半導体製造では、コンポーネントの性能を予測することが困難であり、この予測不可能性が歩留まりの低下やコストの増加につながる可能性があります。このレポートは、オンライン検査データ ( 3 つの応答変数 ( Y ) と300 を超える予測変数 ( X ) を含む、約 500 のデータ ポイントのデータ セットを含む) を使用してコンポーネントの性能を予測する予測モデルを構築することを目的としています。
プロジェクトは JMP 多変量プラットフォームを使用して評価され、その結果、プロジェクトには比較的弱いYY競合、強いYX因果関係、および重度のXX多重共線性があることが示されました。標準的な最小二乗アルゴリズムと段階的アルゴリズムの両方で、 300 以上の予測子変数をすべて考慮すると、過学習の重大なリスクが示されました。したがって、応答スクリーニング、分割、ニューラル ネットワーク、予測子スクリーニングなどの4 つのデータ マイニング手法を適用して、RSM モデリング用のいくつかの重要なX変数を選択しました。通常のJMPソフトウェアのみが使用されるため、他の 3 つのデータ マイニング プラットフォームを評価するための参考として、予測変数スクリーニングの寄与パターンとランキングを採用します。その中でも、予測子スクリーニング アルゴリズム (ランダム フォレスト) は、再帰的セグメンテーション問題を解決し、寄与パターンをより均一にすることができます。
予測子スクリーニングの寄与パターンに基づいて、適応モデル、ニューラル ネットワーク、および分割モデルを実行して、3 つのデバイスのパフォーマンスを予測しました。このJMPプロジェクトは、予測機能を向上させることに成功し、拡張現実アプリケーションから貴重な洞察を得ることができました。同時に、信頼性の高い予測モデルにより、新製品開発サイクルを大幅に短縮することもできます。この研究の結果は、半導体製造業界にとってコンポーネントの性能の予測能力を向上させるための重要な参考資料となります。
