Nombre Parcourir:25 auteur:Éditeur du site publier Temps: 2018-10-23 origine:Propulsé
Dans la fabrication de semi-conducteurs, les produits finaux sont fabriqués à travers plusieurs centaines de processus qui sont hautement automatisés et considérablement interdépendants. La plupart des processus de fabrication utilisés aujourd'hui sont entrelacés de manière complexe et Devenez initessimal lors de l'utilisation de la technologie à l'échelle nanométrique.
Pour ces fabricants ou ingénieurs, le rendement est considéré comme un facteur très important qui doit être surveillé et contrôlé. Le rendement est défini comme le rapport des produits normaux aux produits finis. Gestion du rendement dans le semi-conducteur L'industrie est comprise comme un système analytique complet qui a les caractéristiques d'un système complexe. Un système complexe a de nombreuses variables de composants indépendantes qui interagissent entre elles de nombreuses manières compliquées. Ainsi, Il est considéré comme difficile à prévoir et à contrôler.
Le rendement dans la fabrication de semi-conducteurs est fortement affecté par plusieurs facteurs, notamment des particules ou des contaminants sur la tranche, des substances dans les instruments de fabrication, des paramètres de processus de fabrication, des attitudes des ingénieurs de processus, et la conception des semi-conducteurs.
Les sociétés de semi-conducteurs peuvent atteindre un certain degré de rendement en appliquant des contrôles de processus statistiques et 6-Sigma à un semi-conducteur. L'amélioration du rendement en utilisant des mesures statistiques, cependant, a la difficulté à prévenir le faible rendement beaucoup efficacement à l'avance. En effet, les variables de processus de fabrication qui affectent les changements dans le rendement ont une relation complexe non linéaire avec le rendement. En raison de cet effet interactif parmi plusieurs variables, les fabricants Il est difficile de trouver des problèmes dans le temps, lorsque de petits changements dans une relation entre les paramètres de processus peuvent provoquer des changements dans le rendement.
Ainsi, d'autres techniques intelligentes sont nécessaires afin de détecter les principales variables de processus qui affectent sérieusement les changements dans le rendement. Cette étude a développé un système de prédiction de rendement hybride dans l'industrie des semi-conducteurs, appelée Hypssi, en complément de l'approche statistique existante. Ce système est basé sur une application hybride des techniques d'apprentissage automatique pour représenter plusieurs variables de processus concernant la prévision efficace du rendement de production en Fabrication de semi-conducteurs. HypSSI adopte les réseaux de neurones (NNS) et le raisonnement basé sur les cas (CBR) qui peuvent être directement appliqués aux fins de prédiction. Cependant, CBR souffre de pondération des fonctionnalités; Quand il mesure la distance entre Cas, certaines caractéristiques doivent être pondérées différemment. De nombreuses variantes pondérées pondérées du voisin K-Dearest (K nn) ont été proposées pour attribuer des poids plus élevés à des fonctionnalités plus pertinentes à des fins de récupération de cas [2,37]. Bien que ces Des variantes ont été signalées comme améliorant leur précision de récupération concernant certaines tâches, peu ont été utilisées en conjonction avec des réseaux de neurones pour prédirePerformance de rendement dans la fabrication de semi-conducteurs.
Afin de peser les fonctionnalités et de guider CBR, HYSSSI adopte quatre méthodes de pondération des caractéristiques: la sensibilité, l'activité, la saillance et la pertinence. Chaque méthode calcule le degré de l'importance de chaque fonctionnalité en utilisant les poids de connexion et Modèles d'activation des nœuds dans le réseau neuronal entraîné.
Afin de valider cette approche hybride au sein de l'industrie des semi-conducteurs, HYSSI a été appliqué à la société internationale de semi-conducteurs, qui a été classé l'un des meilleurs fabricants du monde. Après avoir comparé cet hybride Méthode avec d'autres méthodes qui ont été utilisées, cet article montre que la méthode hybride fournit une prédiction de rendement plus précise.
Ce document est organisé comme suit: La section 2 examine diverses approches utilisées pour fournir une gestion du rendement appliquée à la fabrication de semi-conducteurs. Cette section se concentre sur les applications hybrides combinant des techniques d'apprentissage automatique.
