論文の概要: Robust and Reliable AI for Predictive Quality in Semiconductor Materials Manufacturing with MLOps and Uncertainty Quantification

• arxiv url: http://arxiv.org/abs/2605.07752v1
• Date: Fri, 08 May 2026 13:57:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:39.087367
• Title: Robust and Reliable AI for Predictive Quality in Semiconductor Materials Manufacturing with MLOps and Uncertainty Quantification
• Title（参考訳）: MLOpsと不確実性量子化を用いた半導体材料製造における予測品質のためのロバストで信頼性の高いAI
• Authors: Min Gao, Julia Maria Perathoner, Anton Ludwig Bonin, Steven Eulig, Gianni Klesse,
• Abstract要約: 本研究は,5年間の実生産データを用いて,機械学習操作(MLOps)のトレーニング戦略をベンチマークする。 製造意思決定における不確実性定量化の重要課題に対処するため,同型予測を実装した。
• 参考スコア（独自算出の注目度）: 3.881861135428263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semiconductor materials manufacturing presents unique challenges for machine learning deployment due to evolving process conditions, equipment degradation, and raw material variability that can cause model performance deterioration over time. This study benchmarks machine learning operations (MLOps) retraining strategies using five years of real manufacturing data to identify optimal retraining approaches for quality prediction. We evaluate various retraining frequencies and hyperparameter optimization strategies using control limit normalized residuals as key performance metric. Results demonstrate that a fixed retraining cadence every five production batches without hyperparameter retuning achieves superior performance across all drift conditions while significantly reducing computational overhead compared to strategies incorporating hyperparameter optimization. This approach effectively maintains model accuracy during both abrupt process changes and gradual equipment degradation patterns. To address the critical need for uncertainty quantification in manufacturing decision-making, we implement conformal prediction to generate prediction confidence intervals with strong statistical guarantees. This enables proactive quality control by identifying when prediction intervals fall within acceptable control limits, transforming traditional reactive quality management into a predictive framework. The findings provide practical guidelines for implementing robust MLOps strategies in manufacturing environments where computational efficiency and reliable uncertainty quantification are paramount for operational success.
• Abstract（参考訳）: 半導体材料製造は, プロセス条件の進化, 設備劣化, 原材料変動により, 時間とともにモデル性能が劣化する可能性があるため, 機械学習の展開に固有の課題を呈している。 本研究は,5年間の実生産データを用いて機械学習再トレーニング戦略をベンチマークし,品質予測のための最適再トレーニング手法を同定する。 我々は、制御限界正規化残差を鍵性能指標として、様々なリトレーニング周波数とハイパーパラメータ最適化戦略を評価する。 その結果, ハイパーパラメータの最適化を取り入れた手法に比べて計算オーバーヘッドを著しく低減しつつ, ドリフト条件全体の性能を向上できることがわかった。 このアプローチは、突然のプロセス変更と段階的な機器劣化パターンの両方において、モデル精度を効果的に維持する。 製造意思決定における不確実性定量化の重要課題に対処するため,統計的確証の強い予測信頼区間を生成するために共形予測を実装した。 これにより、予測間隔が許容範囲内にあることを識別し、従来のリアクティブな品質管理を予測フレームワークに変換することで、プロアクティブな品質管理が可能になる。 この結果は、計算効率と信頼性の高い不確実性定量化が運用の成功に最重要である製造環境において、堅牢なMLOps戦略を実装するための実践的ガイドラインを提供する。

