+ 86-18052080815 | info@harsle.com

Reconocer patrones de rendimiento a través de aplicaciones híbridas de técnicas de aprendizaje automático

Vistas:20     Autor:Editor del sitio     Hora de publicación: 2018-10-23      Origen:Sitio Preguntar

Introducción

En la fabricación de semiconductores, los productos finales se fabrican a través de varios cientos de procesos que son altamente automatizados y dramáticamente interdependientes. La mayoría de los procesos de fabricación en uso hoy en día están entrelazados y Entra en los finesimales al usar tecnología a escala nanómetro.


Para aquellos fabricantes o ingenieros, el rendimiento se considera un factor muy importante que debe ser monitoreado y controlado. El rendimiento se define como la relación de productos normales para los productos terminados. Gestión del rendimiento en el semiconductor La industria se entiende como un sistema analítico integral que tiene las características de un sistema complejo. Un sistema complejo tiene muchas variables de componentes independientes que interactúan entre sí de muchas maneras complicadas. Por lo tanto, Se considera difícil de predecir y controlar.


El rendimiento en la fabricación de semiconductores se ve fuertemente afectado por varios factores, incluidas partículas o contaminantes en la oblea, sustancias en los instrumentos de fabricación, parámetros de procesos de fabricación, actitudes de ingenieros de procesos, y el diseño de semiconductores.


Las compañías de semiconductores pueden lograr un cierto grado de rendimiento aplicando controles de procesos estadísticos y 6-Sigma a un semiconductor. Sin embargo, la mejora del rendimiento que emplea mediciones estadísticas tiene dificultades para prevenir el bajo rendimiento lotes efectivamente de antemano. Esto se debe a que las variables del proceso de fabricación que afectan los cambios en el rendimiento tienen una relación compleja no lineal con el rendimiento. Debido a este efecto interactivo entre varias variables, los fabricantes Encuentra es difícil determinar los problemas en el tiempo, cuando los pequeños cambios en una relación entre los parámetros del proceso pueden causar cambios en el rendimiento.


Por lo tanto, se necesitan otras técnicas inteligentes para detectar las principales variables del proceso que afectan seriamente los cambios en el rendimiento. Este estudio ha desarrollado un sistema de predicción de rendimiento híbrido en la industria de semiconductores, llamado Hypssi, como complemento del enfoque estadístico existente. Este sistema se basa en una aplicación híbrida de técnicas de aprendizaje automático para representar múltiples variables de proceso relacionadas con predecir efectivamente el rendimiento de producción en Fabricación de semiconductores. HyPSSi adopta redes neuronales (NNS) y razonamiento basado en casos (CBR) que pueden aplicarse directamente a fines de predicción. Sin embargo, CBR sufre de ponderación de características; Cuando mide la distancia entre Casos, algunas características deben ponderarse de manera diferente. Se han propuesto muchas variantes ponderadas por características del vecino K-Nearest (K NN) para asignar pesos más altos a características más relevantes para fines de recuperación de casos [2,37]. Aunque Se ha informado que las variantes mejoran su precisión de recuperación con respecto a algunas tareas, pocas se han utilizado junto con las redes neuronales para predecirrendimiento de rendimiento en la fabricación de semiconductores.


Para sopesar las características y guiar CBR, HyPSSi adopta cuatro métodos de peso de características: sensibilidad, actividad, saliente y relevancia. Cada método calcula el grado de importancia de cada característica mediante el uso de los pesos de conexión y Patrones de activación de los nodos en la red neuronal entrenada.


Para validar este enfoque híbrido dentro de la industria de semiconductores, HypSSi se aplicó a la Compañía Internacional de Semiconductores, que ha sido clasificada como uno de los principales fabricantes del mundo. Después de comparar este híbrido Método Con otros métodos que se han utilizado, este documento muestra que el método híbrido proporciona una predicción de rendimiento más precisa.


Este documento está organizado de la siguiente manera: la Sección 2 revisa varios enfoques utilizados para proporcionar una gestión de rendimiento aplicada a la fabricación de semiconductores. Esta sección se centra en aplicaciones híbridas que combinan técnicas de aprendizaje automático.


