반도체 제조 공정은 비용이 많이 들고 복잡하기 때문에 제품 수율, 사이클 시간 및 품질을 유지하는 것이 매우 중요합니다. 검증된 디바이스에서 단위 프로브(UP) 빈 불량률이 증가하면 납품에 차질이 생기고 위험 완화가 필요합니다. 경영진은 최소 수율 미달 및/또는 통계적 빈 한계 초과로 인한 잠재적 불량 위험을 추정해 달라고 자주 요청합니다. 계획 부서는 다이 부족을 메우기 위해 새로운 웨이퍼 로트가 필요한지 여부를 알아야 하고, 제품 부서는 단위 프로브에서의 수율 영향에 관심이 있습니다. 디바이스 담당자로서 저는 데이터 마이닝 기법을 사용하여 UP 불량률에 해당하는 파라메트릭 프로브 매개변수의 변화를 식별하고 예측 모델을 기반으로 고급 의사 결정을 내렸습니다.
본 시연에서는 생산 데이터베이스에서 유닛 프로브 및 클래스 프로브 데이터를 추출하고 정제했습니다. 수집된 데이터는 훈련, 검증 및 테스트 데이터 세트로 분할되었습니다. 웨이퍼 레벨에서 네 가지 모델을 평가하고 분석했습니다. 범주형 응답 분석(스크랩 여부)에는 분류 결정 트리 모델과 부트스트랩 포레스트 분류 모델을 선택했으며, 연속형 응답 분석(UP 빈 탈락률)에는 선형 회귀 모델과 부트스트랩 포레스트 회귀 모델을 비교했습니다. 모델 선별을 통해 수백 개에 달하는 매개변수를 몇 개로 줄일 수 있었습니다. 최종적으로 구축된 예측 모델을 기반으로 웨이퍼의 처리 방침을 결정했습니다.
테스트 데이터 세트에서 UP 응답을 사용할 수 있게 되었을 때, 두 예측 모델의 정확도를 예측된 빈 낙하량과 실제 조사된 빈 낙하량 간에 비교했습니다.
제 이름은 린수헝입니다. NXP 반도체에서 근무하고 있습니다. 반도체 제조 공정에서 디바이스 오너로서, 고비용의 복잡한 공정으로 인해 제품 수율, 사이클 타임, 품질을 유지하는 것이 매우 중요합니다. 수율에 문제가 생기면 납품에 차질이 생길 수 있으므로 위험 완화 조치가 필수적입니다. 본 사례 연구에서는 예측 모델링 플랫폼인 JMP를 활용하여 반도체 제조 공정에서 고급 의사결정을 내리는 방법을 보여드리겠습니다.
다음은 반도체 웨이퍼 제조 공정 흐름의 예입니다. 웨이퍼 로트에는 25개의 실리콘 웨이퍼가 있습니다. 이 25개의 웨이퍼는 모두 유전체 또는 전도성 물질을 성장시키는 다양한 공정을 거칩니다. 그런 다음 특허를 받아 하나의 다이 안에 집적 회로를 구성하게 됩니다. 이 사례 연구에서 사용된 기술은 300개 이상의 공정 단계를 거칩니다. 웨이퍼 하나를 완성하는 데 약 9주가 소요되며, 특허가 등록되면 다음 단계로 넘어가 제품을 출하할 수 있습니다.
하지만 웨이퍼가 해외로 보내져 회로 테스트를 받기 전에, 웨이퍼 품질 검사(클래스 프로브라고도 함)를 통과해야 합니다. 클래스 프로브는 각 웨이퍼의 상태를 확인하기 위해 개별 디바이스를 검사합니다. 웨이퍼가 양호한 상태로 해외로 보내지면 유닛 프로브 테스트를 받게 됩니다. 이때 각 다이에 대해 개별 테스트가 수행되며, 전체 집적 회로가 검사됩니다.
