Hervorragende Software, von erfahrenen Anwendern eingesetzt, hat das Potenzial, die Welt zu verändern. Der durch Six Sigma geschaffene, greifbare Mehrwert, der von einem führenden Halbleiterhersteller stammt, ist unbestreitbar. Mit einer Vielzahl realer Fallstudien, die JMP-Funktionen wie Versuchsplanung (DOE), multivariate Analyse, Qualitätskontrolle, Prozessoptimierung und Marktforschung umfassen, sprengt diese Sammlung konventionelle Denkweisen und bietet wertvolle Einblicke für verschiedene Branchen. Sie ist nicht nur ein Beweis für die Kompetenz im Bereich DOE, sondern verkörpert vielmehr JMPs Rolle als Inbegriff datengetriebener Entscheidungsfindung. Die Präsentation ist schlüssig und verbindet die verschiedenen Fallstudien nahtlos durch ein Workflow-Konzept. Sie dient als entscheidender Katalysator für erfolgreiche Six-Sigma-Projekte.
Hallo zusammen. Mein Name ist Jiayi Yang, ich bin Prozessingenieurin bei Applied Materials. Heute möchte ich Ihnen das Thema „Jenseits von Versuch und Irrtum: Fallstudien zur Wertschöpfung bei Applied Materials durch DOE-Workflows“ vorstellen.
Zunächst möchte ich Ihnen das Unternehmen vorstellen. Es heißt Applied Materials. Wir sind der weltweit führende Hersteller von Halbleiter- und Displayanlagen. Wir bieten nahezu alle Arten von Anlagen für die Halbleiterfertigung an, mit Ausnahme von Lithografiemaschinen. Man kann sich uns wie einen Supermarkt vorstellen, wie Walmart in der Halbleiterbranche. Unser Ziel ist es, eine bessere Zukunft zu ermöglichen.
Da wir so viele Kunden betreuen, erhalten wir täglich unzählige Anfragen. Wenn Kunden beispielsweise ihre Produkte aktualisieren möchten, wenden sie sich an uns. Um unseren Kunden unsere Expertise zu demonstrieren und ihre Anfragen effektiv und schnell zu bearbeiten, führen wir Versuchsreihen (DOE) durch, um die potenziellen Zusammenhänge zwischen den Variablen und den Endergebnissen zu ermitteln. Doch wie können wir sicher sein, dass die Lösung, die wir unseren Kunden präsentieren, die beste ist? Genau darüber möchte ich heute sprechen. Ich zeige Ihnen, wie wir bei Applied Materials jeden Schritt im DOE-Workflow kontrollieren, um die Genauigkeit des finalen Vorhersagemodells zu gewährleisten.
Dieser Bericht wurde maßgeblich von drei Experten des US-Energieministeriums (DOE) unterstützt: Jiaping Shen und Charles Chen von Applied Materials, meinem Unternehmen, sowie Pin Hu von JMP. Mein Dank gilt außerdem allen Verfahrenstechnikern, die an diesem Projekt beteiligt waren und ihre praktischen Erfahrungen aus Kundensicht eingebracht haben. Diese Erfahrungen waren äußerst hilfreich, um den Arbeitsablauf praktikabler und besser an die Bedürfnisse unserer Ingenieure anzupassen.
Auf der JMP-Plattform stehen zahlreiche Analysetools zur Verfügung. In diesem Beitrag konzentrieren wir uns auf die Versuchsplanung (DOE). Kommen wir nun zum Thema selbst. Bei Applied Materials ist der DOE-Workflow in acht Schritte unterteilt. Ab dem Datenerfassungsschritt lässt er sich in drei Teile gliedern: Links davon wird das Experiment geplant, rechts davon das Vorhersagemodell erstellt.
Um unsere Ingenieure bei der erfolgreichen Durchführung ihrer Projekte zu unterstützen und die Modelleffizienz zu verbessern, enthält jeder Schritt zahlreiche Hinweise und Fragen. Diese Fragen dienen als Anweisungen oder Warnungen und verdeutlichen unseren Ingenieuren, welche Kriterien sie in jedem Schritt beachten sollten und welches Risiko ihnen bei Nichteinhaltung am Projektende droht.
