論文の概要: Physics-Informed Neural Networks For Semiconductor Film Deposition: A Review

• arxiv url: http://arxiv.org/abs/2507.10983v1
• Date: Tue, 15 Jul 2025 04:56:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.982196
• Title: Physics-Informed Neural Networks For Semiconductor Film Deposition: A Review
• Title（参考訳）: 半導体膜成膜のための物理インフォームニューラルネットワーク
• Authors: Tao Han, Zahra Taheri, Hyunwoong Ko,
• Abstract要約: 物理情報ニューラルネットワーク(PINN)の最近の進歩は、プロセス制御、品質保証、予測モデリングに関連する課題に対処する上で大きな可能性を示している。 本稿では,半導体膜成膜プロセスを対象としたML応用の総合的なレビューを行う。 構造解析は, 膜堆積プロセスにおける解釈可能性, 精度, 堅牢性を高めるため, これらのML技術の統合の可能性を明らかにすることを目的としている。
• 参考スコア（独自算出の注目度）: 3.2512744792925337
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Semiconductor manufacturing relies heavily on film deposition processes, such as Chemical Vapor Deposition and Physical Vapor Deposition. These complex processes require precise control to achieve film uniformity, proper adhesion, and desired functionality. Recent advancements in Physics-Informed Neural Networks (PINNs), an innovative machine learning (ML) approach, have shown significant promise in addressing challenges related to process control, quality assurance, and predictive modeling within semiconductor film deposition and other manufacturing domains. This paper provides a comprehensive review of ML applications targeted at semiconductor film deposition processes. Through a thematic analysis, we identify key trends, existing limitations, and research gaps, offering insights into both the advantages and constraints of current methodologies. Our structured analysis aims to highlight the potential integration of these ML techniques to enhance interpretability, accuracy, and robustness in film deposition processes. Additionally, we examine state-of-the-art PINN methods, discussing strategies for embedding physical knowledge, governing laws, and partial differential equations into advanced neural network architectures tailored for semiconductor manufacturing. Based on this detailed review, we propose novel research directions that integrate the strengths of PINNs to significantly advance film deposition processes. The contributions of this study include establishing a clear pathway for future research in integrating physics-informed ML frameworks, addressing existing methodological gaps, and ultimately improving precision, scalability, and operational efficiency within semiconductor manufacturing.
• Abstract（参考訳）: 半導体製造は、化学気相沈着や物理気相沈着などの成膜プロセスに大きく依存している。 これらの複雑なプロセスは、フィルムの均一性、適切な密着性、所望の機能を達成するために正確な制御を必要とする。 革新的機械学習(ML)アプローチであるPhysics-Informed Neural Networks(PINN)の最近の進歩は、プロセス制御、品質保証、半導体膜堆積やその他の製造領域における予測モデリングに関連する課題に対処する上で、大きな可能性を示唆している。 本稿では,半導体膜成膜プロセスを対象としたML応用の総合的なレビューを行う。 テーマ分析を通じて、重要なトレンド、既存の制限、研究ギャップを特定し、現在の方法論の利点と制約の両方について洞察を提供する。 構造解析は, 膜堆積プロセスにおける解釈可能性, 精度, 堅牢性を高めるため, これらのML技術の統合の可能性を明らかにすることを目的としている。 さらに、半導体製造に適した高度なニューラルネットワークアーキテクチャに物理知識、規則、偏微分方程式を組み込む方法について議論する。 本稿では, PINNの強度を統合し, 膜堆積過程を著しく改善する新たな研究手法を提案する。 本研究の貢献は、物理インフォームドMLフレームワークの統合、既存の方法論的ギャップへの対処、そして究極的には半導体製造における精度、スケーラビリティ、運用効率を改善するための、将来の研究のための明確な経路を確立することである。

関連論文リスト

• Machine-Learning-Assisted Photonic Device Development: A Multiscale Approach from Theory to Characterization [80.82828320306464]
  フォトニックデバイス開発(PDD)は、様々な波長、スケール、アプリケーションにまたがる光を制御する新しいデバイスの設計と実装において大きな成功を収めた。 PDDは、設計パラメータからデバイス動作を導出する、デバイス性能をシミュレーションする、最適なデバイスを製造する、デバイス性能を測定する、という5段階の反復的プロセスである。 PDDは、大規模な最適化の展望、構造的または光学的特徴の不確実性、堅牢な製造プロセスの実装の困難に悩まされている。 本稿では,機械学習支援型PDDの実現に向けて,これらの手法の総合的な展望を示す。
  論文  参考訳（メタデータ） (2025-06-24T23:32:54Z)
• Computational, Data-Driven, and Physics-Informed Machine Learning Approaches for Microstructure Modeling in Metal Additive Manufacturing [0.0]
  金属添加物の製造は、前例のない設計の自由と、カスタマイズされた複雑な部品の製造を可能にする。 金属AMプロセスに固有の急激な融解と凝固のダイナミクスは、不均一で非平衡な微細構造を生成する。 空間的・時間的スケールにわたる微細構造とその進化を予測することは、プロセス最適化と欠陥軽減の重要な課題である。
  論文  参考訳（メタデータ） (2025-05-02T17:59:54Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Interpretable and Explainable Machine Learning Methods for Predictive Process Monitoring: A Systematic Literature Review [1.3812010983144802]
  本稿では,機械学習モデル(ML)の予測プロセスマイニングの文脈における説明可能性と解釈可能性について,系統的に検討する。 我々は、様々なアプリケーション領域にまたがる現在の方法論とその応用の概要を概観する。 我々の研究は、プロセス分析のためのより信頼性が高く透明で効果的なインテリジェントシステムの開発と実装方法について、研究者や実践者がより深く理解することを目的としている。
  論文  参考訳（メタデータ） (2023-12-29T12:43:43Z)
• Supervised Machine Learning and Physics based Machine Learning approach for prediction of peak temperature distribution in Additive Friction Stir Deposition of Aluminium Alloy [0.0]
  プロセスパラメータ, サーマルプロファイル, AFSD の相関関係はよく分かっていない。 この研究は、教師付き機械学習(ニューラルネットワーク)と物理情報ネットワーク(PINN)を組み合わせて、プロセスパラメータからAFSDのピーク温度分布を予測する。
  論文  参考訳（メタデータ） (2023-09-13T09:39:42Z)
• End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
  本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。 我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
  論文  参考訳（メタデータ） (2023-05-25T10:58:46Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• Machine Learning-enhanced Efficient Spectroscopic Ellipsometry Modeling [2.502933334555377]
  我々は機械学習を利用して、効率的なフィルム製造、特に原子層堆積(ALD)を容易にする。 本稿では,膜厚推定を高速化するMLに基づく手法を提案する。
  論文  参考訳（メタデータ） (2022-01-01T19:53:03Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• Improving Semiconductor Device Modeling for Electronic Design Automation by Machine Learning Techniques [6.170514965470266]
  本稿では,変分オートエンコーダを用いたMLに基づくデバイスモデリング改善のための自己拡張戦略を提案する。 提案手法の有効性を実証するために,ガリウム窒化物デバイスにおけるオーミック抵抗値に対するディープニューラルネットワークに基づく予測タスクに適用する。
  論文  参考訳（メタデータ） (2021-05-25T00:52:44Z)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。