追求零缺陷產品 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Wolfspeed 的 Ed Hutchins 概述了工程師們為打造零缺陷產品所採用的全新有效方法。 Wolfspeed的 Ed Hutchins 概述了工程師們為打造零缺陷產品所採用的全新有效方法。各組織正在擁抱產品生產和交付過程中日益增長的自動化和數位經濟的興起。隨著工業物聯網 (IIoT) 和先進測量系統興起所帶來的線上感測器的使用，他們正在產生和收集比以往任何時候都更加複雜的數據。 Wolfspeed（Cree 旗下公司）的產品工程經理 Ed Hutchins 在本影片片段中進行了解說。您可以點播觀看完整的小組討論。
我之前就討論過海量數據，但這只是個開始。我認為數據的使用方式正在發生變化，而且是最近才發生的。過去，使用自動化檢測工具時，需要定義配方來尋找特定的特徵、屬性和缺陷。
「但現在隨著機器學習和深度神經網路的出現，你可以創建一種演算法來尋找肉眼可見的缺陷，但很難將其簡化為一組有限的參數或指令。
「這些東西讓我們能夠發現原本需要人工幹預或取樣的缺陷，現在我們可以全面了解情況。
“我們可以查看整個產品，我們可以查看每個晶圓，我們可以查看每個示例，以嘗試找到這些特徵，作為實現零缺陷的一種方式，這也是我們當今客戶期望的一部分。”
以下是點播網路直播的預覽：
Wolfspeed 的 Ed Hutchins 概述了工程師使用品質工程和機器學習來創造零缺陷產品的全新且強大的方法。
回覆：力爭產品零缺陷你好@薩吉德-
我們聯繫了艾德·哈欽斯，以便他可以直接回覆。 他是這樣說的：
1) 根據我們的經驗，使用機器學習演算法來識別消除缺陷是可以實現的，與 AOI 系統相比，它不會顯著增加流程的週期時間。然而，要實現這一目標，人們必須在建立一個系統時考慮到幾個實際要素：檢查系統產生多少數據，運行機器學習演算法的電腦有多強大，以及該電腦的相對位置在哪裡。到檢查系統。如果考慮到這些要素並且系統設計得當，整個過程可以快速運行，每個晶圓的運行時間從幾秒鐘到幾分鐘不等，具體取決於必須分析的資料量。如果訓練得當，機器學習演算法非常準確，我們可以看到其發現與下游產品屬性或故障之間的直接相關性。
2) 零缺陷和自動缺陷偵測是互補的。借助自動化檢測設備和機器學習演算法，100% 檢測的成本和耗時要低得多。這些系統透過兩件事來促進零缺陷：它們透過防止任何缺陷進入產品來提高下游產量，並透過準確描述缺陷的發生（即使是那些不經常出現的缺陷）來支持上游改進活動。
3) 來自 Wolfspeed 的 Robert Leonard 博士在 2019 年碳化矽及相關材料內部會議 (ICSCRM) 上展示了機器學習的應用。當會議記錄出版時，他的論文將包含展示相關性的範例圖像。
回覆：力爭產品零缺陷在了解機器學習和神經網路產生的大量資料有助於識別半流程製造中感興趣的缺陷後，問題就很少了。
1) 使用 (AOI) 自動光學系統檢測各個製程步驟中的內聯缺陷的傳統方法，我們只專注於消除可能在晶圓級或產品級使晶片失效的缺陷，因此我們策略性地進行檢查最關鍵的興趣領域的食譜。 為了以最有效的方式使用我們的製造流程資源，我們避免捕捉非致命缺陷。 根據機器學習演算法並查看特定缺陷（可能位於所有晶圓上的關鍵或非關鍵區域），這是否會危及週期時間？ 它與功能和產品故障是否表現出高相關係數？
2) 專注於減少缺陷和客戶期望，(D0) 方法是否專注於消除所有缺陷？如果是這樣，它比目前使用 AOI 的做法更具成本效益嗎？
3）您能否分享一些非專有資料來顯示基於此方法的一些相關性？
謝謝！
/薩吉德·沙姆西
