Número Browse:20 Autor:editor do site Publicar Time: 2018-10-23 Origem:alimentado
Na fabricação de semicondutores, os produtos finais são fabricados através de várias centenas de processos altamente automatizados e dramaticamente interdependentes. A maioria dos processos de fabricação em uso hoje estão complexamente entrelaçados e Torne-se infitimal ao usar a tecnologia em escala de nanômetros.
Para os fabricantes ou engenheiros, o rendimento é considerado um fator muito importante que deve ser monitorado e controlado. O rendimento é definido como a proporção de produtos normais e produtos acabados. Gerenciamento de rendimento no semicondutor A indústria é entendida como um sistema analítico abrangente que possui as características de um sistema complexo. Um sistema complexo possui muitas variáveis de componentes independentes que interagem entre si de muitas maneiras complicadas. Portanto, é considerado difícil de prever e controlar.
O rendimento na fabricação de semicondutores é fortemente afetado por vários fatores, incluindo partículas ou contaminantes na bolacha, substâncias nos instrumentos de fabricação, parâmetros do processo de fabricação, atitudes dos engenheiros de processo, e o design de semicondutores.
As empresas de semicondutores podem atingir um certo grau de rendimento aplicando controles estatísticos de processo e 6-sigma a um semicondutor. Melhoramento de rendimento empregando medições estatísticas, no entanto, tem dificuldade em prevenir o baixo rendimento lotes efetivamente com antecedência. Isso ocorre porque as variáveis do processo de fabricação que afetam as alterações no rendimento têm uma relação complexa não linear com o rendimento. Devido a esse efeito interativo entre várias variáveis, fabricantes Encontre, é difícil identificar problemas no tempo, quando pequenas mudanças em uma relação entre os parâmetros do processo podem causar alterações no rendimento.
Assim, outras técnicas inteligentes são necessárias para detectar as principais variáveis de processo que afetam seriamente as mudanças no rendimento. Este estudo desenvolveu um sistema de previsão de rendimento híbrido na indústria de semicondutores, chamada Hypssi, como um complemento para a abordagem estatística existente. Este sistema é baseado em uma aplicação híbrida de técnicas de aprendizado de máquina para representar várias variáveis de processo relacionadas a prever efetivamente o rendimento de produção em Fabricação de semicondutores. O HYPSSI adota redes neurais (NNS) e raciocínio baseado em casos (CBR), que pode ser aplicado diretamente a fins de previsão. No entanto, a CBR sofre de ponderação de recursos; Quando mede a distância entre Casos, alguns recursos devem ser ponderados de maneira diferente. Muitas variantes ponderadas em recursos do vizinho mais parecido com K (K NN) foram propostas para atribuir pesos mais altos a características mais relevantes para fins de recuperação de casos [2,37]. Embora aqueles Variantes foram relatadas como melhorando sua precisão de recuperação em relação a algumas tarefas, poucas foram usadas em conjunto com as redes neurais para preverDesempenho de rendimento na fabricação de semicondutores.
Para avaliar os recursos e guiar a CBR, o Hypssi adota quatro métodos de ponderação de recursos: sensibilidade, atividade, saliência e relevância. Cada método calcula o grau de importância de cada recurso usando os pesos da conexão e Padrões de ativação dos nós na rede neural treinada.
Para validar essa abordagem híbrida na indústria de semicondutores, o Hypssi foi aplicado à empresa internacional de semicondutores, que foi classificada como um dos principais fabricantes do mundo. Depois de comparar este híbrido Método com outros métodos que foram utilizados, este artigo mostra que o método híbrido fornece uma previsão de rendimento mais precisa.
Este artigo está organizado da seguinte forma: Seção 2 revisa várias abordagens usadas no fornecimento de gerenciamento de rendimento aplicado à fabricação de semicondutores. Esta seção se concentra em aplicativos híbridos que combinam técnicas de aprendizado de máquina.