La section 3 décrit la méthodologie du système de prédiction de rendement hybride dans l'industrie des semi-conducteurs, appelée Hypssi. Les résultats expérimentaux sont présentés dans la section 4 pour valider le système. Enfin, ce document est conclu par Brie fl y Résumant l'étude et la direction de la recherche future.
Méthodes de recherche appliquées à la fabrication de semi-conducteurs
Dans une industrie de haute technologie telle que la fabrication de semi-conducteurs, l'amélioration des rendement est de plus en plus importante car les technologies de fabrication avancées sont compliquées et de nombreux facteurs interdépendants affectent le rendement des plaquettes fabriquées. Quelques Des études ont visé à améliorer les performances des rendements et à réduire les coûts d'investissement opérationnel et d'investissement en capital dans l'industrie des semi-conducteurs. Plusieurs approches statistiques sont appliquées à la fabrication de semi-conducteurs. Wang [36] a utilisé le plus bas Les tests liés de con fi ance et les tests de capacité pour le rendement du processus qui peuvent déterminer si les processus de fabrication répondent aux besoins en capacité. KaEMPF [18] a utilisé le test binomial avec des tracés de rendement graphique des plaquettes de production réelles pour Identifiez les sources de défauts dans le processus de fabrication. Cho et al. [9] ont décrit une variante de l'analyse des composants principaux qui décompose Variabilité du processus à l'aide de statistiques des mesures de la fabrication.
Sobrino et Bravo [32] ont incarné un algorithme inductif pour apprendre les causes provisoires de tranches de basse qualité des données de gestion. Last et Kandel [22] ont présenté le réseau de perceptions automatisé pour une planification précise du rendement grâce Construction automatisée de modèles à partir d'ensembles de données bruyants.
Une technique peut être combinée avec d'autres techniques afin d'améliorer la qualité de la recherche, lorsqu'elle est utilisée dans le processus de prédiction de rendement. Kang et al. [19] ont intégré les arbres de décision inductive et le NNS avec rétro-propagation et Algorithmes SOM pour gérer les rendements sur les principaux processus de fabrication de semi-conducteurs. Shin et Park [31] Intégration de NEAURES NEURALS ET Raisonnement basé sur la mémoire pour développer un système de prédiction de rendement de la plaquette pour la fabrication de semi-conducteurs. Yang et al. [40] Recherche de tabu mixte et recuit simulé pour intégrer la con fi guration de disposition et les systèmes automatisés de manutention des matériaux dans la fabrication de la plaquette.
Chien et al. [8] comprenaient le clustering K-means et un arbre de décision pour déduire les causes possibles des défauts et des variations de processus de fabrication des données de fabrication de semi-conducteurs. Hsu et Chien [13] ont intégré des statistiques spatiales et Réseaux de neurones de la théorie de la résonance adaptative pour extraire les modèles des cartes de bacs à plaquettes et s'associer aux défauts de fabrication. Li et Huang [23] ont intégré la carte auto-organisée (SOM) et la machine à vecteur de support (SVM): les grappes SOM les cartes de bacs à plaquette; Le SVM classe les cartes de bac à plaquette pour identifier les défauts de fabrication. Wang [35] a présenté un système de diagnostic de défaut spatial pour la fabrication de semi-conducteurs, qui combine le regroupement flou à base d'erreur carrée et clustering spectral basé sur le noyau et arbre de décision. Romaniuk et Hall [29] ont conçu le système SC-Net qui offre une capacité de systèmes experts avec l'apprentissage dans une approche hybride connexionniste / symbolique afin de détecter les semi-conducteurs Fauteur de plaquette. Chaudhry et al. [6] ont proposé une méthodologie floue de relation d'entité pour construire un prototype d'une base de données relationnelle floue pour un système de contrôle discret adapté à un processus de fabrication de semi-conducteurs.
LIAO [25] a étudié la littérature de développement de systèmes d'experts de 1995 à 2004. Sur la base de ses résultats, les principales applications mettant en œuvre le CBR hybride ont été développées dans les domaines suivants: conception de fabrication et diagnostic de défauts, Modélisation et gestion des connaissances, planification médicale et application et zones de prévision financières.
