numero Sfoglia:22 Autore:Editor del sito Pubblica Time: 2018-10-23 Origine:motorizzato
Nella produzione di semiconduttori, i prodotti finali sono fabbricati attraverso diverse centinaia di processi che sono altamente automatizzati e drammaticamente interdipendenti. La maggior parte dei processi di produzione in uso oggi sono complessi intrecciati e Diventa infinito quando si utilizza la tecnologia su scala nanometrica.
Per quei produttori o ingegneri, la resa è considerata un fattore molto importante che deve essere monitorato e controllato. La resa è definita come rapporto tra prodotti normali e prodotti conclusi. Gestione del rendimento nel semiconduttore L'industria è intesa come un sistema analitico completo che ha le caratteristiche di un sistema complesso. Un sistema complesso ha molte variabili componenti indipendenti che interagiscono tra loro in molti modi complicati. Dunque, È considerato difficile da prevedere e controllare.
La resa nella fabbricazione di semiconduttori è fortemente influenzata da diversi fattori, tra cui particelle o contaminanti sul wafer, sostanze negli strumenti di produzione, parametri di processo di produzione, atteggiamenti degli ingegneri di processo, e il design dei semiconduttori.
Le società di semiconduttori possono ottenere un certo grado di rendimento applicando controlli di processo statistico e 6-sigma a un semiconduttore. Il miglioramento del rendimento che impiega misurazioni statistiche, tuttavia, ha difficoltà a prevenire a basso rendimento Molti efficacemente in anticipo. Questo perché le variabili di processo di produzione che influenzano le variazioni della resa hanno una relazione complessa non lineare con la resa. A causa di questo effetto interattivo tra diverse variabili, produttori È difficile individuare i problemi nel tempo, quando piccoli cambiamenti in una relazione tra i parametri di processo possono causare cambiamenti nella resa.
Pertanto, sono necessarie altre tecniche intelligenti per rilevare le principali variabili di processo che influenzano gravemente i cambiamenti nella resa. Questo studio ha sviluppato un sistema di previsione della resa ibrida nel settore dei semiconduttori, chiamato Hypssi, come complemento all'approccio statistico esistente. Questo sistema si basa su un'applicazione ibrida di tecniche di apprendimento automatico per rappresentare diverse variabili di processo interessate a prevedere efficacemente il rendimento di produzione in produzione di semiconduttori. HyPSSI adotta reti neurali (NNS) e ragionamento basato sui casi (CBR) che possono essere applicati direttamente ai fini della previsione. Tuttavia, CBR soffre di ponderazione delle caratteristiche; quando misura la distanza tra Casi, alcune funzionalità dovrebbero essere ponderate in modo diverso. Sono state proposte molte varianti ponderate del vicino K-Nearest (Kn) per assegnare pesi più elevati a caratteristiche più rilevanti per scopi di recupero dei casi [2,37]. Anche se quelli Le varianti sono state riportate come migliorando la loro precisione di recupero in merito ad alcuni compiti, pochi sono stati usati in combinazione con le reti neurali per prevedereRendi prestazioni nella produzione di semiconduttori.
Al fine di pesare le funzionalità e guidare CBR, Hypssi adotta quattro metodi di ponderazione delle funzionalità: sensibilità, attività, salienza e rilevanza. Ogni metodo calcola il grado di importanza di ciascuna caratteristica utilizzando i pesi di connessione e Modelli di attivazione dei nodi nella rete neurale addestrata.
Al fine di convalidare questo approccio ibrido all'interno del settore dei semiconduttori, HyPSSI è stato applicato all'International Semiconductor Company, che è stata classificata uno dei principali produttori al mondo. Dopo aver confrontato questo ibrido Metodo con altri metodi che sono stati utilizzati, questo documento mostra il metodo ibrido fornisce una previsione del rendimento più accurata.
Questo documento è organizzato come segue: la sezione 2 esamina vari approcci utilizzati nella fornitura della gestione dei rendimenti applicati alla produzione di semiconduttori. Questa sezione si concentra su applicazioni ibride che combinano tecniche di apprendimento automatico.
