반도체 제조 작업에서는 비용이 많이 들고 복잡한 프로세스로 인해 제품 수율, 사이클 타임, 품질을 유지하는 것이 중요합니다. 적격 장치에 대한 단위 프로브(UP) 빈 낙진이 증가하면서 배송에 대한 우려가 높아지고 위험 완화가 필요했습니다. 경영진은 최소 수율 미만 및/또는 통계적 빈 한도 초과로 인한 잠재적 폐기 위험에 대한 추정치를 자주 요청합니다. 계획 그룹은 다이 부족을 채우기 위해 새로운 웨이퍼 로트가 필요한지 알아야 하는 반면, 제품 그룹은 이에 관심이 있습니다. 단위 프로브의 수율 영향을 알고 있습니다. 장치 소유자로서 저는 데이터 마이닝 기술을 사용하여 UP 낙진에 해당하는 파라메트릭 프로브 매개변수의 변화를 식별하고 예측 모델을 기반으로 고급 결정을 내렸습니다.
이 데모에서는 단위 프로브 및 클래스 프로브 데이터가 프로덕션 데이터베이스에서 추출되고 정리되었습니다. 수집된 데이터는 훈련, 검증, 테스트 데이터 세트로 분할되었습니다. 4가지 모델이 웨이퍼 수준에서 평가 및 분석되었습니다. 분류 결정 트리 모델과 부트스트랩 포레스트 분류 모델은 범주형 응답 분석(스크랩 여부)을 위해 선택되었으며, 선형 회귀 모델과 부트스트랩 포리스트 회귀 모델은 연속 응답 분석(UP bin fallout %)을 위해 비교되었습니다. 모델 스크리닝은 매개변수를 수백 개에서 소수로 줄이는 데 도움이 되었습니다. 구축된 예측 모델을 기반으로 웨이퍼 배치에 대한 최종 결정이 내려졌습니다.
테스트 데이터 세트에서 UP 응답을 사용할 수 있는 경우 예측된 빈 낙진과 조사된 빈 낙진 간에 두 예측 모델의 정확도를 비교했습니다.
