Un logiciel performant, entre des mains expertes, a le pouvoir de transformer le monde. Issu d'une entreprise leader dans la fabrication de semi-conducteurs, l'apport concret de Six Sigma est indéniable. Grâce à une grande variété d'études de cas réels, couvrant les fonctionnalités de JMP telles que la planification d'expériences (DOE), l'analyse multivariée, le contrôle qualité, l'optimisation des processus et les études consommateurs, cet ouvrage bouscule les idées reçues et offre des enseignements précieux pour de nombreux secteurs. Il ne s'agit pas simplement d'une démonstration de maîtrise de la DOE ; il illustre parfaitement le rôle de JMP comme référence en matière de solutions d'aide à la décision fondée sur les données. La présentation est cohérente et relie harmonieusement les différents cas grâce à un concept de flux de travail, véritable catalyseur pour la réussite des projets Six Sigma.
Bonjour à tous. Je m'appelle Jiayi Yang et je suis ingénieure support procédés chez Applied Materials. Aujourd'hui, je souhaite aborder le sujet suivant : « Au-delà des essais et erreurs : études de cas multiples sur la manière dont Applied Materials crée de la valeur grâce à la méthodologie DOE ».
Tout d'abord, permettez-moi de vous présenter l'entreprise. Il s'agit d'Applied Materials, leader mondial des équipements pour semi-conducteurs et écrans. Nous fournissons la quasi-totalité des outils de traitement des semi-conducteurs, à l'exception des machines de lithographie. Imaginez-nous comme le supermarché, le Walmart du secteur des semi-conducteurs : notre objectif est de contribuer à un avenir meilleur.
Avec un portefeuille clients aussi important, nous recevons quotidiennement une multitude de demandes. Par exemple, si un client souhaite mettre à jour ses produits, il peut faire appel à nous. Afin de démontrer notre expertise et de répondre efficacement et rapidement à sa demande, nous devons mener des projets de plans d'expériences (DOE) pour identifier les relations potentielles entre les variables et les résultats finaux. Mais comment être sûr que la solution finale que nous proposons à nos clients est la meilleure ? C'est le sujet que je souhaite aborder aujourd'hui. Je vous montrerai comment, chez Applied Materials, nous contrôlons chaque étape du processus DOE pour garantir la précision du modèle prédictif final.
Ce rapport a bénéficié du précieux concours de trois experts du Département de l'Énergie (DOE) : Jiaping Shen et Charles Chen d'Applied Materials (ma société) et Pin Hu de JMP. Je tiens également à remercier tous les ingénieurs de procédés qui ont participé à ce projet et qui ont partagé leur expérience pratique acquise chez le client. Leur expertise nous a été extrêmement utile pour concevoir un flux de travail plus réalisable et mieux adapté à nos ingénieurs.
La plateforme JMP propose de nombreux outils d'analyse, et nous nous concentrerons ici sur la planification d'expériences (DOE). Abordons maintenant le sujet en détail. Dans Applied Materials, le flux de travail DOE se compose de huit étapes. Encadré par l'étape de collecte des données, ce flux de travail se divise en trois parties : la conception de l'expérience et l'établissement du modèle prédictif.
Afin d'aider nos ingénieurs à mener à bien leurs projets et d'améliorer l'efficacité du modèle, de nombreux conseils et questions sont intégrés à chaque étape. Ces questions servent d'instructions ou d'avertissements, indiquant aux ingénieurs les critères à respecter et les risques encourus en cas de non-respect.
Bien entendu, chaque projet est unique et ces huit étapes ne couvrent qu'un large éventail de scénarios ; il n'existe pas de solution universelle. Nous sommes convaincus que si chaque ingénieur suit ces huit étapes et respecte les critères de chacune, même un ingénieur junior peut mener à bien un projet de plans d'expériences et obtenir un modèle performant.
Ensuite, j'expliquerai chaque étape une par une. La première consiste à définir la portée et l'objectif de votre plan d'expériences (DOE), ce qui signifie qu'il nous faut déterminer la relation potentielle entre Y et X. Afin de ne négliger aucune corrélation significative, nous devons identifier toutes les variables potentielles.