La sezione 3 descrive la metodologia del sistema di previsione della resa ibrida nel settore dei semiconduttori, chiamato HyPSSI. I risultati sperimentali sono presentati nella sezione 4 per convalidare il sistema. Infine, questo documento è concluso da Brie helk Riassumendo lo studio e la direzione della ricerca futura.
Metodi di ricerca applicati alla produzione di semiconduttori
In un'industria ad alta tecnologia come la produzione di semiconduttori, il miglioramento della resa è sempre più importante poiché le tecnologie di fabbricazione avanzate sono complicate e molti fattori correlati influenzano la resa dei wafer fabbricati. Alcune Gli studi hanno mirato a migliorare le prestazioni del rendimento e a ridurre i costi operativi e di investimento di capitale nel settore dei semiconduttori. Esistono diversi approcci statistici applicati alla produzione di semiconduttori. Wang [36] ha usato il basso Confidenza e test di capacità per la resa del processo che possono determinare se i processi di produzione soddisfano il requisito di capacità. Kaempf [18] ha usato il test binomiale con grafici di resa grafica di wafer di produzione effettiva Identificare le fonti dei difetti nel processo di produzione. Cho et al. [9] ha descritto una variante dell'analisi dei componenti principali che si decompone Variabilità del processo utilizzando le statistiche delle misurazioni dalla produzione.
Sobrino e Bravo [32] hanno incarnato un algoritmo induttivo per apprendere le cause provvisorie di wafer di bassa qualità dai dati di gestione. Last e Kandel [22] hanno presentato la rete di percezioni automatizzate per una pianificazione accurata del rendimento attraverso Costruzione automatizzata di modelli da set di dati rumorosi.
Una tecnica può essere combinata con altre tecniche al fine di migliorare la qualità della ricerca, quando viene utilizzata nel processo di previsione dei rendimenti. Kang et al. [19] alberi decisionali induttivi integrati e NN con retro-propagazione e Algoritmi SOM per gestire i rendimenti rispetto ai principali processi di produzione di semiconduttori. Shin and Park [31] Net-Works neurali integrati e ragionamento basato sulla memoria per sviluppare un sistema di previsione del resa del wafer per la produzione di semiconduttori. Yang et al. [40] Ricerca tabu mista e ricottura simulata per integrare la con fi gurazione del layout e i sistemi automatizzati di manipolazione dei materiali nella fabbricazione di wafer.
Chien et al. [8] includeva il clustering K-Means e un albero decisionale per inferire possibili cause di guasti e variazioni di processo di produzione rispetto ai dati di produzione dei semiconduttori. Hsu e Chien [13] statistiche spaziali integrate e Teoria della risonanza adattiva Network neurali per estrarre modelli dalle mappe del bin wafer e associare ai difetti di produzione. Li e Huang [23] hanno integrato la mappa auto-organizzante (SOM) e Support Vector Machine (SVM): i cluster SOM le mappe del bidone del wafer; La SVM classifica le mappe del bidone del wafer per identificare i difetti di produzione. Wang [35] ha presentato un sistema di diagnosi di difetto spaziale per la produzione di semiconduttori, che combina clustering fuzzy a base di errori quadrati e Clustering spettrale basato sul kernel e un albero decisionale. Romaniuk e Hall [29] hanno ideato il sistema SC-Net che fornisce la capacità di sistemi di esperti con l'apprendimento in un approccio ibrido connessione/simbolico al fine di rilevare il semiconduttore GUASTO DI WAFER. Chaudhry et al. [6] ha proposto una metodologia fuzzy di relazioni di entità per costruire un prototipo di un database relazionale sfocato per un sistema di controllo discreto adatto a un processo di produzione di semiconduttori.
Liao [25] ha intervistato la letteratura sullo sviluppo dei sistemi di esperti dal 1995 al 2004. Sulla base dei suoi risultati, le principali applicazioni che implementano CBR ibride sono state sviluppate nelle seguenti aree: progettazione di produzione e diagnosi di guasti, Modellazione e gestione della conoscenza, pianificazione medica e applicazione e aree di previsione finanziaria.
