Modélisation du rendement et prévision des modèles à l'aide de l'exploration de données : une approche préventive
François Bergeret, PhD, Statisticien – Ippon Innovation
Vincent Barec ; Alexandre Couvrat, Ingénieurs Rendement et Défectivité – Soitec
Pour les processus de fabrication complexes, le rendement et les défauts dépendent d'un grand nombre de facteurs. Les outils d'amélioration du rendement déjà en production aident Soitec à détecter la plupart des problèmes de processus (approche réactive rapide). Ce document présente deux nouveaux outils d'exploration de données créés avec JMP Scripting Language (JSL) et JMP qui sont désormais utilisés pour une approche préventive. Le modèle de rendement détecte les principaux facteurs liés au rendement. Ces facteurs sont ensuite inclus dans un modèle pour fournir des prédictions précises. Des simulations — basées sur le volume de fabrication, le chargement des outils de processus et le débit — sont disponibles pour permettre à l'utilisateur de prédire les variations de rendement et de défauts. Yield Model est un outil très interactif, et ses capacités JSL ultimes seront présentées en direct lors de la présentation. Pour la prochaine génération de SOI (Silicon on Insulator), l’uniformité de l’épaisseur de la pièce est le principal facteur de rendement. Pattern Prediction utilise la plateforme JMP 9 Neural pour analyser et prédire l’uniformité de l’épaisseur avec des résultats très prometteurs. L'utilisateur entraîne le réseau neuronal sur un échantillon d'apprentissage, et le réseau neuronal prédit automatiquement le modèle des pièces futures avec une bonne précision, évaluée sur un échantillon de validation. Cet article comprend des fonctionnalités JSL avancées utilisées pour le modèle de rendement et la découverte de la puissance des réseaux neuronaux pour prédire avec précision des modèles complexes. Les deux outils présentés dans le document sont des outils préventifs permettant à Soitec de gagner du temps et d'améliorer la qualité.
