Zobrazení:21 Autor:Editor webu Čas publikování: 2018-10-23 Původ:Stránky
Při výrobě polovodičů jsou konečné výrobky vyrobeny pomocí několika stovek procesů, které jsou vysoce automatizované a dramaticky vzájemně závislé. Většina výrobních procesů, které se dnes používají, je komplexně propojena a při používání technologie nanometru se stanou finitesimálním.
Pro tyto výrobce nebo inženýry je výnos považován za velmi důležitý faktor, který musí být monitorován a kontrolován. Výtěžek je definován jako poměr normálních produktů k dokončeným produktům. Řízení výnosu v polovodiči Průmysl je chápán jako komplexní analytický systém, který má vlastnosti komplexního systému. Složitý systém má mnoho nezávislých proměnných komponent, které spolu navzájem interagují mnoha komplikovanými způsoby. Proto, Je považováno za obtížné předvídat a kontrolovat.
Výtěžek ve výrobě polovodičů je silně ovlivněn několika faktory, včetně částic nebo kontaminantů na oplatce, látek ve výrobních nástrojích, parametry výrobního procesu, postoje procesů, procesních inženýrů,, postoje procesních inženýrů, a design polovodičů.
Polovodičové společnosti mohou dosáhnout určitého stupně výnosu použitím statistických kontrol procesů a 6-sigma na polovodič. Zvýšení výnosu využívající statistická měření však má obtížnou při prevenci nízkého výnosu Hodně efektivně předem. Je to proto, že proměnné výrobního procesu, které ovlivňují změny ve výnosu, mají nelineární komplexní vztah s výnosem. Díky tomuto interaktivnímu účinku mezi několika proměnnými výrobci Nalezení je obtížné určit problémy v čase, kdy malé změny ve vztahu mezi parametry procesu mohou způsobit změny ve výnosu.
K detekci hlavních procesních proměnných, které vážně ovlivňují změny ve výnosu, jsou tedy zapotřebí další inteligentní techniky. Tato studie vyvinula hybridní systém predikce výnosu v polovodičovém průmyslu, který byl nazýván Hypssi, jako doplněk k existujícímu statistickému přístupu. Tento systém je založen na hybridní aplikaci technik strojového učení k zobrazení více procesních proměnných zabývajících se účinným předpovídáním produkčního výnosu v Výroba polovodiče. Hypssi přijímá neuronové sítě (NNS) a uvažování založené na případech (CBR), které lze přímo použít pro účely predikce. CBR však trpí vážením prvků; Když měří vzdálenost mezi Případy, některé funkce by měly být váženy odlišně. Bylo navrženo, že bylo navrženo mnoho funkcí vážených variant K-Nejbližšího souseda (K NN), aby přiřadily vyšší hmotnosti relevantnějším vlastnostem pro účely vyhledávání případů [2,37]. I když ty Varianty byly hlášeny jako zlepšení jejich přesnosti vyhledávání týkající se některých úkolů, jen málo z nich bylo použito ve spojení s neuronovými sítěmi k predikciVýnos výnosu ve výrobě polovodičů.
Za účelem zvážení vlastností a vedení CBR přijímá HypSSI čtyři metody vážení celovečerních celovečerních cest: citlivost, aktivita, význačná a relevance. Každá metoda počítá stupeň důležitosti každé funkce pomocí hmotností připojení a aktivační vzorce uzlů ve vyškolené neuronové síti.
Za účelem ověření tohoto hybridního přístupu v polovodičovém průmyslu byl HYPSSI aplikován na mezinárodní polovodičovou společnost, která byla zařazena do jednoho z nejlepších výrobců na světě. Po porovnání tohoto hybridu Metoda s jinými použitými metodami, tento článek ukazuje, že hybridní metoda poskytuje přesnější predikci výnosu.
