1.1 研究背景與動機
半導體產業是我國目前重點發展的產業。依原料、生產/加工至產品產出，
半導體產業大致可區分為半導體材料(含化學品)、光罩、設計(含 CAD 軟體)、製 程、封裝、測試及設備等七個技術領域。半導體產品包括積體電路(Integrated Circuits, IC)、分離式(Discrete)元件和光電(Optoelectronic)元件等三大類，廣泛應 用於資訊、通訊、消費性電子、工業儀器、運輸及國防太空等領域[2]。
然而，無論如何改善積體電路的製作技術，其產品的良率仍無法達到 100%。造成積體電路產品良率損失的最主要原因，乃是晶圓上所產生的缺陷與 缺陷的群聚程度。這些缺陷一般可分為三類，即嚴重缺陷(gross defects)，參數缺 陷(parameter defects)以及隨機缺陷(random defects)等[18]。嚴重缺陷是屬於相當 大的缺陷。例如，刮痕(scratches)、處置不當或尚未完全移除的光阻劑等所造成 的損壞；嚴重缺陷經常會造成良率的損失。參數缺陷是指會影響設備電氣參數(電 流、電壓、電阻…等)的缺陷。例如，一個晶片上由於雜質(dopant)不均勻的集中，
可能造成原先被視為相同的電阻器上卻有不同的電阻值；參數缺陷有時可能產生 良率損失，但它們較常引起一些可靠度問題(例如，設備在使用一段時間後，失 去了原先所設計的功能)。隨機缺陷乃是機遇性發生的缺陷，造成良率損失的隨 機缺陷又稱之為致命缺陷(fatal defects)或失效(faults)。
並非所有的製程缺陷都會造成良率的損失；製程缺陷是否會造成產品失效 乃是與產品的特性(例如，晶片面積、缺陷分布狀況、線寬大小、線路形狀…等) 有關。由於線寬大小與線路形狀所引起的良率損失，不易用機率模式來描述，所 以一般預測積體電路良率模式的文獻中，都著重於以晶片面積與缺陷分布狀況兩 參數來預測良率。
藉由特定的機率函數通常可以描述缺陷的分布情形，並進而建立產品之良 率與製程缺陷間的關係，即所謂的良率模式(Yield Model)。自 1960 年代開始就 有學者提出各種不同的良率模式來預估良率[14][37][41][45]。其中卜瓦松良率模 式(Poisson Yield Model)對於小晶片的良率預測效果較佳[6]。負二項良率模式 (Negative Binomial Yield Model)則對大晶片的良率預測效果較好；目前的積體電
路工廠多採用負二項良率模式來預估良率[14]。複合卜瓦松良率模式[14]在良率 預測上亦較卜瓦松良率模式準確。Jun et al. [25] 利用一缺陷群聚指標 CI 與晶片 上的平均缺陷數建構出一個迴歸模式來估計晶圓良率；而其中之 CI 值能以均勻 的數值範圍來量化不同嚴重程度的群聚現象。還有一些利用類神經網路(例如，
倒傳遞網路)構建之良率模式也常被用來預估良率[1][4][42]。
Stapper[40]指出，當晶圓的面積增大時，晶圓上的缺陷並非呈現隨機性分 布，而是有群聚現象發生。這些群聚的缺陷通常分布在晶圓的邊緣[38]。缺陷群 聚現象使得卜瓦松良率模式會低估產品應有的良率。負二項良率模式中的缺陷 群聚參數值過於散亂，同時也可能為負值，這些都造成分析良率時的不便。複 合卜瓦松良率模式雖然良率的預測較卜瓦松良率模式準確，但模式的建構卻相 當複雜，較不易為業界所接受。Jun et al. [25] 以迴歸分析法所建構之良率模式，
其模式之適配度以及資料是否違反迴歸模式的基本假設都是值得考慮的。利用 倒傳遞網路構建之良率模式則必需經由適當地設定許多網路參數才能得到較佳 的預測結果。