모든 주사위는 테스트를 거쳐 합격 또는 불합격으로 분류됩니다. 흰색 주사위는 합격이고, 불합격 주사위는 다른 색깔로 표시되어 있습니다. 저희는 제 부품인 A 부품의 수율뿐만 아니라 각 칸의 성능도 추적합니다. 이번에는 6번 칸을 보여드리겠습니다. 이 칸은 최근에 문제가 발생했던 칸 중 하나입니다.
이 차트는 모든 웨이퍼에 대해 정규화된 BIN#6 값을 기준으로 한 트레인 차트입니다. 보시다시피 이 통계적 한계치는 과거 데이터를 기반으로 계산되었습니다. 이 선은 차트에 표시된 각 웨이퍼 데이터 중 하나라도 이 BIN#6 기준을 초과하면 해당 웨이퍼가 폐기됨을 나타냅니다. 폐기된다는 것은 수율이 0이라는 의미가 아니라, 실제로 폐기된다는 뜻입니다. 최근 노란색 영역(시간대)에서 BIN#6 값이 높아져 많은 웨이퍼가 폐기된 것을 확인할 수 있습니다.
다른 로트도 있는데, 괜찮아 보이고 기준치를 넘지는 않았지만 수치가 높게 나왔습니다. 경영진이 와서 "괜찮은 건가요? A번 웨이퍼의 상태를 알고 있나요?"라고 물었습니다. 이 질문에 답하려면 몇 가지 결정을 내려야 합니다. 우선, 6개의 다른 로트에서 나온 웨이퍼 150개가 있습니다. 이 웨이퍼들은 최종 라인에서 클래스 프로브 검사를 받을 시점입니다. 클래스 프로브 데이터는 있지만, 이 로트들을 유닛 프로브 검사를 위해 보내야 할까요? BIN#6 불량품으로 처리될까요? 이것이 제가 가장 먼저 알아야 할 것이고, 결정을 내려야 합니다. 보내야 할까요? 고위험군일까요, 아닐까요?
둘째로, 만약 수율 손실이 발생했지만 스크립트 수준까지는 아니었다면, 얼마나 많은 웨이퍼가 영향을 받았을까요? 얼마나 많은 다이스를 손실하게 될까요? 다이스를 제때 납품하지 못해서 고객에게 피해를 주게 될까요? 마지막으로, 디바이스 소유자로서 생산 라인에 어떤 변화가 있었는지 알아야 합니다. 클래스 프로브 검사에서는 문제가 없었지만, 클래스 프로브 파라미터들 간의 상호 작용이 있을 수 있습니다. 이것이 BIN#6 불량률 증가의 원인일 수 있습니다. 이 정보를 알아야 인라인 공정 엔지니어들에게 웨이퍼 다이스 품질을 유지하기 위해 할 수 있는 모든 조치를 권고할 수 있습니다.
제가 필요한 것은 이러한 상황에서 위험 평가를 도와줄 예측 모델입니다. 예측 모델을 구축하는 첫 번째 단계는 반응 변수와 예측 변수를 정의하는 것입니다. 저는 각 웨이퍼에서 수집하는 클래스 프로브 파라미터를 사용할 것입니다. 여러 사이트에서 데이터를 수집하기 때문에, 각 웨이퍼의 클래스 프로브 중앙값을 사용하겠습니다. 여기에는 총 173개의 연속 변수가 있습니다. 트랜지스터의 임계 전압과 구동 전류 등을 추출하기 때문에 이 173개 변수 간에는 자기상관이 존재합니다.
응답 데이터로는 당연히 BIN#6 폴아웃을 사용하겠습니다. 제 데이터베이스에는 2,000개 이상의 웨이퍼 데이터가 있는데, 저는 이 모든 데이터를 사용할 겁니다. 정규화된 BIN#6 폴아웃이 제가 사용할 연속적인 응답 데이터입니다. 보시는 바와 같이, 이것은 정규화된 BIN#6 폴아웃 패턴의 히스토그램입니다. 이것이 통계적 빈 한계입니다. 이 범위를 벗어나는 값은 모두 제거했습니다.