Tento článek je organizován takto: Oddíl 2 recenzuje různé přístupy používané při poskytování správy výnosů aplikované na výrobu polovodičů. Tato část se zaměřuje na hybridní aplikace kombinující techniky strojového učení.
Oddíl 3 popisuje metodiku hybridního systému predikce výnosu v polovodičovém průmyslu, nazývaném Hypssi. Experimentální výsledky jsou uvedeny v části 4 pro ověření systému. Nakonec tento článek uzavírá brie fl y shrnutí studie a směru budoucího výzkumu.
Výzkumné metody aplikované na výrobu polovodičů
V high-tech průmyslu, jako je polovodičová výroba, je zlepšení výnosu stále důležitější, protože pokročilé výrobní technologie jsou komplikované a mnoho vzájemně propojených faktorů ovlivňuje výnos vyrobených oplatků. Trochu Cílem studií bylo zlepšit výkon výnosů a snížit náklady na provozní a kapitálové investice v polovodičovém průmyslu. Na výrobu polovodičů se vztahuje několik statistických přístupů. Wang [36] použil nižší Konferenční a testování schopností pro výnos procesu, které mohou určit, zda výrobní procesy splňují požadavek na schopnost. KAEMPF [18] použil binomický test s grafickými výnosovými grafy skutečných výrobních destiček Identifikujte zdroje vad ve výrobním procesu. Cho et al. [9] popsali variantu analýzy hlavních složek, která se rozkládá Variabilita procesu pomocí statistik měření z výroby.
Sobrino a Bravo [32] ztělesnili indukční algoritmus, aby se naučili předběžné příčiny nízko kvalitních oplatků z údajů o manipulaci. Last a Kandel [22] představil síť automatizovaného vnímání pro přesné plánování výnosu prostřednictvím Automatizovaná konstrukce modelů z hlučných dat.
Jedna technika může být kombinována s jinými technikami, aby se zlepšila kvalita výzkumu, když byla použita v procesu predikce výnosu. Kang a kol. [19] Integrované indukční rozhodovací stromy a NNS se zpětným propagací a Algoritmy SOM pro správu výnosů při hlavních výrobních procesech polovodičů. Shin and Park [31] integrované neuronové sítě a uvažování založené na paměti pro vyvinutí systému predikce výnosů oplatky pro výrobu polovodičů. Yang et al. [40] Smíšené vyhledávání Tabu a simulované žíhání pro integraci konfigurace rozvržení a automatizované systémy manipulace s materiálem při výrobě oplatky.
Chien et al. [8] zahrnoval shlukování K-Means a strom rozhodování odvodit možné příčiny poruch a variací výrobních procesů z údajů o výrobě polovodičů. HSU a Chien [13] integrované prostorové statistiky a Adaptivní rezonance teorie Neuronové sítě pro extrakci vzorů z map destiček a spojování s výrobními vadami. Li a Huang [23] integrovali samoorganizující mapu (SOM) a podpůrný vektorový stroj (SVM): SOM Clusters mapy košů oplatky; SVM klasifikuje mapy košů oplatky k identifikaci výrobních vad. Wang [35] představil systém diagnostiky prostorových defektů pro výrobu polovodičů, který kombinuje chmurné shlukování založené na čtvercovém omylu a Spektrální shlukování založené na jádru a strom rozhodování. Romaniuk a Hall [29] vymysleli systém SC-Net, který poskytuje schopnost expertního systémů s učením v hybridním konektionistickém/symbolickém přístupu, aby detekoval polovodič chyba oplatky. Chaudhry et al. [6] navrhl metodiku fuzzy entity-relationship k vytvoření prototypu fuzzy relační databáze pro diskrétní kontrolní systém vhodný pro výrobní proces polovodiče.
Liao [25] zkoumala literatura pro rozvoj expertních systémů v letech 1995 až 2004. Na základě jeho zjištění byly hlavní aplikace provádějící hybridní CBR vyvinuty v následujících oblastech: Výroba a diagnostika poruch, diagnostika poruch, Modelování a řízení znalostí, lékařské plánování a aplikace a oblasti finančního předpovědi.