A Seção 3 descreve a metodologia do sistema de previsão de rendimento híbrido na indústria de semicondutores, chamado hypssi. Os resultados experimentais são apresentados na Seção 4 para validar o sistema. Finalmente, este artigo é concluído por Briefla resumindo o estudo e a direção de pesquisas futuras.
Métodos de pesquisa aplicados à fabricação de semicondutores
Em uma indústria de alta tecnologia, como a fabricação de semicondutores, a melhoria do rendimento é cada vez mais importante, pois as tecnologias avançadas de fabricação são complicadas e muitos fatores inter-relacionados afetam o rendimento das bolachas fabricadas. Uns poucos Estudos têm como objetivo melhorar o desempenho do rendimento e reduzir o custo operacional e de investimento de capital na indústria de semicondutores. Existem várias abordagens estatísticas aplicadas à fabricação de semicondutores. Wang [36] usou o inferior Teste de limitação e capacidade de confiança para rendimento do processo, que pode determinar se os processos de fabricação atendem ao requisito de capacidade. Kaempf [18] usou o teste binomial com gráficos de rendimento gráfico de bolachas de produção reais para Identifique fontes de defeitos no processo de fabricação. Cho et al. [9] descreveram uma variante da análise de componentes principais que se decompõe Variabilidade do processo usando estatísticas das medições da fabricação.
Sobrino e Bravo [32] incorporaram um algoritmo indutivo para aprender as causas tentativas de bolachas de baixa qualidade com dados de fabricação. Last e Kandel [22] apresentaram a rede de percepções automatizadas para um planejamento preciso do rendimento por meio Construção automatizada de modelos a partir de conjuntos de dados ruidosos.
Uma técnica pode ser combinada com outras técnicas para melhorar a qualidade da pesquisa, ao ser usada no processo de previsão de rendimento. Kang et al. [19] Árvores de decisão indutiva integradas e NNs com propagação de volta e Os algoritmos SOM para gerenciar rendimentos sobre os principais processos de fabricação de semicondutores. Shin e Park [31] integraram as redes neurais e o raciocínio baseado em memória para desenvolver um sistema de previsão de rendimento de wafer para fabricação de semicondutores. Yang et al. [40] Pesquisa mista de tabu e recozimento simulado para integrar a configuração do layout e os sistemas de manuseio de materiais automatizados na fabricação de wafer.
Chien et al. [8] incluíram agrupamentos de K-Means e uma árvore de decisão para inferir possíveis causas de falhas e variações do processo de fabricação dos dados de fabricação de semicondutores. Hsu e Chien [13] estatísticas espaciais integradas e Teoria de ressonância adaptativa Redes neurais para extrair padrões dos mapas de banda de wafer e associar -se a defeitos de fabricação. Li e Huang [23] integraram o mapa auto-organizado (SOM) e a máquina vetorial de suporte (SVM): os clusters SOM os mapas da banda de wafer; O SVM classifica os mapas da banda de wafer para identificar os defeitos de fabricação. Wang [35] apresentou um sistema de diagnóstico de defeito espacial para a fabricação de semicondutores, que combina cluster confuso baseado em erros quadrados e Cluster espectral baseado no kernel e uma árvore de decisão. Romaniuk e Hall [29] criaram o sistema SC-Net que fornece capacidade de sistemas especializados com aprendizado em uma abordagem híbrida de conexão/simbólica para detectar semicondutor falha de bolacha. Chaudhry et al. [6] propuseram uma metodologia de relação de entidades difusas para construir um protótipo de um banco de dados relacional difuso para um sistema de controle discreto adequado para um processo de fabricação de semicondutores.
Liao [25] pesquisou a literatura de desenvolvimento de sistemas especializados de 1995 a 2004. Com base em seus achados, os principais aplicativos que implementam a CBR híbrida foram desenvolvidos nas seguintes áreas: design de fabricação e diagnóstico de falhas, Modelagem e gerenciamento de conhecimento, planejamento e aplicação médica e áreas de previsão financeira.
