반도체 제조에서는 부품 성능을 예측하는 데 어려움이 있으며, 이러한 예측 불가능성은 수율 감소와 비용 증가로 이어질 수 있습니다. 이 보고서는 온라인 검사 데이터( 약 500개 데이터 포인트의 데이터 세트와 함께 3개의 반응 변수( Y )와 300개 이상의 예측 변수( X) 포함)를 사용하여 부품 성능을 예측하는 예측 모델을 구축하는 것을 목표 로 합니다.
JMP 다변량 플랫폼을 사용하여 프로젝트를 평가한 결과, 프로젝트의 YY 경쟁이 상대적으로 약하고 YX 인과성이 강하며 XX 다중 공선성이 심한 것으로 나타났습니다 . 표준 최소 제곱법과 단계적 알고리즘 모두 300개 이상의 예측 변수를 모두 고려할 때 과적합의 심각한 위험을 보여주었습니다 . 따라서 우리는 RSM 모델링을 위한 몇 가지 주요 X 변수를 선택하기 위해 응답 스크리닝, 분할, 신경망 및 예측 스크리닝을 포함한 네 가지 데이터 마이닝 기술을 적용했습니다. 일반 JMP 소프트웨어만 사용되므로 예측 변수 선별의 기여 패턴과 순위를 다른 세 가지 데이터 마이닝 플랫폼을 평가하기 위한 참고 자료로 사용합니다. 그 중 예측자 선별 알고리즘(랜덤 포레스트)은 재귀적 분할 문제를 해결하고 기여 패턴을 보다 균일하게 만들 수 있습니다.
예측자 선별의 기여 패턴을 기반으로 적응 모델, 신경망 및 분할 모델을 실행하여 세 가지 장치의 성능을 예측했습니다. 이 JMP 프로젝트는 우리의 예측 능력을 성공적으로 향상시켰고 증강 현실 애플리케이션을 통해 귀중한 통찰력을 얻었습니다. 동시에 신뢰할 수 있는 예측 모델은 신제품 개발 주기를 크게 단축할 수도 있습니다. 본 연구 결과는 반도체 제조 산업이 부품 성능 예측 역량을 향상시키는 데 중요한 참고 자료가 될 수 있다.