Hybridní přístup CBR byl rozsáhle přijat při výrobním designu a diagnostice poruch. Hui a JHA [16] integrované NN, CBR a založené na pravidlech na podporu činností zákaznických služeb, jako je podpora rozhodování a stroj Diagnóza poruch ve výrobním prostředí. Liao [26] integroval metodu CBR s vícevrstvým perceptronem pro automatické identifikaci mechanismů selhání v celém procesu analýzy selhání. Yang et al. [39] Integrovaný CBR s art-kohonen nn pro zvýšení diagnostiky poruch elektrických motorů. Tan et al. [34] Integrované CBR a Fuzzy ArtMap NN na podporu manažerů při včasných a optimálních investičních rozhodnutích pro výrobu technologií. Saridakis a DentsORAS [30] zavedl design založený na případu s měkkým výpočetním systémem pro vyhodnocení parametrického návrhu oscilačního dopravníku.
Byly vyvinuty následující výzkum v oblastech modelování znalostí a řízení. Hui et al. [15] Kombinovali přístup CBR a NN a extrahovat znalosti z předchozích zákaznických služeb a připomenout vhodné servis. Choy et al. [10] vyvinuli inteligentní systém řízení vztahů s dodavateli využívajícím hybridní CBR a NN techniky k výběru a srovnávání potenciálních dodavatelů společnosti Honeywell Consumer Products Limited v Hongkongu. Yu a Liu [41] navrhli hybridizaci symbolických i číselných technik uvažování k dosažení vyšší přesnosti a překonání problému nedostatku dat v databázi konstrukčního projektu. Chen a HSU [7] vyřešily potenciální problémy s žalobou způsobené změnou objednávek ve stavebních projektech. Využili NN k predikci pravděpodobnosti soudního sporu a využili CBR k varování výnosů. IM a Park [17] vyvinuli hybridní expertní systém CBR a NN pro personalizovaný poradenský systém pro kosmetický průmysl. Liu et al. [27] vyvinuli techniku redukce případů založenou na asociaci, aby se zmenšila velikost případové základny, aby se zvýšila účinnost a zároveň zlepšila přesnost CBR. Sun et al. [33] postavil a Případová základna založená na vztazích podobnosti a fuzzy podobnosti, které jsou definovány v možném světě problémů a řešení.
Hybridní CBR byla také používána v oblastech lékařského plánování a aplikace. Guiu et al. [12] zavedl klasifikační systém založený na případu k vyřešení automatické diagnózy obrazů biopsie mléčné žlázy. Hsu a Ho [14] kombinovaly CBR, NN, Fuzzy Teorie a teorie indukce společně, aby se usnadnila diagnózu s více odolností a učení nových znalostí adaptace. Wyns et al. [38] použili modifikovaný mapování Kohonen v kombinaci s kritériem hodnocení CBR k předpovědi včasného předpovědi Artritida, včetně revmatoidní artritidy a spondyloartropatie. AHN a Kim [1] kombinovali CBR s genetickými algoritmy pro vyhodnocení cytologických rysů odvozených z digitálního skenování prsních aspirátu (FNA).
Hybridní CBR byly také použity v oblasti finančních předpovědí. Kim a Han [20] představili metodu indexování crs, která využívá SOM pro predikci hodnocení podnikových dluhopisů. Li et al. [24] představil funkci založenou Měření podobnosti se zabývá predikcí finanční tísně (např. Predikce bankrotu) v Číně. Chang a Lai [4] integrovali SOM a CBR pro předpovědi prodeje nově vydaných knih. Chang et al. [5] vyvinul systém CBR s Genetický algoritmus pro prognózu knihy pro velkoobchodník. Chun a Park [11] vymysleli regresní CBR pro finanční prognózu, která před nalezením podobných případů aplikuje různé váhy na nezávislé proměnné. Kumar a Ravi [21] předložil komplexní přezkum prací využívajících NN a CBR k vyřešení problémů s předpovědí bankrotu, kterým čelí banky.
