La industria de fabricación de semiconductores se encuentra a las puertas de una era transformadora, impulsada por técnicas analíticas avanzadas. Esta presentación profundiza en la aplicación del modelado predictivo y el análisis de diagnóstico en el software JMP para mejorar significativamente los resultados de fabricación, especialmente durante las cruciales fases iniciales de clasificación y prueba de clase. Al aprovechar los datos paramétricos exhaustivos recopilados en las diversas etapas del proceso de producción de semiconductores, nos embarcamos en un viaje para perfeccionar la predicción de resultados de aprobado/reprobado a nivel de unidad y descubrir las causas subyacentes de posibles defectos.
Nuestro estudio destaca el uso estratégico de las capacidades de modelado predictivo de JMP para pronosticar con precisión el estado final de las pruebas a nivel de sistema de los productos semiconductores. Este enfoque no solo permite la detección temprana de problemas, sino que también facilita la implementación oportuna de medidas correctivas, garantizando así mayores tasas de rendimiento y una calidad superior del producto. Paralelamente, el análisis de diagnóstico de JMP ofrece un análisis profundo de los datos, lo que permite a los fabricantes identificar y abordar las causas raíz de los fallos en la compleja red de procesos de producción.
Esta presentación muestra aplicaciones reales de estas funciones de JMP, demostrando su papel fundamental en la optimización de los flujos de trabajo de fabricación de semiconductores. Descubra cómo el modelado predictivo y el análisis de diagnóstico pueden emplearse eficazmente para optimizar los resultados de producción, reducir costes y mejorar la fiabilidad de los productos. Acompáñenos a explorar las estrategias analíticas de vanguardia que prometen redefinir el futuro de la fabricación de semiconductores.
Buenos días a todos. Me llamo John Xu y mi colega, Suraj Sindia. Ambos trabajamos en Intel Corporation. Como saben, Intel es una empresa fabricante de semiconductores. Fabricamos chips de computadora y otros chips. Hoy les presentamos una de nuestras investigaciones, titulada "Revolucionando la Prueba de Fabricación de Semiconductores con JMP".
Aplicamos metodología de IA en JMP para el modelado predictivo y la dirección de pruebas. Para nuestra predicción, contamos con cuatro secciones. En la primera, presentamos brevemente la industria de fabricación de semiconductores y, a continuación, describimos el método de modelado predictivo que utilizamos en JMP con la red neuronal y el boosting.
A continuación, le mostramos el caso práctico de demostración de JMP, donde adaptamos las pruebas para la prueba de fabricación en JMP. Analizamos la aplicación JMP y utilizamos la red neuronal JMP y el análisis de componentes principales (PCA). A continuación, presentamos un resumen y conclusiones.
Descripción general de este semiconductor. Es un sector crucial y en rápida evolución, fundamental para las tecnologías modernas. Quizás los semiconductores, a los que llamamos circuitos integrados (CI), sean componentes esenciales presentes en una amplia gama de dispositivos electrónicos como teléfonos inteligentes, computadoras, automóviles y muchos otros, como el refrigerador de casa.
Esta industria se caracteriza por su alto nivel de innovación y un gasto de capital significativo, tal vez una fábrica gaste 10 mil millones de dólares para construir una fábrica, y la demanda del mercado de silicio, digamos simplemente, al menos algunos de los segmentos del mercado relacionados con los semiconductores, como una memoria, como un amuleto, una memoria rápida o un microprocesador.
El más popular, todos sabían que quizás la CPU de la computadora. Un circuito integrado básico, como el circuito estándar, se usa en múltiples tipos de dispositivos, como automóviles y otros, y ASIC, como circuitos integrados de aplicación específica, y quizás algunas tiras analógicas, como en los semáforos y otros.
También les presento brevemente el modelo de fabricación de semiconductores. Podemos mencionar solo tres tipos de empresas: IDM, empresas sin fábrica o fundiciones puras. Las empresas sin fábrica se limitan al diseño y la fabricación del chip, pero no lo fabrican por sí mismas. A estas empresas las llamamos sin fábrica, como AMD, Nvidia y Qualcomm.