L'approche CBR hybride a été largement adoptée dans la conception de la fabrication et le diagnostic des défauts. Hui et Jha [16] ont intégré NN, CBR et raisonnement basé sur des règles pour soutenir les activités de service client, telles que l'aide à la décision et la machine Diagnostic de défaut dans un environnement de fabrication. LIAO [26] a intégré une méthode CBR avec un perceptron multicouche pour l'identification automatique des mécanismes de défaillance dans l'ensemble du processus d'analyse de défaillance. Yang et al. [39] CBR intégré avec un kohonen art pour améliorer le diagnostic des défauts des moteurs électriques. Tan et al. [34] a intégré CBR et The Fuzzy Artmap NN pour aider les gestionnaires à prendre des décisions d'investissement en technologie de fabrication en temps opportun et optimales. Saridakis et DENTSORAS [30] a introduit une conception basée sur des cas avec un système informatique doux pour évaluer la conception paramétrique d'un convoyeur oscil-lotant.
Les recherches suivantes fonctionnent dans les domaines de la modélisation et de la gestion des connaissances ont été développés. Hui et al. [15] ont combiné l'approche CBR et NN pour extraire les connaissances des services à la clientèle précédents et rappelez-vous le un service. Choy et al. [10] ont développé un système de gestion des relations de fournisseur intelligent utilisant des techniques hybrides CBR et NN pour sélectionner et comparer les fournisseurs potentiels de produits de consommation Honeywell Limited à Hong Kong. Yu et Liu [41] ont proposé une hybridation des techniques de raisonnement symboliques et numériques pour atteindre une précision plus élevée et surmonter le problème de rareté de données dans la base de données du projet de construction. Chen et Hsu [7] ont résolu des problèmes de procès potentiels causée par l'évolution des commandes dans les projets de construction. Ils ont utilisé le NNS pour prédire la probabilité des litiges et ont utilisé le CBR pour avertir les rendements. IM et Park [17] ont développé un système expert hybride de CBR et NN pour un système de conseil personnalisé pour l'industrie cosmétique. Liu et al. [27] ont développé une technique de réduction de cas basée sur l'association pour réduire la taille de la base de cas afin d'améliorer l'ef fi cacité tout en améliorant la précision du CBR. Sun et al. [33] a construit un Base de cas basée à la fois sur les relations de similitude et les relations de similitude floue, qui sont toutes deux définies dans le monde possible des problèmes et des solutions.
Le CBR hybride a également été utilisé dans les zones de planification médicale et d'application. Guiu et al. [12] ont introduit un système de classi fi cateur basé sur des cas pour résoudre le diagnostic automatique des images de biopsie mammaire. Hsu et Ho [14] ont combiné le CBR, NN, Fuzzy Théorie et théorie de l'induction ensemble pour faciliter le diagnostic des maladies multiples et l'apprentissage de nouvelles connaissances d'adaptation. Wyns et al. [38] ont appliqué une cartographie de kohonen modifiée combinée à un critère d'évaluation CBR pour prédire tôt Arthrite, y compris la polyarthrite rhumatoïde et la spondyloarthropathie. AHN et Kim [1] ont combiné le CBR avec des algorithmes génétiques pour évaluer les caractéristiques cytologiques dérivées d'un scan numérique des glissades d'aspiration d'aiguille fine (FNA).
Les CBR hybrides ont également été utilisés dans les zones de prévision financières. Kim et Han [20] ont présenté une méthode d'indexation de cas de CBR qui utilise SOM pour la prédiction de la notation des obligations d'entreprise. Li et al. [24] ont introduit une fonctionnalité basée sur des fonctionnalités Mesure de similitude pour faire face à la prédiction de détresse financière (par exemple, la prédiction de la faillite) en Chine. Chang et Lai [4] ont intégré le SOM et le CBR pour les prévisions de vente des livres récemment publiés. Chang et al. [5] a évolué un système CBR avec Algorithme génétique pour les prévisions de livres de retour des grossistes. Chun et Park [11] ont conçu une régression CBR pour les prévisions financières, qui applique différents poids aux variables indépendantes avant de trouver des cas similaires. Kumar et Ravi [21] a présenté un examen complet des travaux en utilisant NN et CBR pour résoudre les problèmes de prédiction de faillite rencontrés par les banques.