Natürlich ist jedes Projekt einzigartig, und diese acht Schritte decken nur ein breites Spektrum an Szenarien ab. Es gibt jedoch keine Universallösung. Wir sind überzeugt, dass jeder Ingenieur, selbst ein Berufsanfänger, das DOE-Projekt selbstständig umsetzen und ein gutes Modell erstellen kann, wenn er diese acht Schritte befolgt und die jeweiligen Kriterien erfüllt.
Im Folgenden erkläre ich jeden Schritt einzeln. Der erste Schritt besteht darin, den Umfang und das Ziel Ihres Versuchsdesigns (DOE) zu definieren. Dazu müssen wir die potenziellen Zusammenhänge zwischen den Variablen Y und X ermitteln. Um keine wichtigen Korrelationen zu übersehen, müssen wir alle potenziellen Variablen identifizieren.
Hierfür empfehlen wir die Anwendung der Six-Sigma-Methoden. Beispielsweise den Six-Sigma-Zyklus oder das Design-for-Six-Sigma-Parameterdiagramm usw.
Diese Sigma-Methoden helfen uns, alle potenziellen Variablen zu identifizieren, die Einfluss auf die Endergebnisse haben könnten. Beispielsweise können die verschiedenen Chargen der von unseren Lieferanten gelieferten Wafer einen entscheidenden Einfluss auf unsere Endergebnisse haben. Solche Faktoren ignorieren wir üblicherweise, weil wir unseren Lieferanten vertrauen, doch auch sie können Fehler machen. Andere Faktoren, wie etwa Störfaktoren, können ebenfalls maßgeblich für das Endergebnis sein.
Mithilfe der Six-Sigma-Methoden können wir alle relevanten Variablen (Y) und potenziellen Einflussfaktoren auf einer sehr hohen Ebene identifizieren. Die nächste Frage lautet jedoch: Wie lässt sich dies in die konkrete Umsetzung integrieren? Hierzu können wir die multivariate Analyse nutzen, um das mehrdimensionale Verhalten der Variablen zu untersuchen und ihre Zusammenhänge zu analysieren.
Im nächsten Schritt werden die Variablen reduziert. Dazu kann die Clusteranalyse helfen, die aussagekräftigsten und unabhängigsten Variablen zu ermitteln. Durch die erneute Kombination von Six Sigma und der JMP-Plattform können wir schließlich die relevanten Variablen Y und X identifizieren.
Um diesen Zusammenhang genauer zu quantifizieren, benötigen wir ein Versuchsplanungsmodell (DOE). Für eine bessere Modellgüte ist die Struktur des DOE entscheidend. Doch hier liegt ein häufiges Missverständnis: Ist das DOE, von dem wir sprechen, wirklich das eigentliche? Wenn wir jeweils nur einen Faktor verändern, führen wir ein Versuchsplanungsmodell (EOD) durch, kein echtes DOE. Denn das EOD-Design eignet sich besser zur Untersuchung der Haupteffekte.
Um Wechselwirkungen und andere übergeordnete Effekte zu erfassen, ist ein tatsächliches Versuchsdesign (DOE) erforderlich, das auch als orthogonales Experiment bezeichnet wird. Bei diesem Versuchsdesign können zwei oder mehr Faktoren gleichzeitig verändert werden.
Gleichzeitig müssen wir den Untersuchungsbereich berücksichtigen, da er für die Erforschung der Effekte entscheidend ist. Ist der Bereich beispielsweise größer, lassen sich die Haupteffekte zwar besser untersuchen, ihre Wirkung wird jedoch abgeschwächt. Verkleinern wir den Bereich, können wir die Wechselwirkungseffekte besser erforschen.