Además, algunas empresas no tienen un producto propio. No diseñan circuitos integrados, pero fabrican circuitos integrados para otras empresas sin fábrica. Las pocas [inaudible 00:03:37] son TSMC o [inaudible 00:03:39] Foundry. Pero algunas empresas, como Intel o Samsung, lo hacen todo en conjunto.
Básicamente, diseñamos el chip nosotros mismos y lo fabricamos en nuestra propia fábrica. Después, ensamblamos y fabricamos el chip final y lo enviamos a nuestros clientes, como HP o Dell, quienes fabricarán la computadora para el cliente final. Además, ofrecemos un proceso de fabricación de semiconductores de alto nivel.
En realidad, el proceso de fabricación de semiconductores implica cientos de pasos diferentes. Pero este es un proceso de alto nivel, que comienza básicamente con las obleas de silicio. Por ejemplo, la empresa Seasonic fabrica el silicio, lo corta en obleas y luego lo envía a Intel. Luego, realizamos muchos pasos para fabricar el chip a partir de las obleas.
El primer paso es la oxidación. Básicamente, consiste en formar una capa de dióxido de silicio sobre la superficie de la oblea. Después, realizamos la fotolitografía, formando el diseño del circuito sobre la oblea utilizando el producto químico fotosensible. Después, aplicamos un grabado por soplado y eliminamos el material no deseado para crear los patrones deseados. Finalmente, realizamos el dopaje, introduciendo la impureza para modificar las propiedades electrónicas del silicio, y finalmente, la deposición.
En realidad, añadimos capas de material a la oblea mediante diversas técnicas. Por ejemplo, una capa sobre otra. Después, realizamos la clasificación y prueba de matrices electrónicas. Hoy, la investigación se centrará en este proceso, que llamamos pruebas.
La siguiente diapositiva le brindará más detalles sobre cómo realizamos el proceso de prueba.
Gracias, John. Gracias, John. Gracias por la descripción general del proceso de fabricación de semiconductores. El proceso de fabricación de semiconductores, como lo demostró John, consta de varias etapas. La prueba es la etapa principal del proceso, donde se verifica la calidad técnica de la matriz. Es la etapa donde se prueban todos los pasos de fabricación anteriores para comprobar si cumplen con los requisitos para los que se diseñó el circuito integrado o la matriz.
Dentro de las fases de prueba, existen tres etapas principales en las pruebas de semiconductores. La primera es la prueba eléctrica de la matriz. En esta etapa, se prueban las matrices en la oblea sin siquiera cortarlas. Se utilizan sondas de oblea, como las que se muestran en esta pequeña imagen, que sondean los nodos internos de la matriz para medir voltajes, corrientes extraídas de la fuente de alimentación, corrientes de fuga, etc.
Las unidades que pasan la prueba de clasificación eléctrica de matrices se cortan en pedazos de la oblea y se empaquetan, y las unidades empaquetadas lucen o se parecen a algo que probablemente sea familiar para la mayoría de nosotros que hemos visto una placa base en una computadora, esos widgets negros, los circuitos integrados.
Estos ya están empaquetados y se prueban tanto su funcionalidad como su rendimiento mediante millones de patrones de prueba. Si una unidad no supera siquiera uno de estos patrones, se descarta. Si no cumple con el rendimiento o no alcanza el umbral de rendimiento de un contenedor, se reduce a un contenedor inferior y se prueba para determinar si su rendimiento es inferior. Si no lo cumple, se vuelve a probar para un contenedor inferior, y así sucesivamente. Si no cumple con el contenedor de rendimiento más bajo, se descarta, y así sucesivamente.
Esta es la segunda etapa principal del flujo de pruebas de fabricación, denominada Prueba de Clase o Prueba de Paquete. Tras esta etapa, se lleva a cabo una prueba de dirección. En esta etapa, una herramienta fuera de línea dirige las piezas a uno de tres o más carriles para someter la matriz a la denominada Prueba de Nivel de Sistema Final.
Este es el zócalo de prueba o el zócalo de prueba más caro donde los dados que ahora han sido empaquetados se montan en una placa base y se prueban para pruebas de alto nivel, similares a las de una aplicación.