Afin d'améliorer la capacité de prédire le rendement avec précision, un système de prédiction de rendement hybride a été développé dans l'industrie semi-conducteur (HYSSSI). Il s'agit de la méthode hybride suivante, combinant des techniques d'apprentissage automatique, telles que Réseau de propriété rétro-agitation (BPN), CBR et K NN (voir Fig. 1).
HypSSI se compose de quatre phases: apprendre la relation entre les variables de cas et le rendement, la pondération des caractéristiques, l'extraction de k cas similaires et la moyenne pondérée des rendements extraits. La première phase trouve l'importance relative de Variables indépendantes de la relation entre les variables indépendantes (c'est-à-dire les variables de processus de fabrication) et une variable dépendante (c'est-à-dire le rendement). Lorsque la formation d'un BPN est terminée dans le cas de la base de cas de rendement, le Les poids de connexion d'un réseau neuronal formé révèlent l'importance de la relation entre les variables de processus et le rendement.
Pour obtenir un ensemble de poids de caractéristiques du réseau formé, quatre méthodes de pondération des fonctionnalités sont utilisées: la sensibilité, l'activité, la saillance et la pertinence [28,37,42]. Chacune de ces méthodes calcule le degré de chaque fonctionnalité Importance en utilisant les poids de connexion et les modèles d'activation des nœuds dans le réseau neuronal entraîné. Les algorithmes de pondération des fonctionnalités sont décrits comme suit:
Méthode de pondération de la «sensibilité»: la sensibilité d'un nœud d'entrée (SENI) est calculée en supprimant le nœud d'entrée du réseau neuronal formé. La sensibilité d'un nœud d'entrée est la différence d'erreur entre l'élimination du fonctionnalité et quand il est laissé en place. Seni est calculé par l'équation suivante
où E (0) indique la quantité d'erreur après avoir supprimé un nœud d'entrée I et E (WF) signifie la valeur d'erreur lorsque le nœud est laissé intact. La valeur d'erreur est basée sur l'équation suivante
où CB est une base de cas qui contient des variables de cas (caractéristiques) et le rendement correspondant et y indique la valeur de rendement réelle et OY indique la valeur de rendement observée par le BPN.
Dans la fabrication de semi-conducteurs, les produits finaux sont fabriqués à travers plusieurs centaines de processus qui sont hautement automatisés et considérablement interdépendants. La plupart des processus de fabrication utilisés aujourd'hui sont entrelacés de manière complexe et Devenez initessimal lors de l'utilisation de la technologie à l'échelle nanométrique.
Pour ces fabricants ou ingénieurs, le rendement est considéré comme un facteur très important qui doit être surveillé et contrôlé. Le rendement est défini comme le rapport des produits normaux aux produits finis. Gestion du rendement dans le semi-conducteur L'industrie est comprise comme un système analytique complet qui a les caractéristiques d'un système complexe. Un système complexe a de nombreuses variables de composants indépendantes qui interagissent entre elles de nombreuses manières compliquées. Ainsi, Il est considéré comme difficile à prévoir et à contrôler.
Le rendement dans la fabrication de semi-conducteurs est fortement affecté par plusieurs facteurs, notamment des particules ou des contaminants sur la tranche, des substances dans les instruments de fabrication, des paramètres de processus de fabrication, des attitudes des ingénieurs de processus, et la conception des semi-conducteurs.
Les sociétés de semi-conducteurs peuvent atteindre un certain degré de rendement en appliquant des contrôles de processus statistiques et 6-Sigma à un semi-conducteur. L'amélioration du rendement en utilisant des mesures statistiques, cependant, a la difficulté à prévenir le faible rendement beaucoup efficacement à l'avance. En effet, les variables de processus de fabrication qui affectent les changements dans le rendement ont une relation complexe non linéaire avec le rendement. En raison de cet effet interactif parmi plusieurs variables, les fabricants Il est difficile de trouver des problèmes dans le temps, lorsque de petits changements dans une relation entre les paramètres de processus peuvent provoquer des changements dans le rendement.
