論文の概要: Wafer-Level Etch Spatial Profiling for Process Monitoring from Time-Series with Time-LLM

• arxiv url: http://arxiv.org/abs/2603.23576v1
• Date: Tue, 24 Mar 2026 13:38:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:10.952727
• Title: Wafer-Level Etch Spatial Profiling for Process Monitoring from Time-Series with Time-LLM
• Title（参考訳）: 時間LLMを用いた時系列からのプロセスモニタリングのためのウェーハレベルエッチング空間プロファイリング
• Abstract要約: 本稿では,マルチチャネルプロセス時系列からウェーハレベルのエッチング深さ分布を直接予測する空間回帰モデルを提案する。 BOSCHプラズマエッチングデータセットを用いて,データ制限条件下での安定した性能を示す。
• 参考スコア（独自算出の注目度）: 3.125164399153961
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding wafer-level spatial variations from in-situ process signals is essential for advanced plasma etching process monitoring. While most data-driven approaches focus on scalar indicators such as average etch rate, actual process quality is determined by complex two-dimensional spatial distributions across the wafer. This paper presents a spatial regression model that predicts wafer-level etch depth distributions directly from multichannel in-situ process time series. We propose a Time-LLM-based spatial regression model that extends LLM reprogramming from conventional time-series forecasting to wafer-level spatial estimation by redesigning the input embedding and output projection. Using the BOSCH plasma-etching dataset, we demonstrate stable performance under data-limited conditions, supporting the feasibility of LLM-based reprogramming for wafer-level spatial monitoring.
• Abstract（参考訳）: プラズマエッチングプロセス監視において,その場でのプロセス信号からウェーハレベルの空間変動を理解することが不可欠である。 多くのデータ駆動型アプローチは平均エッチング率などのスカラー指標に重点を置いているが、実際のプロセス品質はウェハを横断する複雑な2次元空間分布によって決定される。 本稿では,マルチチャネルプロセス時系列からウェーハレベルのエッチング深さ分布を直接予測する空間回帰モデルを提案する。 本稿では,従来の時系列予測からウェハレベルの空間推定まで,入力埋め込みと出力プロジェクションを再設計してLLM再プログラミングを拡張した時間LLMに基づく空間回帰モデルを提案する。 BOSCHプラズマエッチングデータセットを用いて,データ制限条件下での安定した性能を示す。

関連論文リスト

• GLIDE: Graph-guided Leap Inference for Diffusion Estimation of Spatio-Temporal Point Processes [19.756452407351986]
  時空間点過程(STPP)のための条件拡散フレームワークを提案する。 GLIDEは、歴史的イベントをマルチスケールの履歴グラフに整理し、二重ストリームアーキテクチャを通して空間トポロジを符号化する。 複数の実世界のデータセットでの実験では、GLIDEは分布の適合性と次点の予測の両方を改善し、空間側で最大のゲインが現れる。
  論文  参考訳（メタデータ） (2026-05-31T14:56:24Z)
• ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model [53.15040805435013]
  視覚言語モデル(VLM)は、一様にサンプリングされたフレームを解析することで、強力なセマンティックグラウンドと一般的な知識を提供する。 本稿では,高密度フレーム・ダイナミックス・モデリングと長軸意味指導を組み合わせたVLM誘導型JEPA型潜在世界モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T17:59:42Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• WaveSSM: Multiscale State-Space Models for Non-stationary Signal Attention [22.983737182781244]
  状態空間モデル(SSM)は、長距離シーケンスモデリングの強力な基盤として登場した。 本稿では,ウェーブレットフレーム上に構築されたSSMの集合であるemphWaveSSMを紹介する。 我々のキーとなる観察は、ウェーブレットフレームが時間次元の局所的な支持を与え、正確な局所化を必要とするタスクに役立ちます。
  論文  参考訳（メタデータ） (2026-02-25T06:27:22Z)
• FreqFlow: Long-term forecasting using lightweight flow matching [3.5235875824926346]
  本稿では、周波数領域における条件付きフローマッチングを利用して決定論的MSS予測を行う新しいフレームワークであるFreqFlowを紹介する。 FreqFlowは予測問題をスペクトル領域に変換し、振幅と位相シフトをモデル化する。 実世界のトラフィック速度、ボリューム、フローデータセットに関する実験は、FreqFlowが最先端の予測性能を達成することを実証している。
  論文  参考訳（メタデータ） (2025-11-20T14:50:13Z)
• Inference-Time Gaze Refinement for Micro-Expression Recognition: Enhancing Event-Based Eye Tracking with Motion-Aware Post-Processing [2.5465367830324905]
  イベントベースの視線追跡は、きめ細かい認知状態の推測に重要な可能性を秘めている。 本稿では、既存の事象に基づく視線推定モデルの出力を高めるために、モデルに依存しない推論時間改善フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-14T14:48:11Z)
• UmambaTSF: A U-shaped Multi-Scale Long-Term Time Series Forecasting Method Using Mamba [7.594115034632109]
  本稿では,新しい時系列予測フレームワークであるUmambaTSFを提案する。 U字型エンコーダ・デコーダ多層パーセプトロン(MLP)のマルチスケール特徴抽出機能とMambaのロングシーケンス表現を統合する。 UmambaTSFは、広く使用されているベンチマークデータセットで最先端のパフォーマンスと優れた汎用性を達成する。
  論文  参考訳（メタデータ） (2024-10-15T04:56:43Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Spectral learning of Bernoulli linear dynamical systems models [21.3534487101893]
  本研究では,線形線形力学系モデルの高速かつ効率的なフィッティングのための学習法を開発した。 提案手法は,従来の部分空間同定手法をベルヌーイ設定に拡張する。 そこで本研究では,マウスの知覚決定タスクを実行することによって,実世界の環境を推定する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-03T16:29:12Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)

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。