A abordagem híbrida de CBR foi amplamente adotada no projeto de fabricação e diagnóstico de falhas. Hui e Jha [16] integrados NN, CBR e raciocínio baseado em regras para apoiar as atividades de atendimento ao cliente, como suporte de decisão e máquina Diagnóstico de falhas em um ambiente de fabricação. Liao [26] integrou um método CBr com um perceptron de várias camadas para a identificação automática de mecanismos de falha em todo o processo de análise de falhas. Yang et al. [39] CBR integrado com um Art-Kohonen NN para melhorar o diagnóstico de falhas de motores elétricos. Tan et al. [34] A CBR integrada e o Artmap Fuzzy NN para apoiar os gerentes na tomada de decisões de investimento em tecnologia de fabricação oportunas e ideais. Saridakis e A Dentsoras [30] introduziu um design baseado em casos com um sistema de computação suave para avaliar o projeto paramétrico de um transportador de oscilação.
As seguintes trabalhos de pesquisa nas áreas de modelagem e gerenciamento de conhecimento foram desenvolvidas. Hui et al. [15] Combinaram a abordagem CBR e NN para extrair conhecimento dos serviços anteriores do cliente e recordar o apropriado serviço. Choy et al. [10] desenvolveram um sistema inteligente de gerenciamento de relacionamento com fornecedores usando as técnicas híbridas de CBR e NN para selecionar e comparar fornecedores potenciais da Honeywell Consumer Products Limited em Hong Kong. Yu e Liu [41] propuseram uma hibridação de técnicas de raciocínio simbólicas e numéricas para obter uma precisão mais alta e superar o problema de escassez de dados no banco de dados do projeto de construção. Chen e Hsu [7] resolveram possíveis problemas de processo causado por mudanças de ordens em projetos de construção. Eles utilizaram NNs para prever a probabilidade de litígio e utilizaram a CBR para alertar os rendimentos. IM e Park [17] desenvolveram um sistema especialista híbrido de CBR e NN para um sistema de aconselhamento personalizado para a indústria cosmética. Liu et al. [27] desenvolveram uma técnica de redução de casos baseada em associação para reduzir o tamanho da base de casos, a fim de melhorar a eficiência, melhorando a precisão da CBR. Sun et al. [33] construiu um base de casos com base nas relações de similaridade e nas relações difusas, que são definidas no mundo possível de problemas e soluções.
O CBR híbrido também foi usado nas áreas de planejamento médico e aplicação. Guiu et al. [12] introduziram um sistema de classificação baseado em casos para resolver o diagnóstico automático de imagens de biópsia mamária. Hsu e Ho [14] combinaram o CBR, NN, Fuzzy teoria e teoria de indução juntas para facilitar o diagnóstico de múltiplas doenças e o aprendizado de novos conhecimentos de adaptação. Wyns et al. [38] aplicaram um mapeamento modificado de Kohonen combinado com um critério de avaliação da CBR para prever precocemente Artrite, incluindo artrite reumatóide e espondiloartropatia. AHN e KIM [1] combinaram o CBr com algoritmos genéticos para avaliar características citológicas derivadas de uma varredura digital de lâminas de aspirado de agulha (FNA) da mama.
Os CBRs híbridos também foram usados em áreas de previsão financeira. Kim e Han [20] apresentaram um método de Indexação de Casos da CBR que utiliza o SOM para a previsão da classificação de títulos corporativos. Li et al. [24] introduziu um recurso baseado em recursos Medida de similaridade para lidar com a previsão de sofrimento financeiro (por exemplo, previsão de falência) na China. Chang e Lai [4] integraram o SOM e o CBR para previsões de vendas de livros recém -lançados. Chang et al. [5] evoluíram um sistema CBR com Algoritmo genético para o atacadista que retorna previsão de livros. Chun e Park [11] criaram uma CBR de regressão para previsão financeira, que aplica pesos diferentes a variáveis independentes antes de encontrar casos semelhantes. Kumar e Ravi [21] Apresentou uma revisão abrangente dos trabalhos utilizando NN e CBR para resolver os problemas de previsão de falências enfrentados pelos bancos.
