La vidéo a été enregistrée en janvier 2025 à l'aide de JMP 18.
Disposez-vous de données de production historiques ou en temps réel ? Vous êtes-vous déjà demandé comment exploiter ces données pour concevoir des expériences à forte valeur ajoutée, efficaces et rentables ?
Dans cette session, nous utiliserons les étapes suivantes pour trouver une recette de processus optimale pour un outil de dépôt chimique en phase vapeur assisté par plasma (PECVD) utilisé pour déposer une couche isolante sur une plaquette dans la fabrication de semi-conducteurs :
- Élaborer et affiner un modèle de régression pénalisée JMP Pro à partir de données de production combinées à des connaissances scientifiques et de processus.
- Utilisez le modèle de régression comme base pour une conception d'expérience économique en utilisant la méthodologie de conception d'expériences (DOE).
- Déterminer une recette de procédé optimale à l'aide d'un modèle de régression des données expérimentales.
Prérequis suggérés :
- Une certaine expérience dans l'évaluation des données de processus.
- Connaissance de base des plans d'expériences et des modèles statistiques.
Pour obtenir des informations plus détaillées sur les sujets abordés dans la vidéo, veuillez consulter :
Quelques questions auxquelles @Jason_Wiggins , @Lovy_Singh et @charlie_whitman ont répondu lors du webinaire en direct :
Q : Pourquoi les interactions et les termes au carré sont-ils centrés ?
A : JMP centre automatiquement les estimations, sauf indication contraire de votre part. Pour un modèle à effets principaux, aucun centrage n'est effectué. Pour les interactions, les termes au carré, etc., JMP centre automatiquement les estimations. Vous pouvez désactiver cette option dans le menu (triangle rouge) de l'outil « Ajuster le modèle ». Le centrage permet également de réduire la colinéarité entre les facteurs.
Consultez une note d'assistance technique sur les avantages du centrage .
Q : Pourquoi ne pas utiliser un plan de sélection définitif plutôt qu'un plan personnalisé ?
ONU : Cette méthode utilise des données historiques pour identifier les termes actifs les plus pertinents, puis conçoit une expérience pour les intégrer. Elle permet également de déterminer les facteurs importants à prendre en compte. Une analyse de la taille des données (DSD) est généralement utilisée pour éliminer les facteurs non pertinents.
Q : Les données d'observation comportent souvent des valeurs aberrantes. Comment traiter ces valeurs aberrantes pour éviter qu'elles ne faussent le modèle ?
UN : Une bonne méthode pour identifier les valeurs aberrantes consiste à utiliser la distance de Cook. Ensuite, après avoir repéré les valeurs aberrantes potentielles, vous pouvez les supprimer du modèle à l’aide d’un état de ligne « Masquer et exclure ».
Q : L'objectif est-il d'obtenir l'AICc le plus faible possible ?
ONU : Lors de la comparaison de différents modèles, un AICc plus faible permet de déterminer le meilleur modèle. En règle générale, une différence d'AICc d'environ 5 entre deux modèles indique qu'ils sont pratiquement équivalents.
Q : Pourquoi avez-vous retiré la pression du modèle alors que la valeur p était inférieure à 0,0001 ?
ONU : C’est un bon exemple d’intégration des connaissances du processus pour affiner le modèle. Dans cet exemple, nous savions que le débit et la pression du gaz sont liés. Le débit du gaz est donc peut-être suffisant pour mesurer le processus.
Q : Vous avez mentionné que nous pouvons utiliser la compréhension du processus, par exemple pour éliminer deux termes étroitement liés qui restent dans le modèle. Existe-t-il un moyen d'identifier les facteurs de multicolinéarité à l'aide d'un outil mathématique dans JMP (VIF, etc.) si l'on ne connaît pas tous les termes du processus ?
UN : Oui, voici une courte vidéo à ce sujet : https://community.jmp.com/t5/Statistical-Thinking-for/Assessing-Multicollinearity/ta-p/271968 et aussi quelques courtes démonstrations par l’un de nos formateurs en statistiques JMP : https://community.jmp.com/t5/Deeper-Dives/A-Deeper-Dive-Into-Multicollinearity/ta-p/674508 .
Q : Pourquoi ne pas utiliser un plan factoriel complet ?
UN; L'analyse factorielle complète est très rigide quant au nombre d'itérations nécessaires et risque de rechercher des termes qui ne sont pas forcément significatifs. Grâce à une conception personnalisée, nous pouvons choisir le type de modèle à construire et limiter le nombre d'itérations en fonction de nos besoins et contraintes métier.
Q : Existe-t-il des outils ou des méthodes permettant d'identifier et/ou de visualiser l'espace exploré par les données existantes, comme un outil de nuage de points pour plus de 2 ou 3 dimensions ?
UN : Bien sûr. Graphique > Nuage de points 3D. Et pour la 4D, vous pouvez utiliser des couleurs de lignes pour mettre en évidence une quatrième dimension sur un graphique 3D.
Q : Pourrions-nous utiliser l'erreur quadratique moyenne (RMSE) du modèle à partir des données d'observation pour nous aider à estimer l'erreur quadratique moyenne (RMSE) anticipée dans l'évaluation de la conception > analyse de puissance ?
ONU : Ce n’est pas approprié dans ce contexte. Le test du carré de Wald ou le test t sont plus adaptés. L’erreur quadratique moyenne (EQM) dans la planification des expériences est une valeur attendue et utile lors de la conception d’expériences.
Q : La méthode par étapes est-elle une méthode alternative pour sélectionner les termes significatifs ?
L' approche par étapes peut s'avérer puissante. Cependant, elle consiste essentiellement à construire un modèle de moindres carrés standard en intégrant ou en excluant certains termes selon des critères précis. Les méthodes de rétrécissement et la méthodologie que nous avons utilisées sont des méthodes d'estimation mieux adaptées aux problèmes que nous rencontrons avec les données observationnelles. Si vous souhaitez approfondir la question, vous pouvez bien sûr essayer l'approche par étapes, mais elle présente certains des mêmes défis que les moindres carrés standard.
Q : Étant donné que nous utilisons un nombre restreint de facteurs pour élaborer un modèle et identifier le terme actif, devons-nous tester un nombre similaire de facteurs dans le cadre du plan d'expériences personnalisé ? Devons-nous concevoir le modèle de manière à simuler ce que nous allons réellement tester dans le plan d'expériences ?
ONU : Non. Nos données d’observation sont extrêmement limitées, pour les raisons que j’ai évoquées. Mais cela ne signifie pas que nous devions limiter la conception de notre expérience. En réalité, ce que nous cherchons à déterminer dans le modèle, c’est à quoi doit ressembler le modèle hypothétique. Dans l’expérience, nous souhaitons appliquer toutes les bonnes pratiques de conception expérimentale et veiller à ce que les niveaux de nos facteurs soient aussi dispersés que possible.
Quelques commentaires de participants pendant la session :
- Si vous souhaitez reproduire les résultats de votre analyse de prédiction, vous devez définir/enregistrer une graine aléatoire.
- Lors de l'utilisation de données observationnelles, il convient d'être extrêmement vigilant quant aux valeurs manquantes. Selon la plateforme et la méthode employées, il est possible d'exclure involontairement des séries de données entières de l'analyse. JMP propose également l' option « Données manquantes informatives ».
Ressources