Aby se zlepšila schopnost přesně předpovídat výnos, byl v polovodičovém průmyslu (HypSSI) vyvinut hybridní systém predikce výnosu. Je to následující hybridní metoda, kombinující techniky strojového učení, například Síť zpětného přípravy (BPN), CBR a K NN (viz obr. 1).
Hypssi se skládá ze čtyř fází: učení o vztahu mezi proměnnými případu a výtěžkem, vážení rysů, extrahování k podobných případů a váženého průměrování extrahovaných výnosů. První fáze zjistí relativní význam Nezávislé proměnné ze vztahu mezi nezávislými proměnnými (tj. Proměnné výrobního procesu) a závislou proměnnou (tj. Výnos). Když je výcvik BPN dokončen v případě základny výnosu, Hmotnosti připojení trénované neuronové sítě odhalují důležitost vztahu mezi procesními proměnnými a výnosem.
Pro získání sady hmotností z vyškolené sítě se využívají čtyři metody vážení celovečerních center: citlivost, aktivita, význačná a relevance [28,37,42]. Každá z těchto metod počítá stupeň každého funkce Důležitost pomocí hmotností připojení a aktivačních vzorců uzlů ve vyškolené neuronové síti. Algoritmy vážící se funkce jsou Brie fl y popsané takto:
Metoda vážení „citlivosti“: Citlivost vstupního uzlu (SENI) se vypočítá odstraněním vstupního uzlu z vyškolené neuronové sítě. Citlivost vstupního uzlu je rozdíl v omylu mezi odstraněním funkce a když je ponechána na místě. Seni se počítá podle následující rovnice
kde E (0) označuje množství chyby po odstranění vstupního uzlu I a E (WF) znamená chybovou hodnotu, když je uzel ponechán nedotčen. Hodnota chyby je založena na následující rovnici
kde CB je základna případu, která obsahuje proměnné (funkce) a odpovídající výnos a y označuje skutečnou hodnotu výnosu a OY označuje hodnotu výnosu pozorovanou BPN.
Při výrobě polovodičů jsou konečné výrobky vyrobeny pomocí několika stovek procesů, které jsou vysoce automatizované a dramaticky vzájemně závislé. Většina výrobních procesů, které se dnes používají, je komplexně propojena a při používání technologie nanometru se stanou finitesimálním.
Pro tyto výrobce nebo inženýry je výnos považován za velmi důležitý faktor, který musí být monitorován a kontrolován. Výtěžek je definován jako poměr normálních produktů k dokončeným produktům. Řízení výnosu v polovodiči Průmysl je chápán jako komplexní analytický systém, který má vlastnosti komplexního systému. Složitý systém má mnoho nezávislých proměnných komponent, které spolu navzájem interagují mnoha komplikovanými způsoby. Proto, Je považováno za obtížné předvídat a kontrolovat.
Výtěžek ve výrobě polovodičů je silně ovlivněn několika faktory, včetně částic nebo kontaminantů na oplatce, látek ve výrobních nástrojích, parametry výrobního procesu, postoje procesů, procesních inženýrů,, postoje procesních inženýrů, a design polovodičů.
Polovodičové společnosti mohou dosáhnout určitého stupně výnosu použitím statistických kontrol procesů a 6-sigma na polovodič. Zvýšení výnosu využívající statistická měření však má obtížnou při prevenci nízkého výnosu Hodně efektivně předem. Je to proto, že proměnné výrobního procesu, které ovlivňují změny ve výnosu, mají nelineární komplexní vztah s výnosem. Díky tomuto interaktivnímu účinku mezi několika proměnnými výrobci Nalezení je obtížné určit problémy v čase, kdy malé změny ve vztahu mezi parametry procesu mohou způsobit změny ve výnosu.
