1.1 研究背景與動機
TFT-LCD(Thin-Film Transistor Liquid-Crystal Display，薄膜電晶體液晶顯示器)產業 具資本密集、技術密集、產品生命週期短及生產線技術更換快速等特性，並且隨次世代 面板的持續開發生產設備不斷加碼[1]。在今日國內廠商紛紛投入更高世代 TFT-LCD 技 術生產之際，預期未來面板有供過於求的現象下，獲利空間愈來愈小。然而，消費者對 TFT-LCD 的功能要求愈來愈多，譬如希望有更高的解析度、更快的反應速度和更低的消 耗功率等等，這些功能的加入需要更進階的製程和更多的設計改善才能做到，也就是要 繼續投入更多的資本，然而產品的價格變化並不大。此外，產品的生命週期變短了，由 原先的一年降低到半年，因此需要加速新產品的推出時程，希望能搶先競爭對手，可以 及時上市新產品以獲得較高的利潤。
TFT-LCD 面板的製造主要分為三段製程，分別是陣列製程(Array)、組立製程(Cell)、
以及模組製程(Module)。在陣列製程中，首先將做為原材料的大片玻璃基板清洗乾淨，
之後反覆經過薄膜形成、光阻塗佈、曝光顯影、蝕刻與剝膜等手續五到七次，以形成所 需的電晶體。然而因為製造程序複雜、影響變數眾多，工程師往往無法從所收集的龐大 資料中，迅速有效地察覺可能導致製程異常的原因或是歸納造成產品品質不良的因素，
更遑論從資料中發現先前隱藏不知的重要訊息。當有更新的產品開發出來的同時，製程 往往需要加入更多的測試項目以驗證新的功能，而這些都要投入昂貴的測試設備和花更 多的測試時間才能做到。
TFT-LCD 產品在現今的製程上，產品不良率較低，所以，好與壞產品的資料呈現不 平衡(imbalanced)的情況，即壞產品佔總產量比較低。經常是有些檢測項目發現到的缺失 數很少，當進行資料分析時，這些少數不良品的資料會被誤認為離異值而被剔除，但是 它有可能是非常重要的檢測項目。因此如何透過所蒐集的大量製程資料加以統計、分 析，得到有意義的模型，以釐清缺陷產生與製程的關連性，並找到合理的測試項目，以 正確與迅速的檢測產品，來降低測試成本、縮短測試時間及縮短TTM (Time To Market) 的時間，這對TFT-LCD 產業而言是相當重要的。
1.2 研究目的
本研究擬應用類神經網路（Neural Networks）探討 TFT-LCD 產品測試項目的合理 性，希望使用倒傳遞類神經網路的方法，去除貢獻性不高的測試項目。本研究期望當測 試項目被減少時，仍然擁有非常好的檢出準確性。此外，本研究以一實例來說明應用類 神經網路和傳統統計迴歸分析之後的差異性比較討論。
1.3 研究方法與步驟
由於類神經網路具有自我學習及平行處理非線性問題的能力，使得它相較於傳統方 法，更能應用在充滿複雜，影響變因不確定的環境之下輔助分析問題。類神經網路對預 測及分類問題有好的表現[8][11]，已有很多成功的實際應用例子。另外，迴歸分析是探 討一變數對另一變數的影響情況，它建構方程式較簡單而且快速，對分析測試方面的問 題很有幫助。因為產品的根本問題，可能只有少數幾個，但是不同的測試項目會反應這 些問題，所以迴歸分析也常被應用在分類問題的解決。
本研究進行的流程如圖1.1 所示。首先，確認研究問題的目的之後，經由與測試單 位訪談，討論產品測試項目和良率的關係，然後進行數據的收集。接著，澄清分析這些 數據的適合性，選出重要變數(測試項目)來建立倒傳遞類神經的模式，稱之為完整的模 型 (Full Model)。接著，參考現有的經驗模式，刪除一些貢獻度低的測試項目後建立簡 化的倒傳遞類神經網路，稱之為簡化的模型 (Reduced Model)。此外，本研究也建立統 計迴歸的模型，做為比較的對象。最後，本研究針對上述模型的分類率和誤差做比較和
分析，期望能定義出有效的測試項目，並提出結論與建議。
圖1.1 本研究流程圖
1.4 研究範圍限制
本研究主要以TFT-LCD 的產品為對象，收集了新產品 9 吋 LCD 測試項目和良率的 數據進行作研究。研究範圍是TFT-LCD 的生產製程中 Array 製程的測試項目，如圖 1.2 所示。此外，本研究係以一家個案公司做實證研究，但由於個案公司有其企業營運的背 景，因此本研究僅針對類神經網路應用在縮減測試項目及其成效進行討論，並不對個案 公司導入此研究結果後，對其整體營運績效影響加以評論。
圖1.2 本研究測試項目的範圍