Ainsi, d'autres techniques intelligentes sont nécessaires afin de détecter les principales variables de processus qui affectent sérieusement les changements dans le rendement. Cette étude a développé un système de prédiction de rendement hybride dans l'industrie des semi-conducteurs, appelée Hypssi, en complément de l'approche statistique existante. Ce système est basé sur une application hybride des techniques d'apprentissage automatique pour représenter plusieurs variables de processus concernant la prévision efficace du rendement de production en Fabrication de semi-conducteurs. HypSSI adopte les réseaux de neurones (NNS) et le raisonnement basé sur les cas (CBR) qui peuvent être directement appliqués aux fins de prédiction. Cependant, CBR souffre de pondération des fonctionnalités; Quand il mesure la distance entre Cas, certaines caractéristiques doivent être pondérées différemment. De nombreuses variantes pondérées pondérées du voisin K-Dearest (K nn) ont été proposées pour attribuer des poids plus élevés à des fonctionnalités plus pertinentes à des fins de récupération de cas [2,37]. Bien que ces Des variantes ont été signalées comme améliorant leur précision de récupération concernant certaines tâches, peu ont été utilisées en conjonction avec des réseaux de neurones pour prédire Performance de rendement dans la fabrication de semi-conducteurs.
Afin de peser les fonctionnalités et de guider CBR, HYSSSI adopte quatre méthodes de pondération des caractéristiques: la sensibilité, l'activité, la saillance et la pertinence. Chaque méthode calcule le degré de l'importance de chaque fonctionnalité en utilisant les poids de connexion et Modèles d'activation des nœuds dans le réseau neuronal entraîné.
Afin de valider cette approche hybride au sein de l'industrie des semi-conducteurs, HYSSI a été appliqué à la société internationale de semi-conducteurs, qui a été classé l'un des meilleurs fabricants du monde. Après avoir comparé cet hybride Méthode avec d'autres méthodes qui ont été utilisées, cet article montre que la méthode hybride fournit une prédiction de rendement plus précise.
Ce document est organisé comme suit: La section 2 examine diverses approches utilisées pour fournir une gestion du rendement appliquée à la fabrication de semi-conducteurs. Cette section se concentre sur les applications hybrides combinant des techniques d'apprentissage automatique.
La section 3 décrit la méthodologie du système de prédiction de rendement hybride dans l'industrie des semi-conducteurs, appelée Hypssi. Les résultats expérimentaux sont présentés dans la section 4 pour valider le système. Enfin, ce document est conclu par Brie fl y Résumant l'étude et la direction de la recherche future.
Méthodes de recherche appliquées à la fabrication de semi-conducteurs
Dans une industrie de haute technologie telle que la fabrication de semi-conducteurs, l'amélioration des rendement est de plus en plus importante car les technologies de fabrication avancées sont compliquées et de nombreux facteurs interdépendants affectent le rendement des plaquettes fabriquées. Quelques Des études ont visé à améliorer les performances des rendements et à réduire les coûts d'investissement opérationnel et d'investissement en capital dans l'industrie des semi-conducteurs. Plusieurs approches statistiques sont appliquées à la fabrication de semi-conducteurs. Wang [36] a utilisé le plus bas Les tests liés de con fi ance et les tests de capacité pour le rendement du processus qui peuvent déterminer si les processus de fabrication répondent aux besoins en capacité. KaEMPF [18] a utilisé le test binomial avec des tracés de rendement graphique des plaquettes de production réelles pour Identifiez les sources de défauts dans le processus de fabrication. Cho et al. [9] ont décrit une variante de l'analyse des composants principaux qui décompose Variabilité du processus à l'aide de statistiques des mesures de la fabrication.
Sobrino et Bravo [32] ont incarné un algorithme inductif pour apprendre les causes provisoires de tranches de basse qualité des données de gestion. Last et Kandel [22] ont présenté le réseau de perceptions automatisé pour une planification précise du rendement grâce Construction automatisée de modèles à partir d'ensembles de données bruyants.