関連論文リスト

• Distributional Process Reward Models: Calibrated Prediction of Future Rewards via Conditional Optimal Transport [6.379494871147752]
  インタイムスケーリング手法はプロセス・リワード・モデル(PRM)に依存している。 本研究では, PRMの校正, 条件OT(CondOT)マップ学習 citebunne2022 の修正, 単調条件量子関数の推定における条件最適輸送の最初の利用を提案する。 これにより、構造的に有効な量子的推定が得られ、任意のレベルでの信頼境界の効率的な抽出が可能となる。
  論文  参考訳（メタデータ） (2026-05-07T18:00:04Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• Contrastive Knowledge Transfer and Robust Optimization for Secure Alignment of Large Language Models [9.353236468990945]
  本稿では,安全アライメントとロバストネスにおける大規模言語モデルの限界に対処する。 コントラスト蒸留とノイズロバストトレーニングを組み合わせた微調整法を提案する。 その結果,本手法は知識伝達,堅牢性,全体的な安全性において,既存のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-10-31T00:54:33Z)
• Bi-level Meta-Policy Control for Dynamic Uncertainty Calibration in Evidential Deep Learning [11.953394478206581]
  最適不確実性モデリングのためのKL分散係数とディリクレ事前強度を調整する動的メタ学習フレームワークであるMeta-Policy Controller (MPC)を提案する。 MPCはモデル予測の信頼性とキャリブレーションを大幅に向上させ、信頼性に基づくサンプル拒絶後の不確実性校正、予測精度、性能保持を改善する。
  論文  参考訳（メタデータ） (2025-10-10T02:39:26Z)
• Stabilizing Policy Gradients for Sample-Efficient Reinforcement Learning in LLM Reasoning [77.92320830700797]
  強化学習は、大規模言語モデルの推論機能を実現する上で中心的な役割を果たしてきた。 本稿では,ポリシー更新時の曲率情報を追跡し,活用するトラクタブルな計算フレームワークを提案する。 アルゴリズムであるCurvature-Aware Policy Optimization (CAPO)は、不安定な更新に寄与するサンプルを特定し、それらをマスクアウトする。
  論文  参考訳（メタデータ） (2025-10-01T12:29:32Z)
• Beyond Outliers: A Study of Optimizers Under Quantization [82.75879062804955]
  量子化下でのモデルロバスト性に対する選択の影響について検討する。 モデルの性能が、異なるベースラインでトレーニングした場合にどのように低下するかを評価する。 異なるパラメータによる量子化対応トレーニングのスケーリング法則を導出する。
  論文  参考訳（メタデータ） (2025-09-27T21:15:22Z)
• Out of Distribution Detection for Efficient Continual Learning in Quality Prediction for Arc Welding [10.828273858204431]
  現代の製造は、ガス金属アーク溶接(GMAW)を含む核融合溶接プロセスに大きく依存している。 現在のモデルでは、動的製造環境において発生する固有の分布シフトに直面すると、限界が示される。 我々は,VQ-VAEトランスフォーマーアーキテクチャを拡張し,その自己回帰損失を信頼性のあるアウト・オブ・ディストリビューション(OOD)検出機構として活用する。
  論文  参考訳（メタデータ） (2025-08-22T23:09:21Z)
• Multi-Channel Swin Transformer Framework for Bearing Remaining Useful Life Prediction [2.600463444320238]
  本稿では,ウェーブレットに基づくデノベーション手法であるウェーブレットパケット分解(WPD)と,これらの問題に対処するためにカスタマイズされたマルチチャネルスウィントランスモデル(MCSFormer)を組み合わせた新しいフレームワークを提案する。 特徴融合のための注意機構を組み込んだモデルでは、グローバルおよび局所的な劣化パターンを学習するように設計されている。 カスタマイズされた損失関数は、早期と後期の予測を区別するために、この作業の重要な区別として開発されている。
  論文  参考訳（メタデータ） (2025-05-20T20:44:38Z)
• Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention [64.12447263206381]
  Incrmental Uncertainty-aware Performance Monitoring (IUPM) というラベルのない手法を提案する。 IUPMは、性能予測の不確実性を定量化し、限られたラベル付け予算の下で信頼性の高い見積もりを復元するアクティブなラベル付け手順を導入する。 実験の結果、IUPMは様々な段階的なシフトシナリオにおいて、既存の性能推定基準よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-05-11T15:35:55Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。