+ 86-18052080815 | info@harsle.com
Sie sind hier: Zuhause » Nachrichten » Blog » Erkennen von Ertragsmustern durch Hybridanwendungen von Machine Learning-Techniken

Erkennen von Ertragsmustern durch Hybridanwendungen von Machine Learning-Techniken

Anzahl Durchsuchen:24     Autor:Site Editor     veröffentlichen Zeit: 2018-10-23      Herkunft:Powered erkundigen

  Einführung

  Bei der Herstellung von Halbleitern werden Endprodukte durch mehrere hundert Prozesse hergestellt, die hoch automatisiert und in dramatischer Weise voneinander abhängig sind. Die meisten heute verwendeten Fertigungsprozesse sind komplex miteinander verknüpftwerden bei der Verwendung der Technologie im Nanometerbereich unendlich.

  Für diese Hersteller oder Ingenieure gilt der Ertrag als sehr wichtiger Faktor, der überwacht und kontrolliert werden muss. Die Ausbeute ist definiert als das Verhältnis von normalen Produkten zu fertigen Produkten. Ertragsmanagement im HalbleiterUnter Industrie wird ein umfassendes Analysesystem verstanden, das die Merkmale eines komplexen Systems aufweist. Ein komplexes System hat viele unabhängige Komponentenvariablen, die auf viele komplizierte Arten miteinander interagieren. Deshalb,es wird als schwer vorherzusagen und zu kontrollieren sein.

  Die Ausbeute bei der Halbleiterfertigung wird durch verschiedene Faktoren stark beeinflusst, darunter Partikel oder Verunreinigungen auf dem Wafer, Substanzen in den Fertigungsinstrumenten, Parameter des Fertigungsprozessesund das Design von Halbleitern.

  Halbleiterunternehmen können einen bestimmten Ertrag erzielen, indem sie statistische Prozesskontrollen und 6-Sigma auf einen Halbleiter anwenden. Ertragsverbesserung unter Verwendung statistischer Messungen hat jedoch Schwierigkeiten, niedrige Erträge zu verhindernviel effektiv im voraus. Dies liegt daran, dass Fertigungsprozessvariablen, die Änderungen der Ausbeute beeinflussen, eine nichtlineare komplexe Beziehung zur Ausbeute haben. Aufgrund dieses interaktiven Effekts zwischen verschiedenen Variablen, HerstellerEs ist schwierig, Probleme rechtzeitig zu lokalisieren, wenn kleine Änderungen in einer Beziehung zwischen Prozessparametern Änderungen in der Ausbeute verursachen können.

  Daher sind andere intelligente Techniken erforderlich, um die Hauptprozessvariablen zu ermitteln, die Änderungen in der Ausbeute ernsthaft beeinflussen. Diese Studie hat ein hybrides Ertragsvorhersagesystem in der Halbleiterindustrie entwickeltHYPSSI als Ergänzung zum bestehenden statistischen Ansatz. Dieses System basiert auf einer hybriden Anwendung von Machine-Learning-Techniken, um mehrere Prozessvariablen darzustellen, die eine effektive Vorhersage der Produktionsausbeute betreffenHalbleiterfertigung. HYPSSI verwendet neuronale Netze (NNs) und fallbasierte Argumentation (CBR), die direkt für Vorhersagezwecke verwendet werden können. CBR leidet jedoch unter der Merkmalsgewichtung. wenn es den Abstand zwischen misstIn manchen Fällen sollten einige Funktionen unterschiedlich gewichtet werden. Viele Feature-Weighted-Varianten des k-Nearest Neighbour (kNN) wurden vorgeschlagen, um relevantere Merkmale für Fallabrufzwecke mit höheren Gewichten zu versehen [2,37]. Obwohl dieEs wurde berichtet, dass Varianten ihre Abrufgenauigkeit in Bezug auf einige Aufgaben verbessern. Nur wenige wurden in Verbindung mit neuronalen Netzwerken zur Vorhersage verwendetErtragsleistung in der Halbleiterfertigung.

  Um die Funktionen abzuwägen und CBR zu lenken, verwendet HYPSSI vier Methoden zur Merkmalsbewertung: Empfindlichkeit, Aktivität, Ausprägung und Relevanz. Jede Methode berechnet den Wichtigkeitsgrad der einzelnen Features anhand der Verbindungsgewichtungen undAktivierungsmuster der Knoten im trainierten neuronalen Netzwerk.

  Um diesen hybriden Ansatz in der Halbleiterindustrie zu validieren, wurde HYPSSI auf die International Semiconductor Company angewendet, die zu den Top-Herstellern der Welt zählt. Nach dem Vergleich dieser HybrideDiese Methode zeigt, dass die Hybridmethode mit anderen verwendeten Methoden eine genauere Ertragsprognose liefert.