Une technique peut être combinée avec d'autres techniques afin d'améliorer la qualité de la recherche, lorsqu'elle est utilisée dans le processus de prédiction de rendement. Kang et al. [19] ont intégré les arbres de décision inductive et le NNS avec rétro-propagation et Algorithmes SOM pour gérer les rendements sur les principaux processus de fabrication de semi-conducteurs. Shin et Park [31] Intégration de NEAURES NEURALS ET Raisonnement basé sur la mémoire pour développer un système de prédiction de rendement de la plaquette pour la fabrication de semi-conducteurs. Yang et al. [40] Recherche de tabu mixte et recuit simulé pour intégrer la con fi guration de disposition et les systèmes automatisés de manutention des matériaux dans la fabrication de la plaquette.
Chien et al. [8] comprenaient le clustering K-means et un arbre de décision pour déduire les causes possibles des défauts et des variations de processus de fabrication des données de fabrication de semi-conducteurs. Hsu et Chien [13] ont intégré des statistiques spatiales et Réseaux de neurones de la théorie de la résonance adaptative pour extraire les modèles des cartes de bacs à plaquettes et s'associer aux défauts de fabrication. Li et Huang [23] ont intégré la carte auto-organisée (SOM) et la machine à vecteur de support (SVM): les grappes SOM les cartes de bacs à plaquette; Le SVM classe les cartes de bac à plaquette pour identifier les défauts de fabrication. Wang [35] a présenté un système de diagnostic de défaut spatial pour la fabrication de semi-conducteurs, qui combine le regroupement flou à base d'erreur carrée et clustering spectral basé sur le noyau et arbre de décision. Romaniuk et Hall [29] ont conçu le système SC-Net qui offre une capacité de systèmes experts avec l'apprentissage dans une approche hybride connexionniste / symbolique afin de détecter les semi-conducteurs Fauteur de plaquette. Chaudhry et al. [6] ont proposé une méthodologie floue de relation d'entité pour construire un prototype d'une base de données relationnelle floue pour un système de contrôle discret adapté à un processus de fabrication de semi-conducteurs.
LIAO [25] a étudié la littérature de développement de systèmes d'experts de 1995 à 2004. Sur la base de ses résultats, les principales applications mettant en œuvre le CBR hybride ont été développées dans les domaines suivants: conception de fabrication et diagnostic de défauts, Modélisation et gestion des connaissances, planification médicale et application et zones de prévision financières.
L'approche CBR hybride a été largement adoptée dans la conception de la fabrication et le diagnostic des défauts. Hui et Jha [16] ont intégré NN, CBR et raisonnement basé sur des règles pour soutenir les activités de service client, telles que l'aide à la décision et la machine Diagnostic de défaut dans un environnement de fabrication. LIAO [26] a intégré une méthode CBR avec un perceptron multicouche pour l'identification automatique des mécanismes de défaillance dans l'ensemble du processus d'analyse de défaillance. Yang et al. [39] CBR intégré avec un kohonen art pour améliorer le diagnostic des défauts des moteurs électriques. Tan et al. [34] a intégré CBR et The Fuzzy Artmap NN pour aider les gestionnaires à prendre des décisions d'investissement en technologie de fabrication en temps opportun et optimales. Saridakis et DENTSORAS [30] a introduit une conception basée sur des cas avec un système informatique doux pour évaluer la conception paramétrique d'un convoyeur oscil-lotant.
Les recherches suivantes fonctionnent dans les domaines de la modélisation et de la gestion des connaissances ont été développés. Hui et al. [15] ont combiné l'approche CBR et NN pour extraire les connaissances des services à la clientèle précédents et rappelez-vous le un service. Choy et al. [10] ont développé un système de gestion des relations de fournisseur intelligent utilisant des techniques hybrides CBR et NN pour sélectionner et comparer les fournisseurs potentiels de produits de consommation Honeywell Limited à Hong Kong. Yu et Liu [41] ont proposé une hybridation des techniques de raisonnement symboliques et numériques pour atteindre une précision plus élevée et surmonter le problème de rareté de données dans la base de données du projet de construction. Chen et Hsu [7] ont résolu des problèmes de procès potentiels causée par l'évolution des commandes dans les projets de construction. Ils ont utilisé le NNS pour prédire la probabilité des litiges et ont utilisé le CBR pour avertir les rendements. IM et Park [17] ont développé un système expert hybride de CBR et NN pour un système de conseil personnalisé pour l'industrie cosmétique. Liu et al. [27] ont développé une technique de réduction de cas basée sur l'association pour réduire la taille de la base de cas afin d'améliorer l'ef fi cacité tout en améliorant la précision du CBR. Sun et al. [33] a construit un Base de cas basée à la fois sur les relations de similitude et les relations de similitude floue, qui sont toutes deux définies dans le monde possible des problèmes et des solutions.
