La industria de semiconductores se enfrenta a importantes desafíos a la hora de extraer y aprovechar datos para mejorar el rendimiento. Una de las misiones del taller de Defectividad es localizar e identificar defectos físicos en las obleas de producción causados por el proceso. Estos defectos pueden afectar directamente el rendimiento eléctrico del producto, lo que pone de relieve la necesidad de comprender mejor la correlación entre los niveles de defectividad (número de defectos por oblea) y el proceso en cuestión. Estos procesos, de alta complejidad, se rigen por múltiples parámetros, lo que significa que su relación con la defectividad es un factor clave para optimizar el proceso con el fin de mejorar el rendimiento y optimizar los costes.
En este caso de estudio, demostramos la eficiencia de JMP como herramienta para la gestión y formateo de datos desde el proceso de recolección en línea a través de los siguientes pasos:
Por último, una visualización clara de los resultados es muy beneficiosa para la gerencia a la hora de considerar un posible cambio de proceso y tomar decisiones informadas respecto del equilibrio costo-rendimiento.
Bienvenidos a mi presentación de mi póster electrónico, que se llama Uso de JMP para la correlación de procesos de defecto en el caso de estudio.
Entonces, pasando a lo abstracto, repasaremos los diferentes puntos de visualización de los datos, su manipulación y veremos cómo nos ha permitido tomar decisiones sobre cambios en el proceso.
Para empezar, hablaremos sobre la defectividad. Nuestro trabajo consiste en inspeccionar las obleas en la industria de semiconductores. Durante el proceso, contaremos cuántos defectos tenemos en la oblea en una etapa específica. Esta será nuestra principal variable de respuesta en el eje Y. Buscamos mejorar el rendimiento con este análisis, y veremos cómo el generador de gráficos nos permitió hacerlo.
Entonces, primero mostraré cómo se ven mis datos a primera vista y luego intentaremos hacer un análisis de correlación con diferentes parámetros y ver cómo podemos concluir qué parámetro tiene la mayor influencia en nuestra variable de recuento de defectos.
Pasando ahora a JMP, se muestra. Aquí está mi conjunto de datos. Pueden ver que tenemos mil filas, cada una de las cuales representa una oblea dentro de un lote. Por lo tanto, cada lote tiene 25 obleas. Para cada oblea, tenemos un valor de recuento de defectos, que es nuestra variable principal. Queremos ver cómo las diferentes columnas (que repasaremos más adelante) influyen en nuestro recuento de defectos.
Primero, demostraré cómo el generador de gráficos nos ayuda a visualizar nuestros datos a simple vista. Si entramos en el generador de gráficos y arrastramos y soltamos la variable de recuento de defectos, que es continua en el centro, puedo ver que tengo valores atípicos. Incluiré en el eje X el número de lote y el número de oblea en la parte superior. De esta manera, cada punto de datos representa una fila.
Ahora quiero ver cómo se distribuye rápidamente mi población. Ordenaré el eje X por número de defectos en orden descendente. Vemos que tenemos una parte de la población con un número mayor, e intentaremos identificar el motivo.
Volviendo a la tabla, tenemos el primer parámetro: la herramienta utilizada durante el proceso en un paso específico. Tenemos tres herramientas: A, B y C. Esta columna se agregó al conjunto de datos mediante la función de unión de tablas. Se utilizó otra tabla que no tengo aquí, que provenía de Excel, con el número de oblea y el número de lote, y la herramienta asociada. Al comparar las dos columnas, se podrán unir las dos tablas y agregar la columna de la herramienta.
Cada oblea tiene ahora su propia herramienta de proceso asociada. Se hizo lo mismo con el parámetro A, que no es una variable categórica, sino continua. Lo explicaré más adelante. Volviendo a las herramientas y al generador de gráficos, queremos saber cómo la herramienta está afectando el recuento de defectos. Recuento de defectos en Y de nuevo. Ahora puedo colocar la herramienta en el eje X y hacer clic en el signo más para ver su comportamiento.
También me gusta añadir la variable X en la sección de color para darle un toque más sofisticado. Al ampliar, veo claramente que mi herramienta es la mejor entre mis herramientas 3D. Si quiero asegurarme de ello y añadir algunos números, puedo mantener presionada la tecla Mayús y hacer clic, añadir el cuadro de título y, en la sección de ubicación, seleccionar la tabla de acceso. Ahora puedo mostrar la media de cada población.
Ahora necesito el número de muestras, digamos la media y la mediana. Esto confirma que la herramienta C, como población, tiene una media aún mayor que las demás.
Este es el primer elemento. Sabemos que la herramienta C es la mejor y la herramienta B la peor. Volviendo a la tabla, ahora queremos hacer lo mismo con el parámetro A, que es una variable continua que incluimos en nuestro conjunto de datos. Primero, podemos realizar un análisis de ajuste YX. Colocamos el número de defectos en el eje Y y el parámetro A en el eje X.
