In der Halbleiterfertigung ist es aufgrund der kostenintensiven und komplexen Prozesse entscheidend, Produktausbeute, Zykluszeit und Qualität aufrechtzuerhalten. Zunehmende Ausschussquoten bei der Einzelprüfung (UP) qualifizierter Bauteile führten zu Lieferengpässen und erforderten Risikominderungsmaßnahmen. Das Management fordert regelmäßig eine Schätzung des potenziellen Ausschussrisikos aufgrund von Unterschreitung der Mindestausbeute und/oder Überschreitung der statistischen Grenzwerte. Die Planungsgruppen müssen wissen, ob neue Wafer-Chargen benötigt werden, um den Chipmangel auszugleichen, während die Produktgruppen an den Auswirkungen auf die Ausbeute bei der Einzelprüfung interessiert sind. Als Bauteilverantwortlicher nutzte ich Data-Mining-Techniken, um die Veränderungen der parametrischen Prüfparameter zu identifizieren, die mit Ausschussquoten bei der Einzelprüfung korrespondieren, und traf fundierte Entscheidungen auf Basis von Vorhersagemodellen.
In dieser Demonstration wurden Einzel- und Klassenprobendaten aus der Produktionsdatenbank extrahiert und bereinigt. Die gesammelten Daten wurden in Trainings-, Validierungs- und Testdatensätze aufgeteilt. Vier Modelle wurden auf Wafer-Ebene evaluiert und analysiert. Für die Analyse der kategorialen Antwortvariable (Schrott oder nicht) wurden Entscheidungsbaummodelle und Bootstrap-Forest-Klassifikationsmodelle ausgewählt, während für die Analyse der kontinuierlichen Antwortvariable (Ausfallquote der UP-Klasse in %) lineare Regressionsmodelle und Bootstrap-Forest-Regressionsmodelle verglichen wurden. Durch das Screening der Modelle konnte die Anzahl der Parameter von Hunderten auf wenige reduziert werden. Die endgültige Entscheidung über die weitere Verwendung der Wafer basierte auf dem erstellten Vorhersagemodell.
Wenn die UP-Antwort aus dem Testdatensatz verfügbar war, wurde die Genauigkeit der beiden Vorhersagemodelle zwischen den vorhergesagten und den untersuchten Behälterausfällen verglichen.
Mein Name ist Su-Heng Lin. Ich arbeite bei NXP Semiconductors. Als Geräteverantwortlicher in der Halbleiterfertigung ist es aufgrund der kostenintensiven und komplexen Prozesse entscheidend, Produktausbeute, Zykluszeit und Qualität zu gewährleisten. Jede Ausbeuteproblematik kann Lieferengpässe verursachen und erfordert entsprechende Risikominderungsmaßnahmen. In dieser Fallstudie zeige ich, wie man mit JMP, einer Plattform für prädiktive Modellierung, fundierte Entscheidungen in der Halbleiterfertigung treffen kann.
Hier ist ein Beispiel für den Prozessablauf in der Halbleiterwaferfertigung. Wir beginnen mit 25 Siliziumwafern in einem Wafer-Los. Alle 25 Wafer durchlaufen verschiedene Prozesse, um Dielektrika oder leitfähiges Material aufzubringen. Anschließend wird die Technologie patentiert, um daraus einen integrierten Schaltkreis* innerhalb eines Chips herzustellen. In diesem Fallbeispiel umfasste die Technologie mehr als 300 Prozessschritte. Die Zykluszeit für die Waferfertigung beträgt etwa 9 Wochen. Nach der Patentierung kann die Produktion fortgesetzt und der Wafer ausgeliefert werden.
Bevor die Wafer zur Schaltungsprüfung ins Ausland geschickt werden, müssen sie den Wafer-Abnahmetest, hier auch Class Probe genannt, bestehen. Bei diesem Class Probe wird jedes einzelne Bauteil geprüft, um die einwandfreie Funktion der Wafer sicherzustellen. Sind die Wafer intakt und werden sie – in diesem Fall ins Ausland – weitergeleitet, durchlaufen sie den Unit Probe Test. Dabei wird jeder einzelne Chip geprüft. Die gesamte integrierte Schaltung wird so getestet.