L'approccio ibrido CBR è stato ampiamente adottato nella progettazione della produzione e nella diagnosi dei guasti. Hui e JHA [16] integrate NN, CBR e ragionamento basato sulle regole per supportare le attività del servizio clienti, come il supporto decisionale e la macchina Diagnosi dei guasti in un ambiente di produzione. Liao [26] ha integrato un metodo CBR con un percetron multistrato per l'identificazione automatica dei meccanismi di fallimento nell'intero processo di analisi dei guasti. Yang et al. [39] CBR integrato con un nn art-kohonen per migliorare la diagnosi di guasto dei motori elettrici. Tan et al. [34] CBR integrato e Fuzzy ArtMap NN per supportare i manager nel prendere decisioni di investimento di tecnologia di produzione tempestiva e ottimali. Saridakis e DENSORAS [30] ha introdotto un design basato su casi con un sistema di calcolo soft per valutare la progettazione parametrica di un trasportatore di oscillazioni.
Sono state sviluppate le seguenti ricerche nelle aree di modellizzazione e gestione della conoscenza. Hui et al. [15] ha combinato l'approccio CBR e NN per estrarre le conoscenze dal precedente servizio clienti e ricordare l'appropriato servizio. Choy et al. [10] ha sviluppato un sistema di gestione delle relazioni fornitori intelligenti utilizzando le tecnologie ibride CBR e NN per selezionare e confrontare i potenziali fornitori di prodotti di consumo Honeywell Limited a Hong Kong. Yu e liu [41] ha proposto un'ibridazione di tecniche di ragionamento sia simboliche che numeriche per ottenere una maggiore precisione e superare il problema della scarsità di dati nel database del progetto di costruzione. Chen e HSU [7] hanno risolto potenziali problemi di causa causato dal cambiamento degli ordini nei progetti di costruzione. Hanno utilizzato NNS per prevedere la probabilità di contenzioso e hanno utilizzato CBR per avvertire i rendimenti. IM e Park [17] hanno sviluppato un sistema di esperti ibridi di CBR e NN per un sistema di consulenza personalizzato per l'industria cosmetica. Liu et al. [27] ha sviluppato una tecnica di riduzione del caso basata sull'associazione per ridurre le dimensioni della base del caso al fine di migliorare l'efficienza migliorando al contempo l'accuratezza del CBR. Sun et al. [33] costruito a Case Base in base alle relazioni di somiglianza e alle relazioni di somiglianza sfocata, che sono entrambe definite sul possibile mondo di problemi e soluzioni.
Il CBR ibrido è stato utilizzato anche nelle aree di pianificazione medica e applicazione. Guiu et al. [12] ha introdotto un sistema di classificazione basato sui casi per risolvere la diagnosi automatica di immagini di biopsia mammaria. Hsu e Ho [14] hanno combinato CBR, NN, Fuzzy Teoria e teoria dell'induzione insieme per facilitare la diagnosi a più malattie e l'apprendimento della nuova conoscenza dell'adattamento. Wyns et al. [38] ha applicato una mappatura kohonen modificata combinata con un criterio di valutazione CBR per prevedere precoce artrite, tra cui artrite reumatoide e spondiloartropatia. AHN e KIM [1] hanno combinato il CBR con algoritmi genetici per valutare le caratteristiche citologiche derivate da una scansione digitale di vetrini di aspirato ad ago al seno (FNA).
I CBR ibridi sono stati utilizzati anche nelle aree di previsione finanziaria. Kim e Han [20] hanno presentato un metodo di indicizzazione del caso di CBR che utilizza SOM per la previsione della valutazione delle obbligazioni societarie. Li et al. [24] ha introdotto un funzionalità Misura di somiglianza per affrontare la previsione del disagio finanziario (ad esempio, la previsione del fallimento) in Cina. Chang e Lai [4] hanno integrato SOM e CBR per le previsioni di vendita dei libri appena rilasciati. Chang et al. [5] ha evoluto un sistema CBR con Algoritmo genetico per la previsione del libro di ritorno del grossista. Chun e Park [11] hanno ideato un CBR di regressione per le previsioni finanziarie, che applica pesi diversi a variabili indipendenti prima di trovare casi simili. Kumar e Ravi [21] ha presentato una revisione completa delle opere utilizzando NN e CBR per risolvere i problemi di previsione del fallimento affrontati dalle banche.
