Auf einen Blick
- Unternehmen
- Hitachi EnergyHersteller von Leistungshalbleitern; zur Zeit der Studie gehörte das Werk zu Hitachi ABB Power Grids
- Branche
- Industrie
- Wo und wann
- Schweiz. Daten bis April 2019, Einführung Februar – August 2020, veröffentlicht 2021.
- Wer die Zahlen erhoben hat
- Von Forschenden gemessenDie Zahlen stammen aus einer Studie von Forschenden an Universitäten, veröffentlicht in einer fachlich begutachteten Zeitschrift. Das Unternehmen stellte die Fertigungsdaten bereit und meldete den Forschenden die Zahl von 21,7 %. Die Ausbeuten im Artikel sind umgerechnet, um vertrauliche Daten zu schützen.
Was sie getan haben
Das Werk in Lenzburg fertigt Transistorchips für Geräte der Energietechnik. Ein Chip durchläuft 200 Prozessschritte. Am Ende wird jeder Chip getestet, und die durchgefallenen werden verschrottet. Den Anteil, der besteht, nennt man Ausbeute.
Bei so vielen Schritten ist schwer zu sagen, welcher die Ausfälle verursacht. Die üblichen Werkzeuge des Werks waren Korrelationsanalysen und das Urteil seiner Fachleute.
Forschende nahmen die Aufzeichnungen von 1.197 früheren Fertigungschargen, rund 1,8 Millionen Chips. Zu jeder Charge gab es 3.614 erfasste Einstellungen und Messwerte. Sie trainierten ein KI-Modell darauf, daraus die Ausbeute einer Charge vorherzusagen. Dann nutzten sie eine Methode, die zeigt, wie viel jede Eingabe zur Vorhersage beitrug. So ergab sich eine Rangfolge der 200 Schritte danach, wie stark sie die Ausbeute beeinflussten.
Zwei Schritte stachen heraus. Bei beiden fand das Modell, dass das Ergebnis davon abhing, welche Maschine die Arbeit gemacht hatte. Es schlug vor, das Material in jedem der beiden Schritte über eine bestimmte Maschine laufen zu lassen. Das Werk bestätigte, dass das keinen Engpass bei der Kapazität schaffen würde.
Die Zahlen
Der Test. Das Werk fertigte eine neue Charge aus 24 Wafern, den Siliziumscheiben, aus denen Chips geschnitten werden. Es teilte sie in vier Gruppen zu je sechs, mit jeweils 372 Chips. Auf der Skala des Artikels von 0 bis 100:
| Gruppe | Ausbeutewert |
|---|---|
| Wie üblich gefertigt | 38,2 |
| Nur erste Änderung | 50,6 |
| Nur zweite Änderung | 85,7 |
| Beide Änderungen | 86,0 |
- Ausbeuteverlust minus 21,7 %. Das Unternehmen verglich die Gruppe mit beiden Änderungen mit seiner durchschnittlichen Ausbeute und meldete diese Zahl den Forschenden.
Die Einführung. Danach wandte das Werk die Methode auf einen anderen Chip an, mit einer niedrigen Ausbeute, die niemand hatte erklären können. Das Modell wies auf zwei Ätzschritte. Die Ingenieure änderten beide.
- Ausbeuteverlust minus 51,3 %, verglichen wurde die Fertigung im Juli und August 2020 mit Februar bis Juni 2020. Der Gewinn hielt über den ganzen untersuchten Zeitraum.
Warum es nach Ansicht der Forschenden funktionierte
- Die üblichen Werkzeuge übersahen es. Das Unternehmen bestätigte, dass seine Standardmethoden die zwei Schritte beim zweiten Produkt nicht gefunden hatten. Ein herkömmliches statistisches Modell, zum Vergleich ausprobiert, fand ebenfalls nichts.
- Ingenieure konnten das Ergebnis des Modells lesen. Es nannte Schritte und Maschinen. Als die Ergebnisse Fachleuten der Fertigung gezeigt wurden, fanden sie die Ursachen: Ein Maschinentyp ließ Partikel auf die Wafer gelangen, ein anderer zerkratzte sie beim Beladen.
- Die Lösung kostete wenig. Die schwächeren Maschinen wurden zu Schritten verlegt, wo sie keinen Schaden anrichteten.
Was der Fall zeigt
- KI in der Fertigung kann sich ohne neue Anlagen auszahlen. Der Gewinn kam aus Daten, die das Werk schon erfasste, und aus einer geänderten Materialführung.
- Es braucht viel saubere Historie. Das Modell lernte aus mehr als tausend Chargen mit jeweils Tausenden erfassten Werten.
- Die KI schlug vor; Ingenieure entschieden und testeten. Das Werk machte einen kontrollierten Test an einer Charge, bevor es in der normalen Fertigung etwas änderte.
Was das über die Praktiken sagt
Praktiken, die das Unternehmen anwandte
- Beginnen Sie mit einem kostspieligen Prozess, nicht mit einer unternehmensweiten Einführung Die Arbeit zielte auf ein Produkt und einen Kostenblock: Transistorchips, die den Endtest nicht bestehen, werden verschrottet. Zuerst · Aufwand: mittel (Wochen, einige Personen)
- Messen Sie die eingesparte Zeit je Aufgabe an einer Ausgangsmessung Eine Fertigungscharge wurde in vier Gruppen geteilt. Eine Gruppe wurde wie üblich gefertigt, die anderen drei mit einer oder beiden der vorgeschlagenen Änderungen. Zuerst · Aufwand: gering (Tage, eine Person)
- Lassen Sie einen Menschen alles prüfen, was an Kunden geht oder rechtliches Gewicht hat Das Modell zeigte nur, woher die Verluste kamen. Die Prozessingenieure des Werks lieferten die möglichen Maßnahmen, prüften, ob sie umsetzbar waren, und ermittelten die physikalischen Ursachen. Zuerst · Aufwand: mittel (Wochen, einige Personen)
- Lassen Sie die KI zeigen, worauf ihre Antwort beruht Die Forschenden nutzten eine Methode, die zeigt, wie viel jeder Prozessschritt zur Vorhersage des Modells beitrug, und Fachleute der Fertigung fanden damit die physikalischen Ursachen. Als Nächstes · Aufwand: mittel (Wochen, einige Personen)
Quellen
- Senoner, Netland and Feuerriegel (2022). Using Explainable Artificial Intelligence to Improve Process Quality: Evidence from Semiconductor Manufacturing. Management Science, 68(8), 5704–5723. doi.org
- The same paper, free to read in the ETH Zurich Research Collection. doi.org
- ETH Zurich (15 December 2021). Improving quality through artificial intelligence. News article naming the plant as Hitachi Energy, Lenzburg. ethz.ch