半导体行业在提取和利用数据以提高良率方面面临着诸多挑战。缺陷研讨会的任务之一是定位并识别生产晶圆上由工艺引起的物理缺陷。这些缺陷会直接影响产品的电气性能，因此，深入了解缺陷水平（每片晶圆的缺陷数量）与相关工艺之间的关联至关重要。这些工艺高度复杂，受多种参数驱动，这意味着它们与缺陷的关系是实现工艺优化、提高良率和降低成本的关键因素。
欢迎观看我的电子海报展示，标题为“使用 JMP 进行缺陷率分析流程相关性案例研究”。
接下来，我们将进入抽象层面，探讨数据可视化、数据处理的不同要点，并了解它如何帮助我们做出有关流程变更的决策。
今天我们先来聊聊缺陷率。我们的工作是检测半导体行业的晶圆。在检测过程中，我们会统计特定步骤中晶圆上的缺陷数量。因此，缺陷率将是我们今天Y轴上的主要响应变量。我们希望通过这项分析来提高良率，接下来我们将主要看看图表构建工具是如何帮助我们实现这一目标的。
首先，我将展示我的数据的第一印象，然后我们将尝试用不同的参数进行相关性分析，看看我们如何得出哪个参数对我们的缺陷计数变量影响最大这一结论。
现在切换到 JMP 进行演示。这是我的数据集。可以看到，这里有 1000 行数据，每一行代表一个批次中的一片晶圆。因此，每个批次包含 25 片晶圆。每片晶圆都有一个缺陷计数值，这是我们的主要变量。我们想看看接下来我将要讲解的不同列是如何影响缺陷计数的。
首先，我将演示图表构建器如何帮助我们快速可视化数据。进入图表构建器，将缺陷计数变量（连续变量）拖放到中心位置，现在可以看到存在异常值。我将 X 轴设置为批号和晶圆编号。因此，这里的每个数据点代表一行。
现在我想快速了解一下人口分布情况。我将按缺陷数量降序排列 X 轴。现在我们可以看到，人口中有一部分缺陷数量较高，我们将尝试找出原因。
回到表格，我们首先来看第一个参数，它表示特定步骤中使用的工具。这里有三个工具，分别是工具 A、B 和 C。这一列是通过表格连接功能添加到数据集中的。我这里没有另一个表格（它来自 Excel），其中包含晶圆编号、批号以及关联的工具。通过匹配这两列，您可以将两个表格连接起来，并添加工具列。
现在每个晶圆都关联了其专属的工艺工具。参数 A 也采用了相同的处理方式，它并非分类变量，而是连续变量。稍后我会详细解释。回到工艺工具，再次打开图表构建器，我们想了解工艺工具对缺陷计数的影响。Y 轴仍然是缺陷计数。现在我可以将工艺工具放在 X 轴，然后点击方框中的加号，查看其变化情况。
我喜欢在颜色设置部分添加 X 变量工具，让它看起来更美观一些。放大后，我可以清楚地看到，我的工具“查看”是我所有 3D 工具中最好的。现在，如果我想确认这一点并添加一些数值，我可以按住 Shift 键并点击，在这里添加标题框，然后在位置部分选择访问表。现在我可以显示每个总体的平均值了。
现在我想要的是样本数量、均值和中位数。这证实了工具 C 作为总体，其均值比其他总体的均值更高。
这是第一个要素。我们知道工具 C 最好，工具 B 最差。回到表格，我们现在要对参数 A 做同样的分析，参数 A 是一个连续变量，已包含在我们的数据集中。首先，我们可以进行 YX 分析。将缺陷数量放在 Y 轴，参数 A 放在 X 轴。
这将进行双变量分析。点击“确定”并放大后，我们可以看到两个变量之间存在某种相关性，但并不十分明显。我们可以大致将数据分为三个部分：低于 300 的部分、300 到 400 之间的部分以及高于 400 的部分。接下来，我将向您展示如何区分这三个类别，并对这三个类别之间的关系进行分析。我们可以利用这里的列。
工具提供了分箱公式功能，允许您在参数 A 列之后创建一个新列，并可以动态选择值来分隔样本。我做了同样的事情。我对 300 和 400 都做了同样的操作，然后我又对更窄的分箱（例如 75）重复了一遍，稍后我会用到这些分箱。这样就创建了一个分类变量。现在我可以对 Y 位和 X 位进行分析，再次输入缺陷计数，并使用引脚列进行单因素方差分析。
但需要考虑的是，我想单独找出表现最差的工具，看看特定工具的缺陷数量是如何变化的。因此，我将添加一个本地数据筛选器，并按工具进行筛选。现在您可以看到，我可以选择要分析此列的工具。再次放大查看，以便更清楚地了解情况，而有趣的是比较学生t检验的均值。
现在我们可以看出，当参数 A 的值低于 300 时，对于工具 B 而言，参数 A 对缺陷计数有很好的影响；而对于其他工具而言，影响则不大，因为这里的圆圈是连在一起的，而这里的圆圈则相距甚远。
接下来，我们还可以研究另一个参数，我稍后会演示它的设置方法。我们知道，对于某个特定的工具，从某个日期开始，它的配置有所不同。为了在表格或数据集中创建这些信息，我将在图表构建器中动态地进行操作。所以，再次输入缺陷计数。
但这次，我不会只输入批号和晶圆号，而是会使用“检测时间”列，也就是晶圆的检测时间。我会使用日期和时间特征，因为这是一个日期变量，并将其转换为一个新的变量（月份、年份，抱歉，抱歉），这个变量也是分类变量。这样我就可以把它添加到图表构建器中，查看具体的检测月份。
现在我想区分不同的工具，所以我想在工具上也添加局部筛选器。我知道工具 B 自 2023 年 9 月起，参数 B 的配置发生了变化。具体来说，我可以从这里选择这些点，这些点也会被添加到数据集中。
您可以看到我选中了 246 行。现在我可以使用行名称选择列。这将创建一个新的列参数 B，其选中值为配置 A 或 B，并选中另一个配置。现在您可以创建另一个图表，抱歉，就是这个，它有点复杂。
但现在您可以看到，对于 2B，当我在配置中输入颜色时，参数 B 使用的是配置 A，因为我的列参数 B 是通过列特征中的名称选择创建的。这很有意思，因为我们可以看到，对于这个工具，自从更改后，其变化性似乎大大提高了。
现在我们已经研究了所有参数，接下来我将向您展示如何绘制一个有助于我们做出决策的汇总图。这就是这张图。基本上，我们将 X 轴上的所有列合并，Y 轴代表缺陷数量，参数 A 的分组更窄，分箱值为 0.75。有趣的是，现在我们可以同时看到所有影响。
我们可以看到，工具 C 是最佳工具。工具 B 在配置 B 下表现最差。配置 A 可以显著提升工具 B 的性能。我们还可以看到，对于每个工具，随着参数 A 的增加，效果数量也随之增加。低于 300 时，效果似乎还不错。
回到幻灯片，所有内容都总结在这里了。我们从一个基本总体出发，尝试分离参数并研究它们如何影响缺陷计数变量。这使我们能够……这使我们能够就工艺参数做出决策，并改进我们的工艺和良率。我们选择了配置A，即在性能最差的工具（即工具B）上针对参数B的最佳配置。我们还将该工具上的参数A值限制在300。
这就是我们使用图表构建器，主要使用图表构建器和一些方差分析来识别和确保我们拥有最佳工艺并提高缺陷率的方法。
