Die Halbleiterfertigung steht vor der Herausforderung, die Leistung von Bauelementen während des gesamten Herstellungsprozesses vorherzusagen. Diese mangelnde Vorhersagbarkeit führt zu geringerer Ausbeute und höheren Kosten. Dieses Projekt demonstriert, wie ein Vorhersagemodell auf Basis von Inline-Metrologiedaten (3 Zielgrößen (Y) und über 300 Prädiktorvariablen (X) mit einem Datensatz von ca. 400 Datenpunkten) erstellt werden kann, um die Bauelementleistung vorherzusagen.
Wir haben die JMP Multivariate Platform genutzt, um die Projektkomplexität zu bewerten: (1) relativ schwache Konkurrenz zwischen den Variablen YY, (2) starke Kausalität zwischen den Variablen Y und X sowie (3) starke Multikollinearität zwischen den Variablen XX. Sowohl die Standardmethode der kleinsten Quadrate als auch schrittweise Algorithmen zeigten ein hohes Risiko der Überanpassung, wenn alle über 300 Prädiktoren berücksichtigt wurden. Drei moderne Verfahren zur Dimensionsreduktion im Data-Mining wurden eingesetzt, um die wenigen entscheidenden Variablen X für die weitere RSM-Modellierung auszuwählen: (1) Partitionierung, (2) Neuronale Netze und (3) Prädiktor-Screening. Beschränkt auf die reguläre JMP-Software, löste das Prädiktor-Screening mit dem Random-Forest-Algorithmus effektiv Probleme der rekursiven Partitionierung und lieferte ein gleichmäßigeres Beitragsmuster. Basierend auf dem Prädiktor-Ranking des Prädiktor-Screenings führten wir ein Hybridmodell durch, das Fit-Modell, neuronale Netze, Partitionierungs- und Ensemble-Modelle kombinierte, um die Geräteperformance vorherzusagen. Wir implementierten außerdem rekursive Kombinationsiterationen und legten ein Abbruchkriterium fest, um eine effiziente Modellentwicklung zu gewährleisten.
Dieses JMP-Projekt hat es uns erfolgreich ermöglicht, unsere Prognosefähigkeiten zu verbessern und wertvolle Erkenntnisse für die Geräteentwicklung zu gewinnen. Die Entwicklungszeit neuer Produkte kann durch ein zuverlässiges Prognosemodell deutlich verkürzt werden.
Hallo zusammen. Mein Name ist Chen-Chih Hsu. Ich arbeite als Verfahrenstechniker bei Applied Materials. Heute präsentiere ich einen hybriden Ansatz aus Prädiktor-Screening und RSM (Response Surface Methodology) mit dem kleinsten Quadrat. Die Präsentation ist eine Gemeinschaftsarbeit von Charles und mir.
Die Halbleiterfertigung steht vor der Herausforderung, die Leistungsfähigkeit der Bauelemente während des gesamten Herstellungsprozesses vorherzusagen. Diese mangelnde Vorhersagbarkeit führt zu geringerer Ausbeute und höheren Kosten. Um dieses Problem zu lösen, entwickeln wir ein statistisches Modell zur Vorhersage der Bauelementleistung (unsere Variable Y) auf Basis unserer Inline-Metrologiedaten (unsere Variable X). Der Herstellungsprozess umfasst die Schritte Abscheidung, Lithografie, Kantenbearbeitung und Inline-Metrologiemessungen.
Wenn wir ein Modell zur Vorhersage unseres Y erstellen können, können wir früheren Modellen Feedback geben, um Prozessveränderungen zu überwachen. Dadurch können wir die Qualitätskontrolle verbessern, die Ausbeute steigern und sogar den gesamten Produktionsprozess optimieren. Unser Datensatz enthält drei Zielgrößen und etwa 300 Prädiktoren. Unter all diesen Prädiktoren gibt es … Für jede Zielgröße haben wir etwa 200 Prädiktoren. Unter all diesen Prädiktoren gibt es sowohl unabhängige Prädiktoren für jedes Y als auch gemeinsame Prädiktoren für alle Y. Wie Sie sehen, handelt es sich um ein sehr komplexes Modell.
