實驗與結果 - 中文摘要

4-1 實驗數據

為篩選出影響參數之組合，本實驗使用 ProMOS Technologies Inc.所提供的同一製程下、同一品規之晶圓允收測量資料中的 2 個 Lot，每個 Lot 各自擁有 3 片晶圓測量資料（間距約為五片），且每晶圓片均為良率不佳之晶圓片，且資料高達一萬五千筆以上，所含之資料如圖 4-1 所示，包含 Lot 編號、晶圓片編號、

測量位置、測量座標、測量參數編號、實測資料及此片晶圓良率等。

所有實驗資料整理如表 4-1 所示：

圖 4-1 取得之實驗資料

組別 Lot 編號晶圓編號資料量

（筆）

測量參數

（個數）

良率

（％）目的 LOT_01 01 01 15,536 602 54.50 單組實驗

01 05 15,536 602 38.50 LOT_01G

01 10 15,536 602 28.92 群組實驗

LOT_02 02 01 15,536 602 43.92 單組實驗 02 05 15,536 602 59.67 LOT_02G

02 10 15,536 602 52.25 群組實驗

本實驗之測量參數如 3-3-1 節所述共 821 個，依照單位分類可區分成 27 類，

取得資料如表 4-2 所示，包含測量參數編號、測量單位、三種允收測量範圍及目標值等。面對三種允收測量範圍，本研究採用「控制上、下限」來界定測量值，

避免範圍太大或是範圍太小，造成限制太鬆或太嚴格之情況發生。

PAR_NO UNIT VALID_L VALID_HI SPEC_L SPEC_H CONTROL_L CONTROL_H TARGET 1 V -2 2 -1 -0.2 -1 -0.2 -0.6 2 A -0.00001 0.00001 -1E-09 1E-08 -1E-10 1E-10 4.5E-09 3 A -0.001 0.001 -1E-07 1E-07

~

-0.0000001 0.0000001 0 5200 V -2000000 -0.1 -1.5 -0.1 -1.5 -0.1 -0.8 5201 A -2000000 0.01 -0.01 0.01 -0.01 0.01 0

本研究之目的在於篩選出影響參數之組合，但為了篩選出更完整之測量參數，除了實驗中所篩選之參數，還外加工程師必測之參數（表 4-3），避免實驗設計偏差造成參數遺漏，使得實驗結果不夠完整，但並非所有必測之參數均對目前製程問題有所影響，僅參數重要性較其他參數高。

表 4-1 實驗分組資料表

表 4-2 測量參數規格表

工程師必測之參數（參數編號）

1004 1006 1013 1021 1024 1082 1099 1103 1124 1128 1141 1150 1171 1186 1190 1207 1222 1226 1253 1269 1272 1293 1339 1354 1358 1375 1390 1394 1411 1415 1484 1485 1486 1521 1531 1533 1566 1573 1575 1578 1579 1581 1583 1585 1587 1589 1592 1594 1596 1600

1602 共 51 個

4-2 實驗設計

針對 R-BBFNN 與 GA 兩大方法建立之三大模組（圖 3-1）：利用 R-BBFNN 母體模組訓練網路權重、R-BBFNN 子代模組回授網路誤差供 GA 模組篩選更佳之染色體（參數組合）、GA 模組最佳化母群體。實驗設計上，除了兩組不同 Lot 之資料增加實驗變異外，並設定實驗環境與實驗處理變數提高實驗控制性，使得實驗結果能有較高的實用性與正確性。

4-2-1 實驗組別

如表 4-1 所示，本研究為增加實驗變異共有兩組 Lot 資料，每組 Lot 資料均有不同製程問題，針對相同製程問題進行實驗分組，並且將同製程問題之第一片設計為單組實驗，第二、三片設計為群組實驗，此目的在於驗證本實驗除了可用於單片篩選影響參數外，亦可用於群組篩選，以增加本研究之實用性。故本實驗組別依據「製程問題」與「實用性」分 4 組實驗來進行。

