Abweichungen können in einer Produktionsstätte erhebliche Kosten verursachen. In der Halbleiterindustrie können Produktionsausfälle, Ausschuss und Wafer mit geringer Ausbeute sowie Produktionsrückgänge zu beträchtlichen Umsatzeinbußen führen. Ingenieure, die mit der Untersuchung dieser Abweichungen beauftragt sind, müssen schnell verwertbare Erkenntnisse gewinnen, um datengestützte Entscheidungen treffen zu können, die Ausfallzeiten minimieren und die Produktqualität verbessern.
Der analytische Workflow von JMP unterstützt Sie bei der Planung der Schritte und Tools, die Sie für die effiziente Untersuchung von Abweichungen benötigen. Erfahren Sie, wie der Abfrage-Generator den Datenzugriff aus Datenbanken vereinfacht und wie das leistungsstarke Tabellenmenü von JMP die Datenmanipulation erleichtert. Entdecken Sie optimale Tabellenformate für die Visualisierung und Analyse von Wafer-Map-Daten. Nutzen Sie explorative und analytische Verfahren, um verborgene Zusammenhänge zwischen den einzelnen Schritten Ihres Fertigungsprozesses aufzudecken. Optimieren Sie Ihre Analysen mit JMP Pro und nutzen Sie Funktionen wie die Bildanalyse im neuen Torch Deep Learning Add-In für JMP Pro 18, um tiefergehende Erkenntnisse zu gewinnen.
Automatisieren und wiederholen Sie Ihre gesamte Analyse mit dem Workflow Builder in JMP. So profitieren Sie von Geschwindigkeit, Reproduzierbarkeit, Flexibilität und analytischer Leistungsfähigkeit – ganz ohne Programmierung. Erfahren Sie, wie Sie mit diesen Tools und Techniken in JMP und JMP Pro in einem schnelllebigen Produktionsumfeld effiziente Lösungen erzielen und erhebliche Kosteneinsparungen erreichen.
Hallo zusammen. Mein Name ist Ryan Cooper, und ich bin JMP-Systemingenieur für die Golfküstenregion. Heute geht es um die Optimierung von Fertigungsabweichungsuntersuchungen mit JMP. Auch wenn wir uns hier auf die Halbleiterindustrie beziehen, lässt sich das Prinzip eines solchen Vorgehens auf jede Fertigungsindustrie übertragen. Ich zeige Ihnen einige Tipps und Tricks, die Ihnen bei allen Arbeiten mit JMP nützlich sein können, nicht nur bei Abweichungsuntersuchungen. Es ist für jeden etwas dabei.
Damit kommen wir nun zu unserem Exkursionsthema. Falls Sie Ihre Fertigungsexkursionen für die nächsten 30 Minuten unterbrechen wollten, tut es mir leid, aber wir haben noch eine weitere. Hoffentlich verfügen Sie nach dieser Exkursion über einige neue Werkzeuge in Ihrem JMP-Werkzeugkasten, die Sie selbstständig anwenden können. Diese spezielle Exkursion beinhaltet einige mysteriöse Wafer-Signaturen, die die Ingenieure der Fehleranalyseabteilung von URA Semiconductor Company vor ein Rätsel gestellt haben. Es handelt sich hier um vier Wafer-Maps mit unterschiedlichen Signaturen, die von verschiedenen Stellen stammen. Wir müssen herausfinden, woher sie kommen.
Wir werden dies anhand verschiedener Bereiche des Analyse-Workflows in JMP demonstrieren. Zunächst betrachten wir den Datenzugriff, dann die Datenzusammenführung und -bereinigung, bevor wir uns der Datenexploration und -visualisierung widmen. Wir werden uns kurz mit Modellierungswerkzeugen befassen, den gesamten Prozess aber durch Automatisierung und Skripte abrunden. Der entscheidende Vorteil: Mit dem Workflow Builder ist keine Programmierung erforderlich. Wir werden im Laufe der Präsentation immer wieder auf verschiedene Aspekte dieses Workflows zurückkommen, und Sie werden den Grund dafür verstehen. Es ist eine hervorragende Methode, um die Problemlösung in JMP zu strukturieren.