Se trata de elementos como el arranque del sistema operativo Windows o Linux. Aplicaciones de alto nivel como el navegador Chrome, e incluso aplicaciones similares a JMP, se ejecutan en el componente después de montarlo en una placa base. Esto se hace para que se asemeje lo más posible a su uso final, como lo haría un usuario final de una computadora. Si el componente supera esta prueba a nivel de sistema, se envía a los clientes de Intel o de los fabricantes de semiconductores.
¿Por qué se realizan pruebas VLSI o pruebas de circuitos integrados? La necesidad de realizar pruebas es crucial para garantizar el funcionamiento. Cada matriz que se fabrica inevitablemente presenta un defecto. Cada etapa de fabricación incremental puede presentar defectos, y posteriormente, se necesita la etapa de pruebas para eliminar estas piezas defectuosas.
Las piezas defectuosas, en muchos casos, no ajustan la matriz a la funcionalidad para la cual fue diseñada y, en algunos casos, no coinciden con el requisito de rendimiento para el cual fue diseñada.
Las pruebas desempeñan un papel crucial no solo en la garantía funcional, sino también en la garantía del rendimiento. Además de la detección de defectos y la garantía funcional, también contribuyen al aprendizaje del rendimiento, lo que implica una mejora del flujo de fabricación, de modo que cualquier defecto incremental detectado durante las pruebas pueda utilizarse para mejorar el proceso de fabricación e implementar cambios en la fotolitografía, por ejemplo, o en el grabado, para controlar el flujo de fabricación y evitar la aparición de defectos.
Esto es extremadamente importante para maximizar los ingresos brutos y también el ahorro de costos para el resultado final, en el sentido de que cada porcentaje incremental de mejora del rendimiento genera ahorros de costos sustanciales para el fabricante.
¿Cuáles son los desafíos en las pruebas de semiconductores o pruebas VLSI? VLSI significa Circuito Integrado de Muy Gran Escala (VLL), y la razón es que la integración de transistores en los microprocesadores modernos supera los 10 mil millones de transistores individuales.
A la derecha, tengo una pequeña imagen prediseñada de un microprocesador moderno, donde la escala de los transistores individuales puede ser tan pequeña como un nanómetro de un solo dígito. Es como colocar mil transistores o mil partes de un solo cabello.
El alto costo y el tiempo que consumen las pruebas se deben a la necesidad de probar cada transistor individualmente. Imagine la cantidad de patrones de prueba necesarios para probar individualmente cada transistor en un diseño de este tipo. Esto genera grandes volúmenes de datos de prueba y su análisis para diagnosticar dónde se encuentran los transistores defectuosos, así como para procesar esta enorme cantidad de datos para verificar si son correctos o incorrectos y para caracterizar el rendimiento, lo que permite determinar si la matriz cumple con el nivel más alto o si debe clasificarse en uno de los niveles más bajos antes de enviarla a nuestros clientes.
El papel del modelado predictivo en las pruebas VLSI ya se puede visualizar, basándose en la experiencia previa... Tiene el potencial de lograr un enorme ahorro de costos y de obtener información útil y práctica a partir de un enorme conjunto de datos. Estas técnicas de modelado predictivo pueden utilizarse para la detección temprana de defectos, identificando posibles problemas con muy pocos patrones de prueba.
Se puede utilizar para ahorrar significativamente costos y tiempo de prueba al predecir qué matrices probablemente aprobarán o fallarán con un número reducido de pruebas, en lugar de esperar hasta la última etapa. El modelado predictivo también permite eliminar por completo ciertas etapas de prueba, como lo haremos en este caso práctico, donde eliminamos la etapa de control de pruebas, donde un probador se dedica a dividir las matrices en uno de los múltiples carriles donde se someten a una prueba final del sistema.
El modelado predictivo puede utilizarse de forma práctica e intencionada para eliminar por completo ciertas etapas de prueba con alta correlación. Las mejoras posibles, desde el punto de vista del aprendizaje del rendimiento y la mejora de la calidad, tienen un enorme potencial gracias al modelado predictivo. En nuestro caso práctico, examinaremos cómo podemos eliminar una etapa de prueba denominada «Test Steering» utilizando JMP y un modelo basado en redes neuronales entrenado con JMP.
Si recuerda, en nuestras tres etapas de prueba diferentes, desde Sort hasta Class, Class hasta SLT, hay una etapa de audición de prueba intermedia donde se realiza una medición fuera de línea para dirigir las partes a uno de los muchos carriles de prueba de nivel de sistema final.
