Hola. Bienvenidos a nuestra charla introductoria titulada Optimización Bayesiana: Un Enfoque Orientado a Objetivos para el Desarrollo de Procesos. Gracias por su tiempo. Hoy abordaremos esta nueva plataforma, recientemente lanzada en JMP 19. Comenzaremos explicando qué es la optimización bayesiana, cómo funciona dentro de la plataforma, su qué y cómo. Después, queremos destacar, ya que esta es una razón fundamental del valor de esta herramienta, su excepcional potencia en JMP.
A continuación, analizaremos cuándo la optimización bayesiana es una herramienta óptima en comparación con una herramienta más tradicional. Analizaremos dos casos prácticos que aumentan la complejidad para destacar el valor de la optimización bayesiana. Al final, volveremos a destacar su valor específico para la industria de semiconductores. Finalmente, explicaremos la mejor manera de implementarla en un entorno de flujo de trabajo de semiconductores más tradicional durante el desarrollo de procesos. Gracias por su presencia.
Gracias, Peter. Daré un breve resumen de qué es la optimización bayesiana y un poco sobre cómo funciona el algoritmo. La optimización bayesiana es un algoritmo iterativo que busca la mejor combinación de configuraciones de factores para satisfacer tus objetivos de respuesta. Es generativa, es decir, una técnica de aprendizaje que utiliza modelos de procesos estocásticos gaussianos como base para generar nuevas, lo que llamamos ejecuciones candidatas, que son nuevas configuraciones de tus combinaciones de factores para probar.
El flujo de trabajo básico de la optimización bayesiana es que usted comienza con algunos datos existentes, y estos datos existentes podrían ser un diseño DOE inicial, o también podría comenzar con algunos datos históricos que tenga guardados en una base de datos.
A partir de ahí, se toman esos datos, se construye el modelo inicial del proceso gaussiano y, a continuación, se utiliza el algoritmo BayesOpt basándose en las predicciones del modelo, la incertidumbre de la predicción y los objetivos de respuesta para generar los nuevos conjuntos de candidatos para la prueba. Una vez que se prueba una nueva ejecución de candidato, se actualiza el modelo con los nuevos resultados de respuesta y esta secuencia se repite hasta que se descubre la configuración óptima de los factores.
En este diagrama de flujo, Determinar Próximas Ejecuciones es donde se desarrolla la optimización bayesiana. Esto se logra mediante una búsqueda guiada que equilibra la exploración del espacio de procesos y la explotación del modelo creado.
¿Por qué es tan innovadora la optimización bayesiana? Pues porque tiene en cuenta las respuestas de cada iteración, lo que proporciona una guía clara sobre cuándo dejar de experimentar. Es una metodología muy orientada a objetivos. Va más allá de las entradas y considera los resultados y los objetivos de negocio.
Esto combina un algoritmo de aprendizaje secuencial con el perfilador y las funciones de deseabilidad de JMP, creando un nuevo enfoque de optimización muy versátil. Como Peter mencionó anteriormente, la plataforma de JMP es bastante única porque se basa en la extensa funcionalidad del perfilador de JMP.
Esto significa que funcionará con múltiples respuestas que podrían tener objetivos contrapuestos: maximizar, minimizar o igualar un objetivo. También puede manejar entradas categóricas, restricciones factoriales y datos de entrenamiento potencialmente desordenados con entradas faltantes. La plataforma en JMP es muy potente.
¿Por qué es esto tan efectivo para la fabricación de semiconductores? Bueno, se trata de un enfoque iterativo que "rellena las lagunas de conocimiento", por lo que se adapta perfectamente al desarrollo de procesos de semiconductores. BayesOpt, como lo llamamos, también señalará las lagunas en su espacio de proceso que podrían ser oportunas para explorar. Además, hace un uso crítico y eficiente de los datos históricos disponibles para que los datos que se almacenan en bases de datos puedan realmente utilizarse.