Al fine di migliorare la capacità di prevedere accuratamente la resa, è stato sviluppato un sistema di previsione della resa ibrida nel settore semi-conduttore (HYPSSI). È il seguente metodo ibrido, che combina tecniche di apprendimento automatico, come Rete di retro-proposta (BPN), CBR e K nn (vedi Fig. 1).
HyPSSI è costituito da quattro fasi: conoscere la relazione tra variabili e resa, ponderazione delle caratteristiche, estrazione di casi simili K e media ponderata di rendimenti estratti. La prima fase trova l'importanza relativa di Variabili indipendenti dalla relazione tra variabili indipendenti (cioè variabili di processo di produzione) e una variabile dipendente (cioè resa). Quando l'addestramento di un BPN è definita nell'istanza della base del caso di resa, il I pesi di connessione di una rete neurale addestrata rivelano l'importanza della relazione tra le variabili di processo e la resa.
Per ottenere una serie di pesi di funzionalità dalla rete addestrata, vengono utilizzati quattro metodi di ponderazione delle funzionalità: sensibilità, attività, salienza e rilevanza [28,37,42]. Ognuno di questi metodi calcola il grado di ciascuna funzione Importanza utilizzando i pesi di connessione e i modelli di attivazione dei nodi nella rete neurale addestrata. Gli algoritmi di ponderazione delle caratteristiche sono descritti come segue:
Metodo di ponderazione della "sensibilità": la sensibilità di un nodo di input (SENI) viene calcolata rimuovendo il nodo di input dalla rete neurale addestrata. La sensibilità di un nodo di input è la differenza di errore tra la rimozione del caratteristica e quando viene lasciato in posizione. Seni è calcolato dalla seguente equazione
Laddove E (0) indica la quantità di errore dopo la rimozione di un nodo di input I ed E (WF) indica il valore di errore quando il nodo viene lasciato intatto. Il valore di errore si basa sulla seguente equazione
Laddove CB è una base di casi che contiene variabili del caso (caratteristiche) e resa corrispondente e Y indica il valore di snervamento effettivo e OY indica il valore di snervamento osservato dal BPN.
Nella produzione di semiconduttori, i prodotti finali sono fabbricati attraverso diverse centinaia di processi che sono altamente automatizzati e drammaticamente interdipendenti. La maggior parte dei processi di produzione in uso oggi sono complessi intrecciati e Diventa infinito quando si utilizza la tecnologia su scala nanometrica.
Per quei produttori o ingegneri, la resa è considerata un fattore molto importante che deve essere monitorato e controllato. La resa è definita come rapporto tra prodotti normali e prodotti conclusi. Gestione del rendimento nel semiconduttore L'industria è intesa come un sistema analitico completo che ha le caratteristiche di un sistema complesso. Un sistema complesso ha molte variabili componenti indipendenti che interagiscono tra loro in molti modi complicati. Dunque, È considerato difficile da prevedere e controllare.
La resa nella fabbricazione di semiconduttori è fortemente influenzata da diversi fattori, tra cui particelle o contaminanti sul wafer, sostanze negli strumenti di produzione, parametri di processo di produzione, atteggiamenti degli ingegneri di processo, e il design dei semiconduttori.
Le società di semiconduttori possono ottenere un certo grado di rendimento applicando controlli di processo statistico e 6-sigma a un semiconduttore. Il miglioramento del rendimento che impiega misurazioni statistiche, tuttavia, ha difficoltà a prevenire a basso rendimento Molti efficacemente in anticipo. Questo perché le variabili di processo di produzione che influenzano le variazioni della resa hanno una relazione complessa non lineare con la resa. A causa di questo effetto interattivo tra diverse variabili, produttori È difficile individuare i problemi nel tempo, quando piccoli cambiamenti in una relazione tra i parametri di processo possono causare cambiamenti nella resa.