  Dieses Papier ist wie folgt organisiert: In Abschnitt 2 werden verschiedene Ansätze beschrieben, die bei der Bereitstellung des Ertragsmanagements für die Halbleiterfertigung verwendet werden. Dieser Abschnitt konzentriert sich auf Hybridanwendungen, die maschinelle Lerntechniken kombinieren.

  Abschnitt 3 beschreibt die Methodik des Hybrid-Ertragsvorhersagesystems in der Halbleiterindustrie, genannt HYPSSI. Die experimentellen Ergebnisse werden in Abschnitt 4 zur Validierung des Systems dargestellt. Abschließend wird dieser Artikel kurz beendetZusammenfassung der Studie und der Richtung der zukünftigen Forschung.

Literaturische Rezension

  Forschungsmethoden für die Halbleiterfertigung

  In einer High-Tech-Industrie wie der Halbleiterfertigung wird die Verbesserung der Ausbeute immer wichtiger, da fortschrittliche Fertigungstechnologien kompliziert sind und viele miteinander verbundene Faktoren die Ausbeute hergestellter Wafer beeinflussen. Ein paarStudien zielen darauf ab, die Ertragsleistung zu verbessern und die Betriebs- und Investitionskosten in der Halbleiterindustrie zu senken. Es gibt verschiedene statistische Ansätze für die Halbleiterfertigung. Wang [36] benutzte den unterenKonfidenz- und Fähigkeitstests für die Prozessausbeute, die bestimmen können, ob Fertigungsprozesse die Fähigkeitsanforderungen erfüllen. Kaempf [18] verwendete den Binomialtest mit grafischen Ertragsdiagrammen der tatsächlichen ProduktionswaferFehlerquellen im Herstellungsprozess identifizieren. Cho et al. [9] beschrieben eine Variante der Hauptkomponentenanalyse, die sich zerlegtProzessvariabilität anhand von Statistiken der Messungen aus der Fertigung.

  Sobrino und Bravo [32] verkörperten einen induktiven Algorithmus, um die vorläufigen Ursachen von Wafern minderer Qualität aus Fertigungsdaten zu lernen. Last und Kandel [22] präsentierten das Automated Perceptions Network zur genauen Planung des ErtragsAutomatisierte Modellkonstruktion aus geräuschvollen Datensätzen.

  Eine Technik kann mit anderen Techniken kombiniert werden, um die Qualität der Forschung zu verbessern, wenn sie im Ertragsprognoseverfahren verwendet werden. Kang et al. [19] integrierte induktive Entscheidungsbäume und NNs mit Rückwärtsausbreitung undSOM-Algorithmen zur Verwaltung von Erträgen bei großen Halbleiterherstellungsprozessen. Shin and Park [31] integrierte neuronale Netze und speicherbasierte Argumentation, um ein Wafer-Ertragsvorhersagesystem für die Halbleiterfertigung zu entwickeln. Yanget al. [40] Mixed-Tabu-Suche und simuliertes Tempern, um die Layoutkonfiguration und automatisierte Materialhandhabungssysteme in die Waferherstellung zu integrieren.

  Chien et al. [8] umfasste k-Means-Clustering und einen Entscheidungsbaum, um mögliche Fehlerursachen und Abweichungen des Fertigungsprozesses aus den Halbleiterherstellungsdaten abzuleiten. Hsu und Chien [13] integrierte die räumliche Statistik undNeuronale Netze zur adaptiven Resonanztheorie, um Muster aus Wafer-Bin-Maps zu extrahieren und Fertigungsfehler zu identifizieren. Li und Huang [23] integrierten die selbstorganisierende Karte (SOM) und die Support Vector Machine (SVM): die SOM-Clusterdie Wafer-Bin-Karten; Das SVM klassifiziert die Wafer-Bin-Maps, um die Herstellungsfehler zu identifizieren. Wang [35] stellte ein räumliches Defektdiagnosesystem für die Halbleiterfertigung vor, das Fuzzy-Clustering auf Basis von Quadratfehlern kombiniertKernel-basiertes Spektral-Clustering und einen Entscheidungsbaum. Romaniuk und Hall [29] entwickelten das SC-net-System, das Expertensystemfähigkeiten mit dem Lernen in einem hybriden verbindungsistischen / symbolischen Ansatz ermöglicht, um Halbleiter zu erkennenWaferfehler. Chaudhry et al. [6] schlug eine Fuzzy-Entity-Relationship-Methodologie vor, um einen Prototyp einer Fuzzy-relationalen Datenbank für ein diskretes Steuersystem zu erstellen, das für einen Halbleiterherstellungsprozess geeignet ist.

Andere Forschungsgebiete mit Hybrid-CBR

  Liao [25] befragte von 1995 bis 2004 Expertenliteratur in der Systementwicklung. Basierend auf seinen Erkenntnissen wurden die Hauptanwendungen, die Hybrid-CBR implementieren, in folgenden Bereichen entwickelt: Fertigungsdesign und Fehlerdiagnose,Wissensmodellierung und -management, medizinische Planung und Anwendung und Finanzprognosebereiche.