Un poco sobre cómo funciona el proceso de optimización bayesiana. Primero, describiré brevemente el perfilador de predicción por si no lo conoce, ya que es un elemento fundamental de la plataforma de optimización bayesiana en JMP.
El perfilador de predicciones de JMP es una ilustración totalmente interactiva de un modelo. Puede ver una captura de pantalla de ejemplo aquí. Puede manipular los controles deslizantes de la ventana y cambiar los valores de los factores para ver inmediatamente las predicciones actualizadas del modelo.
La optimización bayesiana utiliza las predicciones de tu modelo de proceso gaussiano, que es el modelo base que has creado. También toma la incertidumbre de la predicción e incorpora tus objetivos de respuesta, y te proporciona nuevas combinaciones de factores para probar. Ahora le cedo la palabra a Peter para que te explique un poco más cómo funciona el algoritmo.
Veremos solo un par de imágenes de la plataforma y, en los casos prácticos, la usaremos en tiempo real. Sin embargo, al analizar la plataforma de optimización bayesiana, existen dos enfoques. Hablaré brevemente del enfoque más personalizado. No lo demostraremos hoy, pero todas las herramientas personalizadas se utilizan o pueden utilizarse en el modo automático, que es lo que destacaremos.
En la esquina inferior derecha, se pueden ver estos accesos directos del perfilador. Estos son diferentes métodos que la optimización bayesiana puede implementar para encontrar el siguiente conjunto de candidatos óptimo. Supongamos, por ejemplo, que su objetivo no es necesariamente encontrar los objetivos de respuesta óptimos, sino que quizás desee completar las lagunas de conocimiento.
Bueno, podría decir, por ejemplo, que se utiliza la opción de maximizar la desviación estándar de deseabilidad bayesiana, y que se desplazará alrededor de ese conjunto de candidatos para identificar las áreas con una desviación estándar alta y, luego, desarrollar conjuntos de candidatos para limitar esas regiones y obtener nuevos conocimientos. En esa plataforma, usted tiene control total sobre el enfoque que adopta la plataforma de optimización bayesiana, si así lo desea.
Nos centraremos en el modo automático. Este modo extraerá de este menú de accesos directos del perfilador para maximizar los objetivos de respuesta. Utilizo el término "maximizar" de forma general. Puedes maximizar, minimizar o intentar alcanzar el objetivo. Sean cuales sean esos objetivos de respuesta, extraerá estos elementos del menú para lograrlo.
Este es un enfoque mucho más simplificado, ya que está completamente automatizado. Hay tres categorías que recorrerás según el estado de tu conjunto de datos inicial y del modelo inicial. Si el modelo inicial no es adecuado, comenzarás con la Exploración de Espacios.
La plataforma identificará candidatos que hayan contribuido a enriquecer su base de conocimientos hasta que pueda construir un modelo gaussiano suficiente para avanzar. Una vez hecho esto, refinará su modelo. Una vez que logre lo que la plataforma identifica como el mejor modelo para alcanzar sus objetivos de respuesta, pasará a la fase de confirmación y cuestionamiento.
¿Cómo se ven esas diferentes fases? Voy a mostrar cuatro de estas imágenes en esta diapositiva y en la siguiente, destacando el cambio en la incertidumbre del perfilador de predicción y la etapa en la que nos encontramos en la construcción del modelo.
Aquí a la izquierda, estamos en modo de llenado de espacio. Si observamos el perfilador de predicción, vemos áreas grises grandes y densas (que representan nuestra incertidumbre), con pequeños picos alrededor de 66, 8 y 106. En este punto, nuestro modelo de proceso gaussiano es insuficiente para avanzar, por lo que pasamos al modo de llenado de espacio MaxPro, donde comenzaremos a desarrollar dicho modelo.