In diesem Bericht gehen wir auf mehrere Schlüsselfragen ein. Beispielsweise möchten wir verstehen, warum Y1 und Y2 höhere Korrelationen aufweisen. Darüber hinaus möchten wir den Zusammenhang zwischen Y und X ermitteln, um die Leistung unseres Geräts zu optimieren. All diese Fragen sind für ein umfassendes Verständnis dieses Projekts von großer Bedeutung. Da es sich um ein komplexes Modell handelt, verwenden wir zunächst einen multivariablen Ansatz, um den Zusammenhang zwischen YY, YX und XX zu untersuchen.
Betrachtet man die Beziehung zwischen den YY, so zeigt dieses multivariate Diagramm, dass sie im Wesentlichen positiv korreliert sind. Die Y stehen nicht in Konkurrenz zueinander, was plausibel ist, da unser Ziel darin besteht, alle drei Y gleichzeitig zu erhöhen. Zudem gibt es für jedes Y unabhängige Prädiktoren, die dessen Einfluss steuern. Daher ist die Wahrscheinlichkeit einer gegenseitigen Beeinflussung gering. Dieses Design ist vorteilhaft, da es eine bessere Geräteperformance ermöglicht.
Als Nächstes betrachten wir die Kausalität zwischen Y und X. In der Spalte ganz links ist eine sehr starke Beziehung zwischen Y und X erkennbar, die linear verläuft. Aufgrund dieser Beziehung sollten wir idealerweise ein Modell auf Basis aller X-Werte erstellen können, um Y vorherzusagen.
Nun können wir die Abhängigkeit der XX-Variablen untersuchen. Beim Vergleich aller X-Werte fällt auf, dass einige Beziehungen zwischen den XX-Variablen sehr stark und nahezu linear sind. Andere Beziehungen sind jedoch weniger ausgeprägt und nicht so signifikant wie die hier beobachteten linearen Zusammenhänge. Dies deutet auf ein erhebliches Problem der Multikollinearität in unseren XX-Variablen hin. Es wird daher sehr schwierig sein, den Effekt jedes einzelnen Prädiktors zu bestimmen. Um die Ursache für die Multikollinearität einiger X-Variablen zu ermitteln, ist weitere Forschung notwendig. Beim Erstellen eines Modells müssen zudem weniger signifikante Terme entfernt und eine Modellvalidierung durchgeführt werden.
Zu Beginn meines Ansatzes verwende ich dieses quadratische Modell, um alle meine Prädiktoren in mein Anpassungsmodell aufzunehmen und zu beobachten, wie sich meine Variable YY verhält. Dabei stoßen wir jedoch auf einige Herausforderungen. Nehmen wir beispielsweise Y1 als Beispiel: Wenn wir das Modell mit allen Prädiktoren anpassen, sehen wir ein Problem der Überanpassung, da das R² um mehr als 10 % größer ist als das korrigierte R².
Das zweite Problem ist die Multikollinearität. Wie bereits erwähnt, besteht in der Beziehung zwischen XX und einigen X-Termen ein sehr starker linearer Zusammenhang. Betrachtet man den VIF-Wert in der Tabelle der Parameterschätzungen, so zeigt sich, dass der VIF-Wert für einige Prädiktoren sehr hoch ist, was unerwünscht ist.
Als Nächstes beobachten wir eine sehr starke Interaktion in unserem Modell. Im zusammenfassenden Bericht können wir den Haupteffekt und den Gesamteffekt addieren. Die Differenz zwischen Haupteffekt und Gesamteffekt entspricht dem Interaktionseffekt. In diesem Modell beträgt die Interaktion über 36 %. Dies deutet ebenfalls auf eine starke Interaktion hin. Aufgrund dieser Interaktion versuche ich, alle Prädiktoren in das R²-Modell einzubeziehen und dabei alle Interaktionsterme zu berücksichtigen. JMP gibt jedoch eine Fehlermeldung aus, da die Freiheitsgrade nicht ausreichend reduziert werden können.
Hier liste ich die Anzahl der Prädiktoren und die benötigte Reduzierung der Freiheitsgrade für den Modellaufbau auf. Beispielsweise haben wir für unsere Variable Y etwa 200 Prädiktoren. Um den Achsenabschnitt, den Haupteffekt, die quadratischen Terme und die Interaktionsterme zu berücksichtigen, benötigen wir etwa 20.000 Freiheitsgrade für ein RSM-Modell, was mit meinem Datensatz nicht realisierbar ist.
