PROCESS MONITORING AND TUNING USING PREDICTION MODELS

A method for monitoring performance of a manufacturing process is described. The method comprises receiving one or more input signals that convey information related to geometry of a substrate generated by the manufacturing process; and determining, with a prediction model, variation in the manufacturing process based on the one or more input signals. A method for predicting substrate geometry associated with a manufacturing process is also described. The method comprises receiving input information including geometry information and manufacturing process information for a substrate; and predicting, using a machine learning prediction model, output substrate geometry based on the input information. The method further comprises tuning the predicted output substrate geometry. The tuning comprises comparing the output substrate geometry to corresponding physical substrate measurements and/or predictions from a different non machine learning prediction model, generating a loss function based on the comparison, and optimizing the loss function. L'invention concerne un procédé de surveillance des performances d'un procédé de fabrication. Le procédé consiste à recevoir un ou plusieurs signaux d'entrée qui véhiculent des informations relatives à la géométrie d'un substrat généré par le processus de fabrication ; et à déterminer, avec un modèle de prédiction, une variation du processus de fabrication sur la base du ou des signaux d'entrée. L'invention concerne également un procédé permettant de prédire une géométrie de substrat associée à un procédé de fabrication. Le procédé consiste à recevoir des informations d'entrée comprenant des informations de géométrie et des informations de procédé de fabrication pour un substrat ; et à prédire, à l'aide d'un modèle de prédiction d'apprentissage machine, une géométrie de substrat de sortie sur la base des informations d'entrée. Le procédé comprend en outre le réglage de la géométrie de substrat de sortie prédite. Le réglage comprend la comparaison de la géométrie de substrat de sortie à des mesures de substrat physique correspondantes et/ou à des prédictions provenant d'un modèle de prédiction d'apprentissage non machine différent, la génération d'une fonction de perte sur la base de la comparaison, et l'optimisation de la fonction de perte.