本論文之主要目的為利用類神經網路方法及群聚指標CIT，建構出一個能夠 快速且準確辨識出四種常見的晶圓缺陷點群聚圖案（牛眼、底部、弦月、環狀）
的系統。本論文在建構的過程中，使用模擬之晶圓資料比較倒傳遞類神經、半徑 式函數網路類神經及自組性演算法等三種常見的類神經網路方法，分別找出這三 種方法的最佳參數設定以及比較三種方法的最小誤差平方值(Mean Square Error) 和辨識率。本論文最後以新竹科學園區某積體電路製造公司所提供之實際資料來 驗證本論文所提辨識系統的有效性及可行性。
本章共分兩小節。第3.1節為缺陷點圖案辨識系統建構流程，說明如何以類 神經網路方法建構晶圓缺陷點群聚圖案系統；第3.2節說明晶圓缺陷點群聚圖案 辨識流程，說明以本論文所提出之辨識系統來辨認晶圓缺陷點圖案的流程。
3.1 缺陷點圖案辨識系統建構流程
本小節主要目的是要分別找出三種類神經方法的最佳參數設定以及其最小 誤差平方值和最佳辨識率，其研究步驟如下：
步驟一：設定類神經系統的輸入變數
根據不同的群聚圖案，訂定出可決定是否為該群聚圖案之特徵值。一般而言，
牛眼圖案的缺陷點大部分落在晶圓中心附近，角度分佈範圍大，距離小；底部圖 案的缺陷點大部分落在晶圓的某一側，角度分佈範圍小，距離中到大；弦月圖案 的缺陷點大部分落在晶圓某一側，角度分佈範圍中到大，距離大；環狀圖案的缺 陷點大部分落在晶圓邊緣，角度分佈範圍大，距離大。本論文依各群聚圖案之特 色整理如表3.1。由此得知，晶圓上缺陷點間之距離以及缺陷點角度之分佈範圍 是決定此四種群聚圖案的重要因素，因此採取每片晶圓缺陷點的平均距離、平均 角度，距離變異數、角度變異數作為特徵值，即為類神經網路系統的輸入變數。
另外採用蔡文傑[5]的群聚指標CIT作為類神經的第五個輸入變數。CIT可判斷出
缺陷點群聚現象的嚴重程度，且根據蔡文傑的研究，不同的群聚圖案其CIT值會 落入的區間亦會不同，因此加入群聚指標CIT作為輸入變數以提升類神經網路系 統的辨識率。
表3.1 四種群聚圖案的特性
主要分佈範圍 距離 角度分佈範圍
牛眼圖案 晶圓中心附近 小 大
底部圖案 晶圓某一側 小 中-大
弦月圖案 晶圓某一側 中-大 大
環狀圖案 晶圓邊緣 大 大
步驟二：建立模擬資料，作為類神經方法的訓練(Training)以及測試(Testing)資 料。
利用Excel VBA 模擬八吋晶圓上四種不同的缺陷點群聚圖案。在模擬時，採 用十種不同的百分比因子水準(50%、55%、60%...95%)[3]共產生十種的缺陷點 群聚圖案。所謂百分比因子定義為：若缺陷點群聚圖案為環狀圖案，以百分比因 子50%為例，表示晶圓上50%的缺陷點的位置會被指定到晶圓邊緣，其餘50%的 缺陷點則隨機散布於整片晶圓上。每種因子水準均模擬50片，所以每一種群聚圖 案共模擬500片。而每一片晶圓上會產生200個缺陷點。擷取每一片晶圓上五項特 徵值作為類神經網路的輸入變數，隨機取每種群聚圖案的450片為訓練資料，剩 餘的50片作為測試資料。
步驟三：根據三種不同的類神經方法進行訓練
利用步驟二所得到的資料，進行類神經方法的訓練。根據最小誤差平方值以
及判別測試資料的準確率來找出三種方法中，個別效果最佳的參數組合，作為本 論文進行實例驗證時所需設定的參數值。
3.2 晶圓缺陷點群聚圖案辨識流程
本論文針對晶圓缺陷點群聚圖案辨識過程提出一標準化的流程，以達到快速 準確辨識晶圓上缺陷點群聚圖案的目標。
本流程首先引用蔡文傑[5]的群聚指標CIT，其目的主要是為了提升辨識準確 度，原因如下：在進行類神經網路的訓練時，若將無明顯缺陷點群聚現象的晶圓 特徵值代入辨識系統，容易造成辨識率過低，這是因為隨機分佈的缺陷點特徵值 無顯著特色，容易造成系統的誤判，這也是當初在進行類神經的訓練時，不採取 隨機散佈的缺陷點圖案作為訓練資料的原因。因此若能先經由群聚指標CIT的幫 助，只需針對有群聚現象的晶圓作判別，即可以大大提升辨識率及節省辨識時間 與成本。而根據蔡文傑[5]的研究，在缺陷點為200的情況下，CIT值在3以下的屬 於無嚴重程度群聚現象，因此本論文以CIT＝3為基準值，大於3則進行缺陷點群 聚圖案辨識，小於3則不需要進行圖案之辨識。
本論文提出之晶元缺陷點群聚圖案辨識流程如圖3.1所示。
計算晶圓上缺陷點新群 聚指標CIT
圖3.1 本研究之晶圓缺陷點圖案辨識流程
無明顯群聚現，不需進 行缺陷點群聚圖案辨識
計算晶圓上缺陷點的五 項特徵值
進行群聚圖案辨識，判別 出最有可能圖案
依據圖形，檢查可能造成 的原因，進行改善。
CIT
>3
否
是