하지만 저는 데이터 마이닝 과정에서 더 엄격한 기준을 적용하고 싶습니다. BIN#6 분포의 90% 백분위수, 즉 이 경우 0.187을 기준으로 기준을 강화했습니다. 0.187 미만이거나 기준에 미달하는 웨이퍼는 양호한 웨이퍼로 정의합니다. 0.187 이상이면 불량 웨이퍼로 간주하지만, 폐기할 필요는 없을 수도 있습니다. 이러한 방식으로 예측 모델에서 범주형 반응을 정의합니다. 이렇게 하면 약 200개의 파라미터(양호 파라미터)와 1,800개의 웨이퍼(양호 웨이퍼)를 얻게 됩니다.
이전 슬라이드에서 매개변수, 반응 변수, 예측 변수를 정의했습니다. 이제 JMP라는 예측 모델링 플랫폼에서 빠르고 정확한 예측을 통해 올바른 결정을 내리는 데 도움이 되는 네 가지 간단한 모델 기법을 소개하겠습니다. 범주형 반응 변수(좋음/나쁨, 6점)에 대해서는 의사결정 트리와 부트스트랩 포레스트를 사용하겠습니다. 부트스트랩 포레스트는 정규화된 BIN#6 결과값인 회귀 반응 변수를 예측하는 데 사용됩니다. 이 결과를 단계적 선형 회귀 모델과 비교해 보겠습니다.
이 네 가지 모델을 시연한 후, 어떤 모델을 사용할지 선택하는 방법을 보여드리겠습니다. R² 값을 비교하여 사용할 모델을 결정할 것입니다. 또한 예측 모델을 사용하면 BIN#6 오류의 주요 원인이 되는 클래스 매개변수가 무엇인지 파악할 수 있다는 장점도 있습니다.
예측 모델링에서 데이터 마이닝을 수행하는 첫 번째 단계는 2,000개의 데이터셋을 훈련 데이터셋과 검증 데이터셋으로 나누는 것입니다. JMP 예측 모델링에서 이 작업을 수행할 수 있습니다. 정직한 평가 권장 사항을 따라야 합니다. JMP의 기본 설정이 유용하며, 제가 보여드릴 JMP에서 분석, 예측 모델링을 차례로 선택하고 검증 열을 생성하면 됩니다.
제가 확인하고 싶은 한 가지는, 로트당 웨이퍼가 25개씩 있으므로 모든 웨이퍼가 함께 공정을 거친다는 점입니다. 따라서 각 로트별로 대표 웨이퍼가 학습 데이터셋과 검증 데이터셋에 각각 사용되는지 확인하고 싶습니다. 소스 로트(웨이퍼 로트 ID)를 사용하여 인증을 완료했으므로, 확인을 누르겠습니다. 그러면 JMP의 기본 설정이 정직한 평가 권장 사항에 따라 학습 데이터셋 75%, 검증 데이터셋 25%로 이미 설정되어 있는 것을 볼 수 있습니다. 이미 검증 열을 생성했기 때문에 여기서는 다시 실행하지 않겠습니다. 이렇게 검증 열을 생성할 수 있으며, 이 열은 앞으로 시연할 모델에 사용될 것입니다.
자, 다시 여기로 돌아가 보죠. 제가 클래스 프로브에 웨이퍼 150개가 있다고 말씀드렸지만, 유닛 프로브 피드백은 없습니다. BIN#6의 결과가 어떻게 나오는지 모르겠고, 알고 싶습니다. 클래스 프로브의 웨이퍼 150개를 사용한 테스트 데이터셋을 넣어도 여전히 정직한 평가 그룹을 따르므로, 저는 괜찮습니다. 먼저 의사결정 트리를 사용한 분류 결과를 보여드리겠습니다. JMP로 돌아가서, 제 데이터셋을 보여드리겠습니다. '예측 모델링 분석' 메뉴 아래에 있습니다. 오늘 몇 번 더 나올 텐데, '청원' 항목 아래에 있습니다. '청원'을 클릭하면 의사결정 트리가 보이는 것을 확인할 수 있습니다.
