Learning Centre

Deep Learning for Virtual Metrology of Chemical-Mechanical Polishing

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Salmenkaita, Jukka-Pekka
dc.contributor.advisor Liski, Antti
dc.contributor.author Hiltunen, Eero
dc.date.accessioned 2021-10-24T17:05:30Z
dc.date.available 2021-10-24T17:05:30Z
dc.date.issued 2021-10-18
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/110541
dc.description.abstract The demand for semiconductor components in consumer products has in-creased rapidly in the 2020s which has led to a shortage of electrical components and thus breaks in availability of the products. For this reason, semiconductor manufacturers are motivated to deploy machine learning and automation solutions, such as virtual metrology, that increase the yield and quality of manufacturing. Regardless of the clear benefits, there is an absence of comprehensive comparisons of current state-of-the-art machine learning methods for virtual metrology. This thesis presents and reviews multiple state-of-the-art machine learning methods for virtual metrology of chemical-mechanical polishing – a crucial process in semiconductor manufacturing. We compare typical virtual metrology pipelines consisting of hand-crafted features and tree ensemble models to the current state-of-the-art time series extrinsic regression models, such as Inception Time and recurrent neural networks. In addition, we propose and evaluate several approaches for including time-invariant extrinsic process variables to recurrent neural networks. Furthermore, we implement semi-supervised auto-encoder models for a prediction scenario where only a fraction of process runs are labeled. These autoencoders are compared to other machine learning methods in a limited labeled data setting. In addition, we evaluate the performance of tree ensemble models by analyzing their feature importance scores. The experimental work is conducted on a public dataset which allows simple comparison of our work to other recent publications utilizing the same dataset. Our experiments and comparison of different models show that hand-crafted features combined with tree ensemble models are a strong choice for the virtual metrology of chemical-mechanical polishing. We discovered, however, that semi-supervised autoencoder models predict metrology results more accurately than supervised machine learning methods in a limited labeled data setting. Furthermore, our tree ensemble model feature importance analysis revealed that only a fraction of the measurements in the process data are sufficient for accurate virtual metrology of chemical-mechanical polishing tool. In fact, a gradient boosted trees model utilized only 19% of the measurements and achieved an R2 score of 0.99 in the testing set. en
dc.description.abstract Puolijohdekomponenttien kysyntä on kasvanut nopeasti 2020-luvulla, mikä on aiheuttanut pulaa komponenteista ja siten häiriöitä kuluttajatuotteiden saatavuuteen. Siksi puolijohdevalmistajat ovat motivoituneita ottamaan käyttöön koneoppimis- ja automaatioratkaisuja - kuten virtuaalista metrologiaa - paran-taakseen tuotannon saantoa ja laatua. Selkeistä eduista huolimatta uusimpien koneoppimismenetelmien käytöstä virtuaaliseen metrologiaan ei ole saatavilla kattavia vertailuja. Tässä diplomityössä esittelemme ja tarkastelemme monia hiljattain kehitettyjä koneoppimismenetelmiä virtuaaliseen metrologiaan kemiallismekaanisessa hionnassa, joka on keskeinen prosessi puolijohdevalmistuksessa. Vertailemme tyypillisiä ratkaisuja, jotka koostuvat manuaalisesti muodostetuista muuttujista ja puuyhdistelmämalleista, uusimpiin aikasarjaregressiomalleihin, kuten Inception Timeen ja takaisinkytkettyihin neuroverkkoihin. Esittelemme ja arvioimme myös useita lähestymistapoja, joilla sisällytetään ajan suhteen muuttumattomat ulkoiset prosessimuuttujat takaisinkytkettyihin neuroverkkoihin. Tämän lisäksi kehitämme puoliohjattuja autoenkoodaaja malleja ennustusskenaarioita varten, missä vain murto-osalle prosessiajoista on tiedossa ulostulo. Näitä autoenkoodaajia verrataan muihin koneoppimismenetelmiin asetelmassa, jossa tiedossa olevien ulostulojen määrä on hyvin rajoitettu. Lisäksi arvioimme puuyhdistelmämallien suorituskykyä analysoimalla niiden ominaispiirteiden merkittävyysarvoja. Kokeellinen työ tehdään julkisella tietoaineistolla, mikä mahdollistaa työn vertaamisen muihin viimeaikaisiin julkaisuihin, jotka käyttävät samaa aineistoa. Kokeemme osoittavat, että manuaalisesti muodostetut muuttujat yhdistettynä puuyhdistelmämalleihin ovat hyvä valinta kemiallismekaanisen hionnan virtuaaliseen metrologiaan. Havaitsimme kuitenkin, että puolivalvotut autoenkoodaajapohjaiset mallit ennustavat metrologia tuloksia tarkemmin kuin ohjatut koneoppimismenetelmät, kun tiedossa olevien ulostulojen määrä on hyvin rajoitettu. Lisäksi merkittävyysanalyysimme puuyhdistelmämallien ominaispiirteistä paljasti, että vain murto-osa prosessidatan mittauksista riittää kemiallismekaanisen hionnan tarkkaan virtuaaliseen metrologiaan. Itse asiassa gradienttitehostettu usean puun malli käytti vain 19 % mittauksista ja saavutti 0,99 selitysasteen testiaineistolla. fi
dc.format.extent 60 + 6
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title Deep Learning for Virtual Metrology of Chemical-Mechanical Polishing en
dc.title Syväoppiminen kemiallismekaanisen hiomisen virtuaalisessa metrologiassa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword machine learning en
dc.subject.keyword semi-supervised learning en
dc.subject.keyword virtual metrology en
dc.subject.keyword deep learning en
dc.identifier.urn URN:NBN:fi:aalto-202110249719
dc.programme.major Computer Science fi
dc.programme.mcode SCI3042 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Ilin, Alexander
dc.programme Master’s Programme in Computer, Communication and Information Sciences fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

Statistics