Una vez que tenemos un modelo suficiente, basado en un R-cuadrado predeterminado de 0,25 (que se puede modificar si se desea), pasamos a la fase de refinar el modelo. Esto puede requerir varias partes del menú que mostré anteriormente. Pero en este ejemplo, buscamos la máxima mejora esperada. Podemos ver que nuestros controles deslizantes rojos indican dónde la incertidumbre es mínima y la respuesta máxima, ya que esto se basa en nuestra deseabilidad.
Una vez que lo logremos, continuaremos con esta mejora máxima esperada, refinando ese modelo y pasaremos, por ejemplo, a un rol de máxima deseabilidad, donde realmente buscamos obtener el mejor modelo posible. Lo completamos, exploramos esa región incierta y ahora creemos que estamos perfeccionando el mejor modelo posible. Una vez que logremos ese modelo, la plataforma lo confirmará y luego lo comprobará. Quiere asegurarse de haber encontrado el mejor modelo, por lo que pasamos a este modo de replicar la mejor ejecución de entrenamiento.
Siguiendo con esto, ¿cuándo querrías usar la plataforma de optimización bayesiana? Esto es clave. No es la herramienta definitiva. Aquí tienes algunos ejemplos. Esta lista es incompleta, pero quiero destacar algunas oportunidades donde esto puede ser beneficioso. Supongamos que se diseña un experimento y muchas de tus ejecuciones fallan debido, por ejemplo, a fallos del equipo.
Bueno, podrías usar la plataforma de optimización bayesiana para ahorrar ese DOE. Sarah mencionó el uso de datos históricos. Los dos ejemplos de casos de uso que mostraremos hoy se centrarán en estos dos primeros. Pero existen muchas otras ventajas cuando tienes limitaciones de tiempo o recursos, ya que la plataforma de optimización bayesiana te indicará cuándo has logrado tu objetivo.
Quizás un diseño clásico no sea ideal. Hay demasiados factores. No se sabe cuál es o debería ser la forma del modelo, o simplemente hay demasiadas ejecuciones para caracterizar. En el ejemplo que mostraré, construir un modelo de superficie de respuesta en la plataforma DOE requeriría más de 70 ejecuciones. Es demasiado ineficiente para la innovación.
Puede haber casos en los que sea más conveniente ejecutar una sola ejecución a la vez, como en un proceso por lotes. También podría darse una situación en la que un modelo estándar de mínimos cuadrados resulte demasiado rígido. En todas estas situaciones, la optimización bayesiana puede ser la mejor opción para lograr un resultado en un tiempo mínimo.
Gracias, Peter. Voy a repasar nuestro primer caso práctico. En este primer caso, analizaremos un CMP (planarización químico-mecánica) en la industria de semiconductores, un experimento de cribado de CMP que salió mal. Este es un ejemplo relativamente simple, y el siguiente caso práctico de Peter nos llevará a un ejemplo más complejo.
En este ejemplo, solo tenemos una respuesta: la velocidad de extracción de película, y buscamos ajustarla a un objetivo para optimizarla. En este experimento, tenemos tres factores: el caudal de la suspensión en mililitros por minuto, la fuerza descendente aplicada a la oblea en PSI y las rotaciones de la platina por minuto.
El objetivo aquí, de nuevo, es recuperar este DOE. En este caso práctico, comenzamos con nueve ejecuciones iniciales de DOE y hemos perdido cinco de ellas. Permítanme ahora mencionar JMP, ya que lo haremos en vivo dentro de JMP. Comenzaré con una configuración para mostrarles algunas iteraciones del algoritmo y la plataforma, y luego les mostraré el resultado final completo.
El propósito de esta presentación es simplemente presentarles la plataforma, mostrarles brevemente cómo funciona el modo automático en la plataforma de optimización bayesiana y, luego, mostrarles el resultado final de cómo recuperamos este DOE. Nuevamente, comenzamos con nueve ejecuciones: ocho puntos de diseño factorial y una ejecución de punto central. Debido a fallas en la herramienta y problemas de medición, perdimos cinco de esas ejecuciones.