En este caso práctico, contamos con tres líneas de prueba cuya duración se clasifica del TT1 al TT3. TT1 es la línea de prueba más larga para las unidades con mejor rendimiento y la más corta para las unidades con peor rendimiento. Nuestro objetivo es utilizar el modelado predictivo mediante JMP para dirigir las matrices individuales a una de estas líneas de prueba, en lugar de las mediciones XC2 realizadas con una herramienta de medición sin conexión.
Intentamos utilizar las mediciones en línea realizadas en las etapas de clasificación y prueba de clasificación para predecir a qué carril de prueba se someterá cada troquel. En nuestro conjunto de datos, contamos con 13 186 unidades probadas. Cada una de estas 13 186 unidades tiene 16 señales de sensor medidas in situ. Cinco de estas señales son categóricas, 11 son entradas numéricas y las salidas son uno de tres valores categóricos, de TT1 a TT3.
Como puede verse, la distribución está bastante sesgada, con TT3 dominando entre las unidades y TT1 siendo la que menos, alrededor de 564 a 10.488.
Las entradas de X1 a X5 son categóricas. Abarcan varios rangos categóricos, desde tan solo dos niveles hasta un máximo de 22 niveles entre X1 y X5. Entre las entradas numéricas de X6 a X16, tenemos una dispersión bastante diversa. Como puede observarse con X6, tenemos un rango desde 0,01 hasta 1,5. En el caso de X14, tenemos la dispersión más amplia, desde cero hasta más de 2500. Por lo tanto, tenemos una dispersión bastante diversa de entradas.
Analizaremos la construcción de un modelo de referencia basado en una red neuronal en JMP para predecir uno de estos tres valores categóricos utilizando las 16 señales de entrada recopiladas in situ. Para comenzar nuestro ejercicio de construcción de modelos en jump, comenzaremos con el modelo de red neuronal más simple posible que aún nos brinde información útil sobre la precisión de la clasificación.
Comenzaremos con una red neuronal de una sola capa con tres neuronas. Realizaremos una validación cruzada de 5 pasos. Fijaremos la tasa de aprendizaje en 0,1. No se aplicará boosting, lo que significa que el número de modelos adicionales será cero. El número de recorridos será uno, lo que implica que no se realizará ningún entrenamiento de retropropagación incremental tras la convergencia.
Para cada neurona individual, estableceremos la función de activación como Tanh hiperbólica. Ahora, accederemos a JMP para realizar una demostración activa del proceso de construcción del modelo. Tengo mi tabla de datos aquí. Bien, la compartiré aquí.
Bien, tengo mi tabla de datos aquí. Lo que ven son las entradas de X1 a X16 y el plano temporal de prueba, que es uno de tres: TT1-TT3. Los tres valores que ven. Ahora comenzaremos con el modelado predictivo. En el menú desplegable "Analizar", encontrarán el modelado predictivo y comenzaremos el entrenamiento de la red neuronal.
Para nuestros factores X, es decir, las entradas, usaremos X1-X16. Para la respuesta Y, usaremos TT Lane. Haga clic en Aceptar. Esto abrirá el menú de entrenamiento de la red neuronal. En este menú, usaremos una validación cruzada de KFold. Como mencioné, usaremos cinco pliegues.
Para la semilla aleatoria, usaremos un número específico que usé para la diapositiva, para que los números sean consistentes. Para la primera capa, tendremos tres neuronas. Este es el modelo base. No tendremos neuronas en la segunda etapa. Usaremos la función de activación hiperbólica de Tanh.
Es básicamente una función sigmoidea. No tendremos boosting. Fijaremos el número de modelos en cero y la tasa de aprendizaje en 0,1. Ahora pulsamos "Ir" para iniciar el proceso de entrenamiento. El modelo se está construyendo y entrenando, y ¡sorpresa! Es un modelo simple. Lo construimos rápidamente. Lo que ven aquí es un R-cuadrado generalizado bastante bueno, incluso con solo tres neuronas para este conjunto de datos de 13 000 unidades.