  Der hybride CBR-Ansatz wurde in der Fertigungsplanung und Fehlerdiagnose umfassend übernommen. Hui und Jha [16] integrierten NN, CBR und regelbasiertes Denken, um Kundenservice-Aktivitäten wie Entscheidungsunterstützung und Maschinen zu unterstützenFehlerdiagnose in einer Fertigungsumgebung. Liao [26] integrierte eine CBR-Methode mit einem mehrschichtigen Perzeptron zur automatischen Erkennung von Fehlermechanismen im gesamten Fehleranalyseprozess. Yang et al. [39] integrierte CBRmit einem ART-Kohonen NN zur Verbesserung der Fehlerdiagnose von Elektromotoren. Tan et al. [34] integrierte CBR und Fuzzy ARTMAP NN, um Manager dabei zu unterstützen, zeitnahe und optimale Entscheidungen in der Fertigungstechnologie zu treffen. Saridakis undDentsoras [30] führte ein Fall-basiertes Design mit einem Soft-Computing-System ein, um das parametrische Design eines Schwingförderers zu bewerten.

  Die folgenden Forschungsarbeiten in den Bereichen Wissensmodellierung und Management wurden entwickelt. Hui et al. [15] kombinierte den CBR- und den NN-Ansatz, um das Wissen aus den bisherigen Kundendiensten zu extrahieren und das entsprechende abrufen zu könnenBedienung. Choy et al. [10] entwickelte ein intelligentes Supplier-Relationship-Management-System, das Hybrid-CBR- und NN-Techniken zur Auswahl und zum Benchmarking potenzieller Lieferanten von Honeywell Consumer Products Limited in Hongkong verwendet. Yu und Liu[41] schlug eine Hybridisierung von sowohl symbolischen als auch numerischen Argumentationsmethoden vor, um eine höhere Genauigkeit zu erreichen und das Datenknappheitsproblem in der Bauprojektdatenbank zu überwinden. Chen und Hsu [7] lösten mögliche Klagenproblemeverursacht durch wechselnde aufträge bei bauvorhaben. Sie nutzten NNs, um die Wahrscheinlichkeit von Rechtsstreitigkeiten vorherzusagen, und CBR, um die Erträge zu warnen. Im und Park [17] entwickelten ein hybrides Expertensystem aus CBR und NN für ein personalisiertes Beratungssystemfür die kosmetische Industrie. Liu et al. [27] entwickelte eine assoziationsbasierte Fallreduktionsmethode, um die Größe der Fallbasis zu reduzieren, um die Effizienz zu erhöhen und gleichzeitig die Genauigkeit der CBR zu verbessern. Sun et al. [33] baute eineFallbasis basiert 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 Anwendung eingesetzt. Guiu et al. [12] führte ein fallbasiertes Klassifizierungssystem ein, um die automatische Diagnose von Mammary Biopsy Images zu lösen. Hsu und Ho [14] kombinierten CBR, NN, FuzzyTheorie und Induktionstheorie zusammen, um die Diagnose mehrerer Krankheiten und das Erlernen neuen Anpassungswissens zu erleichtern. Wyns et al. [38] wendeten ein modifiziertes Kohonen-Mapping in Kombination mit einem CBR-Bewertungskriterium an, um frühzeitig vorherzusagenArthritis, einschließlich rheumatoider Arthritis und Spondyloarthropathie. Ahn und Kim [1] kombinierten die CBR mit genetischen Algorithmen, um die zytologischen Merkmale eines digitalen Scans von Brustnadelaspiraten (FNA) zu bewerten.

Hybrid-CBRs wurden auch in Finanzvorhersagen eingesetzt. Kim und Han [20] präsentierten eine Fallindizierungsmethode für CBR, bei der SOM für die Vorhersage des Rating von Unternehmensanleihen verwendet wird. Li et al. [24] führte ein Feature-basiertes einÄhnlichkeitsmaß zur Bewältigung der Vorhersage einer finanziellen Notlage (z. B. Insolvenzprognose) in China. Chang und Lai [4] integrierten die SOM und CBR für die Umsatzprognose neu herausgegebener Bücher. Chang et al. [5] entwickelte ein CBR-System mitgenetischer Algorithmus für Großhändler, die Buchprognosen zurückgeben. Chun und Park [11] entwickelten eine Regressions-CBR für die Finanzprognose, bei der unabhängige Variablen unterschiedlich gewichtet werden, bevor ähnliche Fälle gefunden werden. Kumar und Ravi [21]präsentierte eine umfassende Überprüfung der Arbeiten, bei denen NN und CBR zur Lösung der Insolvenzvorhersageprobleme von Banken eingesetzt wurden.