K detekci hlavních procesních proměnných, které vážně ovlivňují změny ve výnosu, jsou tedy zapotřebí další inteligentní techniky. Tato studie vyvinula hybridní systém predikce výnosu v polovodičovém průmyslu, který byl nazýván Hypssi, jako doplněk k existujícímu statistickému přístupu. Tento systém je založen na hybridní aplikaci technik strojového učení k zobrazení více procesních proměnných zabývajících se účinným předpovídáním produkčního výnosu v Výroba polovodiče. Hypssi přijímá neuronové sítě (NNS) a uvažování založené na případech (CBR), které lze přímo použít pro účely predikce. CBR však trpí vážením prvků; Když měří vzdálenost mezi Případy, některé funkce by měly být váženy odlišně. Bylo navrženo, že bylo navrženo mnoho funkcí vážených variant K-Nejbližšího souseda (K NN), aby přiřadily vyšší hmotnosti relevantnějším vlastnostem pro účely vyhledávání případů [2,37]. I když ty Varianty byly hlášeny jako zlepšení jejich přesnosti vyhledávání týkající se některých úkolů, jen málo z nich bylo použito ve spojení s neuronovými sítěmi k predikci Výnos výnosu ve výrobě polovodičů.
Za účelem zvážení vlastností a vedení CBR přijímá HypSSI čtyři metody vážení celovečerních celovečerních cest: citlivost, aktivita, význačná a relevance. Každá metoda počítá stupeň důležitosti každé funkce pomocí hmotností připojení a aktivační vzorce uzlů ve vyškolené neuronové síti.
Za účelem ověření tohoto hybridního přístupu v polovodičovém průmyslu byl HYPSSI aplikován na mezinárodní polovodičovou společnost, která byla zařazena do jednoho z nejlepších výrobců na světě. Po porovnání tohoto hybridu Metoda s jinými použitými metodami, tento článek ukazuje, že hybridní metoda poskytuje přesnější predikci výnosu.
Tento článek je organizován takto: Oddíl 2 recenzuje různé přístupy používané při poskytování správy výnosů aplikované na výrobu polovodičů. Tato část se zaměřuje na hybridní aplikace kombinující techniky strojového učení.
Oddíl 3 popisuje metodiku hybridního systému predikce výnosu v polovodičovém průmyslu, nazývaném Hypssi. Experimentální výsledky jsou uvedeny v části 4 pro ověření systému. Nakonec tento článek uzavírá brie fl y shrnutí studie a směru budoucího výzkumu.
Výzkumné metody aplikované na výrobu polovodičů
V high-tech průmyslu, jako je polovodičová výroba, je zlepšení výnosu stále důležitější, protože pokročilé výrobní technologie jsou komplikované a mnoho vzájemně propojených faktorů ovlivňuje výnos vyrobených oplatků. Trochu Cílem studií bylo zlepšit výkon výnosů a snížit náklady na provozní a kapitálové investice v polovodičovém průmyslu. Na výrobu polovodičů se vztahuje několik statistických přístupů. Wang [36] použil nižší Konferenční a testování schopností pro výnos procesu, které mohou určit, zda výrobní procesy splňují požadavek na schopnost. KAEMPF [18] použil binomický test s grafickými výnosovými grafy skutečných výrobních destiček Identifikujte zdroje vad ve výrobním procesu. Cho et al. [9] popsali variantu analýzy hlavních složek, která se rozkládá Variabilita procesu pomocí statistik měření z výroby.
Sobrino a Bravo [32] ztělesnili indukční algoritmus, aby se naučili předběžné příčiny nízko kvalitních oplatků z údajů o manipulaci. Last a Kandel [22] představil síť automatizovaného vnímání pro přesné plánování výnosu prostřednictvím Automatizovaná konstrukce modelů z hlučných dat.