Alle Würfel werden getestet und entweder in eine Kategorie für bestandene Tests oder in eine der verschiedenen Kategorien für fehlerhafte Tests eingeordnet. Der weiße Würfel hier ist ein gutes Beispiel für bestandene Tests, während die anderen Farben die fehlerhaften Würfel kennzeichnen. Neben der Ausbeute meines Teils (Teil A) erfassen wir auch die Leistung der einzelnen Kategorien. In diesem Fall zeige ich Ihnen Kategorie 6. Diese Kategorie hatte in letzter Zeit Probleme.
Dies ist das Diagramm für den normalisierten BIN#6-Wert. Sie sehen, dass dieser statistische Grenzwert auf Basis historischer Daten berechnet wurde. Diese Linie zeigt an, dass jeder Wafer, dessen Daten in diesem Diagramm dargestellt sind, aussortiert wird, sobald einer der sechs Wafer diesen Grenzwert überschreitet. Das bedeutet nicht, dass die Ausbeute null ist. Der Wafer wird in jedem Fall aussortiert. Wie Sie sehen, gab es in letzter Zeit im gelben Bereich (Zeitzone) viele Wafer, die aufgrund des erhöhten BIN#6-Werts aussortiert wurden.
Es gibt noch eine andere Charge, die zwar in Ordnung aussieht und den Grenzwert nicht überschritten hat, aber ebenfalls erhöhte Werte aufweist. Das Management fragt: „Ist alles in Ordnung? Wissen wir, wie es um den Zustand unserer Wafer für Teil A bestellt ist?“ Um diese Frage zu beantworten, muss ich einige Entscheidungen treffen. Zunächst einmal habe ich 150 Wafer aus sechs verschiedenen Chargen. Sie befinden sich in der End-of-Line-Klassenprüfung. Die Klassenprüfungsdaten liegen vor, aber sollen wir die Charge zur Überwachung der Einzelprüfung weiterleiten? Werden sie als Ausschuss (BIN#6) eingestuft? Das ist die erste Frage, die ich beantworten muss, und ich muss eine Entscheidung treffen. Soll ich sie weiterleiten? Besteht ein hohes Risiko oder nicht?
Zweitens, falls es zu Ertragseinbußen gekommen ist, aber nicht auf Skriptebene, wie viele Wafer sind betroffen? Wie viele Chips werden wir verlieren? Müssen wir den Kunden in Schwierigkeiten bringen, weil wir die Chips und Wafer nicht rechtzeitig liefern können? Schließlich muss ich als Geräteinhaber wissen, woran es liegen könnte, dass sich die Produktionslinie verändert hat. Obwohl es bei der Class Probe keinen Fehler gab, könnten Wechselwirkungen zwischen den Class-Probe-Parametern vorliegen. Diese könnten für den erhöhten BIN#6-Abfall verantwortlich sein. Ich muss das wissen. Ich kann den Prozessingenieuren Empfehlungen geben, was wir tun können, um die gute Qualität der Farbstoffe auf den Wafern zu erhalten.
Ich benötige hier ein Vorhersagemodell zur Risikobewertung in dieser Situation. Der erste Schritt beim Aufbau eines solchen Modells ist die Definition der Zielgrößen und Prädiktoren. Ich werde die Class-Probe-Parameter verwenden, die wir von jedem Wafer erfassen. Da wir Daten von mehreren Standorten erfassen, verwende ich den Wafer-Median für diese Class Probes. Insgesamt haben wir 173 kontinuierliche Faktoren. Zwischen diesen 173 Faktoren besteht eine gewisse Autokorrelation, da wir beispielsweise die Schwellenspannung eines Transistors extrahieren und den Treiberstrom festlegen.
Für die Auswertung verwenden wir natürlich die BIN#6-Fallout-Daten. Meine Datenbank enthält über 2.000 Waferdaten. Ich werde alle verwenden. Die normalisierten BIN#6-Fallout-Daten dienen als kontinuierliche Messgröße. Das Histogramm zeigt das Muster der normalisierten BIN#6-Fallout-Daten. Dies ist die statistische Bin-Grenze. Alle Werte darüber wurden verworfen.
