Predictive Machine Learning in Semiconductor Production

Abstract

Når Microchip Technology produserer halvledere, produseres store mengder data. Dette prosjektet konstruerer flere datasett som inneholder denne dataen, og finner at maskinlæringsalgoritmer kan brukes med wafer-baserte datasett for å predikere yield med tilfredsstillende nøyaktighet tidlig i prosessen. Maskinlæringsalgoritmer som bruker lot-baserte datasett var ubrukelige. Dette prosjektet har vist at neurale nettverk, gradient boosting trees, extra trees, og random forest alle er maskinlæringsmetoder som resulterer i brukbare og like modeller. Resultatet av oppgaven kan potensielt bli implementert i produksjonslinjen og spare tid brukt på defekte produkter.

When Microchip Inc produces semiconductors, vast amounts of data are produced. This project creates several datasets using this data and finds that machine learning algorithms can be used on a wafer-based dataset to predict the yield with a satisfying accuracy in an early stage of the production. The machine learning algorithms using lot-based datasets were unsuccessful. The project has shown that neural networks, gradient boosting trees, extra trees, and random forest all are machine learning methods that results in usable and similar models. The results from this thesis have the potential to be implemented in the production line to reduce wasted time on making defect products.