Jedna technika může být kombinována s jinými technikami, aby se zlepšila kvalita výzkumu, když byla použita v procesu predikce výnosu. Kang a kol. [19] Integrované indukční rozhodovací stromy a NNS se zpětným propagací a Algoritmy SOM pro správu výnosů při hlavních výrobních procesech polovodičů. Shin and Park [31] integrované neuronové sítě a uvažování založené na paměti pro vyvinutí systému predikce výnosů oplatky pro výrobu polovodičů. Yang et al. [40] Smíšené vyhledávání Tabu a simulované žíhání pro integraci konfigurace rozvržení a automatizované systémy manipulace s materiálem při výrobě oplatky.
Chien et al. [8] zahrnoval shlukování K-Means a strom rozhodování odvodit možné příčiny poruch a variací výrobních procesů z údajů o výrobě polovodičů. HSU a Chien [13] integrované prostorové statistiky a Adaptivní rezonance teorie Neuronové sítě pro extrakci vzorů z map destiček a spojování s výrobními vadami. Li a Huang [23] integrovali samoorganizující mapu (SOM) a podpůrný vektorový stroj (SVM): SOM Clusters mapy košů oplatky; SVM klasifikuje mapy košů oplatky k identifikaci výrobních vad. Wang [35] představil systém diagnostiky prostorových defektů pro výrobu polovodičů, který kombinuje chmurné shlukování založené na čtvercovém omylu a Spektrální shlukování založené na jádru a strom rozhodování. Romaniuk a Hall [29] vymysleli systém SC-Net, který poskytuje schopnost expertního systémů s učením v hybridním konektionistickém/symbolickém přístupu, aby detekoval polovodič chyba oplatky. Chaudhry et al. [6] navrhl metodiku fuzzy entity-relationship k vytvoření prototypu fuzzy relační databáze pro diskrétní kontrolní systém vhodný pro výrobní proces polovodiče.
Liao [25] zkoumala literatura pro rozvoj expertních systémů v letech 1995 až 2004. Na základě jeho zjištění byly hlavní aplikace provádějící hybridní CBR vyvinuty v následujících oblastech: Výroba a diagnostika poruch, diagnostika poruch, Modelování a řízení znalostí, lékařské plánování a aplikace a oblasti finančního předpovědi.
Hybridní přístup CBR byl rozsáhle přijat při výrobním designu a diagnostice poruch. Hui a JHA [16] integrované NN, CBR a založené na pravidlech na podporu činností zákaznických služeb, jako je podpora rozhodování a stroj Diagnóza poruch ve výrobním prostředí. Liao [26] integroval metodu CBR s vícevrstvým perceptronem pro automatické identifikaci mechanismů selhání v celém procesu analýzy selhání. Yang et al. [39] Integrovaný CBR s art-kohonen nn pro zvýšení diagnostiky poruch elektrických motorů. Tan et al. [34] Integrované CBR a Fuzzy ArtMap NN na podporu manažerů při včasných a optimálních investičních rozhodnutích pro výrobu technologií. Saridakis a DentsORAS [30] zavedl design založený na případu s měkkým výpočetním systémem pro vyhodnocení parametrického návrhu oscilačního dopravníku.