이것이 제가 예측 모델에 사용할 방법입니다. 제가 만든 검증 열을 여기에 넣었습니다. BIN#6 클래스를 사용하는데, 이는 양호와 불량을 구분하는 기준입니다. 보시다시피, 여기가 제 BIN#6 클래스입니다. 173 클래스 프로브 데이터가 여기에 있습니다. 이 데이터 테이블에서는 숨겨져 있지만, 173이라는 것을 확인할 수 있습니다. 확인을 클릭해 보겠습니다. 네, 이것이 제 의사결정 트리입니다. 불량은 빨간색, 양호는 파란색으로 미리 색칠해 두었습니다. 먼저 수동으로 분할하는 방법을 보여드리겠습니다. JMP는 양호와 불량을 구분하는 가장 중요한 기준에 따라 분할합니다. 여기서는 RSP+의 저항값을 보여줍니다. 이 값이 148보다 크면 148보다 작을 때보다 불량 웨이퍼가 훨씬 더 많습니다. 이것이 첫 번째 분할입니다. JMP 펀드.
두 번째 작업을 계속할 수 있습니다. ToxP를 찾았는데, 145 미만이면 불량 웨이퍼가 훨씬 더 많다는 뜻입니다. 높은 저항과 낮은 질병 발생률이 결합된 정규화된 BIN#6 낙진이 발생할 수 있습니다. 이 작업을 계속 진행하거나, 아니면 JMP를 사용하여 분할 작업을 진행할 수도 있습니다. 여섯 번째 분할 이후에 멈췄습니다.
R² 값을 살펴보겠습니다. 학습 데이터의 R²는 약 67%, 검증 데이터의 R²는 약 60%로 나쁘지 않습니다. BIN#6 클래스에 대한 요청 옆에 있는 빨간색 삼각형 안에 무언가 있습니다. 해당 열의 기여도를 확인하고 싶습니다. 이 열은 JMP가 요약한 매개변수가 무엇인지 파악하는 데 도움이 될 것입니다. JMP는 ISP+와 ToxP 두 가지 외에도 BIN#6 오류에 기여하는 두 가지 매개변수를 더 발견했습니다. 이 창을 닫고 JMP를 최소화한 다음 여기로 돌아오겠습니다. 제가 기록한 두 가지, 이 모델의 R² 값과 해당 열의 기여도를 확인했습니다.
다음 모델로 넘어가겠습니다. 동일한 분류 결과를 보여드리겠지만, 이번에는 부트스트랩 포레스트(Bootstrap Forest)라는 다른 분할 모델을 사용하겠습니다. JMP를 실행해 보겠습니다. 네. 분석(Analyze), 예측(Predict), 모델링(Modeling)을 선택하면 부트스트랩 포레스트가 바로 아래에 있습니다. 검증(Validation)도 다시 실행해 보겠습니다. 범주형 응답, 즉 '좋음'과 '나쁨'을 선택하겠습니다. 클래스 프로브(Class Probe)의 예측 변수는 X 요인에 있습니다.
자, JMP 기본 설정을 그대로 사용해서 간단하게 진행해 보겠습니다. JMP의 권장 사항을 따르면 100개의 트리가 생성됩니다. 그러면 변동성의 평균값을 계산해 볼 수 있습니다. 이는 트리가 하나만 생성되는 의사결정 트리보다 더 안정적입니다. 이제 100개의 트리 평균값을 얻었고, R² 값을 확인할 수 있습니다. 일반화된 R² 값을 보면 "훈련 데이터셋에서는 R² 값이 최대 90%까지 나오고, 검증 데이터셋에서는 80%까지 나오네요."라는 것을 알 수 있습니다. 부트스트랩 포레스트를 사용하면 훈련 데이터셋과 검증 데이터셋 모두에서 R² 값이 향상되는 것을 확인할 수 있습니다.
컬럼 기여도도 살펴볼 수 있습니다. 저항과 산화막 두께가 다시 한번 강조되어 있습니다. 하지만 총 네 가지 매개변수 외에도, 부트스트랩 포레스트는 100개의 트리를 실행하기 때문에 훨씬 더 많은 매개변수를 제공하지만, 정규화된 BIN#6(양호/불량)에는 최소한의 영향만 미칩니다. 의사결정 트리보다 성능이 더 좋았기 때문에 이 모델을 유지하겠습니다. 지금은 이 모델을 최소화하고 다시 프레젠테이션으로 돌아가겠습니다. R² 값이 매우 좋고, 두 가지 주요 매개변수가 강조되어 있습니다.