Die benötigten Datentabellen. Ich werde oft gefragt: „Wie fange ich so etwas an? In meinem Unternehmen werden Unmengen an Daten gesammelt.“ Meine Antwort darauf lautet meist: Man sollte sich immer eine Frage stellen. In diesem Fall erweitern wir die Frage vom Anfang: Woher kommen diese Defekte? Wir wollen wissen, welche Prozessschritte zu den ungewöhnlichen Waferdefekten von Produkt A beitragen. Alle diese Waferdefekte stammen von Produkt A. Normalerweise versuche ich dann, bestimmte Schlüsselwörter mit verschiedenen Bereichen einer Datentabelle, einer Datenbank oder Ähnlichem zu verknüpfen.
In dieser Tabelle finden Sie Daten zu Wafer-Die-Defekten, die den Prozessschritten der Wafer-Defektbehandlung entsprechen. Ich benötige Prozessdaten mit Parametern wie Produkt, also für Defekte von Produkt A, Schritt, Prozess usw. Sie sehen hier die Formatierung der Daten. Das hohe Datenformat eignet sich gut zur Visualisierung von Wafern, jedoch weniger für Vorhersagen und die Gewinnung komplexerer Erkenntnisse aus Modellen. Im Allgemeinen sollten Probleme mit Prädiktoren, die Ergebnisse beeinflussen können, im breiten Format dargestellt werden. Die hier verwendeten Daten sind hochformatig, und wir können die Wafer mithilfe der X- und Y-Achse im Graph Builder visualisieren.
Das Format ist bereits recht gut. Um die Ursachen zu untersuchen, benötigen wir die Daten in einem breiteren Datenformat. Dafür gibt es verschiedene Möglichkeiten. Auf der nächsten Seite sehen Sie das Format, das wir für die Beantwortung unserer Frage benötigen. Links sehen Sie unseren Wafer, individuell dargestellt, mit einem Diagramm der vollständigen Defektdaten auf Chipebene. Wir werden dieses Diagramm erstellen, in der Tabelle speichern und es in verschiedenen Teilen unserer Analyse verwenden.
Hier haben wir Prädiktoren, die aus Prozessschrittdaten generiert werden. In diesem Fall sehen Sie die Schritte und die Geräte-ID. Die Geräte-ID steht hier nach dem Unterstrich. Wir können so ermitteln, welche Geräte-IDs und Schritte bestimmte Fehler verursachen. Die Fehleranzahl hier ist das Ergebnis. Sie wird nur nicht auf dem Bildschirm angezeigt. Das ist unser Endergebnis. Das ist die Tabelle, die wir benötigen.
Hier ist unser Analyseplan. Ich hatte ja bereits erwähnt, dass wir auf den Analyse-Workflow zurückkommen würden, und hier kommt er zum ersten Mal zum Einsatz. Wir greifen auf unsere Daten zu, indem wir sie mit dem Abfrage-Generator abrufen und anschließend mit SQL filtern. Danach folgt die Datenzusammenführung und -bereinigung, bei der wir Tabellen aufteilen und verknüpfen. Durch das Aufteilen erhalten wir das breite Datenformat, und anschließend müssen wir die Tabellen verknüpfen, um die Beziehungen herzustellen und das Problem zu lösen. Abschließend widmen wir uns der Datenexploration und -visualisierung.
Wie bereits erwähnt, liegen die Daten auf Chipebene im gestapelten Format vor. Wir speichern die Diagramme in einer Datentabelle – eine wirklich praktische Funktion, die nicht jedem bekannt ist. Die Analyseergebnisse visualisieren wir im Breitbildformat mit den gespeicherten Diagrammen als Markierungen oder Beschriftungen für unsere abschließende Modellierung. Wir gehen dabei folgendermaßen vor: Zuerst greifen wir auf die Daten zu und visualisieren die Chipdaten, da hier keine Datenzusammenführung oder -bereinigung erforderlich ist. Anschließend bereinigen wir die Daten, um sie ins Breitbildformat zu bringen, und führen dann die Modellierung und Analyse durch.