Ich möchte jedoch während dieses Data-Mining-Prozesses strengere Kriterien anwenden. Ich verschärfe diese auf das 90. Perzentil der BIN#6-Verteilung, was in diesem Fall 0,187 entspricht. Alle Wafer, die den Test nicht bestehen oder einen Wert unter 0,187 aufweisen, gelten als gute Wafer. Werte darüber gelten als fehlerhaft, auch wenn sie nicht unbedingt verschrottet werden müssen. So definiere ich die kategoriale Antwort in diesen Vorhersagemodellen. Dadurch erhalte ich etwa 200 Parameter – meine guten Parameter – und 1.800 gute Wafer.
Auf der vorherigen Folie haben wir die Parameter, die Zielgröße und die Prädiktoren definiert. Ich stelle Ihnen nun vier einfache Modellierungstechniken in JMP, einer Plattform für prädiktive Modellierung, vor, mit denen ich schnell und präzise Vorhersagen treffen und so eine gute Entscheidung ermöglichen kann. Für die kategoriale Zielgröße „gut“ vs. „schlecht“ (in sechs Fällen) verwende ich den Entscheidungsbaum und den Bootstrap Forest. Der Bootstrap Forest dient erneut dazu, die Regressionsgröße, also meinen normalisierten BIN#6-Fallout, vorherzusagen. Diesen vergleiche ich mit einem angepassten Modell, der schrittweisen linearen Regression.
Nach der Demonstration von vier dieser Modelle zeige ich Ihnen, wie wir das passende Modell auswählen. Ich vergleiche die R²-Werte, um das richtige Modell zu bestimmen. Der Vorteil des prädiktiven Modells liegt darin, dass es mir hoffentlich die wichtigsten Klassenparameter aufzeigt, die für meinen BIN#6-Fehler verantwortlich sind.
Der erste Schritt beim Data Mining für die Vorhersagemodellierung ist folgender: Ich habe einen Datensatz mit 2.000 Einträgen. Diesen teile ich in einen Trainings- und einen Validierungsdatensatz auf. Das können wir mit der JMP-Vorhersagemodellierung machen. Wir müssen die Empfehlungen zur ehrlichen Bewertung befolgen. Es ist gut, dass JMP standardmäßig die gleichen Einstellungen vornimmt, die ich Ihnen jetzt zeigen werde. Ja, wir gehen zu „Analysieren“, dann zu „Vorhersagemodellierung“ und wählen die Spalte „Validierung erstellen“.
Ich möchte sicherstellen, dass alle Wafer, da ich 25 pro Charge habe, den Prozess gemeinsam durchlaufen. Außerdem möchte ich gewährleisten, dass für jede Charge ein repräsentativer Wafer im Trainings- bzw. Validierungsdatensatz enthalten ist. Ich habe die Zertifizierung anhand der Quellcharge (meiner Wafer-Chargen-ID) durchgeführt und klicke dann auf „OK“. Wie Sie sehen, entspricht die Standardeinstellung in JMP bereits der Empfehlung für eine faire Bewertung: 75 % für den Trainingsdatensatz und 25 % für den Validierungsdatensatz. Ich werde diesen Vorgang hier nicht wiederholen, da ich die Spalte „Validierung“ bereits erstellt habe. So können Sie Ihre Validierungsspalte generieren, die wir für das Modell verwenden werden, das wir demonstrieren werden.
Kehren wir hierher zurück. Wie bereits erwähnt, habe ich 150 Wafer in der Class Probe, aber noch kein Feedback von der Unit Probe. Ich weiß nicht, was der BIN#6-Fallout ist und möchte es wissen. Selbst mit meinen Testdaten, die ich mit diesen 150 Wafern in der Class Probe erstellt habe, folgen sie weiterhin der Gruppe für die ehrliche Bewertung, also kann ich fortfahren. Zuerst zeige ich Ihnen die Klassifizierungsantwort mithilfe des Entscheidungsbaums. Gehen wir zurück zu JMP. Dies ist mein Datensatz. Er befindet sich unter „Prädiktive Modellierung analysieren“. Wir werden heute noch ein paar Mal hier sein, und er befindet sich unter der Petition. Klicken wir auf die Petition, und Sie sehen, dass ich hier den Entscheidungsbaum habe.