  Hybrid-Ertragsvorhersagesystem in der Halbleiterindustrie (HYPSSI)

  Um die Fähigkeit zur genauen Vorhersage der Ausbeute zu verbessern, wurde in der Halbleiterindustrie (HYPSSI) ein hybrides Ertragsvorhersagesystem entwickelt. Es ist die folgende Hybridmethode, die maschinelle Lerntechniken kombiniert, wie zBackpropagation Network (BPN), CBR und k NN (siehe Abb. 1).

  HYPSSI besteht aus vier Phasen: Lernen der Beziehung zwischen Fallvariablen und Ertrag, Merkmalsgewichtung, Extraktion k ähnlicher Fälle und gewichtetes Mitteln der extrahierten Erträge. Die erste Phase gibt die relative Bedeutung von anunabhängige Variablen aus der Beziehung zwischen unabhängigen Variablen (d. h. Fertigungsprozessvariablen) und einer abhängigen Variablen (d. h. Ausbeute). Wenn das Training eines BPN in der Instanz der Ertragsfallbasis abgeschlossen ist, wird derVerbindungsgewichte eines trainierten neuronalen Netzwerks zeigen die Wichtigkeit der Beziehung zwischen den Prozessvariablen und der Ausbeute auf.

  Um einen Satz von Merkmalsgewichtungen aus dem trainierten Netzwerk zu erhalten, werden vier Merkmalsgewichtungsverfahren verwendet: Empfindlichkeit, Aktivität, Ausprägung und Relevanz [28, 37, 42]. Jede dieser Methoden berechnet den Grad der einzelnen FeaturesWichtigkeit durch Verwenden der Verbindungsgewichte und Aktivierungsmuster der Knoten in dem trainierten neuronalen Netzwerk. Die Algorithmen zur Merkmalsbewertung werden im Folgenden kurz beschrieben:

  'Sensitivity'-Gewichtungsmethode: Die Sensitivität eines Eingangsknotens (Seni) wird berechnet, indem der Eingangsknoten aus dem trainierten neuronalen Netzwerk entfernt wird. Die Sensitivität eines Eingangsknotens ist der Fehlerunterschied zwischen dem Entfernen desFeature und wenn es an Ort und Stelle bleibt. Seni wird durch die folgende Gleichung berechnet

  Dabei gibt E (0) die Fehlermenge nach dem Entfernen eines Eingabeknotens an, und E (wf) bezeichnet den Fehlerwert, wenn der Knoten nicht berührt wird. Der Fehlerwert basiert auf der folgenden Gleichung

  wobei CB eine Fallbasis ist, die Fallvariablen (Merkmale) und die entsprechende Ausbeute enthält, und y den tatsächlichen Ertragswert angibt und oy den von der BPN beobachteten Ertragswert angibt.

Ertragsmuster erkennen (1)

  Einführung

  Bei der Herstellung von Halbleitern werden Endprodukte durch mehrere hundert Prozesse hergestellt, die hoch automatisiert und in dramatischer Weise voneinander abhängig sind. Die meisten heute verwendeten Fertigungsprozesse sind komplex miteinander verknüpftwerden bei der Verwendung der Technologie im Nanometerbereich unendlich.

  Für diese Hersteller oder Ingenieure gilt der Ertrag als sehr wichtiger Faktor, der überwacht und kontrolliert werden muss. Die Ausbeute ist definiert als das Verhältnis von normalen Produkten zu fertigen Produkten. Ertragsmanagement im HalbleiterUnter Industrie wird ein umfassendes Analysesystem verstanden, das die Merkmale eines komplexen Systems aufweist. Ein komplexes System hat viele unabhängige Komponentenvariablen, die auf viele komplizierte Arten miteinander interagieren. Deshalb,es wird als schwer vorherzusagen und zu kontrollieren sein.

  Die Ausbeute bei der Halbleiterfertigung wird durch verschiedene Faktoren stark beeinflusst, darunter Partikel oder Verunreinigungen auf dem Wafer, Substanzen in den Fertigungsinstrumenten, Parameter des Fertigungsprozesses, Einstellungen der Prozessingenieure,und das Design von Halbleitern.

  Halbleiterunternehmen können einen bestimmten Ertrag erzielen, indem sie statistische Prozesskontrollen und 6-Sigma auf einen Halbleiter anwenden. Ertragsverbesserung unter Verwendung statistischer Messungen hat jedoch Schwierigkeiten, niedrige Erträge zu verhindernviel effektiv im voraus. Dies liegt daran, dass Fertigungsprozessvariablen, die Änderungen der Ausbeute beeinflussen, eine nichtlineare komplexe Beziehung zur Ausbeute haben. Aufgrund dieses interaktiven Effekts zwischen verschiedenen Variablen, HerstellerEs ist schwierig, Probleme rechtzeitig zu lokalisieren, wenn kleine Änderungen in einer Beziehung zwischen Prozessparametern Änderungen in der Ausbeute verursachen können.