Ein weiterer wichtiger Punkt ist, dass 80 % der Problemlösung mithilfe von Analysen aus dem Zugriff auf und der Aufbereitung der Daten bestehen. In diesem Fall sind es genau diese Schritte. Oftmals schreckt genau das viele von solchen Analysen ab. Es ist leicht, die Motivation zu verlieren, insbesondere wenn man programmieren muss, was in JMP zum Glück nicht nötig ist. Wir verfügen über hervorragende Tools zur Datenaufbereitung und zur Verknüpfung aller Daten mit dem Workflow Builder. Wir werden gleich sehen, wie das alles zusammenhängt. Unser Ziel ist es, am Ende dieses Kurses handlungsrelevante Informationen auf Basis datengestützter Entscheidungen zu gewinnen und mithilfe des Workflow Builders wiederverwendbares Wissen zu generieren.
Diese Lösung wird im gesamten Workflow schnell, flexibel und leistungsstark sein, sodass wir eine effiziente Lösung finden, die Ausfallzeiten reduziert, die Qualität unserer Wafer und Produkte verbessert und dadurch Umsatz und Kosteneinsparungen erhöht. Im Folgenden zeige ich Ihnen die JMP-Demo. Ich möchte darauf hinweisen, dass dies nur ein Überblick ist. Machen Sie sich also keine Sorgen, wenn Sie nicht alles verstehen. Ich werde einige Einstellungen live vornehmen und für andere ein kurzes Skript ausführen, um Zeit zu sparen. Sie können sich das Video und den Workflow, den ich beifüge, als Referenz für die Schritte ansehen, die Sie interessieren.
Beginnen wir mit dem Abfrage-Generator. Hier greifen wir auf unsere Daten zu. Ich gehe auf „Datei“, „Datenbank“ und „Abfrage-Generator“ und suche dort nach meinen Fehlerdaten. Ich gebe „Halbleiter“ ein. Sie sehen, dass es verschiedene Halbleitertabellen gibt. Möglicherweise gibt es mehrere Tabellen, und wir müssen die richtigen auswählen. In diesem Fall sehe ich mir die Daten zur Anzahl der Wafer-Chip-Defekte an und klicke auf „Weiter“.
Hier sehen Sie eine kleine Vorschau der Tabelle und ihrer Spalten. Sie können einen Tabellen-Snapshot erstellen. Sie sehen die Struktur mit Produkt, Die-ID, Wafer und der Anzahl der Defekte pro Chip auf dem Wafer. Es handelt sich um sehr detaillierte Analysedaten. Für jeden Chip und jeden Defektschritt gibt es eine Zeile. Wir suchen nach Defekten. Sie können hier bei Bedarf Verknüpfungen vornehmen, die gesamte Datenbearbeitung und -verarbeitung erfolgt jedoch später in JMP. Ich klicke jetzt auf „Abfrage erstellen“.
Um zu sehen, was hier vor sich geht, füge ich hier das Produkt zur Liste hinzu. Sie sehen, dass wir nur eine Spalte hinzugefügt haben. Ich kann die einzelnen Zeilen aber auch anzeigen lassen, indem ich diese Option aktiviere. Ich deaktiviere sie jetzt erst einmal. Ich füge nun in dieser Reihenfolge meine Chip-ID, meine X- und Y-Chips, meinen Wafer und meine Defekte hinzu. Sie sehen, wie alles hier hinzugefügt wird. Ich möchte nach Produkt A filtern, da dort mein Problem liegt. Ich kann nach Produkt A filtern. Ich kann die Filterkriterien auch beim Ausführen des Prozesses angeben. Wenn Sie ein anderes Produkt untersuchen möchten, können Sie dies im selben Workflow tun.
