In einem Halbleiterfertigungsbetrieb ist es aufgrund der kostspieligen und komplexen Prozesse von entscheidender Bedeutung, den Produktertrag, die Zykluszeit und die Qualität aufrechtzuerhalten. Die zunehmenden Unit-Probe-(UP)-Bin-Ausfälle für ein qualifiziertes Gerät führten zu Lieferbedenken und erforderten eine Risikominderung. Das Management verlangt häufig eine Schätzung des potenziellen Ausschussrisikos aufgrund unter dem Mindestertrag liegender und/oder überschrittener statistischer Bin-Grenzen. Planungsgruppen müssen wissen, ob neue Waferchargen erforderlich sind, um den Chipmangel auszugleichen, während Produktgruppen an den Auswirkungen auf den Ertrag bei der Unit-Probe interessiert sind. Als Gerätebesitzer habe ich Data-Mining-Techniken verwendet, um die Verschiebungen der parametrischen Probeparameter zu identifizieren, die dem UP-Ausfall entsprechen, und habe fortgeschrittene Entscheidungen auf der Grundlage von Vorhersagemodellen getroffen.
In dieser Demonstration wurden Unit-Probe- und Class-Probe-Daten aus der Produktionsdatenbank extrahiert und bereinigt. Die gesammelten Daten wurden in Trainings-, Validierungs- und Testdatensätze aufgeteilt. Vier Modelle wurden auf Waferebene ausgewertet und analysiert. Für die kategorische Antwortanalyse (Ausschuss oder nicht) wurden Klassifizierungsentscheidungsbaummodelle und Bootstrap-Forest-Klassifizierungsmodelle ausgewählt, während für die kontinuierliche Antwortanalyse (UP-Bin-Fallout %) lineare Regressionsmodelle und Bootstrap-Forest-Regressionsmodelle verglichen wurden. Durch Modellscreening konnten die Parameter von Hunderten auf eine Handvoll reduziert werden. Die daraus resultierende endgültige Entscheidung über die Disposition der Wafer wurde auf Grundlage des erstellten Vorhersagemodells getroffen.
Als die UP-Reaktion aus dem Testdatensatz verfügbar war, wurde die Genauigkeit der beiden Vorhersagemodelle zwischen den vorhergesagten und den untersuchten Behälter-Fallouts verglichen.
