Anzahl Durchsuchen:29 Autor:Site Editor veröffentlichen Zeit: 2018-10-23 Herkunft:Powered
Bei der Herstellung von Halbleitern werden endgültige Produkte durch mehrere hundert Prozesse hergestellt, die stark automatisiert und dramatisch voneinander abhängig sind. Die meisten heute verwendeten Herstellungsprozesse sind komplex miteinander verflochten. In erster Stelle werden, wenn Sie Technologie im Nanometermaßstab verwenden.
Für diese Hersteller oder Ingenieure wird der Ertrag als sehr wichtiger Faktor angesehen, der überwacht und kontrolliert werden muss. Der Ertrag wird als Verhältnis normaler Produkte zu festen Produkten definiert. Ertragsmanagement im Halbleiter Die Industrie wird als ein umfassendes analytisches System verstanden, das die Eigenschaften eines komplexen Systems aufweist. Ein komplexes System hat viele unabhängige Komponentenvariablen, die auf viele komplizierte Weise miteinander interagieren. Deshalb, Es wird als schwierig angesehen, vorherzusagen und zu kontrollieren.
Die Ausbeute bei der Herstellung von Halbleiter wird stark von mehreren Faktoren beeinflusst, einschließlich Partikeln oder Verunreinigungen am Wafer, Substanzen in den Herstellungsinstrumenten, Herstellungsprozessparametern, Einstellungen der Prozessingenieure, und das Design von Halbleitern.
Halbleiterunternehmen können einen gewissen Grad an Ertrag erreichen, indem sie statistische Prozesskontrollen und 6-Sigma auf einen Halbleiter anwenden. Ertragsverbesserung, die statistische Messungen verwendet Viele effektiv im Voraus. Dies liegt daran, dass Herstellungsprozessvariablen, die die Veränderungen im Ertrag beeinflussen, eine nichtlineare komplexe Beziehung zum Ertrag aufweisen. Aufgrund dieses interaktiven Effekts zwischen mehreren Variablen, Herstellern Finden Es ist schwierig, Probleme rechtzeitig zu bestimmen, wenn kleine Änderungen in einer Beziehung zwischen Prozessparametern Änderungen in der Ertragsausgabe verursachen können.
Somit sind andere intelligente Techniken erforderlich, um die Hauptprozessvariablen zu erkennen, die die Änderungen der Ertragsausbeute ernsthaft beeinflussen. Diese Studie hat in der Halbleiterindustrie ein Hybridrendite -Vorhersagesystem entwickelt, das genannt wird Hypssi als Ergänzung zum bestehenden statistischen Ansatz. Dieses System basiert auf einer hybriden Anwendung von Techniken für maschinelles Lernen, um mehrere Prozessvariablen darzustellen Semiconductor Manufacturing. HypSSI übernimmt neuronale Netze (NNS) und fallbasierte Argumentation (CBR), die direkt auf Vorhersagezwecke angewendet werden können. CBR leidet jedoch unter der Gewichtung des Merkmals. Wenn es den Abstand zwischen misst Fälle sollten einige Merkmale unterschiedlich gewichtet werden. Es wurde vorgeschlagen, dass viele mit Feature-gewichtete Varianten des K-Nearest-Nachbarn (K NN) höhere Gewichte für relevantere Merkmale für Fallabrufzwecke zuweisen [2,37]. Obwohl diese Es wurde berichtet, dass Varianten ihre Abrufgenauigkeit in Bezug auf einige Aufgaben verbessern. Nur wenige wurden in Verbindung mit neuronalen Netzwerken verwendet, um vorherzusagenErtragleistung in der Herstellung von Halbleiter.
Um Merkmale abzuwägen und CBR zu führen, nimmt HypSSI vier Merkmalsgewichtungsmethoden an: Empfindlichkeit, Aktivität, Ärger und Relevanz. Jede Methode berechnet den Grad der Bedeutung jedes Merkmals durch die Verwendung der Verbindungsgewichte und Aktivierungsmuster der Knoten im geschulten neuronalen Netzwerk.
Um diesen hybriden Ansatz in der Halbleiterindustrie zu validieren, wurde Hypssi auf das internationale Halbleiterunternehmen angewendet, das weltweit eingestuft wurde. Nach dem Vergleich dieses Hybrids Methode Mit anderen Methoden, die verwendet wurden, zeigt dieses Papier die Hybridmethode eine genauere Ertragsvorhersage.
Dieses Papier ist wie folgt organisiert: Abschnitt 2 überprüft verschiedene Ansätze, die zur Bereitstellung von Ertragsmanagement für die Herstellung von Halbleitern verwendet werden. Dieser Abschnitt konzentriert sich auf Hybridanwendungen, die maschinelle Lerntechniken kombinieren.
