STMicro 데이터에 대한 후속 DOE 아이디어?<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />STMicroelectronic 데이터 세트에 대한 그럴듯한 후속 DOE에 대한 아이디어를 찾고 있습니다. 이것은 "보다 생산적인 DOE / 전체 론적 DOE를 가능하게하는 데이터 마이닝"을 주제로 할 것입니다.
데이터 세트가 첨부됩니다. 기본적으로 가면 Explore / Screen / Experiment의 전체 DOE 접근 방식을 통해 logBin10 실패와 같은 중요한 매개 변수 테스트가 응답과 관련이 있음을 알 수 있습니다. 유익한 정보가 누락 된 부트 스트랩 포레스트 (Bootstrap Forest)는 신속하게 606 PT 매개 변수를 살펴보고 지배적 인 장애 모드의 존재를 가장 잘 나타내는 요인을 찾아냅니다.
데이터 세트에는 분할 변수가 있습니다.이 변수는이 칩을 제조하는 데 사용되는 장비입니다. 그리고 당신이 보는 것은 분할이 또한 실패와 관련되어 있다는 것입니다.
따라서이 데이터를 통해 기본 실패 BIN과 관련된 일련의 PT 매개 변수가 있습니다. 이는 PT가 팹 프로세스 초기에 수행되고 칩에 조기 경고를 제공하여 전기 웨이퍼 정렬에 실패하게하므로 엔지니어에게 유용합니다. (그리고 방금 수행 한 데이터 마이닝으로 인해 발생할 수있는 오류를 잘 이해하기 위해서는이 매개 변수의 4-5 개 값만 모니터링하면됩니다.)
그러나 여기서 더 많은 기회를 얻은 것처럼 보이며,이 데이터 마이닝 연습은 조직에서 진행 상황을 더 잘 이해할 수있는보다 통제 된 실험으로 이끌어야합니다. 분할로 인해 제조 공정에서 문제가 발생하면 여기서 무엇이있을 수 있습니까?
데이터 마이닝이 아마도 제조 과정의 근본 원인이 아닌 증상에있는 것처럼 보입니다. 그러나 PT 매개 변수를 필수 요소로 사용하는 후속 DOE를 설정하고 싶지 않거나 그렇지 않습니까? EWS에서 오류를 유발하기 위해 PT에서 낮거나 높은 값을 읽을 수있는 칩을 의도적으로 제조하는 것이 합리적일까요? 이러한 PT를 체계적으로 다양하게 변경한다면 프로덕션 데이터 마이닝에 비해 원인과 결과를 확인할 수 있습니다.
부트 스트랩 포레스트 (Bootstrap Forest)를 기반으로 164와 451의 두 가지 PT-EWS 관계가 있습니다 :
분할과 결합하여 테스트하고 싶다면 맞춤 디자인을 설정할 수 있습니다. 이것은 두 개의 PT와 스플릿에 대한 설계 실행입니다.
나는 탐험, 증착법, 원료 벤더, 에칭 속도 등 가치있는 BIN10 결함에 영향을 줄 수있는 다른 많은 요인이 있다고 가정합니다. 여기서 목표는 데이터 중심의 DOE 환경에서 의미가있는 그럴듯한 후속 설계를 만드는 것입니다. 나는 생각과 도움에 감사드립니다.
제목 : STMicro 데이터에 대한 후속 DOE 아이디어?고마워, 로버트! 나는 또한 당신의 사건을 고대합니다. 그것은 우리가 이미 가지고있는 ST 사례에 대한 좋은 보완 물이 될 것입니다. 스콧과 나는 덴버에서 지난주 (10 월 2 일) 첫 홀리스틱 DOE 행사를 가졌습니다.) 그리고 나는이 ST 사례에 위에 기술 된 후속 DOE를 제시했다. DOE를 설정하기 전에 실제로 관중석에있는 누군가가 "나는 그것이 감광 단계라고 확신한다!").
Spilled가 4 개의 다른 기계라는 사실을 확인한 것 같습니다. 나는 가장 흥미롭고 다양한 반응을 보인 Split 3에 집중했다. (Split 1과 2는 Bin 10의 실패가 적었고, Spilled 4는 모든 높은 실패를 가졌으며, 조사해야 할 결함있는 장치라고 설명했다.)
완벽하지는 않지만 관객에게는 그럴듯하게 보였습니다. 더 많은 피드백을 얻으면서이 사건을 좀 더 세련되게하고 싶습니다. 우리는 이번 달에 개최되는 나머지 행사들에 대해 어떻게 진행되는지 보게 될 것입니다.
제목 : STMicro 데이터에 대한 후속 DOE 아이디어?
