論文の概要: Machine Learning based CVD Virtual Metrology in Mass Produced Semiconductor Process

• arxiv url: http://arxiv.org/abs/2107.05071v1
• Date: Sun, 11 Jul 2021 15:32:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-13 16:16:19.421159
• Title: Machine Learning based CVD Virtual Metrology in Mass Produced Semiconductor Process
• Title（参考訳）: 大量半導体プロセスにおける機械学習に基づくCVD仮想メトロロジー
• Authors: Yunsong Xie, Ryan Stearrett
• Abstract要約: クロスベンチマークは、データインプット、特徴選択、回帰アルゴリズムの3つの重要な側面で行われている。 その結果,線形特徴選択回帰アルゴリズムはVMデータに不適合であることが判明した。 データの可用性は、最適精度が得られれば70%に過ぎず、高い予測精度を達成するためには、データインパッシングも必要である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A cross-benchmark has been done on three critical aspects, data imputing, feature selection and regression algorithms, for machine learning based chemical vapor deposition (CVD) virtual metrology (VM). The result reveals that linear feature selection regression algorithm would extensively under-fit the VM data. Data imputing is also necessary to achieve a higher prediction accuracy as the data availability is only ~70% when optimal accuracy is obtained. This work suggests a nonlinear feature selection and regression algorithm combined with nearest data imputing algorithm would provide a prediction accuracy as high as 0.7. This would lead to 70% reduced CVD processing variation, which is believed to will lead to reduced frequency of physical metrology as well as more reliable mass-produced wafer with improved quality.
• Abstract（参考訳）: データインプット、特徴選択、回帰アルゴリズム、マシンラーニングベースのCVD(Chemical vapor deposition)仮想メタロジ(VM)の3つの重要な側面について、クロスベンチマークが行われた。 その結果,線形特徴選択回帰アルゴリズムはVMデータに不適合であることが判明した。 最適な精度を得るためには、データの可用性が約70%であるので、高い予測精度を達成するためには、データのインプティングも必要である。 この研究は、非線形特徴選択と回帰アルゴリズムと最も近いデータインプティングアルゴリズムを組み合わせることで、予測精度を0.7まで向上させることを示唆している。 これにより、CVD処理の70%のばらつきが減少し、物理メロロジーの周波数が低下し、品質が向上したより信頼性の高い大量発生ウェハとなると考えられている。

関連論文リスト

• What Do Learning Dynamics Reveal About Generalization in LLM Reasoning? [83.83230167222852]
  モデルの一般化動作は,事前記憶列車の精度と呼ばれるトレーニング指標によって効果的に特徴づけられることがわかった。 モデルの学習行動と一般化を結びつけることで、トレーニング戦略に目標とする改善を導くことができる。
  論文  参考訳（メタデータ） (2024-11-12T09:52:40Z)
• Computation-Aware Gaussian Processes: Model Selection And Linear-Time Inference [55.150117654242706]
  我々は、1.8万のデータポイントでトレーニングされた計算対応GPのモデル選択が、1つのGPU上で数時間以内に可能であることを示す。 この研究の結果、ガウス過程は、不確実性を定量化する能力を著しく妥協することなく、大規模なデータセットで訓練することができる。
  論文  参考訳（メタデータ） (2024-11-01T21:11:48Z)
• An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
  深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。 本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。 本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
  論文  参考訳（メタデータ） (2024-10-24T18:15:48Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• A machine learning approach to the prediction of heat-transfer coefficients in micro-channels [4.724825031148412]
  2相熱伝達係数(HTC)の正確な予測は、コンパクト熱交換器の最適設計と運転の鍵となる。 マルチ出力ガウスプロセス回帰 (GPR) を用いて, マイクロチャネル内のHTCを, 質量流量, 熱流束, システム圧力, チャネル径, 長さの関数として推定する。
  論文  参考訳（メタデータ） (2023-05-28T15:48:01Z)
• Post-training Model Quantization Using GANs for Synthetic Data Generation [57.40733249681334]
  量子化法における実データを用いたキャリブレーションの代用として合成データを用いた場合について検討する。 本稿では,StyleGAN2-ADAが生成したデータと事前学習したDiStyleGANを用いて定量化したモデルの性能と,実データを用いた量子化とフラクタル画像に基づく代替データ生成手法との比較を行った。
  論文  参考訳（メタデータ） (2023-05-10T11:10:09Z)
• Classification and Self-Supervised Regression of Arrhythmic ECG Signals Using Convolutional Neural Networks [13.025714736073489]
  回帰および分類タスクを解くことができるディープニューラルネットワークモデルを提案する。 我々はこのモデルをMIT-BIH Arrhythmiaデータベース上で検証した。
  論文  参考訳（メタデータ） (2022-10-25T18:11:13Z)
• Survival Prediction of Children Undergoing Hematopoietic Stem Cell Transplantation Using Different Machine Learning Classifiers by Performing Chi-squared Test and Hyper-parameter Optimization: A Retrospective Analysis [4.067706269490143]
  効率的な生存率分類モデルが包括的に提示される。 欠落した値を入力し、ダミー変数符号化を用いてデータを変換し、チ二乗特徴選択を用いて59個の特徴から11個の最も相関した特徴にデータセットを圧縮することにより、合成データセットを生成する。 この点に関しては、決定木(Decision Tree)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、グラディエントブースティング(Gradient Boosting)、Ada Boost(Ada Boost)、XG Boost(XG Boost)など、いくつかの教師付きML手法が訓練された。
  論文  参考訳（メタデータ） (2022-01-22T08:01:22Z)
• Flow based features and validation metric for machine learning reconstruction of PIV data [0.0]
  物理指向アプローチによる実データからのフローフィールドの再構築は、AIコミュニティにおける流体科学者の現在の課題である。 本稿では、異なるフローベースの特徴のコントリビューションを研究するために機械学習アプローチを適用する。 物理フロー再生の重要な要件として, 質量保存則を反映した計量法則を提案する。
  論文  参考訳（メタデータ） (2021-05-27T20:05:41Z)
• Predicting Training Time Without Training [120.92623395389255]
  我々は、事前訓練された深層ネットワークが損失関数の所定の値に収束する必要がある最適化ステップの数を予測する問題に取り組む。 我々は、微調整中の深部ネットワークのトレーニングダイナミクスが線形化モデルによってよく近似されているという事実を活用する。 トレーニングをする必要なく、特定の損失にモデルを微調整するのに要する時間を予測できます。
  論文  参考訳（メタデータ） (2020-08-28T04:29:54Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。