半導体製造工程では、コストがかかりプロセスが複雑なため、製品の歩留まり、サイクル タイム、品質を維持することが重要です。適格デバイスのユニット プローブ (UP) ビンのフォールアウトが増加すると、納品に関する懸念が生じ、リスク軽減が必要になりました。経営陣は、最小歩留まりを下回ったり、統計的なビン制限を超えたりした場合の潜在的なスクラップ リスクの見積もりを頻繁に求めます。計画グループは、ダイ不足を補うために新しいウェーハ ロットが必要かどうかを知る必要があり、製品グループはユニット プローブでの歩留まりへの影響を知ることに関心があります。デバイス所有者として、私はデータ マイニング手法を使用して、UP フォールアウトに対応するパラメトリック プローブ パラメータの変化を特定し、予測モデルに基づいて高度な決定を下しました。
このデモでは、ユニット プローブとクラス プローブのデータが生産データベースから抽出され、クリーンアップされました。収集されたデータは、トレーニング、検証、テスト データ セットに分割されました。4 つのモデルがウェーハ レベルで評価および分析されました。分類決定木モデルとブートストラップ フォレスト分類モデルはカテゴリ応答分析 (スクラップかどうか) 用に選択され、線形回帰モデルとブートストラップ フォレスト回帰モデルは連続応答分析 (UP ビン フォールアウト %) 用に比較されました。モデル スクリーニングにより、パラメーターが数百から数個に削減されました。その結果、構築された予測モデルに基づいてウェーハの処分に関する最終決定が行われました。
UP 応答がテスト データ セットから利用可能になったときに、予測されたビン フォールアウトとプローブされたビン フォールアウトの間で 2 つの予測モデルの精度が比較されました。
