半導體化學氣相沉積膜厚之預測使用神經網路

半導體化學氣相沉積膜厚之預測使用神經網路

學生：楊順惟 指導教授：馬恆博士

摘 要

化學氣相沉積(Chemical Vapor Deposition, CVD)被廣泛的應用在半導體 製程中，最主要的功用可作為蝕刻製程的阻擋層、蝕刻製程或化學機械研磨 的停止層、元件隔絕或絕緣所需的絕緣層。而化學氣相沉積則是依據製程配 方裡的製程參數沉積出所需的薄膜厚度。而薄膜厚度的品質也會影響後續製 程的能力與限制，並進一步的影響到產品的變異，導致良率降低。在目前的 半導體廠中對於膜厚的監測與控制，多以統計製程管制(Statistical process control, SPC)與工程製程管制(Engineering process control, EPC)作為對於膜厚 的監測與控制，在實際上的經驗是 SPC 尚需經過人員以其經驗值作為調整製 程參數的依據，所以膜厚的品質會依據不同的人員經驗而有不同的結果，而 EPC 會因為有製程上的雜訊(如前程製程的變異)或因為本身的演算法而產生

過度控制的情形發生，均會導致製程中產品產生變異。

本研究即是以神經網路具有自我學習的功能，並利用倒傳遞神經網路 (Back propagation)根據機台製程中的參數來預測膜厚。資料的來源係依據半 導體 CVD 實際生產機台中的製程參數，並依據量測機台所得的結果所取得。

機台中會影響產品變異的製程參數包括不同種類的氣體流量、液體流量、製 程壓力、製程溫度以及製程間距等，利用田口式品質工程實驗法建立化學氣 相沉積機制的模型來研究並找出對於膜厚品質較具影響的製程參數作為倒傳 遞神經網路的輸入，並以其輸出作為膜厚的預測結果，提供給工程人員作為 調機的依據，並可藉此判斷產品是否產生變異。

本研究之目的如下：一、節省有經驗之工作人員的調機時間，可將時間 致力於其它研究課題上。二、節省無經驗之工作人員的錯誤學習法。三、減 少錯誤調機機率，提升良率。四、減少機台停頓時間，提升產量。五、當產 品產生變異時可及時管制產品並及時停機減少損失。

本研究之結果如下：一、利用田口式品質工程實驗法，找出對於膜厚品

質較具影響的製程參數作為倒傳遞類神經網路的輸入。二、製程參數對膜厚 的影響程度。三、建立一類神經網路模型得到較佳的膜厚預測結果。

關鍵詞：化學氣相沉積、薄膜厚度、神經網路、田口式品質工程

誌 謝

研究所兩年來，這一路走來，說長不長，但卻也不短，承蒙指導教授馬 恆博士耐心、悉心的指導，無論在課業或是生活上均給予最大的支持，其謙 沖且嚴謹的待人處事與治學態度以及豐富且紮實的學識，皆令學生萬分敬 佩，亦是學生學習的典範。能在恩師的帶領下學習與成長是學生莫大的榮幸。

本篇論文的完成，感謝馬恆博士、許良僑博士以及吳炎崑博士等口試委 員於百忙之中撥空指導，提供諸多寶貴意見，使得本論文得以更加完善，在 此一併致謝。研究期間，亦感謝學長姊、學弟妹以及同窗好友的關懷。

最後要感謝我的家人，在研究所兩年來，除了工作之外，其餘的時間大 部分都花在課業上，並無太多時間陪家人，感謝家人的體諒與支持，讓我無 後顧之憂，可以專心的完成學業，感激之情非筆墨能形容。最後僅以本論文 獻給曾經關心、照顧我的師長、朋友、同事以及家人。

楊順惟 謹識於中華科管所 中華民國 96 年 7 月

目 錄

摘 要... i

誌 謝... iii

目 錄... iv

圖目錄... vi

表目錄... viii

第一章 緒論... 1

1.1 研究動機與背景 ... 1

1.2 研究目的 ... 2

1.3 研究限制 ... 2

1.4 研究方法與架構流程 ... 3

1.5 論文貢獻 ... 4

第二章 文獻探討... 5

2.1 文獻探討 ... 5

2.2 半導體製程簡介 ... 8

2.2.1 薄膜區間 ... 10

2.2.2 化學機械研磨(CMP)區間 ...11

2.2.3 微影區間 ...11

2.2.4 蝕刻區間 ... 12

2.2.5 離子植入區間 ... 12

2.2.6 擴散區間 ... 13

2.2.7 濕式製程區間 ... 14

2.2.8 化學氣相沉積介紹 ... 14

2.2.9 化學氣相沉積(CVD)原理 ... 15

2.2.10 介電質薄膜的應用 ... 22

2.2.11 CVD 反應器的類型 ... 26

第三章 類神經網路與田口式品質工程簡介... 30

3.1 類神經網路簡介 ... 30

3.1.1 類神經網路模型 ... 33

3.1.2 類神經網路的系統架構 ... 34

3.1.3 倒傳遞類神經網路 ... 38

3.1.4 倒傳遞類神經網路的學習演算法 ... 39

3.2 田口式品質工程簡介 ... 41

3.2.1 實驗設計法 ... 41

3.2.2 田口式品質工程 ... 45

3.2.3 雜音 ... 46

3.2.4 因子 ... 47

3.2.5 設計過程 ... 48

3.2.6 參數設計 ... 49

第四章 模式驗證... 52

4.1 模式驗證方法與步驟 ... 52

4.1.1 收集實際參與製程的參數 ... 52

4.1.2 以田口品質工程驗證最適參數 ... 52

4.1.3 BPNN 訓練... 52

4.1.4 BPNN 驗證... 52

4.1.5 成果績效評估 ... 52

4.2HDP-CVD 重要製程參數 ... 52

4.3 田口品質工程驗證最適參數 ... 53

4.3.1 第一次實驗 ... 54

4.3.2 第二次驗證 ... 55

4.4 參數導入類神經網路模型訓練 ... 57

4.5 驗證類神經網路模型訓練成果 ... 58

4.6 成果績效評估 ... 60

第五章 結論與建議... 62

5.1 結論 ... 62

5.2 建議 ... 62

圖目錄

圖 1.1 研究方法與架構流程圖... 3

圖 2.1 IC 生產的製造流程圖... 9

圖 2.2 積體電路製程流程圖... 10

圖 2.3 熱成長與沉積薄膜的差異... 14

圖 2.4 CVD 沉積的主要程序 ... 15

圖 2.5 沉積製程... 16

圖 2.6 階梯覆蓋與似型性... 17

圖 2.7 到達角度... 18

圖 2.8 空洞形成的過程... 19

圖 2.9 沉積/蝕刻/沉積製程 ... 20

圖 2.10 似型性薄膜沉積與間隙填充... 21

圖 2.11 高電漿密度的 CVD 製程步驟 ... 22

圖 2.12 介電質薄膜在 CMOS 電路中的應用 ... 23

圖 2.13 USG 應用在 STI 製程步驟... 24

圖 2.14 側壁空間層製程的步驟... 25

圖 2.15 LPCVD 反應器... 27

圖 2.16 LPCVD 反應器... 28

圖 2.17 PECVD 反應器... 29

圖 2.18 收縮型與伸張型應力定義... 29

圖 3.1 類神經元模型... 33

圖 3.2 單層前饋式類神經網路... 35

圖 3.3 多層前饋式類神經網路... 36

圖 3.4 回饋式類神經網路... 37

圖 3.5 監督式學習演算法... 37

圖 3.6 非監督式學習演算法... 38

圖 3.7 倒傳遞類神經網路架構圖... 39

圖 3.8 田口式品質工程... 46

圖 4.1 第一次田口實驗設計因子效果圖... 55

圖 4.2 田口實驗設計因子效果驗證圖... 56

圖 4.3 類神經網路模式圖... 57

圖 4.4 實際與模擬厚度趨勢圖... 60

表目錄

表 3.1 依「應用領域」分類... 31

表 3.2 依「問題類型」分類... 32

表 3.3 單因子實驗... 42

表 3.4L₉(3⁴)直交表... 43

表 3.5L₄(2³)直交排列法... 44

表 3.6 參數設計實驗配置... 49

表 4.1 直交表與因子水準配置... 54

表 4.2 類神經網路訓練樣本... 57

表 4.3 類神經網路訓練樣本... 58

表 4.4 組別統計量... 61

表 4.5 獨立樣本 T 檢定 ... 61

第一章 緒論

1.1 研究動機與背景

積體電路(Integrated Circuit，IC)自從 1958 年發明以來，已漸漸地改變了 我門的世界，並融入我們的生活，隨著製程技術不斷的改進，半導體產業已 經成為科技產業的代名詞。而在現今激烈的競爭環境下，除了繼續研發新技 術之外，如何提升產品良率、提生生產力與產量，進而增加獲利，對於各個 廠商而言是非常重要的課題。