Dies ist die Methode, die ich für mein Vorhersagemodell verwenden werde. Die von mir erstellte Validierungsspalte habe ich hier eingefügt. Ich verwende die Klasse BIN#6, die zwischen gut und schlecht unterscheidet. Hier sehen Sie meine Klasse BIN#6. Meine Daten der Klasse 173 befinden sich hier. Ich habe sie in dieser Datentabelle ausgeblendet, aber Sie können sehen, dass es sich um 173 handelt. Klicken wir auf OK. Ja, dies ist mein Entscheidungsbaum. Ich habe die schlechten Wafer bereits rot und die guten blau eingefärbt. Ich kann Ihnen zunächst manuell zeigen, wie die Aufteilung erfolgt. JMP führt die Aufteilung anhand des Kriteriums durch, das den größten Unterschied zwischen gut und schlecht ausmacht. Hier wird der Widerstand von RSP+ angezeigt. Ist dieser höher als 148, habe ich deutlich mehr schlechte Wafer als bei einem Widerstand unter 148. Dies ist die erste Aufteilung. JMP-Fund.
Ich kann mit dem zweiten Schritt fortfahren. Er hat den ToxP-Wert gefunden. Wenn er unter 145 liegt, wow, dann habe ich deutlich mehr fehlerhafte Wafer, die möglicherweise einen hohen, normalisierten BIN#6-Fallout aufweisen, in Kombination mit der höheren Resistenz und der geringeren Krankheit. Ich kann hauptsächlich damit weitermachen oder den Vorgang starten, und dann können wir JMP verwenden, um mir beim Aufteilen zu helfen. Es hat nach dem sechsten Aufteilen aufgehört.
Schauen wir uns das R² an. Das R² für das Training liegt bei etwa 67 %, für die Validierung bei etwa 60 % – gar nicht schlecht. Im roten Dreieck neben der Anfrage für die Klasse BIN#6 befindet sich etwas. Ich möchte mir den Spaltenbeitrag ansehen. Dieser hilft mir zu verstehen, welche Parameter JMP für mich zusammengefasst hat. Neben ISP+ und ToxP hat JMP noch zwei weitere Parameter gefunden, die jedoch den geringsten Beitrag zum Ergebnis der Klasse BIN#6 leisten. Wir schließen dieses Fenster, minimieren JMP und kehren hierher zurück. Dies sind die beiden Werte, die ich notiert habe: das R² für dieses Modell und der Spaltenbeitrag.
Kommen wir zum nächsten Modell. Ich zeige Ihnen dieselbe Klassifizierungsantwort, verwende aber ein anderes Partitionierungsmodell namens Bootstrap Forest. Öffnen Sie JMP. Ja. Gehen Sie zu „Analysieren“, dann zu „Vorhersagemodellierung“. Der Bootstrap Forest befindet sich direkt darunter. Zur Validierung. Ich verwende hier die kategoriale Antwort „gut“ versus „schlecht“. Mein Prädiktor für Class Probe ist in den X-Faktoren enthalten.
Okay, JMP verwendet die Standardeinstellung. Ich halte es einfach. Wir folgen der Empfehlung von JMP. Es werden 100 Bäume im Wald erstellt. Mal sehen. Der Durchschnitt der Variabilität wird zusammengefasst. Das ist stabiler als beim Entscheidungsbaum, der nur aus einem Baum besteht. Jetzt haben wir den Durchschnitt der 100 Bäume und können hier das R² berechnen. Das generalisierte R² zeigt mir: „Wow, mein R² kann für meine Trainingsdaten bis zu 90 % betragen und liegt für meine Validierungsdaten bei 80 %.“ Man sieht also, dass der Bootstrap Forest das R² sowohl für die Trainings- als auch für die Validierungsdaten verbessert hat.