Angesichts der Gesamtdatenmenge und der Prädiktoren erscheint es sinnvoll, etwa 20 Prädiktoren für unsere Analyse auszuwählen. Wenn wir die Anzahl der Prädiktoren auf etwa 20 reduzieren können, benötigen wir nur noch etwa 250 Datenpunkte für die Modellerstellung. Aufgrund dieser Herausforderungen müssen wir Data-Mining einsetzen, um die wichtigsten Prädiktoren für ein besseres Modell zu identifizieren. In der JMP-Analyse konzentriere ich mich primär darauf, ein besseres Modell mit einem festgelegten Wert für das korrigierte R² (RMSC) zu finden. Wir wollen jedoch Überanpassung vermeiden und ein stabiles Modell gewährleisten. Außerdem müssen wir die wichtigsten Prädiktoren für die Modellvereinfachung identifizieren. Ich habe dazu drei verschiedene Analysemethoden ausprobiert.
Als erstes Verfahren verwendeten wir ein neuronales Netzwerk. Dieses maschinelle Lernverfahren berücksichtigt nichtlineare Effekte und Interaktionen. Es liefert mir das Modell und die wichtigsten Prädiktoren. Zweitens testete ich ein Partitionierungsverfahren, das mithilfe eines Entscheidungsbaums Prädiktoren klassifiziert und die beste Methode zur Vorhersage der Zielgröße ermittelt. Auch dieses Verfahren liefert Modelle und wichtige Prädiktoren. Drittens nutzte ich das Prädiktor-Screening. Mithilfe des Random-Forest-Ansatzes identifizierte ich die stärksten und sensitivsten Prädiktoren. Allerdings liefert diese Methode lediglich die wichtigsten Prädiktoren, ohne ein fertiges Modell bereitzustellen.
Ein weiteres Thema, das ich ansprechen möchte, ist, dass wir das komplexe Modell auch ohne JMP Pro lösen können. JMP Pro nutzt KI und bietet erweiterte Analysefunktionen, darunter fortgeschrittene Modellierung, Modellvergleich, Modellauswahl und Modell-Kreuzvalidierung. Mit JMP allein stehen uns diese Möglichkeiten nicht zur Verfügung. Um diese Einschränkung zu überwinden, können wir verschiedene Ansätze verfolgen. Beispielsweise können wir ein Hybridmodell verwenden, das das Predictor Screening mit verschiedenen Modellierungsmethoden kombiniert. Wir können auch jedes Modell manuell vergleichen oder ein Ensemble-Modell mit unserem aktuellen Modell kombinieren, um ein besseres Modell zu erstellen. Für die Kreuzvalidierung können wir auch JMP verwenden, wobei JSL-Skripte für die Kreuzvalidierung vorgesehen sind. Dieser Aspekt wird jedoch in diesem Bericht nicht weiter behandelt.
Okay, schauen wir uns also meine erste Analyse des Vorhersagemodells an. Wir beginnen mit der Analyse des neuronalen Netzes. Auch hier verwende ich Y1 als Beispiel. Wir nutzen K-Fold mit K=5 und Hidden Nodes=20, da dies eine Kreuzvalidierung beinhaltet, um die Stabilität zu verbessern und Overfitting des neuronalen Modells zu reduzieren. Da die neuronale Methode jedoch ein sehr komplexes mathematisches Modell verwendet, habe ich sie fünfmal durchgeführt, und die Ergebnisse unterscheiden sich stark.
Wie diese drei Beispiele zeigen, sind die Unterschiede zwischen Trainings- und Validierungsdaten sehr groß. Dies deutet darauf hin, dass das Modell nicht stabil ist und möglicherweise Überanpassung vorliegt. Manchmal liefert es jedoch, beispielsweise bei diesem Y-Wert, einen hohen R²-Wert bei geringer Überanpassung. Durch mehrmaliges Ausführen des neuronalen Modells konnten wir feststellen, dass die meisten Modelle keine Überanpassung aufweisen und daher stabil genug sind, um das neuronale Modell auf unseren Datensatz anzuwenden.