本研究中的半導體化學氣相沉積主要是在晶圓上沉積一層薄膜，而此層 薄膜厚度品質的優劣對於後續的製程會有極大的影響，可能因為薄膜厚度品 質不佳導致重工率增加，嚴重的話，甚至會導致大量的產品必須報廢，而產 品ㄧ但報廢不僅造成公司的產量不足導致營收、獲利降低，同時也會因為無 法如期交貨給客戶使得公司的信譽受損，因此如何控制、調整機台中的配方 (recipe)參數，兼顧薄膜的品質與產能良率達到最佳的平衡，是每個工程師所 致力的課題。

而現行的機台中配方調整大多仰賴工程師經驗的累積與傳承，甚至是錯 誤嘗試法的學習，就過去的經驗而言，如果因為人員的流失導致經驗無法傳 承或因為新進人員的訓練不足，這樣的惡性循環就會不斷的發生，如此的學 習機制會造成工程人員的諸多不便與影響學習成效，甚至打擊人員的信心，

同時造成生產機台的停頓時間增加，影響生產力與產量，這都是毎ㄧ家公司 或工廠所不願意見到的。

而本論文即致力於研究找尋一種方法可以依據生產機台上的相關配方參 數的變化來預測將會產生怎樣的薄膜厚度品質變化，如此便可以偍供給工程 人員作為調整配方參數的參考與依據，如此就可避免因為人員的流失導致經 驗無法傳承或因為新進人員的訓練不足等問題的產生。

類神經網路已被研究多年，這些類神經網路的模型主要是嘗試著去模仿 人類的神經系統，因為人類的神經系統在語音、聽覺、影像和視覺方面均有 很完美的表現，所以也期望這些模型能夠在這方面有出色的成果。

很明白的，類神經的架構就是來自於現今對人類神經系統的認識。現今 的類神經網路是由很多非線性的運算單元(神經元 Neuro)和位於這些運算單 元間的眾多連結所組成，而這些運算單元通常是以平行且分散的方式在做運 算，如此就可以同時處理大量資料，由這樣的設計就可以被用來處理各種需 要大量資料運算的應用上。

同時類神經網路提供了絕佳的學習能力，經由提供影響沉積薄膜厚度品 質的參數，如溫度、壓力、氣體流量、液體流量…等來反覆學習，預測所需 的薄膜厚度品質。

1.2 研究目的

利用倒傳遞類神經網路，以實際生產線及時收集所得到的配方參數，包 括生產所得到的實際產品的薄膜厚度，建立一模擬薄膜沉積機制的類神經網 路模型，根據所收集的配方參數對薄膜厚度進行預測，並與實際產品的薄膜 厚度進行比較，以證明利用倒傳遞類神經網路來預測薄膜厚度的正確性與可 行性。本研究之目的如下：

一、節省有經驗之工作人員的調機時間，可將時間致力於其它研究課題上。

二、節省無經驗之工作人員的錯誤學習法。

三、減少錯誤調機機率，提升良率。

四、減少機台停頓時間，提升產量。

五、當產品產生變異時可及時管制產品並及時停機減少損失。

1.3 研究限制

本論文只是以實際生產線的配方參數與生產所得到的實際產品的薄膜厚 度利用倒傳遞類神經網路進行預測，而所得到的結果應也具有可信度與正確 性，但是在一個已量產的生產工廠裡，卻無法馬上進行上線使用去實際驗證，

因其必須進行系統相容性、是否符合成本與經濟效益、是否適合每種製程的 需求等評估。

1.4 研究方法與架構流程

圖 1.1 研究方法與架構流程圖 資料來源：本研究整理

一、確立研究動機與目的：首先就作者在實際工作上所遭遇的問題說明本 研究之背景與動機，再說明針對欲改善此問題所進行之研究內容與欲達 成之研究目的。

二、文獻探討：回顧國內外與本研究相關的文獻、期刊與論文之應用情形，

包括半導體製程、類神經網路以及田口品質工程。

研究動機與目的

文獻探討

半導體 類神經

產品配方參數蒐集

最適參數設定 田口品質工程

參數導入類神經網路模型訓練

驗證類神經網路模型訓練成果

田口品 質工程

三、產品配方參數蒐集：本研究以 HDP-CVD 高密度電漿化學氣相沉積製程 為例，收集實際參與製程並針對參與製程並可能會影響膜厚品質的參數 進行蒐集，共有下列九項，SiH4、SiH4-T、O2、O2-T、AR、AR-T、

RF_BIAS、RF_SIDE、RF_TOP。

四、最適參數設定：以田口品質實驗設計找出對膜厚品質具有價大影響的製 程參數，此目的為將影響較小的製程參數忽略，並簡化後續類神經網路 的輸入項。

伍、參數導入類神經網路模型訓練：以田口品質實驗設計所找出的製程參數，

收集線上實際 150 筆的生產資料做為膜厚品質的 BPNN 訓練樣本。

六、驗證類神經網路模型訓練成果：在訓練完成後，再以線上實際 70 筆的生 產資料做為膜厚品質的驗證樣本。

七、成果績效評估：以 SPSS 統計方法分析 BPNN 對膜厚品質的預測績效與 可行性。

八、結論與建議：綜合本研究之研究結果進行討論與分析，提出本研究尚存 的缺失以及未來可供改進與進行的研究方向，供後續研究者參考。

1.5 論文貢獻

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。

第二章 文獻探討

2.1 文獻探討

本章節針對半導體相關製程、類神經網路的應用與田口品質工程相關的 文獻作整理與探討。

類神經網路，或譯為「人工神經網路」，則是指模仿生物神經網路的資訊 處理系統。「類神經網路」較精確的定義為：「類神經網路是一種計算系統，

包括軟體與硬體，它使用大量簡單的相連人工神經元來模仿生物神經網路的 能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其它人工神 經元取得資訊，並加以非常簡單的運算，並輸出其結果到外界環境或者其它 人工神經元中，藉此形成網路結構，來模仿生物神經網路的信息傳遞功能。」

類神經網路是由科學家在探究生物大腦之神經科學後希望設計出能模擬 人類思考模式來解決問題的電腦。加拿大心理學家 Hebb【16】在 1949 年提 出神經細胞的學習規則，當人腦在學習不同事物時，每個腦細胞的連結都隨 時在改變，如果一個腦細胞受到另一個腦細胞連續作用時，它們之間的連結 力量就會增強。根據 S.Haykin【28】以適合於機器的觀點來定義類神經網路，

類神經網路是由簡單處理單元所組成的巨量平行分散處理器，有著儲存知識 經驗的能力，並起利用這些知識。

Mirsepassi A.【24】等人應用類神經網路於污水處理作業，污水淨化需使 用到化學藥劑，因此要依照水質狀況來決定添加劑量的多寡，利用類神經網 路預測能力，可以有效預測明礬與其他藥劑的用量，降低污水處理的成本，

其平均誤差約 4.09% ，效果非常良好。

ByungWhan Kim 與 Gary S.May【13】尋找最佳化類神經網路來建立電漿 蝕刻系統模型，類神經網路網路架構為 3 層，包含輸入層、隱藏層、輸出層 針對不同的學習速率和預測性及訓練時間進行比較，建立出最接近實際電漿 蝕刻系統。