Abschnitt 3 beschreibt die Methodik des Hybridertragsvorhersagesystems in der Halbleiterindustrie, als Hypssi bezeichnet. Experimentelle Ergebnisse werden in Abschnitt 4 dargestellt, um das System zu validieren. Schließlich wird dieses Papier von Brie Fly abgeschlossen Zusammenfassung der Studie und der Richtung der zukünftigen Forschung.
Forschungsmethoden, die bei der Herstellung von Halbleitern angewendet werden
In einer High-Tech-Branche wie der Herstellung von Halbleiter wird die Ertragsverbesserung immer wichtiger, da fortschrittliche Herstellungstechnologien kompliziert sind und viele miteinander verbundene Faktoren die Ausbeute an hergestellten Wafern beeinflussen. Ein paar Studien zielten darauf ab, die Leistungsleistung zu verbessern und die Betriebs- und Kapitalinvestitionskosten in der Halbleiterindustrie zu senken. Es gibt mehrere statistische Ansätze, die für die Herstellung von Halbleitern angewendet werden. Wang [36] verwendete das niedrigere Vertrauens- und Fähigkeitstests für den Prozessertrag, der feststellen kann, ob die Herstellungsprozesse den Fähigkeitsanforderungen erfüllen. Kaempf [18] verwendete den Binomialtest mit grafischen Ertragsdiagrammen der tatsächlichen Produktionswaffeln zu Identifizieren Sie Defektquellen im Herstellungsprozess. Cho et al. [9] beschrieben eine Variante der Hauptkomponentenanalyse, die sich zersetzt Prozessvariabilität unter Verwendung von Statistiken der Messungen aus der Herstellung.
Sobrino und Bravo [32] verkörperten einen induktiven Algorithmus, um die vorläufigen Ursachen von Wafern von qualitativ hochwertigen Daten aus manuellierenden Daten zu erlernen. Last und Kandel [22] präsentierten das automatisierte Wahrnehmungsnetzwerk für eine genaue Planung des Ertrags durch Automatisierte Konstruktion von Modellen aus lauten Datensätzen.
Eine Technik kann mit anderen Techniken kombiniert werden, um die Qualität der Forschung zu verbessern, wenn sie im Ertragsprädiktionsprozess verwendet werden. Kang et al. [19] integrierte induktive Entscheidungsbäume und NNs mit der Rückführung und SOM -Algorithmen zur Verwaltung von Erträgen über wichtige Halbleiterherstellungsprozesse. Shin and Park [31] Integrierte neuronale Netzwerke und Gedächtnisreden, um ein Wafer-Rendite-Vorhersagesystem für die Herstellung von Halbleiter zu entwickeln. Yang et al. [40] Gemischte Tabu -Suche und simuliertes Glühen zur Integration von Layoutkonfiguration und automatisierten Materialhandhabungssystemen in die Waferherstellung.
Chien et al. [8] umfassten K-Means-Clustering und einen Entscheidungsbaum, um mögliche Ursachen für Fehler und Herstellungsprozessschwankungen aus den Daten zur Herstellung von Halbleitern abzuleiten. Hsu und Chien [13] Integrierte räumliche Statistiken und Adaptive Resonanztheorie Neuronale Netze, um Muster aus Wafer -Bin -Karten zu extrahieren und mit Fertigungsfehlern zu assoziieren. Li und Huang [23] integrierten die selbstorganisierende Karte (SOM) und unterstützen die Vektormaschine (SVM): die SOM-Cluster die Waferbehälterkarten; Die SVM klassifiziert die Wafer -Bin -Karten, um die Herstellungsfehler zu identifizieren. Wang [35] präsentierte ein räumliches Defektdiagnosesystem für die Herstellung von Halbleiter, das Fuzzy-Clustering von quadratischem Error verbindet und Kernelbasierter spektraler Clustering und ein Entscheidungsbaum. Romaniuk und Hall [29] entwickelten das SC-NET-System, das Expertensysteme mit dem Lernen in einem hybriden Verbindungspersonal/symbolischen Ansatz bietet, um Halbleiter zu erkennen Waferfehler. Chaudhry et al. [6] schlugen eine Fuzzy-Entitätsbeziehungsmethode vor, um einen Prototyp einer Fuzzy-relationalen Datenbank für ein diskretes Steuerungssystem zu erstellen, das für einen Halbleiterherstellungsprozess geeignet ist.
LIAO [25] befragte Expertensystementwicklungsliteratur von 1995 bis 2004. Auf der Grundlage seiner Ergebnisse wurden in den folgenden Bereichen die wichtigsten Anwendungen zur Implementierung von Hybrid -CBR entwickelt: Fertigungsdesign und Fehlerdiagnose, Wissensmodellierung und -management, medizinische Planung und Anwendung sowie finanzielle Prognosebereiche.
