English(EN) Self-Supervised Attention-Based Virtual Metrology for CMP MRR Prediction

新的 GREP 框架改进了半导体制造过程监控

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-14 05:00

研究人员开发了一个名为全局回归预训练 (GREP) 的新自监督学习框架，用于预测化学机械抛光 (CMP) 中的材料去除率 (MRR)，这是一个关键的半导体制造过程。GREP 在通过全局代理目标回归任务从无标签传感器数据中学习时间表示之前，利用注意力机制。与特征工程的监督基线相比，该框架在标记数据有限的条件下表现出有竞争力的性能，并在处理传感器噪声和时间过程漂移方面显示出改进。 AI

影响这种自监督学习方法可以提高半导体制造的效率，并减少对物理计量的依赖。

排序理由该集群包含一篇详细介绍特定技术问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍特定技术问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jonathan Adam Rico, Nagarajan Raghavan, Senthilnath Jayavelu · 2026-11-14 05:00

面向CMP MRR预测的自监督注意力虚拟计量

arXiv:2611.16172v1 Announce Type: cross Abstract: Chemical mechanical planarization (CMP) is a critical semiconductor manufacturing process where material removal rate (MRR) is a key metric for process monitoring and advanced process control (APC). Virtual metrology enables MRR e…

本文如何被排名

报道来源 [1]

面向CMP MRR预测的自监督注意力虚拟计量

相关实体

相关话题