分析与诊断：“从小到大到更好”

任何诊断都离不开信息汇总与分析。相比数字和统计数据，人们总是更擅长通过图形化的信息来分析问题，尤其是当数据呈现的是随着时间的推移而发生变化的问题。以记录你一天步行信息的GPS为例，尽管下面这张图上下两部分展示的是同一天的行程，但下方的地图轨迹明显要比上方的坐标和时间记录更容易让人理解。

工艺设备诊断

为实现针对工艺设备的诊断，泛林集团打造了一个名为“泛林数据分析器(LamDA)”的实用程序。该程序可以读取日志数据并用图形表现情况变化，非常适用于针对不同晶圆或腔体的对比。客户和我们的一线工程师都经常使用这款程序，其当前有效许可已超过8,000份。LamDA的最佳使用方式是借助其提供的信息来证实或反驳预先提出的假设。但是，如果问题牵扯的范围太广而无从下手(即“大海捞针”的难题)或有问题但完全没有发现时又该如何处理呢?

更大的挑战

面对更大的挑战，我们的应对方法也要变，正如电影《大白鲨》的经典台词：“我们要换大船来对付大家伙”。而泛林集团推出的最新一代大数据分析工具腔室匹配诊断工具(D2CM)就是这样的“大船”。它采用了机器学习算法，可用于汇总分析所有设备在很长一段时间内的数据。换句话说，这个工具能够不分寒暑地主动帮你探查潜藏在汪洋大海中的“针头”，哪怕你根本不知道有这样一个“针头”的存在。可以说D2CM就是“超级版LamDA”。

D2CM通常被用于评估运行相同工艺(或应用)的一组设备的性能。尽管在批量生产中客户可以通过控制限值来判断设备是否按照设置的参数运行，不同设备仍然会存在误差。这些差异不但难以识别，而且通常很难确定其背后的根本原因。D2CM的多变量(或多维)分析法可以识别这些具有统计意义的误差从而找到改良的方向。该方法的一大优势在于它能综合考量不同信号数据之间的相互作用(请记住，压力、温度、功率等都是相互关联的)，提高“信噪比”并更快找到根本原因。

由于机器学习的高度复杂性，我们往往需要大量的培训才能熟练掌握其使用方法。若需要真正了解如何将分析结果转化为维修或纠正措施，则需要更多技能，因为你需要非常了解工艺设备。

还有更好的方法吗?

我们一直在努力研发“更好的方法”。我们的思路是在综合分析大量使用大数据的基本场景，把它们开发成更简单的“应用程序”。例如该程序可能是专用于评估同组所有设备的全部配置设置，或一个“子系统运行状况模型”，又或是帮助你完成设备日常运行检查的程序。另外，该程序还建了一个“沙盒”环境，工艺工程师可以便捷地访问设备数据和D2CM的核心引擎，试行不同的分析方法，或将数据可视化。该开发项目首批应用程序于2020年下半年投入使用，未来还会有更多应用程序加入，其中一些应用程序将来自客户自己的沙盒。

以上所有这些努力都是为了提高数据和分析的质量，从而更好地提升设备的性能和生产率。