Butler 等【15】在對配線系統上的對電弧光線作檢測時，由統計實驗設 計中得到一些特徵資料作為類神經網路之訓練資料，使其較一般經驗所得之

資料更具有穩定性。以倒傳遞模式作為學習，應用交叉辯証技術於學習與測 試樣本作為學習使用，使誤差值更小及更一般化，其結果顯示類神經網路是 值得發展成電弧光線異常診斷用。

卓高平【1】以國內一家相紙製造加工廠之空調系統溫溼度控制異常診斷 與處理為例進行研究，採用類神經網路之多層倒傳遞模式進行訓練，計有十 個輸入特徵訊號以五個輸出運算元作為異常診斷與處理。先以田口品質技術 設計方法分析及找尋較佳之學習參數值作為起始解，再以較顯著之學習參數 做為反應曲面法之設計參數。經實驗設計分析而後得最佳之各學習參數值，

使類神經網路之輸出誤差為最小，空調系統溫溼度控制異常診斷與處理效果 為最好。

林國平【2】應用模糊類神經系統於股市股價預測，由於許多複雜的因素，

使得股價的波動極大，因此也難以成功預測，作者修改原應用於控制及型態 辨識的橢圓形模糊系統，建構出模糊類神經預測系統，並以台灣七家上市公 司股價為對象進行預測。結果顯示模糊類神經系統在變動較大的環境中，表 現較傳統的非線性回歸及類神經網路預測的誤差低，因此優於其它的預測模 式。

許俊欽【5】利用倒傳遞類神經網路建構單一輸入單一輸出製程之製程干 擾模式，並以製程干擾之預測結果進行 EPC 回饋調整。其研究結果發現倒傳 遞類神經網路比 ARIMA 時間序列干擾預測模式擁有更佳的預測能力，且建 構類神經網路不需和 ARIMA 模式一般需要複雜的統計檢定與建構步驟，使 模式建構更具效率。

Ｓhun【30】等人應用統計製程管制、類神經網路與專家系統整合架構於 電子組裝製程，利用統計製程管制分析出管制界線外何管制界線內的數據，

再將這兩類數據經由類神經網路訓練，便可得到數據型態的輸出，這些輸出 值再經由專家系統來判斷並提供建議及方法，如此便可建立一個印刷電路板 組裝製程控制之即時決策支援系統。

Fausett【16】說明倒傳遞類神經網路之計算步驟如下：

ㄧ、給予各層神經元連結之初始權重。

二、設定學習率、慣性係數、學習係數等參數。

三、重複下列程序ㄧ直到達所設定之條件(所設定之學習次數或誤差值小於指 定值)

(一) 計算隱藏層神經元的輸出值。

(二) 計算輸出層神經元的輸出值。

(三) 計算網路實際輸出與目標輸出值間的差異。

(四) 計算輸出層神經元的修正差異量。

(五) 計算隱藏層神經元的修正差異量。

(六) 修正輸出層與隱藏層間的權重。

(七) 修正隱藏層與輸入層間的權重。

半導體時代開始於 1947 年，AT&T 貝爾(BELL)實驗室的兩位科學家 John Bardeen 及 Walter Brattain 展示一個由鍺(一種半導體材料)所製成的固態電子 材料。他們觀察到當電流訊號施加於鍺晶體接點時，輸出功率會大於輸入功 率，他們的研究結果發表於 1948 年，這就是第一個點接觸型的電晶體。

積體電路時代在 1958 年開啟，ㄧ位德州儀器的工程師 Jack Kilby 利用鍺 條作成三個電阻器，並加入一個電容器，再利用細白金線連接電晶體、電容 器和在鍺條上的三個電阻器，這就是第一個積体電路元件。其構想為將分離 式的元件做在同一塊半導體基片上，在將他們連接在一起組成一個電路，如 此ㄧ來便可製造出體積更小的電路以將低電子電路的成本。

積體電路工業於 1960 年代快速發展，1964 年時，英特爾的創始人之一，

哥登·摩爾注意到電腦晶片上的元件數目幾乎是毎 12 個月就會增加一倍，但 價格卻不會改變，他於是預測這種趨勢在未來也不會改變，這就是半導體工 業眾所皆知的摩爾定律。令人驚訝的是，過去三十年來都ㄧ再證明了摩爾定 律的正確性，只有在 1975 年摩爾稍作調整從 12 個月改成 18 個月。【12】

孫任東【4】在化學機械研磨的製程管制系統整合了 EPC 與 SPC 概念，

並加入倒傳遞類神經網路之應用以做為預測之工具。針對輸出值具有偏移特 性之多重輸入與多重輸出製程，建構一 MIMO 製程管制控制系統，以倒傳遞 類神經網路為工具而免除繁雜的數學運算過程，在面對具有因設備損耗而產 生輸出值偏移情形的 MIMO 製程，以持續的參數調整方式，將多重品質特性 之輸出值維持於所要求的目標值範圍，而因此減少機台因重置所花費的時間 與成本。

胡俊男【3】以化學機械研磨製程模擬控制為例，提出以倒傳遞類神經網 路為基礎的控制器，其在製程遭受雜訊、偏移及漂移的干擾上的控制均優於 EWMA 運算式控制器。且歸納出 BPNN 控制器之優點：

ㄧ、EWMA 運算式控制器在實施控制時，其結果與效益會受到 EWMA 權值 的嚴重影響，而 BPNN 控制器則無此困擾，因其不需預先設定最佳權值，

可有效節省尋找權值的時間與成本。

二、即使 EWMA 運算式控制器設定在最佳狀況，其控制效益亦無法超越 BPNN 控制器，且 BPNN 控制器之控制平穩性極佳，可有效抑制製程變 異。

三、在模擬製程發生雜訊、偏移及漂移的干擾控制上，BPNN 控制器均可有 效調整製程反應值至目標值上。

田口品質工程係由日本品管大師田口玄一博士 (Dr. Genichi Taguchi) 所 提出，一般學者認為田口方法係源自於傳統的實驗設計( Experimental of Design, DOE ) ，實則兩者精神重點仍有明顯差異：傳統的 DOE 以研究平均 值為中心，而田口方法則以降低產品變異為重點。

廖木生【10】利用田口式實驗法建立電漿蝕刻機制的實驗模型，研究其 蝕刻率、均勻度、電子密度、電子碰撞頻率與電漿蝕刻設備參數的關係。電 漿蝕刻設備參數有電漿功率、偏壓功率、氣體流量等，利用類神經控制器與 鑑別器來做蝕刻率控制的模擬與評估結果，其結果顯示出不管偏移或是漂 移，雜訊控制器均可以控制到理想蝕刻區域內。

陳志堅【6】針對控制理論，提出ㄧ個強健控制器的設計方法。這個方法 結合田口方法與控制理論，先以控制理論理論完成系統之控制器設計，再利 用田口方法直交表實驗找出最適當的控制器參數，使得真實系統的性能為最 佳化，且對系統的不確定性、干擾及雜訊等最不敏感。即透過田口方法與控 制理論的結合運用，達到強健性控制器的設計。

2.2 半導體製程簡介

積體電路製造需經由數百道的製程步驟才能在晶圓上做出微小的電子元 件和電路，然後再經由測試後才送到顧客手中。晶圓製程包括清洗、氧化、

微影、離子植入、蝕刻、光阻剝離、化學氣相沉積、物理氣相沉積、化學機

械研磨、快速加熱退火以及其它製程，經由數百道重複的製程步驟。如圖 2.1 所示為 IC 生產的製造流程圖【12】。

圖 2.1 IC 生產的製造流程圖 資料來源：【12】

半導體製造需要數百道製程，其可分為四大類：添加製程、移除製程、

圖案化製程和加熱製程。如圖 2.2 所示為積體電路製成流程圖。

ㄧ、添加製程：摻雜、薄膜成長、沉積。

二、移除製程：蝕刻、清洗、拋光。

三、圖案化製程：微影技術。

四、加熱製程：熱處理、合金化、再流動步驟。

材料

晶圓

設計

IC 生產廠房

金屬化

化學

機械研磨 介電質沉積

離子佈植與 光阻剝除

加熱製程 蝕刻與

光阻剝除

微影製程

測試

封裝

最終 測試 光罩

圖 2.2 積體電路製程流程圖 資料來源：【12】

2.2.1 薄膜區間

薄膜區間是沉積介電質或金屬層的地方，是ㄧ種添加製程，可分為化學 氣相沉積(CVD)和物理氣相沉積(PVD)。

化學氣相沉積(CVD)：這是 IC 生產最常用的一種製程技術，CVD 可 用 來成長絕緣層（SiO2、Si3N4、SiON、FSG 等）、 半 導 體 磊 晶 層 （ Si 、 Ge 等）、金屬層（W、WiSi2、TiN、Ti、Cu 等）、光電材料等。基本上是讓氣態 的反應物進入反應室後沈積出我們所需的固態薄膜，而伴隨產生的氣態附加 物則被排放出去。可沉積絕緣材料或金屬材料的薄膜，通常薄膜是依造晶圓 表面圖形而沉積。DCVD 是最常被應用的薄膜沉積製程，例如沉積二氧化矽或 氮化矽，另外還有硼磷矽玻璃或無摻雜矽玻璃等。