Para melhorar a capacidade de prever o rendimento com precisão, um sistema de previsão de rendimento híbrido foi desenvolvido na indústria de semi-condutores (hypssi). É o seguinte método híbrido, combinando técnicas de aprendizado de máquina, como Rede de Back-Propation (BPN), CBR e K NN (ver Fig. 1).
O Hypssi consiste em quatro fases: aprendendo sobre a relação entre variáveis de caso e rendimento, ponderação de recursos, extraindo K casos semelhantes e a média ponderada de rendimentos extraídos. A primeira fase encontra a importância relativa de Variáveis independentes da relação entre variáveis independentes (isto é, variáveis do processo de fabricação) e uma variável dependente (isto é, rendimento). Quando o treinamento de um BPN é concluído no caso da base do caso de rendimento, o Os pesos da conexão de uma rede neural treinada revelam a importância da relação entre as variáveis do processo e o rendimento.
Para obter um conjunto de pesos de recurso da rede treinada, são utilizados quatro métodos de peso de recursos: sensibilidade, atividade, saliência e relevância [28,37,42]. Cada um desses métodos calcula o grau de cada recurso Importância usando os pesos da conexão e os padrões de ativação dos nós na rede neural treinada. Os algoritmos de peso de características são descritos mais briados da seguinte forma:
Método de "sensibilidade": a sensibilidade de um nó de entrada (Seni) é calculada removendo o nó de entrada da rede neural treinada. A sensibilidade de um nó de entrada é a diferença de erro entre a remoção do recurso e quando é deixado no lugar. Seni é calculado pela seguinte equação
onde e (0) indica a quantidade de erro após a remoção de um nó de entrada I e E (WF) significa o valor do erro quando o nó é deixado intocado. O valor de erro é baseado na seguinte equação
onde CB é uma base de casos que contém variáveis de caso (recursos) e rendimento correspondente e y indica o valor real do rendimento e oy indica o valor de rendimento observado pelo BPN.
Na fabricação de semicondutores, os produtos finais são fabricados através de várias centenas de processos altamente automatizados e dramaticamente interdependentes. A maioria dos processos de fabricação em uso hoje estão complexamente entrelaçados e Torne-se infitimal ao usar a tecnologia em escala de nanômetros.
Para os fabricantes ou engenheiros, o rendimento é considerado um fator muito importante que deve ser monitorado e controlado. O rendimento é definido como a proporção de produtos normais e produtos acabados. Gerenciamento de rendimento no semicondutor A indústria é entendida como um sistema analítico abrangente que possui as características de um sistema complexo. Um sistema complexo possui muitas variáveis de componentes independentes que interagem entre si de muitas maneiras complicadas. Portanto, é considerado difícil de prever e controlar.
O rendimento na fabricação de semicondutores é fortemente afetado por vários fatores, incluindo partículas ou contaminantes na bolacha, substâncias nos instrumentos de fabricação, parâmetros do processo de fabricação, atitudes dos engenheiros de processo, e o design de semicondutores.
As empresas de semicondutores podem atingir um certo grau de rendimento aplicando controles estatísticos de processo e 6-sigma a um semicondutor. Melhoramento de rendimento empregando medições estatísticas, no entanto, tem dificuldade em prevenir o baixo rendimento lotes efetivamente com antecedência. Isso ocorre porque as variáveis do processo de fabricação que afetam as alterações no rendimento têm uma relação complexa não linear com o rendimento. Devido a esse efeito interativo entre várias variáveis, fabricantes Encontre, é difícil identificar problemas no tempo, quando pequenas mudanças em uma relação entre os parâmetros do processo podem causar alterações no rendimento.