Pertanto, sono necessarie altre tecniche intelligenti per rilevare le principali variabili di processo che influenzano gravemente i cambiamenti nella resa. Questo studio ha sviluppato un sistema di previsione della resa ibrida nel settore dei semiconduttori, chiamato Hypssi, come complemento all'approccio statistico esistente. Questo sistema si basa su un'applicazione ibrida di tecniche di apprendimento automatico per rappresentare diverse variabili di processo interessate a prevedere efficacemente il rendimento di produzione in produzione di semiconduttori. HyPSSI adotta reti neurali (NNS) e ragionamento basato sui casi (CBR) che possono essere applicati direttamente ai fini della previsione. Tuttavia, CBR soffre di ponderazione delle caratteristiche; quando misura la distanza tra Casi, alcune funzionalità dovrebbero essere ponderate in modo diverso. Sono state proposte molte varianti ponderate del vicino K-Nearest (Kn) per assegnare pesi più elevati a caratteristiche più rilevanti per scopi di recupero dei casi [2,37]. Anche se quelli Le varianti sono state riportate come migliorando la loro precisione di recupero in merito ad alcuni compiti, pochi sono stati usati in combinazione con le reti neurali per prevedere Rendi prestazioni nella produzione di semiconduttori.
Al fine di pesare le funzionalità e guidare CBR, Hypssi adotta quattro metodi di ponderazione delle funzionalità: sensibilità, attività, salienza e rilevanza. Ogni metodo calcola il grado di importanza di ciascuna caratteristica utilizzando i pesi di connessione e Modelli di attivazione dei nodi nella rete neurale addestrata.
Al fine di convalidare questo approccio ibrido all'interno del settore dei semiconduttori, HyPSSI è stato applicato all'International Semiconductor Company, che è stata classificata uno dei principali produttori al mondo. Dopo aver confrontato questo ibrido Metodo con altri metodi che sono stati utilizzati, questo documento mostra il metodo ibrido fornisce una previsione del rendimento più accurata.
Questo documento è organizzato come segue: la sezione 2 esamina vari approcci utilizzati nella fornitura della gestione dei rendimenti applicati alla produzione di semiconduttori. Questa sezione si concentra su applicazioni ibride che combinano tecniche di apprendimento automatico.
La sezione 3 descrive la metodologia del sistema di previsione della resa ibrida nel settore dei semiconduttori, chiamato HyPSSI. I risultati sperimentali sono presentati nella sezione 4 per convalidare il sistema. Infine, questo documento è concluso da Brie helk Riassumendo lo studio e la direzione della ricerca futura.
Metodi di ricerca applicati alla produzione di semiconduttori
In un'industria ad alta tecnologia come la produzione di semiconduttori, il miglioramento della resa è sempre più importante poiché le tecnologie di fabbricazione avanzate sono complicate e molti fattori correlati influenzano la resa dei wafer fabbricati. Alcune Gli studi hanno mirato a migliorare le prestazioni del rendimento e a ridurre i costi operativi e di investimento di capitale nel settore dei semiconduttori. Esistono diversi approcci statistici applicati alla produzione di semiconduttori. Wang [36] ha usato il basso Confidenza e test di capacità per la resa del processo che possono determinare se i processi di produzione soddisfano il requisito di capacità. Kaempf [18] ha usato il test binomiale con grafici di resa grafica di wafer di produzione effettiva Identificare le fonti dei difetti nel processo di produzione. Cho et al. [9] ha descritto una variante dell'analisi dei componenti principali che si decompone Variabilità del processo utilizzando le statistiche delle misurazioni dalla produzione.
Sobrino e Bravo [32] hanno incarnato un algoritmo induttivo per apprendere le cause provvisorie di wafer di bassa qualità dai dati di gestione. Last e Kandel [22] hanno presentato la rete di percezioni automatizzate per una pianificazione accurata del rendimento attraverso Costruzione automatizzata di modelli da set di dati rumorosi.
