Modellazione del rendimento e previsione dei modelli utilizzando il data mining: un approccio preventivo
François Bergeret, PhD, Statistico – Ippon Innovation
Vincent Barec; Alexandre Couvrat, Ingegneri di resa e difettosità – Soitec
Per la produzione di processi complessi, la resa e i difetti dipendono da un numero enorme di fattori. Gli strumenti di miglioramento della resa già in produzione stanno aiutando Soitec a rilevare la maggior parte dei problemi di processo (approccio rapido e reattivo). Questo documento presenta due nuovi strumenti di data mining creati con JMP Scripting Language (JSL) e JMP che vengono ora utilizzati per un approccio preventivo. Yield Model rileva i principali fattori legati al rendimento. Questi fattori vengono quindi inclusi in un modello per fornire previsioni accurate. Le simulazioni, basate sul volume di produzione, sul caricamento degli strumenti di processo e sulla produttività, sono disponibili per consentire all'utente di prevedere le variazioni di rendimento e difetti. Yield Model è uno strumento molto interattivo e le sue ultime funzionalità JSL saranno presentate dal vivo durante la presentazione. Per la prossima generazione di SOI (Silicon on Insulator), l'uniformità dello spessore delle parti è il principale fattore di rendimento. Pattern Prediction utilizza la piattaforma JMP 9 Neural per analizzare e prevedere l'uniformità dello spessore con risultati molto promettenti. L'utente addestra la rete neurale su un campione di apprendimento e la rete neurale prevede automaticamente il modello per le parti future con una buona precisione, valutata su un campione di convalida. Questo documento include funzionalità JSL avanzate utilizzate per il modello di rendimento e la scoperta del potere delle reti neurali per prevedere con precisione modelli complessi. I due strumenti presentati nel documento sono strumenti preventivi, che aiutano Soitec a risparmiare tempo ea migliorare la qualità.
