메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
전병주 (서울대학교) 하종문 (서울대학교) 이준민 (서울대학교) 박찬희 (서울대학교) 김수지 (서울대학교) 윤병동 (서울대학교)
저널정보
대한기계학회 대한기계학회 춘추학술대회 대한기계학회 2016년도 학술대회
발행연도
2016.12
수록면
1,398 - 1,402 (5page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Chemical-Mechanical planarization (CMP) is a process to flatten a surface of a substrate with combination of chemical and mechanical effect. For a successful CMP process, various operating parameters (e.g. rotating speed and pressure) of CMP should be optimized. However, relationship between the operating parameters and the performance of the CMP process has not been fully identified. To address this challenge, this paper introduces a model that estimates the removal rate of Chemical-Mechanical planarization (CMP) process which is known to represent performance of the CMP machine using various time-series operating parameters. First, 135 features were extracted from the time-series variables for physical representation of the polishing process. Second, Gaussian process (i.e. Kriging) and regression tree were employed to estimate the removal rate of the CMP process. To avoid the overfitting problems, various feature selection schemes were used to define candidates for the best feature subsets. Finally, ensemble regression model was developed to integrate the regression models with the feature subsets.
#Chemical Mechanical Planarization(화학적 기계 연마) #Removal Rate Estimation(연마율 예측) #Ensemble Model(앙상블 모델) #Kriging(크리깅) #Machine Learning(기계 학습)

목차

Abstract
1. 서론
2. 연마율 예측을 위한 특성치 추출(Feature Extraction)
3. 기계 학습을 통한 웨이퍼 연마율 예측
4. 연마율 추정을 위한 Ensemble Model
5. 결론
참고문헌

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

딥러닝 이용한 발전소 스팀터빈 저널 베어링 고장 진단
오현석 ,  전병철 ,  정준하 외 1명 대한기계학회 춘추학술대회 2016 .07

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2017-550-002048919