Die Fertigung und Vermessung von Halbleiterbauteilen beruht wesentlich auf optischen und photochemischen Prozessen, deren Design und Steuerung anhand von komplexen Differentialgleichungsmodellen erfolgt und entsprechend rechenaufwändig ist. Die Entwicklung von schnellen, aber ausreichend genauen Ersatzmodellen verspricht daher eine deutliche Beschleunigung und Verbesserung von Entwurf und Qualitätskontrolle in der Halbleiterfertigung. Hierfür sind besonders Ansätze aus dem maschinellen Lernen erfolgversprechend.

Ziel des Projekts ist die Entwicklung effizienter Methoden zu Wahl und Training von Ersatzmodellen anhand von Simulationsdaten im Hinblick auf deren Verwendung zu Design, Fertigung und Prüfung von Nanostrukturen mittels optischen Technologien. Dazu sollen in einer Offline-Phase Ersatzmodelle mit Simulationsdaten trainiert werden, um sie dann in einer Online-Phase für wiederkehrende Simulations-, Identifizierungs- und Optimierungsaufgaben nutzen zu können. Die Effizienz des Modellaufbaus soll dabei einerseits durch die adaptive Wahl von Auswertestellen und -genauigkeiten, Gradienteninformation und Simulationsmodell erreicht werden, andererseits durch die Nutzung komplementärer Information aus Mess- und Simulationsdaten.

Teilprojekte

• 05M20ZAA | Teilprojekt 1 | Konrad-Zuse-Zentrum für Informationstechnik Berlin
• 05M20ABA | Teilprojekt 2 | Fraunhofer IISB Erlangen
• 05M20WEC | Teilprojekt 3 | Friedrich-Alexander-Universität Erlangen-Nürnberg