Der Hybrid -CBR -Ansatz wurde in der Herstellungsdesign und der Fehlerdiagnose ausführlich angewendet. HUI und JHA [16] Integrierte NN, CBR und regelbasierte Argumentation zur Unterstützung von Kundendienstaktivitäten wie Entscheidungsunterstützung und Maschine Fehlerdiagnose in einer Produktionsumgebung. LIAO [26] integrierte eine CBR-Methode mit einem Mehrschicht-Perzeptron für die automatische Identifizierung von Fehlermechanismen im gesamten Versagenanalyseprozess. Yang et al. [39] Integrierte CBR mit einem Art-Kohonen-NN zur Verbesserung der Fehlerdiagnose von Elektromotoren. Tan et al. [34] Integrierte CBR und das Fuzzy Artmap NN, um Manager bei der zeitnahen und optimalen Investitionsentscheidungen für die Fertigungstechnologie zu unterstützen. Saridakis und Dentsoras [30] führte ein fälschliches Design mit einem Soft Computing-System ein, um das parametrische Design eines Oszilationsförderers zu bewerten.
Die folgenden Forschungsarbeiten in den Bereichen für Wissensmodellierungs- und Managementbereiche wurden entwickelt. Hui et al. [15] kombinierten den CBR- und NN Bedienung. Choy et al. [10] entwickelten ein intelligentes Lieferanten-Verwaltungsmanagementsystem mit hybriden CBR- und NN-Technik, um potenzielle Lieferanten von Honeywell Consumer Products in Hongkong auszuwählen und zu benennen. Yu und Liu [41] schlugen eine Hybridisierung sowohl symbolischer als auch numerischer Argumentationstechniken vor, um eine höhere Genauigkeit zu erreichen und das Datenknappheitsproblem in der Konstruktionsprojektdatenbank zu überwinden. Chen und Hsu [7] lösten potenzielle Klageprobleme verursacht durch sich ändernde Bestellungen in Bauprojekten. Sie nutzten NNs, um die Wahrscheinlichkeit von Rechtsstreitigkeiten vorherzusagen, und nutzten CBR, um die Erträge zu warnen. IM und Park [17] entwickelten ein Hybrid -Expertensystem von CBR und NN für ein personalisiertes Beratungssystem Für die Kosmetikindustrie. Liu et al. [27] entwickelten eine assoziationsbasierte Fallreduktionstechnik, um die Größe der Fallbasis zu verringern, um die Effizienz zu verbessern und gleichzeitig die Genauigkeit des CBR zu verbessern. Sun et al. [33] bau a a Fallbasis basierend auf Ähnlichkeitsbeziehungen und Fuzzy -Ähnlichkeitsbeziehungen, die beide auf der möglichen Welt der Probleme und Lösungen definiert sind.
Hybrid CBR wurde auch in den Bereichen der medizinischen Planung und Anwendungen eingesetzt. Guiu et al. [12] stellten ein fallbasiertes Klassifizierungssystem ein, um die automatische Diagnose von Brustbiopsienbildern zu lösen. Hsu und Ho [14] kombinierten CBR, NN, Fuzzy Theorie und Induktionstheorie zusammen, um die Diagnose mehrerer Erkrankungen und das Erlernen neuer Anpassungswissen zu erleichtern. Wyns et al. [38] angewendet eine modifizierte Kohonen -Kartierung in Kombination mit einem CBR -Bewertungskriterium, um frühzeitig vorherzusagen Arthritis, einschließlich rheumatoider Arthritis und Spondyloarthropathie. Ahn und Kim [1] kombinierten das CBR mit genetischen Algorithmen, um zytologische Merkmale zu bewerten, die aus einem digitalen Scan von Folien der Brustfeinnadelaspirat (FNA) abgeleitet wurden.
Auch hybride CBRs wurden in finanziellen Prognosegebieten verwendet. Kim und Han [20] präsentierten eine Fall-Indexing-Methode von CBR, die SOM für die Vorhersage der Unternehmensanleihenbewertung verwendet. Li et al. [24] stellten eine Funktionsbasis ein Ähnlichkeitsmaß, um mit der Vorhersage der Finanzbezeichnung (z. B. Insolvenzvorhersage) in China umzugehen. Chang und Lai [4] integrierten das SOM und CBR für Vertriebsprognosen neu veröffentlichter Bücher. Chang et al. [5] entwickelten ein CBR -System mit Genetischer Algorithmus für die Wiedergabe von Großhändlern. Chun und Park [11] entwickelten eine Regression CBR für die Finanzprognose, die vor der Festlegung ähnlicher Fälle unterschiedliche Gewichte auf unabhängige Variablen anwendet. Kumar und Ravi [21] präsentierte eine umfassende Überprüfung der Arbeiten unter Verwendung von NN und CBR, um die Insolvenzvorhersageprobleme der Banken zu lösen.