La Sección 3 describe la metodología del sistema de predicción de rendimiento híbrido en la industria de semiconductores, llamado HYPSSI. Los resultados experimentales se presentan en la Sección 4 para validar el sistema. Finalmente, este documento concluye por Brie Fly resumiendo el estudio y la dirección de la investigación futura.


Revisión de literatura

Métodos de investigación aplicados a la fabricación de semiconductores


En una industria de alta tecnología, como la fabricación de semiconductores, la mejora del rendimiento es cada vez más importante ya que las tecnologías de fabricación avanzada son complicadas y muchos factores interrelacionados afectan el rendimiento de las obleas fabricadas. Unos pocos Los estudios han tenido como objetivo mejorar el rendimiento del rendimiento y reducir el costo operativo y de inversión de capital en la industria de semiconductores. Hay varios enfoques estadísticos aplicados a la fabricación de semiconductores. Wang [36] usó la parte inferior Configuración en un límite y prueba de capacidad para el rendimiento del proceso que puede determinar si los procesos de fabricación cumplen con el requisito de capacidad. Kaempf [18] utilizó la prueba binomial con gráficos de rendimiento gráfico de las obleas de producción reales para Identificar fuentes de defectos en el proceso de fabricación. Cho et al. [9] describió una variante del análisis de componentes principales que se descompone Variabilidad del proceso utilizando estadísticas de las mediciones de la fabricación.


Sobrino y Bravo [32] incorporaron un algoritmo inductivo para aprender las causas tentativas de obleas de baja calidad a partir de datos de fabricación. Last y Kandel [22] presentaron la red de percepciones automatizadas para la planificación precisa del rendimiento a través de Construcción automatizada de modelos a partir de conjuntos de datos ruidosos.


Una técnica se puede combinar con otras técnicas para mejorar la calidad de la investigación, cuando se utiliza en el proceso de predicción de rendimiento. Kang et al. [19] árboles de decisión inductivos integrados y NNS con propagación de retroceso y Algoritmos de SOM para gestionar los rendimientos sobre los principales procesos de fabricación de semiconductores. Shin y Park [31] integraron redes neuronales y razonamiento basado en la memoria para desarrollar un sistema de predicción de rendimiento de la oblea para la fabricación de semiconductores. Yang et al. [40] Búsqueda de tabú mixta y recocido simulado para integrar la configuración de diseño y los sistemas automatizados de manejo de materiales en la fabricación de obleas.


Chien et al. [8] incluyó la agrupación de K-Means y un árbol de decisión para inferir posibles causas de fallas y variaciones del proceso de fabricación de los datos de fabricación de semiconductores. Hsu y Chien [13] estadísticas espaciales integradas y Las redes neuronales de la teoría de resonancia adaptativa para extraer patrones de mapas de contenedor de obleas y asociarse con defectos de fabricación. Li y Huang [23] integraron el mapa de autoorganización (SOM) y la máquina de vectores de soporte (SVM): los clústeres de SOM los mapas de la papelera de la oblea; El SVM clasifica los mapas de la papelera de obleas para identificar los defectos de fabricación. Wang [35] presentó un sistema de diagnóstico de defectos espaciales para la fabricación de semiconductores, que combina la agrupación difusa basada en errores cuadrados y Agrupación espectral basada en el núcleo y un árbol de decisión. Romaniuk y Hall [29] idearon el sistema SC-NET que proporciona capacidad de sistemas expertos con aprendizaje en un enfoque híbrido de conexión/simbólico para detectar semiconductor Falla de la oblea. Chaudhry et al. [6] propuso una metodología de relación de entidad difusa para construir un prototipo de una base de datos relacional difusa para un sistema de control discreto adecuado para un proceso de fabricación de semiconductores.


Otras áreas de investigación que utilizan CBR híbrido

LIAO [25] encuestó la literatura de desarrollo de sistemas expertos de 1995 a 2004. Según sus hallazgos, las principales aplicaciones que implementan CBR híbridas se han desarrollado en las siguientes áreas: diseño de fabricación y diagnóstico de fallas, Modelado y gestión de conocimiento, planificación y aplicación médica, y áreas de pronóstico financiero.


