預測為劣品或在特性臨界值的晶圓，有兩種方式可以避免晶圓報廢，一是如圖 4-27 所示，從晶圓挑選小部份晶片作小批量的封裝、測試，由實際量測到的 IC 特性，
來判斷是否為誤判，另外則是將 WAT 參數代到其他類型模型判斷，找出最適合的封 裝類型。
流程如下：
1. 從晶圓挑選小量晶片作封裝(1000 顆)。
2. 封裝後，測試小量的 IC。
3. 結果，如果規格符合規範書，良率也很高，就將剩餘的全數晶片作封裝；
若是良率不好，就再用線性迴歸模型，判斷較合適的類型，並改作其他類型的小 量封裝。缺點則是，用小量封裝、測試來驗證劣品特性，耗時、並且會增加人力成本。
圖 4-27 補救措施流程圖
晶圓
最後，由圖 4-28，四種類型的實際和預測利潤比較圖，比較驗證資料所驗證的結 果，最明顯的有 C1、C2 和 C3，都由原本損失 16 萬~35 萬，經過預測後，降低損失到 1.7 萬~6.5 萬，所以建立線性迴歸模型的預測方式，的確比原本人工預測省下更多成 本，甚至再加上補救措施，還有產生約 2 萬~3 萬的利潤。
圖 4-28 實際和預測利潤比較圖
實際的利潤 預測的利潤
預測和補救措施的利潤
利潤比較圖
金額
第5章 結論
在半導體製造業中，積體電路的製作環節中有著上百甚至更多的步驟，要如何確 保各步驟品質、提升良率與節省時間以得到最大的產能，是半導體業的重要課題。而 晶圓廠的 WAT 參數提供了製作晶圓的特性資訊，由於不同的製程環境與異常將會測 得不同的 WAT 參數，因此可藉由 WAT 參數，透過線性多元迴歸模型預測 Gain 和 ICQ 的特性，進而決定產品類型，由此方式取代原本人工判斷方法，增加產品類型預測的 準確性，維持每批產品都有高良率。
由於迴歸結果會受到資料樣本的多寡與迴歸模型變數選擇的影響，本實驗以實際 資料為例，訓練資料共有 140 個樣本，使用於線性迴歸分析已是足夠樣本數。我們希 望找出預測變數的特性範圍，首先在選擇重要參數上，先利用皮爾森相關係數觀察，
WAT 參數與最終測試結果之間的相關性，確認和最終測試結果有高度相關的 WAT 參 數，以及確認 WAT 參數間無共變關係，接著，我們利用線性迴歸向前選擇法和向後 移除法，挑選對最終測試結果重要的 WAT 參數，如此可以減少往後資料分析與運算 的速度，並改善輸入變數的迴歸預測表現。
在建立迴歸模型中，由於向前選擇法所選出的重要參數，在四個類型都相同，而 且解釋力高，和向後移除法以及 20 組 WAT 參數的解釋力亦相近，所以使用向前選擇 法所挑選的重要參數來建立模型。
接著，我們利用驗證資料來測試所找到的工作點，在本實驗中良品誤判為劣品(棄 真)有補救措施，可經由小批量封裝與測試的方式來避免棄真；但是由劣品誤判成良品 (取偽)，我們卻無法補救，所以我們希望建立的模型，能夠避免取偽，可是除了 C1 類 型，預測良品精確率和實際劣品檢出率達到 100%以外，其他類型都有遺漏，主要情形 則是預測的工作點落於 IC 規格書的臨界範圍，造成此情形的原因可能是原始資料樣本 點不足，導致找出的工作點不夠精準，所以暫時解決方法是盡量挑選預測工作點在 IC 規格中央的位置，如果遇到 IC 特性落於臨界範圍時，則用補救措施或用其他模型，找
出更合適的類型。
由於驗證資料亦為的實際資料，所以我們進一步的比較預測和實際的結果的成本 與利潤。比較之後，建立線性迴歸模型，的確可以降低成本並提高利潤。若預測為劣 品晶圓時，也增加工程驗證以補救棄真問題，若真的是劣品晶圓，可套入其他線性迴 歸模型，找到最佳封裝類型。
最後，比較原本的單變數人工挑選法和利用線性多元迴歸模型的預測法，原方法 只能等待整片晶圓封裝、測試，才能確定產品類型選擇的好壞；而本實驗預測方法，
GAIN 和 ICQ，分別都由三組 WAT 參數預測，解釋力很高，為預測準確的迴歸模型。
在封裝前，利用 WAT 參數，經過各類型之線性迴歸模型，預先估計封裝、測試後的 結果，若是良品，可直接封裝成 IC；若預測會是劣品，就會針對劣品作小量封裝、測 試的補救措施，進而調整封裝類型，雖然補救措施會增加些許時間，但是卻可以有效 提升良率，降低成本，並增加產能。另外，產品特性落在產品規格的臨界區，容易造 成誤判，劣品誤判為良品(取偽)比例為 2.5%(4/160)，良品誤判為劣品(棄真)比例為 1.9%(3/160)，此誤判亦可利用補救措施小量驗證來彌補不足。
本論文有若干改進的空間，在樣本數方面，本實驗每個類型都使用 140 筆訓練資 料，但是有其他資料不足的類型，並無法建立模型，未來，可以繼續研究使用少樣本 建立模型，並且繼續建立其他產品的線性迴歸模型，增加涵蓋範圍，可更完善的預測 與尋找最合適的產品類型。
參考文獻
[1] 曹永誠, 先進製程控制技術(APC)導論, 電機月刊 第 174 期, 民國 94 年。
[2] S. Cunningham, C. Spanos and K. Voros, Semiconductor Yield Improvement: Results and Best Practices, IEEE Transactions on Semiconductor Manufacturing, Vol.8, No.2, May 1995.
