センサー測定ノイズに対するロバストなウエハ故障監視のための深層学習モデル

標準的な故障検出および分類（FDC）モデルは、現場センサー（センサー信号）によって記録された機器の時間インデックス測定から故障検出に有用な特徴を抽出し、その抽出された情報を分類器に供給することによってウエハの故障を検出します。しかし、前処理と分類のアプローチは、ウエハ故障の検出に重要なセンサー信号の情報が失われることがよくあります。さらに、センサー信号には通常、機械的および電気的干渉によって引き起こされるノイズが含まれています。本論文では、特徴の抽出と分類を同時に行うFDCモデルを確立するために、深層学習アルゴリズムである積層デノイジングオートエンコーダー（SdA）の使用を提案します。SdAモデルは、故障監視のためにセンサー信号のグローバルで不変な特徴を特定でき、測定ノイズに対して頑健です。作業現場のフォトリソグラフィツールから収集したウエハサンプルを使用した実験を通じて、センサー測定ノイズの重大度が増すにつれて、SdAの分類精度が比較対象の12モデルのいずれよりも最大14%高くなることが確認されました。これらのモデルはそれぞれ、3つの特徴抽出器のいずれかと4つの分類器のいずれかを使用しています。