PERFORMANCE PREDICTORS FOR SEMICONDUCTOR-MANUFACTURING PROCESSES

Methods, systems, and computer programs are presented for predicting the performance of semiconductor manufacturing equipment operations. One method includes an operation for obtaining machine-learning (ML) models, each model related to predicting a performance metric for an operation of a semiconductor manufacturing tool. Further, each ML model utilizes features defining inputs for the ML model. The method further includes an operation for receiving a process definition for manufacturing a product with the semiconductor manufacturing tool. One or more ML models are utilized to estimate a performance of the process definition used in the semiconductor manufacturing tool. Additionally, the method includes presenting, on a display, results showing the estimate of the performance of the manufacturing of the product. In some aspects, the use of hybrid models improves the predictive accuracy of the system by augmenting the capabilities of data-driven models with the reinforcement provided by the physics-based models. La présente invention a trait à des procédés, à des systèmes et à des programmes informatiques qui sont destinés à prédire les performances d'opérations d'équipement de fabrication de semi-conducteurs. Un procédé comprend une opération pour obtenir des modèles d'apprentissage machine (ML), chaque modèle se rapportant à la prédiction d'une métrique de performances pour une opération d'un outil de fabrication de semi-conducteurs. En outre, chaque modèle de ML utilise des caractéristiques définissant des entrées pour le modèle de ML. Le procédé comprend en outre une opération pour recevoir une définition de processus pour la fabrication d'un produit avec l'outil de fabrication de semi-conducteurs. Un ou plusieurs modèles de ML sont utilisés pour estimer des performances de la définition de processus utilisée dans l'outil de fabrication de semi-conducteurs. De plus, le procédé consiste à présenter, sur un afficheur, des résultats montrant l'estimation des performances de la fabrication du produit. Selon certains aspects, l'utilisation de modèles hybrides améliore la précision prédictive du système en augmentant les capacités de modèles entraînés par des données avec le renforcement fourni par les modèles basés sur la physique.