이제 연속형 반응 변수로 넘어가겠습니다. 여기서 제가 보여드릴 회귀 모델은 단계적 선형 회귀 분석(Stepwise Fit Linear Regression)입니다. 이것이 제 데이터 테이블입니다. [분석]에서 [적합 모델]을 선택합니다. 예측 모델 대신 적합 모델을 사용하겠습니다. 이는 모델을 구축하는 또 다른 방법입니다. 모든 2,000개 이상의 데이터를 상관관계 분석에 사용할 것이기 때문에 검증을 위한 항목은 따로 없습니다. 회귀 모델을 사용한다고 가정하고, Y 변수에는 연속형 정규화된 BIN#6 폴아웃을 사용하고, 모델 효과의 주효과로는 클래스 프로브 173 매개변수를 선택하겠습니다.
매크로를 사용하여 차수를 2로 설정할 수 있습니다. 그러면 두 요인 간의 상호작용을 확인할 수 있습니다. 하지만 시간이 오래 걸리므로 여기서는 실행하지 않겠습니다. 1차 차수만 사용하겠습니다. 예측 변수가 많기 때문에 단계적 회귀 분석을 사용하는 것이 더 안정적입니다. 모델을 실행합니다. 다시 한번 JMP 권장 사항을 따르겠습니다. 최소 BIC를 종료 기준으로 사용하고, 단계적 회귀 분석 방향은 전진으로 설정합니다. 좋은 모델이 나올 때까지 매개변수를 계속 입력합니다.
모델을 실행해 보겠습니다. 잠시만 기다려 주세요. 네. 실행이 완료되면 R²와 조정된 R² 값을 확인할 수 있습니다. 약 74%로 나쁘지 않네요. 두 수치가 매우 가깝습니다. 이제 모델을 살펴보겠습니다. 이것은 선형 회귀 모델입니다. ISP+ 값을 잘 나타냈는데, 산화막 두께는 조금 낮게 나왔습니다. 다른 여러 매개변수들이 BIN#6 값과 강한 상관관계를 보이며, 정규화된 BIN#6 값에도 영향을 미치는 것을 알 수 있습니다. 이는 2,000개 이상의 웨이퍼로 구성된 대규모 데이터셋을 사용했기 때문에 상관관계를 쉽게 찾을 수 있었기 때문입니다. 여기서 마치고 파워포인트로 돌아가겠습니다.
이것은 R² 값이며, 이 단계별 선형 회귀 모델에서 어떤 매개변수가 중요한지 요약한 효과입니다. 다음으로 보여드릴 모델은 부트스트랩 포레스트입니다. 이 모델은 회귀 분석도 상당히 잘 처리하기 때문에 매우 정밀한 모델입니다. 다시 JMP 파일로 이동하여 예측 모델과 부트스트랩 포레스트를 분석해 보겠습니다.
JMP를 사용해 보신 적이 있다면, 설정값을 불러올 수 있다는 것을 아실 겁니다. 하지만 저는 범주형 BIN#6 폴아웃 대신 연속형 변수인 정규화된 BIN#6 폴아웃을 사용하겠습니다. JMP의 권장 사항에 따라 포레스트 트리는 100개로 설정하겠습니다. 몇 초 정도 걸리겠지만, 그리 오래 걸리지는 않을 겁니다. 결과를 확인해 보겠습니다. 정규화된 BIN#6에 대한 부트스트랩 포레스트 결과가… 와, R² 값이 0.977, 98%나 나오네요. 훈련 데이터셋 기준입니다. 검증 데이터셋에서는 91%가 나왔습니다. 이 결과는 방금 보여드린 선형 회귀 모델에서도 동일하게 나온 결과입니다. 이 모델은 그대로 두고, 다음 단계로 넘어가기 전에 다시 한번 살펴보겠습니다.