目前在半導體晶圓缺陷資料分析方法中，大多是以人工的方式分析晶圓上 缺陷的空間樣式來找出製程變異的可能原因[28]。然而人工判定除了費時外，亦 可能因誤判進而影響製程變異偵測上的準確性。因此，如何構建一個有效的晶 圓缺陷樣式辨識系統一直受到學界與業界的重視。一般之晶圓缺陷樣式辨識主 要可分成三個領域：統計分析法、啟發式演算法以及人工智慧學習[31]。統計分 析法乃針對問題給定不同的分配假設以進行資料點的群聚現象分析，其目的在 於如何將空間上的資料點進行切割，以達到樣式分類辨識的目的[23]。啟發式演 算法通常利用柔性計算的方法(例如，基因演算法與模糊理論)來進行樣式辨識。
然而，基因演算法一般必頇付出相當多的努力於評估過程才能達到最佳解[7]。
而模糊理論的主要限制之一乃是其語意控制規則相當難產生；再者，必頇借重 一些專家的知識與經驗才能設計出一完善的模糊邏輯控制器[12]。人工智慧學習 乃藉由模仿生物神經系統的運算來達成資訊處理之目的，類神經網路即人工智 慧學習中一項常用的技術。然而，類神經網路技術的主要限制之一乃是其各項 網路參數必頇適度的設定才能得到較佳的結果[19]。近年來支撐向量機(Support Vector Machines，SVM)已廣泛應用在樣式分類辨識上，而且有好的辨識結果 [10][22]。例如：臉和手印身分驗証[49]、土地的覆蓋變化察覺[30]、國畫的辨識
與分類[24]、遺傳學的綜合症診斷分類[15]等。
缺陷之群聚現象可能造成良率模式低估晶圓良率；而晶圓的缺陷分布若呈 現特定樣式(pattern)，亦可視為製程異常。因此，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。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，
有必要構建出一個能考慮到缺陷群聚現象與缺陷分布呈現特殊樣式的一個較精 密、正確但又計算簡便之整合良率預估及缺陷樣式辨識之晶圓缺陷診斷系統，使 業界能有效地用其來做出正確的製程異常診斷。
1.2 研究目的
針對缺陷群聚現象，鑑於過去學者提出之良率預估模式各有其不完善之 處；再者，為滿足學界與業界對建構一個有效的晶圓缺陷樣式辨識系統的需求。
本研究的主要目的即是要發展一個整合良率預估及缺陷樣式辨識之晶圓缺陷診 斷系統。本研究利用一般迴歸神經網路(General Regression Neural Network, GRNN)來構建良率模式，並利用多類別支撐向量機(Multi-class Support Vector Machines, Multi-class SVM)來構建缺陷樣式辨識系統；最後再將前述兩者整合成 一個良率預估模式及缺陷樣式辨識之晶圓缺陷診斷系統。本研究以模擬之晶圓缺 陷實驗來說明本研究所提之晶圓缺陷診斷系統的可行性；並進一步與中外文獻所 提之良率預估模式與缺陷樣式辨識系統進行比較以驗證本研究的有效性。
1.3 研究限制
本論文的研究限制如下：
1. 晶圓上每個缺陷皆會影響產品的良率。缺陷數愈多即表示製程異常的狀況愈 嚴重。
2. 不考慮缺陷的大小與型態，只針對晶圓上的總缺陷數分析其對良率的影響。
3. 當製程處於管制狀態時，缺陷應隨機分布於晶圓表面。當缺陷群聚程度愈大 或缺陷分布所呈現的特定樣式愈明顯時，即表示製程異常的狀況愈嚴重。
1.4 研究架構
本論文共分為五個章節，第一章為緒論，說明本研究之背景與動機、研究 目的、研究限制以及研究架構；第二章為文獻探討，介紹積體電路良率模式、
一般迴歸神經網路、缺陷群聚指標以及缺陷樣式之辨識；第三章為研究方法，
介紹本研究之特徵因子的選取、本研究構建之良率模式、本研究構建之晶圓缺 陷數診斷系統以及整合良率預估及缺陷樣式辨識之晶圓缺陷診斷系統；第四章 說明如何以模擬實驗來驗證本研究所發展的整合良率預估及缺陷樣式辨識之晶 圓缺陷診斷系統的可行性；第五章為本論文的結論。