述中间神经元与相应的输入和输出神经元对之间的突触权重的功效、或其组合。<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征G涉及使用“中间神经元”仲裁抑制，并动态修改其“可兴奋性”或“突触权重的功效”（见[0113]-[0114]段及图8）。对比文件全文未提及“中间神经元”的概念，其神经网络结构是传统的输入-隐藏-输出层结构（见第七、八图），权重调整是针对直接连接的调整。因此，对比文件未公开该特定结构及动态修改方式。 |
| **技术特征H**：其特征在于，所述动态地修改包括用外部输入来动态地修改。<br>**判断结果**：**未公开** | 无相应内容 | 目标专利说明书中提到聚焦地图或外部输入可用于动态修改选择函数（见[0105], [0119]段）。对比文件在训练阶段会接收新的测试数据作为输入来调整权重，但这属于训练过程的标准操作，目的是优化模型，并非目标专利所指的在运行时通过“外部输入”（如注意力地图）来实时、动态地修改一个已确定的选择函数。两者目的和场景不同。 |
| **技术特征I**：其特征在于，所述动态地修改包括以下至少一者：动态地修改所述神经元的可兴奋性、动态地修改突触权重的功效、或其组合。<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征I概括了动态修改的具体对象：神经元可兴奋性或突触权重功效。对比文件在训练过程中调整“偏權值”（可类比为权重），但其目的是使网络输出逼近训练标签，属于模型参数的学习，而非在应用阶段为了“偏向或偏离候选目标”而进行的“动态地修改”。此外，对比文件未提及“修改神经元的可兴奋性”。 |
| **技术特征J**：其特征在于，所述突触权重是至少针对输入突触、神经元之间的连接、或其组合的。<br>**判断结果**：**直接公开**<br>《直接公开》 | “將該測試資料分別乘上權重而得到複數個偏權結果”（步骤S602，对应第三图302的W） | 目标专利的特征J定义了突触权重的适用范围。对比文件第三图明确示出了“權重”(W) 302，它将“輸入值”(X) 301连接到“類神經元”303。这直接公开了针对“输入突触”的权重。虽然对比文件未明确示出神经元之间的连接权重，但其公开的“输入突触的权重”已落入特征J“至少针对输入突触”的范围内。因此，本领域技术人员能毫无疑义地得出对比文件公开了针对输入突触的权重这一技术方案。 |
| **技术特征K**：其特征在于，所述目标选择函数基于以下至少一者：回报的抑制、选择了所述目标的对象的行为状态、时间段、所指派的任务、时间复用函数、从与多个人工神经网络相对应的多个任务中选择任务的事件、或其组合。<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征K列举了目标选择函数可能依赖的一系列复杂、动态的准则，这些准则与机器人行为、任务上下文密切相关（见[0117]段）。对比文件中神经网络的功能是分类（判断晶圆异常类型），其“输出函数”或决策逻辑基于输入数据和训练好的权重，完全不涉及“回报的抑制”、“对象的行为状态”、“所指派的任务”等机器人学或认知科学中的概念。 |
| **技术特征L**：其特征在于，每个任务对应于所述多个人工神经网络中的一个，并且每个人工神经网络是静态网络或动态网络。<br>**判断结果**：**未公开** | 无相应内容 | 目标专利的特征L涉及多个任务与多个神经网络的对应关系。对比文件提到了两种神经网络模型（时间延迟和循环神经网络，见第七、八图），但它们是用于完成**同一个**晶圆分析任务的可选或组合模型，并非“每个任务对应于多个人工神经网络中的一个”。对比文件未公开任务与网络的一一对应关系，也未提及“静态网络或动态网络”在此上下文下的区分。 |
| **技术特征M**：其特征在于，进一步包括基于对所述人工神经网络的输入、来自所述人工神经网络的输出、或其组合中的至少一者来控制所述人工神经网络中的失衡量。<br>**判断结果**：**隐含公开**<br>《隐含公开》 | “比對該輸出值改變其偏權值使該輸出值接近預期並重複上述步驟以訓練此系統”（步骤S403） | 目标专利的特征M涉及基于输入或输出来控制“失衡量”。对比文件在训练步骤S403中明确记载：比對“輸出值”，并据此“改變其偏權值”。这里的“偏權值”在对比文件中起到决定神经元激发难易程度、影响网络输出的作用（见第三图说明“偏權值304...其值越大，則代表連結的神經元更容易被激發”），这与目标专利中“失衡量”通过激励或抑制连接来影响选择的功能是类似的。虽然应用领域不同，但“基于输出值来调整权重（偏权值）”这一控制逻辑是相同的。本领域技术人员通过阅读对比文件，能够合理推断出：在神经网络中，可以根据其输出结果来调整内部的连接权重（即一种失衡量）。因此，该技术特征被对比文件隐含公开。 |
<<<m>>>