A computer analyzes a process for fabricating a plurality of semiconductor wafers. The process has a plurality of processing steps, performed on various fabrication machines. The program is knowledge based, and is trained using training data, which may be generated by a simulator. A decision tree is generated, based on the training data. A plurality of input data representing characteristics of the semiconductor wafers are extracted. A first order pattern in any of the processing steps is identified using a decision tree, based on the input data. A plurality of probability distribution functions are formed for each characteristic. Each distribution function identifies a probability that a particular type of order pattern is present. A threshold is based on the plurality of probability distribution functions. A second order pattern in any of the processing steps is identified by comparing the data representing characteristics to the threshold. A third order pattern in any one of the processing steps is identified based on a calculated distance from a centroid computed from the data representing characteristics. One of the first, second, and third order patterns is selected, and one of the processing steps is identified as being associated with the selected order pattern. A problem in one of the plurality of machines is identified, based on a type of problem associated with the selected order pattern.

Un ordinateur analyse un processus pour fabriquer une pluralité de gaufrettes de semi-conducteur. Le processus a une pluralité d'étapes de transformation, exécutée sur de diverses machines de fabrication. Le programme est la connaissance basée, et est formé en utilisant les données de formation, qui peuvent être produites par un simulateur. Un arbre de décision est produit, basé sur les données de formation. Une pluralité de données d'entrée représentant des caractéristiques des gaufrettes de semi-conducteur sont extraites. Un premier modèle d'ordre dans n'importe laquelle de ces étapes de transformation est identifié en utilisant un arbre de décision, basé sur les données d'entrée. Une pluralité de fonctions de distribution de probabilité sont formées pour chacun caractéristique. Chaque fonction de distribution identifie une probabilité qu'un type particulier de modèle d'ordre est présent. Un seuil est basé sur la pluralité de fonctions de distribution de probabilité. Un modèle du second degré dans n'importe laquelle de ces étapes de transformation est identifié en comparant les données représentant des caractéristiques au seuil. Un troisième modèle d'ordre dans des n'importe quelles des étapes de transformation est identifié a basé sur une distance calculée d'un centre de surface calculé des données représentant des caractéristiques. Un du premier, deuxième, et les troisième modèles d'ordre est choisis, et une des étapes de transformation est identifié comme étant associé au modèle choisi d'ordre. Un problème dans un de la pluralité de machines est identifié, basé sur un type de problème lié au modèle choisi d'ordre.