各樣式辨識技術與群聚分佈面積因子水準之關係

本研究之模擬實驗所設計的晶圓表面上缺陷可能群聚分佈的面積大小因子 包含 3 種水準，即 25、49 以及 81 平方公分。本研究利用各缺陷樣式辨識技術所 辨識的 1225 片 8 吋晶圓的分類與其真實分類做比較，來探討在 4 種晶圓缺陷群 聚樣式(牛眼、弦月、底部與環狀)下，各缺陷樣式辨識技術與群聚分佈面積因子 水準間的關係，並以正確辨識率來比較各種缺陷樣式辨識技術的辨識能力。

(1) 牛眼樣式

圖 4.26 為晶圓表面缺陷呈現牛眼樣式分佈時，各種缺陷樣式辨識技術與群 聚分佈面積因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的 群聚分佈面積之下，其辨識技術的準確性。由圖 4.26 可知本研究之多類別 SVM 在各缺陷群聚分佈面積因子水準下之正確辨識率均呈現較佳的績效；而 RBF 神 經網路則在各種缺陷群聚程度下均呈現較差的辨識績效。由圖 4.26 可知本研究 之多類別 SVM 在晶圓表面缺陷呈現牛眼樣式分佈時，在各種缺陷群聚分佈面積 下均能比其他辨識技術有較佳的缺陷樣式辨識分類績效。

圖 4. 26 牛眼樣式時，各種辨識技術之群聚分佈面積因子水準與正確辨識率的 關係

(2) 弦月樣式

圖 4.27 為晶圓表面缺陷呈現弦月樣式分佈時，各種缺陷樣式辨識技術與群 聚分佈面積因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不同的 群聚分佈面積之下，其辨識技術的準確性。由圖 4.27 可知本研究之多類別 SVM 在各缺陷群聚程度因子水準下之正確辨識率均呈現較佳的績效；而 RBF 神經網 路則在缺陷群聚分佈面積為 49cm²與 25cm²下均呈現較差的績效；而 BPNN 網 路則在缺陷群聚分佈面積為 81cm² 下呈現較差的缺陷樣式辨識分類。由圖 4.27 可知本研究之多類別 SVM 在晶圓表面缺陷呈現弦月樣式分佈時，在各種缺陷群 聚分佈面積下均能比其他辨識技術有較佳的缺陷樣式辨識分類績效。

圖 4. 27 弦月樣式時，各種辨識技術之群聚分佈面積因子水準與正確辨識率的 關係

(3) 底部樣式

圖 4.28 為晶圓表面缺陷呈現底部樣式分佈時，各種缺陷樣式辨識技術與缺 陷群聚分佈面積因子水準間的關係。藉由比較正確辨識率可得知各辨識技術在不 同的缺陷群聚分佈面積之下，其辨識技術的準確性。由圖 4.28 可知本研究之多 類別 SVM 在缺陷群聚分佈面積 81cm²下有好的缺陷樣式辨識分類績效；BPNN 網路在各缺陷群聚分佈面積下之正確辨識率均呈現較佳的績效。而 RBF 神經網 路則在缺陷群聚分佈面積 81cm²下呈現較差的分類績效。由圖 4.28 可知本研究 之多類別 SVM 在晶圓表面缺陷呈現底部樣式分佈時，整體上在缺陷群聚分佈面 積因子水準亦有好的缺陷樣式辨識分類績效。

圖 4. 28 底部樣式時，各種辨識技術之群聚分佈面積因子水準與正確辨識率的 關係

(4) 環狀樣式

圖 4.29 為晶圓表面缺陷呈現環狀樣式分佈時，各種缺陷樣式辨識技術與缺 陷群聚分佈面積因子水準間的關係。由圖 4.29 可知本研究之多類別 SVM 在各缺 陷群聚分佈面積因子水準下之正確辨識率均呈現較佳的績效。RBF 神經網路則 在缺陷群聚分佈面積為 81cm²與 49cm²下均呈現較差的績效；而 BPNN 網路則 在缺陷群聚分佈面積為 25cm²下呈現較差的缺陷樣式辨識分類。由圖 4.29 可知 本研究之多類別 SVM 在晶圓表面缺陷呈現環狀樣式分佈時，在各種缺陷群聚分 佈面積下均能比其他辨識技術有較佳的缺陷樣式辨識分類績效。

