論文の概要: In-situ and Non-contact Etch Depth Prediction in Plasma Etching via Machine Learning (ANN & BNN) and Digital Image Colorimetry

• arxiv url: http://arxiv.org/abs/2505.03826v1
• Date: Sat, 03 May 2025 14:43:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-08 19:07:35.847415
• Title: In-situ and Non-contact Etch Depth Prediction in Plasma Etching via Machine Learning (ANN & BNN) and Digital Image Colorimetry
• Title（参考訳）: 機械学習(ANN & BNN)とデジタル画像色計測によるプラズマエッチングにおけるその場および非接触エッチング深さ予測
• Authors: Minji Kang, Seongho Kim, Eunseo Go, Donghyeon Paek, Geon Lim, Muyoung Kim, Soyeun Kim, Sung Kyu Jang, Min Sup Choi, Woo Seok Kang, Jaehyun Kim, Jaekwang Kim, Hyeong-U Kim,
• Abstract要約: 本研究では機械学習(ML)技術に基づく非接触・その場エッチング深度予測フレームワークを提案する。 最初のシナリオでは、プロセスパラメータから平均エッチング深さを予測するために、人工知能ニューラルネットワーク(ANN)が訓練される。 第2のシナリオでは、エッチング深度予測の入力としてデジタル画像色度測定(DIC)からRGBデータを使用することの可能性を示す。
• 参考スコア（独自算出の注目度）: 4.920922237326715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise monitoring of etch depth and the thickness of insulating materials, such as Silicon dioxide and silicon nitride, is critical to ensuring device performance and yield in semiconductor manufacturing. While conventional ex-situ analysis methods are accurate, they are constrained by time delays and contamination risks. To address these limitations, this study proposes a non-contact, in-situ etch depth prediction framework based on machine learning (ML) techniques. Two scenarios are explored. In the first scenario, an artificial neural network (ANN) is trained to predict average etch depth from process parameters, achieving a significantly lower mean squared error (MSE) compared to a linear baseline model. The approach is then extended to incorporate variability from repeated measurements using a Bayesian Neural Network (BNN) to capture both aleatoric and epistemic uncertainty. Coverage analysis confirms the BNN's capability to provide reliable uncertainty estimates. In the second scenario, we demonstrate the feasibility of using RGB data from digital image colorimetry (DIC) as input for etch depth prediction, achieving strong performance even in the absence of explicit process parameters. These results suggest that the integration of DIC and ML offers a viable, cost-effective alternative for real-time, in-situ, and non-invasive monitoring in plasma etching processes, contributing to enhanced process stability, and manufacturing efficiency.
• Abstract（参考訳）: 二酸化ケイ素や窒化ケイ素などの絶縁材料のエッチング深さと厚さの精密モニタリングは、半導体製造における装置性能と収量を確保するために重要である。 従来の推定分析手法は正確であるが,時間遅延や汚染リスクに制約されている。 これらの制約に対処するため,機械学習(ML)技術に基づく非接触・その場エッチング深度予測フレームワークを提案する。 2つのシナリオが検討されている。 最初のシナリオでは、人工知能ニューラルネットワーク(ANN)を訓練して、プロセスパラメータから平均エッチング深さを予測し、線形ベースラインモデルよりもはるかに低い平均二乗誤差(MSE)を達成する。 このアプローチは、ベイジアンニューラルネットワーク(BNN)を用いて繰り返し測定された変化を取り入れて、動脈とてんかんの両不確実性を捉えるように拡張される。 カバレッジ分析は、信頼性の高い不確実性推定を提供するBNNの能力を確認する。 第2のシナリオでは、明示的なプロセスパラメータがなくても、エッチング深度予測の入力としてDIC(Digital Image Colorimetry)からRGBデータを使用することが可能であることを示す。 これらの結果から, DICとMLの統合は, プラズマエッチングプロセスにおけるリアルタイム, その場, 非侵襲的なモニタリングに有効な代替手段であり, プロセス安定性の向上, 製造効率の向上に寄与することが示唆された。

