तकनीकी सारांश: सेमीकंडक्टर वेफर मैन्युफैक्चरिंग के लिए डायनेमिक मल्टी-क्राइटेरिया बॉटलनेक सेवेरिटी इंडेक्स (DMBSI)

1. समस्या विवरण

सेमीकंडक्टर वेफर फैब्रिकेशन अत्यधिक जटिलता से भरा है, जिसमें पुनरावर्ती प्रक्रिया प्रवाह (reentrant process flows - जहाँ वेफर्स एक ही टूल्स पर कई बार वापस आते हैं), परिवर्तनशील उत्पाद मिश्रण (product mixes), और स्टोकेस्टिक प्रोसेसिंग समय शामिल हैं। इस वातावरण में उत्पादन बाधाओं (bottlenecks) की पहचान करना चक्र समय (cycle time - CT), वर्क-इन-प्रोग्रेस (WIP) और टाइम-टू-मार्केट को कम करने के लिए महत्वपूर्ण है। हालांकि, पारंपरिक बॉटलनेक पहचान विधियों को इस संदर्भ में महत्वपूर्ण सीमाओं का सामना करना पड़ता है:

• थ्योरी ऑफ कंस्ट्रेंट्स (TOC): यह अक्सर एक एकल, स्थिर बॉटलनेक मान लेता है, जो बदलते उत्पाद मिश्रण या उपकरण उपलब्धता के कारण होने वाले गतिशील बदलावों को समझने में विफल रहता है।
• सिंगल-मेट्रिक दृष्टिकोण: OEE जैसी विधियाँ या यूटिलाइजेशन रैंकिंग केवल प्रदर्शन के एक पहलू को मापती हैं, जो कतार गतिशीलता (queue dynamics), परिवर्तनशीलता (variability) और रीवर्क (rework) प्रभावों की अनदेखी करती हैं।
• क्यूइंग थ्योरी (Queueing Theory): विश्लेषणात्मक मॉडल (जैसे किंगमैन का VUT समीकरण) उन मान्यताओं पर निर्भर करते हैं (पॉइसन आगमन, स्थिर अवस्था) जिनका पुनरावर्ती प्रवाह (reentrant flows) द्वारा अक्सर उल्लंघन किया जाता है।
• डिस्क्रीट-इवेंट सिमुलेशन (DES): हालांकि यह व्यापक है, DES के लिए व्यापक मॉडलिंग प्रयास, अंशांकन डेटा (calibration data) और कंप्यूटिंग शक्ति की आवश्यकता होती है, जिससे यह नियमित परिचालन निर्णय लेने के लिए अनुपयुक्त हो जाता है।

मूल समस्या एक स्केलेबल, डेटा-संचालित कार्यप्रणाली के अभाव की है जो बिना किसी अतिरिक्त सेंसर या जटिल सिमुलेशन के, मानक मैन्युफैक्चरिंग एक्जीक्यूशन सिस्टम (MES) लॉग से कई नैदानिक संकेतों (diagnostic signals) को एकीकृत कर सके।

2. कार्यप्रणाली

लेखक डायनेमिक मल्टी-क्राइटेरिया बॉटलनेक सेवेरिटी इंडेक्स (DMBSI) का प्रस्ताव करते हैं, जो एक एकीकृत गंभीरता स्कोर (severity score) में पांच अलग-अलग नैदानिक संकेतों को संश्लेषित करता है। कार्यप्रणाली निम्नलिखित चरणों के माध्यम से आगे बढ़ती है:

A. डेटा स्रोत और प्रीप्रोसेसिंग

यह ढांचा एक वाणिज्यिक 200mm वेफर फैब्रिकेशन लाइन (सीगेट टेक्नोलॉजी) से अनामित (anonymized) MES लॉग डेटा का उपयोग करता है। डेटासेट में 22 वेफर लॉट्स के 10,865 स्टेप-लेवल रिकॉर्ड शामिल हैं। मुख्य प्रीप्रोसेसिंग चरणों में शामिल हैं:

• कुल चक्र समय (total cycle time) को 14 उप-घटकों (प्रोसेसिंग, रैक/क्यू, ट्रांजिट, लोड, होल्ड, पास, अबॉर्ट और रीवर्क समकक्षों) में विभाजित करना।
• डेटा को लॉट (Lot), स्टेप (Step) और स्टेज (Stage) स्तर पर एकत्रित करना।
• कंपोजिट मेट्रिक्स जैसे वैल्यू-एडेड रेशियो, वेट-टू-प्रोसेस रेशियो और रीवर्क फ्रैक्शन की गणना करना।

B. पांच नैदानिक उप-स्कोर (Diagnostic Sub-Scores)

DMBSI पांच सामान्यीकृत उप-स्कोरों ($S_1$ से $S_5$) के आधार पर एक संयुक्त स्कोर की गणना करता है:

1. एक्टिव लोड इंटेंसिटी ($S_1$): निरंतर प्रसंस्करण बोझ (संचयी सक्रिय समय) को मापता है, जो TOC एक्टिव-पीरियड विश्लेषण के समान है।
2. क्यू डायनेमिक्स ($S_2$): पूर्ण कतार संचय (रैक घंटे) और सापेक्ष भीड़भाड़ (वेट-टू-प्रोसेस रेशियो) का एक भारित संयोजन (weighted combination) है।
3. वेरिएबिलिटी इम्पैक्ट ($S_3$): प्रोसेसिंग समय और रैक/क्यू समय के कोएफिशिएंट ऑफ वेरिएशन (CV) को जोड़कर उच्च अस्थायी अस्थिरता वाले स्टेप्स की पहचान करता है।
4. साइकिल-टाइम सेंसिटिविटी ($S_4$): एक नया मेट्रिक जो पियर्सन सहसंबंध (Pearson correlation) के माध्यम से एक स्टेप के कुल समय के समग्र लॉट चक्र समय पर मार्जिनल प्रभाव को मापता है।
5. रीवर्क इम्पैक्ट ($S_5$): रीवर्क गतिविधियों के कारण होने वाले समय के अनुपात को मापता है, जो गुणवत्ता-संचालित क्षमता हानि को कैप्चर करता है।

C. जेनेटिक एल्गोरिदम (GA) ऑप्टिमाइजेशन

पांच उप-स्कोरों के लिए इष्टतम भार (weights) और $S_2$ एवं $S_3$ के आंतरिक मापदंडों को निर्धारित करने के लिए, लेखक जेनेटिक एल्गोरिदम का उपयोग करते हैं।

• उद्देश्य: देखे गए चक्र-समय योगदानों और DMBSI स्कोर के बीच पियर्सन सहसंबंध ($r$) को अधिकतम करना।
• वैलिडेशन: ओवरफिटिंग को रोकने के लिए 22 लॉट्स पर 5-फोल्ड क्रॉस-वैलिडेशन रणनीति का उपयोग किया जाता है।
• पैरामीटर्स: GA सात मापदंडों ($\alpha, \beta, w_1, w_2, w_3, w_4, w_5$) को अनुकूलित करता है (जैसे, भार का योग 1.0 होना चाहिए)।
• परिणाम: GA ने विशेषज्ञ ह्यूरिस्टिक बेसलाइन के $r=0.74$ से सुधार कर $r=0.80$ तक सहसंबंध को बेहतर बनाया।

D. डायनेमिक और काउंटरफैक्चुअल विस्तार

• टाइम-विंडोड एनालिसिस: यह ढांचा बॉटलनेक के स्थानांतरण को विज़ुअलाइज़ करने के लिए गैर-ओवरलैपिंग टाइम विंडोज़ पर DMBSI स्कोर की गणना करता है।
• व्हाट-इफ एनालिसिस: एक काउंटरफैक्चरल मॉड्यूल यह अनुमान लगाता है कि यदि विशिष्ट स्टेप्स पर प्रतीक्षा समय को 50% कम कर दिया जाए, तो संभावित चक्र-समय में कितनी कमी आएगी।

3. प्रमुख योगदान

पेपर पांच प्राथमिक योगदानों की पहचान करता है:

1. मल्टी-क्राइटेरिया इंटीग्रेशन: सक्रिय लोड, क्यू डायनेमिक्स, वेरिएबिलिटी, साइकिल-टाइम सेंसिटिविटी और रीवर्क इम्पैक्ट को एक एकल व्याख्या योग्य इंडेक्स में एकीकृत करने वाला पहला ढांचा।
2. टेम्पोरल डायनेमिक्स: डिस्क्रीट-इवेंट सिमुलेशन के बिना, मानक MES टाइमस्टैम्प का उपयोग करके शिफ्टिंग बॉटलनेक लोकेशन्स को ट्रैक करने की क्षमता।
3. क्वांटिफाइड सेंसिटिविटी: व्यक्तिगत स्टेप व्यवहार और कुल चक्र समय के बीच संबंध को मापने के लिए एक मार्जिनल इम्पैक्ट स्कोर ($S_4$) का परिचय।
4. एक्शनबल व्हाट-इफ एनालिसिस: लक्षित हस्तक्षेपों (targeted interventions) के लिए अनुमानित चक्र-समय कटौती प्रदान करने वाला एक एम्बेडेड घटक।
5. इंडस्ट्रियल वैलिडेशन: वास्तविक दुनिया के उत्पादन डेटा का उपयोग करके यह प्रमाण कि GA-ऑप्टिमाइज़्ड DMBSI, TOC, VSM और क्यूइंग एप्रोक्सिमेशन से बेहतर प्रदर्शन करता है।

