對STMicro數據進行後續DOE的想法？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />尋找STMicroelectronic數據集合理後續DOE的一些想法。這將是“數據挖掘實現更高效的DOE /整體DOE”的主題。
數據集已附加。基本上如果你去通過探索/屏幕/實驗的整體DOE方法，您會發現有一些重要的參數測試與響應相關：logBin10失敗。具有信息缺失的Bootstrap Forest可讓您快速篩選606 PT參數，並找到最能表徵主導故障模式存在的參數。
數據集中還有一個拆分變量，它是用於製造這些芯片的一種設備。而你所看到的是，分裂也與失敗有關。
因此，根據這些數據，我們有一組與主要故障BIN相關的PT參數，這對工程師很有用，因為PT在晶圓廠工藝的早期階段執行，並且可以給芯片提供早期預警，這將使電氣晶圓分類失敗。（由於我們剛剛進行的數據挖掘，他們只需要監控4-5個參數的值，以便很好地了解可能的故障）。
但似乎在這裡學習的機會更多，而且這種數據挖掘工作應該很好地引導到一個更加可控的實驗中，組織可以更好地了解正在發生的事情。如果拆分導致製造過程中出現問題，那麼還有什麼可以在這裡起作用？
似乎數據挖掘可能出現在症狀上，而不是製造過程中的根本原因？但您不希望使用PT參數設置後續DOE作為必然因素，或者您呢？有意義地製造那些在PT上讀取低或高的芯片以引發EWS中的故障是否有意義？如果您有意識地系統地改變這些PT，您將能夠驗證因果關係而不僅僅是挖掘生產數據。
基於Bootstrap Forest，這裡有兩個主導的PT-EWS關係，164和451：
結合我們也想測試的分割，我們可以設置定制設計。這將是兩個PT和拆分的設計運行：
我假設還有許多其他因素可能會影響可能值得探討的BIN10故障，沉積配方，原材料供應商，蝕刻速度等。這裡的目標是創建一個合理的後續設計，這在數據驅動的DOE環境中是有意義的。我很欣賞這些想法和幫助。
Re：關於STMicro數據的後續DOE的想法？謝謝，羅伯特！我也很期待你的情況。這將是我們已經擁有的ST案例的一個很好的補充。斯科特和我在上週（10月2日）在丹佛舉辦了我們的第一次Holistic DOE活動。並且我用上面描述的後續DOE呈現了這個ST案例。它似乎過得很好（事實上，在設立DOE之前，觀眾中有人說：“我敢打賭這是蝕刻步驟！”）。
事實上，Spilled是4種不同的機器。我專注於Split 3，它具有最有趣和最多樣的響應（Splits 1和2具有低Bin10故障，Spilled 4具有所有高故障，我解釋可能是有缺陷的設備應該被調查）。
它並不完美，但對觀眾來說似乎是合理的。我仍然希望在獲得更多反饋的同時進一步完善案例。我們將看看它本月剩下的其他事件如何結束。
Re：關於STMicro數據的後續DOE的想法？
我一直在看我的半演示，並且我目前正在嘗試解決它的一些問題。主要問題是您可以使用標準JMP功能而不是Pro獲得相同的答案。使用標準JMP並不像使用Pro那樣簡單，但即使使用Pro，我也需要一個腳本循環遍歷不同的驗證列以獲得可靠的結果。我的半演示所說明的關鍵是，如果你想抑制誤報，使用驗證的重要性。如果我設法克服半演示的問題，我會讓它可用。
在ST白皮書中，我不確定分裂S1，S2，S3和S4是什麼。我不認為他們是不同的機器。它們聽起來更像是一個“實驗”，他們故意（或偶然）改變了一個過程設置或參數。
我還注意到在ST白皮書中他們選擇參數171作為最有意義的參數而不是451。我懷疑這樣做的原因是他們更好地理解參數171是什麼以及它將如何鏈接到過程設置或設備性能特徵，例如171可能是電線寬度測量，它們可以直接與物理尺寸相關聯它們在特定步驟中在線測量。然而，451可能是洩漏電流，與該物理尺寸的關係不太明顯。
就後續實驗而言，幹蝕刻工藝成為問題將與大多數半導體觀眾產生共鳴。幹蝕刻工藝通常是有問題的，但也很適合DoE的調查。它們有許多可以變化的因素，並且過程工程師通常不會很好地定量理解這些因素如何相互作用並影響過程。
一系列因素可能是：射頻功率，偏置功率，腔室壓力，卡盤溫度。氦氣BSC（背面冷卻）。我知道由於蝕刻室之間的校準差異導致的卡盤溫度和He BSC問題導致的兩種不同的屈服問題。我還建議在'好'和'壞'室進行實驗。