Pour ce faire, nous recommandons l'utilisation des méthodes Six Sigma. Par exemple, le cycle Six Sigma ou le diagramme de paramètres de conception Six Sigma, etc.
Ces méthodes Sigma peuvent nous aider à identifier toutes les variables susceptibles d'influencer les résultats finaux. Par exemple, les différents lots de plaquettes reçus de nos fournisseurs peuvent avoir un impact déterminant sur ces résultats. Ce sont des facteurs que nous avons tendance à négliger, car nous faisons confiance à nos fournisseurs, mais il arrive qu'ils commettent des erreurs. D'autres facteurs, comme les facteurs de bruit, peuvent également avoir une influence majeure sur le résultat final.
Grâce aux méthodes Six Sigma, nous pouvons identifier toutes les variables Y et les variables potentielles à un niveau très global. Mais comment les mettre en œuvre concrètement ? Pour cela, nous pouvons utiliser l’analyse multivariée afin d’explorer le comportement multidimensionnel des variables et d’étudier leurs interactions.
L'étape suivante consiste à réduire le nombre de variables. Pour ce faire, nous pouvons utiliser l'analyse de regroupement de variables afin de sélectionner les variables les plus représentatives et indépendantes. En combinant à nouveau les approches Six Sigma et JMP, nous pouvons finalement identifier la variable Y et la variable X la plus pertinente.
Pour quantifier plus précisément cette relation, il est nécessaire de construire un modèle de plan d'expériences (DOE). Afin d'améliorer la pertinence du modèle, il est essentiel de soigner la structure du DOE. Or, une erreur fréquente consiste à se demander si le DOE dont nous parlons est le bon. En réalité, si l'on ne modifie qu'un seul facteur à la fois, on réalise une expérimentation de conception (EOD), et non un véritable DOE, car la conception EOD est plus adaptée à l'étude des effets principaux.
Pour détecter les interactions et autres effets de haut niveau, il est nécessaire de réaliser un plan d'expériences (DOE), également appelé plan orthogonal. Ce type de plan permet de modifier simultanément deux facteurs ou plus.
Par ailleurs, il est essentiel de bien maîtriser l'étendue de l'espace d'exploration, car il est crucial d'en étudier les effets. Par exemple, si l'espace est trop large, il est plus pertinent d'explorer les effets principaux, mais la puissance statistique s'en trouve amoindrie. À l'inverse, si l'on restreint l'espace, il est plus utile d'explorer l'effet d'interaction.
Parfois, il est nécessaire de gérer les contraintes de conception pour des raisons pratiques ou objectives. Par exemple, un équipement ne peut supporter simultanément une température élevée et une pression extrêmement élevée. Ignorer ces contraintes peut compromettre l'orthogonalité du plan d'expériences et conduire à l'échec du modèle. Pour gérer ces contraintes, on peut rechercher le point voisin le plus proche tout en conservant une structure quasi orthogonale, ou bien repenser entièrement l'expérience.
Examinons un article de recherche sur la Chine publié par AMAT en 2019 par Christy Pan. On constate sur cette image que trois conditions, indiquées dans le coin supérieur droit, étaient manquantes en raison de limitations liées aux capacités des équipements. Si l'on ignore ces trois conditions, le nombre d'éléments du DOE passera de 17 à 14.
Le pire, c'est que la structure orthogonale du plan d'expériences serait compromise. Pour pallier cette contrainte, il faut réduire l'espace de conception. Mais quel paramètre choisir ? Grâce à son analyse du processus, Christy Pin a finalement identifié deux compromis possibles : modifier l'espace de conception du paramètre B ou celui du paramètre C. Lequel choisir ?
Après avoir procédé à des diagnostics et des évaluations répétés en comparant la puissance, les facteurs de confusion, l'uniformité des prédictions, l'espace de conception et la variance des prédictions, Christy Pin a finalement opté pour la seconde solution. Cette image témoigne des efforts considérables qu'elle a déployés pour gérer ces contraintes de conception.
