使用資料探勘進行產量建模與模式預測：一種預防方法使用資料探勘進行產量建模和模式預測：一種預防方法
François Bergeret 博士，統計學家 – Ippon Innovation
文森·巴雷克； Alexandre Couvrat，Soitec 良率與缺陷率工程師
對於複雜的製程製造，良率和缺陷取決於大量因素。 已投入生產的產量增強工具正在幫助 Soitec 檢測大多數流程問題（快速反應方法）。 本文介紹了使用 JMP 腳本語言 (JSL) 和 JMP 創建的兩種新資料探勘工具，它們現在用於預防性方法。 產量模型檢測與產量相關的主要因素。 然後將這些因素納入模型中以提供準確的預測。 基於製造量、製程工具負載和吞吐量的模擬可供使用者預測產量和缺陷變化。 Yield Model 是一個互動性很強的工具，其終極 JSL 功能將在演示過程中現場展示。 對於下一代 SOI（絕緣體上矽），零件內厚度均勻性是主要的良率驅動因素。 圖案預測使用 JMP 9 Neural 平台來分析和預測厚度均勻性，並獲得非常有希望的結果。 使用者在學習樣本上訓練神經網絡，神經網路會根據驗證樣本進行評估，自動準確預測未來零件的模式。 本文包括用於收益模型的高階 JSL 功能，以及神經網路準確預測複雜模式能力的發現。 本文中介紹的兩種工具是預防性工具，可幫助 Soitec 節省時間並提高品質。
預測建模