Manchmal müssen wir aus praktischen oder objektiven Gründen Designbeschränkungen berücksichtigen. Beispielsweise kann die Ausrüstung nicht gleichzeitig hohen Temperaturen und extrem hohem Druck standhalten. Ignorieren wir diese Beschränkungen, kann der fehlende Wert die orthogonale Designstruktur zerstören und letztendlich zum Scheitern des Versuchsmodells führen. Um die Designbeschränkung zu beheben, können wir den nächstgelegenen Nachbarpunkt innerhalb der Beschränkung suchen, um die annähernd orthogonale Struktur beizubehalten, oder das gesamte Experiment neu konzipieren.
Betrachten wir eine ältere DS-China-Studie von AMAT, die 2019 von Christy Pan veröffentlicht wurde. Wie aus der Abbildung ersichtlich, fehlten drei Bedingungen in der rechten Ecke aufgrund von Gerätebeschränkungen. Ignoriert man diese drei Bedingungen, reduziert sich die Anzahl der DOE-Bedingungen von 17 auf 14.
Das Schlimmste daran ist, dass die orthogonale Struktur des Versuchsdesigns (DOE) zerstört würde. Um diese Einschränkung zu bewältigen, muss der Definitionsbereich verkleinert werden. Doch welcher Parameter eignet sich dafür? Durch das Verständnis des Prozesses fand Christy Pin schließlich zwei mögliche Kompromisslösungen: die Änderung des Definitionsbereichs von Parameter B und die Änderung des Definitionsbereichs von Parameter C. Doch welche sollte sie letztendlich wählen?
Durch wiederholte Diagnose und Bewertung anhand von Teststärke, Störfaktoren, Vorhersagegenauigkeit, Designraum und Vorhersagevarianz entschied sich Christy Pin schließlich für die zweite Variante. Wie aus dem Bild ersichtlich, unternahm Christy Pin große Anstrengungen, um diese Designbeschränkungen zu berücksichtigen.
Dies zeugt von der hohen Handwerkskunst, die Applied Materials auszeichnet. Sie fragen sich vielleicht, ob es eine einfachere Lösung gibt, diese Designbeschränkungen von Anfang an zu bewältigen? Nun, zum Glück für Sie. Die JMP-Plattform bietet eine bessere Option: das individuelle Design. Dieses Design kann verschiedene Faktoren, Einschränkungen und unzulässige Kombinationen berücksichtigen und unterstützt auch harte und sehr harte Änderungsfaktoren.
Wir können festlegen, welche Effekte notwendig und welche wünschenswert sind. Anschließend liefert uns das kundenspezifische Design eine Reihe von Versuchsplanungen, die diese Einschränkungen berücksichtigen. Dies ist eine wesentlich einfachere Methode, um Versuchsplanungen mit Faktorbeschränkungen zu handhaben.
Nachdem wir die Versuchsplanung (DOE) erstellt haben, präsentieren wir unsere Experimente unseren Kunden oder Vorgesetzten. In 90 % der Fälle werden wir jedoch hinterfragt und letztendlich abgelehnt, da die Kosten der Experimente ein Problem darstellen. Man wird fragen: „Müssen Sie wirklich so viele Experimente durchführen?“ Wenn wir beispielsweise den Zusammenhang zwischen den neun Variablen untersuchen wollen, benötigen wir mindestens 21 Experimente. Bedenkt man, dass ein Wafer mehrere Tausend Dollar kosten kann, sind die Experimentkosten beträchtlich, nicht wahr? Wie können wir diese Probleme lösen?
Zum Glück bietet die JMP-Plattform auch eine bessere Alternative: das Group Orthogonal Super-saturated Design. Dabei handelt es sich um eine spezielle Methode, mit der sich die wichtigsten Variablen aus einer Vielzahl von Variablen herausfiltern lassen.