Wir können uns auch den Spaltenbeitrag ansehen. Die Widerstände und die Oxidschichtdicke werden erneut hervorgehoben. Neben den insgesamt vier Parametern liefert der Bootstrap Forest, da er 100 Bäume durchläuft, deutlich mehr Parameter, hat aber nur einen minimalen Einfluss auf den normalisierten BIN#6-Wert (gut vs. schlecht). Ich werde dieses Modell beibehalten, da es besser als der Entscheidungsbaum abgeschnitten hat. Ich werde es vorerst minimieren und dann zu meiner Präsentation zurückkehren. Wir haben ein sehr gutes R² und die beiden hervorgehobenen Parameter.
Kommen wir nun zur kontinuierlichen Zielgröße. Ich werde hier das Regressionsmodell demonstrieren. Wir verwenden die schrittweise lineare Regression. Dies ist meine Datentabelle. Gehen Sie zu „Anpassungsmodell analysieren“. Anstatt die Vorhersage zu verwenden, nutze ich die Anpassung des Modells. Dies ist eine weitere Möglichkeit, ein Modell zu erstellen. Da ich alle über 2000 Datenpunkte für die Korrelationsberechnung verwende, kann ich keine Validierung einfügen. Wir wählen das Regressionsmodell aus. Ich verwende den kontinuierlichen, normalisierten BIN#6-Fallout als Y-Variable und wähle den Parameter „Klasse Probe 173“ als Haupteffekt für mein Modell.
Sie können die Makroanalyse bis zum Grad zwei durchführen. Anschließend können Sie die Wechselwirkung zwischen den beiden Faktoren beobachten. Da dies jedoch sehr lange dauern würde, führe ich sie hier nicht aus. Ich verwende stattdessen die lineare Regression erster Ordnung. Aufgrund der vielen Prädiktoren bevorzuge ich die schrittweise Regression. Sie ist robuster. Führen Sie die Modelle aus. Auch hier folge ich der JMP-Empfehlung. Ich verwende das minimale BIC als Abbruchkriterium und die schrittweise Regression erfolgt vorwärts. Wir fügen so lange Parameter hinzu, bis wir ein gutes Modell erhalten.
Sie führen das Modell aus. Einen Moment bitte. Ja. Nach Abschluss der Ausführung sehen Sie hier die Werte für R² und das korrigierte R². Es liegt bei etwa 74 %, nicht schlecht. Die beiden Werte liegen sehr nah beieinander. Schauen wir uns nun unser Modell an. Dies ist mein Modell für die lineare Regression. Es hat mir den ISP+-Wert geliefert. Markieren Sie ihn jetzt, aber die Oxidschichtdicke, der andere Wert, ist etwas niedrig. Viele andere Parameter zeigen eine starke Korrelation mit meinem BIN#6-Wert, der zum normalisierten BIN#6-Ausfall beigetragen hat. Das liegt daran, dass ich einen großen Datensatz mit über 2.000 Wafern habe, wodurch sich Korrelationen leicht finden lassen. Wir machen hier Schluss und kehren dann zu meiner PowerPoint-Präsentation zurück.
Dies ist das R², und dies fasst zusammen, welche Parameter in diesem schrittweisen linearen Regressionsmodell wichtig sind. Als nächstes zeige ich Ihnen das Bootstrap-Forest-Modell. Es ist ein sehr präzises Modell, da es auch Regressionen sehr gut handhabt. Öffnen wir also wieder meine JMP-Datei. Analysieren Sie das Vorhersagemodell und das Bootstrap-Forest-Modell.
Wenn Sie JMP schon einmal verwendet haben, wissen Sie, dass wir die aktuellen Einstellungen speichern können. Ich werde die kategorialen BIN#6-Fallout-Daten durch meine normalisierten BIN#6-Fallout-Daten ersetzen, die kontinuierliche Faktoren enthalten. Ich werde, wie von JMP empfohlen, 100 Bäume in meinem Forest verwenden. Das dauert nur wenige Sekunden. Mal sehen. Der Bootstrap Forest für normalisierte BIN#6-Daten liefert mir… Wow, mein R² liegt bei etwa 0,977 bzw. 98 % für meinen Trainingsdatensatz. Für den Validierungsdatensatz habe ich 91 % erreicht. Diese Ergebnisse basieren auf dem anderen Modell, das ich Ihnen gerade gezeigt habe: der linearen Regression. Ich werde dieses Modell beibehalten und es mir ansehen, bevor wir fortfahren.
