4.1 問題的定義
本研究是以某半導體製造公司為例，利用資料探勘的方式進行問題的分 析與解決，該半導體廠從事積體電路的製造、研發、測試及銷售，業務範圍 涵蓋動態隨機存取記憶體製造及晶圓代工兩大類，為了提昇在國際市場的競 爭力及達到量產的經濟規模，該公司設立之初，即與國外廠商建立技術、生 產與銷售的策略聯盟關係。而目前雙方更攜手合作共同研發最尖端DRAM 技 術，邁向系統晶片(System LSI)產品領域。目前該公司擁有八吋及十二吋廠，
其中八吋晶圓廠自八十五年開始運轉量產，目前已達四萬片的滿載月產能規 模。而十二吋晶圓廠，其滿載月產能可達四萬五千片，是台灣第一座為製造 先進記憶體而量身打造的十二吋晶圓廠。精進技術、服務客戶，成為穩定獲 利的世界級半導體公司，是該廠的願景。目前，該廠以先進的科技和產能，
提 供 標 準 型 記 憶 體(DRAM) 、 消 費 性 記 憶 體 (C-RAM) 、 通 訊 用 記 憶 體 (M-RAM)、高容量快閃記憶體(Flash)、CMOS 影像感測器及多元化代工服務。
半導體是以批量加工為生產方式，其加工的歩驟為先經雷射刻號、清洗 後，在加熱爐內且含氧下進行氧化作用接著利用氮進行化學氣相沈積，在二 氧化矽上沈積一層氮化矽，然後在晶圓上塗上一層感光層，再將光罩上的圖 案曝光進行顯影。接著利用蝕刻的方式，將未被保護的氮化矽層除去，將所 產生的線路植入離子源，其次進行金屬化過程，製做金屬導線以便連接各元 件，在每層加工完成後都要做一些電性的測試，以測試製程是否有任何的問 題，接著再重複前一次的製程。
半導體在最後加工完成後會進行晶圓允收測試，其目的是測試在加工過 程中是否有任何的缺陷產生而影響整體的表現，晶圓的製程往往都必須經過 很多道歩驟來完成，因此，當晶圓允收測試出現問題時必須要分析製造過程 中所蒐集得來的數據，此過程相當複雜且費時，因此，希望能利用資料探勘 的方法，有效率的辨識出有問題的參數，以利工程師進一歩的分析。
4.2 資料的蒐集
資料蒐集的目地是將多維度的資料給予淨化及整合，將資料的維度縮 小，以方便進一歩的分析活動，目前該半導體廠工程資料均利用資料庫進行 整合儲存與管理，在經過與相關人員討論，確認了資料的型態、因子數目、
參數等等，接下來刪除不必要的欄位，藉以達到減少資料維度及資料量的目 的，另外，對於存在的資料利用統計的方法進行純化的動作，去除變異過大 及缺值的因子以避免分析時受影響，由表 4.1 來看，參數一到參數十為半導 體在製造過程中的工程資料，每個參數都可相對應於某一個製造步驟或加工 機台。
4.3 分析方法
貝氏分類法其優點主要是能提供快速有效的反應，在有限且少量的資料 條件下，能有不錯的結果。要建立貝氏分類模式必須將資料分為二群，一群 為訓練資料，另一群為測試資料。利用訓練資料計算正確的事前機率及概似 機率，測試資料所得到的事後機率，可以得知問題變數所在。
本研究所蒐集到的資料為經過 WAT 測試結果而分為正常與異常兩大 類，利用正常資料群做為訓練的資料，找出概似機率及事前機率，再利用異 常資料找出事後機率，進一歩利用事後機率大小來判定可能出問題的參數，
及進一歩探討其背後所對應的機台或製程。由於參數間會有交互作用進而影 響到最後的測試結果，因此在做錯誤診斷時，最後分析的結果有可能不是只 有由診斷出來的參數所引起的錯誤，因此進一歩我們會利用因子分析的方法 找出和該參數有共同特徵的參數來進行分析。
4.4 貝氏分類
貝氏分類的優點在於對少量的資料能提供快速且有效的反應，在實務上 當WAT 攔截到品質有問題的產品時就必須進行問題的找尋，因此不會等到有 足夠的群體樣本以供分析，在此情況下利用貝氏分類就已發生的資料來進行 分析，找出有可能變異的參數，然後再進行相對應機台或製程的分析。就該 公司生產某一晶圓的資料而言，利用從工程資料庫蒐集得來的WAT 允收的正 常資料，當做貝氏分類模式的訓練資料。接下來，我們對有問題的製程資料 進行辦識，所謂有問題的資料是指產品在進行 WAT 時被拒絕的資料。從表