  Daher sind andere intelligente Techniken erforderlich, um die Hauptprozessvariablen zu ermitteln, die Änderungen in der Ausbeute ernsthaft beeinflussen. Diese Studie hat ein hybrides Ertragsvorhersagesystem in der Halbleiterindustrie entwickeltHYPSSI als Ergänzung zum bestehenden statistischen Ansatz. Dieses System basiert auf einer hybriden Anwendung von Machine-Learning-Techniken, um mehrere Prozessvariablen darzustellen, die eine effektive Vorhersage der Produktionsausbeute betreffenHalbleiterfertigung. HYPSSI verwendet neuronale Netze (NNs) und fallbasierte Argumentation (CBR), die direkt für Vorhersagezwecke verwendet werden können. CBR leidet jedoch unter der Merkmalsgewichtung. wenn es den Abstand zwischen misstIn manchen Fällen sollten einige Funktionen unterschiedlich gewichtet werden. Viele Feature-Weighted-Varianten des k-Nearest Neighbour (kNN) wurden vorgeschlagen, um relevantere Merkmale für Fallabrufzwecke mit höheren Gewichten zu versehen [2,37]. Obwohl dieEs wurde berichtet, dass Varianten ihre Abrufgenauigkeit in Bezug auf einige Aufgaben verbessern. Nur wenige wurden in Verbindung mit neuronalen Netzwerken zur Vorhersage verwendetErtragsleistung in der Halbleiterfertigung.

Um die Funktionen abzuwägen und CBR zu lenken, verwendet HYPSSI vier Methoden zur Merkmalsbewertung: Empfindlichkeit, Aktivität, Ausprägung und Relevanz. Jede Methode berechnet den Wichtigkeitsgrad der einzelnen Features anhand der Verbindungsgewichtungen undAktivierungsmuster der Knoten im trainierten neuronalen Netzwerk.

  Um diesen hybriden Ansatz in der Halbleiterindustrie zu validieren, wurde HYPSSI auf die International Semiconductor Company angewendet, die zu den Top-Herstellern der Welt zählt. Nach dem Vergleich dieser HybrideDiese Methode zeigt, dass die Hybridmethode mit anderen verwendeten Methoden eine genauere Ertragsprognose liefert.

  Dieses Papier ist wie folgt organisiert: In Abschnitt 2 werden verschiedene Ansätze beschrieben, die bei der Bereitstellung des Ertragsmanagements für die Halbleiterfertigung verwendet werden. Dieser Abschnitt konzentriert sich auf Hybridanwendungen, die maschinelle Lerntechniken kombinieren.

  Abschnitt 3 beschreibt die Methodik des Hybrid-Ertragsvorhersagesystems in der Halbleiterindustrie, genannt HYPSSI. Die experimentellen Ergebnisse werden in Abschnitt 4 zur Validierung des Systems dargestellt. Abschließend wird dieser Artikel kurz beendetZusammenfassung der Studie und der Richtung der zukünftigen Forschung.

  Literaturische Rezension

  Forschungsmethoden für die Halbleiterfertigung

  In einer High-Tech-Industrie wie der Halbleiterfertigung wird die Verbesserung der Ausbeute immer wichtiger, da fortschrittliche Fertigungstechnologien kompliziert sind und viele miteinander verbundene Faktoren die Ausbeute hergestellter Wafer beeinflussen. Ein paarStudien zielen darauf ab, die Ertragsleistung zu verbessern und die Betriebs- und Investitionskosten in der Halbleiterindustrie zu senken. Es gibt verschiedene statistische Ansätze für die Halbleiterfertigung. Wang [36] benutzte den unterenKonfidenz- und Fähigkeitstests für die Prozessausbeute, die bestimmen können, ob Fertigungsprozesse die Fähigkeitsanforderungen erfüllen. Kaempf [18] verwendete den Binomialtest mit grafischen Ertragsdiagrammen der tatsächlichen ProduktionswaferFehlerquellen im Herstellungsprozess identifizieren. Cho et al. [9] beschrieben eine Variante der Hauptkomponentenanalyse, die sich zerlegtProzessvariabilität anhand von Statistiken der Messungen aus der Fertigung.

  Sobrino und Bravo [32] verkörperten einen induktiven Algorithmus, um die vorläufigen Ursachen von Wafern minderer Qualität aus Fertigungsdaten zu lernen. Last und Kandel [22] präsentierten das Automated Perceptions Network zur genauen Planung des ErtragsAutomatisierte Modellkonstruktion aus geräuschvollen Datensätzen.