나는 나의 세미 데모를 다시보고 있었고 현재 해결하려고하는 몇 가지 문제가있다. 주요 문제는 Pro가 아닌 표준 JMP 기능을 사용하여 동일한 대답을 얻을 수 있다는 것입니다. 표준 JMP를 사용하는 것은 Pro를 사용하는 것만 큼 간단하지 않지만 Pro에서도 안정적인 결과를 얻기 위해 다른 유효성 검사 열을 순환하는 스크립트가 필요했습니다. 내 세미 데모가 보여주는 핵심은 가양 성을 억제하려는 경우 유효성 검사를 사용하는 것이 중요하다는 것입니다. 세미 데모의 문제점을 극복 할 수 있다면이를 사용할 수있게 할 것입니다.
ST 백서에서는 S1, S2, S3 및 S4가 어떤 부분으로 분할되어 있는지 잘 모릅니다. 나는 그들이 다른 기계라고 생각하지 않는다. 그들은 의도적으로 (또는 실수로) 프로세스 설정이나 매개 변수를 변경 한 '실험'과 더 비슷하게 들립니다.
또한 ST 백서에서 매개 변수 171을 451이 아니라 가장 중요한 매개 변수로 사용한다는 것을 알았습니다. 이것에 대한 이유는 매개 변수 171이 무엇인지, 프로세스 설정이나 장치 성능 특성에 연결되는 방법을 더 잘 이해할 수 있기 때문입니다. 예를 들어 171은 전기선 폭 측정 일 수 있습니다. 그들은 특정 단계에서 인라인으로 측정합니다. 반면, 451은 누설 전류 일 수 있습니다. 누설 전류는 물리적 치수와의 관계가 명확하지 않습니다.
후속 실험의 관점에서, 문제가되는 건식 식각 공정은 대부분의 반도체 잠재 고객과 잘 공존 할 것입니다. 건식 에칭 공정은 종종 문제가 될뿐만 아니라 DoE가 조사하는 데에도 도움이됩니다. 그것들은 다양 할 수있는 많은 요인을 가지고 있으며, 종종 프로세스 엔지니어는 이러한 요인들이 서로 어떻게 상호 작용하고 프로세스에 영향을 미치는지에 대해 양적으로 잘 이해하지 못합니다.
요인으로는 RF 전력, 바이어스 전력, 챔버 압력, 척 온도가 있습니다. 헬륨 BSC (후면 냉각). Chuck 온도와 He BSC 문제가 에칭 챔버 사이의 교정 차이로 인해 발생하는 두 가지 다른 수율 문제에 대해 알고 있습니다. 나는 또한 실험을 '좋은 (good)'과 '나쁜 (bad)'방 모두에서 실행하도록 제안 할 것이다.
반도체의 수율 문제는 아래의 예와 같이 웨이퍼의 공간 패턴을 보여 주며 ST 백서에서 언급 한 '미소'서명과 유사합니다. 이러한 패턴은 무엇이 잘못되었는지 파악하는 데있어 엔지니어에게 중요한 단서가 될 수 있습니다.
제목 : STMicro 데이터에 대한 후속 DOE 아이디어?이것은 큰 개선이며 세미 산업에 대한 깊은 배경을 가진 누군가가 에칭 프로세스에 대해 제안 된 DSD에서 사용할 요인 및 범위를 안내 할 수 있다고 확신합니다.
이 데모의 대상 고객 중 일부가 기존 JMP 사용자 인 경우 Pro에서 제안 된 워크 플로를 어떻게 보여줄지 생각해 보는 것이 좋습니다. JMP보다 더 나은 솔루션이 될 수 있습니다. 예를 들어, X에 의한 Y를 사용하여 log (bin10) 대 각각의 X에 대한 2 변수 분석을 얻은 다음 결합 된 데이터 테이블에 매개 변수 추정치를 출력하면 결합 된 테이블에서 요격 항을 제거한 다음 p 값을 기준으로 정렬합니다. 상위 6 개의 매개 변수가 26, 451, 183, 2, 47, 164가되도록하십시오. 따라서 포리스트의 나무 수에 대해 걱정할 필요가 없으므로 JMP에서 동일한 결론에 도달하는 것이 그리 쉽지는 않을 것 같습니다. 어쩌면 부트 스트랩 포레스트 (Bootstrap Forest)가 쉽게 접근 할 수있는 X 접근법에 맞추기 (Fit Y by X approach)가 놓친 강력한 상호 작용 효과를 유도하기 위해 ST 데이터를 수정해야 할 필요가 있을까요? 대상 고객 중 일부가 기존 JMP 사용자 인 경우 JMP에서 솔루션을 쉽게 다시 만들 수 없다는 것을 보여줄 준비가 필요하다고 생각합니다.
또는 Pro가 처음 출시되었을 때 생성 된 세미 데모를 사용할 수 있습니다.이 데모는 Pro가 어떻게 X 방향으로 Fit Y 방법으로 놓친 세 방향 간섭 효과로 인한 문제의 원인을 발견했는지 보여줍니다. 그런 다음 문제를 일으키기 위해 상호 작용하고있는 세 개의 인접한 프로세스 단계를 기반으로 후속 실험을 수행 할 수 있습니다. 로버트에게 데모를 보내 줄 것을 부탁합니다.
