Die Herstellung von Halbleiterchips umfasst komplexe Prozesse, hohe Präzisionsanforderungen und multiple Qualitätsfaktoren. Traditionelle Methoden zur Erkennung von Qualitätsanomalien basieren auf manueller Erfahrung und Offline-Stichproben, was zu Verzögerungen und dem Risiko von verpassten Inspektionen führt. Dieses Papier konzentriert sich auf die Anwendung maschinellen Lernens in der Qualitätskontrolle der Halbleiterfertigung und analysiert die Einschränkungen der aktuellen Erkennungsmethoden bei der Verarbeitung komplexer Daten und der Echtzeitreaktion. Es wird ein auf maschinellem Lernen basierendes Framework zur Erkennung von Qualitätsanomalien und zur Frühwarnung konstruiert, das Datenvorverarbeitung, Merkmalsengineering, Modelltraining und Gestaltung von Frühwarnmechanismen abdeckt. Durch den Vergleich der Leistung von neuronalen Netzen, Entscheidungsbäumen, SVM und anderen Algorithmen auf tatsächlichen Produktionsdaten validiert diese Studie die Vorteile des vorgeschlagenen Modells in Bezug auf Erkennungsgenauigkeit und Vorlaufzeit für Frühwarnungen. Die Forschung bietet theoretische und technische Anhaltspunkte zur Verbesserung der Stabilität der Halbleiterherstellungsprozesse und zur Senkung der Fehlerquoten.
Meng Li (Sun,) hat diese Frage studiert.