薄膜成長，沉積，且(或) 化學機械研磨

微影技術

快速高溫回火或擴散 離子佈植 蝕刻

光阻剝除 光阻剝除

物理氣相沉積(PVD)：這是 IC 後段製程的主角，把金屬薄膜沈積在晶圓 表面，再藉著微影和蝕刻的方式形成金屬連線，元件的密度越高則需要更多 的金屬層來連接元件及功能塊，目前的一般金屬連線是以鋁金屬為主，先進 的 製 程 （ 0.13μm 以下）則以銅金屬連線為主，銅的電阻係數（1.6μ Ohm-cm）要比鋁的電阻係數（2.7μ Ohm-cm）低上 35%左右，所以採 用銅導線後可使 IC 的運算速度變得更快。鋁是最常使用來作為連線製程的金 屬，由於鋁的化學氣相沉積法尚未成熟，於是使用濺鍍法(Sputter)在低壓下將 Ar 離子轟擊金屬靶藉以得到金屬原子而沉積於晶圓表面。

2.2.2 化學機械研磨(CMP)區間

化學機械研磨製程應用在晶片研磨上，基本上，線 寬小於 0.5μm 的元 件都要借重 CMP 平坦化的製程才能解決微影的景深（Depth of focus）問題。

至今尚 未找出一種適當的乾式蝕刻製程來處理銅的圖案化問題，目前只有 借重 CMP 進行雙重金屬鑲嵌銅連線的製程才能完成銅連線圖案化的步驟。

化學機械研磨是一種移除步驟，這個步驟是組合機械研磨和濕式化學反 應將材料從晶圓表面剝除，廣泛使用的 CMP 製程包括二氧化矽 CMP、鎢金 屬 CMP 和銅金屬 CMP。

CMP 後段(Post-CMP)的適時清洗動作對確保 CMP 製程的良率是非常重 要的，所以有些 CMP 設備就整合了濕式清洗工作站已組成所謂的乾進(Dry-in) 與乾出(Dry-out)CMP 系統。

細微的粒子在 CMP 製程中扮演了如同研磨料的角色，如矽玻璃 CMP 研 磨漿中的二氧化矽或二氧化鈰，以及氧化鋁，IC 廠內的 CMP 區通常是與其 它的製程區間隔離以避免微粒物質的交叉污染。

2.2.3 微影區間

黃光微影製程是 IC 生產中最關鍵的一門技術，它涉及光學及光化學反 應，把倍縮光罩(reticle）的圖案忠實地轉印到晶圓表面的光阻上，在晶圓 表面建立所設計的圖案，才能進行後續的蝕刻、離子植入或薄膜沉積製程。

微影區內有整合型的晶圓軌道機-步進機系統，它可以執行底漆層和光阻

塗佈、烘烤、校準和曝光，以及光阻顯影等，以下為其步驟：

ㄧ、晶圓表面的清洗或前置作業。

二、被覆光阻，依班以旋轉式覆蓋法。

三、對晶圓上的光阻進行軟烤(Soft Baked)以去除某些有機溶劑。

四、對晶圓進行曝光程序，將晶圓送入光學步進機(Stepper)中，依光罩進行 圖案轉移程序。

五、將未曝光的光阻以有機溶劑移除(或反之，视光阻種類而定) 。

六、將存留於晶圓上的光阻進行硬烤(Hard Baked，溫度較高)作為不欲蝕刻 或離子植入區域的屏障。

七、進行蝕刻或離子植入製程。

八、移除殘存的光阻。

2.2.4 蝕刻區間

蝕刻製程也是一門極關鍵的製程技術。基本上它是 CVD 薄膜沈積的逆 反應。在蝕刻區間裡依造微影步驟在光阻所定義的圖案來蝕刻晶圓，再藉著 蝕刻步驟就可以把裸露的薄膜區域移除掉，而被光阻覆蓋的薄膜則毫髮無 傷，於是光阻上的圖案就被順利地轉移到薄膜上了。蝕刻是一種移除製程，

可使用化學或物理步驟，或通常是這兩種步驟的組合來選擇性的移除晶圓表 面的材料。蝕刻又可分為濕式蝕刻和乾式蝕刻：

ㄧ、濕式蝕刻(Wet Etch)：晶圓浸入於具腐蝕性的酸液中以移除晶圓表面之 材料。

二、乾式蝕刻(Ｄry Etch)：乾式蝕刻是在製程反應室中藉以 RF 源在低壓下 將化學氣體離子化後，形成電漿，藉著腐蝕性氣體的活性離子與晶圓表 面物質發生化學反應而達到蝕刻目的。椅電漿方式進行蝕刻可以控制蝕 刻進行的方向。

2.2.5 離子植入區間

改變矽晶片的佈局極性是 IC 元件製作的必要過程，以往大都是以高溫擴 散為主，但是摻雜物的濃度及接面深度（Junction depth）卻很難獨立控制，

所以後來就採用電磁場加速離子的觀念發展出離子佈植的技術。

離子植入機和快速加熱退火(RTA)機都在此區，離子植入機是在半導體晶 圓中加入摻雜物以改變局部導電率的ㄧ種添加過程，不同的離子植入機可執 行所需不同的製程。

例如，CMOS 製程中行程井區時需要的是高能量、低電流的機台。金氧 半場效電晶體(MOSFET)的極和汲極需要的是低能量、高電流的機台。其它的 應用則需要中等能量、中等電流的機台。

離子植入機的優點之一就是因為它的磁性分析儀具有篩選高度純離子束 的能力，因此能夠依不同的製程來使用不同的化學藥品，而且不會造成交叉 污染。

而快速加熱退火(RTA)機是一種加熱過程，其以高溫環境去除矽結晶中因 離子植入而造成晶格的應力變化，修復晶格結構缺陷，降低矽及二氧化矽之 間的介面電荷，使晶格重組並降低電荷密集之現象。

2.2.6 擴散區間

擴散是 IC 工業常用的一種高溫摻雜製程，主要是把三價的原子（硼）或 五價的原子（磷、砷、銻）擴 散到矽晶片中，以改變矽晶片的局部極性

（Polarity），由於這些原子在矽晶片中的擴散係數很小，所以需要在高溫的 環境下才能達到明顯的擴散效果。

擴散區間是進行加熱製程的區域，這些製程可能是添加製程，如氧化、

LPCVD 和擴散摻雜；或是加熱製程，如離子佈植後熱處理、摻雜物驅入，或 介電質的再流動步驟。氧化、LPCVD 和擴散摻雜製程以及加熱製程都是在擴 散區的高溫爐中進行。

擴散是利用高溫(800 C 以上)及氣體在晶圓表面上產生反應，由高濃度⁰ 擴散至低濃度區域於晶圓表面形成二氧化矽或進行摻雜擴散驅入晶圓內部。

高溫爐管屬於批量製程工具，可同時處理超過 100 片的晶圓，可分為直 立式與水平式高溫爐管。由於佔地面積較小以及較佳的污染控制，因此在先 進的積體電路生產工廠中均以直立式高溫爐管來取代水平式高溫爐管。

