对STMicro数据进行后续DOE的想法？<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />寻找STMicroelectronic数据集合理后续DOE的一些想法。这将是“数据挖掘实现更高效的DOE /整体DOE”的主题。
数据集已附加。基本上如果你去通过探索/屏幕/实验的整体DOE方法，您会发现有一些重要的参数测试与响应相关：logBin10失败。具有信息缺失的Bootstrap Forest可让您快速筛选606 PT参数，并找到最能表征主导故障模式存在的参数。
数据集中还有一个拆分变量，它是用于制造这些芯片的一种设备。而你所看到的是，分裂也与失败有关。
因此，根据这些数据，我们有一组与主要故障BIN相关的PT参数，这对工程师很有用，因为PT在晶圆厂工艺的早期阶段执行，并且可以给芯片提供早期预警，这将使电气晶圆分类失败。（由于我们刚刚进行的数据挖掘，他们只需要监控4-5个参数的值，以便很好地了解可能的故障）。
但似乎在这里学习的机会更多，而且这种数据挖掘工作应该很好地引导到一个更加可控的实验中，组织可以更好地了解正在发生的事情。如果拆分导致制造过程中出现问题，那么还有什么可以在这里起作用？
似乎数据挖掘可能出现在症状上，而不是制造过程中的根本原因？但您不希望使用PT参数设置后续DOE作为必然因素，或者您呢？有意义地制造那些在PT上读取低或高的芯片以引发EWS中的故障是否有意义？如果您有意识地系统地改变这些PT，您将能够验证因果关系而不仅仅是挖掘生产数据。
基于Bootstrap Forest，这里有两个主导的PT-EWS关系，164和451：
结合我们也想测试的分割，我们可以设置定制设计。这将是两个PT和拆分的设计运行：
我假设还有许多其他因素可能会影响可能值得探讨的BIN10故障，沉积配方，原材料供应商，蚀刻速度等。这里的目标是创建一个合理的后续设计，这在数据驱动的DOE环境中是有意义的。我很欣赏这些想法和帮助。
Re：关于STMicro数据的后续DOE的想法？谢谢，罗伯特！我也很期待你的情况。这将是我们已经拥有的ST案例的一个很好的补充。斯科特和我在上周（10月2日）在丹佛举办了我们的第一次Holistic DOE活动。并且我用上面描述的后续DOE呈现了这个ST案例。它似乎过得很好（事实上，在设立DOE之前，观众中有人说：“我敢打赌这是蚀刻步骤！”）。
事实上，Spilled是4种不同的机器。我专注于Split 3，它具有最有趣和最多样的响应（Splits 1和2具有低Bin10故障，Spilled 4具有所有高故障，我解释可能是有缺陷的设备应该被调查）。
它并不完美，但对观众来说似乎是合理的。我仍然希望在获得更多反馈的同时进一步完善案例。我们将看看它本月剩下的其他事件如何结束。
Re：关于STMicro数据的后续DOE的想法？
我一直在看我的半演示，并且我目前正在尝试解决它的一些问题。主要问题是您可以使用标准JMP功能而不是Pro获得相同的答案。使用标准JMP并不像使用Pro那样简单，但即使使用Pro，我也需要一个脚本循环遍历不同的验证列以获得可靠的结果。我的半演示所说明的关键是，如果你想抑制误报，使用验证的重要性。如果我设法克服半演示的问题，我会让它可用。
在ST白皮书中，我不确定分裂S1，S2，S3和S4是什么。我不认为他们是不同的机器。它们听起来更像是一个“实验”，他们故意（或偶然）改变了一个过程设置或参数。
我还注意到在ST白皮书中他们选择参数171作为最有意义的参数而不是451。我怀疑这样做的原因是他们更好地理解参数171是什么以及它将如何链接到过程设置或设备性能特征，例如171可能是电线宽度测量，它们可以直接与物理尺寸相关联它们在特定步骤中在线测量。然而，451可能是泄漏电流，与该物理尺寸的关系不太明显。
就后续实验而言，干蚀刻工艺成为问题将与大多数半导体观众产生共鸣。干蚀刻工艺通常是有问题的，但也很适合DoE的调查。它们有许多可以变化的因素，并且过程工程师通常不会很好地定量理解这些因素如何相互作用并影响过程。
一系列因素可能是：射频功率，偏置功率，腔室压力，卡盘温度。氦气BSC（背面冷却）。我知道由于蚀刻室之间的校准差异导致的卡盘温度和He BSC问题导致的两种不同的屈服问题。我还建议在'好'和'坏'室进行实验。
