Puolijohdekomponenttien kysyntä on kasvanut nopeasti 2020-luvulla, mikä on aiheuttanut pulaa komponenteista ja siten häiriöitä kuluttajatuotteiden saatavuuteen. Siksi puolijohdevalmistajat ovat motivoituneita ottamaan käyttöön koneoppimis- ja automaatioratkaisuja - kuten virtuaalista metrologiaa - paran-taakseen tuotannon saantoa ja laatua. Selkeistä eduista huolimatta uusimpien koneoppimismenetelmien käytöstä virtuaaliseen metrologiaan ei ole saatavilla kattavia vertailuja.

Tässä diplomityössä esittelemme ja tarkastelemme monia hiljattain kehitettyjä koneoppimismenetelmiä virtuaaliseen metrologiaan kemiallismekaanisessa hionnassa, joka on keskeinen prosessi puolijohdevalmistuksessa. Vertailemme tyypillisiä ratkaisuja, jotka koostuvat manuaalisesti muodostetuista muuttujista ja puuyhdistelmämalleista, uusimpiin aikasarjaregressiomalleihin, kuten Inception Timeen ja takaisinkytkettyihin neuroverkkoihin. Esittelemme ja arvioimme myös useita lähestymistapoja, joilla sisällytetään ajan suhteen muuttumattomat ulkoiset prosessimuuttujat takaisinkytkettyihin neuroverkkoihin. Tämän lisäksi kehitämme puoliohjattuja autoenkoodaaja malleja ennustusskenaarioita varten, missä vain murto-osalle prosessiajoista on tiedossa ulostulo. Näitä autoenkoodaajia verrataan muihin koneoppimismenetelmiin asetelmassa, jossa tiedossa olevien ulostulojen määrä on hyvin rajoitettu. Lisäksi arvioimme puuyhdistelmämallien suorituskykyä analysoimalla niiden ominaispiirteiden merkittävyysarvoja. Kokeellinen työ tehdään julkisella tietoaineistolla, mikä mahdollistaa työn vertaamisen muihin viimeaikaisiin julkaisuihin, jotka käyttävät samaa aineistoa.

Kokeemme osoittavat, että manuaalisesti muodostetut muuttujat yhdistettynä puuyhdistelmämalleihin ovat hyvä valinta kemiallismekaanisen hionnan virtuaaliseen metrologiaan. Havaitsimme kuitenkin, että puolivalvotut autoenkoodaajapohjaiset mallit ennustavat metrologia tuloksia tarkemmin kuin ohjatut koneoppimismenetelmät, kun tiedossa olevien ulostulojen määrä on hyvin rajoitettu. Lisäksi merkittävyysanalyysimme puuyhdistelmämallien ominaispiirteistä paljasti, että vain murto-osa prosessidatan mittauksista riittää kemiallismekaanisen hionnan tarkkaan virtuaaliseen metrologiaan. Itse asiassa gradienttitehostettu usean puun malli käytti vain 19 % mittauksista ja saavutti 0,99 selitysasteen testiaineistolla.