Wafermap模式识别

最后更新:
2021年5月13日下午3:43

介绍

试图捕获和理解缺陷/失败模式是相当具有挑战性的。我们的解决方案汇集了TIBCO分析堆栈的不同方面来解决这个棘手的问题。很快就可以在TIBCO Exchange上下载vwin德赢公司TIBCO Spotfire®晶圆图案检测仪表板可以让你开始。该仪表盘帮助您识别有趣的晶片地图模式,帮助找到更多这些模式的例子,并使您,无论您的数据科学专业水平如何,能够训练准确的机器学习模型,以在未来的数据中检测这些模式。

总结的能力

仪表板分为以下几个部分:

  • 上传数据:在这一页中,有将您自己的数据(bin或参数)上传到仪表板的说明。
  • 生成模式:在这里,您将能够探索数据并将感兴趣的晶片分类为模式。通过我们的数据管道,这些晶圆将被预先聚集成相似的晶圆组。这将为你找到有趣的晶圆/图案提供一个很好的起点。
  • 创建模型:现在已经创建了一些模式,您可以创建强大的机器学习模型,在未来可以识别特定的模式。通过一个迭代过程,您可以训练和纠正模型,直到模型充分识别您选择的模式。之后,有一个保存模型的选项。
  • 上传新数据:在这个页面上,您将采取与上传数据页面类似的步骤来导入新一批数据。
  • 取得新的数据:模型已经准备好了,现在您可以将这些模型部署到看不见的数据上了。通过从已创建的模型库中进行选择,您可以运行模式识别来检测新数据中选定的模式。

概述的方法

我们的解决方案利用复杂的数据管道来转换和处理晶圆数据。所用的主要成分是傅里叶-贝塞尔变换,它是更著名的傅里叶变换的变体,专门用于分解径向数据。如图所示,一个单晶片可以分解成傅立叶-贝塞尔系数的线性组合,这些系数是与左下方子模式对应的权重。接下来,我们使用奇异值分解从系数中提取最重要的信息。计算所有的晶圆,这个过程有效地降低维度和处理缺失的值。

我们数据管道的最后一步是使用自组织映射(SOM)对晶圆进行聚类。这种方法是一种人工神经网络,它不仅可以将晶片分组成相似的簇,而且还可以在空间上组织它们。这意味着相邻的簇中包含的晶圆可能看起来相似。使用SOM的结果将使用户更容易识别其晶圆数据中的模式。

要了解更多

数据科学博士|这是数据科学博士系列节目的第一集,我们将从头到尾详细介绍这个项目

TIBCO Analytics Meetup |在我们的TIBCO Analytics Meetup上,我们给出了这个项目的演示和关于我们的技术/方法的现场问答

其他资源

数据科学中心|对于数据科学中心,我们给出了这个项目的详细概述

TIBCO Now Demo Video |我们的解决方案在TIBCO Now 2020给出的第一版