L'industrie des semi-conducteurs est confrontée à des défis majeurs en matière d'extraction et d'exploitation des données pour améliorer le rendement. L'un des objectifs de l'atelier sur la défectuosité est de localiser et d'identifier les défauts physiques présents sur les plaquettes de production, défauts causés par le procédé. Ces défauts peuvent impacter directement les performances électriques du produit, soulignant ainsi la nécessité de mieux comprendre la corrélation entre les niveaux de défectuosité (nombre de défauts par plaquette) et le procédé mis en œuvre. Ces procédés, très complexes, sont pilotés par de multiples paramètres ; leur relation avec la défectuosité est donc un facteur clé pour l'optimisation des procédés en vue d'améliorer le rendement et de réduire les coûts.
Dans cette étude de cas, nous démontrons l'efficacité de JMP en tant qu'outil de gestion et de mise en forme des données issues de la collecte en ligne, à travers les étapes suivantes :
Enfin, une présentation claire des résultats est très utile pour la direction lorsqu'elle envisage une modification potentielle du processus et prend des décisions éclairées concernant le rapport coût-rendement.
Bienvenue à ma présentation de mon e-poster, intitulé « Utilisation de JMP pour la corrélation des processus de détection des défauts : l'étude de cas ».
Passons maintenant au résumé : nous allons examiner les différents aspects de la visualisation et de la manipulation des données, et nous verrons comment cela nous a permis de prendre des décisions concernant les changements de processus.
Pour commencer aujourd'hui, nous allons parler de la défectuosité. Notre travail consiste à inspecter les plaquettes de semi-conducteurs. Concrètement, nous comptons le nombre de défauts présents sur chaque plaquette à une étape précise du processus. Ce sera donc notre principale variable de réponse sur l'axe des ordonnées. Nous cherchons à améliorer le rendement grâce à cette analyse, et nous verrons comment l'outil de création de graphiques nous a permis d'y parvenir.
Je vais donc tout d'abord vous montrer à quoi ressemblent mes données au premier abord, puis nous tenterons d'effectuer une analyse de corrélation avec différents paramètres afin de déterminer quel paramètre influence le plus notre variable de comptage des défauts.
Passons maintenant à JMP pour une démonstration. Voici mon jeu de données. Vous pouvez constater qu'il comporte mille lignes, chaque ligne correspondant à une plaquette au sein d'un lot. Chaque lot contient donc 25 plaquettes. Pour chaque plaquette, nous disposons d'une valeur de nombre de défauts, qui constitue notre variable principale. Nous souhaitons observer comment les différentes colonnes, que j'aborderai plus loin, influencent ce nombre de défauts.
Je vais tout d'abord vous montrer comment l'outil de création de graphiques peut nous aider à visualiser nos données au premier coup d'œil. Si nous ouvrons l'outil de création de graphiques et que nous déposons la variable « nombre de défauts », continue et centrée, je peux maintenant constater la présence de valeurs aberrantes. Je vais placer le numéro de lot sur l'axe des abscisses et le numéro de plaquette en haut. Chaque point de données représente donc une ligne.
Je souhaite maintenant observer rapidement la distribution de ma population. Je vais trier l'axe des abscisses par nombre de défauts, par ordre décroissant. On constate alors qu'une partie de la population présente un nombre de défauts plus élevé, et nous allons tenter d'en déterminer la raison.
Pour revenir au tableau, le premier paramètre correspond à l'outil utilisé lors d'une étape spécifique du processus. Nous avons ici trois outils : A, B et C. Cette colonne a été ajoutée à l'ensemble de données grâce à la fonction de jointure de tables. Un autre tableau, non visible ici et provenant d'Excel, contient le numéro de plaquette, le numéro de lot et l'outil associé. En faisant correspondre les deux colonnes, vous pourrez fusionner les deux tables et ajouter la colonne relative à l'outil.
Chaque plaquette est désormais associée à son propre outil de traitement. Il en va de même pour le paramètre A, qui est une variable continue et non catégorielle. J'y reviendrai plus tard. Revenons aux outils : en revenant à l'éditeur de graphiques, nous souhaitons observer l'impact de chaque outil sur le nombre de défauts. Le nombre de défauts est représenté à nouveau sur l'axe Y. Je peux maintenant placer l'outil sur l'axe X et cliquer sur le signe plus pour observer son comportement.
J'aime ajouter l'outil « Variable X » dans la section couleur pour une présentation plus soignée. En zoomant, je constate que mon outil « see » est clairement le meilleur de mes outils 3D. Pour le vérifier et ajouter des valeurs, je peux cliquer en maintenant la touche Maj enfoncée, insérer une zone de texte et sélectionner « Tableau d'accès » dans la section « Emplacement ». Je peux ainsi afficher la moyenne de chaque population.
Ce que je souhaite obtenir, c'est le nombre d'échantillons, la moyenne et la médiane. Ceci confirme que l'outil C, en tant que population, a une moyenne encore plus élevée que les autres.
Voici le premier élément. Nous savons que l'outil C est le meilleur et l'outil B le moins performant. Revenons au tableau : nous allons maintenant procéder de la même manière pour le paramètre A, une variable continue présente dans notre ensemble de données. Pour commencer, nous pouvons effectuer une analyse d'ajustement YX. Nous placerons le nombre de défauts sur l'axe des ordonnées et le paramètre A sur l'axe des abscisses.