Um die Fähigkeit zur genauen Vorhersage der Ertrag genau zu verbessern, wurde in der Semi-Leiter-Industrie (HypsSI) ein Hybridrendite-Vorhersagesystem entwickelt. Es ist die folgende Hybridmethode, die maschinelle Lerntechniken kombiniert, wie z. Back-Propation-Netzwerk (BPN), CBR und K nn (siehe Abb. 1).
HypSSI besteht aus vier Phasen: Lernen über die Beziehung zwischen Fallvariablen und Ertrag, Merkmalsgewichtung, Extrahieren von K ähnlichen Fällen und gewichtete Mittelung extrahierter Ausbeuten. Die erste Phase beendet die relative Bedeutung von Unabhängige Variablen aus der Beziehung zwischen unabhängigen Variablen (d. H. Herstellungsverfahrensvariablen) und einer abhängigen Variablen (d. H. Ausbeute). Wenn das Training eines BPN in der Instanz der Ertragsfallbasis beendet ist, ist die Die Verbindungsgewichte eines geschulten neuronalen Netzwerks zeigen die Bedeutung der Beziehung zwischen den Prozessvariablen und der Ertrag.
Um eine Reihe von Feature-Gewichten aus dem geschulten Netzwerk zu erhalten, werden vier Merkmalsgewichtungsmethoden verwendet: Empfindlichkeit, Aktivität, Ärmlichkeit und Relevanz [28, 37, 42]. Jede dieser Methoden berechnet den Grad der einzelnen Merkmale Wichtigkeit durch Verwendung der Verbindungsgewichte und Aktivierungsmuster der Knoten im geschulten neuronalen Netzwerk. Die Feature-Gewicht-Algorithmen werden wie folgt beschrieben:
„Sensitivitätsgewichtsmethode“: Die Sensitivität (SENI) der Eingangsknoten (SENI) wird berechnet, indem der Eingangsknoten aus dem geschulten neuronalen Netzwerk entfernt wird. Die Empfindlichkeit eines Eingangsknotens ist der Fehlerunterschied zwischen der Entfernung der Feature und wenn es an Ort und Stelle bleibt. Seni wird durch die folgende Gleichung berechnet
Wenn E (0) die Fehlermenge nach dem Entfernen eines Eingangsknotens I und E (WF) angibt, bedeutet der Fehlerwert, wenn der Knoten unberührt bleibt. Der Fehlerwert basiert auf der folgenden Gleichung
wobei CB eine Fallbasis ist, die Fallvariablen (Merkmale) und entsprechende Ausbeute enthält und y den tatsächlichen Ertragswert angibt, und OY den vom BPN beobachteten Renditewert angibt.
Bei der Herstellung von Halbleitern werden endgültige Produkte durch mehrere hundert Prozesse hergestellt, die stark automatisiert und dramatisch voneinander abhängig sind. Die meisten heute verwendeten Herstellungsprozesse sind komplex miteinander verflochten. In erster Stelle werden, wenn Sie Technologie im Nanometermaßstab verwenden.
Für diese Hersteller oder Ingenieure wird der Ertrag als sehr wichtiger Faktor angesehen, der überwacht und kontrolliert werden muss. Der Ertrag wird als Verhältnis normaler Produkte zu festen Produkten definiert. Ertragsmanagement im Halbleiter Die Industrie wird als ein umfassendes analytisches System verstanden, das die Eigenschaften eines komplexen Systems aufweist. Ein komplexes System hat viele unabhängige Komponentenvariablen, die auf viele komplizierte Weise miteinander interagieren. Deshalb, Es wird als schwierig angesehen, vorherzusagen und zu kontrollieren.
Die Ausbeute bei der Herstellung von Halbleiter wird stark von mehreren Faktoren beeinflusst, einschließlich Partikeln oder Verunreinigungen am Wafer, Substanzen in den Herstellungsinstrumenten, Herstellungsprozessparametern, Einstellungen der Prozessingenieure, und das Design von Halbleitern.
Halbleiterunternehmen können einen gewissen Grad an Ertrag erreichen, indem sie statistische Prozesskontrollen und 6-Sigma auf einen Halbleiter anwenden. Ertragsverbesserung, die statistische Messungen verwendet Viele effektiv im Voraus. Dies liegt daran, dass Herstellungsprozessvariablen, die die Veränderungen im Ertrag beeinflussen, eine nichtlineare komplexe Beziehung zum Ertrag aufweisen. Aufgrund dieses interaktiven Effekts zwischen mehreren Variablen, Herstellern Finden Es ist schwierig, Probleme rechtzeitig zu bestimmen, wenn kleine Änderungen in einer Beziehung zwischen Prozessparametern Änderungen in der Ertragsausgabe verursachen können.