2.2.7 濕式製程區間

濕式製程區就是進行濕式製程製程的地方，剝除光阻、濕式蝕刻和濕式 化學清洗是最普遍的製程。因在這裡會用到具有腐蝕性的化學藥品和很強的 氧化劑，所以在濕式製程後會使用大量高純度的去離子水(DI water)來清洗晶 圓。

濕式製程通常需要三道步驟：處理、清洗和吹乾。濕式製程設備是典型 的 批 量 處 理 設 備 ， 它 能 夠 ㄧ 次 處 理 一 個 或 多 個 裝 有 25 片 晶 圓 的 闸 盒 (Cassette)，根據製程中所用的化學藥品，有時還必須將晶圓從闸盒中取出並 放在一個石英或塑膠的晶舟中進行濕式製程和清洗。

沒有設置濕式製程區的半導體工廠會將濕式化學站放置在氧化和 LPCVD 工具旁邊，因為進行這些製程前必須先行清洗晶圓。

2.2.8 化學氣相沉積介紹

在半導體工業中，電氣絕緣材料通常稱為介電質(Dielectrics)。介電質薄 膜製程是ㄧ種添加製程，就是在晶圓表面舖上一層介電質材料的薄膜。介電 質薄膜製程主要關切的是無空洞的間隙填充能力，以及晶圓表面良好的平坦 化能力。

在半導體工業中，有兩種方式的介電質薄膜被廣泛的應用：即加熱成長 與沉積的。如圖 2.3 所示，加熱成長二氧化矽的氧是來自氣相的氧，而矽則 是來自矽晶片，當薄膜成長進入矽晶片時，這個製程會消耗來自矽晶片的矽；

以 CVD 沉積而言，矽與氧都來自氣相，所以並不會消耗矽晶片的矽，這也 是兩者最大的差別。

圖 2.3 熱成長與沉積薄膜的差異 資料來源：本研究整理

Si Si Si

熱成長薄膜 矽晶圓裸片 沉積薄膜

SiO2 SiO2

2.2.9 化學氣相沉積(CVD)原理

在 CVD 中，氣體被導入沉積室中並且反應而在基材的表面上形成想要的 薄膜。在矽基材上經常會有其它的膜沉積並被鑄形，因此之後的新膜必須沉 積在此已經形成的複雜形態上。有時是使用一個單一氣體在加熱時分解來對 沉積膜供應必須的成分，有時則使用多個氣體來反應以形成薄膜。如圖 2.4 所示，為 CVD 沉積的主要程序：

ㄧ、以強制對流的方式將反應物輸送到沉積區域。

二、以擴散的方式將反應物從主氣流經過邊界層輸送到晶圓表面。

三、反應物吸附在晶圓表面上。

四、表面程序，包括化學分解或反應、表面遷移至吸附位置，和晶格位置的 結合，以及其表面反應。

五、生成物由表面脫附。

六、以擴散的方式將生成物經過邊界層輸送回主氣流層。

七、以強制對流的方式將生成物由沉積區域輸送開。

圖 2.4 CVD 沉積的主要程序

資料來源：本研究整理

圖 2.4 說明 CVD 這個系列的製程，其顯示源材料氣體被引進、源材料擴 散穿過邊界層、氣體副產品擴散穿過邊界層，以及氣體副產品流出反應器。

薄膜形成的部份則詳述於圖 2.5 沉積製程。

晶圓表面

①

②

③ ④ ⑤

⑥

⑦ 氣流

(a)源材料到達晶圓表面 (b)源材料在表面移動

(c)源材料在表面反應 (d)成核作用：島狀物形成

(e)島狀物成長 (f)島狀物成長：橫截面

(g)島狀物合併 (h)連續薄膜 圖 2.5 沉積製程

資料來源：本研究整理

從圖 2.5 可以瞭解源材料藉著擴散到邊界層而接觸到基片表面，在基片 表上吸附及移動。源材料在基片表面上的移動能力稱之為表面遷移率，這對 薄膜的階梯覆蓋(Step Coverage)與間隙填充(Gap filling)的性質很重要。

當源材料在晶圓表面上產生化學反應後，會形成固態材料並釋放出氣態 副產品，少數最先的固態材料分子會在晶圓表面形成晶核(Nuclei)，而進一步 的化學反應則會使此晶核形成島狀物。島狀物會成長、合併，最後在晶圓表 面形成ㄧ層連續的薄膜。

側壁階梯覆蓋=b /a 底部階梯覆蓋=d /a 似型性=b /c 深寬比=h /w 懸突=(c−b)/b

圖 2.6 階梯覆蓋與似型性 資料來源：本研究整理

階梯覆蓋(Step Coverage)：階梯覆蓋是對沉積薄膜在晶圓表面再產生之階 梯的斜率所做的ㄧ種量測，圖 2.6 說明了深寬比(Aspect Ratio)、側壁階梯覆 蓋、底部階梯覆蓋、似型性以及懸突的定義。

階梯覆蓋取決於到達角度(Arriving Angle)與源材料的表面遷移率。到達 角度如圖 2.7 所示，假如源材料在吸附於晶圓表面後就立即產生反應而沒有 遷移，則角 A 會比角 C 有較多的沉積而形成懸突。

基片

CVD 薄膜 ^a

w h

b c

圖 2.7 到達角度 資料來源：本研究整理

懸突是非常不受歡迎的，隨著薄膜厚度的增加，懸突將會由於較大的到 達角度而成長得更快，凸出物將會很快地封合間隙，並在間隙內形成ㄧ個空 洞(Void)。如圖 2.8 所示，為空洞形成的過程。

圖 2.8 空洞形成的過程

金屬 金屬

介電質

金屬 金屬

介電質 C A B

2700

900

1800

圖 2.8 空洞形成的過程(續) 資料來源：本研究整理

這些空洞內會有製程氣體被密封其內，這些氣體在積體電路內部會引起 後續製程的問題，或是在晶片操作期間引起電子系統的問題，因此對 CVD 製程而言，需要以無間隙的填動能力來確保積體電路晶片的可靠度。

間隙填充(Gap filling)：無空洞的間隙填洞對 CVD 製程而言是非常重要 的，例如，在鎢 CVD 製程中，不論是接觸窗與金屬層間接觸窗孔的蝕刻都 不能容忍任何的空洞。這是因為栓塞(Plug)內部的空洞可能會引起鎢栓塞的 高電阻，而且空洞裡會有殘留的製程氣體和副產品，它們都會在後續的製成 擴散開來並引起金屬腐蝕、元件損壞與降低晶片的可靠度。

當沉積薄膜有懸突時，而薄膜又繼續成長，最後就會造成空洞，如圖 2.8 所示，要處理這個問題有不同的方法如下：

ㄧ、沉積/蝕刻/沉積製程

如圖 2.9 所示，在製程中使用氬離子(Ar)濺射蝕刻來將懸突削除，就 會使得間隙的開口變大，以增加到達角度，如此在後續的製程就可以做 到 無 空 洞 的 間 隙 填 充 ， 這 個 方 法 稱 之 為 沉 積 / 蝕 刻 / 沉 積 (Deposition/Etchback/Deposition，Dep/Etch/Dep)。

金屬 金屬

介電質

沉積

回蝕刻

再沉積

圖 2.9 沉積/蝕刻/沉積製程 資料來源：本研究整理

Al-Cu USG Al-Cu

USG Al-Cu

USG

二、似型性薄膜沉積製程

圖 2.10 似型性薄膜沉積與間隙填充 資料來源：本研究整理

假如 CVD 源材料有很高的表面遷移率，則 CVD 薄膜會有很好的階 梯覆蓋與似型性，如圖 2.10 所示，使用臭氧-四乙氧基矽烷氧化物 (O3-TEOS)製程，就可以成長無空洞間隙填充的薄膜。

三、高電漿密度的 CVD 製程

在高電漿密度的 CVD 製程(HDP-CVD)，沉積與濺射蝕刻在製程反應

室中同時進行。由高電漿密度在低壓下所產生的重度離子轟擊載沉積過 程中會不斷地削除角落的懸突以保持間隙打開，如圖 2.11 所示，這樣可 容許一個較大的到達角度以及由底部成長而上的沉積方式，就可以做到 無空洞的間隙填充。