4. प्रयोगात्मक परिणाम

ढांचे को चार बेसलाइन विधियों के विरुद्ध मान्य किया गया: TOC-प्रेरित एक्टिव पीरियड एनालिसिस, OEE एप्रोक्सिमेशन, किंगमैन क्यूइंग एप्रोक्सिमेशन, और VSM प्रोसेस साइकिल एफिशिएंसी।

• भविदन सटीकता (Predictive Accuracy): GA-ऑप्टिमाइज़्ड DMBSI ने देखे गए चक्र-समय योगदानों के साथ $r = 0.80$ का पियर्सन सहसंबंध प्राप्त किया। यह विशेषज्ञ ह्यूरिस्टिक बेसलाइन ($r=0.74$) में 8.1% का सुधार है और TOC ($r=0.60$) और VSM ($r=-0.30$) की तुलना में काफी बेहतर है।
• बॉटलनेक पहचान:
  • STEP_ZLOP (ओवर/अंडर इंस्पेक्शन) को DMBSI द्वारा #1 रैंक दी गई लेकिन TOC द्वारा #44। इसमें उच्च क्यू डायनेमिक्स और साइकिल-टाइम सेंसिटिविटी देखी गई, जो प्रतीक्षा समय को आधा करने पर औसत चक्र समय में 7.2% की कमी ला सकता है।
  • STEP_EYJU (मैग्नेटिक डोमेन एनालिसिस) को उच्च वेरिएबिलिटी और रीवर्क इम्पैक्ट के कारण DMBSI द्वारा #3 रैंक दी गई, जबकि TOC द्वारा #55।
  • STEP_SSOW (डेपोजीशन) शुरुआती उत्पादन विंडो में शीर्ष बॉटलनेक था लेकिन बाद के विंडो में गायब हो गया, एक ऐसा बदलाव जो स्थिर (static) विधियों में अदृश्य था।
• संभावित बचत: DMBSI द्वारा पहचाने गए शीर्ष पांच बॉटलनेक स्टेप्स मिलकर लगभग 19% का संयुक्त संभावित चक्र-समय कटौती प्रदान करते हैं।
• मेथड तुलना: विधियों के बीच पेयरवाइज स्पीरमैन रैंक कोरिलेशन कम था (जैसे, TOC बनाम VSM $-0.72$ था), जो दर्शाता है कि सिंगल-मेट्रिक दृष्टिकोण अक्सर विरोधाभासी बॉटलनेक की पहचान करते हैं। DMBSI सभी बेसलाइन्स के साथ मध्यम सकारात्मक सहसंबंध दिखाता है, जो बताता है कि यह पूरक जानकारी कैप्चर करता है।

5. महत्व और दावे

पेपर का दावा है कि D-MBSI सेमीकंडक्टर मैन्युफैक्चरिंग ऑपरेशंस में बॉटलनेक पहचान के लिए एक स्केलेबल, डेटा-संचालित और व्याख्या योग्य विधि प्रदान करके एक महत्वपूर्ण अंतर को भरता है।

• व्यावहारिक उपयोगिता: इस ढांचे के लिए कोई अतिरिक्त सेंसर, सिम्युलेटर या विशेष हार्डवेयर की आवश्यकता नहीं है, यह पूरी तरह से मानक MES लॉग फ़ील्ड पर निर्भर है। यह ऑपरेशंस टीमों को एक एकीकृत गंभीरता स्कोर और विशिष्ट उप-स्कोर डायग्नोस्टिक्स (जैसे, लोड-ड्रिवन बनाम वेरिएबिलिटी-ड्रिवन बॉटलनेक के बीच अंतर करना) के आधार पर सुधारों को प्राथमिकता देने में सक्षम बनाता है।
• डायनेमिक इनसाइट: अपने टेम्पोरल माइग्रेशन पैटर्न को कैप्चर करके, DMBSI प्रोएक्टिव क्षमता प्रबंधन (जैसे, लॉट कोहॉर्ट्स के आने से पहले निरीक्षण क्षमता को तैनात करना) की अनुमति देता है, जिसे स्थिर विधियाँ प्राप्त नहीं कर सकतीं।
• सीमित दायरा: लेखक 22 लॉट्स के नमूना आकार (जो सांख्यिकीय सामान्यीकरण को सीमित करता है) और काउंटरफैक्चरल विश्लेषण में स्वतंत्रता की धारणा सहित सीमाओं को स्वीकार करते हैं। वे इस बात पर जोर देते हैं कि हालांकि परिणाम आशाजनक हैं, व्यापक सांख्यिकीय निष्कर्ष के लिए पूर्ण-पैमाने के उत्पादन डेटासेट पर सत्यापन आवश्यक है।

पेपर निष्कर्ष निकालता है कि DMBSI ढांचा जटिल, पुनरावर्ती सेमीकंडक्टर उत्पादन प्रणालियों में चक्र समय को कम करने के लिए पारंपरिक सिंगल-मेट्रिक दृष्टिकोणों की तुलना में एक बेहतर विकल्प प्रदान करता है।