我有来自半导体制造的工艺参数数据。并且要求建议可以对工艺参数进行最佳参数调整以获得更好的产量，即高产量的最佳路径。什么机器学习/统计模型最适合这个要求
注意：我想过使用决策树可以为我们提供最佳的收益率。
想知道任何其他可以提高效率的方法
数据就像 lotno x1 x2 x3 x4 x5 yield（％）
<95％产率被认为是0并且> 95％被认为是1
答案 0 :(得分：0)
我不确定这个问题，但是作为前半导体工艺工程师，这是我如何看待良率提高方法的观点。
流程开发。 DOE：通常，我会运行结构化DOE以了解我的流程（第4步）。我将首先确定“潜在”“因素”，然后运行各种“筛选”实验以确定统计显着性。基本上，此处的目标是确定统计上最重要的（就此而言，最不重要的）因素。因此，这些本质上是简单的实验，“水平”的数量很低，它们的目标不是了解响应表面的曲率，它们只是寻找响应与因子的幅度变化。通常，我最关心“过程”因素，但重要的是要认识到变量输入的影响可能不仅来自“机械旋钮”，还包括：1）人员，2）环境（水分） ，温度等），3）消耗品（在过程中使用），4）设备（此工具上的40 psi实际上是40 psi，与另一工具上的40 psi相同）4）过程变量设置。
在统计上最重要的因素中，我将使用主要因素运行更详尽的DOE，并分析此数据以建立模型。通常，这里使用更多的“级别”，以便通过分析了解响应曲面的曲率。这里有许多类型的众所周知的标准实验设计结构。并且有专门设置的软件（例如JMP）来进行此分析。
从这里开始，想法是生成一个响应= F（因子）形式的模型。这样一来，您就可以根据这些因素从根本上优化响应，而响应则可以反映出您的收益标准。
工程师通常会在此处使用优化因素执行确认运行，以确认优化响应。
请注意，软件分析通常允许工程师阐明任何运行顺序相关性。 DOE的执行通常以随机单元格方式执行。 （每个“单元格”是实验的一组条件）。同样，实验包括一定程度的重复，以衡量“系统”的“可重复性”。这种包含可以是明确的（两次在同一单元中运行），但是由于要运行多个单元（尽管设置不同），因此设计中也固有一些可重复性。但通常来说，实验包括明确重复的细胞。
最后是可制造性的概念，其中包括时间，成本，物理限制，设备能力等方面的限制。（理想的工艺效果很好，但要花10年，花费一百万美元，并且需要外部的预计设置工具的功能。）
由于您拥有制造数据，因此希望您也具有捕获其他类型因素的数据（1,2,3），因此您应该专门分析数据以尝试识别这种影响。通常通过A与B的比较来完成。人员A与B，工具A与B，消耗品A与B，消耗品A与B，夏季与冬季等 基本上，您可以在此处进行各种比较，并检查两组人口之间的统计差异。
回应评论：合格标准是什么？您应该知道这一点以便制定模型。对于半导体，我们既具有线路成品率（工艺成品率），又有器件成品率。我认为对于您的工作，您主要关心线的产量。因此，将因子（从1,2,3,4）中的可变性最小化以实现所需的响应（具有最小可变性的目标响应）是主要目标。
APC（高级过程控制）。 在许多情况下，无论出于何种原因，都有明显的趋势。 control脚的工具控制（刀具加热），cr脚的消耗品（目标材料磨损，抛光垫磨损，化学镀液被装载等），因此这里的思想是如何根据以下情况调整下一个批次/批次/晶圆以前发生的事情的历史。要么改善制造以避免或最小化这种趋势（取决于运行顺序），要么调整过程以适应这种趋势以获得期望的响应。
午餐时间，希望对您有帮助...如果您发布特定的过程模块类型，甚至设备和消耗品，我也许能够提供更多见解。