Il DOE svolge un ruolo importante nel processo continuo end-end di AMAT, nel miglioramento e nell'ottimizzazione del progetto. Sfortunatamente, la maggior parte dei professionisti del DOE potrebbe scegliere casualmente qualsiasi progetto DOE con JMP con cui ha familiarità, senza disporre di una solida base statistica DOE, con il risultato di modelli predittivi scadenti. Essendo uno degli algoritmi di risoluzione IV più potenti, il DSD ci consente di studiare sia gli effetti principali che quelli di interazione di un gran numero di predittori in un'analisi DOE relativamente piccola. Tuttavia, il DSD non può tollerare violazioni di ortogonalità come rumore GRR, rumore temporale SPC, vincoli di progettazione o algoritmi stepwise ricorsivi.
Abbiamo studiato un caso speciale riguardante la progettazione del blocco DSD. Invece di assegnare i due sistemi operativi come fattore predittivo, è stato assegnato il fattore di blocco. Gli operatori sperimentali del DOE non hanno prestato la massima attenzione e hanno modificato l'ordine di esecuzione, non seguendo il piano di blocco. Dopo aver completato la prima metà di nove esecuzioni (1° blocco), il responsabile del processo di progettazione ha riscontrato errori di blocco e ha interrotto immediatamente le esecuzioni del DOE, il che ha portato a una valutazione del progetto scadente. Dopo la discussione, abbiamo trovato cinque soluzioni alternative per migliorare la struttura di progettazione ortogonale. Abbiamo condotto una diagnostica di progettazione dettagliata su ciascuna proposta DOE alternativa, considerando i tempi e i vincoli di costo del DOE. Tra le cinque proposte, l'aumento del DOE, aggiungendo nove nuovi punti di aumento (tutti agli angoli), è la migliore per recuperare il maggior numero di rischi ortogonali con il più alto rapporto di ritorno sull'investimento. Attraverso questo caso di studio sul blocco del DOE, abbiamo ulteriormente migliorato la nostra conoscenza del DOE JMP con una comunicazione efficace durante questa crisi.
Buongiorno a tutti. Mi chiamo Yi Zheng. Lavoro per Applied Material come ingegnere di processo per semiconduttori, con specializzazione in processi 3D. È un onore per me parlare qui e sono molto felice di condividere il mio argomento con voi. Oggi vorrei parlare dello studio su come utilizzare la progettazione avanzata di JMP per risolvere l'errore di blocco DOE. Innanzitutto, vorrei esprimere la mia gratitudine ai miei mentori, Jiaping e Charles, per avermi insegnato a usare JMP per l'analisi dei dati e per avermi aiutato a completare questo progetto.
Ora, partiamo dal contesto del progetto. Come ingegnere, di solito ho bisogno di progettare il DOE per aiutarmi con l'ottimizzazione dei processi per il mio cliente FAB. Un giorno, quando ho dovuto considerare l'impatto del tempo sui risultati di processo nel DOE, ho aggiunto due blocchi al progetto, proprio come mostrato nella tabella a destra. Naturalmente, ho normalizzato tutti i dati a partire dal controllo IP della mia azienda. Sono stati utilizzati sei fattori in totale. Ho provato a creare un progetto DSD con 17 esecuzioni, che tenga conto di due blocchi, il primo e il secondo giorno, proprio come questo.
Tuttavia, è successo qualcosa. Non riesco più a completare il secondo blocco. Ora la domanda è: cosa dovremmo fare ora? Non voglio sprecare i dati che ho raccolto. Pertanto, il mio piano è di studiare se posso usare l'augment design per correggere il modello. Farò una breve introduzione alla scheda di valutazione del flusso di lavoro del DOE, che può essere una guida per la condotta del DOE. Come mostrato nella tabella.
Si parte dall'ambito e dall'obiettivo del DOE, ovvero trovare tutte le risposte e i fattori, e poi costruire un progetto quasi ortogonale. Ora, ci fermiamo qui a causa di un vincolo: la struttura DSD originale è stata interrotta. Abbiamo dovuto costruire una nuova struttura prima del passaggio successivo. Si tratta dell'aggiunta del progetto di potenziamento di cui ho parlato prima.
In terzo luogo, dobbiamo valutare la diagnostica di progettazione e, sulla base di questa valutazione, possiamo definire il piano di raccolta dati del DOE. Dai punti 5-8, si parla dell'analisi dei risultati del DOE e del miglioramento del modello dopo la raccolta dati. Non ne parleremo oggi.