Assim, outras técnicas inteligentes são necessárias para detectar as principais variáveis de processo que afetam seriamente as mudanças no rendimento. Este estudo desenvolveu um sistema de previsão de rendimento híbrido na indústria de semicondutores, chamada Hypssi, como um complemento para a abordagem estatística existente. Este sistema é baseado em uma aplicação híbrida de técnicas de aprendizado de máquina para representar várias variáveis de processo relacionadas a prever efetivamente o rendimento de produção em Fabricação de semicondutores. O HYPSSI adota redes neurais (NNS) e raciocínio baseado em casos (CBR), que pode ser aplicado diretamente a fins de previsão. No entanto, a CBR sofre de ponderação de recursos; Quando mede a distância entre Casos, alguns recursos devem ser ponderados de maneira diferente. Muitas variantes ponderadas em recursos do vizinho mais parecido com K (K NN) foram propostas para atribuir pesos mais altos a características mais relevantes para fins de recuperação de casos [2,37]. Embora aqueles Variantes foram relatadas como melhorando sua precisão de recuperação em relação a algumas tarefas, poucas foram usadas em conjunto com as redes neurais para prever Desempenho de rendimento na fabricação de semicondutores.
Para avaliar os recursos e guiar a CBR, o Hypssi adota quatro métodos de ponderação de recursos: sensibilidade, atividade, saliência e relevância. Cada método calcula o grau de importância de cada recurso usando os pesos da conexão e Padrões de ativação dos nós na rede neural treinada.
Para validar essa abordagem híbrida na indústria de semicondutores, o Hypssi foi aplicado à empresa internacional de semicondutores, que foi classificada como um dos principais fabricantes do mundo. Depois de comparar este híbrido Método com outros métodos que foram utilizados, este artigo mostra que o método híbrido fornece uma previsão de rendimento mais precisa.
Este artigo está organizado da seguinte forma: Seção 2 revisa várias abordagens usadas no fornecimento de gerenciamento de rendimento aplicado à fabricação de semicondutores. Esta seção se concentra em aplicativos híbridos que combinam técnicas de aprendizado de máquina.
A Seção 3 descreve a metodologia do sistema de previsão de rendimento híbrido na indústria de semicondutores, chamado hypssi. Os resultados experimentais são apresentados na Seção 4 para validar o sistema. Finalmente, este artigo é concluído por Briefla resumindo o estudo e a direção de pesquisas futuras.
Métodos de pesquisa aplicados à fabricação de semicondutores
Em uma indústria de alta tecnologia, como a fabricação de semicondutores, a melhoria do rendimento é cada vez mais importante, pois as tecnologias avançadas de fabricação são complicadas e muitos fatores inter-relacionados afetam o rendimento das bolachas fabricadas. Uns poucos Estudos têm como objetivo melhorar o desempenho do rendimento e reduzir o custo operacional e de investimento de capital na indústria de semicondutores. Existem várias abordagens estatísticas aplicadas à fabricação de semicondutores. Wang [36] usou o inferior Teste de limitação e capacidade de confiança para rendimento do processo, que pode determinar se os processos de fabricação atendem ao requisito de capacidade. Kaempf [18] usou o teste binomial com gráficos de rendimento gráfico de bolachas de produção reais para Identifique fontes de defeitos no processo de fabricação. Cho et al. [9] descreveram uma variante da análise de componentes principais que se decompõe Variabilidade do processo usando estatísticas das medições da fabricação.
Sobrino e Bravo [32] incorporaram um algoritmo indutivo para aprender as causas tentativas de bolachas de baixa qualidade com dados de fabricação. Last e Kandel [22] apresentaram a rede de percepções automatizadas para um planejamento preciso do rendimento por meio Construção automatizada de modelos a partir de conjuntos de dados ruidosos.
