Dans la fabrication de semi-conducteurs, le silicium épitaxial est largement utilisé dans les substrats de plaquettes,pMOS SiGe , nMOS SiP , remplissage de tranchées et autres applications. Le taux de croissance de la couche épitaxiale de silicium sera affecté par plusieurs étapes et plusieurs paramètres de processus. Afin de construire plus efficacement un modèle de prédiction aussi fortement interactif, nous avons besoin d'une évaluation DOE approfondie et complète et de la conception d'un DOE hautement orthogonal . Ce projet utilise des données historiques sur les taux de croissance épitaxiale du silicium comme point de départ pour l'évaluation de la conception. Pour construire un modèle prédictif, cette structure de données historiques présente une faible efficacité, une faible efficacité D, une mauvaise uniformité de conception et une corrélation d'effet et une variance de prédiction élevées. Pendant la modélisation, l'algorithme pas à pas de RSM est instable en raison du manque de liberté du modèle, ce qui entraîne une mauvaise répétabilité du modèle et des intervalles de confiance trop larges pour des points de conception optimaux. De plus, deux paires d’interactions fortes ont été observées dans le modèle RSM : une paire d’interactions peut être attribuée à la forte corrélation entre les effets tandis que l’autre paire d’interactions est liée au mécanisme compétitif du processus ; La conception des tolérances est ensuite réalisée à l'aide d'une conception robuste et d'une simulation Monte Carlo, et un profileur d'espace de conception est utilisé pour l'analyse de l'allocation des tolérances afin de simuler les exigences technologiques futures. Afin d'améliorer la structure DOE existante et d'optimiser le modèle de prédiction au moindre coût, nous n'avons pas utilisé de nouveau DOE , mais avons utilisé la méthode de conception améliorée pour améliorer la structure DOE existante à travers trois méthodes : (1) Supprimer les données non orthogonales. ; (2) Algorithme d'amélioration par défaut ; (3) Algorithme d'amélioration du centre. Grâce à une conception d'amélioration très complète, JMP a recommandé les quatre meilleurs points de données d'amélioration, améliorant ainsi la structure du DOE, améliorant considérablement l'efficacité d'utilisation des données historiques et réduisant considérablement le cycle de développement et le coût du processus.