Para darles una idea del agujero en el que comenzamos, hagamos rápidamente un pequeño diagrama de dispersión del espacio factorial en el que trabajamos y dónde se encuentran las cuatro ejecuciones de las que tenemos datos viables reales. Si observan este espacio de proceso, tenemos datos de estos cuatro puntos de esquina, y eso es todo lo que nos queda. Es todo con lo que contamos para empezar.
Existe una gran área de proceso inexplorada que desconocemos, y queremos alcanzar nuestro objetivo de eliminación de película en el menor número de ejecuciones posible, intentando trabajar con los pocos datos disponibles. Accedamos a la plataforma desde el menú de análisis, modelado especializado, y está en optimización bayesiana.
Tomaré mis factores, mis tres variables x, y los colocaré en la categoría x, y la tasa de eliminación de película que intento optimizar, en la categoría y. Ahora, solo realizaré una ejecución de candidato a la vez. Peter, en su caso práctico, les mostrará cómo modificar esto y, potencialmente, realizar tantas ejecuciones como deseen a la vez. Además, si abren las opciones avanzadas de lotes, podrán ver cómo aumentar el valor R-cuadrado del que hablaba Peter para que el modelo de proceso gaussiano se active quizás más rápido o no tan pronto.
0,25 es el valor predeterminado actual. Aunque pueda parecer muy bajo, tenga en cuenta que el objetivo no es necesariamente que el modelo pueda realizar las mejores predicciones en este momento. Solo necesitamos que el modelo nos indique si la temperatura está aumentando o disminuyendo.
Voy a hacer clic en "Aceptar". Para empezar, lo primero que veremos es el valor R-cuadrado de nuestro modelo de proceso gaussiano. Como pueden ver, el ajuste inicial no es muy bueno: 0,142. Ahora mismo, estamos por debajo del umbral de R-cuadrado. Estaremos en modo de relleno de espacio, donde simplemente rellenaremos los huecos en ese espacio de proceso, ya que teníamos mucho espacio de proceso sin explorar.
Si vamos a la pestaña de selección de lotes, podemos ver que la ejecución candidata que añadiremos como nuestra próxima ejecución de entrenamiento potencial estará bajo el régimen de Relleno de Espacio. Hay un par de cosas en "Opciones de Inclusión" que podrían interesarle. Voy a desmarcar la opción de guardar valores deseables, ya que no los necesito en este momento.
Pero algo que quizás quieras incluir es el valor de respuesta predicho para que puedas ver lo que predice tu modelo de proceso gaussiano. Voy a pulsar "Crear tabla". Se añadirá la siguiente ejecución candidata. Aquí puedes ver que esta combinación de ajustes de factores es la que se seleccionó como la siguiente ejecución viable, y es "Relleno de espacio". Actualmente, el modelo de proceso gaussiano no se está utilizando completamente porque no hemos alcanzado el umbral de R cuadrado.
Quiero continuar. Tenga en cuenta que he configurado esto para que ingrese automáticamente el siguiente valor de respuesta. En la práctica, habría ejecutado esta ejecución del proceso, recopilado los datos de respuesta y la tasa de eliminación de película, y los habría ingresado aquí. Ahora pasamos a la siguiente iteración.
Lo bueno es que no tenemos que volver a la plataforma. La plataforma crea estos scripts para nosotros, donde podemos ejecutar rápidamente nuestra siguiente ejecución en modo automático. Ahora vemos que, con esa ejecución, estamos mejorando un poco. Casi hemos alcanzado nuestro umbral de R cuadrado. Es posible que pronto dejemos de usar el modo de llenado de espacio.
Pueden ver que estamos empezando a ver algo de acción aquí abajo en nuestros perfiladores. Hagamos la siguiente ejecución. Voy a pulsar "Crear tabla". Todavía estamos en modo de relleno de espacio porque no hemos alcanzado el umbral de R cuadrado. Sigamos con otra ejecución. "Crear tabla". Todavía estamos en modo de relleno de espacio, así que veamos si podemos salir de este modo en la siguiente ejecución.