Eine Technik kann mit anderen Techniken kombiniert werden, um die Qualität der Forschung zu verbessern, wenn sie im Ertragsprognoseverfahren verwendet werden. Kang et al. [19] integrierte induktive Entscheidungsbäume und NNs mit Rückwärtsausbreitung undSOM-Algorithmen zur Verwaltung von Erträgen bei großen Halbleiterherstellungsprozessen. Shin and Park [31] integrierte neuronale Netze und speicherbasierte Argumentation, um ein Wafer-Ertragsvorhersagesystem für die Halbleiterfertigung zu entwickeln. Yanget al. [40] Mixed-Tabu-Suche und simuliertes Tempern, um die Layoutkonfiguration und automatisierte Materialhandhabungssysteme in die Waferherstellung zu integrieren.

  Chien et al. [8] umfasste k-Means-Clustering und einen Entscheidungsbaum, um mögliche Fehlerursachen und Abweichungen des Fertigungsprozesses aus den Halbleiterherstellungsdaten abzuleiten. Hsu und Chien [13] integrierte die räumliche Statistik undNeuronale Netze zur adaptiven Resonanztheorie, um Muster aus Wafer-Bin-Maps zu extrahieren und Fertigungsfehler zu identifizieren. Li und Huang [23] integrierten die selbstorganisierende Karte (SOM) und die Support Vector Machine (SVM): die SOM-Clusterdie Wafer-Bin-Karten; Das SVM klassifiziert die Wafer-Bin-Maps, um die Herstellungsfehler zu identifizieren. Wang [35] stellte ein räumliches Defektdiagnosesystem für die Halbleiterfertigung vor, das Fuzzy-Clustering auf Basis von Quadratfehlern kombiniertKernel-basiertes Spektral-Clustering und einen Entscheidungsbaum. Romaniuk und Hall [29] entwickelten das SC-net-System, das Expertensystemfähigkeiten mit dem Lernen in einem hybriden verbindungsistischen / symbolischen Ansatz ermöglicht, um Halbleiter zu erkennenWaferfehler. Chaudhry et al. [6] schlug eine Fuzzy-Entity-Relationship-Methodologie vor, um einen Prototyp einer Fuzzy-relationalen Datenbank für ein diskretes Steuersystem zu erstellen, das für einen Halbleiterherstellungsprozess geeignet ist.

  Andere Forschungsgebiete mit Hybrid-CBR

  Liao [25] befragte von 1995 bis 2004 Expertenliteratur in der Systementwicklung. Basierend auf seinen Erkenntnissen wurden die Hauptanwendungen, die Hybrid-CBR implementieren, in folgenden Bereichen entwickelt: Fertigungsdesign und Fehlerdiagnose,Wissensmodellierung und -management, medizinische Planung und Anwendung und Finanzprognosebereiche.

  Der hybride CBR-Ansatz wurde in der Fertigungsplanung und Fehlerdiagnose umfassend übernommen. Hui und Jha [16] integrierten NN, CBR und regelbasiertes Denken, um Kundenservice-Aktivitäten wie Entscheidungsunterstützung und Maschinen zu unterstützenFehlerdiagnose in einer Fertigungsumgebung. Liao [26] integrierte eine CBR-Methode mit einem mehrschichtigen Perzeptron zur automatischen Erkennung von Fehlermechanismen im gesamten Fehleranalyseprozess. Yang et al. [39] integrierte CBRmit einem ART-Kohonen NN zur Verbesserung der Fehlerdiagnose von Elektromotoren. Tan et al. [34] integrierte CBR und Fuzzy ARTMAP NN, um Manager dabei zu unterstützen, zeitnahe und optimale Entscheidungen in der Fertigungstechnologie zu treffen. Saridakis undDentsoras [30] führte ein Fall-basiertes Design mit einem Soft-Computing-System ein, um das parametrische Design eines Schwingförderers zu bewerten.