針對上述所探討之各辨識技術與 3 個因子水準間的關係可知：在 5 種晶圓 缺陷樣式下，本研究所發展之多類別 SVM 比其他辨識技術更能準確辨識各種缺 陷數、群聚程度以及群聚分佈面積的晶圓缺陷樣式的類別。表 4.3 為 5 種缺陷樣 式下，各辨識技術在 3 種設計因子的缺陷樣式辨識績效彙整表。由表 4.3 可得知 本研究之多類別 SVM 在各種晶圓缺陷樣式下均有好的辨識績效；BPNN 與 RBF 辨識技術在缺陷樣式為底部時有好的辨識績效，但隨機、牛眼、以及環狀樣式之 辨識上的績效較差。

圖 4. 29 環狀樣式時，各種辨識技術之群聚分佈面積因子水準與正確辨識率的 關係

表 4. 3 5 種缺陷樣式下，各辨識技術在 3 種設計因子的辨識績效 缺陷

樣式

辨識技術 設計因子

BPNN 神經網路

RBF 神經網路

多類別 SVM

隨機 缺陷數   

牛眼

缺陷數   

缺陷群聚程度   

群聚分佈面積   

弦月

缺陷數   

缺陷群聚程度   

群聚分佈面積   

底部

缺陷數   

缺陷群聚程度   

群聚分佈面積   

環狀

缺陷數   

缺陷群聚程度   

群聚分佈面積   

：良 ：普通 ：差

4.4 整合良率預估及缺陷樣式辨識之晶圓缺陷診斷系統

為適切地反應出產品的真實良率，並且能夠針對呈現特定樣式的晶圓做出 正確的製程異常診斷。當一片晶圓出現中、低良率時，應進一步診斷該晶圓表面 的缺陷是否存在某種特定的缺陷樣式。而 IC 製造業一般定義良率在 70%左右為

中良率，而 50%以下為低良率。本研究利用 3.4 小節之晶圓缺陷診斷系統的構建 流程圖來整合 GRNN 良率預估模式與多類別 SVM 缺陷樣式辨識系統，以進行晶 圓缺陷診斷。

為說明本研究之晶圓缺陷診斷系統之構建流程，本研究進一步以電腦模擬 8 吋晶圓的 5 種表面缺陷樣式各 2 片。圖 4.30 為此 10 片晶圓之樣式，而該晶圓的 相關資訊如表 4.4 所示。將此 10 片晶圓之 4 個晶圓特徵因子(D、CVA、CVD、CIE) 當作輸入，再利用 4.2 小節之已訓練完成的 GRNN 網路來預估此 10 片晶圓的良 率。表 4.5 為 10 片晶圓之 GRNN 預估良率與其對應的良率程度。由表 4.5 可得 知本研究之 GRNN 良率模式能準確地預估此 10 片晶圓的良率。針對表 4.5 之中、

低良率晶圓(編號：1, 2, 4, 6, 8, 10)需再辨識此 6 片晶圓表面是否呈現特定的缺陷 樣式。接著將此 6 片晶圓的 4 個晶圓特徵因子(D、CVA、CVD、CIE)當作輸入，

並利用 4.3 小節之已訓練完成的多類別 SVM 來辨識此 6 片晶圓的類別。表 4.6 為此 6 片晶圓之真實缺陷樣式與利用多類別 SVM 所辨識之樣式。由表 4.6 可知 呈現中、低良率的晶圓均能夠被正確的辨識其所屬的缺陷樣式。由以上之晶圓缺 陷診斷系統的構建流程可得知，本研究之整合 GRNN 良率預估模式與多類別 SVM 缺陷樣式辨識系統的確能對中、低良率的晶圓做出正確的診斷。

利用本研究之晶圓缺陷樣式診斷系統的構建流程，可使 IC 製造業之製程工 程師在每個關鍵製程利用晶圓缺陷檢測機台(例如，KLA)所蒐集的晶圓表面缺陷 資訊做即時的製程診斷與晶圓最終良率的預估，並可視診斷結果進一步做適當的 製程參數調整以提高良率。再者，製程工程師亦可在晶圓完成製造並經由檢測 後，藉由位元圖(bitmap)得到的不良晶片資訊與本研究於每個關鍵製程的製程診 斷做比對，以分析可能導致該晶片不良的原因。

random-50 random-200 圖 4.30- (a) 隨機樣式

25-90-81 300-80-25

圖 4.30- (b) 牛眼樣式

25-90-81 200-85-49

25-90-81 300-80-25 圖 4.30- (d) 底部樣式

50-90-81 300-80-25

圖 4.30- (e) 環狀樣式

表 4. 4 10 片晶圓樣式之相關資訊