.png){kind=icon}
返回
Machine Learning-Driven Variability Analysis of Process Parameters for Semiconductor Manufacturing
.png){kind=icon}
OA
AI
DOI：10.1002/aisy.202501049.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
半导体制造涉及众多工艺步骤，需要高精度的技术，这些技术成本高昂且耗时。因此，人工智能（AI）被广泛用于提高生产效率和优化良率，而良率直接关系到成本。在AI技术中，非线性变异分解（NLVD）定量评估每个输入变量对输出的贡献（针对单个样本）。然而，传统的NLVD方法仅限于分析晶圆（wafer）级别的样本数据，且各输入贡献间的相互依赖性使得直接应用于批量（LOT）级别的方差分解变得复杂，批量（LOT）代表一组晶圆（WFs）。本研究提出了一种新方法，结合NLVD与统计技术，以量化每个单元工艺对器件/电路性能及批量（LOT）级别的方差的贡献。为确保可靠评估，引入的晶圆均值（WF-mean）采样增强了模型性能，与随机采样相比，平均提高了2.5%的 $R^2$。进行了全面的验证，并对关键性能指标（figure of merit）方差的各单元工艺贡献分析显示，与传统误差传播定律相比，误差平均减少了85.5%。所提出的方法能够精确计算性能/方差的贡献，以识别半导体批量（LOT）中用于良率改进的单元工艺，从而提升良率管理。
Keyword:
dynamic random-access memory (DRAM)
mathematics and computer science
neural networks
semiconductor manufacturing
variability
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.1
论文数:
2.0K
被引数:
8.4K
机构
引用论文
Nonlinear Variation Decomposition of Neural Networks for Holistic Semiconductor Process Monitoring用于整体半导体工艺监控的神经网络的非线性变化分解OAAI
.png){kind=icon}
OAAI分享收藏The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation在回归分析评估中，决定系数R平方比SMAPE，MAE，MAPE，MSE和RMSE更具信息性OAAI
OAAI分享收藏
分享收藏Nanowire Diameter Dependency of the Variability in n/p Silicon Nanowire FETs With Ultrashort Gate Length of 15 nmn/p硅纳米线FET在15 nm超短栅长下的可变性对纳米线直径的依赖性
PREAI
分享收藏Reduction of Process Variations for Sub-5-nm Node Fin and Nanosheet FETs Using Novel Process Scheme采用新型工艺方案降低Sub-5-nm节点鳍式和纳米片场效应晶体管的工艺变化
PREAI
分享收藏
查看更多内容