Die folgenden Forschungsarbeiten in den Bereichen Wissensmodellierung und Management wurden entwickelt. Hui et al. [15] kombinierte den CBR- und den NN-Ansatz, um das Wissen aus den bisherigen Kundendiensten zu extrahieren und das entsprechende abrufen zu könnenBedienung. Choy et al. [10] entwickelte ein intelligentes Supplier-Relationship-Management-System, das Hybrid-CBR- und NN-Techniken zur Auswahl und zum Benchmarking potenzieller Lieferanten von Honeywell Consumer Products Limited in Hongkong verwendet. Yu und Liu[41] schlug eine Hybridisierung von sowohl symbolischen als auch numerischen Argumentationsmethoden vor, um eine höhere Genauigkeit zu erreichen und das Datenknappheitsproblem in der Bauprojektdatenbank zu überwinden. Chen und Hsu [7] lösten mögliche Klagenproblemeverursacht durch wechselnde aufträge bei bauvorhaben. Sie nutzten NNs, um die Wahrscheinlichkeit von Rechtsstreitigkeiten vorherzusagen, und CBR, um die Erträge zu warnen. Im und Park [17] entwickelten ein hybrides Expertensystem aus CBR und NN für ein personalisiertes Beratungssystemfür die kosmetische Industrie. Liu et al. [27] entwickelte eine assoziationsbasierte Fallreduktionsmethode, um die Größe der Fallbasis zu reduzieren, um die Effizienz zu erhöhen und gleichzeitig die Genauigkeit der CBR zu verbessern. Sun et al. [33] baute eineFallbasis basiert 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 Anwendung eingesetzt. Guiu et al. [12] führte ein fallbasiertes Klassifizierungssystem ein, um die automatische Diagnose von Mammary Biopsy Images zu lösen. Hsu und Ho [14] kombinierten CBR, NN, FuzzyTheorie und Induktionstheorie zusammen, um die Diagnose mehrerer Krankheiten und das Erlernen neuen Anpassungswissens zu erleichtern. Wyns et al. [38] wendeten ein modifiziertes Kohonen-Mapping in Kombination mit einem CBR-Bewertungskriterium an, um frühzeitig vorherzusagenArthritis, einschließlich rheumatoider Arthritis und Spondyloarthropathie. Ahn und Kim [1] kombinierten die CBR mit genetischen Algorithmen, um die zytologischen Merkmale eines digitalen Scans von Brustnadelaspiraten (FNA) zu bewerten.

  Hybrid-CBRs wurden auch in Finanzvorhersagen eingesetzt. Kim und Han [20] präsentierten eine Fallindizierungsmethode für CBR, bei der SOM für die Vorhersage des Rating von Unternehmensanleihen verwendet wird. Li et al. [24] führte ein Feature-basiertes einÄhnlichkeitsmaß zur Bewältigung der Vorhersage einer finanziellen Notlage (z. B. Insolvenzprognose) in China. Chang und Lai [4] integrierten die SOM und CBR für die Umsatzprognose neu herausgegebener Bücher. Chang et al. [5] entwickelte ein CBR-System mitgenetischer Algorithmus für Großhändler, die Buchprognosen zurückgeben. Chun und Park [11] entwickelten eine Regressions-CBR für die Finanzprognose, bei der unabhängige Variablen unterschiedlich gewichtet werden, bevor ähnliche Fälle gefunden werden. Kumar und Ravi [21]präsentierte eine umfassende Überprüfung der Arbeiten, bei denen NN und CBR zur Lösung der Insolvenzvorhersageprobleme von Banken eingesetzt wurden.

  Hybrid-Ertragsvorhersagesystem in der Halbleiterindustrie (HYPSSI)

  Um die Fähigkeit zur genauen Vorhersage der Ausbeute zu verbessern, wurde in der Halbleiterindustrie (HYPSSI) ein hybrides Ertragsvorhersagesystem entwickelt. Es ist die folgende Hybridmethode, die maschinelle Lerntechniken kombiniert, wie zBackpropagation Network (BPN), CBR und k NN (siehe Abb. 1).

  HYPSSI besteht aus vier Phasen: Lernen der Beziehung zwischen Fallvariablen und Ertrag, Merkmalsgewichtung, Extraktion k ähnlicher Fälle und gewichtetes Mitteln der extrahierten Erträge. Die erste Phase gibt die relative Bedeutung von anunabhängige Variablen aus der Beziehung zwischen unabhängigen Variablen (d. h. Fertigungsprozessvariablen) und einer abhängigen Variablen (d. h. Ausbeute). Wenn das Training eines BPN in der Instanz der Ertragsfallbasis abgeschlossen ist, wird derVerbindungsgewichte eines trainierten neuronalen Netzwerks zeigen die Wichtigkeit der Beziehung zwischen den Prozessvariablen und der Ausbeute auf.

  Um einen Satz von Merkmalsgewichtungen aus dem trainierten Netzwerk zu erhalten, werden vier Merkmalsgewichtungsverfahren verwendet: Empfindlichkeit, Aktivität, Ausprägung und Relevanz [28, 37, 42]. Jede dieser Methoden berechnet den Grad der einzelnen FeaturesWichtigkeit durch Verwenden der Verbindungsgewichte und Aktivierungsmuster der Knoten in dem trainierten neuronalen Netzwerk. Die Algorithmen zur Merkmalsbewertung werden im Folgenden kurz beschrieben:

  'Sensitivity'-Gewichtungsmethode: Die Sensitivität eines Eingangsknotens (Seni) wird berechnet, indem der Eingangsknoten aus dem trainierten neuronalen Netzwerk entfernt wird. Die Sensitivität eines Eingangsknotens ist der Fehlerunterschied zwischen dem Entfernen desFeature und wenn es an Ort und Stelle bleibt. Seni wird durch die folgende Gleichung berechnet

  Dabei gibt E (0) die Fehlermenge nach dem Entfernen eines Eingabeknotens an, und E (wf) bezeichnet den Fehlerwert, wenn der Knoten nicht berührt wird. Der Fehlerwert basiert auf der folgenden Gleichung

  wobei CB eine Fallbasis ist, die Fallvariablen (Merkmale) und die entsprechende Ausbeute enthält, und y den tatsächlichen Ertragswert angibt und oy den von der BPN beobachteten Ertragswert angibt.

