論文の概要: Proactive Statistical Process Control Using AI: A Time Series Forecasting Approach for Semiconductor Manufacturing

• arxiv url: http://arxiv.org/abs/2509.16431v1
• Date: Fri, 19 Sep 2025 21:15:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:15.78629
• Title: Proactive Statistical Process Control Using AI: A Time Series Forecasting Approach for Semiconductor Manufacturing
• Title（参考訳）: AIを用いた確率的統計的プロセス制御:半導体製造における時系列予測手法
• Authors: Mohammad Iqbal Rasul Seeam, Victor S. Sheng,
• Abstract要約: 統計的プロセス制御(SPC)を用いたよりスマートな方法を提案する。 問題が発生したら単に問題に反応するのではなく、システムが問題が発生する前に将来の問題を予測できるのです。 これは予期せぬ失敗を減らし、生産プロセス全体の安定性と信頼性を向上させるのに役立ちます。
• 参考スコア（独自算出の注目度）: 33.18975083653462
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the manufacturing industry, it is very important to keep machines and processes running smoothly and without unexpected problems. One of the most common tools used to check if everything is working properly is called Statistical Process Control (SPC). Traditional SPC methods work by checking whether recent measurements are within acceptable limits. However, they only react after a problem has already occurred. This can lead to wasted materials, machine downtime, and increased costs. In this paper, we present a smarter way to use SPC. Instead of just reacting to issues after they happen, our system can predict future problems before they occur. We use a machine learning tool called Facebook Prophet, which is designed to work with time-series data (data that changes over time). Prophet looks at past data and forecasts what the next value will be. Then, we use SPC rules to decide if the predicted value is in a Safe zone (no problem), a Warning zone (needs attention), or a Critical zone (may require shutting down the process). We applied this system to real data from a semiconductor manufacturing company. One of the challenges with this data is that the measurements are not taken at regular time intervals. This makes it harder to predict future values accurately. Despite this, our model was able to make strong predictions and correctly classify the risk level of future measurements. The main benefit of our system is that it gives engineers and technicians a chance to act early - before something goes wrong. This helps reduce unexpected failures and improves the overall stability and reliability of the production process. By combining machine learning with traditional SPC, we make quality control more proactive, accurate, and useful for modern industry.
• Abstract（参考訳）: 製造業では、機械やプロセスがスムーズかつ予期せぬ問題なく動作し続けることが非常に重要である。 すべてが適切に動作するかどうかを確認するのに最も一般的なツールの1つは、統計プロセス制御(SPC)である。 従来のSPC法は、最近の測定が許容範囲内かどうかを確認することで機能する。 しかし、それらは既に問題が発生した後にのみ反応する。 これは、無駄な材料、機械のダウンタイム、コストの増加につながる可能性がある。 本稿では,よりスマートなSPCの利用方法を提案する。 問題が発生したら単に問題に反応するのではなく、システムが問題が発生する前に将来の問題を予測できるのです。 私たちは、時系列データ(時間とともに変化するデータ)を扱うように設計された、Facebook Prophetという機械学習ツールを使用しています。 Prophetは過去のデータを見て、次の価値を予測します。 次に、SPCルールを使用して、予測された値がセーフゾーン(問題なし)、警告ゾーン(注意が必要)、クリティカルゾーン(プロセスの停止が必要かもしれない)にあるかどうかを判断します。 我々はこのシステムを半導体製造会社の実データに適用した。 このデータの課題の1つは、測定が通常の時間間隔で行われないことである。 これにより、将来の値の正確な予測が困難になる。 それにもかかわらず、我々のモデルは強力な予測を行い、将来の測定のリスクレベルを正しく分類することができた。 私たちのシステムの主なメリットは、エンジニアや技術者に、何か問題が起きる前に、早期に行動する機会を与えることです。 これは予期せぬ失敗を減らし、生産プロセス全体の安定性と信頼性を向上させるのに役立ちます。 機械学習と従来のSPCを組み合わせることで、現代産業にとってより積極的に、正確で、より有用な品質制御を実現します。

関連論文リスト

• Making Pre-trained Language Models both Task-solvers and Self-calibrators [52.98858650625623]
  プレトレーニング言語モデル(PLM)は、様々な現実世界のシステムのバックボーンとして機能する。 以前の研究は、余分なキャリブレーションタスクを導入することでこの問題を緩和できることを示している。 課題に対処するためのトレーニングアルゴリズムLM-TOASTを提案する。
  論文  参考訳（メタデータ） (2023-07-21T02:51:41Z)
• PePNet: A Periodicity-Perceived Workload Prediction Network Supporting Rare Occurrence of Heavy Workload [11.93843096959306]
  クラウドサーバのワークロードは非常に可変的であり、時には重いワークロードがバーストする。 ワークロード予測には統計手法とニューラルネットベースの方法の2つのカテゴリがある。 本稿では,特に負荷予測の精度を向上させるため,PePNetを提案する。
  論文  参考訳（メタデータ） (2023-07-11T07:56:27Z)
• Agnostic Learning for Packing Machine Stoppage Prediction in Smart Factories [0.0]
  サイバー物理コンバージェンス(サイバー物理コンバージェンス)は、産業界に新たなビジネスチャンスを開こうとしている。 サイバーと物理世界の深い統合の必要性は、新しいシステムとネットワークエンジニアリングのアプローチを統合するための豊富なビジネスアジェンダを確立する。 このデータ豊かでサイバー物理学的でスマートな工場環境から生まれた、最も実りある研究と実践の分野の1つは、データ駆動のプロセス監視分野である。
  論文  参考訳（メタデータ） (2022-12-12T23:45:59Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Masked Self-Supervision for Remaining Useful Lifetime Prediction in Machine Tools [3.175781028910441]
  産業4.0では, 現代製造業現場における残留実用ライフタイム(RUL)の予測が不可欠である。 ディープラーニングのアプローチが利用可能になったことで、これらをRUL予測に活用する大きな可能性と展望が、いくつかのモデルを生み出した。 これはラベルのないデータを利用して、RUL予測のためのディープラーニングモデルを構築するために設計されている。
  論文  参考訳（メタデータ） (2022-07-04T06:08:01Z)
• Uncertainty Prediction for Machine Learning Models of Material Properties [0.0]
  物質特性のAIベースの予測の不確実性は、物質科学におけるAIアプリケーションの成功と信頼性にとって非常に重要である。 このような個人的不確実性を得るための3つの異なるアプローチを比較し、それらを12のML物理特性で検証する。
  論文  参考訳（メタデータ） (2021-07-16T16:33:55Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)
• Tracking and Visualizing Signs of Degradation for an Early Failure Prediction of a Rolling Bearing [0.0]
  本稿では,機械の革新的な故障予測手法を提案する。 提案手法は, 機械による振動データの全スペクトルとデータ可視化技術を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-11-18T04:46:15Z)
• Using LSTM for the Prediction of Disruption in ADITYA Tokamak [3.9022413625157792]
  トカマクの大きな破壊は、船とその周辺機器に深刻な脅威をもたらす。 JETやASDEXのような大規模トカマクではすでに多くの機械学習技術が使われているが、ADITYAには適していない。 本稿では,ADITYAトカマクの破壊時間を予測するための新しいリアルタイムアプローチについて論じ,実験データセット上で結果を検証する。
  論文  参考訳（メタデータ） (2020-07-13T08:06:43Z)

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。