Dado que usamos KFold, configurado en cinco, esto significa que, del conjunto de datos, el 80 % se utiliza para entrenamiento y el 20 % para validación. En este caso, observarán que el R-cuadrado alcanza el 92,9 % y el 93 %, respectivamente, para los conjuntos de datos de entrenamiento y validación. Tenemos algunos errores de clasificación. Si observan la matriz de confusión, aquí es donde se ven los carriles TT reales, es decir, la realidad fundamental en el eje y y los estados predichos en el eje x.
Tenemos una tasa de clasificación errónea de aproximadamente el 20%, la más alta en este conjunto de datos, donde el modelo de red neuronal predice que TT1 es TT2 en el 20%. Podemos graficar para nuestros propósitos: una tasa de clasificación errónea del 15% o inferior es ideal, pero del 20% o inferior es aceptable. Demostraremos cómo podemos seguir mejorando la tasa de clasificación errónea.
Ahora trazamos el diagrama de la red neuronal. Como pueden ver, tenemos las 16 entradas. Las tres neuronas que designamos para la primera capa. Cada una de estas neuronas tiene la función de activación hiperbólica Tanh y TT Lane como salida. Ahora aumentaremos la complejidad del modelo. Como mencioné, este es el modelo base. Ahora complejicemos el modelo para mejorar la tasa de clasificación errónea.
Teníamos tres neuronas en la primera etapa y cero en la segunda. Ahora aumentaremos el número a dos. Seguimos sin potenciar y mantenemos la misma tasa de aprendizaje. Esta tasa se puede modular y modificar según la velocidad de convergencia deseada, a costa de la precisión.
Si aumenta la tasa de aprendizaje, podría alcanzar mínimos locales en lugar de mínimos globales. Su convergencia será más rápida, pero corre el riesgo de alcanzar mínimos locales en lugar de mínimos globales. Podemos cambiar diferentes métodos de penalización. Básicamente, utilizaremos el error cuadrático medio mínimo al cuadrado. El número de recorridos se establece en uno.
A medida que se construye nuestro modelo, verán que nuestro R-cuadrado ya ha mejorado entre el modelo base, que si recuerdan, era de 0,92 y 0,93, y nuestro modelo con un R-cuadrado de tres por dos también ha mejorado. Nuestra tasa de clasificación errónea también ha mejorado entre 0,2 y 0,18, aproximadamente un 18 %. Podemos observar el diagrama. Tenemos dos etapas: tres neuronas en la primera y dos neuronas en la segunda.
Ahora, aumentemos aún más la complejidad del modelo para examinar cómo esto afectará nuestra tasa de clasificación errónea. Es importante tener cuidado al aumentar la complejidad del modelo para evitar el riesgo de sobreajustar los datos y perder generalidad. Sin embargo, a niveles de 13 000 unidades, examinaremos cuántos parámetros resultan.
Como observarán, el período de entrenamiento se prolonga a medida que aumentamos el número de neuronas en nuestro modelo. Aquí tenemos el R-cuadrado generalizado para la nueva complejidad incrementada del modelo. Como pueden ver, la precisión no siempre mejora con un simple aumento de los parámetros del modelo. Debido a lo que mencioné, existe el riesgo de sobreajuste.
Como puede ver, el R-cuadrado es de 0,937 y 0,936, ligeramente superior a la red de tres por dos, pero no mucho. Como también verá, la tasa de clasificación errónea ha disminuido ligeramente con el aumento de la complejidad. Como puede ver, si trazamos el diagrama, tenemos hasta cinco neuronas en la primera etapa y siete neuronas en la segunda.
No siempre el aumento de la complejidad del modelo resulta en una mejor tasa de clasificación errónea. Aquí es donde se utilizarán técnicas de ajuste inteligente, como el boosting, y la combinación de parámetros del modelo con boosting para aumentar la precisión. Ahora examinaremos, dado que hemos alcanzado cierta precisión y tasa de clasificación errónea, cómo podemos reducir la complejidad de entrada.
Usamos 16 entradas. En nuestro caso, ¿cómo podemos reducir el número de entradas para mantener el mismo nivel de precisión? Como mencioné aquí, aumentamos la complejidad del modelo, pero esto resultó en una clasificación errónea ligeramente menos precisa. ¿Cómo podemos mejorar el sobreajuste del modelo reduciendo el número de entradas? Para ello, JMP resulta útil, ya que podemos usar los métodos multivariados de componentes principales disponibles en JMP para construir un modelo con menos entradas.