Por fin vamos a superar el proceso de relleno espacial. Ahora tenemos un modelo de proceso gaussiano lo suficientemente bueno como para pasar a la fase de refinamiento del modelo o, dependiendo de su calidad, incluso podríamos pasar directamente a la fase de confirmación y desafío. Veamos cómo estamos.
Parece que nos llevará directamente a la fase de confirmación y desafío. Hemos alcanzado la mejor ejecución de entrenamiento de réplica, lo que significa que no ha encontrado una ejecución candidata que sea mejor que la que ya se observa en la tabla de datos. En teoría, podría detenerse aquí. La velocidad de eliminación de película prevista es de aproximadamente 2391 angstroms por minuto. Por cierto, el objetivo para nuestra velocidad de eliminación de película era de 2400 angstroms por minuto.
También quiero señalar que, dado que la optimización bayesiana es un enfoque altamente orientado a objetivos, es fundamental establecer los límites de respuesta antes de comenzar a ejecutar el algoritmo de optimización. Esto se hace en la columna "información" de la variable de respuesta. Aquí se puede ver que tengo una propiedad de límites de respuesta configurada, y quizás la elimine rápidamente y la inicie desde cero para que se vea cómo se hace.
En las propiedades de la columna, quiero acceder a los límites de respuesta, donde puedo establecer mis objetivos de respuesta. Como pueden ver, estoy buscando un objetivo, y solo tengo que establecer los límites de respuesta inferior y superior. La plataforma inferirá el resto. Inferirá que el objetivo que quiero buscar es el punto medio de este rango, que sería de 2400 angstroms.
Peter hablará un poco más sobre cómo establecer los objetivos de respuesta para cuando estás minimizando o maximizando porque estará realizando un escenario de respuesta múltiple.
Hemos visto algunas iteraciones. Esta es una posible iteración del algoritmo. Podría continuar aquí porque es posible que, incluso después de replicar la mejor ejecución de entrenamiento, pase a la fase de confirmación y desafío aún más, e incluso encuentre mejores soluciones cerca de esta ubicación en la superficie de respuesta, dependiendo de cómo sea realmente dicha superficie.
Pero por cuestiones de tiempo, les mostraré el resultado final de una de las ejecuciones de optimización bayesiana. En este caso, nos mantuvimos en modo de relleno de espacio durante cuatro ejecuciones, y luego pasamos a refinar el modelo y luego a confirmar y desafiar. Esto nos dio una mejor ejecución de entrenamiento de aproximadamente 70 mililitros por minuto para el caudal de la suspensión, alrededor de 7 PSI para la carga aerodinámica y aproximadamente 105 RPM para la rotación del plato.
Esto nos llevó seis ejecuciones adicionales de nuestro proceso. Quizás pienses: "Bueno, parece mucho, pero recuerda dónde empezamos". Recuerda el diagrama de dispersión 3D de las cuatro ejecuciones que nos quedaron después de que cinco de nuestras ejecuciones de DOE resultaran inviables. Es realmente muy eficiente poder optimizar una respuesta en estas pocas ejecuciones. Ahora voy a pasarle la información a Peter para su caso práctico.
Nos centraremos en la caracterización de la pila de puertas. Lo singular de este estudio es que tendremos objetivos de respuesta en competencia. Maximizaremos una Y, minimizaremos otra Y y luego intentaremos alcanzar un objetivo. Además, he tomado una captura de pantalla de los datos históricos que estoy extrayendo.
Para nuestra tercera Y, que es el rendimiento eléctrico, no solo buscamos alcanzar un objetivo, sino uno para el cual no contamos con datos históricos que lo hayan logrado. Construiremos esto usando seis X continuas y dos categóricas. Nuestro objetivo es mejorar el control del proceso en general para este proceso en particular, pero también alcanzar este objetivo único.