  Gemäß der Tabelle zeigt BPN + CBR_Sen die niedrigste Fehlerrate, wenn k auf fünf gesetzt ist. der BPN + CBR_Act hat die niedrigste Fehlerrate, wenn k auf 11 gesetzt ist; BPN + CBR_Sal zeigt die niedrigste Fehlerrate, wenn k auf fünf gesetzt ist. und der BPN+ CBR_Rel zeigt die niedrigste Fehlerrate, wenn k auf neun gesetzt ist. Über diese Punkte von k hinaus in jeder Gewichtungsmethode erhöhten sich die Fehlerraten geringfügig.

Tabelle 1Revisionsfehler der fallbezogenen Argumentation mit vier Gewichtungsschemata.

Ertragsmuster erkennen (2)

Ertragsmuster erkennen (3)

Abb. 2 Durchschnittliche Vorhersagegenauigkeit jedes Gewichtungsschemas.

  Fig. 2 veranschaulicht die durchschnittliche Vorhersagegenauigkeit aller Merkmalsgewichtungsverfahren gemäß dem Variieren von k.

  Alle vier Gewichtungsmethoden übertrafen die CBR-Methode in jedem Experiment. In den meisten Experimenten zeigte der BPN + CBR_Act außerdem die höchste Vorhersagegenauigkeit, gefolgt von BPN + CBR_Sal, BPN + CBR_Rel und BPN +CBR_Sen.

  Wenn k auf 11 steigt, wird der Unterschied in der Vorhersagegenauigkeit zwischen den CBR- und BPN + CBR_Act-Gewichtungsmethoden größer. Es gibt jedoch kleine Unterschiede in der Vorhersagegenauigkeit zwischen den vier MerkmalsgewichtenMethoden.

  Im Allgemeinen ist es schwierig zu entscheiden, welche Gewichtungsmethode die beste ist. Die Autoren schlagen vor, die vier Methoden in der ersten Entwicklungsphase zu testen und dann diejenige mit dem geringsten Vorhersagefehler in die zu implementierenProduktionsphase. In diesem Fall ist die Verwendung der BPN + CBR_Act-Gewichtungsmethode eine akzeptable Lösung, um die Fließgeschwindigkeit in der Halbleiterfertigung vorherzusagen.

  Fazit

  Das Ertragsmanagement in der Halbleiterindustrie ist eine sehr wichtige Managementpraxis, die überwacht und vollständig kontrolliert werden muss. Da Fertigungsprozessvariablen eine nichtlineare komplexe Beziehung zur Ausbeute haben,Hersteller benötigen einen intelligenten Ansatz, um die Beziehung zwischen Prozessparametern rechtzeitig zu bestimmen.

  In dieser Arbeit haben die Autoren die Hybridmethode HYPSSI entwickelt, die BPN und CBR kombiniert, um die Ausbeute des angestrebten Halbleiterherstellers vorherzusagen. In der HYPSSI wurde die BPN verwendet, um relative Gewichte zuzuweisenFertigungsprozessmerkmale jedes Falls in der Ertragsfallbasis.

  Wie aus der Literaturübersicht in Abschnitt 2 hervorgeht, gab es bisher keine ähnliche Forschung zur Vorhersage der Fließgeschwindigkeit des Halbleiterunternehmens unter Verwendung des neuronalen Merkmalsgewichtungs-CBR. Die HYPSSI zeigte, dass die CBR mit derDie Bewertungsmethode „Aktivität“ wies eine bessere Vorhersagegeschwindigkeit auf und übertraf damit nur den CBR und alle anderen Gewichtungsmethoden. Der Hybrid-CBR zeigte auch eine bessere Leistung als der vorhandene statistische Ansatz (Vorhersagepräzision wird erwartet)von einer multiplen Regressionsanalyse etwa 80% erreicht).

  Um jedoch eine genauere Prognose-Rate zu erreichen, benötigt HYPSSI mehr Prozessvariablen und Daten vom Zielunternehmen. Obwohl die in diesem Dokument vorhandenen 16 Variablen von den Fertigungsingenieuren bestimmt wurden,Es ist schwierig, eine genauere Vorhersagegeschwindigkeit zu erreichen, indem nur diese Variablen und Daten verwendet werden. Dies ist der nächste Bereich, in dem Forschung betrieben werden soll.

Bemerkungen

Get A Quote

Zuhause

Urheberrechte ©2020 Nanjing Harsle Machine Tool Co. Ltd. Alle Rechte vorbehalten.