Un software di qualità, se utilizzato da mani esperte, ha il potere di trasformare il mondo. Derivato da un'azienda leader nella produzione di semiconduttori, il valore tangibile creato attraverso Six Sigma è innegabile. Con una vasta gamma di casi concreti, che spaziano tra funzionalità di JMP come Design of Experiments (DOE), analisi multivariata, controllo qualità, ottimizzazione dei processi e ricerca sui consumatori, questa raccolta infrange il pensiero convenzionale, offrendo spunti preziosi da imitare in diversi settori. Non è semplicemente una vetrina delle competenze DOE; piuttosto, incarna il ruolo di JMP come simbolo di soluzioni per un "processo decisionale basato sui dati". La presentazione è coerente e collega perfettamente diversi casi attraverso un concetto di flusso di lavoro, fungendo da catalizzatore cruciale per il successo dei progetti Six Sigma.
Ciao a tutti. Mi chiamo Jiayi Yang e sono un Process Support Engineer di Applied Materials. L'argomento che voglio condividere oggi è "Oltre il metodo delle prove e degli errori: diversi casi di studio su come Applied Materials crea valore con il flusso di lavoro del Dipartimento dell'Energia".
Innanzitutto, vorrei presentarvi l'azienda. Il suo nome, come vi ho mostrato, è Applied Materials. È l'azienda numero 1 al mondo nel settore dei semiconduttori e delle apparecchiature per display. Forniamo quasi tutti i tipi di utensili per la lavorazione dei semiconduttori, ad eccezione delle macchine litografiche. Potete immaginarci come il supermercato, il Walmart nel settore dei semiconduttori, e il nostro obiettivo è rendere possibile un futuro migliore.
Gestiamo gruppi di clienti così vasti, e riceviamo ogni giorno un'infinità di richieste. Ad esempio, se i clienti desiderano aggiornare i loro prodotti, potrebbero rivolgersi a noi per ricevere assistenza. Per dimostrare ai nostri clienti la nostra competenza e rispondere alle loro richieste in modo efficace e rapido, dobbiamo condurre progetti DOE per scoprire la potenziale relazione tra le variabili e i risultati finali. Ma la domanda è: come possiamo essere sicuri che la soluzione finale che offriamo ai nostri clienti sia la migliore? Questo è l'argomento che voglio affrontare oggi. Mostrerò come, all'interno di Applied Materials, controlliamo ogni fase del flusso di lavoro DOE per garantire l'accuratezza del modello predittivo finale.
Questo rapporto è stato ampiamente supportato da tre esperti del Dipartimento dell'Energia. Si tratta di Jiaping Shen e Charles Chen di Applied Materials, la mia stessa azienda, e Pin Hu di JMP. Nel frattempo, vorrei ringraziare tutti gli ingegneri di processo coinvolti in questo progetto per aver apportato la loro esperienza pratica, direttamente dal lato cliente. La loro esperienza è stata di grande aiuto per aiutarci a rendere questo flusso di lavoro più fattibile e più adatto alle esigenze dei nostri ingegneri.
La piattaforma JMP offre numerosi strumenti di analisi e su questo argomento ci concentreremo sul DOE. Passiamo ora all'argomento vero e proprio. In Applied Materials, il flusso di lavoro del DOE è suddiviso in otto fasi. Limitato alla fase di raccolta dati, il flusso di lavoro può essere suddiviso in tre parti. A sinistra della fase di raccolta dati si progetta l'esperimento. A destra della fase di raccolta dati si definisce il modello predittivo.
Per guidare i nostri ingegneri a realizzare i loro progetti con maggiore successo e migliorare l'efficacia del modello, in ogni fase sono presenti numerosi suggerimenti e domande. Queste domande fungono da istruzioni o avvertimenti per indicare ai nostri ingegneri quali criteri seguire in ogni fase e, in caso contrario, quali rischi incontreranno al termine del progetto.
Naturalmente, ogni progetto è unico e questi otto passaggi coprono solo un'ampia gamma di scenari, ma non esiste un modello unico che possa adattarsi a tutti i modelli. Siamo abbastanza certi che se ogni ingegnere riuscisse a seguire questi otto passaggi e a soddisfare i criteri in ogni fase, anche un ingegnere junior potrebbe implementare autonomamente il progetto DOE e ottenere finalmente un buon modello.