Una tecnica può essere combinata con altre tecniche al fine di migliorare la qualità della ricerca, quando viene utilizzata nel processo di previsione dei rendimenti. Kang et al. [19] alberi decisionali induttivi integrati e NN con retro-propagazione e Algoritmi SOM per gestire i rendimenti rispetto ai principali processi di produzione di semiconduttori. Shin and Park [31] Net-Works neurali integrati e ragionamento basato sulla memoria per sviluppare un sistema di previsione del resa del wafer per la produzione di semiconduttori. Yang et al. [40] Ricerca tabu mista e ricottura simulata per integrare la con fi gurazione del layout e i sistemi automatizzati di manipolazione dei materiali nella fabbricazione di wafer.
Chien et al. [8] includeva il clustering K-Means e un albero decisionale per inferire possibili cause di guasti e variazioni di processo di produzione rispetto ai dati di produzione dei semiconduttori. Hsu e Chien [13] statistiche spaziali integrate e Teoria della risonanza adattiva Network neurali per estrarre modelli dalle mappe del bin wafer e associare ai difetti di produzione. Li e Huang [23] hanno integrato la mappa auto-organizzante (SOM) e Support Vector Machine (SVM): i cluster SOM le mappe del bidone del wafer; La SVM classifica le mappe del bidone del wafer per identificare i difetti di produzione. Wang [35] ha presentato un sistema di diagnosi di difetto spaziale per la produzione di semiconduttori, che combina clustering fuzzy a base di errori quadrati e Clustering spettrale basato sul kernel e un albero decisionale. Romaniuk e Hall [29] hanno ideato il sistema SC-Net che fornisce la capacità di sistemi di esperti con l'apprendimento in un approccio ibrido connessione/simbolico al fine di rilevare il semiconduttore GUASTO DI WAFER. Chaudhry et al. [6] ha proposto una metodologia fuzzy di relazioni di entità per costruire un prototipo di un database relazionale sfocato per un sistema di controllo discreto adatto a un processo di produzione di semiconduttori.
Liao [25] ha intervistato la letteratura sullo sviluppo dei sistemi di esperti dal 1995 al 2004. Sulla base dei suoi risultati, le principali applicazioni che implementano CBR ibride sono state sviluppate nelle seguenti aree: progettazione di produzione e diagnosi di guasti, Modellazione e gestione della conoscenza, pianificazione medica e applicazione e aree di previsione finanziaria.
L'approccio ibrido CBR è stato ampiamente adottato nella progettazione della produzione e nella diagnosi dei guasti. Hui e JHA [16] integrate NN, CBR e ragionamento basato sulle regole per supportare le attività del servizio clienti, come il supporto decisionale e la macchina Diagnosi dei guasti in un ambiente di produzione. Liao [26] ha integrato un metodo CBR con un percetron multistrato per l'identificazione automatica dei meccanismi di fallimento nell'intero processo di analisi dei guasti. Yang et al. [39] CBR integrato con un nn art-kohonen per migliorare la diagnosi di guasto dei motori elettrici. Tan et al. [34] CBR integrato e Fuzzy ArtMap NN per supportare i manager nel prendere decisioni di investimento di tecnologia di produzione tempestiva e ottimali. Saridakis e DENSORAS [30] ha introdotto un design basato su casi con un sistema di calcolo soft per valutare la progettazione parametrica di un trasportatore di oscillazioni.
Sono state sviluppate le seguenti ricerche nelle aree di modellizzazione e gestione della conoscenza. Hui et al. [15] ha combinato l'approccio CBR e NN per estrarre le conoscenze dal precedente servizio clienti e ricordare l'appropriato servizio. Choy et al. [10] ha sviluppato un sistema di gestione delle relazioni fornitori intelligenti utilizzando le tecnologie ibride CBR e NN per selezionare e confrontare i potenziali fornitori di prodotti di consumo Honeywell Limited a Hong Kong. Yu e liu [41] ha proposto un'ibridazione di tecniche di ragionamento sia simboliche che numeriche per ottenere una maggiore precisione e superare il problema della scarsità di dati nel database del progetto di costruzione. Chen e HSU [7] hanno risolto potenziali problemi di causa causato dal cambiamento degli ordini nei progetti di costruzione. Hanno utilizzato NNS per prevedere la probabilità di contenzioso e hanno utilizzato CBR per avvertire i rendimenti. IM e Park [17] hanno sviluppato un sistema di esperti ibridi di CBR e NN per un sistema di consulenza personalizzato per l'industria cosmetica. Liu et al. [27] ha sviluppato una tecnica di riduzione del caso basata sull'associazione per ridurre le dimensioni della base del caso al fine di migliorare l'efficienza migliorando al contempo l'accuratezza del CBR. Sun et al. [33] costruito a Case Base in base alle relazioni di somiglianza e alle relazioni di somiglianza sfocata, che sono entrambe definite sul possibile mondo di problemi e soluzioni.