Beispielsweise können wir damit die sieben Variablen in nur sechs Durchläufen bestimmen. Unglaublich, oder? Betrachten wir nun ein praktisches Anwendungsbeispiel der GO-SSD-Methode. In diesem Fall wurde der einstufige Prozess durch GO SSD in zwei Schritte unterteilt, sodass wir zwei Bedingungen gleichzeitig auf einem einzigen Wafer testen können. Dies reduziert die Kosten erheblich, da für sieben Variablen nur sechs Durchläufe benötigt werden. Besonders wichtig ist die deutliche Steigerung des Bestimmtheitsmaßes (R²) von 27 % auf 92 %. Die GO-SSD-Methode wurde erfolgreich beim Kunden validiert. Dieser Erfolg zeigt, dass GO SSD eine kostengünstige Methode ist, mit der sich die wichtigsten Variablen von Anfang an identifizieren lassen.
Es ist außerdem erwähnenswert, dass die GO-SSD-Methode nur die Haupteffekte berücksichtigt. Um die orthogonale Struktur des Versuchsdesigns (DOE) weiterhin zu erhalten, ist eine zusätzliche Durchführung des erweiterten Versuchsdesigns erforderlich.
Als Nächstes, wenn wir unseren Versuchsplan erstellen und die Kunden der Durchführung aller Experimente zugestimmt haben, folgt die Datenerfassung. Man könnte meinen, dieser Schritt sei recht einfach, da lediglich das Experiment durchgeführt und die Daten erfasst werden müssen. Doch weit gefehlt, denn dies ist der heikelste Teil. Jegliches unerwartetes Rauschen beeinträchtigt die Aussagekraft des endgültigen Modells. Die Messgenauigkeit ist dabei entscheidend.
Nun möchte ich Ihnen eine schmerzhafte Lektion zeigen, die wir aus der mangelhaften Messsystemanalyse (MSA) gelernt haben. In diesem Fall unterstützten wir unsere Kunden beim Modellbau und waren sehr überrascht, als wir feststellten, dass das Endergebnis recht ungewöhnlich war. Die Fehlersuche war äußerst aufwendig. Wir raten unseren Kunden daher dringend, ihre Messmöglichkeiten zu überprüfen. Wie Sie auf diesem Bild sehen, wurden neun Proben zweimal getestet, und die Wiederholgenauigkeit war katastrophal, da die Wafer durch die lange Wartezeit oxidiert waren.
Sobald die Ursache gefunden ist, empfehlen wir unseren Kunden, die Abtötungszeit zu kontrollieren und/oder die Wafer im Falle einer Oxidation in einem Stickstoffkäfig zu platzieren. Nach dieser Optimierung ist das finale Modell ausreichend. Aus dieser Erfahrung lernen wir, unsere Ingenieure anzuhalten, die Messgenauigkeit vor der Datenerfassung erneut zu überprüfen. Manchmal besteht der Methodenverantwortliche darauf, dass seine Methode ausreichend ist. Wir können ihm jedoch nicht vertrauen, da er meist nur die Wiederholbarkeit innerhalb der Methode selbst testet und die Reproduzierbarkeit außer Acht lässt. Das bedeutet, dass er möglicherweise Unterschiede in den Fähigkeiten der Bediener oder andere Faktoren, die mit der Abtötungszeit oder anderen Aspekten zusammenhängen, nicht berücksichtigt.
Das PT-Verhältnis ist ein Parameter zur Bestimmung der Messgenauigkeit und hängt von der Toleranz ab. Mit zunehmender Prozessoptimierung muss auch die Messgenauigkeit verbessert werden. Andernfalls kann die methodische Genauigkeit die Endergebnisse beeinträchtigen.
Darüber hinaus bewertet die Gauge-R&R-Methode lediglich den zufälligen Fehler. Was aber ist mit anderen Faktoren wie dem Systemfehler, der Stabilität über die Zeit oder anderen Faktoren?
Um die Evaluierung weiter auszuführen, können wir die JMP-Messsystemanalyseplattform nutzen, um den Evaluierungsplan zu erstellen. Nach der Datenerhebung können wir schließlich unser Modell erstellen.