Byly vyvinuty následující výzkum v oblastech modelování znalostí a řízení. Hui et al. [15] Kombinovali přístup CBR a NN a extrahovat znalosti z předchozích zákaznických služeb a připomenout vhodné servis. Choy et al. [10] vyvinuli inteligentní systém řízení vztahů s dodavateli využívajícím hybridní CBR a NN techniky k výběru a srovnávání potenciálních dodavatelů společnosti Honeywell Consumer Products Limited v Hongkongu. Yu a Liu [41] navrhli hybridizaci symbolických i číselných technik uvažování k dosažení vyšší přesnosti a překonání problému nedostatku dat v databázi konstrukčního projektu. Chen a HSU [7] vyřešily potenciální problémy s žalobou způsobené změnou objednávek ve stavebních projektech. Využili NN k predikci pravděpodobnosti soudního sporu a využili CBR k varování výnosů. IM a Park [17] vyvinuli hybridní expertní systém CBR a NN pro personalizovaný poradenský systém pro kosmetický průmysl. Liu et al. [27] vyvinuli techniku redukce případů založenou na asociaci, aby se zmenšila velikost případové základny, aby se zvýšila účinnost a zároveň zlepšila přesnost CBR. Sun et al. [33] postavil a Případová základna založená na vztazích podobnosti a fuzzy podobnosti, které jsou definovány v možném světě problémů a řešení.
Hybridní CBR byla také používána v oblastech lékařského plánování a aplikace. Guiu et al. [12] zavedl klasifikační systém založený na případu k vyřešení automatické diagnózy obrazů biopsie mléčné žlázy. Hsu a Ho [14] kombinovaly CBR, NN, Fuzzy Teorie a teorie indukce společně, aby se usnadnila diagnózu s více odolností a učení nových znalostí adaptace. Wyns et al. [38] použili modifikovaný mapování Kohonen v kombinaci s kritériem hodnocení CBR k předpovědi včasného předpovědi Artritida, včetně revmatoidní artritidy a spondyloartropatie. AHN a Kim [1] kombinovali CBR s genetickými algoritmy pro vyhodnocení cytologických rysů odvozených z digitálního skenování prsních aspirátu (FNA).
Hybridní CBR byly také použity v oblasti finančních předpovědí. Kim a Han [20] představili metodu indexování crs, která využívá SOM pro predikci hodnocení podnikových dluhopisů. Li et al. [24] představil funkci založenou Měření podobnosti se zabývá predikcí finanční tísně (např. Predikce bankrotu) v Číně. Chang a Lai [4] integrovali SOM a CBR pro předpovědi prodeje nově vydaných knih. Chang et al. [5] vyvinul systém CBR s Genetický algoritmus pro prognózu knihy pro velkoobchodník. Chun a Park [11] vymysleli regresní CBR pro finanční prognózu, která před nalezením podobných případů aplikuje různé váhy na nezávislé proměnné. Kumar a Ravi [21] předložil komplexní přezkum prací využívajících NN a CBR k vyřešení problémů s předpovědí bankrotu, kterým čelí banky.
Aby se zlepšila schopnost přesně předpovídat výnos, byl v polovodičovém průmyslu (HypSSI) vyvinut hybridní systém predikce výnosu. Je to následující hybridní metoda, kombinující techniky strojového učení, například Síť zpětného přípravy (BPN), CBR a K NN (viz obr. 1).
Hypssi se skládá ze čtyř fází: učení o vztahu mezi proměnnými případu a výtěžkem, vážení rysů, extrahování k podobných případů a váženého průměrování extrahovaných výnosů. První fáze zjistí relativní význam Nezávislé proměnné ze vztahu mezi nezávislými proměnnými (tj. Proměnné výrobního procesu) a závislou proměnnou (tj. Výnos). Když je výcvik BPN dokončen v případě základny výnosu, Hmotnosti připojení trénované neuronové sítě odhalují důležitost vztahu mezi procesními proměnnými a výnosem.