Ora spiegherò ogni passaggio uno per uno. Il primo passo è definire l'ambito e l'obiettivo del DOE, il che significa che dobbiamo capire la potenziale relazione tra Y e X. Per non trascurare eventuali correlazioni significative, dobbiamo scoprire tutte le variabili potenziali.
Per fare ciò, consigliamo di utilizzare i metodi Six Sigma. Ad esempio, il ciclo Six Sigma o il diagramma dei parametri di progettazione Six Sigma, ecc.
Questi metodi Sigma possono aiutarci a individuare tutte le variabili che potrebbero avere un'influenza sui risultati finali. Ad esempio, i diversi lotti di wafer in arrivo dai nostri fornitori potrebbero avere un'inferenza determinante sui nostri risultati finali. Questi sono fattori che solitamente ignoriamo perché ci fidiamo dei nostri fornitori, ma a volte possono commettere errori. Anche altri fattori, come i fattori di rumore, possono essere determinanti per il risultato finale.
Attraverso i metodi Six Sigma, possiamo scoprire tutte le variabili Y e potenziali a partire dal livello più alto. Ma la domanda successiva è: come possiamo implementarlo a livello di dettaglio eseguibile? Per farlo, possiamo utilizzare l'analisi multivariata per esplorare il comportamento multidimensionale delle variabili e approfondire ulteriormente la relazione tra più variabili.
Il passo successivo è ridurre le variabili. Per farlo, possiamo utilizzare l'analisi delle variabili di clustering per individuare le variabili più rappresentabili e indipendenti. In questa fase, ricombinando la piattaforma Six Sigma e JMP, possiamo finalmente individuare la Y e la potente X.
Se vogliamo quantificare ulteriormente questa relazione, dobbiamo costruire un modello DOE. Per migliorare l'adeguatezza del modello, dobbiamo prestare attenzione alla struttura del DOE. Ma ecco l'equivoco comune: il DOE di cui stiamo parlando è quello reale? Beh, se modifichiamo solo un fattore alla volta, allora stiamo eseguendo l'EOD, l'esperimento di progettazione, non il DOE vero e proprio, perché il progetto EOD è più adatto a esplorare gli effetti principali.
Se vogliamo rilevare l'interazione e altri effetti di alto livello, dobbiamo condurre il DOE vero e proprio, che potremmo definire un esperimento di progettazione ortogonale. In questo tipo di progettazione, due o più fattori possono essere modificati contemporaneamente.
Nel frattempo, dobbiamo prestare attenzione all'intervallo spaziale perché è fondamentale esplorarne gli effetti. Ad esempio, se l'intervallo è più ampio, è più utile esplorare gli effetti principali, ma la potenza sarà diluita. Se restringiamo l'intervallo, è più utile esplorare l'effetto di interazione.
A volte, per ragioni pratiche o oggettive, è necessario gestire i vincoli di progettazione. Ad esempio, l'apparecchiatura non può tollerare contemporaneamente alte temperature e altissime pressioni per un certo periodo di tempo. Se ignoriamo questi vincoli di progettazione, il valore mancante potrebbe compromettere la struttura di progettazione ortogonale, portando infine il modello DOE al fallimento. Per gestire i vincoli di progettazione, possiamo cercare il punto più vicino all'interno del vincolo di progettazione per mantenere comunque la struttura quasi ortogonale o semplicemente riprogettare l'intero esperimento.
Diamo un'occhiata a un articolo del passato DS China Paper di AMAT, pubblicato nel 2019 da Christy Pan. Da questa immagine possiamo vedere che tre condizioni nell'angolo destro mancavano a causa del vincolo di capacità dell'attrezzatura. Se ignoriamo queste tre condizioni, i numeri del DOE passeranno da 17 a 14.
La parte peggiore è che la struttura ortogonale del DOE verrebbe rovinata. Per gestire questo vincolo, dobbiamo ridurre l'intervallo spaziale. Ma la domanda è: quale parametro dovremmo selezionare per ridurre lo spazio? Attraverso la comprensione del processo, Christy Pin trova finalmente due possibili impostazioni di processo di compromesso. Una è modificare l'intervallo spaziale del Parametro B e l'altra è modificare lo spazio di progettazione del Parametro C. Ma quale dovrebbe selezionare alla fine?
Dopo ripetute diagnosi e valutazioni, confrontando potenza, confondimento, uniformità di previsione, spazio di progettazione e varianza di previsione, Christy Pin ha infine scelto la seconda opzione. Da questa immagine, possiamo vedere che Christy Pin ha davvero fatto grandi sforzi per gestire questi vincoli di progettazione.