Le CBR hybride a également été utilisé dans les zones de planification médicale et d'application. Guiu et al. [12] ont introduit un système de classi fi cateur basé sur des cas pour résoudre le diagnostic automatique des images de biopsie mammaire. Hsu et Ho [14] ont combiné le CBR, NN, Fuzzy Théorie et théorie de l'induction ensemble pour faciliter le diagnostic des maladies multiples et l'apprentissage de nouvelles connaissances d'adaptation. Wyns et al. [38] ont appliqué une cartographie de kohonen modifiée combinée à un critère d'évaluation CBR pour prédire tôt Arthrite, y compris la polyarthrite rhumatoïde et la spondyloarthropathie. AHN et Kim [1] ont combiné le CBR avec des algorithmes génétiques pour évaluer les caractéristiques cytologiques dérivées d'un scan numérique des glissades d'aspiration d'aiguille fine (FNA).
Les CBR hybrides ont également été utilisés dans les zones de prévision financières. Kim et Han [20] ont présenté une méthode d'indexation de cas de CBR qui utilise SOM pour la prédiction de la notation des obligations d'entreprise. Li et al. [24] ont introduit une fonctionnalité basée sur des fonctionnalités Mesure de similitude pour faire face à la prédiction de détresse financière (par exemple, la prédiction de la faillite) en Chine. Chang et Lai [4] ont intégré le SOM et le CBR pour les prévisions de vente des livres récemment publiés. Chang et al. [5] a évolué un système CBR avec Algorithme génétique pour les prévisions de livres de retour des grossistes. Chun et Park [11] ont conçu une régression CBR pour les prévisions financières, qui applique différents poids aux variables indépendantes avant de trouver des cas similaires. Kumar et Ravi [21] a présenté un examen complet des travaux en utilisant NN et CBR pour résoudre les problèmes de prédiction de faillite rencontrés par les banques.
Afin d'améliorer la capacité de prédire le rendement avec précision, un système de prédiction de rendement hybride a été développé dans l'industrie semi-conducteur (HYSSSI). Il s'agit de la méthode hybride suivante, combinant des techniques d'apprentissage automatique, telles que Réseau de propriété rétro-agitation (BPN), CBR et K NN (voir Fig. 1).
HypSSI se compose de quatre phases: apprendre la relation entre les variables de cas et le rendement, la pondération des caractéristiques, l'extraction de k cas similaires et la moyenne pondérée des rendements extraits. La première phase trouve l'importance relative de Variables indépendantes de la relation entre les variables indépendantes (c'est-à-dire les variables de processus de fabrication) et une variable dépendante (c'est-à-dire le rendement). Lorsque la formation d'un BPN est terminée dans le cas de la base de cas de rendement, le Les poids de connexion d'un réseau neuronal formé révèlent l'importance de la relation entre les variables de processus et le rendement.
Pour obtenir un ensemble de poids de caractéristiques du réseau formé, quatre méthodes de pondération des fonctionnalités sont utilisées: la sensibilité, l'activité, la saillance et la pertinence [28,37,42]. Chacune de ces méthodes calcule le degré de chaque fonctionnalité Importance en utilisant les poids de connexion et les modèles d'activation des nœuds dans le réseau neuronal entraîné. Les algorithmes de pondération des fonctionnalités sont décrits comme suit:
Méthode de pondération de la «sensibilité»: la sensibilité d'un nœud d'entrée (SENI) est calculée en supprimant le nœud d'entrée du réseau neuronal formé. La sensibilité d'un nœud d'entrée est la différence d'erreur entre l'élimination du fonctionnalité et quand il est laissé en place. Seni est calculé par l'équation suivante
où E (0) indique la quantité d'erreur après avoir supprimé un nœud d'entrée I et E (WF) signifie la valeur d'erreur lorsque le nœud est laissé intact. La valeur d'erreur est basée sur l'équation suivante
où CB est une base de cas qui contient des variables de cas (caractéristiques) et le rendement correspondant et y indique la valeur de rendement réelle et OY indique la valeur de rendement observée par le BPN.
