In der Halbleiterfertigung gibt es Herausforderungen bei der Vorhersage der Komponentenleistung, und diese Unvorhersehbarkeit kann zu geringeren Erträgen und höheren Kosten führen. Dieser Bericht zielt darauf ab, ein Vorhersagemodell zu erstellen, um die Komponentenleistung anhand von Online-Inspektionsdaten vorherzusagen (einschließlich 3 Antwortvariablen ( Y ) und mehr als 300 Prädiktorvariablen ( X ) mit einem Datensatz von etwa 500 Datenpunkten).
Das Projekt wurde mithilfe der multivariaten JMP-Plattform evaluiert. Die Ergebnisse zeigten, dass das Projekt eine relativ schwache YY- Konkurrenz, eine starke YX- Kausalität und eine starke XX- Multikollinearität aufwies. Sowohl die Standardalgorithmen der kleinsten Quadrate als auch die schrittweisen Algorithmen zeigten bei Berücksichtigung aller über 300 Prädiktorvariablen ein erhebliches Risiko einer Überanpassung . Daher haben wir vier Data-Mining-Techniken angewendet, um einige wichtige X- Variablen für die RSM- Modellierung auszuwählen, darunter: Antwort-Screening, Partitionierung, neuronales Netzwerk und Prädiktor-Screening. Da nur reguläre JMP- Software verwendet wird, nehmen wir die Beitragsmuster und Rankings des Prädiktor-Screenings als Referenz für die Bewertung der anderen drei Data-Mining-Plattformen. Unter anderem kann der Prädiktor-Screening-Algorithmus (Random Forest) das rekursive Segmentierungsproblem lösen und das Beitragsmuster einheitlicher machen.
Basierend auf den Beitragsmustern des Prädiktor-Screenings führten wir Anpassungsmodelle, neuronale Netze und Partitionierungsmodelle durch, um die Leistung der drei Geräte vorherzusagen. Dieses JMP- Projekt hat unsere Vorhersagefähigkeiten erfolgreich verbessert und wertvolle Erkenntnisse aus Augmented-Reality-Anwendungen gewonnen. Gleichzeitig können zuverlässige Vorhersagemodelle auch den Entwicklungszyklus neuer Produkte deutlich verkürzen. Die Ergebnisse dieser Studie können eine wichtige Referenz für die Halbleiterfertigungsindustrie sein, um die Vorhersagefähigkeiten der Komponentenleistung zu verbessern.
