En la fabricación de semiconductores, existen desafíos a la hora de predecir el rendimiento de los componentes, y esta imprevisibilidad puede conducir a menores rendimientos y mayores costos. Este informe tiene como objetivo construir un modelo de predicción para predecir el rendimiento de los componentes utilizando datos de inspección en línea (incluidas 3 variables de respuesta ( Y ) y más de 300 variables predictivas ( X ), con un conjunto de datos de aproximadamente 500 puntos de datos).
Se utilizó la plataforma multivariada JMP para evaluar el proyecto y los resultados mostraron que el proyecto tenía una competencia YY relativamente débil, una causalidad YX fuerte y una multicolinealidad XX severa. Tanto los algoritmos de mínimos cuadrados estándar como los de pasos mostraron un grave riesgo de sobreajuste al considerar las más de 300 variables predictivas. Por lo tanto, aplicamos cuatro técnicas de minería de datos para seleccionar algunas variables X clave para el modelado RSM, que incluyen: detección de respuestas, partición, red neuronal y detección de predictores. Dado que solo se utiliza software JMP normal , tomamos los patrones de contribución y las clasificaciones de la selección de predictores como referencia para evaluar las otras tres plataformas de minería de datos. Entre ellos, el algoritmo de detección de predictores (bosque aleatorio) puede resolver el problema de segmentación recursiva y hacer que el patrón de contribución sea más uniforme.
Con base en los patrones de contribución de la selección de predictores, ejecutamos modelos de adaptación, redes neuronales y modelos de partición para predecir el rendimiento de los tres dispositivos. Este proyecto JMP mejoró con éxito nuestras capacidades predictivas y obtuvo información valiosa a partir de aplicaciones de realidad aumentada. Al mismo tiempo, los modelos de predicción fiables también pueden acortar significativamente el ciclo de desarrollo de nuevos productos. Los resultados de este estudio pueden proporcionar una referencia importante para que la industria de fabricación de semiconductores mejore las capacidades de predicción del rendimiento de los componentes.