Uma técnica pode ser combinada com outras técnicas para melhorar a qualidade da pesquisa, ao ser usada no processo de previsão de rendimento. Kang et al. [19] Árvores de decisão indutiva integradas e NNs com propagação de volta e Os algoritmos SOM para gerenciar rendimentos sobre os principais processos de fabricação de semicondutores. Shin e Park [31] integraram as redes neurais e o raciocínio baseado em memória para desenvolver um sistema de previsão de rendimento de wafer para fabricação de semicondutores. Yang et al. [40] Pesquisa mista de tabu e recozimento simulado para integrar a configuração do layout e os sistemas de manuseio de materiais automatizados na fabricação de wafer.
Chien et al. [8] incluíram agrupamentos de K-Means e uma árvore de decisão para inferir possíveis causas de falhas e variações do processo de fabricação dos dados de fabricação de semicondutores. Hsu e Chien [13] estatísticas espaciais integradas e Teoria de ressonância adaptativa Redes neurais para extrair padrões dos mapas de banda de wafer e associar -se a defeitos de fabricação. Li e Huang [23] integraram o mapa auto-organizado (SOM) e a máquina vetorial de suporte (SVM): os clusters SOM os mapas da banda de wafer; O SVM classifica os mapas da banda de wafer para identificar os defeitos de fabricação. Wang [35] apresentou um sistema de diagnóstico de defeito espacial para a fabricação de semicondutores, que combina cluster confuso baseado em erros quadrados e Cluster espectral baseado no kernel e uma árvore de decisão. Romaniuk e Hall [29] criaram o sistema SC-Net que fornece capacidade de sistemas especializados com aprendizado em uma abordagem híbrida de conexão/simbólica para detectar semicondutor falha de bolacha. Chaudhry et al. [6] propuseram uma metodologia de relação de entidades difusas para construir um protótipo de um banco de dados relacional difuso para um sistema de controle discreto adequado para um processo de fabricação de semicondutores.
Liao [25] pesquisou a literatura de desenvolvimento de sistemas especializados de 1995 a 2004. Com base em seus achados, os principais aplicativos que implementam a CBR híbrida foram desenvolvidos nas seguintes áreas: design de fabricação e diagnóstico de falhas, Modelagem e gerenciamento de conhecimento, planejamento e aplicação médica e áreas de previsão financeira.
A abordagem híbrida de CBR foi amplamente adotada no projeto de fabricação e diagnóstico de falhas. Hui e Jha [16] integrados NN, CBR e raciocínio baseado em regras para apoiar as atividades de atendimento ao cliente, como suporte de decisão e máquina Diagnóstico de falhas em um ambiente de fabricação. Liao [26] integrou um método CBr com um perceptron de várias camadas para a identificação automática de mecanismos de falha em todo o processo de análise de falhas. Yang et al. [39] CBR integrado com um Art-Kohonen NN para melhorar o diagnóstico de falhas de motores elétricos. Tan et al. [34] A CBR integrada e o Artmap Fuzzy NN para apoiar os gerentes na tomada de decisões de investimento em tecnologia de fabricação oportunas e ideais. Saridakis e A Dentsoras [30] introduziu um design baseado em casos com um sistema de computação suave para avaliar o projeto paramétrico de um transportador de oscilação.