Passiamo ora alla metrica di valutazione. Come valutare la nostra nuova struttura di progettazione? Fornisco un criterio. In primo luogo, si tratta dell'analisi di potenza, che può dimostrare la capacità dei modelli di giudicare l'andamento positivo e negativo dei fattori. Il suo valore medio dovrebbe essere maggiore di 0,75. Il secondo è la varianza di previsione. Sarà buona se inferiore a 0,05, il che indica una buona accuratezza di previsione.
Quindi la D-Efficiency, l'efficienza di progettazione, può dimostrare l'originalità della struttura DOE. Dovrebbe essere superiore a 0,8 o 0,75. Il quarto punto è utilizzare una funzione multivariata per visualizzare la matrice del diagramma di dispersione. Il punto di progettazione deve riempire la matrice il più possibile, soprattutto per lo spazio centrale e d'angolo. È anche necessario analizzare il rischio di confondimento. Ecco una metrica.
Innanzitutto, scarichiamo la tabella delle correlazioni confondenti. Otteniamo la correlazione tra ogni due fattori e poi rimuoviamo le componenti diagonali in modo da poter calcolare i rischi confondenti delle due aree. Si suggerisce che il valore medio e quello massimo siano inferiori a 0,3. Per quanto riguarda la metrica precedente, iniziamo la valutazione dal nostro progetto originale.
Ricordate, in totale sono state eseguite 17 esecuzioni di progettazione. Blocco 2, otto punti non possono essere raggiunti. Possiamo valutare solo i nove punti rimanenti. Purtroppo, è fallito. Come potete vedere, X5 e X6 sono stati saltati e la valutazione genera un avviso. Credo che ciò sia dovuto al fatto che la dimensione del campione della cella DSD è molto piccola. Saltare diversi campioni può causare gravi problemi alla struttura del modello DOE, influenzando così la valutazione da parte di JMP. Non possiamo fidarci della valutazione del progetto poiché si è verificato un errore.
Torniamo ora alla tabella del flusso di lavoro DOE. Non possiamo continuare con il passaggio 3 perché è difficile costruire una buona struttura DOE basata sui nove punti rimanenti. Dobbiamo passare attraverso il passaggio 8 per aggiungere il progetto di ampliamento, quindi eseguiamo la valutazione del progetto. Ora cercherò di risolvere il caso. Ci sono cinque opzioni alternative. Il progetto 1, di cui abbiamo parlato prima, termina con il blocco originale 1, nove punti completati, ma la valutazione è fallita. Il progetto 2 consiste nel rifare le 17 esecuzioni originali di DSD. È considerato un gruppo di base. I progetti 3, 4 e 5 aggiungeranno punti di ampliamento, punti di ripiegamento e punti di riempimento dello spazio.
Per quanto riguarda la quantità, aggiungere 8 e 17 punti per l'aumento e il riempimento dello spazio potrebbe essere più appropriato, in modo che il test sia confrontabile con il gruppo di riferimento. Quando valutiamo quale design sia adatto, dobbiamo considerare il costo. Ecco una dimensione del campione. Come sappiamo, nel FAB del nostro cliente, abbiamo riscontrato che le risorse sono sempre limitate. Oltre al tessuto in produzione, è spesso difficile avere abbastanza tempo per gli strumenti per condurre un gran numero di esperimenti. Pertanto, il costo sarà un fattore chiave nella valutazione.
Ecco lo strumento di progettazione, un DSD standard con 17 esecuzioni come gruppo di base. Possiamo ottenere eccellenti valori di potenza fattoriale, varianza di previsione ed efficienza D. Dalla mappa dei colori, sulla correlazione, non c'è alcun rischio di risoluzione due e tre, poiché i punti DSD possono sempre costruire una struttura ortogonale perfetta. Tuttavia, se scegliessimo questa opzione, costerebbe almeno sette wafer.
Passiamo al terzo progetto aggiungendo nove punti di aumento. Si scopre che un valore di potenza maggiore, 0,95, che è vicino a uno, significa avere più fiducia nel giudicare i coefficienti fattoriali positivi o negativi. Nel frattempo, otteniamo una migliore varianza di previsione e una migliore efficienza D. Tuttavia, per quanto riguarda il rischio di risoluzione, sembra essere peggiore perché la nostra struttura DSD ortogonale originale è stata interrotta. L'effetto confondente non può essere evitato perfettamente, soprattutto per il punto situato in X4 rispetto a X1 e X5 che raggiunge il valore massimo. Nell'ulteriore analisi del modello, dovremmo considerare seriamente l'effetto di interazione in X4 rispetto a X1 e X5.
