Modelado de rendimiento y predicción de patrones utilizando minería de datos: un enfoque preventivo
François Bergeret, PhD, Estadístico – Ippon Innovation
Vicente Barec; Alexandre Couvrat, Ingenieros de Rendimiento y Defecto – Soitec
Para la fabricación de procesos complejos, el rendimiento y los defectos dependen de una gran cantidad de factores. Las herramientas de mejora del rendimiento que ya están en producción están ayudando a Soitec a detectar la mayoría de los problemas del proceso (enfoque reactivo rápido). Este documento presenta dos nuevas herramientas de minería de datos creadas con JMP Scripting Language (JSL) y JMP que ahora se utilizan para un enfoque preventivo. Yield Model detecta los principales factores relacionados con el rendimiento. Estos factores luego se incluyen en un modelo para proporcionar predicciones precisas. Las simulaciones, basadas en el volumen de fabricación, la carga y el rendimiento de las herramientas de proceso, están disponibles para que el usuario prediga variaciones en el rendimiento y los defectos. Yield Model es una herramienta muy interactiva, y sus últimas capacidades JSL se presentarán en vivo durante la presentación. Para la próxima generación de SOI (Silicon on Insulator), dentro de la uniformidad del espesor de la pieza es el principal factor de rendimiento. Pattern Prediction utiliza la plataforma neuronal JMP 9 para analizar y predecir la uniformidad del espesor con resultados muy prometedores. El usuario entrena la red neuronal en una muestra de aprendizaje y la red neuronal predice automáticamente el patrón para piezas futuras con una buena precisión, evaluada en una muestra de validación. Este documento incluye funciones JSL avanzadas utilizadas para el modelo de rendimiento y el descubrimiento del poder de las redes neuronales para predecir con precisión patrones complejos. Las dos herramientas presentadas en el documento son herramientas preventivas que ayudan a Soitec a ahorrar tiempo y mejorar la calidad.