Spaltenbeiträge. Wir haben die gleichen zwei Widerstände und die gleiche Oxidschichtdicke; diese sind hervorgehoben. Wir haben zwei weitere Parameter mit hohem Wert, aber viele andere tragen nur wenig zum Modell bei. Wenn Sie in diesem Fall ein reduziertes Modell erstellen möchten, können Sie die beiden hier genannten Parameter hervorheben und dann auf „Analysieren“, „Modell anpassen“ und anschließend auf „Makro“ klicken. Ich empfehle die Verwendung des Antwortdienstes. Warum? Weil ich so den Haupteffekt sowie die Interaktion und den quadratischen Effekt erfasse.
Ich kann meinen normalisierten BIN#6 auf Y setzen, und da ich hier nicht viele Prädiktoren habe, verwende ich die standardisierte Methode der kleinsten Quadrate und führe die Simulation durch. Das ist das resultierende Modell, das Sie dann weiter reduzieren können. Dieses reduzierte Modell erreicht nur 65 % des R². Es ist zwar gut, könnte aber stabiler sein, da weniger Prädiktoren verwendet werden. Das Modell ist leichter zu erklären, die Verzerrung ist jedoch höher, da nicht alle Parameter berücksichtigt werden, die im Bootstrap-Forest-Modell hervorgehoben werden.
Kehren wir zu meiner Präsentation zurück. Wir haben nun alle vier Modelle fertiggestellt und betrachten den R²-Vergleich. Ein Vergleich mit der schrittweisen linearen Regression ist nicht ganz fair, da eine andere Plattform verwendet wird und es sich nicht um Trainings- versus Validierungsdaten handelt, sondern um das korrigierte R². Sie sehen jedoch, dass die Werte meines Bootstrap Forest sowohl für die Klassifizierungs- als auch für die Regressionsdaten sehr hoch sind, über 90 % für die Trainingsdaten. Auch für den Validierungsdatensatz ist der Wert am höchsten. Ich habe mich entschieden, beide Modelle für meine Vorhersagen (gut/schlecht) und auch für meine Schätzung des BIN#6-Fallout zu verwenden.
Wie schätze ich das hier ein? Ich gehe zurück und erinnere mich, dass dies die Spalte für meinen Bootstrap Forest für die Klassendaten (gut vs. schlecht) ist. Um das Vorhersagemodell zu verwenden, klicke ich auf das rote Dreieck und speichere die Spalten. Ich speichere die Vorhersageformel. Man sieht, dass JMP mir schnell die Wahrscheinlichkeit für „schlecht“ vs. „gut“ anzeigt. Dann würde man sagen: „Höchstwahrscheinlich Klasse BIN#6.“
Wenn Sie ganz nach unten in meinem Datensatz scrollen, sehen Sie die 150 Wafer, die ich beim Erstellen des Modells ausgeblendet habe. Die vom Modell generierten Gleichungen beziehen sich jedoch auf diese 150 Wafer und sagen voraus: „Okay, ich habe einen fehlerhaften Wafer aus dieser Charge, Charge D, Wafer 1, und die anderen auch. Charge C hat viele fehlerhafte Wafer, und auch Charge A enthält einige fehlerhafte Wafer.“ Das ist eine sehr schnelle Methode, um zu ermitteln, wie viele Wafer gefährdet sind. Allerdings liefert diese Methode nur die Information, ob Wafer gut oder fehlerhaft sind. Ich werde sehen, ob ich…
Wie hoch ist der geschätzte BIN#6-Fallout? Wenn ich diese Zahl hätte, könnte ich eine fundierte Entscheidung treffen. Das hier ist nicht die gewünschte Zahl. Ich brauche diese hier. Das ist der Bootstrap Forest für den normalisierten BIN#6-Fallout, das Regressionsmodell. Ähnlich zeige ich Ihnen jetzt ein rotes Dreieck und speichere die Vorhersageformel. Dadurch erhalte ich den normalisierten Prädiktor. Diesen minimiere ich nun. Für jeden der 150 Wafer in der Validierungsspalte habe ich einen Vorhersagewert für den BIN#6-Fallout ermittelt. So nutzen Sie die Vorhersagemodellierung in JMP, um den Schätzwert zur Risikobewertung dieser 150 Wafer zu erhalten.
