機械学習+数十年の経験
PDFソリューションズを使用すると、ビッグデータインフラストラクチャと機械学習アプリケーションを何十年にもわたる製造とテストの経験と組み合わせ、特定の結果を達成するように調整されたソリューションを顧客に提供することで、企業はインダストリー4.0のメリットを享受できます。
大量生産で実証済み
<pr>当社のAdvanced Insights for Manufacturing（AIM）は構成可能な知識ベースのシステムであり、継続的な計算とユーザー入力から学習して、大量生産環境でインテリジェントな意思決定を迅速に行います。 過去10年間、私たちはビッグデータと機械学習機能を活用して製造、テストオペレーションズ、およびアセンブリとパッケージングの分野の顧客に大きなROIを提供する、生産実績のあるAIMソリューションズのファミリーを開発してきました。</pr>
AIMソリューションズの概要：
適応署名診断（ASD）
ASDは、異常なウェーハ歩留まりシグネチャの検出、分類、根本原因分析のための自動システムです。 入ってくる新しいウェーハは空間シグネチャについて分析され、ユーザー入力に基づく機械学習（共同学習と呼ばれる手法）を使用してオンザフライで洗練されるカテゴリに分類されます。 固有のウェーハカテゴリごとにドリルダウン分析が自動的に実行され、既知の根本原因の再出現を確認したり、ウェーハの歩留まり低下の新しい潜在的な原因を強調表示するレポートが生成されます。
ROI: ウェーハの歩留まり低下の根本的な原因が特定され、従来の分析手法よりも5倍速く抑制され、継続的な改善のために専門知識が機械学習モデルに取り込まれます。
データソース： ウェーハソート/ビンソート、PCM、LEH / WEH、計測、欠陥、ツールFDC
容量と効率の向上（CEI）
CEIは、Exensio Analytics Platform内の機器パフォーマンストラッキング（EPT）機能を段階的な方法で活用して、OEE（全体的な機器の有効性）、ファブキャパシティ、およびウェーハスループットを、ツールとチャンバーの操作を一致させることによって最適化します。 各レシピのマイクロステップから収集されたデータは、ツール間のパフォーマンスの不一致をキャプチャし、ツールのFDCデータの詳細な分析を通じて排除されます。
ROI: 10% improvement in bottleneck tool capacity, >20% improvement in efficiency/throughput, fast identification of recipe vs. setup and equipment hardware issues impacting deviation from manufacturing throughput model.
データソース： ツールセンサーFDCデータ
消耗品コスト削減（CCR）
CCRソリューションは、Process Controlモジュール（Exensio Analytics Platformのコアモジュール）によって収集されたeBOMデータセットを利用します。これには、ERP、MES、EAM、FACデータ、および消耗品、保守部品と材料、化学および材料組成レポートが含まれます。 、材料の消費を体系的に削減し、使用を最適化し、材料組成の変動をキャッチします。 パフォーマンスの低いツール、部品、サプライヤーは、構造化された分析ワークフローを通じて特定され、最適化プロセスを通じてユーザーを導きます。
ROI：材料消費コストを削減し、歩留まりと信頼性の変動を減らし、部品と材料の使用を最適化します
データソース： 消耗品バッチID、イベントデータ、レシピID、FDCデータ、PM情報、材料組成レポート、MESデータ
早期故障検出（ELF）
The ELF solution optimizes cost-of-quality tradeoffs between yield and reliability failure in the field. Classical outlier algorithms, such as “Part Average Testing” (PAT) are often used to identify and screen parts with a risk for early life failure. Exensio’s ELF goes beyond PAT and provides a comprehensive die quality grading and risk classification solution by taking advantage of the Exensio Analytics Platform’s end-to-end database and infrastructure. Advanced indicators generated from multiple data sources are analyzed with a multi-variate machine learning approach that adapts as new information comes to light (e.g. 8D reports, root causes found in FA, additional incoming RMA’s, etc.).
ROI：ウェーハソートで高リスクのダイを検出することにより、品質と信頼性の低下を防止
データソース： ウェーハソート、ファイナルテスト、PCM、バーンイン、リターン、欠陥、計測、LEH / WEH、FDC
機器トラブル保護（ETP）
ETP is the next generation FDC solution for wafer fabs and assembly floors. Going beyond the standard approach of FDC data collection, feature selection and SPC alarm limits, ETP links FDC data with tool events and uses AI and ML to detect and classify abnormal equipment sensor traces into good vs. bad vs. unknown. The classification system adapts as users judge new signals and identify root causes, enabling fast issue detection and containment.
ROI：+ 1％DPW歩留まり、+ 5％ファブ出力、+ 2％ライン歩留まり、+ 2％ツール可用性、エンジニアリングFTE節約
データソース： ツールセンサーFDCデータとツールイベント
インテリジェントマテリアルディスポジション（IMD）
A “Material Review Board” (MRB) is a common technique used to improve the quality of shipped product. The IMD solution dramatically reduces the manual work and frequency of human-induced variability in the MRB process. Automated workflows are implemented that capture the specific quality criteria of each customer’s business and product line to provide lot and wafer quality grading in minutes, rather than hours or days. Comprehensive analytics and full automation ensure uniform results and high quality decision making.
ROI: Reduces engineering effort for lot disposition by >50%. Prevents escapes, improves consistency, and decision quality of wafer dispositioning.
データソース： PCM / WAT、Wafersort / Binsort、最終テスト
スマートテスト
Manufacturing complexity, advanced packaging technology, and high density chip designs conspire to drive up the cost of wafersort and final test. Exensio’s Smart Testing solution uses Machine Learning to find subtle signals in the massive data set associated with each product die and applies Artificial Intelligence to modulate test flows and achieve higher product quality at lower cost. The AI / ML approach identifies the highest quality die as candidates to skip expensive test insertions such as Burn-in, optimizing test cost while still meeting DPPM requirements. PDF can provide the machine learning algorithm, or you can provide your own. The system is designed for production operation, installed on your OSAT’s test floor “at the edge” for efficient, low latency operation, high uptime and minimal data loss.
ROI：バーンイン要件を30〜60％削減し、テストの量とコストに応じて、年間数百万ドルを節約します。
データソース： PCM / WAT、Wafersort、Final Test（および利用可能なMetrology、Defect、MES、およびFDCデータ）
Yield Aware FDC
YA-FDC is a combination of technology and services that leverages Exensio’s “big data” platform to improve process variation, identify equipment conditions and sources of variability that influence functional and parametric yield, and set appropriate SPC limits with proprietary analysis and modeling techniques that identify critical parameters. Analysis is automated with reporting and dashboards to drive fast improvement yield, variation and excursions. AI / ML provides predictive models to for finer feedback and feed-forward control, predictive PM’s to optimize tool availability and Virtual Metrology for adaptive inline sampling.
ROI：+ 8％の歩留まり改善、+ 40％の偏位の削減、+ 7％速いNPIランプ学習率
データソース： ツールセンサーFDCデータ、計測、欠陥、PCM / WAT、ウエハーソート、テスト、アセンブリ
