Los experimentos modernos con semiconductores se ven limitados por factores que van más allá de la estadística. El tamaño de los lotes, los ciclos de revisión y el riesgo operativo restringen la cantidad de experimentación que se puede realizar en la producción. Al mismo tiempo, a menudo se pide a los profesionales que elijan entre dos enfoques potentes, aunque imperfectos: el diseño de experimentos (DOE), que es eficiente pero depende del modelo, y la optimización bayesiana, que es flexible pero suele requerir muchos recursos.
Esta charla explora qué sucede cuando se deja de elegir y se empieza a combinar. Este trabajo presenta una estrategia de experimentación híbrida que utiliza diseños de selección definitivos (DSD) como datos de entrenamiento de alta calidad para la optimización bayesiana. La idea es simple: comenzar con un diseño de experimentos (DOE) que proporcione una cobertura amplia y estructurada del espacio de factores, y luego dejar que la optimización bayesiana se base en esa información para refinar y optimizar de manera eficiente.
Utilizando ejemplos simulados y publicados de procesos de grabado en seco, PECVD y CMP, demostramos cómo este enfoque híbrido mejora la velocidad de aprendizaje, reduce el coste experimental y, en algunos casos, identifica mejores condiciones de operación que cualquiera de los métodos por separado. En comparación con la optimización bayesiana con datos de entrenamiento que llenan el espacio, el enfoque basado en DSD converge más rápido y con un número significativamente menor de ejecuciones, una ventaja importante en entornos de fabricación con recursos limitados.
Los asistentes aprenderán cómo los conceptos modernos del diseño de experimentos (DOE) pueden mejorar directamente los flujos de trabajo de aprendizaje activo en JMP, cuándo este enfoque es más efectivo y cómo implementarlo de forma práctica en entornos de fabricación reales. Si le interesa la optimización bayesiana pero duda en aplicarla en producción, esta sesión le ayudará a resolver esa duda.