半導體中的產量問題通常在晶片上呈現空間圖案，如下面的示例所示，並且與ST白皮書中提到的“微笑”簽名一樣。這些模式可以成為工程師弄清楚出了什麼問題的重要線索。
Re：關於STMicro數據的後續DOE的想法？這是一個很大的改進，我相信在半工業中具有更深層背景的人可以指導您在提出的蝕刻工藝DSD中使用的因素和範圍。
如果此演示的目標受眾的一部分是現有的JMP用戶，那麼我建議您考慮如何在Pro中演示建議的工作流程更簡單，並且可以產生比JMP更好的解決方案。例如，如果您使用X的Fit Y來獲得log（bin10）與每個X的雙變量分析，然後將參數估計輸出到組合數據表，則從組合表中刪除截距項然後按p值升序排序我們獲得前六個參數是26,451,183,2,47,164。所以看起來與JMP達成相同的結論似乎並不太難，因為我們不需要擔心森林中樹木的數量。也許我們需要修改ST數據以引起一些強大的交互效應，這些效果可能會被Fit Y by X方法錯過，但Bootstrap Forest會輕易捕獲它？如果部分目標受眾是現有的JMP用戶，我認為我們需要準備好表明他們無法在JMP中輕鬆重新創建解決方案。
或者，您可以使用Robert在Pro首次發佈時創建的半演示，其中顯示Pro如何檢測問題的原因，這是由於上述Fit Y by X方法錯過的三向交互效應。然後，您可以圍繞相互作用導致問題的三個相鄰流程步驟進行後續實驗。 我會請羅伯特轉發他的演示。
馬爾科姆
Re：關於STMicro數據的後續DOE的想法？嗨馬爾科姆 - 謝謝你的回應。Re：數據表，我將給予Ian的信任。他在編寫劇本和製作營銷活動的簡短視頻方面做得非常出色。我只是在整體DOE背景下進行構建。
針對您的具體要點：
1）隨機種子 - 1000棵樹已經落戶，結果是可重複的 - 26,451,164和171是前4。即使在一次又一次地運行Bootstrap Forest時，這些前4名仍然存在。所以這應該是一個很好的改變。
2）164是一個棘手的問題，因為它朝著錯誤的方向前進，並且似乎與26,451和171有不同的行為。我將添加的另一個不錯的補充是變量聚類，它表明數據中71％的變化由451 param avg解釋。
所以我認為這兩個問題是分類的。因此，數據挖掘練習的結論是：
1）我們使用Bootstrap Forest和PCA來找到最具代表性的參數測試結果（451）和Bin10 Failure之間的關鍵關聯。
2）我們還發現分裂變量表明故障可能是由於一台設備（分裂3和分裂4）引起的，這導致參數測試在導致bin10故障的範圍內變高。
3）有了這些事實，我們可以回到工程師那里以參數測試平均值作為響應（451_Param_average）並設計DOE來研究分裂3設備上的蝕刻步驟。
至於模擬數據，我大致知道這個參數應該在什麼範圍內，我們可以弄清楚Bin1故障率對451級別的影響。
所以我只需要一套合理的輸入和級別來進行後續設計。
也許是5因子DSD：
模擬數據在適合時看起來像這樣：
因此，這裡的故事可能是關於機器的任何事情 - 可能是故障或磨損部件/傳感器導致間歇性浸入速度或平均進給速度（在規格中運行的其他分裂中不存在），這可能反過來導致高帕拉姆平均值導致高bin10失敗的繁榮。
沒有與這個故事結婚，但如果在這個領域比我聰明的人認為這可能是合情合理的話，它可以奏效。再次，欣賞想法和評論。
Re：關於STMicro數據的後續DOE的想法？嗨丹，
歷史數據分析的數據表很好地記錄了解釋過程和測量類型的腳本，並提供了一個很好的故事情節，我們SE可以在半導體和其他行業中輕鬆複製和交付。我們得到了用於引導林的隨機種子的常見問題，給出了不同的解決方案，例如在第二次嘗試時我得到了164_PARAM_AVERAGE作為log（Bin10）的頂級預測器，並且這不包括在其餘的演示流程中。我們需要解決這個問題以獲得一致的結果。我們可以在腳本中為bootstrap林設置隨機種子，但我希望盡可能避免這種情況，因為我們無法再顯示bootstrap林的對話框。是否有可能在森林中嘗試更多的樹木，看看是否能解決問題甚至是提升的樹木？
正如您所建議的那樣，參數測試是症狀而不是問題的原因，我想知道一個更現實的下一個DOE是否會專注於負責四個參數測試失敗的每一個的過程步驟？羅伯特可以在這方面指導你，但我希望更可信的DOE可能在蝕刻步驟之一上，故事情節是蝕刻步驟負責導致高參數測試值和高參數測試的特徵值導致bin10失敗。
馬爾科姆
