Modélisation du rendement et prédiction des tendances à l'aide de l'exploration de données : une approche préventive
François Bergeret, PhD, Statistician – Ippon Innovation
Vincent Barec ; Alexandre Couvrat, Ingénieurs Rendement et Défectivité – Soitec
Pour les procédés de fabrication complexes, le rendement et les défauts dépendent de nombreux facteurs. Les outils d'amélioration du rendement, déjà en production, aident Soitec à détecter la plupart des problèmes de procédé (approche réactive et rapide). Cet article présente deux nouveaux outils d'exploration de données, créés avec JMP Scripting Language (JSL) et JMP, désormais utilisés dans une approche préventive. Yield Model détecte les principaux facteurs liés au rendement. Ces facteurs sont ensuite intégrés à un modèle afin de fournir des prédictions précises. Des simulations, basées sur le volume de fabrication, la charge des outils de procédé et le débit, permettent à l'utilisateur de prédire les variations de rendement et de défauts. Yield Model est un outil très interactif, et ses fonctionnalités JSL avancées seront présentées en direct lors de la présentation. Pour la prochaine génération de SOI (Silicon on Insulator), l'uniformité de l'épaisseur au sein des pièces est le principal facteur de rendement. Pattern Prediction utilise la plateforme neuronale JMP 9 pour analyser et prédire l'uniformité de l'épaisseur, avec des résultats très prometteurs. L'utilisateur entraîne le réseau neuronal sur un échantillon d'apprentissage, et le réseau neuronal prédit automatiquement le motif des pièces futures avec une bonne précision, évaluée sur un échantillon de validation. Cet article présente les fonctionnalités JSL avancées utilisées pour le modèle de rendement et la découverte de la puissance des réseaux neuronaux pour prédire avec précision des modèles complexes. Les deux outils présentés sont des outils préventifs qui permettent à Soitec de gagner du temps et d'améliorer la qualité.