Letztendlich wissen wir, dass etwa 47 Wafer fehlerhaft sein werden, was auf einen erhöhten Ausschuss in BIN#6 hindeutet. Keiner dieser Wafer wird jedoch die Ausschussgrenze überschreiten. Wir haben beschlossen: „Okay, wir senden alle 150 Wafer an Uniprobe. Vier Wochen später erhalten wir die Uniprobe-Daten und überprüfen dann die Genauigkeit unseres Modells.“ Wir haben uns entschieden, die Wafer zu senden, da dies nicht notwendig ist. Nun stellen die Wafer ein Ausschussrisiko dar. Außerdem müssen wir keine neue Charge starten, da die Gesamtauswirkungen des geschätzten Ausschusses in BIN#6 nicht ausreichen, um einen neuen Produktionsstart zu rechtfertigen.
Ich habe außerdem erfahren, welche zwei Parameter für den Fehler bei BIN#6 entscheidend sind. Nach Rücksprache mit unserem Fachexperten beschloss das Team, den hohen Widerstand zu optimieren. Wir können ein Prozessfenster verwenden, um zu prüfen, ob wir den Widerstand senken und gleichzeitig die Ausbeute für Teil A beibehalten können. Der andere Parameter, ToxP, ist ein Batch-Prozess. Verschiedene Teile können mit derselben Technologie verarbeitet werden. Prozessänderungen sind hier nicht möglich. Das Team beschloss daher, die Kontrollgrenzen in der Produktionslinie zu verschärfen, um eine stabile Leistung für ToxP zu gewährleisten.
Vier Wochen später erhielten wir das Uniprobe-Feedback zu diesen 150 Wafern. Wie Sie sehen, weisen zwei Chargen einen höheren Anteil an BIN#6 auf als vier. Dies entspricht dem prognostizierten Anteil an BIN#6-Ausfällen. Die Korrelation liegt bei etwa 71 %. Das ist nicht schlecht und hilft mir, die richtige Entscheidung zu treffen. Ich habe das Kriterium von 0,187 überschritten und befinde mich somit nicht in einem hohen Risiko. Allerdings verhält sich Charge C auffällig. Wir überprüften die Verarbeitungshistorie im Labor und stellten fest, dass Charge C kein Standardprodukt ist. Sie wurde für die Bewertung einer Prozessänderung verwendet und muss daher aus der Modellierung ausgeschlossen werden. Dadurch können wir unser R² auf bis zu 80 % verbessern.
Zusammenfassend suche ich nach einem prädiktiven Modell, das mir hilft, schnell gute Entscheidungen zu treffen, ohne auf die monatelange Versuchsplanung zurückzugreifen. Dieses Modell muss Autokorrelation ohne großen Datenaufwand und ohne Einschränkungen durch den Arbeitsspeicher bewältigen können. Wir sprechen über Vorpartitionierung und Bootstrap Forest für kategoriale Daten; diese eignen sich gut für die Verarbeitung einer großen Anzahl von Prädiktoren. Auch Autokorrelationen der Prädiktoren stellen für sie kein Problem dar.
Wir sprechen über den Bootstrap Forest, der auch die lineare Regression übertrifft. Er eignet sich sowohl für Klassifizierungs- als auch für Regressionsdaten und ist besonders gut für große und autokorrelierte Prädiktoren. Ich hoffe, dies war hilfreich und unterstützt Sie bei Ihren ersten Versuchen mit prädiktiven Modellen mithilfe der JMP-Software, um fundierte Entscheidungen auf Basis von Daten zu treffen. Damit ist meine Präsentation beendet. Vielen Dank für Ihre Aufmerksamkeit.