Il CBR ibrido è stato utilizzato anche nelle aree di pianificazione medica e applicazione. Guiu et al. [12] ha introdotto un sistema di classificazione basato sui casi per risolvere la diagnosi automatica di immagini di biopsia mammaria. Hsu e Ho [14] hanno combinato CBR, NN, Fuzzy Teoria e teoria dell'induzione insieme per facilitare la diagnosi a più malattie e l'apprendimento della nuova conoscenza dell'adattamento. Wyns et al. [38] ha applicato una mappatura kohonen modificata combinata con un criterio di valutazione CBR per prevedere precoce artrite, tra cui artrite reumatoide e spondiloartropatia. AHN e KIM [1] hanno combinato il CBR con algoritmi genetici per valutare le caratteristiche citologiche derivate da una scansione digitale di vetrini di aspirato ad ago al seno (FNA).
I CBR ibridi sono stati utilizzati anche nelle aree di previsione finanziaria. Kim e Han [20] hanno presentato un metodo di indicizzazione del caso di CBR che utilizza SOM per la previsione della valutazione delle obbligazioni societarie. Li et al. [24] ha introdotto un funzionalità Misura di somiglianza per affrontare la previsione del disagio finanziario (ad esempio, la previsione del fallimento) in Cina. Chang e Lai [4] hanno integrato SOM e CBR per le previsioni di vendita dei libri appena rilasciati. Chang et al. [5] ha evoluto un sistema CBR con Algoritmo genetico per la previsione del libro di ritorno del grossista. Chun e Park [11] hanno ideato un CBR di regressione per le previsioni finanziarie, che applica pesi diversi a variabili indipendenti prima di trovare casi simili. Kumar e Ravi [21] ha presentato una revisione completa delle opere utilizzando NN e CBR per risolvere i problemi di previsione del fallimento affrontati dalle banche.
Al fine di migliorare la capacità di prevedere accuratamente la resa, è stato sviluppato un sistema di previsione della resa ibrida nel settore semi-conduttore (HYPSSI). È il seguente metodo ibrido, che combina tecniche di apprendimento automatico, come Rete di retro-proposta (BPN), CBR e K nn (vedi Fig. 1).
HyPSSI è costituito da quattro fasi: conoscere la relazione tra variabili e resa, ponderazione delle caratteristiche, estrazione di casi simili K e media ponderata di rendimenti estratti. La prima fase trova l'importanza relativa di Variabili indipendenti dalla relazione tra variabili indipendenti (cioè variabili di processo di produzione) e una variabile dipendente (cioè resa). Quando l'addestramento di un BPN è definita nell'istanza della base del caso di resa, il I pesi di connessione di una rete neurale addestrata rivelano l'importanza della relazione tra le variabili di processo e la resa.
Per ottenere una serie di pesi di funzionalità dalla rete addestrata, vengono utilizzati quattro metodi di ponderazione delle funzionalità: sensibilità, attività, salienza e rilevanza [28,37,42]. Ognuno di questi metodi calcola il grado di ciascuna funzione Importanza utilizzando i pesi di connessione e i modelli di attivazione dei nodi nella rete neurale addestrata. Gli algoritmi di ponderazione delle caratteristiche sono descritti come segue:
Metodo di ponderazione della "sensibilità": la sensibilità di un nodo di input (SENI) viene calcolata rimuovendo il nodo di input dalla rete neurale addestrata. La sensibilità di un nodo di input è la differenza di errore tra la rimozione del caratteristica e quando viene lasciato in posizione. Seni è calcolato dalla seguente equazione
Laddove E (0) indica la quantità di errore dopo la rimozione di un nodo di input I ed E (WF) indica il valore di errore quando il nodo viene lasciato intatto. Il valore di errore si basa sulla seguente equazione
Laddove CB è una base di casi che contiene variabili del caso (caratteristiche) e resa corrispondente e Y indica il valore di snervamento effettivo e OY indica il valore di snervamento osservato dal BPN.