Ya mencioné esto antes, pero construir un modelo de superficie de respuesta que considere todo este espacio factorial requeriría 75 ejecuciones. Logramos el resultado deseado en 11... Lo hice varias veces, con un total de 10 a 13 ejecuciones de optimización bayesiana. Continúe y abra la tabla de datos inicial.
Un poco de historia sobre estos datos. Todos estos datos han sido anonimizados, por lo que los valores no tienen sentido para las unidades. Espero que puedas ver más allá de eso. Los extraje de un conjunto de datos histórico con más de mil filas. Lo que hice fue construir modelos bastante precisos para predecir mis respuestas y luego seleccioné cinco filas al azar.
Lo hice porque quiero destacar la poca información que se puede usar para empezar. Con base en el espacio de factores candidatos, usaré esos modelos, creados a partir de todo el conjunto de datos, para predecir cuál habría sido el resultado probable, la respuesta probable.
Sarah resaltó esto, pero al analizar, por ejemplo, la maximización o la minimización, solo ingresé el objetivo inferior. Ingresé 0,93. Luego, al acceder a la plataforma de optimización bayesiana, si se dejan las selecciones predeterminadas, se completará con todo lo necesario.
Al maximizar, se introduce el valor mínimo aceptable. Al minimizar, se introduce el valor máximo aceptable. Por otro lado, como destacó Sarah, al intentar alcanzar el objetivo, solo se deben introducir el mínimo y el máximo, y luego se inferirá cuál es el objetivo.
Vamos a entrar directamente en la plataforma. Permítanme incluir las respuestas que deseo. Vamos a incluir nuestros factores. Como mencionó Sarah, pueden ir uno a la vez, pero también pueden ir 2, 3, 4, 5. En ciertas situaciones, puede ser más conveniente ejecutar más de una ejecución a la vez.
Si hacemos eso, usando ese modelo de proceso gaussiano, tenemos un excelente modelo desde el principio para medir nuestra densidad de defectos. Tenemos un modelo adecuado para el rendimiento eléctrico, pero un modelo deficiente para nuestro rendimiento. Voy a analizar la selección de lotes.
Anteriormente mencioné la posibilidad de personalizar el flujo de la optimización bayesiana. Esto se encuentra en este menú. Simplemente lo expandiría y así tendría todas esas opciones. Al igual que Sarah, voy a activar mis respuestas predichas.
Sarah desmarcó esta casilla. Al dejarla marcada, se rellenarán los demás objetivos de respuesta en los encabezados de columna. Es completamente opcional. Al ejecutar dos a la vez, vemos que ambos están en MaxPro Space Filling. Como esos valores predeterminados ahora están completamente encapsulados en ese script, cada vez que lo ejecute, se usarán dos ejecuciones a la vez.
Tras realizar esta prueba una vez, podemos ver que todos nuestros modelos están fuera de ese límite o han alcanzado el umbral de 0,25. Lo que verán con frecuencia es que, al realizar más de dos ejecuciones, se incorporarán otros elementos del menú. No solo intentaremos encontrar la mejora máxima esperada, sino que también realizaremos otra ejecución en un espacio menos conocido.
Podemos ejecutarlos y luego continuar con esto. Lo haré una o dos veces más para ver qué tan lejos llegamos. Luego, pasaremos a los resultados finales. De nuevo, podemos ver que oscilamos entre la mejora máxima esperada y la desviación estándar máxima de deseabilidad, y podemos continuar con este proceso un tiempo. Pero pasemos a otro punto. Ejecuté esto antes y, en este caso, realicé una iteración a la vez.
Como pueden ver, nos quedamos en MaxPro Space Filling durante unas tres ejecuciones, luego en Max Expected Improvement durante cuatro, en Max Desirability durante tres más, y luego pasamos directamente a la réplica. Ejecuté la réplica un par de veces solo por curiosidad. Empezamos con cinco ejecuciones iniciales y, de nuevo, intentamos trasladar todo un espacio de proceso a un territorio desconocido.