4-2-2 實驗處理變數

實驗處理變數是研究中為了控制依變數而操弄之自變數、環境變數，讓實驗具有更高之正確性與實際性。而本研究針對三大模組所需之自變數與環境變數之

表 4-3 工程師必測參數表

設定如下：

1. GA 突變率：突變之發生機率相當小或大多有害，但為增加染色體之變異性，

本研究目前預設突變率 0.1。

2. GA 取代值之門檻：本研究實驗之取代門檻預設為 0.005（適應值）

，即網路輸出誤差於 35 內之染色體才可以進行取代之動作。

3. GA 重複交配次數（N）

：GA 面對一直變動之生存環境，為保持每一生存環境中適應基因避免完全消失於演進之過程中，對於 GA 模組重複交配次數，

本研究暫以 10 次為基準，避免過度演進造成不同環境下之適應基因遭淘汰。

4. 權重學習速率：權重學習速率主要於控制權重調整速度，本研究以一般設定

0.5 為權重學習速度。

5. 權重起始值：權重起始值大小將會影響權重收斂情況，預設值為 1。

6. 管制門檻百分比（質心貼近度）

：當製程變異（6σ）小於規格間之差(USL－

LSL)時是最理想情況，但製程變異增大時，可能造成測量值散佈偏移或是集中於某區間上。故本研究以質心貼近度 15%為預警區間，統計區間內所占有之百分比決定慣性因子數值。

4-2-3 實驗效益值

為了證明篩選之影響參數組合確切比原始測量參數組合所需之測量參數更少，而正確性不會減少，本研究採用「命中個數比」與「測量個數比」之比值來驗證實驗結果，如公式 10。當問題參數完全命中（PH / PN＝1）時，若篩選個數

少於工程師原始測量個數（M_O＞M_N）則值將大於 1，即所提供之參數組合有助於改善現況，而其最大值為（MO/MN），若值越高表示運用於製程預測可靠性越高。

O N

M

M P

P

效益值

（公式 10）

PH：問題參數命中之個數。

P_N：問題參數之總個數。

MN：染色體神經元之長度（測量參數個數）。 M_O：工程師原始測量參數之個數。

4-2-4 研究限制之設定

本研究中之限制共有二個，分述如下：

1. 網路權重值：網路權重訓練之資料高達一百五十萬筆以上，若不予以限制權

重將有機會愈來愈大，大到權重值達 3000 以上，導致篩選出之參數集中於幾個權重值極大上，而使其他重要參數無法顯現。故將網路權重設定最大值為 10，讓其他重要之參數不因權重相差甚遠，而無法突顯其重要性。

2. Beta Function 值：本研究中因質心（目標值）已先決定，且又讓 p、q 值隨

機產生，故 Beta Function 最大值將不會界限於 1 內，將可能有超大值情況出現。本研究以 10,000,000 為 Beta Function 最大值，避免因值過大而有溢位的情況發生。另外在網路方面，又利用質心誤差修正權重，以突顯較佳之 p、q 值，避免無意義之 p、q 值出現。

4-3 系統操作簡介

本實驗採用 SQL 2000 為實驗資料庫，開發程式為 VB 6.0；整個操作共分初始化、實驗執行與中斷繼續執行三部分，分述如下：

1. 初始化：主要目的為實驗前置處理（轉檔進資料庫、文字紀錄檔換新）與初

始化 GA 模組之母群體，介面如圖 4-2。

2. 實驗執行：主要目的為實驗之執行與結果匯出；先設定各種實驗處理變數，

並統計超出管制百分比之實驗資料，然後按下「執行」鈕開始參數篩選之運算，等待運算結束後，再將執行的結果（圖 4-5）匯入資料庫，把所有資料統計以*.xls 格式匯出（圖 4-6），介面如圖 4-3。

圖 4-2 初始化操作介面

3. 中斷繼續執行：因執行一次實驗所花費時間至少四天以上，為避免中途因外

在因素造成實驗中止（如：停電、主機板損毀等），本系統還額外具有中斷繼續執行之功能；先將前次設定之實驗處理參數載入，然後將超出管制百分比之實驗資料重新統計，再將母群體資料載入系統中，最後按下「繼續執行」

鈕便可再由中斷處繼續執行未完成之部分，介面如圖 4-4。

圖 4-4 實驗中斷繼續執行操作介面 圖 4-3 實驗執行操作介面

4-4 結果分析

本研究將三大模組建入實作系統，實驗結果將依母群體適應值、單一組別結果與分析、組別彙整與分析等三部份，分述於下面各小節之中。

4-4-1 母群體適應值

母群體生存在不斷變更的環境下，其適應值能平穩且收斂於特定值，表示母群體「穩定」保有不同生存環境中之有利基因，不因環境變更而導致母群體適應能力突然變化很大，意即經由本研究之訓練（依據設定之實驗處理變數條件），

圖 4-5 實驗輸出－母群體資料（文字檔）

圖 4-6 實驗輸出－母群體命中資料（Excel 檔）

GA 模組所產生之母群體已經達到最佳組態之情況，任何網路輸入，其有意義之影響已被記錄至母群體中，下述（圖 4-7 至圖 4-10）為各組實驗之母群體適應值紀錄曲線。

