論文の概要: Self-Supervised Attention-Based Virtual Metrology for CMP MRR Prediction
- arxiv url: http://arxiv.org/abs/2611.16172v1
- Date: Thu, 12 Nov 2026 02:01:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.299199
- Title: Self-Supervised Attention-Based Virtual Metrology for CMP MRR Prediction
- Title(参考訳): CMP MRR予測のための自己監督型注意型仮想メトロロジー
- Abstract要約: 我々は,CMP MRR予測のための自己監督型アテンションベースフレームワークであるGlobal Regression Pretraining(GREP)を提案する。
GREPはグローバルプロキシターゲット回帰を通じてラベルのないセンサ信号から時間的表現を学習し、MRR推定のための教師付き微調整を行う。
PHM 2016 CMPデータセットの実験では、ラベル付きデータ条件下での競合性能が示されている。
- 参考スコア(独自算出の注目度): 2.4958651162443943
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Chemical mechanical planarization (CMP) is a critical semiconductor manufacturing process where material removal rate (MRR) is a key metric for process monitoring and advanced process control (APC). Virtual metrology enables MRR estimation from process time series signals, supporting run-to-run(R2R) control and process optimization while reducing reliance on physical metrology. Existing approaches typically rely on simplified linear assumptions or require handcrafted feature engineering. In this paper, we propose Global Regression Pretraining(GREP), a self-supervised, attention-based framework for CMP MRR prediction. GREP learns temporal representations from unlabeled sensor signals through global proxy-target regression, followed by supervised fine-tuning for MRR estimation. The framework is evaluated against a feature-engineered supervised baseline under three conditions: limited labeled data, sensor noise, and temporal process drift. Experiments on the PHM 2016 CMP dataset demonstrate competitive performance under limited labeled-data conditions, with improvements in selected cases and performance largely comparable to the baseline across different labeled-data fractions. Both models exhibit relatively small changes in prediction error with increasing noise, while GREP achieves a 17.0% RMSE reduction in the final temporal interval.
- Abstract(参考訳): メカニカルメカニカルプラナライゼーション(CMP)は、物質除去率(MRR)がプロセス監視およびプロセス制御(APC)の重要な指標である重要な半導体製造プロセスである。
仮想メトロジーは、プロセス時系列信号からのMRR推定を可能にし、物理メトロジーへの依存を低減しつつ、ラン・トゥ・ラン(R2R)制御とプロセス最適化をサポートする。
既存のアプローチは通常、単純化された線形仮定に依存するか、手作りのフィーチャエンジニアリングを必要とする。
本稿では,CMP MRR予測のための自己監督型アテンションベースフレームワークであるGlobal Regression Pretraining(GREP)を提案する。
GREPはグローバルプロキシターゲット回帰を通じてラベルのないセンサ信号から時間的表現を学習し、MRR推定のための教師付き微調整を行う。
このフレームワークは, 限られたラベル付きデータ, センサノイズ, 時間的プロセスドリフトの3つの条件下で, 特徴工学的な教師付きベースラインに対して評価される。
PHM 2016 CMPデータセットの実験では、限定されたラベル付きデータ条件下での競合性能が実証された。
どちらのモデルもノイズの増加に伴う予測誤差の比較的小さな変化を示し、GREPは最終時間間隔で17.0%のRMSE還元を達成する。
関連論文リスト
- IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。
まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。
少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文 参考訳(メタデータ) (2026-09-08T07:43:04Z) - D-TAIA: Domain-Aware LLM Adaptation for Multi-Task Predictive Process Monitoring [0.30586855806896046]
3つの条件は既存の手法、すなわちデータ不足、高プロセスエントロピー、分散シフトを劣化させる。
本稿では,FMバックボーンをパラメータ効率で微調整することで,次の活動と継続時間の予測を行うためのフレームワークであるD-TAIAを紹介する。
論文 参考訳(メタデータ) (2026-08-28T11:53:16Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳(メタデータ) (2025-11-04T17:22:22Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳(メタデータ) (2025-09-27T20:57:48Z) - ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。
イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
論文 参考訳(メタデータ) (2024-12-12T09:35:47Z) - Enhancing Microgrid Performance Prediction with Attention-based Deep Learning Models [0.0]
本研究の目的は、グリッド不安定性に寄与する電力振動を特徴とするマイクログリッドシステムの運用上の課題に対処することである。
畳み込みとGRU(Gated Recurrent Unit)の強みを活かした統合戦略が提案されている。
このフレームワークは、包括的な負荷予測を行うMulti-Layer Perceptron(MLP)モデルによって固定されている。
論文 参考訳(メタデータ) (2024-07-20T21:24:11Z) - On the Construction of Distribution-Free Prediction Intervals for an
Image Regression Problem in Semiconductor Manufacturing [0.0]
本稿では,ノイズ走査型電子顕微鏡画像からの線端粗さ推定の問題に焦点をあてる。
LER推定に正規化共形予測と量子レグレッションを効果的に活用する方法は、すぐには明らかではない。
本稿では,画像データの分布自由な予測区間を見つけるためのモデリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-07T06:00:07Z)
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。