Lo que quiero animarlos a pensar es cómo abordarían esto en su día a día. ¿Cuánto esfuerzo, tiempo y recursos requeriría? Y luego reconozcan que solo se necesitaron 11 intentos para lograrlo. Esto tiene una gran capacidad para ahorrar tiempo, dinero y recursos, nuevamente, cuando se implementa en un escenario donde sea más lógico.
¿Qué tiene más sentido? Bueno, a veces solo es cuestión de probarlo. A veces es cuestión de sentarse con colegas y conversar. A veces, simplemente hay que lanzarse a la piscina. Bien, volvamos a nuestras diapositivas. Le cedo la palabra a Sarah.
Muy bien. Gracias, Peter. Para rematar, algunos de los beneficios de la optimización bayesiana para la fabricación de semiconductores. De nuevo, se pueden tener diseños iniciales más pequeños y detenerse cuando se alcancen los objetivos. No se necesita un tamaño de muestra inicial fijo. Simplemente se itera hasta alcanzar los objetivos de respuesta, por lo que no se desperdicia información ni se recopilan datos innecesarios. Por lo tanto, menos desperdicio, menos costos.
También es más fácil de adoptar en comparación con muchos de los métodos estadísticos clásicos que utilizamos para la optimización de procesos. Es estadísticamente más sencillo, ya que no hay que evaluar valores p, comprobar pruebas de normalidad ni analizar gráficos de residuos. Si bien la construcción de los modelos de proceso gaussianos puede ser computacionalmente compleja, desde el punto de vista de la interpretación, requiere menos análisis estadístico.
Además, no es necesario preocuparse por la selección de efectos para construir el modelo. Si está acostumbrado a construir modelos de regresión de puntuaciones mínimas estándar, sabrá que debe decidir si necesita modelar interacciones o cualquier tipo de curvatura polinómica que pueda estar presente. No es necesario hacerlo aquí, ya que los modelos de proceso gaussiano aprenden naturalmente la forma de la superficie de respuesta a medida que itera.
Si no está familiarizado con los modelos de proceso gaussiano, definitivamente vale la pena dedicar de 5 a 10 minutos a leer un poco sobre ellos. Se trata de una técnica de ajuste de modelos muy flexible. Se trata de un método basado en kernel de aprendizaje automático. Si tiene superficies de respuesta complejas, los modelos de proceso gaussiano pueden aprenderlas de forma muy flexible y eficiente, a diferencia de un modelo de regresión por mínimos cuadrados estándar. Por último, se trata de un enfoque iterativo guiado que se adapta perfectamente al pensamiento habitual de un ingeniero de desarrollo de procesos de semiconductores.
Solo para comparar algunas estrategias comunes de desarrollo de procesos que se emplean actualmente en semiconductores, obviamente contamos con enfoques ad hoc, y esto se basa en la prueba y error, combinada quizás con cierto conocimiento local o intuición. El problema es que esto inevitablemente nos lleva a la trampa de experimentar con un factor a la vez, que probablemente sea la forma menos eficiente de recopilar información sobre un proceso. Además, este enfoque no cuantifica la incertidumbre.
También tenemos nuestro enfoque clásico de diseño de experimentos, donde quizás se consulta con un ingeniero de procesos, se comienza con un diseño de cribado para evaluar un conjunto inicial de muchos factores y, una vez que se tiene una idea de qué perillas serán las más importantes, se puede ampliar ese diseño para resolver cualquier efecto de interacción, tal vez modelar alguna curvatura. Después, se ajusta el modelo de superficie de respuesta final para realizar la optimización real.
Quiero destacar que el DOE clásico se ha empleado como enfoque de desarrollo de procesos durante décadas y ha tenido mucho éxito, y no esperamos que esto cambie pronto. Obviamente, se seguirá utilizando durante décadas de aplicación industrial del DOE.