[3] 楊怡穎, 應用資料採礦技術於半導體機台組合與 WAT 模式之研究, 明志科技大學, 碩士論文, 民國 94 年。
[4] 游淑敏, 以 WAT 參數資料建構半導體研發設計階段黃金晶方群聚分析, 國立清華 大學, 碩士論文, 民國 96 年。
[5] 張志強, 應用統計學習方法於響應模型預測與渴望條件分析, 國立交通大學, 碩 士論文, 民國 94 年。
[6] Amstead, B. H. , P. F. Ostwald and M. L. Begeman, Manufacturing Processes, 8th Edition, John Wiley & Sons Inc., 1987.
[7] Intel, From Sand to Silicon Making of a Chip, Intel, May 2009.
[8] Cheng Y. et al., MOSFET Modeling for RF IC Design, in CMOS RF Modeling, Characterization and Applications, 2002.
[9] 吳冠穎, 影響生產良率之 WAT 參數與機台解析模式, 國立清華大學, 碩士論文, 民國 94 年。
[10] Keith B. Schaub, Joe Kelly, Production Testing of RF and System-on-a-Chip Devices for Wireless Communications, 2004.
[11] 邱皓政, 量化研究法(二)統計原理與分析技術, 雙葉書廊, 民國 94 年。
[12] P. Resnick, N. Iacovou, M. Suchak, P. Bergstrom, and J. Riedl, GroupLens : An Open Architecture for Collaborative Filtering of Net news, Proceedings of the CSCW Conference, CHape1 Hill, NC, pp.175-186, 1994.
[13] 郭寶錚, 淨最小平方、主成分回歸、脊回歸與前進選取之預測能力的比較, 國立 中興大學, 碩士論文, 民國 98 年。
[14] Paul D. Allison, Multiple Regression: A Primer (Undergraduate Research Methods &
Statistics in the Social Sciences), 1st ed, Dec 1998.
[15] Draper, N., Smith, H., Applied regression analysis, 2nd ed, New York:Wily, 1981.
[16] Norman, R., Draper and Smith, H., Applied regression analysis, 3th ed, 1998.
[17] 林嘉龍, 批次變數選取之穩健檢定, 國立臺灣大學, 碩士論文, 民國 93 年。
[18] Forsythe, A.B., Engelman, L., Jennrich, R., May, P.R.A., Stopping rule for variable selection in multiple regression, British Journal of Mathematical and Statistical Psychology, 68, 75-77, 1973.
[19] Bendel, R.B., Afifi, A.A., Comparison of stopping rules in forward stepwise regression, Journal of the American Statistical Association, 72, 46-53, 1977.
[20] Derksen, S., Keselman, H.J., Backward, forward and stepwise automated subset selection algorithms: frequency of obtaining authentic and noise variables, British Journal of Mathematical and Statistical Psychology, 45, 265-286, 1992.
[21] Wilkinson, L., Test of Significance in Stepwise Regression, Psychological Bulletin, Vol.
86, No. I, 168-174, 1999.
[22] Pope, P.T., Webster, J.T., The use of an F-Statistic in stepwise regression procedures, Technometrics, 14, 327-340, 1972.
[23] 邱振崑, 用 Excel 精通統計學, 文魁資訊, 民國 92 年。
[24] Neyman, J., Pearson, E.S., The testing of statistical hypotheses in relation to probabilities a priori, Joint Statistical Papers, Cambridge University Press. pp. 186–202., 1933.
[25] 張添舜, 應用主成分分析於晶圓瑕疵圖形辨識, 國立交通大學, 碩士論文, 民國 97 年。