10.3969/j.issn.1673-9957.2024.13.005
基于改进循环神经网络的半导体质量预测
在复杂的半导体生产过程中,为了减少成本、缩短周期,须优化质量检测过程.本文对半导体的生产特点进行分析,结合数据预测的深度学习理念,构建基于长短期记忆网络(Long Short-Term Memory,LSTM)的质量预测模型.与基础预测模型相比,该模型考虑在复杂加工过程中使用的不同工具,引入工具识别模块.改进后的模型提高了质量预测的准确性和预测能力.对薄膜晶体管液晶显示器(TFT-LCD)的生产数据进行验证,本文方法预测结果更接近真实值,均方根误差(Root Mean Square Error,RMSE)和平均绝对误差(Mean Absolute Error,MAE)2类指标均大幅度降低.
半导体、质量、改进循环神经网络
TP391(计算技术、计算机技术)
2024-08-15(万方平台首次上网日期,不代表论文的发表时间)
共3页
12-14