As seguintes trabalhos de pesquisa nas áreas de modelagem e gerenciamento de conhecimento foram desenvolvidas. Hui et al. [15] Combinaram a abordagem CBR e NN para extrair conhecimento dos serviços anteriores do cliente e recordar o apropriado serviço. Choy et al. [10] desenvolveram um sistema inteligente de gerenciamento de relacionamento com fornecedores usando as técnicas híbridas de CBR e NN para selecionar e comparar fornecedores potenciais da Honeywell Consumer Products Limited em Hong Kong. Yu e Liu [41] propuseram uma hibridação de técnicas de raciocínio simbólicas e numéricas para obter uma precisão mais alta e superar o problema de escassez de dados no banco de dados do projeto de construção. Chen e Hsu [7] resolveram possíveis problemas de processo causado por mudanças de ordens em projetos de construção. Eles utilizaram NNs para prever a probabilidade de litígio e utilizaram a CBR para alertar os rendimentos. IM e Park [17] desenvolveram um sistema especialista híbrido de CBR e NN para um sistema de aconselhamento personalizado para a indústria cosmética. Liu et al. [27] desenvolveram uma técnica de redução de casos baseada em associação para reduzir o tamanho da base de casos, a fim de melhorar a eficiência, melhorando a precisão da CBR. Sun et al. [33] construiu um base de casos com base nas relações de similaridade e nas relações difusas, que são definidas no mundo possível de problemas e soluções.
O CBR híbrido também foi usado nas áreas de planejamento médico e aplicação. Guiu et al. [12] introduziram um sistema de classificação baseado em casos para resolver o diagnóstico automático de imagens de biópsia mamária. Hsu e Ho [14] combinaram o CBR, NN, Fuzzy teoria e teoria de indução juntas para facilitar o diagnóstico de múltiplas doenças e o aprendizado de novos conhecimentos de adaptação. Wyns et al. [38] aplicaram um mapeamento modificado de Kohonen combinado com um critério de avaliação da CBR para prever precocemente Artrite, incluindo artrite reumatóide e espondiloartropatia. AHN e KIM [1] combinaram o CBr com algoritmos genéticos para avaliar características citológicas derivadas de uma varredura digital de lâminas de aspirado de agulha (FNA) da mama.
Os CBRs híbridos também foram usados em áreas de previsão financeira. Kim e Han [20] apresentaram um método de Indexação de Casos da CBR que utiliza o SOM para a previsão da classificação de títulos corporativos. Li et al. [24] introduziu um recurso baseado em recursos Medida de similaridade para lidar com a previsão de sofrimento financeiro (por exemplo, previsão de falência) na China. Chang e Lai [4] integraram o SOM e o CBR para previsões de vendas de livros recém -lançados. Chang et al. [5] evoluíram um sistema CBR com Algoritmo genético para o atacadista que retorna previsão de livros. Chun e Park [11] criaram uma CBR de regressão para previsão financeira, que aplica pesos diferentes a variáveis independentes antes de encontrar casos semelhantes. Kumar e Ravi [21] Apresentou uma revisão abrangente dos trabalhos utilizando NN e CBR para resolver os problemas de previsão de falências enfrentados pelos bancos.
Para melhorar a capacidade de prever o rendimento com precisão, um sistema de previsão de rendimento híbrido foi desenvolvido na indústria de semi-condutores (hypssi). É o seguinte método híbrido, combinando técnicas de aprendizado de máquina, como Rede de Back-Propation (BPN), CBR e K NN (ver Fig. 1).
O Hypssi consiste em quatro fases: aprendendo sobre a relação entre variáveis de caso e rendimento, ponderação de recursos, extraindo K casos semelhantes e a média ponderada de rendimentos extraídos. A primeira fase encontra a importância relativa de Variáveis independentes da relação entre variáveis independentes (isto é, variáveis do processo de fabricação) e uma variável dependente (isto é, rendimento). Quando o treinamento de um BPN é concluído no caso da base do caso de rendimento, o Os pesos da conexão de uma rede neural treinada revelam a importância da relação entre as variáveis do processo e o rendimento.