Somit sind andere intelligente Techniken erforderlich, um die Hauptprozessvariablen zu erkennen, die die Änderungen der Ertragsausbeute ernsthaft beeinflussen. Diese Studie hat in der Halbleiterindustrie ein Hybridrendite -Vorhersagesystem entwickelt, das genannt wird Hypssi als Ergänzung zum bestehenden statistischen Ansatz. Dieses System basiert auf einer hybriden Anwendung von Techniken für maschinelles Lernen, um mehrere Prozessvariablen darzustellen Semiconductor Manufacturing. HypSSI übernimmt neuronale Netze (NNS) und fallbasierte Argumentation (CBR), die direkt auf Vorhersagezwecke angewendet werden können. CBR leidet jedoch unter der Gewichtung des Merkmals. Wenn es den Abstand zwischen misst Fälle sollten einige Merkmale unterschiedlich gewichtet werden. Es wurde vorgeschlagen, dass viele mit Feature-gewichtete Varianten des K-Nearest-Nachbarn (K NN) höhere Gewichte für relevantere Merkmale für Fallabrufzwecke zuweisen [2,37]. Obwohl diese Es wurde berichtet, dass Varianten ihre Abrufgenauigkeit in Bezug auf einige Aufgaben verbessern. Nur wenige wurden in Verbindung mit neuronalen Netzwerken verwendet, um vorherzusagen Ertragleistung in der Herstellung von Halbleiter.
Um Merkmale abzuwägen und CBR zu führen, nimmt HypSSI vier Merkmalsgewichtungsmethoden an: Empfindlichkeit, Aktivität, Ärger und Relevanz. Jede Methode berechnet den Grad der Bedeutung jedes Merkmals durch die Verwendung der Verbindungsgewichte und Aktivierungsmuster der Knoten im geschulten neuronalen Netzwerk.
Um diesen hybriden Ansatz in der Halbleiterindustrie zu validieren, wurde Hypssi auf das internationale Halbleiterunternehmen angewendet, das weltweit eingestuft wurde. Nach dem Vergleich dieses Hybrids Methode Mit anderen Methoden, die verwendet wurden, zeigt dieses Papier die Hybridmethode eine genauere Ertragsvorhersage.
Dieses Papier ist wie folgt organisiert: Abschnitt 2 überprüft verschiedene Ansätze, die zur Bereitstellung von Ertragsmanagement für die Herstellung von Halbleitern verwendet werden. Dieser Abschnitt konzentriert sich auf Hybridanwendungen, die maschinelle Lerntechniken kombinieren.
Abschnitt 3 beschreibt die Methodik des Hybridertragsvorhersagesystems in der Halbleiterindustrie, als Hypssi bezeichnet. Experimentelle Ergebnisse werden in Abschnitt 4 dargestellt, um das System zu validieren. Schließlich wird dieses Papier von Brie Fly abgeschlossen Zusammenfassung der Studie und der Richtung der zukünftigen Forschung.
Forschungsmethoden, die bei der Herstellung von Halbleitern angewendet werden
In einer High-Tech-Branche wie der Herstellung von Halbleiter wird die Ertragsverbesserung immer wichtiger, da fortschrittliche Herstellungstechnologien kompliziert sind und viele miteinander verbundene Faktoren die Ausbeute an hergestellten Wafern beeinflussen. Ein paar Studien zielten darauf ab, die Leistungsleistung zu verbessern und die Betriebs- und Kapitalinvestitionskosten in der Halbleiterindustrie zu senken. Es gibt mehrere statistische Ansätze, die für die Herstellung von Halbleitern angewendet werden. Wang [36] verwendete das niedrigere Vertrauens- und Fähigkeitstests für den Prozessertrag, der feststellen kann, ob die Herstellungsprozesse den Fähigkeitsanforderungen erfüllen. Kaempf [18] verwendete den Binomialtest mit grafischen Ertragsdiagrammen der tatsächlichen Produktionswaffeln zu Identifizieren Sie Defektquellen im Herstellungsprozess. Cho et al. [9] beschrieben eine Variante der Hauptkomponentenanalyse, die sich zersetzt Prozessvariabilität unter Verwendung von Statistiken der Messungen aus der Herstellung.
Sobrino und Bravo [32] verkörperten einen induktiven Algorithmus, um die vorläufigen Ursachen von Wafern von qualitativ hochwertigen Daten aus manuellierenden Daten zu erlernen. Last und Kandel [22] präsentierten das automatisierte Wahrnehmungsnetzwerk für eine genaue Planung des Ertrags durch Automatisierte Konstruktion von Modellen aus lauten Datensätzen.
