Electrical Engineering/Data Science Graduation Internship: Temporal Control Using Exogenous Data

Jesteś studentem kończącym studia licencjackie lub magisterskie na kierunku Data Science, fizyka, inżynieria elektryczna, matematyka lub w pokrewnej dziedzinie? Czy posiadasz silne umiejętności programistyczne oraz znajomość przetwarzania sygnałów i uczenia maszynowego? Jeśli tak, nasze praktyki na zakończenie studiów mogą być idealne dla Ciebie!

Dział: BL-Apps MPC D&E PWC Overlay & Alignment

Grupa: Technologia Wspomagająca

Nasz zespół w Applications Process Window Control On-Product Performance koncentruje się na poprawie wydajności kontroli nakładania produktów. Te praktyki są zgodne z naszą mapą rozwoju potencjalnych ulepszonych metod kontroli czasowej dla przyszłych wersji naszych produktów oprogramowania do kontroli.

Głównym celem jest poprawa filtra czasowego stosowanego do kontroli sprzężenia zwrotnego, aby poprawić nakładanie na produkt. Obecnie używana jest wyważona średnia ruchoma wykładnicza do optymalizacji parametrów modelu wafla na potrzeby korekty. Jednak stosowanie bardziej zaawansowanych modeli czasowych nie przyniosło znaczących ulepszeń. Zamiast tego zaleca się wykorzystanie danych zewnętrznych do wzbogacania parametrów modelu i dokonywania prognoz (wyniki z poprzednich praktyk są dostępne w pracy dyplomowej).

Przykłady danych zewnętrznych obejmują:

• Statystyki danych nakładania
• Dane kontekstowe (np. identyfikatory komór eżektorów)
• Zgłaszane dane skanera (np. parametry wyrównania retikuli, wyniki wyrównania wafli, informacje o czasie ekspozycji)
• Informacje logistyczne fabryki

Twoja praca będzie obejmować pisanie planu testowego, zbieranie odpowiednich zestawów danych, opracowywanie narzędzi dla różnych potencjalnych modeli kontroli czasowej, przeprowadzenie analizy dowodowej i dokumentowanie swoich ustaleń. Ostatecznym celem jest ukierunkowanie naszej kompetencji kontrolnej nakładania w określeniu potencjalnych korzyści i najbardziej obiecujących metod ulepszeń kontroli czasowej.

Aby być idealnym kandydatem do tych praktyk, powinieneś:

• Kończyć studia licencjackie lub magisterskie na kierunku Data Science, fizyka, inżynieria elektryczna, matematyka lub w pokrewnej dziedzinie.
• Posiadać biegłość w Matlabie lub Pythonie (lub obu).
• Mieć silne rozumienie przetwarzania sygnałów, analizy Fouriera, uczenia maszynowego, modeli autoregresyjnych, filtrów Kalmana oraz prognozowania szeregów czasowych.
• Być proaktywnym i potrafić pracować samodzielnie.
• Posiadać doskonałe umiejętności komunikacyjne w języku angielskim, zarówno w mowie, jak i piśmie.

Te praktyki wymagają minimalnego zobowiązania na 6 miesięcy, z pracą 4-5 dni w tygodniu, zaczynając jak najszybciej. Należy pamiętać, że studenci muszą być zapisani na uczelnię przez cały okres trwania praktyk.

Dołącz do ASML jako stażysta i zdobądź cenne doświadczenie w wysoce innowacyjnym środowisku. Otrzymasz miesięczne wynagrodzenie za staż w wysokości do 600 €, wraz z potencjalnym wsparciem mieszkaniowym i bezpłatnym transportem publicznym. Dodatkowo skorzystasz z praktycznego wsparcia ze strony ekspertów i doświadczysz dynamicznej atmosfery wiodącej holenderskiej firmy na rynku globalnym.

ASML to firma