Ich werde das in dieser Situation nicht tun, aber es ist möglich. Da ich nach Produkt A filtere, kann ich das Produkt auch aus meinen Spalten entfernen. Dabei wird etwas SQL-Code generiert, um genau die Daten aus der Datenbank abzurufen, die ich per Drag & Drop ausgewählt habe. Sie müssen den SQL-Code nicht kennen, um diese Daten abzurufen. Mit diesen Informationen führe ich meine Abfrage aus und schließe das Fenster. Hier sind meine Ergebnisse. Jetzt kann ich zum Graph Builder wechseln. Wir haben unseren X-Chip. Diesen lege ich über einen X-Chip auf meinem Y-Chip. Standardmäßig ist die Darstellung geglättet, aber ich kann sie deaktivieren und Datenpunkte verwenden. Das sieht dann schon viel eher wie ein Wafer aus.
In diesem Fall haben wir alles beisammen. Ich möchte die Daten nach der Anzahl der Wafer aufteilen. Ich schließe das Fenster. Jetzt sehen wir hier einige einzelne visualisierte Wafer. Es sind insgesamt 125, und ich möchte Informationen zu den Defekten hinzufügen. Dazu ziehe ich die Defekte in die Overlay-Ansicht. Jetzt haben wir die Anzahl der Defekte auf jedem Chip des Halbleiterwafers. Die aktuelle Legendeneinstellung mit der Farbgebung gefällt mir nicht. Sie zeigt die Defekte nicht farblich an.
Ich gehe jetzt hier rein und ändere die Legendeneinstellungen. Ich mache das Farbschema etwas differenzierter. Ich wechsle von Blau zu Rot. Schauen wir uns das mal an. Ich erkenne einige der Signaturen. Sie heben sich schon etwas ab, aber ich möchte hier noch etwas mehr Kontrast, damit die Signaturen besser sichtbar sind. Ich passe das Farbschema etwas an, erstelle ein neues und gebe diesem Marker mehr Platz für Rot. Ich klicke auf OK, und jetzt stechen einige dieser Signaturen etwas deutlicher hervor. Da ist der Fehler oben und unten, der Donut, und dann links und rechts. Hier ist jeweils einer links und rechts.
Die sehen gut aus. Ich klicke auf „Fertig“. Das ist eine wenig bekannte Funktion des Graph Builders und der Möglichkeiten, Daten mit JMP in eine Datentabelle zu exportieren. Wenn Sie hier auf das rote Dreieck klicken und „In Datentabelle umwandeln“ auswählen, erhalten Sie eine Datentabelle mit dem Diagrammsymbol. Diese können wir für weitere Informationen verwenden, wodurch einige unserer Visualisierungen deutlich interessanter werden. Ich schließe das Fenster jetzt.
Jetzt müssen wir uns überlegen, wie wir unsere Datentabelle aufteilen und in ein breiteres Format bringen, um komplexere Analysen durchführen zu können. Wir werden die Die-IDs so aufteilen, dass wir alle Chip-IDs bzw. Die-IDs oben und die Wafer-IDs links haben. Dadurch können wir diese Informationen mit der Tabelle hier zusammenführen. Gehen wir zu „Tabellen“ und dann zu „Aufteilen“. Ich aktiviere hier die Vorschau, damit wir sehen können, was passiert.
Ich möchte die Daten nach der Chip-ID aufteilen und die Defekte innerhalb dieser Chip-IDs separat betrachten. Oben befinden sich 1423 Chips und links 125 Wafer. Um die Wafer anzuzeigen, ziehe ich die Wafer-Liste nach unten in die Gruppierung. Jetzt sehen Sie die Wafer in der ersten Spalte, rechts daneben alle Chip-IDs. Das hilft mir, die Daten mit der anderen Tabelle zusammenzuführen. Ich werde ihr einen Namen geben. Ich habe sie hier bereits vorbereitet. Ich verschiebe sie einfach. Dann klicke ich auf OK.
Ich brauche das jetzt nicht mehr, also klicke ich es weg. Ich habe hier zwei Tabellen. Ich werde diese Informationen hier verknüpfen. Ich gehe zu „Tabellen“ und dann zu „Verknüpfen“. Wir verknüpfen die Tabelle „Graph Builder“ mit dieser anderen Tabelle hier. Wir wählen die Wafer-Spalte als Abgleich. Das ist unsere gemeinsame Spalte, und Sie sehen hier die Vorschau. Wir haben momentan zwei Wafer-Spalten, da sie in beiden Tabellen vorhanden sind. Ich wähle nur eine für die Ausgabe aus. Nehmen wir zuerst die Wafer- und die Graph-Spalte und aktivieren diese.
