Clustered photolithography tool often has a bottleneck due to its complex internal structure and is by far one of the most expensive equipment tools. Therefore, it is very important to accurately and efficiently estimate the cycle time, lot residency time and throughput time, which are directly related to the production yield. Physics-based models, revealed by previous studies, are inaccurate, computationally complex, or accurate, but have low fidelities under certain settings. Therefore, deep and recurrent neural networks are used to make an accurate and robust model regardless of the input condition, e.g., when lot sizes or buffer sizes change in this paper. We additionally compare the accuracy of recurrent neural network when test input gets farther from train input condition.
집적 포토리소그래피 장비는 매우 복잡한 내부구조로 인해 종종 병목현상이 발생하고 지금까지 가장 비싼 장비 중 하나이다. 따라서 생산량에 직접적 관련이 있는 순환 시간, 랏 거주시간, 처리 시간을 정확하고 효율적으로 예측하는 것은 굉장히 중요하다. 선행연구를 통해 밝혀진 물리 기반 모델들은 성능이나 계산 시간이 나쁘거나, 좋더라도 특정 설정 하에서 굉장히 좋지 못하다. 따라서 해당 논문에서는 심층 및 회귀 인공신경망은 입력 조건(예: 랏 크기 또는 버퍼 크기가 변경될 때)에 상관없이 정확하고 강건한 모델을 만드는데 사용된다. 우리는 추가적으로 시험 입력 값이 훈련 입력 조건과 멀어 짐에 따라 변화하는 회귀 인공 신경망의 정확도를 비교한다.