Cela témoigne du respect du savoir-faire artisanal qui règne chez Applied Materials. Vous vous demandez peut-être s'il existe une solution plus simple pour gérer ces contraintes de conception dès le départ ? Eh bien, vous avez de la chance ! La plateforme JMP offre une meilleure option : la conception personnalisée. Cette conception peut prendre en compte différents types de facteurs, de contraintes et de combinaisons interdites, et permet également de gérer les facteurs de modification importants et très importants.
Nous pouvons spécifier les effets nécessaires et ceux qui sont souhaitables. Le plan d'expériences personnalisé nous proposera alors un ensemble de plans d'expériences qui respectent ces contraintes. C'est une méthode beaucoup plus simple pour gérer les plans d'expériences comportant des contraintes sur les facteurs.
Après avoir élaboré le plan d'expériences, nous le présentons à nos clients ou à notre supérieur. Dans 90 % des cas, nous essuyons des questions et finissons par le rejeter, car le coût des expériences est une préoccupation majeure. On nous demande : « Est-il vraiment nécessaire de réaliser autant d'expériences ? » Par exemple, pour déterminer la relation entre neuf variables, il nous faut mener au moins 21 expériences. Sachant que chaque plaquette peut coûter plusieurs milliers de dollars, le coût des expériences est exorbitant, n'est-ce pas ? Comment gérer ces difficultés ?
Heureusement pour vous, la plateforme JMP offre également un meilleur choix : le plan d’expériences orthogonal supersaturé de groupe. Il s’agit d’une méthode spéciale qui peut nous aider à sélectionner les variables les plus significatives parmi de nombreuses variables.
Par exemple, cette méthode nous permet de déterminer sept variables en seulement six essais. Incroyable, n'est-ce pas ? Prenons maintenant un exemple concret d'utilisation de la méthode GO SSD. Dans ce cas, le processus en une étape est divisé en deux grâce à GO SSD, ce qui nous permet de tester deux conditions simultanément sur une seule plaquette. Cela réduit considérablement les coûts, car six essais suffisent pour sept variables. Plus important encore, le coefficient de détermination (R²) a été nettement amélioré, passant de 27 % à 92 %, et cette méthode GO SSD a été validée avec succès chez le client. Ce succès confirme que la conception GO SSD est une méthode économique qui nous permet d'identifier les variables les plus pertinentes dès le début du processus.
Il convient également de préciser que la méthode GO SSD ne prend en compte que les effets principaux. Si l'on souhaite préserver la structure orthogonale du plan d'expériences, il est nécessaire d'effectuer un plan d'expériences augmenté.
Ensuite, une fois notre plan d'expériences élaboré et l'accord des clients pour la réalisation de toutes les expériences obtenu, nous passons à l'étape de la collecte des données. Cette étape peut paraître simple, puisqu'il suffit de réaliser l'expérience et de collecter les données. Détrompez-vous, car c'est la partie la plus délicate. Le moindre bruit inattendu compromet la pertinence du modèle final. La capacité de mesure est donc primordiale.
Permettez-moi de vous faire part d'une leçon importante que nous avons tirée de la piètre qualité de notre système de mesure R&R. Dans ce cas précis, nous aidions nos clients à élaborer leur modèle, et nous avons été très surpris de constater que le modèle final était très étrange. Le dépannage nous a demandé beaucoup d'efforts. Nous encourageons donc vivement nos clients à réévaluer leurs capacités de mesure. Étonnamment, comme vous pouvez le voir sur cette image, neuf échantillons ont été testés deux fois, et la répétabilité était catastrophique car les plaquettes étaient oxydées par le temps d'attente prolongé entre les mesures.
Une fois la cause première identifiée, nous conseillons à nos clients de contrôler le temps d'extinction et/ou de placer les plaquettes dans une cage d'azote en cas d'oxydation. Après cette amélioration, le modèle final est satisfaisant. Forts de cette expérience, nous encourageons nos ingénieurs à réévaluer la capacité de mesure avant l'étape de collecte des données. Il arrive que le responsable de la méthodologie insiste sur sa pertinence, mais nous ne pouvons pas nous fier à lui car, la plupart du temps, il ne teste que la répétabilité au sein même de la méthodologie, négligeant la reproductibilité. Cela signifie qu'il peut ne pas tenir compte des différences de compétences des opérateurs ou d'autres problèmes liés au temps d'extinction, entre autres.
