 就象人脑一样，神经网络也能够在混乱中找到规则。神经网络由斯坦福大学的Bernard Widrow在20世纪50年代最先倡导，与电脑的0和1的数字计算不同，它靠创造过程中的要素之间的联系进行工作。神经网络的计算节点的结构化互连——神经元——有助于神经网络在学习过程中的平行计算。信息存储在神经元内部的联系强度(strengths)或重量(weights)里（图），且输入总数的加权和能够由一个神经激活功能进行过滤，这个功能是神经网络区别于其他回归系统的部分。
因为神经网络具有学习复杂非线性映射的能力，它们已经应用到半导体工艺建模，优化和控制应用中去了。在对缺陷检测和成品率优化进行调查的模块化神经网络中，两个或更多的子系统对各自的输入进行操作，而它们的输出由积分器中和，但是没有回到模块的反馈。靠减少工艺失误和增加生产率，反应离子刻蚀（RIE）工艺的诊断是一种能从模块化神经网络工具中受益的应用。
一组来自Georgia Institute of Technology和Myunghi大学的研究人员最近展示了一种模块化神经网络能够用于RIE工艺的有效的缺陷诊断工具，它具有减少圆片工艺失误，增加工艺控制和提高成品率的潜力。Gary Mary和他的合作者们在5月波士顿召开的最新的先进半导体制造会议上展示了他们的发现。
研究小组使用了原位光学发射光谱分析仪（optical emission spectroscopy, OES），该技术在等离子工艺中通常用作终点探测，工艺建模和等离子诊断。来自Dow Chemical公司的SiLK低k电介质材料的RIE是用Plasma Therm 700刻蚀机完成的。有意更改RF功率做了25次基准运行批次和25次缺陷运行批次。使用功率为220～280W，每次增长10W的RF设置，且一个数据集合由上下波动的RF功率运行得到。OES数据每10秒采集一次，针对OES数据，我们将从49次运行批次中选择40个重要的光波长（>2000），用39次随机选择的运行批次得到的数据来训练模块化神经网络，并且用10次运行批次来验证模型。在练习数据类中模型准确度（由均方根误差测得）是0.56％，在测试数据类中模型准确度是2.81％。
为了在故障诊断中应用模块化神经网络，研究人员采用了四个连续的基准运行批次，且每批次步进偏移。工艺运行一结束，就用一个脱机仿真经过测试和训练的模块化神经网络来探测偏移。当同时增加或减少RF功率，模块化神经网络探测到的工艺偏移距离基准仅为5％。这能够快速追踪工艺变化的趋势。
研究人员指出未来的工作将集中在运行批次之间运用原位测试方法和工具数据进行RIE预测。它们会使用专家网络，以一种相似的时间数列模型方式来预报每个工艺运行批次的结果。
| 