A comparison of artificial intelligence and queuing theory methods to forecast semiconductor manufacturing cycle time

An accurate forecast of production cycle times is a critical success factor in semiconductor manufacturing systems, featured by re-entrant flows, shifting bottlenecks and many other operational challenges. Hence, since the 80s, several quantitative techniques have been developed to face this problem. In particular, Artificial Intelligence (AI) algorithms have gained great importance in the last years. However, their potential has not been fully exploited yet, even in the most advanced production plants. Moreover, it is still not clear which cycle time forecasting technique may be the most accurate, since the results of the recent studies are contrasting. In fact, the performance of the different forecasting models varies case by case. In particular, a comparison between AI techniques and Queuing Theory on the same dataset is still missing. Hence, the purpose of this study is to understand whether AI methods can outperform a recent Queuing Theory model in forecasting the cycle time of wafer lots described by data coming from a real fab. The results of the experiments showed a superior accuracy of the Random Forest algorithm (35.15% of Mean Absolute Percentage Error) versus Queuing Theory (40.65%). However, the performance of other data mining methods was worse. Therefore, it seems that AI techniques have the potential to outperform traditional analytical methods, provided that the best AI algorithm is chosen, that such algorithm is properly fine-tuned and that the whole mathematical modelling of the production system is correctly formulated.

Prevedere in modo accurato i tempi di produzione è un fondamentale fattore di successo nei sistemi di fabbricazione dei semiconduttori, caratterizzati da flussi intricati, colli di bottiglia mobili e molte altre difficoltà operative. Perciò, dagli anni ’80, molti modelli quantitativi sono stati sviluppati per affrontare questo problema. In particolare, gli algoritmi di Intelligenza Artificiale (IA) hanno acquisito una grande importanza negli ultimi anni. Tuttavia, il loro potenziale non è stato ancora del tutto sfruttato, perfino negli impianti di produzione più avanzati. Inoltre, non è ancora chiaro quale tecnica di previsione sia la più accurata, dal momento che i risultati degli ultimi studi sono contrastanti. Infatti, le prestazioni di diversi modelli previsionali variano caso per caso. In particolare, un confronto fra l’IA e la teoria delle code sugli stessi dati di partenza non è ancora presente. Perciò, lo scopo di questo studio è capire se le tecniche di IA possono superare un recente modello di teoria delle code nel prevedere i tempi di produzione di lotti descritti da dati provenienti da un impianto reale. I risultati degli esperimenti hanno dimostrato una accuratezza superiore dell’algoritmo “Random Forest” (35.15% di errore medio percentuale) rispetto la teoria delle code (40.65%). Tuttavia, le prestazioni di altre tecniche di “Data Mining” sono risultate peggiori. Dunque, sembra che l’IA abbia il potenziale di superare i modelli previsionali tradizionali, a patto sia scelto il migliore algoritmo, che sia propriamente ottimizzato e che la modellazione matematica del sistema produttivo nel suo complesso sia corretta.