関連論文リスト

• Bayesian optimized deep ensemble for uncertainty quantification of deep neural networks: a system safety case study on sodium fast reactor thermal stratification modeling [10.055838489452817]
  ディープ・アンサンブルはディープ・ニューラルネットワーク(DNN)における不確実性定量化(UQ)のための効率的でスケーラブルな方法である 本稿では,ベイズ最適化(BO)とBODEと呼ばれるDDEを組み合わせることによって,予測精度とUQを両立させる手法を提案する。 計算流体力学(CFD)データに基づいて学習したDensely Connected Convolutional Neural Network (DCNN) のケーススタディにBODEを適用し, 高速炉熱成層モデルにおける渦粘度を予測する。
  論文  参考訳（メタデータ） (2024-12-11T21:06:50Z)
• Uncertainty Prediction Neural Network (UpNet): Embedding Artificial Neural Network in Bayesian Inversion Framework to Quantify the Uncertainty of Remote Sensing Retrieval [0.34952465649465553]
  放射移動モデル(RTMs)の逆転は、大規模植生の生物物理パラメーターを取得するために最もよく用いられる手法である。 近年、ニューラルネットワーク(ANN)に基づく手法は、高い精度と計算効率のため、RTMの反転の主流となっている。 ベイズ反転理論の解釈が欠如していることから、検索の不確実性を定量化する上での課題に直面している。
  論文  参考訳（メタデータ） (2024-11-07T09:27:42Z)
• 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)
• Neural Network Prediction of Strong Lensing Systems with Domain Adaptation and Uncertainty Quantification [44.99833362998488]
  MVE(Mean-variance Estimator)は、ニューラルネットワークの予測からアレタリック(データ)の不確実性を得るための一般的なアプローチである。 本研究では、強いレンズデータに対する非教師なし領域適応(UDA)と組み合わせて、MVEの有効性を初めて研究する。 MVE に UDA を追加すると,UDA なしで MVE モデルより約 2 倍精度が向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-23T19:56:57Z)
• Graph Neural Networks for Pressure Estimation in Water Distribution Systems [44.99833362998488]
  水分配ネットワーク(WDN)における圧力と流量の推定により、水管理会社は制御操作を最適化できる。 物理に基づくモデリングとデータ駆動型アプローチであるグラフニューラルネットワーク(GNN)を組み合わせて,圧力推定問題に対処する。 我々のGNNモデルでは、オランダの大規模WDNの圧力は1.94mH$O、MAPEは7%と見積もられている。
  論文  参考訳（メタデータ） (2023-11-17T15:30:12Z)
• Uncertainty Quantification in Multivariable Regression for Material Property Prediction with Bayesian Neural Networks [37.69303106863453]
  物理インフォームドBNNにおける不確実性定量化(UQ)のアプローチを提案する。 本稿では, 鋼のクリープ破断寿命を予測するためのケーススタディを提案する。 クリープ寿命予測の最も有望なフレームワークは、マルコフ・チェイン・モンテカルロによるネットワークパラメータの後方分布の近似に基づくBNNである。
  論文  参考訳（メタデータ） (2023-11-04T19:40:16Z)
• Unmatched uncertainty mitigation through neural network supported model predictive control [7.036452261968766]
  学習ベースMPC(LBMPC)の基本最適化問題において,深層ニューラルネットワーク(DNN)をオラクルとして利用する。 我々は、ニューラルネットワークの最後のレイヤの重みをリアルタイムで更新するデュアル・タイムスケール適応機構を採用している。 その結果,提案手法はリアルタイムに実装可能であり,LBMPCの理論的保証を担っていることがわかった。
  論文  参考訳（メタデータ） (2023-04-22T04:49:48Z)
• Mixed Precision Low-bit Quantization of Neural Network Language Models for Speech Recognition [67.95996816744251]
  長期間のメモリリカレントニューラルネットワーク(LSTM-RNN)とトランスフォーマーで表される最先端言語モデル(LM)は、実用アプリケーションではますます複雑で高価なものになりつつある。 現在の量子化法は、均一な精度に基づいており、量子化誤差に対するLMの異なる部分での様々な性能感度を考慮できない。 本稿では,新しい混合精度ニューラルネットワークLM量子化法を提案する。
  論文  参考訳（メタデータ） (2021-11-29T12:24:02Z)
• Extracting Chemical-Protein Interactions via Calibrated Deep Neural Network and Self-training [0.8376091455761261]
  データ不確実性を推定し、信頼性を向上させるため、ディープラーニングモデルに"校正"技術が適用されている。 本研究では, 化学物質-タンパク質相互作用を抽出するために, 不確実性情報とキャリブレーション手法を取り入れたDNNベースの手法を提案する。 我々の手法は,従来の手法よりも高い校正能力を維持しつつ,Biocreative VI ChemProtタスクに関して最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2020-11-04T10:14:31Z)

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。