Il video è stato registrato nel gennaio 2025 utilizzando JMP 18.
Disponi di dati di produzione storici o in tempo reale? Ti sei mai chiesto come sfruttare questi dati per progettare esperimenti di alto valore, efficienti e convenienti?
In questa sessione, utilizzeremo i seguenti passaggi per trovare una ricetta di processo ottimale per uno strumento di deposizione chimica da vapore potenziata dal plasma (PECVD) utilizzato per depositare uno strato isolante su un wafer nella produzione di semiconduttori:
- Deriva e perfeziona un modello di regressione penalizzata JMP Pro dai dati di produzione combinati con conoscenze scientifiche e di processo.
- Utilizzare il modello di regressione come base per una progettazione sperimentale economica utilizzando la metodologia Design of Experiments (DOE).
- Trovare una ricetta di processo ottimale utilizzando un modello di regressione dei dati sperimentali.
Prerequisiti suggeriti:
- Una certa esperienza nella valutazione dei dati di processo.
- Conoscenza di base della progettazione degli esperimenti e dei modelli statistici.
Per ulteriori informazioni dettagliate sugli argomenti trattati nel video, consultare:
Alcune domande a cui hanno risposto @Jason_Wiggins , @Lovy_Singh e @charlie_whitman durante il webinar in diretta:
Perché le interazioni e i termini quadrati sono centrati?
R: JMP centrerà automaticamente le stime, a meno che non venga richiesto/specificato diversamente. Per un modello a effetti principali, non è prevista la centratura. Per interazioni e termini quadratici, ecc., JMP centrerà automaticamente le stime. È possibile "deselezionare" questa opzione dalla finestra di dialogo del menu a forma di triangolo rosso quando si utilizza Adatta modello. Inoltre, la centratura può contribuire a ridurre la collinearità tra i fattori.
Consultare una nota del supporto tecnico sui vantaggi della centratura .
Perché non utilizzare un progetto di screening definitivo invece di un progetto personalizzato?
ONU: Si tratta di utilizzare dati storici per individuare quali termini attivi potrebbero essere presenti per primi, per poi progettare un esperimento per bloccarli. Inoltre, questo metodo aiuta a individuare i fattori importanti da utilizzare. Un DSD viene in genere utilizzato per rimuovere i fattori non importanti.
I dati osservativi probabilmente presenteranno valori anomali. Come si possono gestire i dati anomali per assicurarsi che non alterino il modello?
ONU: Un buon modo per evidenziare i valori anomali è utilizzare la distanza di Cook. Dopo aver identificato eventuali valori anomali, è possibile rimuoverli dal modello utilizzando lo stato di riga "Nascondi ed escludi".
L'obiettivo è avere l'AICc più basso possibile?
ONU: Quando si confrontano modelli diversi, un AICc inferiore aiuta a determinare il modello migliore. Una regola pratica è che una differenza di AICc di circa 5 tra un modello e l'altro indica sostanzialmente che entrambi sono pressoché equivalenti.
Perché avete rimosso la pressione dal modello quando il valore p era inferiore a 0,0001?
ONU: Questo è un buon esempio di come integrare la conoscenza del processo per perfezionare il modello. In questo esempio, sapevamo che il flusso di gas e la pressione sono correlati. Quindi, forse il flusso di gas è sufficiente per aiutare a misurare il processo.
Hai detto che possiamo usare la comprensione del processo, ad esempio eliminando due termini strettamente correlati che rimangono nel modello. Esiste un modo per identificare i fattori multicollineari utilizzando uno strumento matematico in JMP (VIF, ecc.) se non si conoscono tutti i termini del processo?
ONU: Sì, ecco un breve video su questo argomento: https://community.jmp.com/t5/Statistical-Thinking-for/Assessing-Multicollinearity/ta-p/271968 e anche alcune brevi dimostrazioni di uno dei nostri educatori statistici JMP: https://community.jmp.com/t5/Deeper-Dives/A-Deeper-Dive-Into-Multicollinearity/ta-p/674508 .
Perché non utilizzate il design fattoriale completo?
R; Il modello fattoriale completo è molto rigido nel numero di esecuzioni da eseguire e cercherà termini che potrebbero non essere affatto significativi. Utilizzando una progettazione personalizzata, possiamo scegliere il tipo di modello che vogliamo costruire e limitare il numero di esecuzioni in base alle esigenze e ai limiti della nostra azienda.
Esistono strumenti o metodi che aiutano a identificare e/o visualizzare lo spazio esplorato dai dati esistenti, come uno strumento di diagramma di dispersione per più di 2 o 3 dimensioni?
ONU: Certamente. Grafico>Grafico a dispersione 3D. E per il 4D potresti usare stati di riga colorati per evidenziare una quarta dimensione su un grafico 3D.
Potremmo utilizzare il modello RMSE ricavato dai dati osservativi per contribuire a informare la nostra stima dell'RMSE previsto nella valutazione del progetto>analisi della potenza?
ONU: Non è appropriato in questo contesto. Il quadrato di Walds o il rapporto t sono più adatti a questo scopo. L'RSME nel DOE è un'aspettativa ed è utile quando si progetta un esperimento.
Stepwise è un metodo alternativo per scegliere i termini significativi?
ONU: Stepwise può essere efficace. Ma, in sostanza, si sta ancora costruendo un modello standard dei minimi quadrati e inserendo o rimuovendo selettivamente i termini in base ad alcuni criteri. I metodi di restringimento e la metodologia che abbiamo utilizzato sono metodi di stima più adatti ad affrontare alcuni dei problemi che abbiamo con i dati osservativi. Se si vuole fare una due diligence, ovviamente si può provare anche Stepwise, ma presenta alcune delle stesse sfide dei minimi quadrati standard.
Poiché utilizziamo un intervallo ristretto di fattori per disegnare un modello e identificare il termine attivo, dobbiamo testare un intervallo simile nel progetto personalizzato? Dovremmo costruire il modello in modo che si adatti a ciò che effettivamente testeremo nel DOE?
ONU: No. Siamo estremamente limitati con i dati osservativi, per i motivi che ho menzionato. Ma questo non significa che dobbiamo essere limitati nella progettazione del nostro esperimento. In realtà, tutto ciò che stiamo cercando di capire nel modello è come dovrebbe apparire il modello presunto. Nell'esperimento, vogliamo comunque applicare tutte le migliori pratiche per gli esperimenti progettati e assicurarci che i livelli per i nostri fattori siano il più distanti possibile.
Alcuni commenti dei partecipanti durante la sessione:
- Se si desidera replicare l'output del Predictor Screening, è necessario impostare/salvare un seed casuale.
- Quando si utilizzano dati osservazionali, prestare molta attenzione ai valori mancanti. A seconda della piattaforma/metodo utilizzato, è possibile eliminare involontariamente intere esecuzioni/batch dall'analisi. JMP offre anche la funzionalità "Informative Missing".
Risorse
- Presentazione sull'ottimizzazione bayesiana al Discovery Summit tenuta da Sarah Gilyard, JMP Product Management, che ha contribuito a questa presentazione sulla progettazione di esperimenti di ottimizzazione dei processi utilizzando modelli basati sui dati di produzione .