圖 2.11 高電漿密度的 CVD 製程步驟 資料來源：本研究整理

2.2.10 介電質薄膜的應用

介電質薄膜主要的應用是在多層金屬連線中當作電氣隔離的介電質層，

如圖 2.12 所示，為通常介電質薄膜在 CMOS 電路中的應用：

金屬 金屬 金屬

金屬 金屬 金屬

金屬 金屬 金屬

圖 2.12 介電質薄膜在 CMOS 電路中的應用 資料來源：本研究整理

淺溝槽絕緣(Shallow Trench Isolation，STI)：淺溝槽絕緣(STI)應用在相鄰 電晶體之絕緣，當積體電路元件縮小至深次微米時，由於 STI 不會有 LOCOS 製程中的“鳥嘴＂效應與階梯覆蓋的問題，所以逐漸取代 LOCOS 而作為相 鄰電晶體之絕緣。如圖 2.13 所示，為未摻雜的矽玻璃(USG)應用在 STI 溝槽 的填充製程。

BPSG

USG Al-Cu

n+ p+

Al-Cu

P 型井區 N 型井區

P 型磊晶層 P 型晶圓 氮化矽

氧化矽

PD2

PD1

USG IMD or

ILD2

WCVD

STI W

W ARC

PMD or ILD1

側壁空 間層

成長襯墊氧化層 蝕刻氮化矽、氧化矽 沉積氮化矽 與矽基片

CVD USG 溝槽填充 CMP USG

剝除氮化矽與氧化矽

圖 2.13 USG 應用在 STI 製程步驟 資料來源：本研究整理

Si

Si Si

Si Si

側壁空間層(Spacer)：介電質薄膜在多晶矽或多晶金屬矽化物閘極的側壁 上形成，它主要是用來形成低摻雜汲極(Lightly Dpoed Drain，LDD)以抑制熱 載子效應。在自我對準的金屬矽化物製程中，側壁層可以避免源極、汲極與 閘極間的短路。如圖 2.14 所示，側壁空間層製程的步驟是：CVD 氮化矽底 層沉積、CVD 氧化矽沉積、氧化矽回蝕刻以及剝除氮化矽。

圖 2.14 側壁空間層製程的步驟 資料來源：本研究整理

金屬層前的介電質層(Premetal Dielectric，PMD)：PMD 的要求是低介電 質常數、阻擋可移動離子、無空洞間隙填充，以及表面平坦化。PMD 通常是 含磷摻雜的矽玻璃(磷矽玻璃，PSG)或是含磷與硼摻雜的矽玻璃(硼磷矽玻 璃，BPSG)。通常在 PSG 或是 BPSG 沉積前，都需要先沉積一個阻擋層，以避 免磷與硼擴散進入活化區(源極/汲極)。用磷來摻雜氧化矽有兩個原因：可以 捕捉可移動的鈉離子(Na )以及降低矽玻璃的加熱回流溫度。 ⁺

金屬層間的介電質層(Intermetal Dielectric，IMD)：對於多重金屬層 IC 晶 片而言，有一半以上的介電質薄膜製程都是 IMD 製程，通常是使用 USG，IMD

基片

多晶矽閘極

二氧化矽側壁空間層

基片

多晶矽閘極 二氧化矽

的要求是低介電質常數、無空洞間隙填充以及表面平坦化。由於鋁連線存在 的緣故，IMD 的沉積溫度大約是攝氏 400 度。

鈍化保護介電質層(Passivation Dielectric，PD)：大部分的工廠都使 用塑膠封裝來減少 IC 晶片的後段成本，但塑膠對溼氣及可移動梨子而言並不 是很好的阻擋材料，ㄧ個在低溫成長且具有高介電質常數及高機械強度的良 好阻擋層是必要的。PECVD 氮化矽能滿足所有要求，密封住積體電路晶片，

以防止微小電路受到溼氣與移動離子所造成的化學損壞。它也能保護積體電 路晶片在測試與封裝期間免於受到機械性破壞。

介電質抗反射層鍍膜(Antireflective coating，ARC)：用來降低從鋁與 多晶矽表面的高反射率以符合微影技術製程中的高解析度需求。

2.2.11 CVD 反應器的類型

在半導體中 CVD 常用的反應器類型有 LPCVD、APCVD 與 PECVD 三種。

LPCVD：LPCVD 代表低壓化學氣相沉積法(Low Pressure CVD)，操作壓 力通常在 0.1 至 1 Torr 之間，因此就需要真空系統來控制反應器內的壓力。

LPCVD 的沉積製程主要是由晶圓的溫度所控制，語氣底流量的大小較無相 關，因此，晶圓可以被垂直地裝載在非常小的閒距下。

如圖 2.15 所示，為 LPCVD 反應器示意圖，因 LPCVD 可以大量或批次 的裝載晶圓，與 APCVD 製程比較，可以減少製程的成本並增加生產效率提 高產出率(Through-put) 。

LPCVD 反應器通常在高於攝氏 650 度的高溫下操作，因此在第一次的金 屬層沉積之後，不能用在金屬層間介電質層(IMD)的沉積上，因為將會使金 屬層溶解變形。

圖 2.15 LPCVD 反應器 資料來源：本研究整理

APCVD ： APCVD 代 表 常 壓 化 學 氣 相 沉 積 法 (Atmospheric Pressure CVD)，操作壓力在 760 Torr，如圖 2.16 所示，為 APCVD 反應器示意圖。

如圖 2.16 所示，APCVD 有三個區域，ㄧ個製程區域以及位於兩旁的氮 氣緩衝區(Buffer Zones)。兩旁的氮氣緩衝區的功用為利用氮氣幕將製程氣體 隔離以避免洩漏到空氣中，而加熱氣會將晶圓加熱，傳送帶會不斷地將晶元 傳送到製程區內。

源材料的化學氣體會在製程區內加熱的晶圓表面反應，而在晶圓的表面 形成ㄧ層薄膜，沉積後的晶圓就會被傳送帶移走。而當傳送帶通過製程區時，

壓力計

加熱線圈

晶圓

石英管

至幫浦

製程氣體 晶圓裝

載門

溫度

距離 中心區

本身也會被長上一層薄膜，因此就需要定期的清洗以保持穩定的製程環境。

APCVD 製程是由溫度、氣體流量與傳送帶速度所控制。

圖 2.16 LPCVD 反應器 資料來源：本研究整理

PECVD ： PECVD 代 表 電 漿 增 強 型 化 學 氣 相 沉 積 法 (Plasma Enhance CVD)，操作壓力通常在 1 至 10 Torr 之間，PECVD 的優點是所需的製程溫度 低，且沉積速率快。因為從電漿產生的自由基提供能量會使化學反應急速的 增加，所以 PECVD 就可以在相對的低溫達到較高的沉積速率。

如圖 2.17 所示，為 PECVD 反應器示意圖，PECVD 的另一個優點是可經 由射頻功率(RF power)來控制沉積薄膜的應力(Stree)，卻不會對沉積速率造成 太大的影響，沉積製程主要是由氣體流量的大小所控制。

加熱器

N2 製程氣體 N2

晶圓

排氣口 傳送帶清 傳送帶

潔裝置

圖 2.17 PECVD 反應器 資料來源：本研究整理

如圖 2.18 所示，為晶圓上收縮型與伸張型應力定義的示意圖。

裸晶圓 薄膜沉積後

收縮型應力負曲率 伸張型應力正曲率 圖 2.18 收縮型與伸張型應力定義

資料來源：本研究整理

基片 基片

基片

製程氣體 RF 功率產生器

電漿 晶圓

製程反應室

加熱器

真空幫浦

第三章 類神經網路與田口式品質工程簡介

3.1 類神經網路簡介

類神經網路（Artificial Neural Network，ANN）屬人工智慧（Artificial Intelligence，AI）重要的一支，為現今科技研究項目及發展迅速的應用技術。

1956 年 McCarthy 主持的 Dartmouth 會議，被視為人工智慧發展的開端。所 謂的人工智慧，是以電腦科學、生物學、心理學、語言學、數學、工程學為 基礎的科學，將人類智能以電腦化，使電腦具有學習、思考以及解決問題的 能力。