El enfoque CBR híbrido se ha adoptado ampliamente en el diseño de fabricación y el diagnóstico de fallas. Hui y JHA [16] Integrados NN, CBR y razonamiento basado en reglas para apoyar las actividades de servicio al cliente, como el soporte de decisiones y la máquina Diagnóstico de fallas en un entorno de fabricación. Liao [26] integró un método CBR con un perceptrón de múltiples capas para la identificación automática de los mecanismos de falla en todo el proceso de análisis de fallas. Yang et al. [39] CBR integrado con un art-kohonen nn para mejorar el diagnóstico de fallas de motores eléctricos. Tan et al. [34] CBR integrado y el Fuzzy ArtMap nn para apoyar a los gerentes para tomar decisiones de inversión de tecnología de fabricación oportunas y óptimas. Saridakis y Dentsoras [30] introdujo un diseño basado en casos con un sistema de computación suave para evaluar el diseño paramétrico de un transportador de oscilación.


Se han desarrollado los siguientes trabajos de investigación en las áreas de modelado y gestión de conocimiento. Hui et al. [15] combinó el enfoque CBR y NN para extraer el conocimiento de los servicios al cliente anteriores y recordar lo apropiado Servicio. Choy et al. [10] desarrolló un sistema inteligente de gestión de relaciones de proveedores utilizando técnicas Hybrid CBR y NN para seleccionar y comparar a los proveedores potenciales de productos de consumo Honeywell Limited en Hong Kong. Yu y Liu [41] propuso una hibridación de las técnicas de razonamiento simbólico y numérico para lograr una mayor precisión y superar el problema de la escasez de datos en la base de datos del proyecto de construcción. Chen y Hsu [7] resolvieron problemas potenciales de demanda causado por el cambio de pedidos en proyectos de construcción. Utilizaron NNS para predecir la probabilidad de litigios y utilizaron CBR para advertir los rendimientos. IM y Park [17] desarrollaron un sistema de expertos híbridos de CBR y NN para un sistema de asesoramiento personalizado para la industria cosmética. Liu et al. [27] desarrolló una técnica de reducción de casos basada en la asociación para reducir el tamaño de la base de casos para mejorar la eficiencia al tiempo que mejora la precisión del CBR. Sun et al. [33] construyó un Base de casos basada tanto en las relaciones de similitud como en las relaciones de similitud difusa, que se definen en el posible mundo de problemas y soluciones.


Hybrid CBR también se ha utilizado en las áreas de planificación médica y aplicación. Guiu et al. [12] introdujo un sistema de clasificación basado en casos para resolver el diagnóstico automático de imágenes de biopsia mamaria. Hsu y Ho [14] combinaron el CBR, NN, Fuzzy Teoría y teoría de inducción juntos para facilitar el diagnóstico de enfermedad múltiple y el aprendizaje del nuevo conocimiento de adaptación. Wyns et al. [38] aplicó un mapeo de kohonen modificado combinado con un criterio de evaluación CBR para predecir temprano Artritis, incluida la artritis reumatoide y la espondiloartropatía. Ahn y Kim [1] combinaron el CBR con algoritmos genéticos para evaluar las características citológicas derivadas de un escaneo digital de portaobjetos de aspirado de aguja fina (FNA).


Los CBR híbridos también se han utilizado en áreas de pronóstico financiero. Kim y Han [20] presentaron un método de indexación de casos de CBR que utiliza SOM para la predicción de la calificación de bonos corporativos. Li et al. [24] introdujo una función basada en características Medida de similitud para lidiar con la predicción de angustia financiera (por ejemplo, predicción de bancarrota) en China. Chang y Lai [4] integraron el SOM y el CBR para los pronósticos de ventas de libros recientemente lanzados. Chang et al. [5] evolucionó un sistema CBR con Algoritmo genético para el mayorista de pronósticos de libros que regresan. Chun y Park [11] idearon un CBR de regresión para el pronóstico financiero, lo que aplica diferentes pesos a variables independientes antes de encontrar casos similares. Kumar y Ravi [21] Presentó una revisión exhaustiva de los trabajos que utilizan NN y CBR para resolver los problemas de predicción de bancarrota que enfrentan los bancos.