半导体中的产量问题通常在晶片上呈现空间图案，如下面的示例所示，并且与ST白皮书中提到的“微笑”签名一样。这些模式可以成为工程师弄清楚出了什么问题的重要线索。
Re：关于STMicro数据的后续DOE的想法？这是一个很大的改进，我相信在半工业中具有更深层背景的人可以指导您在提出的蚀刻工艺DSD中使用的因素和范围。
如果此演示的目标受众的一部分是现有的JMP用户，那么我建议您考虑如何在Pro中演示建议的工作流程更简单，并且可以产生比JMP更好的解决方案。例如，如果您使用X的Fit Y来获得log（bin10）与每个X的双变量分析，然后将参数估计输出到组合数据表，则从组合表中删除截距项然后按p值升序排序我们获得前六个参数是26,451,183,2,47,164。所以看起来与JMP达成相同的结论似乎并不太难，因为我们不需要担心森林中树木的数量。也许我们需要修改ST数据以引起一些强大的交互效应，这些效果可能会被Fit Y by X方法错过，但Bootstrap Forest会轻易捕获它？如果部分目标受众是现有的JMP用户，我认为我们需要准备好表明他们无法在JMP中轻松重新创建解决方案。
或者，您可以使用Robert在Pro首次发布时创建的半演示，其中显示Pro如何检测问题的原因，这是由于上述Fit Y by X方法错过的三向交互效应。然后，您可以围绕相互作用导致问题的三个相邻流程步骤进行后续实验。 我会请罗伯特转发他的演示。
马尔科姆
Re：关于STMicro数据的后续DOE的想法？嗨马尔科姆 - 谢谢你的回应。Re：数据表，我将给予Ian的信任。他在编写剧本和制作营销活动的简短视频方面做得非常出色。我只是在整体DOE背景下进行构建。
针对您的具体要点：
1）随机种子 - 1000棵树已经落户，结果是可重复的 - 26,451,164和171是前4。即使在一次又一次地运行Bootstrap Forest时，这些前4名仍然存在。所以这应该是一个很好的改变。
2）164是一个棘手的问题，因为它朝着错误的方向前进，并且似乎与26,451和171有不同的行为。我将添加的另一个不错的补充是变量聚类，它表明数据中71％的变化由451 param avg解释。
所以我认为这两个问题是分类的。因此，数据挖掘练习的结论是：
1）我们使用Bootstrap Forest和PCA来找到最具代表性的参数测试结果（451）和Bin10 Failure之间的关键关联。
2）我们还发现分裂变量表明故障可能是由于一台设备（分裂3和分裂4）引起的，这导致参数测试在导致bin10故障的范围内变高。
3）有了这些事实，我们可以回到工程师那里以参数测试平均值作为响应（451_Param_average）并设计DOE来研究分裂3设备上的蚀刻步骤。
至于模拟数据，我大致知道这个参数应该在什么范围内，我们可以弄清楚Bin1故障率对451级别的影响。
所以我只需要一套合理的输入和级别来进行后续设计。
也许是5因子DSD：
模拟数据在适合时看起来像这样：
因此，这里的故事可能是关于机器的任何事情 - 可能是故障或磨损部件/传感器导致间歇性浸入速度或平均进给速度（在规格中运行的其他分裂中不存在），这可能反过来导致高帕拉姆平均值导致高bin10失败的繁荣。
没有与这个故事结婚，但如果在这个领域比我聪明的人认为这可能是合情合理的话，它可以奏效。再次，欣赏想法和评论。
Re：关于STMicro数据的后续DOE的想法？嗨丹，
历史数据分析的数据表很好地记录了解释过程和测量类型的脚本，并提供了一个很好的故事情节，我们SE可以在半导体和其他行业中轻松复制和交付。我们得到了用于引导林的随机种子的常见问题，给出了不同的解决方案，例如在第二次尝试时我得到了164_PARAM_AVERAGE作为log（Bin10）的顶级预测器，并且这不包括在其余的演示流程中。我们需要解决这个问题以获得一致的结果。我们可以在脚本中为bootstrap林设置随机种子，但我希望尽可能避免这种情况，因为我们无法再显示bootstrap林的对话框。是否有可能在森林中尝试更多的树木，看看是否能解决问题甚至是提升的树木？
正如您所建议的那样，参数测试是症状而不是问题的原因，我想知道一个更现实的下一个DOE是否会专注于负责四个参数测试失败的每一个的过程步骤？罗伯特可以在这方面指导你，但我希望更可信的DOE可能在蚀刻步骤之一上，故事情节是蚀刻步骤负责导致高参数测试值和高参数测试的特征值导致bin10失败。
马尔科姆
