Shanghai, China May 30
Agenda

May 30 Thursday

• 9:00 AM-10:00 AM Plenary

  • JMP18新 功能：Profilers, Peaks, Presets, Pipes and Python

    Themes for new features in JMP 18 include peak modeling for chemistry, data connectors, a “preset” system for platform preference sets, interaction traces in the Profiler, and built-in support for Python. These and other new features will arrive soon in the most recent version of JMP.

    Presenter

    • 
      Alex Xu JMP

• 10:00 AM-10:30 AM

  • 专家面对面 & 用户案例演讲

    Room

    booth

• 10:30 AM-11:30 AM

  • 敬请期待

• 1:00 PM-1:30 PM

  • 专家面对面 & 用户案例演讲

    Room

    booth

• 3:00 PM-3:30 PM

  • 专家面对面 & 用户案例演讲

    Room

    booth

  • JMP DOE分析及建模优化在预测外延硅生长速率中的应用

    在半导体制造中，外延硅被广泛应用于晶圆衬底、pMOS SiGe、nMOS SiP、沟槽填充等应用。外延硅层的生长速率会受到多个步骤、多个工艺参数的影响。为了更高效地建立此种强交互的预测模型，我们需要彻底且全面的DOE评估，设计高度正交的DOE。此项目以外延硅生长速率的历史数据为起点，进行设计评估。对于建立预测模型而言，该历史数据结构功效弱，D 效率低，设计均匀性差，效应相关性和预测方差较高。在建模期间，由于缺乏模型自由度，RSM的逐步算法不稳定，导致模型重复性不佳，最优设计点的置信区间过宽。除此之外，RSM 模型中观察到了两对强相互作用：一对相互作用可能归因于各效应之间的高度相关；而另一对相互作用则与工艺的竞争机制相关。随后利用稳健设计和蒙特卡罗模拟进行公差设计，利用设计空间刻画器用于进行公差分配分析，以模拟未来的技术需求。为了以最小成本改善现有的DOE结构从而优化预测模型，我们未采用全新的DOE，而是利用增强设计方法，通过三种方法改善现有DOE结构：(1) 移除非正交的数据； (2) 默认增强算法； (3) 中心增强算法。通过非常全面的增强设计，JMP建议了最佳四个增强数据点，最终改进了DOE 结构，极大地提高了对于历史数据的利用效率，显著缩短了工艺开发的周期及成本。

    Presenter

    • 
      Jiaping Shen Applied Materials

    Room

    Conference Room 1, 2, or 3

    Skill Level

• 3:30 PM-4:15 PM

  • 科学分析助力研发突破：统计与数据分析的洞见

    科学分析的迅速发展和人工智能（AI）的力量，已经彻底改变了各行各业的研发过程。我们将介绍科学分析的概述，探讨陶氏员工运用数据驱动洞察力和科学思维进行新产品开发所需的方法。同时，我们将分享聚氨酯配方应用中优化工艺参数的实验设计（DOE）和回归建模技术的案例研究。另外，我们还将展示利用机器学习算法揭示复杂历史数据中模式，利用人工神经网络实现在有限数据样本中提取关键知识的案例研究。

    Presenter

    • 
      Yan Ma Dow Chemical (China) Co Ltd

    Room

    Conference Room 1, 2, or 3

    Skill Level