圖 4-7 LOT_01 母群體適應值曲線

圖 4-8 LOT_01G 母群體適應值曲線

於單組實驗之母群體適應值曲線（圖 4-7、圖 4-9），約經 2,000 次至 5,000 次環境變動，母群體適應值攀昇至 0.6 以上，且約為 10,000 次時便開始收歛。而群組實驗之母群體適應值曲線（圖 4-8、圖 4-10），因實驗資料由晶圓編號 05 變更為晶圓編號 10，導致網路輸出標準值變動（良率值）；故約為 15,000 次（每晶圓片資料總數）環境變更後，母群體為重新適應新的網路輸出標準值而有劇烈之變動，但最終結果仍是平穩收斂。實驗結果顯示母群體面對不同晶圓片的檢測資料，依舊保有各生存環境的有利基因，不會因良率值變動，而導致研究方法失敗。

圖 4-9 LOT_02 母群體適應值曲線

圖 4-10 LOT_02G 母群體適應值曲線

在本研究之適應函數（第三章，3-4-2 節），神經元最大個數為 821 個與最小個數為 1 個，故最大適應值約為 5.22，而造成本實驗結果之適應值不高的原因，

主要為本研究為將每個生存環境下些許重要且有意義之基因保留至母群體中，才會造成適應值不高的結果產生，若要求太高之適應值，則母群體適應值將不會如圖如此收斂平穩，會因為太適應當下生存環境使得前次環境之有利基因於目前生存環境下遭演進而被淘汰掉，使得每一個生存環境下有利之基因無法均勻保留於母群體之中。

此外，本研究對統計製程管制（Static Process Control，SPC）仍有較優之長處，對於測量值均於管制界限內之問題參數，仍可以運用關聯性與 Beta Function 之特性，將認定統計製程判斷正常之問題參數篩選出來，以下幾小節之組別實驗結果與分析將會予以驗證。

4-4-2 單一組別結果與分析

針對 4 組實驗所產生之結果，於下述幾小節中將個別整理與分析。

4-4-2-1 組別 LOT_01 實驗結果與分析

本組實驗目的為「單組實驗」，造成製程問題之影響參數共 17 個（附錄 A），

產生之影響參數組合如「附錄 B」所示，參數命中率排名前 10%之命中個數（圖 4-11）及其資料彙整（表 4-4）如下：

不含工程師必測參數含工程師必測參數染色體編

號長度命中個數命中率效益比長度命中個數命中率效益比 23 342 12 0.70588 1.24252 376 14 0.823529 1.318523 25 383 12 0.70588 1.10951 409 15 0.882353 1.29872 40 446 12 0.70588 0.95278 472 15 0.882353 1.125374 65 380 12 0.70588 1.11827 407 15 0.882353 1.305102 73 377 12 0.70588 1.12716 403 14 0.823529 1.230185 78 289 12 0.70588 1.47038 323 14 0.823529 1.534875 89 294 12 0.70588 1.44538 329 15 0.882353 1.614518 20 341 11 0.64706 1.14231 375 14 0.823529 1.322039 34 397 11 0.64706 0.98118 426 15 0.882353 1.246893 39 265 11 0.64706 1.46992 298 14 0.823529 1.66364

將晶圓允收測試資料引入本研究中尋找影響參數組合，最佳結果可以命中至

0 5 10 15

NO23 NO25 NO40 NO65 NO73 NO78 NO89 NO20 NO34 NO39

不含必測包含必測

圖 4-11 LOT_01 參數命中個數之前 10%

表 4-4 LOT_01 參數命中之彙整資料

0.647%以上（11 個以上），效益比也多數大於 1，且加入工程師必測參數加入評估後，本研究所提供之測量參數組合命中率高達八成（14 個）以上，效益比都大於 1，顯出本研究篩選之影響參數有相當之正確性和參考價值。

另外，經由驗證實驗數據，發現「612」、「1004」、「1272」、「1415」及「1483」

等參數其測量數值均於管制界限內，其非統計製程管制所能發現之問題參數，但在本研究仍有命中，如表 4-5：

LOT_01 資料均於管制界限內，實驗命中次數（染色體）

問題參數 612 1004 1272 1415 1483 出現次數 59 72 1 56 61

表 4-5 LOT_01 非統計製程問題之命中參數

在文檔中中文摘要 (頁 56-78)