Secondo la tabella, BPN + CBR_SEN mostra il tasso di errore più basso quando K è impostato su cinque; BPN + CBR_ACT ha il tasso di errore più basso quando K è impostato su 11; BPN + CBR_SAL mostra il tasso di errore più basso quando K è impostato su cinque; e il BPN + Cbr_rel mostra il tasso di errore più basso quando K è impostato su nove. Oltre a quei punti di K in ciascun metodo di ponderazione, i tassi di errore sono leggermente aumentati.
Tabella 1 Errori di previdenza del ragionamento basato sui casi con quattro schemi di ponderazione.
Fig. 2. Previsione media di previsione di ciascuno schema di ponderazione.
La Fig. 2 illustra l'accuratezza della previsione media di tutti i metodi di ponderazione delle caratteristiche, secondo la variazione di K.
Tutti e quattro i metodi di ponderazione hanno sovraperformato il metodo da solo CBR in ogni esperimento. Inoltre, nella maggior parte degli esperti, BPN + CBR_ACT ha mostrato la più alta precisione di previsione, seguita da BPN + CBR_SAL, BPN + CBR_REL e BPN + Cbr_sen.
Man mano che K aumenta a 11, la differenza nell'accuratezza della previsione diventa più grande tra il solo CBR e i metodi di ponderazione BPN + CBR_ACT. Vi sono, tuttavia, piccole differenze nell'accuratezza della previsione tra i quattro di ponderazione delle caratteristiche metodi.
In generale, è difficile decidere quale metodo di ponderazione è il migliore. Gli autori suggeriscono che si dovrebbero testare i quattro metodi nella fase di sviluppo iniziale e quindi implementare quello con l'errore di previsione più basso nel Fase di produzione. In questo caso, l'adozione del metodo di ponderazione BPN + CBR_ACT è una soluzione accettabile per prevedere il tasso di snervamento nella produzione semi-conduttore.
La gestione del rendimento nel settore dei semiconduttori è una pratica di gestione molto importante che deve essere monitorata e completamente controllata. Perché le variabili di processo di produzione hanno una relazione complessa non lineare con la resa, I produttori hanno bisogno di un approccio intelligente per individuare la relazione tra i parametri di processo nel tempo.
In questo documento, gli autori hanno ideato e applicato HyPSSI, un metodo ibrido che combina BPN e CBR, per prevedere la resa della società di produzione di semiconduttori target. Nell'Hypssi, il BPN è stato usato per assegnare pesi relativi a Caratteristiche del processo di produzione di ciascun caso nella base del caso di rendimento.
Come ha rivelato la revisione della letteratura nella Sezione 2, non vi erano precedenti ricerche simili per prevedere il tasso di rendimento della società di semiconduttori che utilizzava la CBR di ponderazione delle caratteristiche neurali. L'ipsi ha mostrato che il CBR con il Il metodo di ponderazione "Attività" aveva un tasso di previsione migliore, sovraperformando il solo CBR e tutti gli altri metodi di ponderazione. Il CBR ibrido ha anche mostrato prestazioni migliori rispetto all'approccio statistico esistente (accuratezza della previsione in arrivo Da un'analisi di regressione multipla ha raggiunto circa l'80%).
Tuttavia, al fine di ottenere un tasso di previsione più accurato, HYPSSI necessita di più variabili di processo e dati dalla società target. Anche se le 16 variabili esistenti utilizzate in questo documento sono state determinate dagli ingegneri di produzione, È difficile ottenere un tasso di previsione più accurato utilizzando solo queste variabili e dati. Questa sarà la prossima area in cui dovrebbe essere condotta la ricerca.
Italiano
Pусский
