1D ResNet用于半导体制造设备的多变量故障检测的应用
Philip Tchatchoua1,2, Guillaume Graton1,3, Mustapha Ouladsine1
1LIS, CNRS, Aix Marseille University, University of Toulon, 13007 Marseille, France.
Sensors (Basel, Switzerland)
|November 25, 2023
概括
本研究介绍了一个1D残余网络 (ResNet),用于半导体制造中的故障检测和分类. 该方法使用多变量时间序列传感器数据准确识别异常晶片,性能优于传统的1D卷积神经网络 (CNN).
科学领域:
- 制造过程优化 制造过程优化
- 工业中的人工智能
- 半导体制造业 半导体制造业
背景情况:
- 降低制造成本和提高生产率是关键目标.
- 在制造过程中产生了大量的传感器数据,这给有效利用带来了挑战.
- 故障检测和分类 (FDC) 对于评估生产机械条件至关重要.
研究的目的:
- 为应对半导体制造中识别缺陷晶片的挑战.
- 提出一种多变量故障检测方法,使用来自多个传感器的原始时间序列数据.
- 使用特定工艺工具的特性分析和描述晶片状态.
主要方法:
- 实现1D剩余网络 (ResNet) 算法用于多变量故障检测.
- 在半导体制造过程中从传感器收集的原始时间序列数据的分析.
- 解决深度神经网络中的渐变消失问题,该问题影响普通的1D卷积神经网络 (CNN).
主要成果:
- 1D ResNet 方法通过分析多变量时间序列数据,有效地识别异常晶片.
- 实验结果表明,与普通的1D CNN-based方法相比,性能和准确性更高.
- 拟议的方法克服了更深的平坦1D CNNs的局限性,例如梯度消失问题.
结论:
- 基于1D ResNet的故障检测方法在半导体制造中有效且准确地识别异常晶片.
- 这种方法为在复杂的制造环境中利用大规模传感器数据提供了强大的解决方案.
- 该研究强调了深度学习的潜力,特别是ResNet,用于改善半导体生产中的质量控制.