Wir haben Wafer und Diagramm. Jetzt wählen wir die restlichen Chips aus. Nun haben wir alles beisammen. Wir geben der Ausgabe einen Namen und klicken auf OK. Da ich diese verwendet habe, habe ich zwei Tabellen, die jetzt alle in dieser Tabelle angezeigt werden. Ich schließe sie. Jetzt habe ich diese Datentabelle, mit der ich verschiedene Dinge tun kann. Die Gesamtzahl der Defekte ist hier noch nicht enthalten, und ich kann sie auch nicht summieren, was ich gleich tun werde. Aber die Prozessschritte fehlen noch. Das wird uns bei der Problemlösung helfen.
Mit den vorhandenen Daten, insbesondere den Chips als Prädiktoren und den Wafern hier links, kann ich nun interessante Visualisierungen und Modelle erstellen. Als Erstes werde ich die multivariate Einbettung anwenden, eine neue Funktion von JMP Pro 18. Ich verwende UMAP. Zunächst erscheint hier dieses Diagramm von UMAP1 und UMAP2. Die Dimensionen aller Chips wurden auf zwei reduziert, und wir werden uns nun einige Zusammenhänge ansehen.
Sie werden feststellen, dass die schwarzen Punkte uns im Moment noch nichts sagen. Sie zeigen lediglich die Zeilen an. Hier kommt das Diagramm ins Spiel. Ich klicke auf „Diagramm“, klicke mit der rechten Maustaste und wähle „Als Markierung verwenden“. Sie sehen nun, was in meiner multivariaten Einbettung passiert. Jetzt sehen Sie, dass einige Wafer mit anomalen Signaturen hier rechts, abseits der Gruppe normaler Wafer, angezeigt werden. Sie können hier einige dieser anomalen Wafer erkennen. Das ist eine gute Möglichkeit, Wafersignaturen zu visualisieren, deren Existenz Ihnen vielleicht bisher unbekannt war.
Als Nächstes werde ich das Clustering durchführen. Auch diesen Vorgang führe ich separat aus. Dabei werden alle meine Chips verwendet, um ähnliche Wafer zu gruppieren. Die Ergebnisse werden in der Datentabelle gespeichert. Jeder Wafer ist einem anderen Cluster zugeordnet. Ich habe einen Graph Builder mit einem Spaltenauswahlfeld, dem sogenannten Cluster-Selektor, erstellt. Damit kann ich die Daten durchgehen und sehen: Okay, ein Modell mit 125 Wafern ist einem Cluster zugeordnet. Bei zwei Clustern werden nun die verschiedenen Wafer-Signaturen sichtbar, die ich hier herausfiltere.
Ich kann die Linie entlanggehen und mir das ansehen. Cluster 5 war meiner Meinung nach am besten. Man sieht, dass sich die meisten unserer linken und rechten Fehler hier befinden, die oberen und unteren hier. Der große Donut-Fehler bildet einen eigenen Cluster. Das kann man auch für die restlichen Cluster machen. Kommen wir nun zum Rest unseres Problems. Wir haben darüber gesprochen, eine Tabelle mit Prozessdaten zu benötigen. Ich werde zur Sicherheit separat einen Abfrage-Generator ausführen, der uns diese Prozessdaten liefert. Er funktioniert genauso wie der Abfrage-Generator, den ich zuvor verwendet habe. Wir suchen einfach nur nach den Prozessdaten.
Ich lasse das jetzt laufen, um meine Tabelle hier zu erstellen. Denken Sie daran, dass diese Tabelle derzeit im Hochformat vorliegt. Wir benötigen sie im Breitformat, damit wir sie mit unseren Wafern, unserem Produkt, verknüpfen können. Zuerst werde ich einige dieser Variablen kombinieren, um sie aussagekräftiger zu gestalten. Sie werden sehen, warum das wichtig ist, nachdem ich die Aufteilung vorgenommen habe. Ich werde nun einen Unterstrich zwischen der Schritt-ID und dem Prozesstyp einfügen. Es kann mehrere verschiedene Prozesstypen geben. In diesem Fall handelt es sich nur um die Ausrüstung, aber es könnte auch die Kammer geben oder etwas anderes mit einer anderen ID. Wir möchten diese verknüpfen, um die Vorgänge in jedem Schritt für jeden Prozesstyp zu trennen.
