Moderne Halbleiterexperimente unterliegen nicht nur statistischen Beschränkungen. Losgrößen, Prüfzyklen und operationelle Risiken begrenzen den Umfang der in der Produktion realistisch durchführbaren Experimente. Gleichzeitig stehen Anwender oft vor der Wahl zwischen zwei leistungsstarken – aber nicht perfekten – Ansätzen: der Versuchsplanung (Design of Experiments, DOE), die zwar effizient, aber modellabhängig ist, und der Bayes’schen Optimierung, die zwar flexibel, aber oft ressourcenintensiv ist.
Dieser Vortrag untersucht, was passiert, wenn man aufhört, auszuwählen und stattdessen kombiniert. Die Arbeit präsentiert eine hybride Experimentierstrategie, die definitive Screening-Designs (DSDs) als hochwertige Trainingsdaten für die Bayes'sche Optimierung nutzt. Die Idee ist einfach: Man beginnt mit einem Versuchsplan (DOE), der eine breite, strukturierte Abdeckung des Faktorraums bietet, und lässt dann die Bayes'sche Optimierung auf dieser Grundlage aufbauen, um effizient zu verfeinern und zu optimieren.
Anhand simulierter und veröffentlichter Beispiele aus Trockenätz-, PECVD- und CMP-Prozessen zeigen wir, wie dieser hybride Ansatz die Lerngeschwindigkeit erhöht, die experimentellen Kosten senkt und in einigen Fällen bessere Betriebsbedingungen als die einzelnen Methoden identifiziert. Im Vergleich zur Bayes’schen Optimierung mit raumfüllenden Trainingsdaten konvergiert der DSD-basierte Ansatz schneller und benötigt deutlich weniger Durchläufe – ein wichtiger Vorteil in ressourcenbeschränkten Halbleiterfertigungsumgebungen.
Die Teilnehmer erfahren, wie moderne DOE-Konzepte aktive Lernprozesse in JMP direkt verbessern können, wann dieser Ansatz am effektivsten ist und wie er sich praktisch in realen Fertigungsumgebungen umsetzen lässt. Wenn Sie sich für Bayes'sche Optimierung interessiert haben, aber bisher gezögert haben, sie in der Produktion anzuwenden, soll diese Schulung diese Lücke schließen.
