Nella produzione di semiconduttori è difficile prevedere le prestazioni dei componenti e questa imprevedibilità può portare a una riduzione dei rendimenti e a un aumento dei costi. Questo rapporto mira a creare un modello di previsione per prevedere le prestazioni dei componenti utilizzando i dati di ispezione online (incluse 3 variabili di risposta ( Y ) e più di 300 variabili predittive ( X ), con un set di dati di circa 500 punti dati).
Il progetto è stato valutato utilizzando la piattaforma multivariata JMP e i risultati hanno mostrato che il progetto presentava una concorrenza YY relativamente debole, una forte causalità YX e una grave multicollinearità XX. Sia gli algoritmi dei minimi quadrati standard che quelli graduali hanno mostrato un grave rischio di overfitting quando si considerano tutte le oltre 300 variabili predittive. Pertanto, abbiamo applicato quattro tecniche di data mining per selezionare alcune variabili X chiave per la modellazione RSM, tra cui: screening della risposta, partizionamento, rete neurale e screening dei predittori. Poiché viene utilizzato solo il normale software JMP, prendiamo i modelli di contributo e le classifiche dello screening dei predittori come riferimento per la valutazione delle altre tre piattaforme di data mining. Tra questi, l'algoritmo di screening dei predittori (foresta casuale) può risolvere il problema della segmentazione ricorsiva e rendere più uniforme il modello di contribuzione.
Sulla base dei modelli di contributo dello screening dei predittori, abbiamo eseguito modelli di adattamento, reti neurali e modelli di partizionamento per prevedere le prestazioni dei tre dispositivi. Questo progetto JMP ha migliorato con successo le nostre capacità predittive e ha ottenuto preziose informazioni dalle applicazioni di realtà aumentata. Allo stesso tempo, modelli di previsione affidabili possono anche abbreviare significativamente il ciclo di sviluppo del nuovo prodotto. I risultati di questo studio possono fornire un importante riferimento per l'industria manifatturiera dei semiconduttori per migliorare le capacità di previsione delle prestazioni dei componenti.