Ich klicke hier mit der rechten Maustaste und wähle „Neue Formelspalte und Zeichenkette“. Dann kann ich die Werte mit einem Unterstrich verketten. Jetzt sind sie zusammengefügt. Dasselbe mache ich für den Prozesstyp. Meine Typ-ID verkette ich ebenfalls mit einem Unterstrich. Jetzt, da ich diese Informationen habe, kann ich die Daten ähnlich wie zuvor mit den Wafer-Dies aufteilen. Das führe ich separat aus. Danach kann ich die Tabelle schließen.
Ich habe hier meine Wafer, wieder 125 Stück, und die verschiedenen Bearbeitungsschritte und deren Typen mit der ID der jeweiligen Anlage, Kammer oder Ähnlichem. Allein hier können Hunderte, manchmal sogar Tausende von Schritten durchgeführt werden. Es ist nicht unbedingt praktikabel, diese Wafer einzeln zu durchsuchen und zu prüfen, welche Schritte allen Wafern gemeinsam sind. Wir werden diese Daten daher mit unserer bestehenden Tabelle verknüpfen, die Defekte summieren und anschließend ermitteln, welcher dieser Schritte tatsächlich zu den Wafer-Signaturen beiträgt.
Dazu gehe ich zurück und wir summieren alle unsere Defekte. Ich kann noch einen kleinen Formeltrick anwenden. Los geht's. Ich habe alle Defekte markiert. Ich kann sie alle mit einem Rechtsklick, einer neuen Formelspalte, „Kombinieren“ und „Summe“ summieren. Ganz am Ende wurden alle Werte addiert. Ich habe eine Spalte, die alle Werte addiert, und nenne sie einfach „Defekte gesamt“. Klicken Sie auf OK. Als Nächstes führen wir eine Verknüpfung durch, ähnlich wie zuvor. Auch diese lasse ich im Hintergrund laufen. Wir haben hier unser Wafer-Diagramm, die Gesamtzahl der Defekte und die Prozessschritte. Machen wir das, und wir können diese mit einem X ausblenden.
Jetzt haben wir unseren Wafer, unser Diagramm und unsere Schritte mit den zugehörigen Geräte-IDs. Am Ende sehen wir die Gesamtzahl der Defekte. Dies ist unser Endergebnis, das uns hilft, die ursprüngliche Frage zu beantworten: Welcher dieser Schritte verursacht die Wafer-Signaturen? Sobald ich meine Informationen in diesem Tabellenformat habe, gehe ich als Erstes zur Analyse, zum Screening und zum Prädiktor-Screening. Hier kann ich alle meine Schritte – es können Hunderte oder Tausende sein – in die X-Achse und die Gesamtzahl der Defekte in die Y-Achse eintragen.
Hier wird ein Modell ausgeführt, um herauszufinden, welche Schritte den Gesamtfehleranteil am besten vorhersagen. Schritt 1, Schritt 5 und Schritt 4 scheinen hierbei einen Einfluss auf den Gesamtfehleranteil zu haben. Schauen wir uns das einzeln an. Nehmen wir an, Schritt 1, 4 und 5. Ich wechsle zum Graph Builder. Dank der Markierungen auf den Wafern und der Diagramme können wir uns das Ganze sehr schnell ansehen.
Ich ziehe Schritt 1 hierher. Ich vergrößere das etwas. Wir sehen sofort, dass Anlage B hier den größten Einfluss hat. Wir haben hier unseren oberen und unteren Fehler. Es sieht so aus, als hätten wir ihn gefunden. Machen wir daraus einen Spaltenwechsler. Er hat eine Wiederholungsfunktion und einen Spaltenwechsler. Wir sehen uns eins, vier und fünf an und fügen hier auch noch acht hinzu. Ich zeige Ihnen gleich, warum.