Zusätzlich können wir den Prediction Profiler verwenden, um die Wichtigkeit verschiedener Prädiktoren zu bewerten. Er zeigt, dass der Interaktionseffekt etwa 85 % des Modells ausmacht, was auf eine stark nichtlineare Beziehung zwischen den Prädiktoren und der Zielgröße hindeutet. Die vier wichtigsten Prädiktoren weisen zudem einen ähnlichen Gesamteffekt auf, was die Modelloptimierung erheblich erschwert. Der Gesamteffekt ist außerdem größer als der Haupteffekt. Dies deutet auf eine sehr starke Interaktion hin, da dem Modell komplexe mathematische Transformationen zugrunde liegen. Zusammenfassend lässt sich sagen, dass neuronale Netze aufgrund ihrer Instabilität und der Gefahr des Overfittings nicht geeignet sind, die wichtigsten Prädiktoren zu identifizieren.
Im nächsten Schritt analysieren wir mithilfe von Partitionen. Partitionen verwenden einen baumartigen binären Klassifizierungsansatz, um Prädiktoren zu kategorisieren und das beste Modell für Vorhersagen zu finden. In meiner Analyse verwende ich einen Validierungsanteil von 0,2. Im Vergleich zum Ergebnis des neuronalen Modells ist das R² hier ähnlich. Betrachtet man jedoch die Rangfolge der Prädiktoren, so tragen die sechs wichtigsten Prädiktoren etwa 80 % zur Varianz bei, wobei der erste Prädiktor den größten Beitrag leistet. Da bei dieser Partitionierungsmethode die meisten Ressourcen dem ersten Prädiktor zugewiesen werden, verringert sich der verbleibende Anteil der anderen Prädiktoren.
Angesichts der beobachteten Instabilität des neuronalen Modells haben wir mehrere Durchläufe durchgeführt. Die R²-Werte unterscheiden sich weiterhin stark zwischen den Trainings- und Validierungsdatensätzen. Daher ist dieses Modell aufgrund seiner Instabilität und Überanpassung nach wie vor ungeeignet, die wichtigsten Prädiktoren zu identifizieren.
Aus unseren bisherigen Ergebnissen ergibt sich folgende kurze Zusammenfassung zum Vergleich des Kleinste-Quadrate-Modells, des neuronalen Netzes und der Partitionierung. Wie man sieht, weisen alle Modelle, beispielsweise das Standard-Kleinste-Quadrate-Modell, zwar ein höheres R² auf, jedoch treten weiterhin Probleme mit Überanpassung und starker Multikollinearität auf. Diese Methode berücksichtigt lediglich den Haupteffekt. Auch beim neuronalen Netz und der Partitionierung besteht das Problem der Überanpassung; die Modelle sind nicht stabil und können zudem keine Schlüsselprädiktoren identifizieren. Daher ist die Verwendung alternativer Modelle zur Identifizierung der Schlüsselprädiktoren erforderlich.
Okay, aus der vorherigen Studie wissen wir, dass eine neue Rolle in der Partitionierung für unser Modell nicht ausreicht. Daher verwenden wir als Nächstes ein Prädiktor-Screening. Wir haben die Bootstrap-Random-Forest-Partitionierungsmethode verwendet. Diese Methode nutzt mehrere Entscheidungsbäume, um die Stabilität durch die Auswahl unterschiedlicher Anzahlen von Prädiktoren und zufälligen Prädiktoren zu verbessern.
Beim Einrichten dieses Modells verwendete ich 5.000 Bäume, da dies ein stabileres Modell ergibt. Die Berechnung dieser Analyse dauerte etwa 15 Minuten, was für meine Zwecke akzeptabel ist. Nachdem wir die Rangfolge der Prädiktoren ermittelt haben, möchten wir auch die optimale Anzahl an Prädiktoren bestimmen. Daher erstellten wir ein kumulatives Anteilsdiagramm, um den kumulativen Beitrag der Prädiktoren zu visualisieren.
Wenn wir beispielsweise 23 Prädiktoren wählen, können wir etwa 60 % des Beitrags abdecken; mit 75 Prädiktoren sind es etwa 80 %. Dies entspricht dem Pareto-Prinzip (20 bis 80 %). Da das Hauptziel meines Projekts die deutliche Reduzierung der Modellkomplexität ist, verwende ich für meine Analyse 23 Prädiktoren. In JMP kann die Funktion „Prädiktor-Screening“ lediglich die wichtigsten Parameter identifizieren, ohne ein Modell bereitzustellen. Um diese Einschränkung zu beheben, verwenden wir ein Hybridmodell, das das Prädiktor-Screening und das Modell-Fit kombiniert, um den Random-Forest-Algorithmus in JMP Pro zu simulieren. Das Ergebnis dieses Hybridmodells zeigt, dass keine Überanpassung vorliegt.