Ahora seleccionaremos los componentes principales del conjunto de datos de entrada y seleccionaremos el número necesario de componentes principales que generen el menor número de errores. Como observará, tenemos X1-X16 como entradas. Solo seleccionamos las entradas numéricas porque, para el análisis de componentes principales, las únicas entradas que JMP puede analizar son las numéricas.
Como pueden ver, tenemos los 11 componentes principales del conjunto de datos. Sin embargo, cada componente principal incremental resulta en una menor varianza de entrada capturada. Podemos trazar el diagrama de sedimentación aquí para ver dónde se encuentra el punto de inflexión del PCA, y como pueden ver, este se produce aproximadamente en dos componentes principales. En esencia, la mayor parte de la varianza se captura con solo dos componentes principales.
Pero también grafiquemos y veamos cuál es la CDF incremental de los autovalores. Como pueden ver, aproximadamente el 90 % de la varianza de entrada se captura con tan solo seis autovectores o seis componentes principales. Ahora usaremos estos seis componentes principales y los complementaremos con las entradas categóricas para el entrenamiento de nuestra red neuronal. Si recuerdan, cuando lanzamos la herramienta de análisis de componentes principales, JMP no tomó las entradas categóricas para el ACP, sino solo las numéricas.
Para nuestra red neuronal, tendremos que complementarla con la categórica y construirla con los componentes principales que hemos elegido. Ahora volvemos a la tabla de datos que teníamos. He guardado los componentes principales de este análisis. Seleccionaremos los componentes principales y, ahora, construiremos de nuevo nuestra red neuronal modelo.
Tengo los seis componentes principales que generé. Los guardo como entradas y luego los complemento con X1-X5 como otras entradas. Sigo queriendo que TT Lane sea mi respuesta Y o salida. Utilizo la misma validación cruzada de KFold y la semilla aleatoria. Usamos tres neuronas para la primera capa y dos neuronas para la segunda.
Con el número de modelos incrementales que tenemos, comenzaremos con cero, lo que significa que no se potenciará inicialmente. Luego, examinaremos con potenciación. Ahora pulsamos "Ir". Observarán que estoy usando el mismo número de pliegues, es decir, el 20 % de los datos para la validación y el 80 % para el entrenamiento.
Aquí estamos. ¿Listos? Observamos que hemos logrado aproximadamente el mismo nivel de precisión que con los 16. Lo primero que debemos comprobar es que ahora solo tenemos 11 entradas: los seis componentes principales y las cinco categorías. Tenemos la red neuronal, la red neuronal de tres por dos. La tasa de clasificación errónea es respetable. Es prácticamente la misma que obtuvimos con las 11 entradas y la red más compleja de cinco por siete.
¿Cómo seguimos desde aquí? Ahora, aumentemos el número de neuronas en el modelo y examinemos cómo esto nos ayudará con nuestra tasa de clasificación errónea. A medida que el modelo se entrena con el aumento de la complejidad, tarda más. Notarán que, al introducir el boosting, el entrenamiento a lo largo del día tardará aún más.
Verán ahora que con la red de siete por cinco, nuestra precisión ha aumentado, y eso se debe a que redujimos las entradas. Es contradictorio. Reducir las entradas a veces puede aumentar la precisión debido a la selección de la complejidad del modelo.
Esa es la idea no trivial que se desprende de esto. Si profundizamos y examinamos... Observemos el diagrama. Como mencioné, tenemos los seis componentes principales y las cinco entradas categóricas. La complejidad del modelo se ha multiplicado por siete.
Ahora, vamos a potenciar. Ayudemos a potenciar. Un aspecto importante de JMP es que la potenciación solo funciona en la primera capa, lo que significa que JMP ignora cualquier número de neuronas especificadas en la segunda capa. Solo las neuronas de la primera capa se utilizan para potenciar.
Ahora no tendremos neuronas en la primera capa, y tendremos una tasa de refuerzo de cinco, con tres neuronas en la primera capa. El refuerzo implica el error entre la predicción tras la convergencia y las entradas. La tasa de error entre la predicción objetivo y la realidad fundamental se minimiza con cada refuerzo incremental del modelo. En este caso, tenemos un total de 15 neuronas.