類神經網路之基本架構可分為三個層次：

ㄧ、人工神經元(Artificial Neuron)：為類神經網路組成的基本單位。

二、層(Layer)：多個具有相同作用的人工神經元集合為“層＂，通常應用的 類神經網路至少具有三層：輸入層、隱藏層、輸出層，而隱藏層的數目 可隨訓練之複雜度增減。

三、網路(Network)：多個具有不同作用的層的集合成“網路＂。

類神經網路的優點如下：

ㄧ、具有過濾功能：在神經網路中某一個輸入與輸出的關係，並不是直接由 網路中某一個節點單獨負責的，當網路所有特徵組合在一起時，才能表 現出完整的輸入輸出模式。因此當某一個節點所輸入要處理的訊號具有 雜訊或資訊不完整時，對網路並不會造成太大的影響。

二、具有適應學習能力：每種類神經網路都有特定的學習演算法，經由演算 法可調整節點間的權重值，並透過不斷的調整權重值得到正確的輸入輸 出模式。

三、多重輸入與輸出系統：輸入與輸出層可具有任意數目的節點。

適合使用類神經網路解決問題的特徵：

ㄧ、問題及相關條件難以完整定義。

二、需要快速得到問題解答且解答不用完全精確。

三、非常複雜或非線性的問題，無法由ㄧ連串已知的數學方程式來描述並求 得解答者。

類神經網路的應用極為廣泛，如下表所示可依「問題類型」與「應用領 域」二種分類法：

表 3.1 依「應用領域」分類

類神經網路的應用面 ─ 依「應用領域」分類

1 工業與工程應用

1. 工業與工程資料分析(ex：礦床探測訊號分 析)。

2. 工業與工程故障診斷(ex：飛機、汽車引擎診 斷、衛星通訊廣播故障診斷)。

3. 工業與工程製程監控(ex：化工、鋼鐵製程監 控)。

4. 工業與工程最適化問題求解(ex：廢水處理最 適化、資源配置最佳化)。

2 商業與金融應用

1. 商業決策(ex：期貨交易決策、債券分級、信 用卡鴻用判斷、保單審核)。

2. 商業預測(ex：股價預測、利率預測、市場預 測)。

3. 商業分析(ex：財務分析、稅務稽查)。

3 科學與資訊應用

ex：醫學疾病診斷、醫學影像診斷、氣象預測、

化學儀器分析解釋、感測資料分類、軍事目標追 蹤、犯罪行為聚類分析、性向測驗分析、資料庫 聯想搜尋、電腦輔助教學、電腦音樂、專家系統…

等。

資料來源：本研究整理

表 3.2 依「問題類型」分類

從問題領域中取得訓練範例(有輸入變數值，也有 輸出變數)，並從中學習輸入變數與輸出變數的內 在對映規則，以應用於新的案例(只有輸入變數 值，而需推論輸出變數值得應用)。

為現今類神經網路最重要、最成功的應用，約佔 95%以上，而且已應用在許多產業中，包括股價 預測、汽車引擎診斷…等。

1 監督式學習應用

例子：

當老師在黑板上寫下英文字母 ABCD，並且向學 生說明這些英文字母是 ABCD，下次老師在黑板 寫時，雖然新寫的字與原先寫的字不完全ㄧ樣，

但學生仍可認出是哪一個字母，因為學生已將個 別字母的特徵普遍化，這種學習即監督式學習。

從問題領域中取得訓練範例(有輸入變數值)，並 從學習範例的內在聚類規則，以應用於新的案例 (有輸入變數值，而需推論它與哪些訓練範例屬同 一聚類的應用)。

2 非監督式學習應用

例子：

當老師在黑板上寫下英文字母 ABCD，但「不」

向學生說明這些英文字母是 ABCD，學生便學習 將其分成幾種具相似特徵的種類，而且極可能是 四類，下次老師在黑板寫時，雖然新寫的字與原 先寫的字不完全ㄧ樣，但學生仍可將其歸入其中 一類（雖然不知是哪ㄧ字母），這種學習即非監 督式學習。

3 聯想式學習應用

從問題領域中取得訓練範例(狀態變數值)，並從中 學習範例的內在記憶規則，以應用於新的案例(只 有不完整的狀態變數值，而需推論其完整的狀態變 數值的應用），如雜訊過濾、資料擷取。

表 3.2 依「問題類型」分類(續)

3 聯想式學習應用

例子：

當老師在黑板上寫下英文字母 ABCD，學生便學 習記憶其筆畫，下次老師在黑板寫時，雖然新寫 的字殘缺不全或有雜訊，但學生仍可聯想起正確 的筆畫，這種學習即聯想式學習。

4 最佳化問題應用

類神經網路除了「學習」應用之外，還有ㄧ類特 殊應用-最適化應用：對一問題決定其設計變數 值，使其在滿足設計限制下，使設計目標達到最 佳狀態的設計應用。此類應用的網路架構大都與 聯想式學習網路的架構相似。

ex：設計應用、排程。

資料來源：本研究整理 3.1.1 類神經網路模型

類神經網路係由諸多神經元連結而成的網路系統，神經元是神經系統中 最小的訊息處理及傳遞單元，也是整個神經系統的運作基礎。人工神經元 (Artificial Neuron)即模仿此一功能，也可稱作處理單元(Processing Element)；

對於類神經網路而言，人工神經元是一個重要的運作基礎單元。

圖 3.1 類神經元模型 資料來源：本研究整理 1

w

x

輸出值

y

加總連接 作用函數

·

·

·

·

x

x

2

w

w

∑ ^{ϕ (⋅ )}

如圖 3.1 所示，為一個人工神經元的模型，表現類神經網路的基本設計 概念，該圖顯示一個人工神經元的輸入向量(X)、權重組(W)、活化函數(F(．)) 與輸出值(Y)的基本關係架構，人工神經元主要分成三個部份：

一組權重(突觸)：權重w 主要是模擬不同生物神經元間的連結強弱。權_i 重為正且越大，表示連結越強，增益越大；權重為負且越小，表示連結越強，

抑制越大；權重接近 0，表示連結越弱。

輸入訊號疊加器(細胞本體)：主要是模擬生物神經元受多方刺激時膜電 位的總變化量。輸入訊號經過不同的權重加權後，在疊加器作線性的疊加。

活化函數(門檻值)：用來轉化輸入訊號疊加後的輸出範圍值，一般來說 經過正規劃的輸出值通常在【0,1】或是【-1,1】。就數學上而言，一個神經元 j 可以用下列二個方程式來描述：

j i m

i ji

j w x b

net =

∑

=1

(2.1)

) ( _j

j F net

y = (2.2)

y ：第 j 個人工神經元輸出訊號，模擬軸突送出訊號 j

j =

net ：輸入值加權值與偏權值b 總和，模擬膜電位的總變化量 _j )

(net_j

F ：人工神經元的活化函數，是用來轉換net 的數學函數 _j

w ：連結第ji i 個輸入值與第 j 個人工神經元之加權值，模擬神經元間的連結 強度

x ：人工神經元的輸入訊號，模擬樹突傳入訊號 i

b ：偏離值，若為正對輸入是增益，若為負則抑制輸入值 j

3.1.2 類神經網路的系統架構

網路架構的形態與大小會影響到系統的學習能力，如網路神經元太少無 法處理較複雜的事件，而神經元太多除了效率不好外，也可能造成過度訓練

的問題。如何設定網路的大小，可依據問題的複雜程度、可用於訓練網路的 範例個數以及所需的精確度等來決定。類神經網路的分類與學習方式有很多 方式，以下就常用的分類加以說明。

ㄧ、前饋式類神經網路(Feedforward)