Questa diapositiva mostra 17 punti di aumento delle esecuzioni. Con più punti aggiuntivi, possiamo ottenere una migliore potenza del coefficiente fattoriale, una migliore varianza di previsione e una migliore efficienza D. Tuttavia, si prega di prestare attenzione alla Risoluzione III, il rischio di confondimento, perché il valore massimo sembrava essere più alto rispetto al disegno precedente. Ciò indica che l'aggiunta di più punti non risolve efficacemente il rischio di confondimento.
A questo proposito, mostra un'altra funzione di progettazione di aumento. Si tratta di un punto Fold-Over. La funzione consiste nel progettare punti simmetrici basati sui dati originali con zero come centro. La struttura testata da questo progetto è la stessa dei nove punti originali. JMP non può fornirci una valutazione. La mia ipotesi è che il progetto originale non presentasse il trend corrispondente per X5 e X6, che non può essere compensato tramite un progetto simmetrico.
La scelta finale è quella di utilizzare uno Space Filling. Potete dare un'occhiata ai punti aggiunti nella tabella. I loro valori non sono integrali. Se vi concentrate sulla matrice di dispersione multivariata, si scopre che la struttura della distribuzione non è gradevole, anzi, è leggermente disordinata. Non c'è dubbio che la sua D-Efficienza sia pessima. Ma vale la pena ricordare che il rischio di confondimento del design è leggermente inferiore a quello dei punti di aumento e non supera il nostro criterio, 0,3. Per quanto riguarda più punti di Space Filling, possiamo ottenere una migliore potenza fattoriale e una migliore varianza di previsione, sebbene una D-Efficienza inferiore.
Ora, riassumiamo tutti i progetti menzionati in precedenza. Il progetto 1 termina con i primi nove punti completati, anche se non può essere valutato. Inoltre, è inutile aggiungere punti di Fold-Over. Le opzioni alternative sono i punti di aumento e i punti di riempimento dello spazio. Aggiungendo punti di aumento, si può ottenere una buona struttura di progetto, ma è necessario prestare maggiore attenzione al rischio di confondimento, che creerà rumore nell'ulteriore effetto di interazione dei fattori.
Un altro metodo è uno studio per aggiungere punti di riempimento dello spazio. Può ridurre il rischio di confusione, ma ha mostrato una struttura di progettazione scadente. Non sono sicuro che possa costruire un buon modello. Credo di dover condurre un esperimento per verificarlo. Ora possiamo tornare indietro. Sulla base di analisi precedenti, è stata effettuata una valutazione della diagnostica di progettazione. Ogni opzione ha le sue caratteristiche e richiede esperimenti per dimostrarne la praticità.
Perché continuo a mostrare la tabella? Perché continuo a mostrare questa scorecard? Perché ho sempre creduto che un flusso di lavoro DOE ci aiuti a evitare molti errori. Il contenuto presentato nella tabella è piuttosto completo e continuerò a seguire questo processo nei miei lavori futuri.
Dallo studio del progetto, otteniamo alcune conclusioni. In primo luogo, abbiamo creato una metrica di base per valutare la valutazione del DOE. Criteri più severi possono evitare il rischio durante ulteriori analisi del modello. Il secondo punto, il rischio più importante per il modello DSD è il rischio vincolato. Se eseguito correttamente, non può essere raggiunto in modo completo e diretto, con conseguente fallimento dei risultati valutati.
Il terzo punto, basato sulla precedente valutazione del DOE, è che aggiungere un aumento del DOE può essere un buon modo per porre rimedio, sebbene non possa evitare un effetto di confondimento perfetto. Inoltre, è inutile aggiungere altri punti. Questa discussione si limita alla valutazione matematica del JMP. Ancora più importante, sono necessari esperimenti per verificarla.
Pertanto, il mio prossimo piano è implementare il DOE sopra menzionato sul FAB del mio cliente e utilizzare i risultati concreti per dimostrare quale metodo sia più efficace. Ora, ancora una volta, vorrei esprimere la mia gratitudine ai miei mentori, Jiaping e Charles. Un ringraziamento speciale va a US JMP per avermi dato l'opportunità di partecipare alla conferenza. Questo è tutto. Grazie mille.
