Dans la fabrication de semi-conducteurs, il est difficile de prédire les performances des composants, et cette imprévisibilité peut entraîner une réduction des rendements et une augmentation des coûts. Ce rapport vise à construire un modèle de prédiction pour prédire les performances des composants à l'aide de données d'inspection en ligne (y compris 3 variables de réponse ( Y ) et plus de 300 variables prédictives ( X ), avec un ensemble de données d'environ 500 points de données).
Le projet a été évalué à l'aide de la plateforme multivariée JMP et les résultats ont montré que le projet présentait une compétition YY relativement faible, une forte causalité YX et une multicolinéarité XX sévère. Les algorithmes des moindres carrés standard et les algorithmes pas à pas ont montré un risque important de surajustement en considérant les plus de 300 variables prédictives. Par conséquent, nous avons appliqué quatre techniques d'exploration de données pour sélectionner quelques variables X clés pour la modélisation RSM, notamment : le filtrage des réponses, le partitionnement, le réseau neuronal et le filtrage des prédicteurs. Étant donné que seul le logiciel JMP standard est utilisé, nous prenons les modèles de contribution et les classements du filtrage des prédicteurs comme référence pour évaluer les trois autres plates-formes d'exploration de données. Parmi eux, l'algorithme de filtrage des prédicteurs (forêt aléatoire) peut résoudre le problème de segmentation récursive et rendre le modèle de contribution plus uniforme.
Sur la base des modèles de contribution du filtrage des prédicteurs, nous avons exécuté des modèles d'adaptation, des réseaux de neurones et des modèles de partitionnement pour prédire les performances des trois appareils. Ce projet JMP a amélioré avec succès nos capacités prédictives et a permis d'acquérir des informations précieuses grâce aux applications de réalité augmentée. Dans le même temps, des modèles de prédiction fiables peuvent également raccourcir considérablement le cycle de développement de nouveaux produits. Les résultats de cette étude peuvent constituer une référence importante pour l’industrie de la fabrication de semi-conducteurs afin d’améliorer les capacités de prédiction des performances des composants.