Betrachtet man die VIF-Werte, so zeigen sich zwar noch einige Werte über 10, die meisten der verwendeten Prädiktoren liegen jedoch unter 10. Um die Gründe für die hohen VIF-Werte einiger Terme besser zu verstehen, führen wir eine Clusteranalyse dieser Terme durch. Im Anschluss daran lassen sich alle Prädiktoren in zwei Gruppen einteilen.
Die erste Gruppe ist hier orange, die zweite blau hervorgehoben. Bei erneuter Betrachtung unserer Daten [unverständlich 00:21:10] zeigt sich, dass alle Prädiktoren des ersten Clusters eine ähnliche CD aufweisen. Die drei hier dargestellten Prädiktoren haben hingegen eine andere CD. Das bedeutet, dass wir für die Modellerstellung nicht alle Prädiktoren benötigen. Da sie innerhalb dieser Gruppe hoch korreliert sind, genügt es, jeweils einen Prädiktor für das Modell auszuwählen.
Basierend auf der vorherigen Analyse der Clustervariablen konnten wir die anfänglichen 23 Prädiktoren auf etwa 18 reduzieren. Anschließend lagen alle VIF-Werte unter 10. Da wir die Gesamtzahl der Prädiktoren von etwa 200 auf 18 deutlich reduziert haben, können wir nun die Zwei-Wege-Interaktion berücksichtigen. Das Ergebnis zeigt, dass sich das Bestimmtheitsmaß (R²) unseres Hybridmodells 2 mit Berücksichtigung der Zwei-Wege-Interaktion im Vergleich zum Modell mit reinem Haupteffekt um etwa 20 % verbessert. Dieses Hybridmodell übertraf zudem die vorherigen neuronalen und partitionierenden Methoden. Durch die Optimierung der Prädiktorvariablen und die Berücksichtigung der Zwei-Wege-Interaktion haben wir ein verfeinertes und verbessertes Modell erhalten.
Als Nächstes können wir, basierend auf den bisherigen Erkenntnissen zur Methodik, all diese Erkenntnisse auf Y2 und Y3 anwenden. Insgesamt zeigt sich, dass wir durch die Verwendung des Hybridmodells, das die Prädiktorauswahl und das Anpassungsmodell kombiniert, die Anzahl der Prädiktoren für diese drei Zielgrößen um etwa 90 % gegenüber dem ursprünglichen Datensatz reduzieren können. Auch die R²-Werte sind weiterhin akzeptabel und liegen zwischen 70 und 80 %. Nach der Reduzierung der Prädiktoren treten weder Überanpassung noch VIF-Probleme auf.
Mein nächster Schritt ist der Vergleich verschiedener Modelle, darunter die Kombination von Prädiktor-Screening und neuronalem Netzwerk sowie die Kombination von Prädiktor-Screening und Partitionierungsmodell. Wie Sie sehen, besteht beim neuronalen Netzwerkmodell (unter Berücksichtigung aller Prädiktoren aus der vorherigen Folie) ein erhebliches Risiko der Überanpassung. Vergleicht man dieses Hybridmodell mit Prädiktor-Screening und dem neuronalen Netzwerk, so zeigt sich zwar immer noch ein gewisses Risiko der Überanpassung, jedoch ist dieses im Vergleich zum neuronalen Netzwerk mit allen Prädiktoren geringer. Die Partitionierung mit den übrigen Prädiktoren und dieses Hybridmodell mit Prädiktor-Screening und Partitionierung führt hingegen zu keiner wesentlichen Verbesserung.
Mein nächster Schritt ist der Vergleich all dieser verschiedenen Modelle. Hier sind alle Modelle aufgelistet, die wir aktuell haben. Wir haben das Least-Squares-Modell und verschiedene Hybridmodelle: Prädiktor-Screening kombiniert mit neuronalen Netzen, Prädiktor-Screening kombiniert mit Partitionierung und Prädiktor-Screening kombiniert mit dem Least-Squares-Modell und deren Interaktion. Man sieht, dass wir für dieses Hybridmodell nur etwa 18 Prädiktoren benötigen und ein akzeptables R² erreichen. Insgesamt weisen alle Hybridmodelle hohe Werte für das kleinste R² und das korrigierte R² auf. Bedeutet das aber, dass wir mit diesem Modell immer bessere Ergebnisse erzielen als mit den anderen Modellen?