Eine Technik kann mit anderen Techniken kombiniert werden, um die Qualität der Forschung zu verbessern, wenn sie im Ertragsprädiktionsprozess verwendet werden. Kang et al. [19] integrierte induktive Entscheidungsbäume und NNs mit der Rückführung und SOM -Algorithmen zur Verwaltung von Erträgen über wichtige Halbleiterherstellungsprozesse. Shin and Park [31] Integrierte neuronale Netzwerke und Gedächtnisreden, um ein Wafer-Rendite-Vorhersagesystem für die Herstellung von Halbleiter zu entwickeln. Yang et al. [40] Gemischte Tabu -Suche und simuliertes Glühen zur Integration von Layoutkonfiguration und automatisierten Materialhandhabungssystemen in die Waferherstellung.
Chien et al. [8] umfassten K-Means-Clustering und einen Entscheidungsbaum, um mögliche Ursachen für Fehler und Herstellungsprozessschwankungen aus den Daten zur Herstellung von Halbleitern abzuleiten. Hsu und Chien [13] Integrierte räumliche Statistiken und Adaptive Resonanztheorie Neuronale Netze, um Muster aus Wafer -Bin -Karten zu extrahieren und mit Fertigungsfehlern zu assoziieren. Li und Huang [23] integrierten die selbstorganisierende Karte (SOM) und unterstützen die Vektormaschine (SVM): die SOM-Cluster die Waferbehälterkarten; Die SVM klassifiziert die Wafer -Bin -Karten, um die Herstellungsfehler zu identifizieren. Wang [35] präsentierte ein räumliches Defektdiagnosesystem für die Herstellung von Halbleiter, das Fuzzy-Clustering von quadratischem Error verbindet und Kernelbasierter spektraler Clustering und ein Entscheidungsbaum. Romaniuk und Hall [29] entwickelten das SC-NET-System, das Expertensysteme mit dem Lernen in einem hybriden Verbindungspersonal/symbolischen Ansatz bietet, um Halbleiter zu erkennen Waferfehler. Chaudhry et al. [6] schlugen eine Fuzzy-Entitätsbeziehungsmethode vor, um einen Prototyp einer Fuzzy-relationalen Datenbank für ein diskretes Steuerungssystem zu erstellen, das für einen Halbleiterherstellungsprozess geeignet ist.
LIAO [25] befragte Expertensystementwicklungsliteratur von 1995 bis 2004. Auf der Grundlage seiner Ergebnisse wurden in den folgenden Bereichen die wichtigsten Anwendungen zur Implementierung von Hybrid -CBR entwickelt: Fertigungsdesign und Fehlerdiagnose, Wissensmodellierung und -management, medizinische Planung und Anwendung sowie finanzielle Prognosebereiche.
Der Hybrid -CBR -Ansatz wurde in der Herstellungsdesign und der Fehlerdiagnose ausführlich angewendet. HUI und JHA [16] Integrierte NN, CBR und regelbasierte Argumentation zur Unterstützung von Kundendienstaktivitäten wie Entscheidungsunterstützung und Maschine Fehlerdiagnose in einer Produktionsumgebung. LIAO [26] integrierte eine CBR-Methode mit einem Mehrschicht-Perzeptron für die automatische Identifizierung von Fehlermechanismen im gesamten Versagenanalyseprozess. Yang et al. [39] Integrierte CBR mit einem Art-Kohonen-NN zur Verbesserung der Fehlerdiagnose von Elektromotoren. Tan et al. [34] Integrierte CBR und das Fuzzy Artmap NN, um Manager bei der zeitnahen und optimalen Investitionsentscheidungen für die Fertigungstechnologie zu unterstützen. Saridakis und Dentsoras [30] führte ein fälschliches Design mit einem Soft Computing-System ein, um das parametrische Design eines Oszilationsförderers zu bewerten.
Die folgenden Forschungsarbeiten in den Bereichen für Wissensmodellierungs- und Managementbereiche wurden entwickelt. Hui et al. [15] kombinierten den CBR- und NN Bedienung. Choy et al. [10] entwickelten ein intelligentes Lieferanten-Verwaltungsmanagementsystem mit hybriden CBR- und NN-Technik, um potenzielle Lieferanten von Honeywell Consumer Products in Hongkong auszuwählen und zu benennen. Yu und Liu [41] schlugen eine Hybridisierung sowohl symbolischer als auch numerischer Argumentationstechniken vor, um eine höhere Genauigkeit zu erreichen und das Datenknappheitsproblem in der Konstruktionsprojektdatenbank zu überwinden. Chen und Hsu [7] lösten potenzielle Klageprobleme verursacht durch sich ändernde Bestellungen in Bauprojekten. Sie nutzten NNs, um die Wahrscheinlichkeit von Rechtsstreitigkeiten vorherzusagen, und nutzten CBR, um die Erträge zu warnen. IM und Park [17] entwickelten ein Hybrid -Expertensystem von CBR und NN für ein personalisiertes Beratungssystem Für die Kosmetikindustrie. Liu et al. [27] entwickelten eine assoziationsbasierte Fallreduktionstechnik, um die Größe der Fallbasis zu verringern, um die Effizienz zu verbessern und gleichzeitig die Genauigkeit des CBR zu verbessern. Sun et al. [33] bau a a Fallbasis basierend auf Ähnlichkeitsbeziehungen und Fuzzy -Ähnlichkeitsbeziehungen, die beide auf der möglichen Welt der Probleme und Lösungen definiert sind.
