Data-Driven Yield Estimation and Maximization Using Bayesian Optimization Under Uncertainty

Kei Sano

doi:10.3390/app16073213

Data-Driven Yield Estimation and Maximization Using Bayesian Optimization Under Uncertainty

2026-03-01

0

PRE

AI

DOI：10.3390/app16073213

原文链接

原文求助

摘要

En 中文

本研究的特色应用在于质量控制领域，通过最少实验和严格规格进行产量估算与优化。摘要：本文提出了一种新方法，利用测得的产品质量特性样本，高效估算这些特性在期望规格范围内的概率及过程产量。具体而言，在处理一维高斯分布时，我们正式证明所提出的产量估计器在渐近情况下相较于最佳无偏估计器具有更低的均方误差。为使产量最大化，该新型估计器被整合到贝叶斯优化框架中，该框架迭代寻求可控工具参数，以使输出产品产量最大化。新提出的产量最大化方法在一个涉及反应离子刻蚀腔室高保真模拟的应用中得到了验证，该腔室是半导体制造中常用的工具组件。这些模拟旨在快速可靠地确定工具参数，以在腔室条件随机变化的情况下最大化获得期望等离子体密度特性的概率。新的产量估算与优化方法在实验观测次数有限且输出产品特性分布可被高斯分布良好近似时显示出优越性。

Keyword:

Bayes procedures

optimization methods

probability

simulation

statistics

Data-Driven Yield Estimation and Maximization Using Bayesian Optimization Under Uncertainty

摘要

期刊

机构

引用论文