表面粗糙度是半导体和显示器行业中衡量缺陷程度的关键指标，这是因为表面粗糙度会降低器件的电学性能且 影响器件使用寿命。在加工过程中，造成表面粗糙度工艺失效的原因可能各不相同，但由于缺乏能全面评估与 分析表面粗糙度指标的有效模型，使我们在改进工艺方面面临巨大挑战。 本项目旨在建立 JMP 分析包，将表面粗糙度测量指标与非正态分布模型建立联系，以便进行高效的根本原因 分析和工艺调整。 本项目使用 JMP Random Simulation平台生成粗糙度 Z-profile 数据并分为六种非正态分布模型：(1) normal; (2) uniform; (3) heavy tail; (4) right skewed; (5) bimodal; (6) outliers (3%). 计算了五 个表面粗糙度测量指标(Ra, Rz, Rp, Rv, Rk)和八个描述分布性的统计参数。比较了不同的clustering聚类方 法，包括Hierarchical Cluster, K-means Cluster, Normal Mixtures, Cluster Variables, Multivariate Correlation, Principle Components Analysis和 Model Driven Control Charts，看它们是否能有效地将 六个非正态分布模型分为轻尾聚类和离散点，并将 13 个变量分为峰值聚类、非对称聚类和轻尾聚类。有效区 分并预测表面粗糙度测量指标与非正态分布模型之间的关系。 JMP 表面粗糙度Data Mining项目能有效地检测工艺失效原因，进而缩短了工艺调试时间。此外，我们还在公 司内部搭建了一个强大的跨部门 JMP 表面粗糙度分析团队，为整个应用材料公司建立数据库（粗糙度、原始 Z-轮廓、粗糙度衡量、工艺调整）和开发预测模型。