Ertragsmodellierung und Mustervorhersage mithilfe von Data Mining: Ein präventiver Ansatz
François Bergeret, PhD, Statistiker – Ippon Innovation
Vincent Barec; Alexandre Couvrat, Yield and Defectivity Engineers – Soitec
Bei der Herstellung komplexer Prozesse hängen Ausbeute und Fehler von einer Vielzahl von Faktoren ab. Bereits in der Produktion befindliche Tools zur Ertragssteigerung helfen Soitec dabei, die meisten Prozessprobleme zu erkennen (schneller reaktiver Ansatz). In diesem Artikel werden zwei neue Data-Mining-Tools vorgestellt, die mit JMP Scripting Language (JSL) und JMP erstellt wurden und nun für einen präventiven Ansatz eingesetzt werden. Das Ertragsmodell erkennt die wichtigsten Ertragsfaktoren. Diese Faktoren werden dann in ein Modell einbezogen, um genaue Vorhersagen zu ermöglichen. Dem Benutzer stehen Simulationen – basierend auf Fertigungsvolumen, Auslastung der Prozesswerkzeuge und Durchsatz – zur Verfügung, um Ausbeute- und Fehlerschwankungen vorherzusagen. Yield Model ist ein sehr interaktives Tool und seine ultimativen JSL-Funktionen werden während der Präsentation live präsentiert. Für die nächste SOI-Generation (Silicon on Insulator) ist die Gleichmäßigkeit der Bauteildicke der Hauptausbeutefaktor. Pattern Prediction nutzt die JMP 9 Neural-Plattform, um die Gleichmäßigkeit der Dicke zu analysieren und vorherzusagen, mit sehr vielversprechenden Ergebnissen. Der Benutzer trainiert das neuronale Netz anhand einer Lernprobe, und das neuronale Netz sagt anhand einer Validierungsstichprobe automatisch das Muster für zukünftige Teile mit einer guten Genauigkeit voraus. Dieses Dokument enthält erweiterte JSL-Funktionen, die für das Ertragsmodell verwendet werden, und die Entdeckung der Leistungsfähigkeit neuronaler Netze zur genauen Vorhersage komplexer Muster. Bei den beiden im Dokument vorgestellten Tools handelt es sich um präventive Tools, die Soitec dabei helfen, Zeit zu sparen und die Qualität zu verbessern.
