Data Mining für asymmetrische Daten unter dem Fluch der Dimensionalität
Finden Sie in großen und lauten Daten die einflussreichste Ertragsprädiktoren in einem Halbleiter Fab
Einführung:
Die Halbleiterfertigung ist einer der technologisch und sehr komplizierten Fertigungsprozesse. Aufgrund der hohen Anzahl von Prozessschritten und der hohen Anzahl von Sensoren steht diese Branche vor einem riesigen Datenfluss. Neben der großen Anzahl an Produktionsdaten macht das Ungleichgewicht von Pass- und Ausfallteilen die Analyse dieses Datensatzes schwierig.
Bei einer so hohen Anzahl von Daten könnte die Standardtechnik einer Variablen zu diesem Zeitpunkt aufgrund des Einflusses einer großen Anzahl von Fertigungsvariablen versagen.
Daten allein sind nicht nützlich. Um nützlich zu sein, muss es in verwertbare Informationen umgewandelt werden, um die Ausbeute und die Produktqualität zu verbessern.
Hier kommt das Machine Learning (ML).
Um zu vermeiden, dass das Modell zu sehr passt, muss auch die Dimensionalität der Probe reduziert werden. Mit anderen Worten, um das Signal-Rausch-Verhältnis der verfügbaren Daten zu erhöhen, müssen Sie die Funktionsnummer reduzieren, bevor Sie ein ML-Modell anwenden. Sobald die interessanten Muster aus der Datenbank extrahiert wurden, werden sie durch Erfahrung des Ingenieurs validiert.
Der gesamte Prozess wurde mit JMP13-JSL-Funktionen realisiert
