Re : 무결점 제품을위한 노력기계 학습 및 신경 네트워크에서 생성 된 방대한 데이터에 대해 학습 한 후 반 공정 제조에서 관심있는 결함을 식별하는 데 도움이되는 질문은 거의 없습니다.
1) 다양한 공정 단계 중 인라인 결함을 감지하는 (AOI) 자동 광학 시스템을 사용하는 기존의 접근 방식을 통해 웨이퍼 수준 또는 제품 수준에서 다이가 실패 할 수있는 킬링 결함에만 초점을 맞 춥니 다. 가장 중요한 관심 분야의 레시피. 가장 효율적인 방식으로 제조 공정 자원을 사용하기 위해 피해야 할 것은 비 킬링 결함을 포착하는 것입니다. 머신 러닝 알고리즘과 모든 웨이퍼의 중요하거나 중요하지 않은 영역에있을 수있는 특정 결함을 살펴보면 사이클 시간이 위태로워 집니까? 기능 및 제품 고장과 높은 상관 계수를 보여줍니까?
2) 결함 감소 및 고객 기대에 중점을두고, (D0) 방법론은 모든 결함을 제거하는 데 중점을두고 있습니까? 그렇다면 현재 AOI를 사용하는 방법보다 비용 효과적입니까?
3)이 방법론에 따라 상관 관계를 보여주기 위해 비 독점 데이터를 공유 할 수 있습니까?
감사!
/ 사지 드 샴미
Re : 무결점 제품을위한 노력안녕하세요 s -
우리는 Ed Hutchins에게 직접 연락 할 수 있도록 연락했습니다. 그가 말한 내용은 다음과 같습니다.
1) 우리의 경험에 따르면, 기계 학습 알고리즘을 사용하여 킬링 결함을 식별하여 AOI 시스템에 비해 프로세스에 상당한 사이클 시간을 추가하지 않도록 구현할 수 있습니다. 그러나이를 달성하기 위해서는 몇 가지 실용적인 요소를 염두에두고 시스템을 설정해야합니다. 검사 시스템에서 생성되는 데이터의 양, 기계 학습 알고리즘을 실행할 컴퓨터의 성능 및 컴퓨터의 상대적 위치 검사 시스템에. 이러한 요소를 고려하고 시스템을 적절하게 설계하면 분석해야하는 데이터의 양에 따라 웨이퍼 당 몇 초에서 몇 분까지 전체 프로세스를 빠르게 실행할 수 있습니다. 올바르게 학습하면 기계 학습 알고리즘이 매우 정확하며 결과와 다운 스트림 제품 속성 또는 실패간에 직접적인 상관 관계가 있습니다.
2) 무결점 및 자동 결함 감지는 무료입니다. 100 % 검사는 자동화 된 검사 장비 및 기계 학습 알고리즘을 사용하면 훨씬 적은 비용과 시간이 소요됩니다. 이 시스템은 결함을 제로화하기 위해 두 가지 작업을 수행합니다. 결함이 제품으로 전달되는 것을 방지하여 다운 스트림 수율을 향상 시키며, 드물게 나타나는 결함까지도 결함 발생을 정확하게 설명하여 업스트림 개선 활동을 가능하게합니다.
3) Wolfspeed의 Robert Leonard 박사는 2019 년 실리콘 카바이드 및 관련 재료 (ICSCRM) 내부 회의에서 머신 러닝 응용 프로그램을 발표했습니다. 회의 절차가 발표 될 때 그의 논문에는 상관 관계를 보여주는 예제 이미지가 포함됩니다.
무결점 제품을 위해 노력합니다 
Ed Hutchins, Wolfspeed, outlines the new and powerful ways engineers are striving to create zero-defect products. Wolfspeed의 Ed Hutchins는 엔지니어들이 무결점 제품을 만들기 위해 노력하고 있는 새롭고 강력한 방법을 설명합니다. 기업들은 제품 생산 및 배송 과정에서 자동화 확대와 디지털 경제의 성장을 적극적으로 수용하고 있습니다. 또한 산업용 사물 인터넷(IIoT)과 고급 측정 시스템의 발전으로 인라인 센서가 도입되면서 이전보다 훨씬 더 복잡한 양의 데이터가 생성되고 수집되고 있습니다. Cree 계열사인 Wolfspeed의 제품 엔지니어링 매니저인 Ed Hutchins가 이 영상 클립에서 설명합니다. 전체 패널 토론은 주문형 비디오로 시청할 수 있습니다.
"저는 앞서 방대한 양의 데이터에 대해 이야기하기 시작했지만, 그건 시작일 뿐입니다. 데이터 사용 방식이 변화하고 있으며, 아주 최근에야 바뀌기 시작했습니다. 예전에는 자동화된 검사 도구를 사용하여 특정 기능, 특정 속성, 특정 결함을 찾기 위한 레시피를 정의했었습니다.
"하지만 이제 머신 러닝과 딥 뉴럴 네트워크의 등장으로 눈으로는 볼 수 있지만 유한한 매개변수 집합이나 지침으로 축소하기 어려운 결함을 찾는 알고리즘을 만들 수 있습니다.
"그리고 이런 것들을 통해 우리는 인간의 개입이나 샘플링이 필요했던 결함을 찾아낼 수 있었고, 이제는 전체적인 그림을 볼 수 있게 됐습니다.
"우리는 전체 제품을 살펴보고, 모든 웨이퍼를 살펴보고, 모든 사례를 살펴보며 결함 없는 제품을 만들기 위한 특징을 찾아내려고 노력합니다. 이는 오늘날 고객들이 기대하는 바이기도 합니다."
주문형 웹캐스트 미리보기는 다음과 같습니다.
Wolfspeed의 에드 허친스는 엔지니어들이 품질 엔지니어링과 머신 러닝을 활용해 결함 없는 제품을 만드는 새롭고 강력한 방법을 설명합니다.
