論文の概要: Information-Theoretic Causal Modelling of Semiconductor Process Dynamics

• arxiv url: http://arxiv.org/abs/2608.14678v1
• Date: Tue, 04 Aug 2026 12:27:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.959669
• Title: Information-Theoretic Causal Modelling of Semiconductor Process Dynamics
• Title（参考訳）: 半導体プロセスダイナミクスの情報理論的因果モデリング
• Abstract要約: この研究は、ログファイルの時系列データから直接半導体プロセスの基盤となるダイナミクスを推測する新しいフレームワークを探求する。 予備的な結果は、推論された依存関係が既知のことを示し、36.2%は確率的であり、17.5%は以前は文字化されていない関係を示し、39.0%は確立されたプロセス知識と矛盾していた。
• 参考スコア（独自算出の注目度）: 17.301842373988677
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: With the progress of the semiconductor industry toward increasingly complex compute devices and tighter process tolerances, advanced process control has become crucial. This work explores a novel framework to infer the underlying dynamics of semiconductor processes, directly from raw equipment log-file time-series data. By modelling the tool dynamics as a stochastic dynamical system comprising (a) a deterministic component and (b) a stochastic component, we estimate entropy transfer rates between variables through the Liang-Kleeman and Pires formalism. Preliminary results indicated that 7.5% of the inferred dependencies were known, 36.0% were plausible, 17.5% represented previously uncharacterised relationships, and 39.0% were inconsistent with established process knowledge. These findings demonstrate the framework's capability to uncover novel causal insights, while motivating further improvements to reduce inconsistent findings.
• Abstract（参考訳）: 半導体産業がますます複雑化し、プロセス耐性が強まるにつれて、高度なプロセス制御が重要になっている。 本研究は,半導体プロセスの基礎となるダイナミックスを,生機器のログファイル時系列データから直接推測する新しい枠組みを探求する。 工具力学を確率力学系としてモデル化することにより a)決定論的成分と b) 確率成分として, 変数間のエントロピー移動率を, ラン・クリーマン形式とピエール形式を通して推定する。 予備的な結果は、推論された依存関係の7.5%が分かっており、36.0%が可塑性で、17.5%が以前は不適合な関係を示し、39.0%が確立されたプロセス知識と矛盾していることを示している。 これらの知見は、新しい因果的洞察を明らかにするためのフレームワークの能力を示し、矛盾する発見を減らすためのさらなる改善を動機付けている。

関連論文リスト

• Hybrid Neural Ordinary Differential Equations for Data-Efficient Polymerization Modeling with Incomplete Kinetics [42.58292307702424]
  自由ラジカル重合のデータ効率モデリングのためのハイブリッドニューラル正規微分方程式フレームワークを提案する。 ハイブリッドNODEは、離散時間フィードフォワードニューラルネットワークと、スパースデータ条件下で純粋にデータ駆動のNODEに対して評価される。 ノイズの多いデータと目に見えない操作条件の一般化シナリオでは、ハイブリッドNODEはデータ駆動NODEの0.31と離散時間モデルでの0.68に対して、RMSEの0.013を達成している。
  論文  参考訳（メタデータ） (2026-06-01T12:10:48Z)
• Only Say What You Know: Calibration-Aware Generation for Long-Form Factuality [64.83776302639727]
  大規模な推論モデルは複雑なタスクで強いパフォーマンスを達成するが、幻覚に苦しむ傾向にある。 最終コミットメントから知識探索を阻害するTextbfExploration-Commitment Decouplingパラダイムを提案する。 textbfCalibration-Aware Generation(CAG)は、エンド・ツー・エンドのキャリブレーション・アウェア・ジェネレーション機能を備えたモデルを提供するフレームワークである。
  論文  参考訳（メタデータ） (2026-05-03T07:07:09Z)
• Structured Hybrid Mechanistic Models for Robust Estimation of Time-Dependent Intervention Outcomes [9.820469663506882]
  動的システムにおける介入効果の推定は結果の最適化に不可欠である。 力学モデルは典型的には頑丈であるが、過度に単純化されることもある。 本稿では,時間依存的介入結果の予測のためのハイブリッドなメカニスティック・データ駆動手法を提案する。
  論文  参考訳（メタデータ） (2026-02-11T20:39:41Z)
• Zero-Training Temporal Drift Detection for Transformer Sentiment Models: A Comprehensive Analysis on Authentic Social Media Streams [0.0]
  本稿では,主要な実世界のイベントから得られたソーシャルメディアデータに基づいて,トランスフォーマーに基づく感情モデルの総合的ゼロトレーニング時流解析を行う。 イベント駆動の期間において,精度低下を伴うモデル不安定性が23.4%に達することを示す。 このゼロトレーニング手法は、リアルタイムの感情監視システムの即時展開を可能にし、動的コンテンツ期間中のトランスフォーマーモデルの振る舞いに関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2025-11-30T13:08:59Z)
• FlowDAS: A Stochastic Interpolant-based Framework for Data Assimilation [15.64941169350615]
  データ同化(DA)は、PDEが支配するシステムの状態を推定するために、動的モデルと観測を統合する。 FlowDASは、間補体を使用して状態遷移ダイナミクスを学習する生成DAフレームワークである。 本研究では,FlowDASがモデル駆動法,ニューラル演算子,スコアベースベースラインを超える精度と物理的妥当性を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:03:41Z)
• ConvD: Attention Enhanced Dynamic Convolutional Embeddings for Knowledge Graph Completion [23.857256089000032]
  本稿では,複数の内部畳み込みカーネルに関係埋め込みを組み込む新しい動的畳み込み埋め込みモデルであるConvDを紹介する。 各種データセットを用いた実験により,提案手法は最先端のベースライン法よりも一貫して優れていることがわかった。
  論文  参考訳（メタデータ） (2023-12-11T07:37:58Z)
• 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)
• Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
  本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。 我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。 合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2021-11-29T18:59:09Z)
• Gradient Starvation: A Learning Proclivity in Neural Networks [97.02382916372594]
  グラディエント・スターベーションは、タスクに関連する機能のサブセットのみをキャプチャすることで、クロスエントロピー損失を最小化するときに発生する。 この研究は、ニューラルネットワークにおけるそのような特徴不均衡の出現に関する理論的説明を提供する。
  論文  参考訳（メタデータ） (2020-11-18T18:52:08Z)
• 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)
• Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
  経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。 分散による離散乗法雑音のパラメータによく現れることを示す。 最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
  論文  参考訳（メタデータ） (2020-06-11T09:58:01Z)
• Transformer Hawkes Process [79.16290557505211]
  本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。 THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。 本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
  論文  参考訳（メタデータ） (2020-02-21T13:48:13Z)

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。