Questo dimostra il rispettoso spirito artigianale di Applied Materials. Potreste chiedervi: esiste una soluzione più semplice per gestire questi vincoli di progettazione fin dall'inizio? Beh, per vostra fortuna. La piattaforma JMP offre una scelta migliore: la progettazione personalizzata. Questa progettazione può adattarsi a vari tipi di fattori, vincoli e combinazioni non consentite, e può anche supportare i fattori di modifica hard e very hard.
Possiamo specificare quali effetti sono necessari e quali sono auspicabili. Il progetto personalizzato ci fornirà quindi una serie di piani DOE in grado di soddisfare questi vincoli. È un modo molto, molto più semplice per noi gestire i piani DOE che presentano vincoli di fattore.
Dopo aver elaborato i piani del DOE, andiamo dai nostri clienti o dal nostro capo per raccontare loro i nostri esperimenti e, con il 90% di probabilità, verremo interrogati e infine respinti perché sono preoccupati per il costo dell'esperimento. Ci chiederanno: "È davvero necessario fare così tanti esperimenti?". Ad esempio, se dobbiamo scoprire la relazione tra le nove variabili, allora dobbiamo eseguire almeno 21 esperimenti. Considerando che ogni wafer può costare fino a migliaia di dollari, il costo dell'esperimento è piuttosto elevato, giusto? Come possiamo gestire questi problemi?
Fortunatamente per te, la piattaforma JMP offre anche una scelta migliore: il design Group Orthogonal Super-saturated, un metodo speciale che può aiutarci a individuare le variabili più significative tra quelle abbondanti.
Ad esempio, può aiutarci a determinare le sette variabili solo su sei esecuzioni. Incredibile, vero? Ora, diamo un'occhiata a un caso pratico che utilizza questo metodo GO SSD. In questo caso, il processo in un'unica fase è stato suddiviso in due fasi dal GO SSD, il che significa che possiamo testare due condizioni contemporaneamente su un singolo wafer. Questo ridurrà sicuramente i costi, poiché sono necessarie solo sei esecuzioni per sette variabili. Ancora più importante, l'R-quadrato è stato notevolmente aumentato dal 27% al 92% e questo metodo GO SSD è stato verificato con successo dal lato cliente. Grazie a questo successo, possiamo affermare che il design del GO SSD è un metodo conveniente che può aiutarci a individuare le variabili più importanti fin dall'inizio.
Vale anche la pena ricordare che il metodo GO SSD considera solo gli effetti principali. Se vogliamo mantenere ulteriormente la struttura ortogonale del DOE, dobbiamo comunque aumentare ulteriormente il DOE.
Successivamente, quando elaboriamo il nostro piano DOE e i clienti accettano finalmente di condurre tutti gli esperimenti, arriviamo alla fase di raccolta dati. Potreste pensare che questa fase sia piuttosto semplice, perché consiste solo nell'effettuare l'esperimento e poi raccogliere i dati. Ma se la pensate così, vi sbagliate di grosso, perché questa è la parte più complicata. Qualsiasi rumore inaspettato comprometterà l'adeguatezza del modello finale. La capacità di misurazione è fondamentale.
Ora, lasciatemi mostrarvi una lezione fondamentale che abbiamo imparato dalla scarsa capacità di Gauge R&R. In questo caso, stavamo aiutando i nostri clienti a costruire il loro modello, ed eravamo così confusi nel vedere che il modello finale era piuttosto strano, e ci è voluto molto impegno per risolvere il problema. Infine, esortiamo i nostri clienti a rivalutare la loro capacità di misurazione. Sorprendentemente, potete vedere da questa immagine, nove campioni sono stati testati due volte e la ripetibilità è stata disastrosa perché i wafer erano ossidati a causa della lunga attesa per la misurazione.
Una volta individuata la causa principale, suggeriamo ai nostri clienti di controllare il kill time e/o di posizionare i wafer nella gabbia di azoto in caso di ossidazione. Dopo questo miglioramento, il modello finale è adeguato. Imparando da questa lezione, esortiamo i nostri ingegneri a rivalutare la capacità di misurazione prima della fase di raccolta dati. A volte, il responsabile della metodologia insisterà sul fatto che la sua metodologia sia sufficientemente buona, ma non possiamo fidarci perché il più delle volte si limiterà a testare la ripetibilità durante il test stesso, ignorando la riproducibilità, il che significa che potrebbe non considerare le differenze tra le competenze degli operatori o altri problemi che si sono verificati con il kill time o altri fattori.