4.1 及圖 4.1 來看，參數一的機率相較其它的參數高，因此，我們可判別參數 一為問題參數，工程師可依據與參數一所對應的製程或機器設備進行分析或 校正。
表4.1 各參數之診斷機率 量測
點
參數 一
參數 二
參數 三
參數 四
參數 五
參數 六
參數 七
參數 八
參數 九
參數 十 1 0.095 0.015 0.038 0.036 0.015 0.087 0.177 0.238 0.082 0.216 2 0.023 0.221 0.009 0.016 0.022 0.036 0.047 0.271 0.159 0.196 3 0.300 0.174 0.039 0.121 0.034 0.055 0.019 0.109 0.025 0.125 4 0.129 0.100 0.123 0.140 0.055 0.040 0.081 0.114 0.034 0.183 5 0.102 0.138 0.111 0.066 0.008 0.017 0.072 0.263 0.082 0.141 6 0.146 0.174 0.118 0.166 0.017 0.037 0.008 0.165 0.005 0.164 7 0.282 0.139 0.016 0.096 0.043 0.052 0.064 0.080 0.146 0.082 8 0.179 0.219 0.042 0.045 0.064 0.082 0.087 0.110 0.021 0.151 9 0.360 0.058 0.031 0.015 0.007 0.022 0.033 0.210 0.088 0.176 P(Xj/F) 0.180 0.138 0.058 0.078 0.029 0.048 0.065 0.173 0.071 0.159
0.180
0.138
0.058
0.078
0.029
0.048
0.065
0.173
0.071
0.159
0.000 0.020 0.040 0.060 0.080 0.100 0.120 0.140 0.160 0.180 0.200
參數一 參數二 參數三 參數四 參數五 參數六 參數七 參數八 參數九 參數十
參數 機
率
圖4.1 機率分布圖
4.5 因子分析
由貝氏分類可得知機率分配最高的參數，以此提供工程師針對此參數相 對應的製程或機台加以檢視。實務上，由於多道製程有可能互相影響，因此 一個品質現象可能和許多的參數有相關，除了利用貝氏分類找出最有可能的 影響參數外，進一歩，我們想探討在參數中是否有共同的特徵。並依據此一 相同的特徵，我們可將參數區分成幾群，當某一品質現象發生時，在利用貝 氏分類找出最有可能引起問題的參數後，依據此一參數所坐落的群組，工程 師可直接對此一群組進行分析，減少摸索的時間。
我們利用統計軟體 SPSS 進行因子分析，以主成份法進行萃取，並以最 大變異法的直交旋轉以利數據能明顯的區分，在經過球形檢定(KMO)後發現 顯著性接近 0，小於顯著水準 0.05，故拒絕虛無假設，此即表示適合做因子 分析，整理各參數在進行轉軸後的各成份比重，可區分成三群，如表 4.2 所 示。
結合貝氏分類及因子分析，我們可知參數一的機率最高，可進行參數一 所對應的機台或製程的檢測，另外，由因子分析可知，參數一和參數二具有 共同的特徵值，因此同時也可對參數二所對應的製程或機台進行檢測，交叉 確認某一品質現象。
表4.2 轉軸後之成份歸納表
特徵值 所屬參數
1 3,4,5,6,7,9 2 8,10 3 1,2