A partir de aquí, demostraremos el boosting. El modelo se escala según el número de modelos seleccionados. En este caso, se utiliza cinco como factor de escala para escalar el número de neuronas en la primera etapa. El modelo resultante tendrá 15 neuronas, lo que se valida quíntuplemente con el conjunto de datos de entrenamiento. Veremos ahora el modelo de ajuste. Finalmente, concluiremos la presentación.
Como mencioné, con el boosting, el entrenamiento toma más tiempo. Como pueden ver, dado que solo tenemos una capa con boosting, nuestro R-cuadrado fue menor en comparación con la red de cinco por siete, pero es mejor que el modelo de referencia que construimos inicialmente. El modelo de referencia comparado con la validación cruzada quíntuple es lo que ven aquí.
Como pueden ver, el modelo mejorado se puede ver aquí. Este es el modelo mejorado comparado con el modelo de referencia. La precisión también se puede apreciar aquí. Es muy comparable entre el modelo mejorado y el modelo de referencia.
Ahora terminamos la presentación. Volvamos a nuestras diapositivas. Bien. Volvemos a nuestras diapositivas. Como pueden ver, entrenamos el modelo base. Luego, redujimos la complejidad de entrada mediante PCA. Seleccionamos los seis componentes principales, los complementamos con los categóricos X1-X5 y entrenamos nuestra red neuronal.
Entrada. Reducir las entradas resultó en una mayor precisión. Esta es la clave para comprender que se observa un aumento en la complejidad del modelo, aunque no necesariamente mejora su precisión. Sin embargo, reducir la complejidad de las entradas puede contribuir a mejorar la precisión. Luego, presentamos el diagrama de sedimentación que mostramos, y elegimos las seis neuronas o los seis vectores base como componentes principales para el entrenamiento.
Este es otro que omitimos hoy, donde solo tenemos las entradas categóricas. Como pueden ver, la precisión disminuyó considerablemente, lo que significa que no se puede reducir la complejidad de la entrada indefinidamente, ya que esto resultaría en un modelo menos preciso.
Luego, elegimos una etapa de refuerzo de cinco. En este caso, tenemos un refuerzo de dos con tres neuronas. Como pueden ver, al aumentar el refuerzo de 2 a 5, observamos una mejora en la tasa de clasificación errónea y el R-cuadrado.
Podemos realizar comparaciones entre estas redes. En este caso, si bien construimos muchos modelos, comparo solo los tres modelos principales que finalmente utilizamos. En nuestro caso, una simple red neuronal de dos capas con un boosting de cinco, seis componentes principales y cinco entradas, cumplió con el umbral de precisión que buscábamos.
En cada caso, deberá examinar los requisitos de precisión de su aplicación. A continuación, elija el modelo con criterio, tras experimentar con los parámetros de entrenamiento, la complejidad del modelo y la complejidad de entrada. En nuestra presentación de hoy, examinamos cómo se puede utilizar el modelo de red neuronal en JMP para nuestra aplicación objetivo: el control adaptativo de pruebas para circuitos integrados.
Examinamos diferentes modelos predictivos. Desarrollamos una red neuronal simple, una red neuronal con un componente principal. Examinamos una red neuronal con componentes principales y boosting. Demostramos las mejoras en cuanto a los recursos de prueba adicionales necesarios.
En este caso, pudimos prescindir de una herramienta de medición XC2, cuyo coste puede llegar a los 100.000 dólares por máquina, al utilizar las mediciones en C2 ya realizadas en las etapas de prueba de ciertas clases para predecir la línea de prueba a nivel de sistema. Esta oportunista reducción de costes en las pruebas es posible gracias a redes neuronales simples de dos capas.
Cabe mencionar que en JMP, dentro de la interfaz de usuario, solo se puede entrenar una red neuronal de dos capas, pero se puede ampliar la complejidad de la red neuronal usando JSL, donde se puede personalizar y construir una red neuronal más profunda, según sea necesario para aplicaciones de gama alta con conjuntos de datos más grandes. Esta es nuestra presentación de hoy. Gracias por su atención.
