Modellazione della resa e previsione dei modelli mediante data mining: un approccio preventivo
François Bergeret, PhD, Statistico – Ippon Innovation
Vincent Barec; Alexandre Couvrat, ingegneri di resa e difettosità – Soitec
Per la produzione di processi complessi, resa e difetti dipendono da un numero enorme di fattori. Gli strumenti di miglioramento della resa già in produzione stanno aiutando Soitec a rilevare la maggior parte dei problemi di processo (approccio reattivo rapido). Questo documento presenta due nuovi strumenti di data mining creati con JMP Scripting Language (JSL) e JMP che sono ora utilizzati per un approccio preventivo. Yield Model rileva i principali fattori correlati alla resa. Questi fattori vengono quindi inclusi in un modello per fornire previsioni accurate. Le simulazioni, basate sul volume di produzione, sul caricamento degli strumenti di processo e sulla produttività, sono disponibili per l'utente per prevedere variazioni di resa e difetti. Yield Model è uno strumento molto interattivo e le sue funzionalità JSL definitive saranno presentate dal vivo durante la presentazione. Per la prossima generazione SOI (Silicon on Insulator), l'uniformità dello spessore all'interno della parte è il principale driver di resa. Pattern Prediction utilizza la piattaforma JMP 9 Neural per analizzare e prevedere l'uniformità dello spessore con risultati molto promettenti. L'utente addestra la rete neurale su un campione di apprendimento e la rete neurale prevede automaticamente il modello per le parti future con una buona accuratezza, valutata su un campione di convalida. Questo documento include funzionalità JSL avanzate utilizzate per il modello Yield e la scoperta della potenza delle reti neurali per prevedere accuratamente pattern complessi. I due strumenti presentati nel documento sono strumenti preventivi, che aiutano Soitec a risparmiare tempo e a migliorare la qualità.