Ich führe hier zwei Beispiele an. In diesem Beispiel vergleiche ich das Hybrid Neural-, das Hybrid Partition- und das Hybrid Least Squares-Modell mit unseren realen Daten, also unserer Zielgröße. Wenn ich in diesem Beispiel diesen Datenpunkt auswähle, sehen Sie die entsprechenden Vorhersagen der drei Modelle. Tatsächlich liefert das Hybrid Neural-Modell einen Wert, der näher am tatsächlichen Ergebnis liegt. Betrachten wir nun dieses andere Beispiel: Wenn ich diesen Datenpunkt auswähle und die drei Werte die entsprechenden Vorhersagen der einzelnen Modelle darstellen, sehen Sie, dass das Hybrid Least Squares-Modell in diesem Fall die beste Vorhersage liefert.
Ich frage mich, ob wir all diese Modelle kombinieren können, um unsere Vorhersagen weiter zu verbessern. Diese Funktion von JMP Pro habe ich über diesen Link gefunden. Sie führt ein Konzept namens Ensemble-Modellierung ein, auch bekannt als Modell von Modellen. Die Idee ist, dass wir mehrere leistungsstarke Modelle auswählen können, um ein Ensemble-Modell zu erstellen. Ich bin vom Potenzial des Ensemble-Modells begeistert und möchte seine Anwendung auf meinen aktuellen Datensatz untersuchen. Nach der gleichen Methodik möchte ich wissen, ob wir mit JMP ein kombiniertes Modell erstellen können.
Aktuell verwenden wir, wie bereits erwähnt, drei verschiedene Hybridmodelle. Um die Ensemble-Modellierungsmethode anzuwenden, kombinieren wir diese drei Modelle auf unterschiedliche Weise. Dies betrifft auch Modell fünf. Hierfür verwenden wir den Mittelwertalgorithmus und bilden den Durchschnitt der drei Modelle. Modell sechs basiert auf dem gewichteten Algorithmus. Jedem Modell wird ein anderes Gewicht zugewiesen, um ein optimales Modell zu erhalten. Auch Modell sechs verwendet den neuronalen Algorithmus zur Kombination der drei Modelle. Modell acht schließlich kombiniert die drei Modelle mithilfe des Partitionierungsalgorithmus.
Diese Tabelle fasst alle Mittelwerte der Zielgröße, den RMSE, das R², das korrigierte R² und das potenzielle Risiko zusammen. Die Grafik veranschaulicht die Tabelle: Hier ist der Mittelwert der Zielgröße angegeben, die Spannweite entspricht dem RMSE. Die Modelle sind anhand ihres korrigierten R² farblich vom höchsten zum niedrigsten Wert geordnet. Modell 7, kombiniert mit einem neuronalen Algorithmus, liefert den höchsten korrigierten R²-Wert und den niedrigsten RMSE.
Zusammenfassend lässt sich sagen, dass unsere Forschung zum hybriden Ansatz aus Prädiktor-Screening und Least-Squares-Modellierung uns Folgendes ermöglicht: Wir können ein Modell mit einer Reduzierung der Prädiktoren um etwa 90 % erstellen. Basierend auf diesem Modell können wir die positive YY-Kombination verstehen, YX gemeinsam optimieren und die XX-Abhängigkeit reduzieren. Im Zuge der Entwicklung verschiedener Hybrid- und Ensemble-Modelle haben wir auch mehrere Modelle zur Vorhersage der Geräteperformance erstellt.
Mit Blick auf die Zukunft ergeben sich einige Möglichkeiten für unsere weitere Arbeit. Wir können das Predictor Screening nutzen, um die Ranking-Unterschiede zwischen verschiedenen Modellen zu vergleichen. Außerdem können wir eine rekursive Kombinationsiteration anwenden und die Abbruchkriterien festlegen. Darüber hinaus möchten wir ein Dashboard oder ein Gruppenskript integrieren, um alle wichtigen Modell-KPIs zusammenzufassen und zu vergleichen.
Ich möchte mich außerdem bei meinem Mentor Charles für seine Unterstützung und die vielen technischen Hilfestellungen bei diesem Projekt bedanken. Mein Dank gilt auch dem CTO PPB-Team von Applied Materials für die großartige Unterstützung bei der Datenerhebung. Das war’s mit meiner heutigen Präsentation. Vielen Dank.