Selon le tableau, le BPN + CBR_SEN montre le taux d'erreur le plus bas lorsque K est réglé sur cinq; Le BPN + CBR_ACT a le taux d'erreur le plus bas lorsque K est réglé sur 11; Le BPN + CBR_SAL montre le taux d'erreur le plus bas lorsque K est réglé sur cinq; Et le BPN + CBR_REL montre le taux d'erreur le plus bas lorsque K est réglé sur neuf. Au-delà de ces points de K dans chaque méthode de pondération, les taux d'erreur ont légèrement augmenté.
Tableau 1 Prédiction erreurs du raisonnement basé sur les cas avec quatre schémas de pondération.
Fig. 2. Précision de prédiction moyenne de chaque schéma de pondération.
La figure 2 illustre la précision moyenne de prédiction de toutes les méthodes de pondération des caractéristiques, selon K.
Les quatre méthodes de pondération ont surpassé la méthode CBR seule dans chaque expérience. De plus, dans la plupart des expériences, le BPN + CBR_ACT a montré la précision de prédiction la plus élevée, suivie de BPN + CBR_SAL, BPN + CBR_REL et BPN + CBR_SEN.
À mesure que K augmente à 11, la différence de précision de prédiction s'agrandit entre les méthodes de pondération CBR et BPN + CBR_ACT. Il existe cependant de petites différences dans la précision de la prédiction parmi les quatre caractéristiques de pondération Méthodes.
En général, il est difficile de décider quelle méthode de pondération est la meilleure. Les auteurs suggèrent qu'il faut tester les quatre méthodes à la phase de développement initiale, puis mettre en œuvre celle avec l'erreur de prédiction la plus faible dans le Phase de production. Dans ce cas, l'adoption de la méthode de pondération BPN + CBR_ACT est une solution acceptable pour prédire le taux de rendement dans la fabrication semi-conducteur.
La gestion du rendement dans l'industrie des semi-conducteurs est une pratique de gestion très importante qui doit être surveillée et complètement contrôlée. Parce que les variables de processus de fabrication ont une relation complexe non linéaire avec le rendement, Les fabricants ont besoin d'une approche intelligente pour identifier la relation entre les paramètres de processus dans le temps.
Dans cet article, les auteurs ont conçu et appliqué HYSSI, une méthode hybride combinant BPN et CBR, pour prédire le rendement de la société de fabrication de semi-conducteurs cible. Dans l'hypssi, le BPN a été utilisé pour attribuer des poids relatifs Caractéristiques du processus de fabrication de chaque cas dans la base de cas de rendement.
Comme la revue de la littérature dans la section 2 l'a révélé, il n'y avait aucune recherche similaire pour prédire le taux de rendement de la société de semi-conducteurs en utilisant le CBR de poids neuronal. L'Hypssi a montré que le CBR avec le La méthode de pondération «d'activité» avait un meilleur taux de prédiction, surpassant le CBR seul et toutes les autres méthodes de pondération. Le CBR hybride a également montré de meilleures performances que l'approche statistique existante (précision de prédiction à venir à partir d'une analyse de régression multiple atteint environ 80%).
Cependant, afin d'atteindre un taux de prédiction plus précis, HypSSI a besoin de plus de variables de processus et de données de la société cible. Même si les 16 variables existantes utilisées dans cet article ont été déterminées par les ingénieurs de fabrication, Il est difficile d'atteindre un taux de prédiction plus précis en utilisant uniquement ces variables et données. Ce sera le prochain domaine dans lequel des recherches devraient être menées.
Français
Pусский