Ceci effectuera une analyse bivariée. En cliquant sur OK et en zoomant, on constate que nos deux variables présentent une certaine corrélation, mais elle n'est pas évidente. On peut distinguer visuellement trois sections : en dessous de 300, entre 300 et 400, et au-dessus de 400. Je vais vous montrer comment différencier ces trois catégories, puis analyser ces trois relations. Nous pouvons utiliser les colonnes ici.
L'utilitaire propose une fonction de regroupement qui permet de créer une nouvelle colonne juste après la colonne du paramètre A, et de choisir dynamiquement les valeurs pour séparer les populations. J'ai procédé de la même manière pour 300 et 400, puis avec des intervalles plus fins, comme 75, que j'utiliserai plus tard. Cela crée une variable catégorielle. Je peux maintenant analyser la variable Y par X, saisir à nouveau le nombre de défauts et utiliser la colonne « pin » pour effectuer une analyse à un facteur.
Mais il faut tenir compte du fait que je souhaite isoler l'outil le plus problématique afin d'observer l'évolution du nombre de défauts pour cet outil spécifique. J'ajouterai donc un filtre de données local et filtrerai par outil. Vous pouvez maintenant constater que je peux sélectionner l'outil à analyser pour cette colonne. En zoomant à nouveau, on peut mieux observer la situation et, plus intéressant encore, comparer les moyennes à l'aide du test t de Student.
Nous pouvons maintenant identifier que le paramètre A a une bonne influence sur le nombre de défauts lorsqu'il est inférieur à 300 pour l'outil B et que pour les autres outils, il n'est pas aussi significatif car les cercles sont ici proches, alors qu'ils sont très éloignés ici.
Pour continuer, nous pouvons également étudier un autre paramètre dont je vais vous montrer la configuration. Nous savons donc que pour un outil donné, nous avions une configuration différente à partir d'une certaine date. Pour intégrer cette information dans le tableau, dans l'ensemble de données (pardon, je vais utiliser l'outil de création de graphiques pour le faire dynamiquement), je vais donc à nouveau indiquer le nombre de défauts.
Mais cette fois-ci, au lieu d'indiquer uniquement le numéro de lot et le numéro de plaquette, j'utiliserai la colonne « Date d'inspection », c'est-à-dire la date et l'heure auxquelles la plaquette a été inspectée. J'utiliserai la fonction de conversion de date et d'heure, car il s'agit d'une variable de type date, et je la transformerai en une nouvelle variable catégorielle (mois, année). Je pourrai ainsi l'utiliser dans l'outil de création de graphiques pour visualiser le mois d'inspection.
Je souhaite maintenant séparer les outils et donc ajouter un filtre local. Je sais que pour l'outil B, une nouvelle configuration du paramètre B a été mise en place depuis septembre 2023. Cette configuration provient d'ici. Je peux maintenant sélectionner ces points, qui seront ajoutés à l'ensemble de données.
Ici, vous pouvez voir que j'ai sélectionné 246 lignes. Je peux maintenant utiliser la colonne de sélection des noms de lignes. Cela créera une nouvelle colonne, le paramètre B, dont les valeurs possibles seront la configuration A ou B, l'autre étant sélectionnée. Vous pouvez maintenant utiliser un autre générateur de graphiques, celui-ci, un peu plus sophistiqué.
Mais vous pouvez maintenant constater que pour 2B, lorsque je définis la couleur dans la configuration, j'obtiens la configuration A pour le paramètre B, car j'ai un paramètre de colonne B créé à l'aide de la fonction de sélection de nom dans la colonne. C'est intéressant, car on constate que pour cet outil, la variation semble bien meilleure depuis la modification.
Maintenant que nous avons étudié tous nos paramètres, je vais vous montrer comment j'ai créé un graphique récapitulatif qui peut nous aider à prendre une décision. Voici donc ce graphique. Nous avons combiné toutes les colonnes de l'axe des abscisses (X) en utilisant le nombre de défauts sur l'axe des ordonnées (Y), avec un seuil plus fin pour le paramètre A (0,75). L'avantage, c'est que nous pouvons maintenant observer tous les effets simultanément.
On constate que l'outil C est le plus performant. L'outil B était le moins performant avec la configuration B. La configuration A permet une nette amélioration de l'outil B. On observe également, pour chaque outil, que le nombre d'effets augmente avec le paramètre A. En dessous de 300, les résultats semblent satisfaisants.
Pour en revenir aux diapositives, tout est résumé ici. Nous sommes partis d'une population de base et avons cherché à isoler les paramètres et à étudier leur impact sur nos variables de comptage de défauts. Cela nous a permis de prendre une décision concernant les paramètres du processus et d'améliorer ce dernier ainsi que notre rendement. Nous avons choisi la configuration optimale, la configuration A, pour le paramètre B sur l'outil le moins performant, qui est également l'outil B. Nous avons limité le paramètre A à 300 sur cet outil aussi.
C’est ainsi que nous utilisons le générateur de graphiques, et principalement celui-ci ainsi qu’une petite analyse de la variance (ANOVA), pour identifier et garantir que nous disposons du meilleur processus et améliorer le rendement en matière de défauts.