Sistema de predicción de rendimiento híbrido en la industria de semiconductores (HYPSSI)

Para mejorar la capacidad de predecir el rendimiento con precisión, se desarrolló un sistema de predicción de rendimiento híbrido en la industria de semiconductores (HYPSSI). Es el siguiente método híbrido, que combina técnicas de aprendizaje automático, como Red de propiedad posterior (BPN), CBR y K Nn (ver Fig. 1).


HyPSSI consta de cuatro fases: aprender sobre la relación entre las variables de casos y el rendimiento, la ponderación de características, la extracción de k casos similares y el promedio ponderado de los rendimientos extraídos. La primera fase encuentra la importancia relativa de Variables independientes de la relación entre variables independientes (es decir, variables del proceso de fabricación) y una variable dependiente (es decir, rendimiento). Cuando el entrenamiento de una BPN se termina en caso de que la base de casos de rendimiento, el Los pesos de conexión de una red neuronal entrenada revelan la importancia de la relación entre las variables del proceso y el rendimiento.


Para obtener un conjunto de pesos de características de la red entrenada, se utilizan cuatro métodos de peso de características: sensibilidad, actividad, prominencia y relevancia [28,37,42]. Cada uno de estos métodos calcula el grado de cada característica importancia mediante el uso de los pesos de conexión y los patrones de activación de los nodos en la red neuronal entrenada. Los algoritmos de peso de características se describen brevemente de la siguiente manera:


Método de ponderación de "sensibilidad": la sensibilidad de un nodo de entrada (seni) se calcula eliminando el nodo de entrada de la red neuronal entrenada. La sensibilidad de un nodo de entrada es la diferencia de error entre la eliminación del característica y cuando se deja en su lugar. Seni se calcula mediante la siguiente ecuación

donde E (0) indica la cantidad de error después de eliminar un nodo de entrada I y E (WF) significa el valor de error cuando el nodo se deja intacto. El valor de error se basa en la siguiente ecuación

Cuando CB es una base de caso que contiene variables de casos (características) y rendimiento correspondiente e y indica el valor de rendimiento real y OY indica el valor de rendimiento observado por la BPN.

Reconociendo patrones de rendimiento

Introducción

En la fabricación de semiconductores, los productos finales se fabrican a través de varios cientos de procesos que son altamente automatizados y dramáticamente interdependientes. La mayoría de los procesos de fabricación en uso hoy en día están entrelazados y Entra en los finesimales al usar tecnología a escala nanómetro.


Para aquellos fabricantes o ingenieros, el rendimiento se considera un factor muy importante que debe ser monitoreado y controlado. El rendimiento se define como la relación de productos normales para los productos terminados. Gestión del rendimiento en el semiconductor La industria se entiende como un sistema analítico integral que tiene las características de un sistema complejo. Un sistema complejo tiene muchas variables de componentes independientes que interactúan entre sí de muchas maneras complicadas. Por lo tanto, Se considera difícil de predecir y controlar.


El rendimiento en la fabricación de semiconductores se ve fuertemente afectado por varios factores, incluidas partículas o contaminantes en la oblea, sustancias en los instrumentos de fabricación, parámetros de procesos de fabricación, actitudes de ingenieros de procesos, y el diseño de semiconductores.


Las compañías de semiconductores pueden lograr un cierto grado de rendimiento aplicando controles de procesos estadísticos y 6-Sigma a un semiconductor. Sin embargo, la mejora del rendimiento que emplea mediciones estadísticas tiene dificultades para prevenir el bajo rendimiento lotes efectivamente de antemano. Esto se debe a que las variables del proceso de fabricación que afectan los cambios en el rendimiento tienen una relación compleja no lineal con el rendimiento. Debido a este efecto interactivo entre varias variables, los fabricantes Encuentra es difícil determinar los problemas en el tiempo, cuando los pequeños cambios en una relación entre los parámetros del proceso pueden causar cambios en el rendimiento.