열 기여 요인들을 살펴보겠습니다. 동일한 두 개의 저항과 산화막 두께가 강조 표시되어 있습니다. 다른 두 개의 변수도 높은 값을 보이지만, 모델에 대한 기여도는 작은 다른 변수들이 많습니다. 이 경우, 축소 모델을 구축하려면 여기에서 두 변수를 선택하고 분석, 모델 적합을 차례로 클릭한 다음 매크로를 선택합니다. 저는 응답 서비스를 선호하는데, 그 이유는 주효과뿐만 아니라 상호작용과 이차 효과까지 모두 포착할 수 있기 때문입니다.
정규화된 BIN#6 값을 Y에 대입하고, 예측 변수가 많지 않으므로 표준화된 최소 제곱법을 사용하여 분석을 실행하겠습니다. 이렇게 얻은 모델을 바탕으로 변수를 축소할 수 있습니다. 축소된 모델은 R² 값이 65%밖에 되지 않습니다. 나쁘지는 않지만, 예측 변수가 적기 때문에 더 안정적일 수 있습니다. 모델을 설명하기는 더 쉽지만, 부트스트랩 포레스트 모델에서 강조하는 다른 매개변수들이 포함되지 않아 편향이 더 커질 수 있습니다.
제 발표로 돌아가 보겠습니다. 이제 네 가지 모델 모두 완성되었으니 R² 비교를 살펴보겠습니다. 단계적 선형 회귀는 같은 플랫폼을 사용하지 않고, 훈련 데이터와 검증 데이터를 비교하는 것도 아니기 때문에 R² 대 조정된 R²를 비교하는 것이 공정하지는 않습니다. 하지만 보시다시피, 제 부트스트랩 포레스트는 분류 데이터와 회귀 데이터 모두에서 매우 높은 응답률을 보입니다. 훈련 데이터에서는 90%를 넘고, 검증 데이터에서도 가장 높은 응답률을 기록했습니다. 저는 좋은 예측과 나쁜 예측을 구분하고 BIN#6의 실패율을 추정하기 위해 두 가지 모델 모두를 사용하기로 했습니다.
그럼 여기서 어떻게 예측해 볼까요? 다시 여기로 돌아가서, 이게 제가 클래스 데이터(좋음/나쁨)에 대해 만든 부트스트랩 포레스트라는 걸 기억해 볼게요. 예측 모델을 사용하려면 빨간색 삼각형을 클릭하고 열을 저장해야 합니다. 예측 공식도 저장할게요. 보시면 JMP가 좋음과 나쁨의 확률을 바로 보여줍니다. 그러면 아마도 BIN#6 클래스일 가능성이 높다고 나올 거예요.
제 데이터셋 맨 아래로 내려가 보시면, 모델을 만들 때 데이터셋에 숨겨둔 150개의 웨이퍼가 있습니다. 하지만 모델에서 생성된 방정식은 이 150개의 웨이퍼에 적용되어 "이 로트(Lot-D)의 1번 웨이퍼가 불량일 것이고, 나머지는 불량일 것이다. Lot-C에는 불량 웨이퍼가 많고, Lot-A에는 불량 웨이퍼가 몇 개 있다"라고 예측합니다. 이렇게 하면 불량 위험이 있는 웨이퍼 수를 매우 빠르게 파악할 수 있습니다. 하지만 이 방법은 양품과 불량품의 비율만 알려줍니다. 만약 제가…
BIN#6 불량률은 얼마나 될까요? 그 수치를 알 수 있다면 더 정확한 결정을 내리는 데 도움이 될 겁니다. 제가 원하는 건 이게 아니라 바로 이겁니다. 이 모델은 정규화된 BIN#6 불량률을 예측하는 부트스트랩 포레스트 회귀 모델입니다. 마찬가지로 빨간색 삼각형을 표시하고 예측 공식을 저장해 보겠습니다. 그러면 정규화된 예측값이 나옵니다. 이제 이 값을 최소화해 보겠습니다. 검증 열에 있는 150개의 웨이퍼 각각에 대해 BIN#6 불량률 예측값을 얻었습니다. 이처럼 JMP의 예측 모델링을 활용하면 150개 웨이퍼의 불량률을 추정하여 위험도를 평가할 수 있습니다.
