5.1 結論
在本研究中，提出ㄧ個以倒傳遞神經網路為基礎的薄膜厚度預測系統，
首先，因為參與製程的參數有好幾個，利用田口品質工程的實驗設計法來觀 察並篩選出對於薄膜厚度較具有影響的製程參數，並透過再次的實驗驗證出 SiH4、RF_SIDE、RF_BIAS 此三個製程參數對薄膜厚度較具有影響。然後再 架構一倒傳遞神經網路的模擬預測系統，收集實際產品生產所得之 150 筆資 料來訓練神經網路，訓練完成之後再以 70 筆資料驗證此神經網路的訓練成 果，即得到薄膜厚度的預測結果。
就 結 果 來 看 ， 比 較 預 測 的 薄 膜 厚 度 與 實 際 生 產 的 結 果 其 誤 差 值
﹤± 0.2%，有著相當好的預測結果。最後，以統計手法來對此倒傳遞神經網 路的成果作績效評估，而其評估結果實際厚度值與模擬厚度值無差異存在，
且此結論正確機率達 95%。因此本研究成功的利用倒傳遞神經網路來預測薄 膜厚度。
歸納本研究貢獻如下：
ㄧ、可利用田口法來篩選出對於薄膜厚度較具有影響的製程參數，對工程人 員來說當產品產生變異時，可縮小查驗的範圍，並節省時間，增進效率。
二、本研究經由高密度電漿化學氣相沉積法(HDP-CVD)製程的厚度預測驗 證，說明了倒傳遞類神經網路可有效的預測薄膜成長的厚度，可作為系 統或工程人員調整的依據。
三、本研究利用 SPSS 統計手法做為一個量化的指標，來實際說明並支持本 研究之可靠性。
5.2 建議
本論文對於未來之研究建議如下：
ㄧ、可再架構一控制器於神經網路之後，將預測的厚度經由控制器來回授調
整製程參數達到目標值。
二、因本研究主要以製程參數為主，未來可將設備參數納入研究。
三、目前有一些使用以統計為基礎的 RtR 控制器來控制薄膜厚度，可將神經 網路與其比較效率的差異。
參考文獻
1. 卓高平(1999)，「類神經網路最佳學習參數值找尋之研究-以空調溫溼度異 常診斷與處理為例」，元智大學工業工程研究所碩士論文。
2. 林國平(2003)，「模糊類神經系統於股市股價預測之應用」，大葉大學工業 工程研究所碩士論文。
3. 胡俊男(2002)，「應用類神經網路與半導體即時控制之研究」，元智大學工 業工程與管理研究所碩士論文。
4. 孫任東(2003)，「利用類神經網路於多重輸入多重輸出之製程管制系統」， 中原大學工業工程研究所碩士論文。
5. 許俊欽(2001)，「SPC 與 EPC 之整合研究- 利用類神經網路建構製程干擾 模式」，交通大學工業工程與管理研究所碩士論文。
6. 陳志堅(1995)，「田口方法在強健控制系統上的應用」，成功大學航太工程 系研究所碩士論文。
7. 陳耀茂譯(2003)，「田口統計解析法」，五南圖書出版公司。
8. 游政雄(2001)，「化學機械研磨之類神經網路式 Run-to-Run 製程控制」，中 興大學機械研究所碩士論文。
9. 張裴章，張麗秋，黃浩倫(2004)，「類神經網路理論與實務」，台灣東華書 局股份有限公司。
10. 廖木生(2005)，「變壓偶合式電漿製程設備之蝕刻率批片控制」，交通大學 機械工程研究所碩士論文。
11. 劉克琪(1994)，「實驗設計與田口品質工程」，華泰書局。
12. 羅正忠，張鼎張譯，Hong Xiao 著(2002)，「半導體製程技術導論」，學銘 圖書有限公司。
13. Atiya, A.F., S.M. El-Shoura, S.I. Shaheen and M.S. El-Sherif(1999), “A Comparison between neural network forecasting techniques-case study:river flow forecasting,” IEEE Trans.on NN., Vol. 10, pp. 402-409.
14. Kim, B.W. and S.M. Gary (1994), “An optimal neural network process model for plasma etching,” IEEE Trans. Semicon. Manuf, Vol. 7, No. 1, pp. 12-21.
15. Butler, M., L. Karen and A. James(1993), “Robust features selections scheme for fault diagnosis in an electric power distribution system,” Canadian Conference Electrical and Computer Engineering, pp. 209-213
16. Stokes, D. and S.M Gary (2000), “Real-Time Control of Reactive Ion Etching Using Neural Networks,” IEEE Trans. Semicon. Manuf, Vol. 3, NO. 4, pp.
469-480
17. Lin, F.J, R.J Wai and C.M Hong(2001), “Identification and control of rotary traveling-wave type ultrasonic motor using nerual,” IEEE Trans. Control technology, Vol. 9, NO. 4, pp. 672-680.
18. Fausett, L.(1994), “Fundamental of Neural Network,” Prentice Hall International.
19. Towell, G.G. and J.W. Shavlik(1994), “Knowledge-Based Artificial Neural Networks,” Artificial Intelligence, Vol. 70, No.1-2, pp. 119-165.
20. Hebb, D.O. (1949), “Organization of Behavior,” Wiley, New York.
21. Hopfiled, J.K.(1982), “Neural networks and physical systems with emergent collective computational abilities, ”Proceedings of the Neural Academy of Science USA, pp. 2554-2558.
22. Huang, S.C. and Y.F. Huang(1991), “A neural network structure for vector quantizers,” IEEE International Sympoisum, Vol. 5, No.1, pp. 2506-2509.
23. Hush, D.R. and B.G. Horne(1993), “Progress in supervised neural networks,”
IEEE Signal Processing Magazine, January, Vol. 10, No. 1, pp. 8-39.
24. Kao, J.J. and S.S. huang(2000), “Forecasts using neural networks versus Box-Jenkins methodology for Ambient Air quality monitoring data,” J.Air &
Waste Manage. Assoc., pp. 219-226.
25. Mirsepassi, A.(1995), “Application of artificial neural networks to the real time operation of water treatment plants,” IEEE International Conference, pp. 516-521.
26. Modreanu, M. and M. Gartner(2001), “Investigation on optical properties of CVD films used in MOEMS applications,” Journal of Molccular Structure, Vol. 565, No. 1, pp. 519-523.
27. Phillip J.R.(1996), “Toguchi Techniques for Quality Engineering,”
McGraw-Hill, Inc, New York, pp. 1-20.
28. Andrews, R. and S. Geva(1995), “Inserting and Extracting Knowledge from Constrained Error Back Propagation Networks,” Proc. 6th Australian Conference on Neural Networks, Sydensy, NSW.
29. Haykin, S.(1999), “Neural Network : a comprehensive foundation 2nd ed,”