Por lo tanto, se necesitan otras técnicas inteligentes para detectar las principales variables del proceso que afectan seriamente los cambios en el rendimiento. Este estudio ha desarrollado un sistema de predicción de rendimiento híbrido en la industria de semiconductores, llamado Hypssi, como complemento del enfoque estadístico existente. Este sistema se basa en una aplicación híbrida de técnicas de aprendizaje automático para representar múltiples variables de proceso relacionadas con predecir efectivamente el rendimiento de producción en Fabricación de semiconductores. HyPSSi adopta redes neuronales (NNS) y razonamiento basado en casos (CBR) que pueden aplicarse directamente a fines de predicción. Sin embargo, CBR sufre de ponderación de características; Cuando mide la distancia entre Casos, algunas características deben ponderarse de manera diferente. Se han propuesto muchas variantes ponderadas por características del vecino K-Nearest (K NN) para asignar pesos más altos a características más relevantes para fines de recuperación de casos [2,37]. Aunque Se ha informado que las variantes mejoran su precisión de recuperación con respecto a algunas tareas, pocas se han utilizado junto con las redes neuronales para predecir rendimiento de rendimiento en la fabricación de semiconductores.


Para sopesar las características y guiar CBR, HyPSSi adopta cuatro métodos de peso de características: sensibilidad, actividad, saliente y relevancia. Cada método calcula el grado de importancia de cada característica mediante el uso de los pesos de conexión y Patrones de activación de los nodos en la red neuronal entrenada.


Para validar este enfoque híbrido dentro de la industria de semiconductores, HypSSi se aplicó a la Compañía Internacional de Semiconductores, que ha sido clasificada como uno de los principales fabricantes del mundo. Después de comparar este híbrido Método Con otros métodos que se han utilizado, este documento muestra que el método híbrido proporciona una predicción de rendimiento más precisa.


Este documento está organizado de la siguiente manera: la Sección 2 revisa varios enfoques utilizados para proporcionar una gestión de rendimiento aplicada a la fabricación de semiconductores. Esta sección se centra en aplicaciones híbridas que combinan técnicas de aprendizaje automático.


La Sección 3 describe la metodología del sistema de predicción de rendimiento híbrido en la industria de semiconductores, llamado HYPSSI. Los resultados experimentales se presentan en la Sección 4 para validar el sistema. Finalmente, este documento concluye por Brie Fly resumiendo el estudio y la dirección de la investigación futura.


Revisión de literatura

Métodos de investigación aplicados a la fabricación de semiconductores


En una industria de alta tecnología, como la fabricación de semiconductores, la mejora del rendimiento es cada vez más importante ya que las tecnologías de fabricación avanzada son complicadas y muchos factores interrelacionados afectan el rendimiento de las obleas fabricadas. Unos pocos Los estudios han tenido como objetivo mejorar el rendimiento del rendimiento y reducir el costo operativo y de inversión de capital en la industria de semiconductores. Hay varios enfoques estadísticos aplicados a la fabricación de semiconductores. Wang [36] usó la parte inferior Configuración en un límite y prueba de capacidad para el rendimiento del proceso que puede determinar si los procesos de fabricación cumplen con el requisito de capacidad. Kaempf [18] utilizó la prueba binomial con gráficos de rendimiento gráfico de las obleas de producción reales para Identificar fuentes de defectos en el proceso de fabricación. Cho et al. [9] describió una variante del análisis de componentes principales que se descompone Variabilidad del proceso utilizando estadísticas de las mediciones de la fabricación.


Sobrino y Bravo [32] incorporaron un algoritmo inductivo para aprender las causas tentativas de obleas de baja calidad a partir de datos de fabricación. Last y Kandel [22] presentaron la red de percepciones automatizadas para la planificación precisa del rendimiento a través de Construcción automatizada de modelos a partir de conjuntos de datos ruidosos.


Una técnica se puede combinar con otras técnicas para mejorar la calidad de la investigación, cuando se utiliza en el proceso de predicción de rendimiento. Kang et al. [19] árboles de decisión inductivos integrados y NNS con propagación de retroceso y Algoritmos de SOM para gestionar los rendimientos sobre los principales procesos de fabricación de semiconductores. Shin y Park [31] integraron redes neuronales y razonamiento basado en la memoria para desarrollar un sistema de predicción de rendimiento de la oblea para la fabricación de semiconductores. Yang et al. [40] Búsqueda de tabú mixta y recocido simulado para integrar la configuración de diseño y los sistemas automatizados de manejo de materiales en la fabricación de obleas.


Chien et al. [8] incluyó la agrupación de K-Means y un árbol de decisión para inferir posibles causas de fallas y variaciones del proceso de fabricación de los datos de fabricación de semiconductores. Hsu y Chien [13] estadísticas espaciales integradas y Las redes neuronales de la teoría de resonancia adaptativa para extraer patrones de mapas de contenedor de obleas y asociarse con defectos de fabricación. Li y Huang [23] integraron el mapa de autoorganización (SOM) y la máquina de vectores de soporte (SVM): los clústeres de SOM los mapas de la papelera de la oblea; El SVM clasifica los mapas de la papelera de obleas para identificar los defectos de fabricación. Wang [35] presentó un sistema de diagnóstico de defectos espaciales para la fabricación de semiconductores, que combina la agrupación difusa basada en errores cuadrados y Agrupación espectral basada en el núcleo y un árbol de decisión. Romaniuk y Hall [29] idearon el sistema SC-NET que proporciona capacidad de sistemas expertos con aprendizaje en un enfoque híbrido de conexión/simbólico para detectar semiconductor Falla de la oblea. Chaudhry et al. [6] propuso una metodología de relación de entidad difusa para construir un prototipo de una base de datos relacional difusa para un sistema de control discreto adecuado para un proceso de fabricación de semiconductores.


Otras áreas de investigación que utilizan CBR híbrido

LIAO [25] encuestó la literatura de desarrollo de sistemas expertos de 1995 a 2004. Según sus hallazgos, las principales aplicaciones que implementan CBR híbridas se han desarrollado en las siguientes áreas: diseño de fabricación y diagnóstico de fallas, Modelado y gestión de conocimiento, planificación y aplicación médica, y áreas de pronóstico financiero.


El enfoque CBR híbrido se ha adoptado ampliamente en el diseño de fabricación y el diagnóstico de fallas. Hui y JHA [16] Integrados NN, CBR y razonamiento basado en reglas para apoyar las actividades de servicio al cliente, como el soporte de decisiones y la máquina Diagnóstico de fallas en un entorno de fabricación. Liao [26] integró un método CBR con un perceptrón de múltiples capas para la identificación automática de los mecanismos de falla en todo el proceso de análisis de fallas. Yang et al. [39] CBR integrado con un art-kohonen nn para mejorar el diagnóstico de fallas de motores eléctricos. Tan et al. [34] CBR integrado y el Fuzzy ArtMap nn para apoyar a los gerentes para tomar decisiones de inversión de tecnología de fabricación oportunas y óptimas. Saridakis y Dentsoras [30] introdujo un diseño basado en casos con un sistema de computación suave para evaluar el diseño paramétrico de un transportador de oscilación.


Se han desarrollado los siguientes trabajos de investigación en las áreas de modelado y gestión de conocimiento. Hui et al. [15] combinó el enfoque CBR y NN para extraer el conocimiento de los servicios al cliente anteriores y recordar lo apropiado Servicio. Choy et al. [10] desarrolló un sistema inteligente de gestión de relaciones de proveedores utilizando técnicas Hybrid CBR y NN para seleccionar y comparar a los proveedores potenciales de productos de consumo Honeywell Limited en Hong Kong. Yu y Liu [41] propuso una hibridación de las técnicas de razonamiento simbólico y numérico para lograr una mayor precisión y superar el problema de la escasez de datos en la base de datos del proyecto de construcción. Chen y Hsu [7] resolvieron problemas potenciales de demanda causado por el cambio de pedidos en proyectos de construcción. Utilizaron NNS para predecir la probabilidad de litigios y utilizaron CBR para advertir los rendimientos. IM y Park [17] desarrollaron un sistema de expertos híbridos de CBR y NN para un sistema de asesoramiento personalizado para la industria cosmética. Liu et al. [27] desarrolló una técnica de reducción de casos basada en la asociación para reducir el tamaño de la base de casos para mejorar la eficiencia al tiempo que mejora la precisión del CBR. Sun et al. [33] construyó un Base de casos basada tanto en las relaciones de similitud como en las relaciones de similitud difusa, que se definen en el posible mundo de problemas y soluciones.


Hybrid CBR también se ha utilizado en las áreas de planificación médica y aplicación. Guiu et al. [12] introdujo un sistema de clasificación basado en casos para resolver el diagnóstico automático de imágenes de biopsia mamaria. Hsu y Ho [14] combinaron el CBR, NN, Fuzzy Teoría y teoría de inducción juntos para facilitar el diagnóstico de enfermedad múltiple y el aprendizaje del nuevo conocimiento de adaptación. Wyns et al. [38] aplicó un mapeo de kohonen modificado combinado con un criterio de evaluación CBR para predecir temprano Artritis, incluida la artritis reumatoide y la espondiloartropatía. Ahn y Kim [1] combinaron el CBR con algoritmos genéticos para evaluar las características citológicas derivadas de un escaneo digital de portaobjetos de aspirado de aguja fina (FNA).


Los CBR híbridos también se han utilizado en áreas de pronóstico financiero. Kim y Han [20] presentaron un método de indexación de casos de CBR que utiliza SOM para la predicción de la calificación de bonos corporativos. Li et al. [24] introdujo una función basada en características Medida de similitud para lidiar con la predicción de angustia financiera (por ejemplo, predicción de bancarrota) en China. Chang y Lai [4] integraron el SOM y el CBR para los pronósticos de ventas de libros recientemente lanzados. Chang et al. [5] evolucionó un sistema CBR con Algoritmo genético para el mayorista de pronósticos de libros que regresan. Chun y Park [11] idearon un CBR de regresión para el pronóstico financiero, lo que aplica diferentes pesos a variables independientes antes de encontrar casos similares. Kumar y Ravi [21] Presentó una revisión exhaustiva de los trabajos que utilizan NN y CBR para resolver los problemas de predicción de bancarrota que enfrentan los bancos.


Sistema de predicción de rendimiento híbrido en la industria de semiconductores (HYPSSI)

Para mejorar la capacidad de predecir el rendimiento con precisión, se desarrolló un sistema de predicción de rendimiento híbrido en la industria de semiconductores (HYPSSI). Es el siguiente método híbrido, que combina técnicas de aprendizaje automático, como Red de propiedad posterior (BPN), CBR y K Nn (ver Fig. 1).


HyPSSI consta de cuatro fases: aprender sobre la relación entre las variables de casos y el rendimiento, la ponderación de características, la extracción de k casos similares y el promedio ponderado de los rendimientos extraídos. La primera fase encuentra la importancia relativa de Variables independientes de la relación entre variables independientes (es decir, variables del proceso de fabricación) y una variable dependiente (es decir, rendimiento). Cuando el entrenamiento de una BPN se termina en caso de que la base de casos de rendimiento, el Los pesos de conexión de una red neuronal entrenada revelan la importancia de la relación entre las variables del proceso y el rendimiento.


Para obtener un conjunto de pesos de características de la red entrenada, se utilizan cuatro métodos de peso de características: sensibilidad, actividad, prominencia y relevancia [28,37,42]. Cada uno de estos métodos calcula el grado de cada característica importancia mediante el uso de los pesos de conexión y los patrones de activación de los nodos en la red neuronal entrenada. Los algoritmos de peso de características se describen brevemente de la siguiente manera:


Método de ponderación de "sensibilidad": la sensibilidad de un nodo de entrada (seni) se calcula eliminando el nodo de entrada de la red neuronal entrenada. La sensibilidad de un nodo de entrada es la diferencia de error entre la eliminación del característica y cuando se deja en su lugar. Seni se calcula mediante la siguiente ecuación


donde E (0) indica la cantidad de error después de eliminar un nodo de entrada I y E (WF) significa el valor de error cuando el nodo se deja intacto. El valor de error se basa en la siguiente ecuación

Cuando CB es una base de caso que contiene variables de casos (características) y rendimiento correspondiente e y indica el valor de rendimiento real y OY indica el valor de rendimiento observado por la BPN.


Según la tabla, el BPN + CBR_SEN muestra la tasa de error más baja cuando K se establece en cinco; El BPN + CBR_ACT tiene la tasa de error más baja cuando K se establece en 11; El BPN + CBR_SAL muestra la tasa de error más baja cuando K se establece en cinco; y el BPN + CBR_REL muestra la tasa de error más baja cuando K está configurado en nueve. Más allá de esos puntos de K en cada método de ponderación, las tasas de error aumentaron ligeramente.

Tabla 1 Errores de presentación del razonamiento basado en casos con cuatro esquemas de ponderación.

Reconociendo patrones de rendimiento

Reconociendo patrones de rendimiento

Fig. 2. Precisión de predicción promedio de cada esquema de ponderación.

La figura 2 ilustra la precisión de predicción promedio de todos los métodos de peso de características, según variables k.


Los cuatro métodos de ponderación superaron el método de CBR solo en cada experimento. Además, en la mayoría de los experimentos, el BPN + CBR_ACT mostró la mayor precisión de predicción, seguida de BPN + CBR_SAL, BPN + CBR_REL y BPN + CBR_SEN.


A medida que K aumenta a 11, la diferencia en la precisión de la predicción aumenta entre el CBR solo y los métodos de ponderación BPN + CBR_ACT. Sin embargo, existen pequeñas diferencias en la precisión de la predicción entre los cuatro. métodos.


En general, es difícil decidir qué método de ponderación es el mejor. Los autores sugieren que uno debe probar los cuatro métodos en la fase de desarrollo inicial y luego implementar uno con el error de predicción más bajo en el fase de producción. En este caso, la adopción del método de ponderación BPN + CBR_ACT es una solución aceptable para predecir la tasa de rendimiento en la fabricación de semi conductores.


Conclusión

La gestión del rendimiento en la industria de semiconductores es una práctica de gestión muy importante que debe ser monitoreada y completamente controlada. Porque las variables del proceso de fabricación tienen una relación compleja no lineal con el rendimiento, Los fabricantes necesitan un enfoque inteligente para identificar la relación entre los parámetros del proceso en el tiempo.


En este artículo, los autores idearon y aplicaron HyPSI, un método híbrido que combina BPN y CBR, para predecir el rendimiento de la empresa de fabricación de semiconductores objetivo. En el hipssi, el BPN se usó para asignar pesos relativos a Características del proceso de fabricación de cada caso en la base de la caja de rendimiento.


Como reveló la revisión de la literatura en la Sección 2, no hubo una investigación similar previa para predecir la tasa de rendimiento de la compañía de semiconductores utilizando el CBR de peso neuronal. El hipssi demostró que el CBR con el El método de ponderación de "actividad" tenía una mejor tasa de predicción, superando el CBR solo y todos los demás métodos de ponderación. El CBR híbrido también mostró un mejor rendimiento que el enfoque estadístico existente (llegada de precisión de predicción de un análisis de regresión múltiple alcanzó alrededor del 80%).


Sin embargo, para lograr una tasa de predicción más precisa, HYPSSI necesita más variables de proceso y datos de la compañía objetivo. Aunque las 16 variables existentes utilizadas en este documento fueron determinadas por los ingenieros de fabricación, Es difícil lograr una tasa de predicción más precisa al usar estas variables y datos. Esta será la próxima área en la que se debe realizar la investigación.

Get A Quote

Casa

Derechos de autor2023 Nanjing Harsle Machine Tool Co. Ltd. Todos los derechos reservados.