결론적으로, 약 47개의 웨이퍼가 불량품이 될 것으로 예상되며, 이는 BIN#6 불량률이 높아졌음을 의미합니다. 하지만 이 중 어느 것도 폐기 한도에 도달하지는 않을 것입니다. 그래서 우리는 "좋습니다. 이 150개의 웨이퍼를 모두 유니프로브(Uniprobe)로 보내 4주 후에 데이터를 받아보고, 우리 모델의 정확성을 검토해 보겠습니다."라고 결정했습니다. 우리가 내린 결정은 웨이퍼를 보내는 것이었습니다. 왜냐하면 이제 웨이퍼는 폐기 위험 요소가 되었지만, 예상되는 BIN#6 불량률로 인한 전체적인 다이 품질 저하가 새로운 로트를 생산할 만큼 크지 않기 때문입니다.
또한 BIN#6 불량의 주요 원인인 두 가지 핵심 매개변수를 알게 되었습니다. 담당 전문가와 논의 후, 팀은 높은 저항값을 개선하기로 결정했습니다. 공정 윈도우링을 통해 저항값을 낮추고 A 부품의 수율을 유지할 수 있는지 확인하기로 했습니다. 다른 매개변수인 ToxP는 배치 공정으로, 동일한 기술로 여러 부품을 생산할 수 있습니다. 따라서 공정 변경이 적합하지 않습니다. 팀은 ToxP의 안정적인 성능을 확보하기 위해 라인의 관리 한계를 강화하기로 결정했습니다.
4주 후, 이 150개 웨이퍼에 대한 유니프로브 피드백을 받았습니다. 보시다시피, 주요 BIN#6 불량률이 4개 로트보다 높은 로트가 두 개 있습니다. 이는 BIN#6 불량률 예측치입니다. 상관관계는 약 71%로 나쁘지 않습니다. 올바른 결정을 내리는 데 도움이 됩니다. 이제 0.187 기준을 충족했으므로 고위험군은 아닙니다. 하지만 분명히 로트 C가 이상하게 작동하는 것을 볼 수 있습니다. 실험실 처리 이력을 검토한 결과, 로트 C는 표준 제품이 아니라 공정 변경 평가에 사용된 제품이라는 것을 알게 되었습니다. 따라서 모델링에서 로트를 제외해야 합니다. 그렇게 하면 R² 값을 80%까지 향상시킬 수 있습니다.
요약하자면, 저는 실험 설계(DOE)처럼 몇 달씩 걸리는 방식 없이 신속하게 의사결정을 내릴 수 있도록 도와주는 예측 모델을 찾고 있습니다. 이 모델은 데이터 조작을 최소화하고 컴퓨터 메모리 제약 없이 자기상관을 처리할 수 있어야 합니다. 범주형 데이터의 경우, 사전 분할(pre-partition)과 부트스트랩 포레스트(Bootstrap Forest)가 효과적이며, 예측 변수의 수가 많더라도 문제없이 처리할 수 있습니다. 또한, 이러한 모델들은 자기상관이 있는 예측 변수에도 민감하지 않습니다.
우리는 선형 회귀보다 우수한 성능을 보이는 부트스트랩 포레스트에 대해 이야기했습니다. 부트스트랩 포레스트는 분류 및 회귀 데이터 모두에 적용 가능하며, 예측 변수의 크기가 크거나 자기상관이 있는 예측 변수에도 뛰어난 성능을 보입니다. 이 내용이 여러분께 도움이 되었기를 바라며, JMP 소프트웨어를 사용하여 첫 번째 예측 모델링을 시도하고 데이터를 기반으로 정보에 입각한 결정을 내리는 데 도움이 되기를 바랍니다. 이것으로 제 발표를 마치겠습니다. 경청해 주셔서 감사합니다.
