論文の概要: Cross-Process Defect Attribution using Potential Loss Analysis

• arxiv url: http://arxiv.org/abs/2508.00895v1
• Date: Sun, 27 Jul 2025 20:23:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:21.609592
• Title: Cross-Process Defect Attribution using Potential Loss Analysis
• Title（参考訳）: 電位損失解析を用いたクロスプロの欠陥属性
• Authors: Tsuyoshi Idé, Kohei Miyaguchi,
• Abstract要約: ウエハ欠陥のプロセス間根因解析は、半導体製造において最も重要かつ困難な課題の一つである。 本稿では、潜在的損失分析(PLA)と呼ばれる、ウエハ欠陥根本原因分析のための新しい枠組みを提案する。 PLAフレームワークの属性は, 部分的処理軌跡から得られる最良の結果を比較することで, 上流プロセスに対する高いウエハ欠陥密度を観測した。
• 参考スコア（独自算出の注目度）: 15.070438650497994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-process root-cause analysis of wafer defects is among the most critical yet challenging tasks in semiconductor manufacturing due to the heterogeneity and combinatorial nature of processes along the processing route. This paper presents a new framework for wafer defect root cause analysis, called Potential Loss Analysis (PLA), as a significant enhancement of the previously proposed partial trajectory regression approach. The PLA framework attributes observed high wafer defect densities to upstream processes by comparing the best possible outcomes generated by partial processing trajectories. We show that the task of identifying the best possible outcome can be reduced to solving a Bellman equation. Remarkably, the proposed framework can simultaneously solve the prediction problem for defect density as well as the attribution problem for defect scores. We demonstrate the effectiveness of the proposed framework using real wafer history data.
• Abstract（参考訳）: ウェーハ欠陥のクロスプロセス根本原因分析は、処理経路に沿ったプロセスの不均一性と組合せの性質のため、半導体製造において最も重要かつ困難な課題の一つである。 本稿では,従来提案されていた部分軌道回帰手法の顕著な拡張として,潜在的損失解析 (PLA) と呼ばれるウェハ欠陥根本原因解析のための新しい枠組みを提案する。 PLAフレームワークの属性は, 部分的処理軌跡から得られる最良の結果を比較することで, 上流プロセスに対する高いウエハ欠陥密度を観測した。 最適な結果を特定するタスクはベルマン方程式の解法に還元できることを示す。 注目すべきことに,提案フレームワークは,欠陥密度の予測問題と,欠陥スコアの属性問題とを同時に解くことができる。 実際のウエハ履歴データを用いて,提案手法の有効性を示す。

関連論文リスト

• Wafer Defect Root Cause Analysis with Partial Trajectory Regression [12.274545451290319]
  本稿では, 部分軌道回帰 (Partial Trajectory Regression, PTR) と呼ばれる, ウエハ欠陥根因解析のための新しい枠組みを提案する。 提案するフレームワークは,従来のベクトルベース回帰モデルの制約に対処するために慎重に設計されている。 オールバニのNY CREATESファブの実際のウエハ履歴データを用いて,提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2025-07-27T17:08:40Z)
• Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
  断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。 提案手法は問題に依存しず,様々な逆問題に容易に適応できる。 このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
  論文  参考訳（メタデータ） (2025-07-22T19:35:14Z)
• Combining Abstract Argumentation and Machine Learning for Efficiently Analyzing Low-Level Process Event Streams [18.821902752237204]
  本稿では,解釈問題に対するデータ/計算効率のよいニューロシンボリックアプローチを提案する。 グリーンAIソリューションの急激な開発の必要性を考えると,この問題に対するデータ/計算効率の高いニューロシンボリックアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-09T08:45:07Z)
• Bridging Internal Probability and Self-Consistency for Effective and Efficient LLM Reasoning [53.25336975467293]
  パープレキシティや自己整合性などの手法の第一理論誤差分解解析について述べる。 パープレキシティ法は、適切な整合関数が存在しないため、かなりのモデル誤差に悩まされる。 本稿では、自己整合性とパープレキシティを統合したReasoning-Pruning Perplexity Consistency(RPC)と、低確率推論経路を排除したReasoning Pruningを提案する。
  論文  参考訳（メタデータ） (2025-02-01T18:09:49Z)
• Unmasking Bias in Diffusion Model Training [40.90066994983719]
  拡散モデルが画像生成の主流のアプローチとして登場した。 トレーニングの収束が遅く、サンプリングのカラーシフトの問題に悩まされている。 本稿では,これらの障害は,既定のトレーニングパラダイムに固有のバイアスや準最適性に大きく起因していると考えられる。
  論文  参考訳（メタデータ） (2023-10-12T16:04:41Z)
• Doubly Robust Proximal Causal Learning for Continuous Treatments [56.05592840537398]
  本稿では,カーネルベースの2倍頑健な因果学習推定器を提案する。 オラクル形式は影響関数の一貫した近似であることを示す。 次に、平均二乗誤差の観点から総合収束解析を行う。
  論文  参考訳（メタデータ） (2023-09-22T12:18:53Z)
• Optimal Observation-Intervention Trade-Off in Optimisation Problems with Causal Structure [1.724169474984623]
  観察・干渉トレードオフは筋電図的でない最適停止問題として定式化できることを示す。 我々の定式化は、実および合成ベンチマーク上で既存のアルゴリズムを強化することができることを示す。
  論文  参考訳（メタデータ） (2023-09-05T14:46:06Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• RIGID: Robust Linear Regression with Missing Data [7.638042073679073]
  機能に欠落したエントリで線形回帰を行うための堅牢なフレームワークを提案する。 本稿では,変数間の依存性を自然に考慮した定式化が,凸プログラムに還元されることを示す。 詳細な分析に加えて,提案するフレームワークの挙動を分析し,技術的議論を行う。
  論文  参考訳（メタデータ） (2022-05-26T21:10:17Z)
• Improving White-box Robustness of Pre-processing Defenses via Joint Adversarial Training [106.34722726264522]
  対向騒音の干渉を軽減するため,様々な対向防御技術が提案されている。 プレプロセス法は、ロバストネス劣化効果に悩まされることがある。 この負の効果の潜在的な原因は、敵の訓練例が静的であり、前処理モデルとは独立していることである。 本稿では,JATP(Joint Adversarial Training Based Pre-processing)防衛法を提案する。
  論文  参考訳（メタデータ） (2021-06-10T01:45:32Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
  影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。 本稿では,理論的観点から,そのような手法の性能について考察する。 交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
  論文  参考訳（メタデータ） (2020-11-03T15:33:10Z)

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。