ASML通过机器学习开发用于半导体制造的虚拟计量技术

尽管错过的覆盖错误可能会降低产量，但大多数制造商仅占晶圆人群的24％的覆盖层。通过与Twinscan系统收集的每个晶圆的对齐计量学，ASML试图将机器学习技术应用于晶状体的覆盖层，并将其与现有的fardingstar计量学进行了比较。

由于Schmitt-Weaver以前没有开发机器学习算法的经验，因此他决定不开发Python，C或其他低级语言的算法。他想快速开发一个原型，依靠已在ASML大型，多样化的用户群中部署并由专业专业人员维护的功能。

Schmitt-Weaver使用MATLAB，统计信息和机器学习工具箱和Deep Learning Toolbox™来开发一种生成虚拟计量学的方法。

首先，施密特·韦弗（Schmitt-Weaver）使用神经网络时间序列预测和建模应用程序来学习如何准备与深度学习工具箱一起使用的数据。他使用该应用程序生成并导出了示例代码，这使他对如何将功能一起使用更详细地了解。随着他的能力的提高，他能够使用Matlab Central上庞大的多学科用户社区的示例来建立生成的代码。

Schmitt-Weaver使用FARDSTAR系统收集了来自Twinscan系统和覆盖计量数据的对齐计量数据。然后，他将数据集分为两组，一组用于培训网络，另一个用于验证它。

他使用深度学习工具箱和统计数据和机器学习工具箱，设计了一个具有外源输入（NARX）的非线性自动回归网络，并使用了培训组的数据进行了培训。

为了避免将神经网络过度拟合到培训小组，他使用深度学习工具箱使用贝叶斯框架实施自动正则化。

培训网络后，他为其提供了测试数据的输入，并根据Fardstar系统的测量结果验证了其结果。

ASML使用收集的数据来开发MATLAB中的实时覆盖控制器。该网络为可能提高产量的基础提供了基础，以及识别可能未接收覆盖计量的晶粒的能力。