Hybrid CBR wurde auch in den Bereichen der medizinischen Planung und Anwendungen eingesetzt. Guiu et al. [12] stellten ein fallbasiertes Klassifizierungssystem ein, um die automatische Diagnose von Brustbiopsienbildern zu lösen. Hsu und Ho [14] kombinierten CBR, NN, Fuzzy Theorie und Induktionstheorie zusammen, um die Diagnose mehrerer Erkrankungen und das Erlernen neuer Anpassungswissen zu erleichtern. Wyns et al. [38] angewendet eine modifizierte Kohonen -Kartierung in Kombination mit einem CBR -Bewertungskriterium, um frühzeitig vorherzusagen Arthritis, einschließlich rheumatoider Arthritis und Spondyloarthropathie. Ahn und Kim [1] kombinierten das CBR mit genetischen Algorithmen, um zytologische Merkmale zu bewerten, die aus einem digitalen Scan von Folien der Brustfeinnadelaspirat (FNA) abgeleitet wurden.
Auch hybride CBRs wurden in finanziellen Prognosegebieten verwendet. Kim und Han [20] präsentierten eine Fall-Indexing-Methode von CBR, die SOM für die Vorhersage der Unternehmensanleihenbewertung verwendet. Li et al. [24] stellten eine Funktionsbasis ein Ähnlichkeitsmaß, um mit der Vorhersage der Finanzbezeichnung (z. B. Insolvenzvorhersage) in China umzugehen. Chang und Lai [4] integrierten das SOM und CBR für Vertriebsprognosen neu veröffentlichter Bücher. Chang et al. [5] entwickelten ein CBR -System mit Genetischer Algorithmus für die Wiedergabe von Großhändlern. Chun und Park [11] entwickelten eine Regression CBR für die Finanzprognose, die vor der Festlegung ähnlicher Fälle unterschiedliche Gewichte auf unabhängige Variablen anwendet. Kumar und Ravi [21] präsentierte eine umfassende Überprüfung der Arbeiten unter Verwendung von NN und CBR, um die Insolvenzvorhersageprobleme der Banken zu lösen.
Um die Fähigkeit zur genauen Vorhersage der Ertrag genau zu verbessern, wurde in der Semi-Leiter-Industrie (HypsSI) ein Hybridrendite-Vorhersagesystem entwickelt. Es ist die folgende Hybridmethode, die maschinelle Lerntechniken kombiniert, wie z. Back-Propation-Netzwerk (BPN), CBR und K nn (siehe Abb. 1).
HypSSI besteht aus vier Phasen: Lernen über die Beziehung zwischen Fallvariablen und Ertrag, Merkmalsgewichtung, Extrahieren von K ähnlichen Fällen und gewichtete Mittelung extrahierter Ausbeuten. Die erste Phase beendet die relative Bedeutung von Unabhängige Variablen aus der Beziehung zwischen unabhängigen Variablen (d. H. Herstellungsverfahrensvariablen) und einer abhängigen Variablen (d. H. Ausbeute). Wenn das Training eines BPN in der Instanz der Ertragsfallbasis beendet ist, ist die Die Verbindungsgewichte eines geschulten neuronalen Netzwerks zeigen die Bedeutung der Beziehung zwischen den Prozessvariablen und der Ertrag.
Um eine Reihe von Feature-Gewichten aus dem geschulten Netzwerk zu erhalten, werden vier Merkmalsgewichtungsmethoden verwendet: Empfindlichkeit, Aktivität, Ärmlichkeit und Relevanz [28, 37, 42]. Jede dieser Methoden berechnet den Grad der einzelnen Merkmale Wichtigkeit durch Verwendung der Verbindungsgewichte und Aktivierungsmuster der Knoten im geschulten neuronalen Netzwerk. Die Feature-Gewicht-Algorithmen werden wie folgt beschrieben:
„Sensitivitätsgewichtsmethode“: Die Sensitivität (SENI) der Eingangsknoten (SENI) wird berechnet, indem der Eingangsknoten aus dem geschulten neuronalen Netzwerk entfernt wird. Die Empfindlichkeit eines Eingangsknotens ist der Fehlerunterschied zwischen der Entfernung der Feature und wenn es an Ort und Stelle bleibt. Seni wird durch die folgende Gleichung berechnet
Wenn E (0) die Fehlermenge nach dem Entfernen eines Eingangsknotens I und E (WF) angibt, bedeutet der Fehlerwert, wenn der Knoten unberührt bleibt. Der Fehlerwert basiert auf der folgenden Gleichung
wobei CB eine Fallbasis ist, die Fallvariablen (Merkmale) und entsprechende Ausbeute enthält und y den tatsächlichen Ertragswert angibt, und OY den vom BPN beobachteten Renditewert angibt.