Nel frattempo, il rapporto PT è un parametro per determinare la capacità di misura, ed è una funzione della tolleranza. Una volta perfezionato il processo, è necessario migliorare contemporaneamente la capacità di misura. In caso contrario, la capacità della metodologia può compromettere i risultati finali.
Inoltre, il Gauge R&R valuta solo l'errore casuale. Ma che dire di altri fattori come l'errore di sistema, la stabilità nel tempo o altri fattori?
Per una valutazione più approfondita, possiamo utilizzare la piattaforma di analisi del sistema di misurazione JMP per aiutarci a definire il piano di valutazione. Infine, dopo la fase di raccolta dati, possiamo finalmente costruire il nostro modello.
Per trovare il modello migliore e verificarne l'adeguatezza, possiamo utilizzare lo strumento Statistiche Abbondanti o lo strumento di Visualizzazione Potente sulla piattaforma JMP. Ad esempio, i valori statistici qui ci diranno se l'adattamento del modello è sufficientemente buono o se ci sono problemi di cui occuparsi? Ad esempio, ci sono problemi di culinaria, mancanza di paura o sovraadattamento? Nel frattempo, i profili di interazione possono anche indicarci l'effetto dell'interazione tra le variabili. Possono anche dirci qualcosa che potremmo non aver capito prima. Ad esempio, in questo caso, se non avessimo svolto il progetto DOE, non avremmo visto che l'effetto del rapporto gas/densità sarà fortemente influenzato dalla potenza. Combinando questi valori e giudicando dal nostro senso ingegneristico, possiamo scegliere un modello di battaglia. Vorrei menzionare che Immagina che JMP 18 abbia nuove funzionalità che possono aiutarci a comprendere meglio gli effetti dell'interazione.
Infine, vorrei sottolineare che il successo di un progetto richiede il momento giusto, il luogo giusto e le persone giuste. Nella maggior parte dei casi, il fattore umano è il fattore principale che può portare al fallimento del progetto.
Dobbiamo individuare i fattori di minaccia fin dall'inizio. Ad esempio, dobbiamo assicurarci che il nostro capo e i nostri colleghi ci offrano le risorse necessarie per aiutarci a implementare il progetto DOE dall'inizio alla fine.
Dobbiamo anche assicurarci che il nostro cliente non interrompa improvvisamente il progetto. Per valutare il consenso tra i membri del nostro team, utilizziamo in modo innovativo il choice design per esplorarlo. Il choice design viene utilizzato principalmente per lo studio dei consumatori ed è simile alla riproducibilità di Gauge R&R, e può indicarci se il nostro accordo è accettabile o meno.
Ad esempio, in questo caso, nelle frasi schiumose e calpestate, abbiamo condotto il design della scelta per valutare il consenso tra i membri del nostro team e possiamo vedere che su alcuni elementi l'accordo era basso quanto il 46%. Attraverso ulteriori spiegazioni tra i membri del team o attraverso il team building o altre attività, abbiamo finalmente aumentato il nostro accordo dal 46% al 90%. Riallineando le priorità del team, possiamo richiedere le cose in un unico posto e, infine, l'energia va in una direzione.
Questo è un esempio di come applichiamo in modo innovativo il choice design al progetto DOE. Naturalmente, ci sono molti altri strumenti utili sulla piattaforma JMP che aspettano solo di essere esplorati e applicati al progetto DOE in modo flessibile e innovativo. Questi metodi ci aiuteranno a implementare il progetto con maggiore successo.
Come disse una volta il co-fondatore di JMP, John Sall, "Un ottimo software nelle mani giuste può cambiare il mondo". Siamo certi che se ogni ingegnere riesce a seguire questi otto passaggi e a soddisfare tutti i criteri di ogni fase, che sia senior o junior, potrà comunque svolgere il progetto teorico da solo e ottenere finalmente un modello più accurato. Dopo aver ascoltato quello che ho appena detto, vi siete mai chiesti se questi otto passaggi siano davvero così efficaci? Beh, per esplorare il segreto, perché non provate a sperimentarlo in prima persona, e poi vedrete la magia di questo flusso di lavoro? È proprio questo che voglio condividere oggi e grazie per l'ascolto.
