In un'operazione di produzione di semiconduttori, è fondamentale mantenere la resa del prodotto, il tempo di ciclo e la qualità a causa dei processi costosi e complessi. L'aumento delle ricadute del contenitore della sonda unitaria (UP) per un dispositivo qualificato ha sollevato problemi di consegna e ha richiesto la mitigazione del rischio. La direzione richiede spesso una stima del potenziale rischio di scarto derivante da rese inferiori al minimo e/o superamento dei limiti statistici dei contenitori. I gruppi di pianificazione devono sapere se sono necessari nuovi lotti di wafer per colmare la carenza di stampi, mentre i gruppi di prodotto sono interessati a conoscendo l'impatto del rendimento sulla sonda dell'unità. In qualità di proprietario del dispositivo, ho utilizzato tecniche di data mining per identificare gli spostamenti dei parametri parametrici della sonda che corrispondono alla ricaduta UP e ho preso decisioni avanzate basate su modelli predittivi.
In questa dimostrazione, i dati delle sonde di unità e di classe sono stati estratti e ripuliti dal database di produzione. I dati raccolti sono stati suddivisi in set di dati di training, validazione e test. Quattro modelli sono stati valutati e analizzati a livello di wafer. I modelli di albero decisionale di classificazione e i modelli di classificazione della foresta bootstrap sono stati scelti per l'analisi della risposta categorica (scarto o meno), mentre i modelli di regressione lineare e i modelli di regressione della foresta bootstrap sono stati confrontati per l'analisi della risposta continua (UP bin fallout%). Lo screening dei modelli ha contribuito a ridurre i parametri da centinaia a una manciata. La decisione finale risultante è stata presa sulla disposizione dei wafer in base al modello predittivo costruito.
Quando la risposta UP era disponibile dal set di dati del test, l'accuratezza dei due modelli di previsione è stata confrontata tra le ricadute del contenitore previste e quelle analizzate.