Schritt 4 war ebenfalls ausschlaggebend. Anscheinend haben wir hier mit Gerät L unsere linken und rechten Defekte gefunden. Schritt 5: Gerät N zeigt hier die typische Donut-Signatur. Ich habe Schritt 8 deshalb hinzugefügt, weil wir hier nur zwei Wafer haben und es so aussieht, als ob sich hier unsere zufällige Defektsignatur befindet. Da wir aber nur zwei Wafer zur Verfügung haben, ist sie im Modell noch nicht sichtbar. Wir bräuchten mehr Daten, mehr Wafer, damit sie sichtbar wird.
Wir konnten herausfinden, welches Gerät diese Defekte verursacht. Schauen wir uns unsere PowerPoint-Präsentation noch einmal an, um unsere Ziele und unsere bisherigen Ergebnisse zu überprüfen. Wir haben datenbasierte Entscheidungen getroffen und daraus konkrete Handlungsempfehlungen abgeleitet. Es sieht so aus, als könnten wir das Gerät in jedem einzelnen Schritt genauer untersuchen. Möglicherweise gibt es noch eine andere Ursache innerhalb des Geräts, aber wir haben den Fehler bereits eingegrenzt.
Wir verfügen über wiederverwendbares Wissen. Ich zeige Ihnen gleich den Workflow Builder und wie alles, was ich gerade gemacht habe, darin abgebildet wurde. Geschwindigkeit, Flexibilität und Leistungsfähigkeit entlang des gesamten Workflows. Dieser Workflow ist wiederverwendbar und kann beispielsweise für eine andere Situation erneut ausgeführt werden. Sie müssen lediglich ein paar Schritte ganz einfach anpassen, und schon haben Sie eine effiziente Lösung. Die Umsetzung war sehr schnell. Wir reduzieren Ausfallzeiten, verbessern die Qualität und steigern Umsatz und Kosteneinsparungen.
Die größten Vorteile dieser Vorgehensweise sind erstens schnelle und effiziente Entscheidungsfindung. Was wir hier entwickelt haben, erforderte weder stundenlanges Programmieren noch wochen- oder monatelanges Erlernen des Programmierens. Es lag nicht in einem System, Programm oder einer Warteschlange und wartete auf seine Implementierung. Sie haben es selbst entwickelt. Es stammt von Ihnen, dem Fachexperten. Alle notwendigen Anpassungen lassen sich problemlos vornehmen, da Sie den Prozess verstehen. Ihre Analyse ist nun standardisiert, optimiert, korrekt und durch Automatisierung wiederholbar.
Sie haben Zeit und Geld gespart, indem Sie Fertigungsprobleme schnell gelöst haben. Noch ein kleiner Hinweis: Der Wert Ihres Zugriffs auf die Daten, für die Sie der Fachexperte sind, liegt darin, dass Sie Dinge erkennen können, die einem Datenbankmanager oder einem Data-Science-Team möglicherweise entgehen. Ich habe schon negative Rückmeldungen von Wissenschaftlern und Ingenieuren erhalten, die Zugriff auf solche Daten hatten. Das könnte eine Produktionsdatenbank beschädigen oder Ähnliches. Doch die Möglichkeiten eines Fachexperten sind unerlässlich, um neue Erkenntnisse zu gewinnen und den Status quo zu hinterfragen, anstatt einfach nur so weiterzumachen wie bisher.
Als Lösung könnte man beispielsweise eine Datenbank von einer realen Produktionsdatenbank spiegeln. Hier sehen Sie, wie der Zugriff auf diese Daten die Produktivität von Wissenschaftlern und Ingenieuren in drei verschiedenen Halbleiterunternehmen gesteigert hat. Dank dieses Tools können sich Fachexperten von mühsamen Datenaufbereitungsaufgaben befreien und stattdessen auf die Lösung von technischen Problemen konzentrieren, die echten Mehrwert für das Unternehmen schaffen. Mein Beispiel: Prozess- und Berichtsinformationen lassen sich schnell zusammenstellen, was sonst viele Stunden gedauert hätte. Diese Zeit sparen Sie.