Gemäß der Tabelle zeigt der BPN + CBR_sen die niedrigste Fehlerrate, wenn k auf fünf gesetzt ist. Der BPN + CBR_ACT hat die niedrigste Fehlerrate, wenn k auf 11 eingestellt ist. Die BPN + CBR_SAL zeigt die niedrigste Fehlerrate, wenn k auf fünf festgelegt ist. und der BPN + Cbr_rel zeigt die niedrigste Fehlerrate, wenn k auf neun eingestellt ist. Über diese Punkte von K bei jeder Gewichtungsmethode hinaus stieg die Fehlerraten geringfügig.
Tabelle 1Prediction-Fehler von Fallbasis mit vier Gewichtungsschemata.
Abb. 2. Durchschnittliche Vorhersagegenauigkeit jedes Gewichtungsschemas.
Fig. 2 zeigt die durchschnittliche Vorhersagegenauigkeit aller Merkmalsgewichtungsmethoden gemäß variierendem k.
Alle vier Gewichtungsmethoden übertrafen die CBR allein in jedem Experiment. Darüber hinaus zeigte der BPN + CBR_ACT in den meisten Experten die höchste Vorhersagegenauigkeit, gefolgt von BPN + CBR_SAL, BPN + CBR_REL und BPN + CBR_sen.
Mit zunehmendem K auf 11 wird der Unterschied in der Vorhersagegenauigkeit zwischen dem CBR allein und den BPN + CBR_ACT -Gewichtungsmethoden größer. Es gibt jedoch kleine Unterschiede in der Vorhersagegenauigkeit zwischen den vier Merkmalsgewichtungen Methoden.
Im Allgemeinen ist es schwierig zu entscheiden, welche Gewichtungsmethode die beste ist. Die Autoren schlagen vor, dass man die vier Methoden in der anfänglichen Entwicklungsphase testen und dann die mit dem niedrigsten Vorhersagefehler in der Produktionsphase. In diesem Fall ist die Übernahme der BPN + CBR_ACT-Gewichtungsmethode eine akzeptable Lösung, um die Ertragsrate bei der Herstellung von Semi-Leiter vorherzusagen.
Das Ertragsmanagement in der Halbleiterindustrie ist eine sehr wichtige Managementpraxis, die überwacht und vollständig kontrolliert werden muss. Weil Herstellungsprozessvariablen eine nichtlineare komplexe Beziehung zum Ertrag haben, Hersteller benötigen einen intelligenten Ansatz, um die Beziehung zwischen Prozessparametern zeitlich zu bestimmen.
In diesem Artikel entwickelten und angewandte Autoren Hypssi, eine Hybridmethode, die BPN und CBR kombiniert, um die Ausbeute des Ziel -Semiconductor -Produktionsunternehmens vorherzusagen. Im Hypssi wurde das BPN verwendet, um relative Gewichte zuzuordnen Herstellungsprozessmerkmale des jeweiligen Falls in der Ertragsfallbasis.
Wie die Literaturübersicht in Abschnitt 2 ergab, gab es keine ähnlichen Untersuchungen zur Vorhersage der Ertragsrate des Halbleiterunternehmens unter Verwendung des neuronalen Merkmals-Gewichts-CBR. Der Hypssi zeigte, dass der CBR mit dem Die „Aktivität“ -Gezidierungsmethode hatte eine bessere Vorhersagemethode und übertraf die CBR allein und alle anderen Gewichtungsmethoden. Der Hybrid -CBR zeigte auch eine bessere Leistung als der vorhandene statistische Ansatz (Vorhersagegenauigkeit kommt aus einer multiplen Regressionsanalyse erreichte rund 80%).
Um jedoch eine genauere Vorhersagerate zu erreichen, benötigt HypsSI mehr Prozessvariablen und Daten vom Zielunternehmen. Obwohl die vorhandenen 16 in diesem Artikel verwendeten Variablen von den Herstellungsingenieuren bestimmt wurden, Es ist schwierig, eine genauere Vorhersagerate zu erreichen, indem nur diese Variablen und Daten verwendet werden. Dies wird der nächste Bereich sein, in dem Forschung durchgeführt werden sollte.
Deutsch
Pусский
