Ertragsmodellierung und Mustervorhersage mittels Data Mining: Ein präventiver Ansatz
François Bergeret, PhD, Statistiker – Ippon Innovation
Vincent Barec; Alexandre Couvrat, Ertrags- und Defektingenieure – Soitec
Bei der komplexen Prozessfertigung hängen Ausbeute und Defekte von einer Vielzahl von Faktoren ab. Bereits in der Produktion eingesetzte Tools zur Ausbeuteoptimierung unterstützen Soitec bei der Erkennung der meisten Prozessprobleme (schneller Reaktionsansatz). Dieses Dokument stellt zwei neue Data-Mining-Tools vor, die mit der JMP Scripting Language (JSL) und JMP erstellt wurden und nun präventiv eingesetzt werden. Yield Model erkennt die wichtigsten ausbeuterelevanten Faktoren. Diese Faktoren werden anschließend in ein Modell integriert, um präzise Vorhersagen zu ermöglichen. Simulationen – basierend auf Fertigungsvolumen, Auslastung der Prozesswerkzeuge und Durchsatz – stehen dem Anwender zur Verfügung, um Ausbeute- und Defektschwankungen vorherzusagen. Yield Model ist ein hochgradig interaktives Tool, dessen umfassende JSL-Funktionen während der Präsentation live präsentiert werden. Für die nächste SOI-Generation (Silicon on Insulator) ist die Dickengleichmäßigkeit innerhalb der Bauteile der wichtigste Ausbeutefaktor. Pattern Prediction nutzt die neuronale Plattform JMP 9 zur Analyse und Vorhersage der Dickengleichmäßigkeit mit vielversprechenden Ergebnissen. Der Anwender trainiert das neuronale Netz anhand einer Lernprobe, und das neuronale Netz prognostiziert automatisch das Muster für zukünftige Bauteile mit hoher Genauigkeit, die anhand einer Validierungsprobe überprüft wird. Dieses Dokument enthält erweiterte JSL-Funktionen für das Yield-Modell und die Entdeckung der Leistungsfähigkeit neuronaler Netze zur präzisen Vorhersage komplexer Muster. Die beiden im Dokument vorgestellten Tools sind präventive Tools, die Soitec helfen, Zeit zu sparen und die Qualität zu verbessern.
