Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Deep learning techniques for integrated circuit die performance prediction

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F03985181%3A_____%2F22%3AN0000002" target="_blank" >RIV/03985181:_____/22:N0000002 - isvavai.cz</a>

  • Výsledek na webu

    <a href="https://link.springer.com/article/10.1557/s43580-022-00308-0" target="_blank" >https://link.springer.com/article/10.1557/s43580-022-00308-0</a>

  • DOI - Digital Object Identifier

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Deep learning techniques for integrated circuit die performance prediction

  • Popis výsledku v původním jazyce

    Kovalenko, A., Lenhard, P. & Lenhard, R. Deep learning techniques for integrated circuit die performance prediction. MRS Advances 7, 683–688 (2022) Abstract Predicting integrated circuit (IC) functionality based on process control monitoring (PCM) parameters without individual die testing is a major challenge for manufacturers due to the high cost of electrical die measurement on the wafer. Complex dependencies between individual PCM parameters can be used to explain certain patterns of dice failure using Deep learning (DL) algorithms. However, random failure patterns due to process defects cannot be detected by this method. Combining PCM and in-process defect inspection data can be an ultimate prediction technique. In some cases, however, the availability of defect inspection data is much lower than the availability of PCM data, so direct ensemble training is rather ambiguous. This paper shows how to efficiently utilize both defect and PCM data to train a model to predict IC functionality. Such a hybrid model outperforms PCM-only solutions, and in contrast to a defect-only model predicts also failure areas across the wafer.

  • Název v anglickém jazyce

    Deep learning techniques for integrated circuit die performance prediction

  • Popis výsledku anglicky

    Kovalenko, A., Lenhard, P. & Lenhard, R. Deep learning techniques for integrated circuit die performance prediction. MRS Advances 7, 683–688 (2022) Abstract Predicting integrated circuit (IC) functionality based on process control monitoring (PCM) parameters without individual die testing is a major challenge for manufacturers due to the high cost of electrical die measurement on the wafer. Complex dependencies between individual PCM parameters can be used to explain certain patterns of dice failure using Deep learning (DL) algorithms. However, random failure patterns due to process defects cannot be detected by this method. Combining PCM and in-process defect inspection data can be an ultimate prediction technique. In some cases, however, the availability of defect inspection data is much lower than the availability of PCM data, so direct ensemble training is rather ambiguous. This paper shows how to efficiently utilize both defect and PCM data to train a model to predict IC functionality. Such a hybrid model outperforms PCM-only solutions, and in contrast to a defect-only model predicts also failure areas across the wafer.

Klasifikace

  • Druh

    O - Ostatní výsledky

  • CEP obor

  • OECD FORD obor

    20205 - Automation and control systems

Návaznosti výsledku

  • Projekt

    <a href="/cs/project/FW01010089" target="_blank" >FW01010089: Výzkum a vývoj digitálních technologií pro pokročilé polovodičové procesy</a><br>

  • Návaznosti

    P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Ostatní

  • Rok uplatnění

    2022

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů