+ 86-18052080815 | info@harsle.com
Usted está aquí: Casa » Noticias » Blog » Reconociendo patrones de rendimiento a través de aplicaciones híbridas de técnicas de aprendizaje automático.

Reconociendo patrones de rendimiento a través de aplicaciones híbridas de técnicas de aprendizaje automático.

Número Navegar:20     Autor:Editor del Sitio     publicar Tiempo: 2018-10-23      Origen:motorizado Su mensaje

  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 de manera compleja yconviértase en infinitesimal cuando use tecnología de escala nanométrica.

  Para aquellos fabricantes o ingenieros, el rendimiento se considera un factor muy importante que se debe monitorear y controlar. El rendimiento se define como la relación de productos normales a 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 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, incluyendo partículas o contaminantes en la oblea, sustancias en los instrumentos de fabricación, parámetros del proceso de fabricación, actitudes de los ingenieros de procesos,y el diseño de semiconductores.

  Las compañías de semiconductores pueden lograr un cierto grado de rendimiento al aplicar controles de procesos estadísticos y 6-sigma a un semiconductor. Sin embargo, la mejora del rendimiento empleando medidas estadísticas tiene dificultades para prevenir el bajo rendimiento.Mucho efectivamente por adelantado. 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 fabricantesEs difícil determinar los problemas en el tiempo, cuando 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, llamadoHYPSSI, como complemento al enfoque estadístico existente. Este sistema se basa en una aplicación híbrida de técnicas de aprendizaje automático para representar múltiples variables de proceso relacionadas con la predicción efectiva del rendimiento de producción enFabricación de semiconductores. HYPSSI adopta las redes neuronales (NN) y el razonamiento basado en casos (CBR) que pueden aplicarse directamente a los propósitos de predicción. Sin embargo, CBR sufre de ponderación de características; cuando mide la distancia entreEn algunos casos, algunas características deben ser ponderadas de manera diferente. Se han propuesto muchas variantes ponderadas de características del k-Nearest Neighbor (k NN) para asignar mayores ponderaciones a características más relevantes para fines de recuperación de casos [2,37]. Aunque esosse ha informado que las variantes mejoran su precisión de recuperación con respecto a algunas tareas, pocas se han usado en conjunto con redes neuronales para predecirRendimiento de rendimiento en la fabricación de semiconductores.

  Para sopesar las características y guiar la CBR, HYPSSI adopta cuatro métodos de ponderación de características: sensibilidad, actividad, prominencia y relevancia. Cada método calcula el grado de importancia de cada característica utilizando los pesos de conexión yPatrones 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 International Semiconductor Company, que ha sido clasificada como uno de los principales fabricantes del mundo. Después de comparar este híbridométodo 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 del 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 los semiconductores, llamado HYPSSI. Los resultados experimentales se presentan en la Sección 4 para validar el sistema. Finalmente, este trabajo concluye brevemente.Resumiendo el estudio y la dirección de futuras investigaciones.

  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 avanzadas son complicadas y muchos factores interrelacionados afectan el rendimiento de las obleas fabricadas. Unos pocoslos estudios han tenido como objetivo mejorar el rendimiento y reducir los costos de inversión de capital y operativos en la industria de los semiconductores. Hay varios enfoques estadísticos aplicados a la fabricación de semiconductores. Wang [36] usó el inferiorlímite de confianza y pruebas de capacidad para el rendimiento del proceso que pueden determinar si los procesos de fabricación cumplen con el requisito de capacidad. Kaempf [18] utilizó la prueba binomial con gráficos de rendimiento gráfico de obleas de producción real paraIdentificar las fuentes de defectos en el proceso de fabricación. Cho et al. [9] describió una variante del análisis de componentes principales que se descomponeVariabilidad del proceso utilizando estadísticas de las mediciones de fabricación.

  Sobrino y Bravo [32] incorporaron un algoritmo inductivo para aprender las causas tentativas de las obleas de baja calidad de los datos de fabricación. Last y Kandel [22] presentaron la Red de Percepciones Automatizadas para una planificación precisa del rendimiento hastaConstrucción automatizada de modelos a partir de conjuntos de datos ruidosos.

  Una técnica puede combinarse 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 NN con propagación hacia atrás yAlgoritmos SOM para gestionar los rendimientos en los principales procesos de fabricación de semiconductores. Shin y Park [31] integraron redes neuronales y un razonamiento basado en memoria para desarrollar un sistema de predicción de rendimiento de obleas para la fabricación de semiconductores. Yanget al. [40] búsqueda tabú mixta y recocido simulado para integrar la configuración del diseño y los sistemas automatizados de manejo de materiales en la fabricación de obleas.

  Chien et al. [8] incluyó la agrupación k-means y un árbol de decisión para inferir las posibles causas de fallas y las variaciones del proceso de fabricación a partir de los datos de fabricación de semiconductores. Hsu y Chien [13] estadísticas espaciales integradas yredes neuronales de la teoría de resonancia adaptativa para extraer patrones de los mapas de bandejas 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 grupos de SOMlos mapas de la bandeja de obleas; la SVM clasifica los mapas de la bandeja 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 el agrupamiento difuso basado en error cuadrado yagrupamiento espectral basado 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 conexionista / simbólico para detectar semiconductoresfalla 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] examinó la literatura de desarrollo de sistemas expertos desde 1995 hasta 2004. En base a sus hallazgos, las principales aplicaciones que implementan CBR híbrido se han desarrollado en las siguientes áreas: diseño de fabricación y diagnóstico de fallas,Modelización y gestión del conocimiento, planificación y aplicación médica y áreas de previsión financiera.

  El enfoque híbrido CBR ha sido ampliamente adoptado en el diseño de fabricación y el diagnóstico de fallas. Hui y Jha [16] integraron NN, CBR y el razonamiento basado en reglas para respaldar las actividades de servicio al cliente, como el soporte de decisiones y la máquina.Diagnóstico de fallos en un entorno de fabricación. Liao [26] integró un método CBR con un perceptrón multicapa para la identificación automática de mecanismos de falla en todo el proceso de análisis de fallas. Yang et al. [39] CBR integradocon un ART-Kohonen NN para mejorar el diagnóstico de fallas de motores eléctricos. Tan et al. [34] CBR integrado y el difuso ARTMAP NN para ayudar a los gerentes a tomar decisiones de inversión en tecnología de fabricación de manera oportuna y óptima. Saridakis yDentsoras [30] introdujo un diseño basado en estuches con un sistema de computación flexible para evaluar el diseño paramétrico de un transportador oscilante.

  Se han desarrollado los siguientes trabajos de investigación en las áreas de modelación y gestión del conocimiento. Hui et al. [15] combinaron el enfoque CBR y NN para extraer el conocimiento de los servicios al cliente anteriores y recordar el apropiadoServicio. Choy et al. [10] desarrolló un sistema inteligente de gestión de relaciones con proveedores utilizando técnicas híbridas CBR y NN para seleccionar y comparar proveedores potenciales de Honeywell Consumer Products 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 posibles problemas de demandascausado por el cambio de órdenes en proyectos de construcción. Utilizaron NN para predecir la probabilidad de litigio y utilizaron CBR para advertir los rendimientos. Im and Park [17] desarrolló un sistema híbrido experto de CBR y NN para un sistema de asesoramiento personalizadoPara la industria cosmética. Liu et al. [27] desarrolló una técnica de reducción de casos basada en asociación para reducir el tamaño de la base de casos con el fin de mejorar la eficiencia y al mismo tiempo mejorar la precisión de la CBR. Sun et al. [33] construyó unbase de casos basada tanto en relaciones de similitud como en relaciones de similitud difusa, ambas definidas en el mundo posible de problemas y soluciones.

La CBR híbrida también se ha utilizado en las áreas de planificación y aplicación médica. Guiu et al. [12] introdujo un sistema de clasi fi cador basado en casos para resolver el diagnóstico automático de Imágenes de biopsia mamaria. Hsu y Ho [14] combinaron el CBR, NN, difusoTeoría y teoría de la inducción juntas para facilitar el diagnóstico de enfermedades múltiples y el aprendizaje de nuevos conocimientos de adaptación. Wyns et al. [38] aplicó un mapeo de Kohonen modificado combinado con un criterio de evaluación CBR para predecir tempranoartritis, 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 diapositivas de aspirado con aguja fi na de mama (FNA).

  Los CBR híbridos también se han utilizado en áreas de previsión financiera. 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 característica basada enmedida de similitud para lidiar con la predicción de dificultades financieras (por ejemplo, predicción de quiebra) en China. Chang y Lai [4] integraron el SOM y CBR para las previsiones de ventas de los libros recientemente publicados. Chang et al. [5] evolucionó un sistema CBR conAlgoritmo genético para mayorista que devuelve la previsión de libros. Chun y Park [11] idearon una regresión CBR para el pronóstico financiero, que aplica diferentes ponderaciones a las 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, tales comored de propagación posterior (BPN), CBR yk NN (ver Fig. 1).

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

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

  Método de ponderación "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 de laCaracterística 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 sin tocar. El valor de error se basa en la siguiente ecuación

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

Reconociendo patrones de rendimiento (1)

  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 de manera compleja yconviértase en infinitesimal cuando use tecnología de escala nanométrica.

  Para aquellos fabricantes o ingenieros, el rendimiento se considera un factor muy importante que se debe monitorear y controlar. El rendimiento se define como la relación de productos normales a 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 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, incluyendo partículas o contaminantes en la oblea, sustancias en los instrumentos de fabricación, parámetros del proceso de fabricación, actitudes de los ingenieros de procesos,y el diseño de semiconductores.

  Las compañías de semiconductores pueden lograr un cierto grado de rendimiento al aplicar controles de procesos estadísticos y 6-sigma a un semiconductor. Sin embargo, la mejora del rendimiento empleando medidas estadísticas tiene dificultades para prevenir el bajo rendimiento.Mucho efectivamente por adelantado. 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 fabricantesEs difícil determinar los problemas en el tiempo, cuando 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, llamadoHYPSSI, como complemento al enfoque estadístico existente. Este sistema se basa en una aplicación híbrida de técnicas de aprendizaje automático para representar múltiples variables de proceso relacionadas con la predicción efectiva del rendimiento de producción enFabricación de semiconductores. HYPSSI adopta las redes neuronales (NN) y el razonamiento basado en casos (CBR) que pueden aplicarse directamente a los propósitos de predicción. Sin embargo, CBR sufre de ponderación de características; cuando mide la distancia entreEn algunos casos, algunas características deben ser ponderadas de manera diferente. Se han propuesto muchas variantes ponderadas de características del k-Nearest Neighbor (k NN) para asignar mayores ponderaciones a características más relevantes para fines de recuperación de casos [2,37]. Aunque esosse ha informado que las variantes mejoran su precisión de recuperación con respecto a algunas tareas, pocas se han usado en conjunto con redes neuronales para predecirRendimiento de rendimiento en la fabricación de semiconductores.

Para sopesar las características y guiar la CBR, HYPSSI adopta cuatro métodos de ponderación de características: sensibilidad, actividad, prominencia y relevancia. Cada método calcula el grado de importancia de cada característica utilizando los pesos de conexión yPatrones 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 International Semiconductor Company, que ha sido clasificada como uno de los principales fabricantes del mundo. Después de comparar este híbridométodo 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 del 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 los semiconductores, llamado HYPSSI. Los resultados experimentales se presentan en la Sección 4 para validar el sistema. Finalmente, este trabajo concluye brevemente.Resumiendo el estudio y la dirección de futuras investigaciones.

  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 avanzadas son complicadas y muchos factores interrelacionados afectan el rendimiento de las obleas fabricadas. Unos pocoslos estudios han tenido como objetivo mejorar el rendimiento y reducir los costos de inversión de capital y operativos en la industria de los semiconductores. Hay varios enfoques estadísticos aplicados a la fabricación de semiconductores. Wang [36] usó el inferiorlímite de confianza y pruebas de capacidad para el rendimiento del proceso que pueden determinar si los procesos de fabricación cumplen con el requisito de capacidad. Kaempf [18] utilizó la prueba binomial con gráficos de rendimiento gráfico de obleas de producción real paraIdentificar las fuentes de defectos en el proceso de fabricación. Cho et al. [9] describió una variante del análisis de componentes principales que se descomponeVariabilidad del proceso utilizando estadísticas de las mediciones de fabricación.

  Sobrino y Bravo [32] incorporaron un algoritmo inductivo para aprender las causas tentativas de las obleas de baja calidad de los datos de fabricación. Last y Kandel [22] presentaron la Red de Percepciones Automatizadas para una planificación precisa del rendimiento hastaConstrucción automatizada de modelos a partir de conjuntos de datos ruidosos.

  Una técnica puede combinarse 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 NN con propagación hacia atrás yAlgoritmos SOM para gestionar los rendimientos en los principales procesos de fabricación de semiconductores. Shin y Park [31] integraron redes neuronales y un razonamiento basado en memoria para desarrollar un sistema de predicción de rendimiento de obleas para la fabricación de semiconductores. Yanget al. [40] búsqueda tabú mixta y recocido simulado para integrar la configuración del diseño y los sistemas automatizados de manejo de materiales en la fabricación de obleas.

  Chien et al. [8] incluyó la agrupación k-means y un árbol de decisión para inferir las posibles causas de fallas y las variaciones del proceso de fabricación a partir de los datos de fabricación de semiconductores. Hsu y Chien [13] estadísticas espaciales integradas yredes neuronales de la teoría de resonancia adaptativa para extraer patrones de los mapas de bandejas 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 grupos de SOMlos mapas de la bandeja de obleas; la SVM clasifica los mapas de la bandeja 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 el agrupamiento difuso basado en error cuadrado yagrupamiento espectral basado 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 conexionista / simbólico para detectar semiconductoresfalla 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] examinó la literatura de desarrollo de sistemas expertos desde 1995 hasta 2004. En base a sus hallazgos, las principales aplicaciones que implementan CBR híbrido se han desarrollado en las siguientes áreas: diseño de fabricación y diagnóstico de fallas,Modelización y gestión del conocimiento, planificación y aplicación médica y áreas de previsión financiera.

  El enfoque híbrido CBR ha sido ampliamente adoptado en el diseño de fabricación y el diagnóstico de fallas. Hui y Jha [16] integraron NN, CBR y el razonamiento basado en reglas para respaldar las actividades de servicio al cliente, como el soporte de decisiones y la máquina.Diagnóstico de fallos en un entorno de fabricación. Liao [26] integró un método CBR con un perceptrón multicapa para la identificación automática de mecanismos de falla en todo el proceso de análisis de fallas. Yang et al. [39] CBR integradocon un ART-Kohonen NN para mejorar el diagnóstico de fallas de motores eléctricos. Tan et al. [34] CBR integrado y el difuso ARTMAP NN para ayudar a los gerentes a tomar decisiones de inversión en tecnología de fabricación de manera oportuna y óptima. Saridakis yDentsoras [30] introdujo un diseño basado en estuches con un sistema de computación flexible para evaluar el diseño paramétrico de un transportador oscilante.

  Se han desarrollado los siguientes trabajos de investigación en las áreas de modelación y gestión del conocimiento. Hui et al. [15] combinaron el enfoque CBR y NN para extraer el conocimiento de los servicios al cliente anteriores y recordar el apropiadoServicio. Choy et al. [10] desarrolló un sistema inteligente de gestión de relaciones con proveedores utilizando técnicas híbridas CBR y NN para seleccionar y comparar proveedores potenciales de Honeywell Consumer Products 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 posibles problemas de demandascausado por el cambio de órdenes en proyectos de construcción. Utilizaron NN para predecir la probabilidad de litigio y utilizaron CBR para advertir los rendimientos. Im and Park [17] desarrolló un sistema híbrido experto de CBR y NN para un sistema de asesoramiento personalizadoPara la industria cosmética. Liu et al. [27] desarrolló una técnica de reducción de casos basada en asociación para reducir el tamaño de la base de casos con el fin de mejorar la eficiencia y al mismo tiempo mejorar la precisión de la CBR. Sun et al. [33] construyó unbase de casos basada tanto en relaciones de similitud como en relaciones de similitud difusa, ambas definidas en el mundo posible de problemas y soluciones.

  La CBR híbrida también se ha utilizado en las áreas de planificación y aplicación médica. Guiu et al. [12] introdujo un sistema de clasi fi cador basado en casos para resolver el diagnóstico automático de Imágenes de biopsia mamaria. Hsu y Ho [14] combinaron el CBR, NN, difusoTeoría y teoría de la inducción juntas para facilitar el diagnóstico de enfermedades múltiples y el aprendizaje de nuevos conocimientos de adaptación. Wyns et al. [38] aplicó un mapeo de Kohonen modificado combinado con un criterio de evaluación CBR para predecir tempranoartritis, 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 diapositivas de aspirado con aguja fi na de mama (FNA).

  Los CBR híbridos también se han utilizado en áreas de previsión financiera. 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 característica basada enmedida de similitud para lidiar con la predicción de dificultades financieras (por ejemplo, predicción de quiebra) en China. Chang y Lai [4] integraron el SOM y CBR para las previsiones de ventas de los libros recientemente publicados. Chang et al. [5] evolucionó un sistema CBR conAlgoritmo genético para mayorista que devuelve la previsión de libros. Chun y Park [11] idearon una regresión CBR para el pronóstico financiero, que aplica diferentes ponderaciones a las 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, tales comored de propagación posterior (BPN), CBR yk NN (ver Fig. 1).

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

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

  Método de ponderación "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 de laCaracterística 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 sin tocar. El valor de error se basa en la siguiente ecuación

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

  De acuerdo con la tabla, el BPN + CBR_Sen muestra la tasa de error más baja cuando k se configura en cinco; BPN + CBR_Act tiene la tasa de error más baja cuando k se establece en 11; BPN + CBR_Sal muestra la tasa de error más baja cuando k se configura en cinco; y el BPN+ CBR_Rel muestra la tasa de error más baja cuando k se establece en nueve. Más allá de los puntos de k en cada método de ponderación, las tasas de error aumentaron ligeramente.

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

Reconociendo patrones de rendimiento (2)

Reconociendo patrones de rendimiento (3)

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

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

  Todos los cuatro métodos de ponderación superaron al método CBR solo en cada experimento. Además, en la mayoría de los experimentos, BPN + CBR_Act mostró la mayor precisión de predicción, seguido 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 los métodos de ponderación CBR solo y BPN + CBR_Act. Sin embargo, existen pequeñas diferencias en la precisión de la predicción entre las cuatro características de ponderaciónmetodos

  En general, es difícil decidir qué método de ponderación es el mejor. Los autores sugieren que uno debería probar los cuatro métodos en la fase de desarrollo inicial y luego implementar el que tenga el error de predicción más bajo en la fase inicial de desarrollo.fase de producción. En este caso, adoptar el método de ponderación BPN + CBR_Act es una solución aceptable para predecir la tasa de rendimiento en la fabricación de semiconductores.

Conclusión

  La gestión del rendimiento en la industria de los semiconductores es una práctica de gestión muy importante que debe controlarse y controlarse por completo. Debido a que 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 HYPSSI, un método híbrido que combina BPN y CBR, para predecir el rendimiento de la compañía de fabricación de semiconductores objetivo. En el HYPSSI, el BPN se usó para asignar pesos relativos aCaracterísticas del proceso de fabricación de cada caso en la base de casos de rendimiento.

  Como lo 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 que utiliza el CBR de ponderación de características neuronales. El HYPSSI demostró que el CBR con elEl método de ponderación de "Actividad" tuvo una mejor tasa de predicción, superando el CBR solo y todos los demás métodos de ponderación. El CBR híbrido también mostró un mejor desempeño que el enfoque estadístico existente (la precisión de la predicción vienede un análisis de regresión múltiple alcanzado 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. A pesar de que las 16 variables existentes utilizadas en este documento fueron determinadas por los ingenieros de fabricación,es difícil lograr una tasa de predicción más precisa utilizando solo estas variables y datos. Esta será la próxima área en la que se debe realizar la investigación.

Comentarios

Get A Quote

Casa

Derechos de autor2020 Nanjing Harsle Machine Tool Co. Ltd. Todos los derechos reservados.