Um das beste Modell zu finden und seine Eignung zu überprüfen, können wir die umfangreichen Statistiken oder das leistungsstarke Visualisierungstool der JMP-Plattform nutzen. Die statistischen Werte zeigen uns beispielsweise, ob die Modellanpassung ausreichend ist oder ob es Probleme gibt, die behoben werden müssen. Gibt es beispielsweise Bedenken hinsichtlich der Genauigkeit, der Fehlertoleranz oder der Überanpassung? Die Interaktionsprofile zeigen uns die Wechselwirkungen zwischen den Variablen. Sie können uns auch Erkenntnisse liefern, die wir zuvor möglicherweise nicht gewonnen haben. Hätten wir beispielsweise das DOE-Projekt nicht durchgeführt, hätten wir nicht erkannt, dass das Verhältnis von Gas zu Dichte stark von der Leistung beeinflusst wird. Durch die Kombination dieser Werte und unter Berücksichtigung unserer ingenieurtechnischen Erfahrung können wir ein geeignetes Modell auswählen. Ich möchte noch erwähnen, dass JMP 18 neue Funktionen bietet, die uns helfen, die Wechselwirkungen genauer zu analysieren.
Abschließend möchte ich noch betonen, dass der Erfolg eines Projekts den richtigen Zeitpunkt, den richtigen Ort und die richtigen Personen voraussetzt. In den meisten Fällen ist der menschliche Faktor der Hauptgrund für das Scheitern eines Projekts.
Wir müssen die Risikofaktoren von Anfang an identifizieren. Beispielsweise müssen wir sicherstellen, dass unser Vorgesetzter und unsere Kollegen uns die notwendigen Ressourcen zur Verfügung stellen, um das DOE-Projekt von Beginn bis zum Abschluss erfolgreich umzusetzen.
Wir müssen außerdem sicherstellen, dass unser Kunde das Projekt nicht plötzlich abbricht. Um den Konsens in unserem Team zu bewerten, nutzen wir ein innovatives Wahlverfahren. Dieses Verfahren wird hauptsächlich in Verbraucherstudien eingesetzt und ähnelt der Reproduzierbarkeitsanalyse (Gauge R&R). Es zeigt uns, ob unsere Vereinbarung akzeptabel ist oder nicht.
Beispielsweise haben wir in diesem Fall bei den Formulierungen zu „Schäumen“ und „Stampfen“ eine Wahlmöglichkeitsstudie durchgeführt, um den Konsens innerhalb unseres Teams zu ermitteln. Dabei zeigte sich, dass die Zustimmung bei einigen Punkten lediglich 46 % betrug. Durch weitere Erläuterungen im Team sowie durch Teambuilding-Maßnahmen oder andere Aktivitäten konnten wir die Zustimmung schließlich von 46 % auf 90 % steigern. Indem wir die Prioritäten des Teams neu ausrichteten, konnten wir die Anforderungen bündeln und die Energie in eine gemeinsame Richtung lenken.
Dies ist ein Beispiel dafür, wie wir das Choice Design innovativ in das DOE-Projekt einbinden. Selbstverständlich bietet die JMP-Plattform viele weitere nützliche Werkzeuge, die darauf warten, von uns erkundet und flexibel und innovativ im DOE-Projekt angewendet zu werden. Diese Methoden werden uns helfen, das Projekt erfolgreicher umzusetzen.
Wie John Sall, Mitbegründer von JMP, einst sagte: „Großartige Software kann in den richtigen Händen die Welt verändern.“ Wir sind überzeugt, dass jeder Entwickler, egal ob erfahren oder nicht, dieses Theorieprojekt selbstständig durchführen und ein präziseres Modell erstellen kann, wenn er diese acht Schritte befolgt und alle Kriterien in jedem Schritt erfüllt. Haben Sie sich nach diesen Ausführungen gefragt, ob diese acht Schritte wirklich so wirkungsvoll sind? Um das Geheimnis zu lüften, probieren Sie es doch einfach selbst aus und erleben Sie die Magie dieses Workflows. Das wollte ich Ihnen heute mitteilen. Vielen Dank fürs Zuhören.