Und dann noch die letzte Methode, die mir besonders gut gefällt, weil sie messbare Ergebnisse liefert: 83 % weniger Datenverarbeitungszeit, deutlich geringere Kosten und eine um 260 % gesteigerte Arbeitszufriedenheit der F&E-Ingenieure. Das ist ein viel direkterer Weg zur Problemlösung als andere Ansätze, die die Arbeitszufriedenheit möglicherweise nicht so hoch halten. Im Folgenden zeige ich den Workflow und wie das Ganze in der Praxis aussieht.
Ich gehe jetzt noch einmal alle Schritte durch, die ich hier gemacht habe. Sie sehen, wie das Ganze strukturiert ist. Wir kehren also zum analytischen Workflow zurück. Ich gruppiere meine Schritte gerne in Datenzugriff, Visualisierung, Datenaufbereitung und ähnliches, was zum analytischen Workflow gehört. Es gibt einen Teil 1 und einen Teil 2. Sie sehen hier alle Schritte, die ich durchgeführt habe. Anfangs habe ich alles sequenziell aufgezeichnet und hier organisiert, damit es wiederholbar ist. Ich klicke jetzt auf „Abspielen“, um den gesamten Ablauf zu starten. Sie sehen dann alles. Vorher haben wir die Diagramme in der Datentabelle gespeichert. Hier haben wir unser multivariates Embedding. Ich glaube, das Modell wird gerade für das Prädiktor-Screening ausgeführt.
Wir haben unser Clustering erfolgreich abgeschlossen. Ganz am Ende folgt das Screening der Prädiktoren. Hier sehen wir die Grafik, die wir uns in den einzelnen Schritten angesehen haben. Man erkennt deutlich, dass unsere Geräte B, L und N die Fehler in unseren Signaturen verursachen. Das ist alles reproduzierbar. Sie können den Vorgang mit neuen Daten wiederholen und sehen, welche neuen Wafer an welches Gerät gelangen.
Damit möchte ich noch etwas zum Thema Torch Deep Learning zeigen. Es gibt dazu eine weitere Session von Russ Wolfinger, in der er tiefer in die Materie einsteigt, aber ich möchte hier nur ein paar Beispiele aus dem Halbleiterbereich kurz vorstellen. Dies ist eine Funktion von JMP Pro 18. Sie können das Add-in separat über die Add-in-Seite der JMP-Community herunterladen. Unter „Torch Deep Learning und Beispieldaten“ finden Sie ein Torch-Storybook. Russ hat darin verschiedene Beispiele für unterschiedliche Anwendungsfälle zusammengestellt. Darunter befinden sich auch einige Beispiele zu Halbleiterwafern und Wafer-Maps.
Mit Torch Deep Learning können Sie Bildanalysen direkt im Bild durchführen und Wafer sowie die zugehörigen Defekte und Signaturen klassifizieren. Ich möchte Ihnen das anhand eines Beispiels zeigen, da es dem eben gezeigten Beispiel sehr ähnlich sieht. Ich öffne hier die Datentabelle. Sie sehen ein Bild. Der Dateiname enthält die Chargen-ID, die Wafer-ID, die Chargennummer, die Chipgröße (also die Anzahl der Chips im Wafer) und den Fehlertyp (die jeweilige Klassifizierung).
Hier können Sie Trainingsdaten anhand dieser Bilder erstellen, um den Fehlertyp vorherzusagen. Das ist wirklich genial! Es ist das erste Mal, dass eine Drag-and-Drop-Oberfläche für eine Bildanalyse dieser Art auf Deep-Learning-Niveau zur Verfügung steht. Wirklich beeindruckend! Weitere Informationen finden Sie in Russ' Anleitung zum Torch Deep Learning Add-in sowie in seinem Vortrag auf der diesjährigen Discovery-Konferenz.
Damit wäre meine Präsentation beendet. Sollten Sie noch Fragen haben, beantworte ich diese gerne unter ryan.cooper@jmp.com. Vielen Dank für Ihre Aufmerksamkeit.
