與本論文相關的文獻可分為三主題，其一是R2R control 概述，其二類神經網路 在半導體製程應用，最後介紹類神經網路參數最佳化，茲分別敘述如下。
2.1 R2R Control 概述
R2R Control 屬於先進製程控制的一部分，它是一種對製程或設備的控制法 則，主要針對製程的投入與產出(Input-Output, I-O)，利用製程後量測資料以一個製 程批次(Run)或 Lot 為單位反覆修正及更新製程的配方(Recipe)或模型(Model)設定 之離散型控制系統。R2R Control 共分為三種類型：1.EWMA( Exponentially Weighted Moving average ) 2.演算法類型 3.其他類型(含機率及多目標方法)；而本研究所使用 類神經網路模式,是屬於 R2R 控制器的第 2 類演算法類型。茲將 R2R 相關研究分析 如下。
Park 等人(2005)發表一篇半導體黃光區的文獻回顧；作者提出一套 R2R 方法, 目的是為了要減少黃光stepper overlay 對準失敗的情形發生,並以一個 real-time 的實 驗測試來證明其可行性。黃光Overlay 對位偏差, 主要受兩個因素影響, 一個是黃 光製程內部動力學與stepper 本身,另一個則是產品本身, 有了這樣的觀察與分析後, 經由資料分析與類神經網路發展出一種控制方法來降低對位偏差,可達成降低 out spec 的次數， 提升良率。 Smith 等人(1998)提出在半導體製造領域中，Metal sputter 沉積製程的deposition rate 會 run-to-run 隨著 sputter 靶材的耗用而遞減。為了維持 wafer to wafer & lot to lot 的 film 的均勻度，作者提出 R2R model-based process control(MBPC)方法運用在濺鍍製程。基於 EWMA 的 R2R MBPC 提供了一個可以 追蹤與補償製程偏移的能力，它可以改善製程Cpk，進而減少 by lot 的控片使用量，
最後將R2R MBPC 實際運用在鈦濺鍍製程， 達成可以省略前導測試 run， 減少控 片使用量， 且 Cpk 改善了 10%
Stoddard等人(1994)採用了run-to-run feed-back & adaptive feedback 控制方 法， 運用在電容器的製造流程中；其包含四個主要的半導體製程流程， 氧化矽， 鋁 金屬生成， 黃光， 鋁蝕刻， 針對此四大流程的控制， 製程shift的補償， 維持整 個系統的穩定性， 進而達成得到一個穩定電容值的目標。作者提到由於半導體線寬
隨製程改善逐漸微縮，因此必須縮緊製程參數的tolerance， 相對應的， 一個對 process適合的控制方法也就顯得重要。研究顯示feedback control laws在maintain半導 體製程參數時有相當好的潛力，這包含了即時控制來維持穩定製程環境，R2R的製 程調整來獲得所需求的產品特性等。
在非半導體領域方面，Hermanto 等人(2006)亦發表一篇應用在醫藥領域的文 獻，提出有一種Polymorphism(多態性)物質，由於不只一種結晶型態的現象， 且每 種型態有獨立的特性. 因此，控制這種多態性在藥物的製造中便成為一個關鍵的因 子，以便能穩定的產出所需要型態的藥物. 在本篇 paper 中， 一種 run-to-run concentration control (C-control)被發展出來， 運用在 L-麩酸的多態性變化，由次 穩定的alfa 型態轉變為穩定的 beta 型態，讓 beta 型態的良率可以最佳化。
而另一種R2R Controller 最常手用的為指數加權移動平均(EWMA：
Exponentially Weighted Moving Average)；Adivikolanu 等人(2000)以 EWMA 控制器。
利用前一個run 的量測資料來對 recipe 做 run to run 校正；EWMA 是一種已經被工 業界與學術界運用的run to run 控制邏輯，作者提出對這種方法運用上的擴充，去 解決一些缺點， 同時運用 discrete control theory 做一些理論上的分析， 利用 internal model control(IMC) structure 將 run to run 控制上的問題公式化，使得能將一些未模 式化的製程偏移所造成的異常經由邏輯運算來找出並加以排除。最後發展出穩健度 (robustness)與快速 run to run 反應之間的相對協調關係，以及量測干擾的處置，最 後以圖形方式呈現。這些可實際運用於包括控制薄膜沉積的均勻度， 以及鎢的沉積 率等領域。
2.2 類神經網路在半導體製程應用
類神經網路應用於半導體方面的文獻，國內外皆具有相當多的例子。Kim 等人 (2004)應用類神經網路於 Nitride film 與折射率之研究，最後並找出影響折射率(RI)。
六個指標當中最顯著的因子是 SiH/sub4/ flow rate。Kim 等人(2001)以電漿設備為
Bhatikar 等人(2002)以及 Wang 等人(1996)利用類神經網路建立診斷模型於反應 器，該模式利用輸出值及目標值之間的偏差，來預測出製程失敗的原因。Wang 等 人(2006)描述 plasma 參數減少與玻璃面板表面材質之間的關係並建立一套類神網路 架構，並利用倒傳遞網路透過不斷的反覆學習建立最佳模式並驗證其模式有傑出的 預測能力。
Nadi 等人(1991)利用影響圖及類神經網路來建立網路模型於半導體製程。Su 等 人(2006)建立製程品質預測模式於 TFT-LCD 電漿濺鍍製程。Tong 等人(1997)以類神 經網路建構晶圓良率模式，此模式並能減少缺陷群聚現象，達到很好的良率預測效 果。
2.3 類神經網路參數最佳化
國外運用類神經網路於參數最佳化的文獻相當多，有學者 Cook 等人(2000)結 合類神經網路與基因演算法，求粒子板強度最佳化。Kim 等人(1994)建立模式於 plasma etching 蝕刻製程，並藉由不斷調整網路參數得到最佳參數組合。Ilumoka 等 人(1997)描述其想要知道 CMOS VLSI 電路與電晶體體積之間關係最佳化，因此利用 類神經網路來建立預測模型，求取電子電路良率和成本最小化。
Shao 等人(1995)等人類神經網路建立機械特徵辨識預測模型。作者說明若機械 特徵能正確被定義挑選出來，則機械狀態就能被正確描述，也因此作者成功建立機 械辦識預測模型。利用類神經網應用在並預測共同特性皆利用類神經網路來解決製 程上的分類、預測、診斷等時題，且絕大部份的文都是使用倒傳遞神經網路 (Back-propagation Neural Network)，倒傳遞神經網路之所以被廣泛運用的原因主要 是回想及學習速度快，精確度高等優點。本研究探用了倒傳遞網路優越的函數逼近 能力，作為高溫摻雜製程參數預測模式。上述的研究重點彙整於表2.1。
表2.1 文獻資料彙整
silicon dioxide file 之參數變動因子 Bhatikar et al.
(2002) X X O
採用了run-to-run feed-back &
adaptive feedback 控制方法，針對 流程、製程偏移的補償，維持整個