Pro získání sady hmotností z vyškolené sítě se využívají čtyři metody vážení celovečerních center: citlivost, aktivita, význačná a relevance [28,37,42]. Každá z těchto metod počítá stupeň každého funkce Důležitost pomocí hmotností připojení a aktivačních vzorců uzlů ve vyškolené neuronové síti. Algoritmy vážící se funkce jsou Brie fl y popsané takto:
Metoda vážení „citlivosti“: Citlivost vstupního uzlu (SENI) se vypočítá odstraněním vstupního uzlu z vyškolené neuronové sítě. Citlivost vstupního uzlu je rozdíl v omylu mezi odstraněním funkce a když je ponechána na místě. Seni se počítá podle následující rovnice
kde E (0) označuje množství chyby po odstranění vstupního uzlu I a E (WF) znamená chybovou hodnotu, když je uzel ponechán nedotčen. Hodnota chyby je založena na následující rovnici
kde CB je základna případu, která obsahuje proměnné (funkce) a odpovídající výnos a y označuje skutečnou hodnotu výnosu a OY označuje hodnotu výnosu pozorovanou BPN.
Podle tabulky ukazuje BPN + CBR_SEN nejnižší chybovost, když je k nastaveno na pět; BPN + CBR_ACT má nejnižší míru chyb, když je k nastaveno na 11; BPN + CBR_SAL ukazuje nejnižší míru chyb, když je k nastaveno na pět; a BPN + CBR_REL ukazuje nejnižší míru chyb, když je k nastaveno na devět. Kromě těchto bodů K v každé metodě vážení se míra chyb mírně zvýšila.
Tabulka 1 Predikce chyby uvažování založeného na případech se čtyřmi schématy vážení.
Obr. 2. Průměrná přesnost predikce každého schématu vážení.
Obr. 2 ilustruje průměrnou přesnost predikce všech metod vážení rysů, podle měnícího se k.
Všechny čtyři metody vážení překonal metodu samotné CBR v každém experimentu. Kromě toho ve většině experimentů BPN + CBR_ACT vykazoval nejvyšší přesnost predikce, následovaný BPN + CBR_SAL, BPN + CBR_REL a BPN + Cbr_sen.
Jak se K zvyšuje na 11, rozdíl v přesnosti predikce se zvětšuje mezi metodami vážení CBR a BPN + CBR_ACT. Existují však malé rozdíly v přesnosti predikce mezi čtyřmi váženými celovečerními metody.
Obecně je obtížné rozhodnout, která metoda vážení je nejlepší. Autoři naznačují, že člověk by měl otestovat čtyři metody v počáteční fázi vývoje a poté implementovat s nejnižší chybou predikce v Produkční fáze. V tomto případě je přijetí metody vážení BPN + CBR_ACT přijatelným řešením pro predikci rychlosti výnosu ve výrobě polovodičů.
Řízení výnosů v polovodičovém průmyslu je velmi důležitá praxe řízení, kterou je třeba sledovat a zcela kontrolovat. Protože proměnné výrobních procesů mají s výnosem nelineární komplexní vztah, Výrobci potřebují inteligentní přístup k určení vztahu mezi parametry procesu v čase.
V tomto článku autoři vymysleli a aplikovali Hypssi, hybridní metodu kombinující BPN a CBR, aby předpovídali výnos cílové výrobní společnosti. V HypSSI byl BPN použit k přiřazení relativních hmotností Výrobní procesní funkce každého případu v základně výnosu.
Jak odhalil přehled literatury v části 2, neexistoval žádný předchozí podobný výzkum pro předpovídání výnosové míry polovodičové společnosti využívající nervový celovečerní váha CBR. Hypssi ukázali, že CBR s Metoda vážení „aktivita“ měla lepší míru predikce a překonal CBR samotný a všechny ostatní metody vážení. Hybridní CBR také vykazoval lepší výkon než stávající statistický přístup (přichází přesnost predikce Z analýzy s vícenásobnou regresním analýzou dosáhlo přibližně 80%).
Aby se však HYPSSI dosáhlo přesnější míry predikce, potřebuje více procesních proměnných a dat od cílové společnosti. Přestože stávajících 16 proměnných použitých v tomto článku bylo určeno výrobními inženýry, Je obtížné dosáhnout přesnější rychlosti predikce pouze pomocí těchto proměnných a dat. Toto bude další oblast, ve které by měl být proveden výzkum.
Česky
Pусский
