面向半导体薄膜沉积的物理信息神经网络综述

半导体制造依赖薄膜沉积过程，如化学气相沉积和物理气相沉积。这些复杂过程需要精确控制以实现薄膜的均匀性、良好粘合和所需功能。近期物理信息神经网络（PINN）的快速发展在半导体薄膜沉积及其他制造领域的过程控制、质量保证和预测建模方面展现出巨大潜力。本文提供了针对半导体薄膜沉积过程的机器学习应用的全面综述。通过主题分析，我们识别出关键趋势、现有局限性和研究空白，提供对当前方法优势与约束的见解。我们的结构化分析旨在突出这些机器学习技术在薄膜沉积过程中提升可解释性、准确性和鲁棒性的潜在集成。此外，我们审查了最新的PINN方法，讨论了将物理知识、支配律和偏微分方程嵌入针对半导体制造优化的神经网络架构的策略。基于这一详尽综述，我们提出了将PINN优势显著推动薄膜沉积进程的新研究方向。本研究的贡献包括为未来集成物理信息机器学习框架建立清晰道路、解决现有方法论空白、并最终提高半导体制造中的精度、可扩展性和操作效率。