Sin embargo, algunos de los desafíos del enfoque DOE clásico que la optimización bayesiana puede ayudar a resolver son que a menudo se requiere un tamaño de muestra inicial grande, por lo que podría requerirse un conjunto inicial amplio de ejecuciones DOE para establecer ese modelo. Se presta mucha atención a los aspectos estadísticos en lugar de centrarse en la resolución de problemas reales.
Se basa en el espacio factorial y no en los valores de respuesta reales ni en los objetivos de su negocio. A menudo, puede situar sus puntos de diseño en extremos y en el centro de los rangos, mientras que la región óptima de su espacio de diseño o de su espacio de proceso podría pasar completamente desapercibida.
La optimización bayesiana no sustituye al enfoque DOE clásico. Es simplemente una herramienta más que puede ayudarnos a afrontar situaciones difíciles, como algunas de las que Peter describió anteriormente sobre cuándo usar la optimización bayesiana.
Queremos concluir destacando y reiterando el valor de la optimización bayesiana. Creo que, ante todo, y esto encaja a la perfección en el entorno de los semiconductores, es un enfoque muy iterativo. Se establecen los objetivos, se obtienen datos iniciales, ya sea de un diseño básico de experimento o de datos históricos, y luego se puede avanzar iterativamente y dejar que el proceso guíe el proceso.
Deja que los resultados guíen la siguiente ejecución y te indicará cuándo parar. No solo tiene en cuenta los objetivos, sino que también utiliza las funciones de deseabilidad del perfilador para identificar rápidamente el mejor conjunto de factores candidatos, y luego te dice que has terminado. Es muy valioso que te digan que ya terminé y que puedo continuar. Es una herramienta excelente para reducir tiempo, desperdicio y gastos.
No puedo contarles la cantidad de veces que hablo con mis clientes del sector de semiconductores y me dicen: "Solo puedo conseguir un número limitado de obleas para ejecutar esto, y mi diseño no se ajusta a la cantidad de obleas que tengo". Aquí es donde la optimización bayesiana puede realmente beneficiar estos desafíos, omnipresentes en la industria. Se adapta fácilmente a los procesos de semiconductores comunes actuales y permite a los usuarios innovar en sus técnicas y procesos de forma muy natural.
Lo que más me gusta es su gran complejidad computacional, pero como está integrado en el generador de perfiles, es muy fácil digerir los resultados, interpretarlos y comprender realmente por qué me estoy moviendo en esta dirección. Con base en estos resultados, ¿cuánto creemos que nos estamos acercando? Estamos llenando el espacio, ahora estamos refinando, y ahora estamos confirmando y desafiando. Es una brisa muy agradable que te impulsa a través de tu proceso de semiconductores.
Es una herramienta muy potente ahora disponible en JMP 19, y creo que realmente será, como dijo Sarah, una herramienta realmente fantástica en esa caja de herramientas para aprovechar.
Es posible que esto les haya dejado con más preguntas que respuestas. En realidad, solo hemos explorado superficialmente lo que esta plataforma puede hacer. Queríamos mostrarles algunos recursos. Pueden sacar su teléfono y escanear este código QR; les llevará directamente a la grabación de un taller de ENBIS que Chris Gotwalt y Phil Kay impartieron sobre este tema hace un tiempo. Además, si están viendo estas diapositivas, pueden hacer clic en las imágenes a continuación para acceder directamente a contenido en PDF.
De verdad, queremos agradecer enormemente, especialmente a Chris Gotwalt y su equipo. Trabajaron incansablemente para desarrollar esto, probarlo y perfeccionarlo. Esperamos que aproveche esta herramienta y que podamos saber cuáles son sus logros, sus deficiencias y cuáles serían las mejoras más importantes para usted. Gracias por su tiempo. Esperamos que esté disfrutando de un excelente descubrimiento y agradecemos su presencia hoy. Gracias.