Para obter um conjunto de pesos de recurso da rede treinada, são utilizados quatro métodos de peso de recursos: sensibilidade, atividade, saliência e relevância [28,37,42]. Cada um desses métodos calcula o grau de cada recurso Importância usando os pesos da conexão e os padrões de ativação dos nós na rede neural treinada. Os algoritmos de peso de características são descritos mais briados da seguinte forma:
Método de "sensibilidade": a sensibilidade de um nó de entrada (Seni) é calculada removendo o nó de entrada da rede neural treinada. A sensibilidade de um nó de entrada é a diferença de erro entre a remoção do recurso e quando é deixado no lugar. Seni é calculado pela seguinte equação
onde e (0) indica a quantidade de erro após a remoção de um nó de entrada I e E (WF) significa o valor do erro quando o nó é deixado intocado. O valor de erro é baseado na seguinte equação
onde CB é uma base de casos que contém variáveis de caso (recursos) e rendimento correspondente e y indica o valor real do rendimento e oy indica o valor de rendimento observado pelo BPN.
De acordo com a tabela, o BPN + CBR_SEN mostra a menor taxa de erro quando K é definido como cinco; O BPN + CBR_ACT tem a menor taxa de erro quando K é definido como 11; O bpn + cbr_sal mostra a menor taxa de erro quando k é definido como cinco; e o bpn + Cbr_rel mostra a menor taxa de erro quando k está definido como nove. Além desses pontos de K em cada método de ponderação, as taxas de erro aumentaram ligeiramente.
Tabela 1 Erros de predição de raciocínio baseado em casos com quatro esquemas de ponderação.
Fig. 2. Precisão média de previsão de cada esquema de ponderação.
A Fig. 2 ilustra a precisão média da previsão de todos os métodos de ponderação de recursos, de acordo com K variando K.
Todos os quatro métodos de ponderação superaram o método CBR sozinho em todos os experimentos. Além disso, na maioria dos experimentos, o BPN + CBR_ACT mostrou a maior precisão de previsão, seguida por BPN + CBR_SAL, BPN + CBR_REL e BPN + Cbr_sen.
À medida que K aumenta para 11, a diferença na precisão da previsão aumenta entre o CBR sozinho e os métodos de ponderação BPN + CBR_ACT. Existem, no entanto, pequenas diferenças na precisão da previsão entre os quatro recursos métodos.
Em geral, é difícil decidir qual método de ponderação é o melhor. Os autores sugerem que se deve testar os quatro métodos na fase de desenvolvimento inicial e depois implementar aquele com o menor erro de previsão no fase de produção. Nesse caso, a adoção do método de ponderação BPN + CBR_ACT é uma solução aceitável para prever a taxa de rendimento na fabricação de semi-condutores.
O gerenciamento de rendimento na indústria de semicondutores é uma prática de gerenciamento muito importante que deve ser monitorada e completamente controlada. Como as variáveis do processo de fabricação têm uma relação complexa não linear com o rendimento, Os fabricantes precisam de uma abordagem inteligente para identificar a relação entre os parâmetros do processo no tempo.
Neste artigo, os autores criaram e aplicaram o Hypssi, um método híbrido que combina BPN e CBR, para prever o rendimento da empresa de fabricação de semicondutores de destino. No hypssi, o BPN foi usado para atribuir pesos relativos a Características do processo de fabricação de cada caso na base de casos de rendimento.
Como a revisão da literatura na seção 2 revelou, não houve pesquisas semelhantes anteriores para prever a taxa de rendimento da empresa de semicondutores utilizando o CBR neural com peso de características. O hypssi mostrou que o CBR com o O método de ponderação da "atividade" teve uma melhor taxa de previsão, superando o CBR sozinho e todos os outros métodos de ponderação. O CBR híbrido também mostrou melhor desempenho do que a abordagem estatística existente (precisão da previsão chegando de uma análise de regressão múltipla atingiu cerca de 80%).
No entanto, para obter uma taxa de previsão mais precisa, o Hypssi precisa de mais variáveis de processo e dados da empresa -alvo. Embora as 16 variáveis existentes usadas neste artigo tenham sido determinadas pelos engenheiros de fabricação, É difícil obter uma taxa de previsão mais precisa usando apenas essas variáveis e dados. Esta será a próxima área na qual a pesquisa deve ser realizada.
Português
Pусский