Esto realizará un análisis bivariado. Al hacer clic en "Aceptar" y ampliar la imagen, podemos ver que nuestras dos variables tienen algún tipo de correlación, pero no es clara. Podemos identificar visualmente tres secciones por debajo de 300, digamos entre 300 y 400, y por encima de 400. Les mostraré cómo podemos diferenciar estas tres categorías y luego analizarlas. Podemos usar las columnas aquí.
Las utilidades implementan la función de fórmula de agrupamiento, que permite crear una nueva columna justo después de la columna del parámetro A. Permite elegir valores dinámicamente para separar las poblaciones. Hice lo mismo para 300 y 400, y luego lo repetí con los grupos más reducidos, como el 75, que usaré más adelante. Esto crea una variable categórica. Ahora puedo analizar el bit Y por X, ingresar el recuento de defectos y usar la columna de pines para realizar un análisis unidireccional.
Pero lo que hay que tener en cuenta es que quiero aislar la peor herramienta para ver cómo se comporta el recuento de defectos de una herramienta específica. Por lo tanto, añadiré un filtro de datos local y un filtro por herramienta. Ahora pueden ver que puedo seleccionar la herramienta que quiero analizar para esta columna. De nuevo, al ampliar para ver mejor lo que sucede, lo interesante es comparar las pruebas T de media de Student.
Ahora podemos identificar que el parámetro A tiene una buena influencia en el recuento de defectos cuando está por debajo de 300 para la herramienta B y para las otras herramientas no es tan significativo porque los círculos aquí están juntos, mientras que aquí están muy distantes.
Para continuar, también podemos estudiar otro parámetro que les mostraré cómo se configuró. Así, sabemos que para una herramienta específica, teníamos una configuración diferente a partir de una fecha específica. Para crear esa información en la tabla, en el conjunto de datos, lo haré dinámicamente en el generador de gráficos. Así que, volviendo a ingresar el recuento de defectos,
Pero esta vez, en lugar de ingresar solo el número de lote y el número de oblea, usaré la columna de hora de inspección, que indica la hora en que se inspeccionó la oblea. Para ello, usaré la función de fecha y hora, ya que es una variable de fecha, y la transformaré en una nueva variable, mes, año (perdón, que también es categórica). De esta manera, podré ingresarla en el generador de gráficos para ver el mes de la inspección.
Ahora quiero separar las herramientas, así que también quiero añadirles un filtro local. Sé que para la herramienta B, desde septiembre de 2023, tenemos una nueva configuración para el parámetro B. Esto es desde aquí. Ahora puedo seleccionar estos puntos aquí y se seleccionarán en el conjunto de datos.
Aquí pueden ver que tengo 246 filas seleccionadas. Ahora puedo usar la columna de selección de nombre de fila. Esto creará un nuevo parámetro de columna B con los valores seleccionados como configuración A o B, y seleccionará la otra. Ahora pueden crear otro generador de gráficos, perdón, este, que es un poco sofisticado.
Ahora pueden ver que, para 2B, al configurar el color, obtengo la configuración A para el parámetro B, ya que el parámetro B de mi columna se creó con la función de selección de nombre en la columna. Esto es interesante porque vemos que, con esta herramienta, parece haber una mayor variación desde el cambio.
Ahora que hemos estudiado todos nuestros parámetros, les mostraré cómo creé un gráfico de resumen que puede ayudarnos a tomar una decisión. Este es el gráfico. Básicamente, combinamos todas las columnas del eje X usando el recuento de defectos del eje Y con una agrupación más estrecha para el parámetro A, es decir, 0,75. Lo interesante ahora es que podemos ver todos los efectos simultáneamente.
Podemos ver que la herramienta C es la mejor herramienta. La herramienta B fue la peor con la configuración B. La configuración A permite una mejora considerable para la herramienta B. También podemos observar que, para cada herramienta, al aumentar el parámetro A, el recuento de efectos también aumenta. Por debajo de 300, el rendimiento parece bastante aceptable.
Volviendo a las diapositivas, todo está resumido aquí. Partimos de una población básica e intentamos aislar los parámetros y estudiar cómo afectaban nuestras variables de recuento de defectos. Esto nos permitió tomar una decisión sobre los parámetros del proceso y mejorarlo y el rendimiento. Elegimos la mejor configuración, la configuración A, para el parámetro B en la peor herramienta, que también es la herramienta B. Limitamos el parámetro A a 300 en esa herramienta.
Así es como utilizamos el generador de gráficos y principalmente un poco de ANOVA para identificar y asegurarnos de que tenemos el mejor proceso y mejorar el rendimiento en defectos.