말콤
제목 : STMicro 데이터에 대한 후속 DOE 아이디어?안녕 Malcolm - 응답 해 주셔서 감사합니다. 다시 : 데이터 테이블, 나는 이안 크레딧을 줄 것이다. 그는 스크립트 작성과 마케팅 캠페인을위한 짧은 비디오 작업을 훌륭하게 해냈습니다. 나는 단지 전체 론적 DOE 상황에서 그것을 구축하고 있습니다.
귀하의 특정 요점 :
1) 무작위 종자 - 1,000 그루의 나무에 의해 상황이 안정되고 결과가 반복 가능합니다. 26, 451, 164 및 171이 상위 4 개입니다. 부트 스트랩 포레스트 (Bootstrap Forest)를 계속해서 실행하는 경우에도 상위 4 위를 유지합니다. 그래서 그것은 좋은 변화입니다.
2) 164는 잘못된 방향으로 가고 있기 때문에 26, 451 및 171과 다른 행동을하는 것으로 보이는 까다로운 문제입니다. 추가 할 또 다른 추가 사항은 변수 클러스터링입니다. 이는 데이터 변동의 71 %가 451 매개 변수 평균에 의해 설명된다는 것을 보여줍니다.
그래서 저는이 두 가지 이슈가 분류되어 있다고 생각합니다. 따라서 데이터 마이닝을 통한 결론은 다음과 같습니다.
1) Bootstrap Forest와 PCA를 사용하여 가장 대표적인 매개 변수 테스트 결과 (451)와 Bin10 Failure 간의 주요 연관성을 찾아 냈습니다.
2) 우리는 또한 split 변수가 장비 고장 (스플릿 3 및 스플릿 4)으로 인한 것일 수 있음을 나타내며, 이로 인해 bin10 오류를 일으키는 범위에서 파라 메트릭 테스트가 높게 나타납니다.
3)이 사실을 바탕으로 파라 메트릭 테스트 평균을 응답 (451_Param_average)으로 사용하여 엔지니어에게 돌아가서 스플릿 3 장비의 에칭 단계를 조사하는 DOE를 설계 할 수 있습니다.
데이터를 시뮬레이션하는 한,이 매개 변수가 어느 범위 내에 있어야 하는지를 알 수 있으며 Bin10 실패율이 451 수준에 어떤 영향을 미치는지 파악할 수 있습니다.
따라서 후속 디자인을위한 그럴듯한 인풋과 레벨 세트가 필요합니다.
아마도 5 요소 DSD :
적합 할 때 다음과 같이 보이는 시뮬레이트 된 데이터로 :
여기 이야기는 기계에 관한 것입니다. 간헐적 인 침지 속도 또는 평균 공급 속도 (사양에서 작동하는 다른 스플릿에는 존재하지 않음)를 유발하는 부품 또는 센서가 손상되었을 수 있습니다. 높은 빈 10 실패에 대한 번영을 일으키는 높은 매개 변수 평균.
이 이야기와 결혼하지 않았지만이 분야에서 나보다 똑똑한 사람들이 그럴듯하다고 생각한다면 효과적 일 수 있습니다. 다시 한번 생각과 의견에 감사드립니다.
제목 : STMicro 데이터에 대한 후속 DOE 아이디어?하이 댄,
역사적인 데이터 분석을위한 데이터 테이블은 프로세스 및 측정 유형을 설명하는 스크립트로 잘 문서화되어 있으며 우리가 SE 및 반도체 및 기타 산업에서 쉽게 복제하고 제공 할 수있는 훌륭한 스토리 라인을 제공합니다. 부트 스트랩 포리스트에 사용 된 임의의 시드가 다른 솔루션을 제공하는 일반적인 문제를 겪습니다. 예를 들어 두 번째 시도에서 로그의 상위 예측 자로 164_PARAM_AVERAGE를 얻었습니다. 나머지 데모 플로우에는 포함되어 있지 않습니다. 일관된 결과를 얻으려면이를 수정해야합니다. 부트 스트랩 포리스트에 대한 스크립트에서 임의의 시드를 설정할 수 있지만 가능하면 부트 스트랩 포리스트에 대한 대화를 더 이상 표시 할 수 없으므로이를 방지하고 싶습니다. 나무에 많은 수의 나무를 심어서 문제가 해결되었거나 나무가 부풀어 오른 것을 볼 수 있습니까?
필자가 제안한대로 파라 메트릭 테스트는 문제의 원인이 아닌 증상이며보다 현실적인 차세대 검사가 네 가지 파라 메트릭 테스트 실패를 담당하는 프로세스 단계에 초점을 맞추고 있는지 궁금합니다. 로버트는 이것을 당신을 안내 할 수 있지만 더 신뢰할 수있는 DOE가 높은 파라 메트릭 테스트 값과 높은 파라 메트릭 테스트를 일으키는 기능을 담당하는 에칭 단계라는 스토리와 함께 에칭 단계 중 하나에있을 것으로 기대합니다 값으로 인해 bin10 오류가 발생했습니다.
말콤