Par ailleurs, le rapport PT est un paramètre déterminant la capacité de mesure et dépend de la tolérance. Une fois le processus optimisé, la capacité de mesure doit être améliorée simultanément. Dans le cas contraire, la fiabilité de la méthodologie risque de compromettre les résultats finaux.
De plus, l'étude de répétabilité et de reproductibilité des jauges n'évalue que l'erreur aléatoire. Qu'en est-il d'autres facteurs comme l'erreur système, la stabilité dans le temps, etc. ?
Pour réaliser une évaluation plus approfondie et plus rigoureuse, nous pouvons utiliser la plateforme d'analyse des systèmes de mesure JMP afin d'élaborer le plan d'évaluation. Enfin, après la collecte des données, nous pourrons construire notre modèle.
Pour trouver le meilleur modèle et vérifier son adéquation, nous pouvons utiliser les outils de statistiques avancées ou de visualisation performants de la plateforme JMP. Par exemple, les valeurs statistiques nous indiqueront si l'ajustement de votre modèle est satisfaisant ou s'il présente des problèmes à prendre en compte. Par exemple, y a-t-il des problèmes de cullinarité, de manque de précision ou de surapprentissage ? Parallèlement, les profils d'interaction nous renseignent sur l'effet d'interaction entre les variables. Ils peuvent également révéler des informations que nous n'aurions pas pu identifier autrement. Par exemple, dans ce cas précis, sans le projet DOE, nous n'aurions pas constaté que l'effet du rapport gaz/densité est fortement influencé par la puissance. En combinant ces valeurs et en nous appuyant sur notre expertise d'ingénieur, nous pouvons choisir un modèle optimal. Il est à noter que JMP 18 propose de nouvelles fonctionnalités qui nous permettent d'analyser plus en détail les effets d'interaction.
Enfin, je tiens à souligner que la réussite d'un projet repose sur une combinaison de facteurs : le bon moment, le bon endroit et les bonnes personnes. Dans la plupart des cas, le facteur humain est la principale cause d'échec.
Il est essentiel d'identifier les facteurs de menace dès le départ. Par exemple, nous devons nous assurer que notre supérieur et nos collègues nous fourniront les ressources nécessaires pour mener à bien le projet DOE, du début à la fin.
Nous devons également nous assurer que notre client n'interrompra pas brusquement le projet. Afin d'évaluer le consensus au sein de notre équipe, nous utilisons de manière innovante la méthode des choix pour explorer ce consensus. Cette méthode, principalement utilisée dans les études de consommation, est similaire à l'analyse de reproductibilité R&R et nous permet de déterminer si notre accord est acceptable.
Par exemple, concernant les expressions « écumer » et « piétiner », nous avons utilisé une méthode de choix pour évaluer le consensus au sein de notre équipe. Nous avons constaté que sur certains points, le taux d'accord était faible, à seulement 46 %. Grâce à des explications supplémentaires entre les membres de l'équipe, à des activités de cohésion ou à d'autres initiatives, nous avons finalement fait passer le taux d'accord de 46 % à 90 %. En réalignant les priorités de l'équipe, nous avons pu centraliser les demandes et, finalement, mobiliser les énergies dans une seule direction.
Voici un exemple d'application novatrice de la méthode de conception par choix dans le cadre du projet DOE. Bien entendu, la plateforme JMP offre de nombreux autres outils utiles que nous pouvons explorer et appliquer avec souplesse et innovation au projet DOE. Ces méthodes nous permettront de mener à bien ce projet.
Comme l'a dit John Sall, cofondateur de JMP : « Un excellent logiciel, entre de bonnes mains, peut changer le monde. » Nous sommes convaincus que si chaque ingénieur, quel que soit son niveau d'expérience, suit ces huit étapes et remplit tous les critères de chacune, il pourra mener à bien le projet théorique et obtenir un modèle plus précis. Après avoir entendu cela, vous vous demandez peut-être si ces huit étapes sont vraiment efficaces ? Pour en percer le secret, pourquoi ne pas les essayer vous-même ? Vous serez alors conquis par la magie de cette méthode. C'est ce que je voulais partager avec vous aujourd'hui. Merci de votre attention.
