Modelado de rendimiento y predicción de patrones mediante minería de datos: un enfoque preventivo
François Bergeret, PhD, Estadístico – Ippon Innovation
Vincent Barec y Alexandre Couvrat, ingenieros de rendimiento y defectividad de Soitec
En la fabricación de procesos complejos, el rendimiento y los defectos dependen de numerosos factores. Las herramientas de mejora del rendimiento, ya en producción, ayudan a Soitec a detectar la mayoría de los problemas de proceso (enfoque reactivo rápido). Este artículo presenta dos nuevas herramientas de minería de datos creadas con el lenguaje de scripting JMP (JSL) y JMP, que ahora se utilizan con un enfoque preventivo. Yield Model detecta los principales factores relacionados con el rendimiento. Estos factores se incluyen en un modelo para proporcionar predicciones precisas. El usuario dispone de simulaciones basadas en el volumen de fabricación, la carga de las herramientas de proceso y el rendimiento para predecir las variaciones en el rendimiento y los defectos. Yield Model es una herramienta muy interactiva, y sus capacidades avanzadas en JSL se presentarán en directo durante la presentación. Para la próxima generación de SOI (Silicon on Insulator), la uniformidad del espesor de la pieza es el principal factor determinante del rendimiento. Pattern Prediction utiliza la plataforma neuronal JMP 9 para analizar y predecir la uniformidad del espesor con resultados muy prometedores. El usuario entrena la red neuronal con una muestra de aprendizaje, y esta predice automáticamente el patrón para futuras piezas con buena precisión, evaluada con una muestra de validación. Este artículo incluye funciones avanzadas de JSL utilizadas para el modelo de rendimiento y el descubrimiento del poder de las redes neuronales para predecir con precisión patrones complejos. Las dos herramientas presentadas son preventivas y ayudan a Soitec a ahorrar tiempo y mejorar la calidad.