前饋式類神經網路之架構，其連結方式為單一方向的向前連結，且 網路所有神經元皆無向後或側向的連結方式。

(ㄧ) 單層前饋式類神經網路

如圖 3.2 所示，這是ㄧ種最簡單的網路架構，訊息由輸入層進 入，經過加權後進入到神經元中，經由處理後再由神經元輸出，而 這裡所謂的「單層」是指「輸出層」。

圖 3.2 單層前饋式類神經網路 資料來源：本研究整理 (二) 多層前饋式類神經網路

輸入層 輸出層

圖 3.3 多層前饋式類神經網路 資料來源：本研究整理

如圖 3.3 所示，多層前饋式類神經網路與單層前饋式類神經網路的 最大區別在於網路本身含有「隱藏層」，其功能為調節網路內部輸入值與 網路整體的輸出值。

二、回饋式類神經網路(Feedback)

如圖 3.4 所示，回饋式類神經網路與前饋式類神經網路的最大不同 在於回饋式類神經網路至少會含有一回饋迴圈。一個回饋式類神經網路 可能僅包含一層神經元，而此層的神經元將其輸出訊號回傳給同一層中 的其他神經元或前ㄧ層的神經元作為輸入資料。

輸入層 隱藏層 輸出層

圖 3.4 回饋式類神經網路 資料來源：本研究整理 三、監督式學習(Supervised Learning)

監督式學習可以不斷修正網路中的傳遞權重，如圖 3.5 所示，以符 合目標值，這個目標值不斷督促網路修正傳遞權重的值，藉由訓練過程 中不斷調整網路連結的強弱，來降低網路的輸出值與目標值間的差異，

直到差異小於一定的臨界值才停止，倒傳遞類神經網路即屬於此類。

圖 3.5 監督式學習演算法 資料來源：本研究整理

輸入 ANN 輸出

誤差 真實值

輸入層 隱藏層 輸出層

四、非監督式學習(Unsupervised Learning)

非監督式學習的特色在於訓練過程中只需提供輸入資料，如圖 3.6 所示，網路依輸入資料的特性自行學習及調整權重，自組織映射圖網路 即屬於此類。這種學習方式通常用於聚類的問題，在訓練時輸入變數藉 由學習法找出聚類的規則，當有新的輸入資料輸入時可判斷該筆輸入資 料所屬的類別。

圖 3.6 非監督式學習演算法 資料來源：本研究整理 3.1.3 倒傳遞類神經網路

倒傳遞類神經網路（Backpropagation Neural Networks，簡稱 BPNN）

是由 Rumelhart et al.（1986）所提出，是目前類神經網路學習模式中，最具 代表性且應用最普遍的學習模式之一(Han and Kamber, 2001)。倒傳遞類神經 網路的架構為多層感知器(Multilayer Perceptron, MLP)配合誤差倒傳遞演算法 (Error Back Propagation, EBP)為學習演算法，屬多層前饋式網路，是以監督式 學習方式處理輸入輸出間的非線性映射關係，達到準確分類的效果。其具有 多層回授與非線性的網路學習能力，解決了感知器無法克服 XOR(Exclusive OR)的邏輯問題。

倒傳遞學習法的提出，使得多層感知器的網路架構得以實現，常用的 MLP 網路架構如圖 3.7 所示，有人稱倒傳遞類神經網路為三層結構的類神經 網路，包含輸入層、隱藏層及輸出層，但實際上輸入層如同單層感知器的輸 入層，並不對輸入資訊做特別處理，只是當外界輸入訊號的傳遞介面，將輸 入項直接往後傳遞，因此實際有作用的神經元只有隱藏層及輸出層。

ㄧ、輸入層：僅輸入資料，並不對輸入資訊做特別處理。

二、隱藏層：層數可依問題複雜度由ㄧ層到數層，用以彙集、處理輸入單元

輸入 ANN 輸出

聚類結果

的資料。

三、輸出層：由ㄧ層處理單元所組成，使用非線性轉換函數彙集、處理隱藏 層輸入的資料。

圖 3.7 倒傳遞類神經網路架構圖 資料來源：

網路中靠相關權重連結各層神經元，輸入值由輸入層直接傳入隱藏層經 加權累加後再透過活化函數轉換可得ㄧ輸出值，再傳入輸出層。常使用的活 化函數形式如 S 形函數：

) exp(

1 ) 1

(x x

f = + −α (3.1)

由於 S 形函數之活化函數可微分，我們可以利用最陡坡降法在學習過程 中修正權重與偏權值，使誤差值逐次減小，達到學習的目的。

)) ( 1 )(

( ) (

' x f net f net

f = − (3.2) 3.1.4 倒傳遞類神經網路的學習演算法

在倒傳遞類神經網路中第n層第 j 個神經元的輸入值為第n−1層神經元 輸出值的非線性函數：

輸入層 隱藏層 輸出層

輸出值

輸出值

輸出值 誤差值

誤差值

誤差值

) ( ⁿ_j

n

j f net

y = (3.3) 式(3.3)中yⁿ_j為第n層的輸出值， f 為活化函數，netⁿ_j 為第n−1層輸出值 的權重累加值

n j n i i

n ji n

j w y b

net =

∑

式(3.4)中wⁿ_ji第n層第 j 個神經元與第n−1層第 i 個神經元的連結權重，

n

bj為第n層第 j 個神經元的偏權值，誤差函數 E 定義為 )2

( ) 2 / 1

(

∑

=

k

k

k y

d

E (3.5)

式(3.5)中d 為第_k k個神經元的目標輸出值，y 輸出層第_k k個神經元的網 路輸出值因此，網路的學習過程，即為使誤差函數 E 最小化的過程，在此我 們利用最陡坡降法來搜尋 E 的最佳解，也就是最小的誤差平方和。每當輸入 ㄧ筆訓練資料，網路就稍微調整加權值的大小，調整的幅度和誤差函數對權 重連結值的敏感程度成正比，也就是和誤差函數對權重值的導函數大小成正 比：

ji

ji w

w E

∂

− ∂

=

∆ η (3.6)

式(3.6)中η為學習速率，其大小決定了最陡坡降法修正的步幅

而 wji

E

∂

∂ 可用微積分的連鎖律得

ji n j n j n j n ji j

n j n

ji j w

net net

y y

E w

net net

E w

E

∂

∂

∂

∂

∂

= ∂

∂

∂

∂

= ∂

∂

∂

而不論w 處於隱藏層與隱藏層之間，或處於輸出層與隱藏層之間，均可_ji 寫成通式

−1

−

∂ =

∂ n

i n j ji

w y

E δ

所以可得

−1

=

∆w_ji ηδⁿ_j y_iⁿ (3.7) 此即為倒傳遞演算法之關鍵公式，每輸入ㄧ組訓練範例，各連結的權重 即可依此方式，加以調整，式(3.8)中 p 為第 p 組訓練範例。

ji ji

ji p w p w

w ( )= ( −1)+∆ (3.8) 3.2 田口式品質工程簡介

係由日本品管大師田口玄一博士 (Dr. Genichi Taguchi) 所提出，一般學 者認為田口方法係源自於傳統的實驗設計( Experimental of Design, DOE ) ， 實則兩者精神重點仍有明顯差異：傳統的 DOE 以研究平均值為中心，而田口 方法則以降低產品變異為重點。此外，傳統的 DOE 常被指為較具理論性及用 繁雜的統計手法，致企業較難接受與應用；田口式品質工程則去除上述缺點，

乃以生產效率與成本效益為依規，並以 S/N 比分析為主，既簡易又實用性，

故較為企業界所採用。

田口方法的名稱原自於美國，在日本田口博士稱為品質工程(quality engineering)，由於田口方法的名稱在歐美太普遍且成效顯著，因而此名稱反 向倒輸入回日本，現在日本也叫田口方法【11】。

3.2.1 實驗設計法

傳 統 的 實 驗 設 計 法 (experimental design) 是 在 20 世 紀 初 由 英 國 人 R.A.Fisher 發展出來的，相較於田口方法，我們稱為傳統的實驗設計法。該 訪法包含多種的統計設計技巧，雖然提出已久，但甚少應用於工業實驗上，

主要是因為甚少有工程師受過機率和統計課程的訓練，再加上受到使用者對 於假說設定、處理程序及統計方法的熟練程度影響，造成應用的不變。傳統 的實驗設計法可分為三種：單因子實驗、全因子實驗與直交表實驗。

ㄧ、單因子實驗(Signal-factor experiment)：

單因子實驗方法，即實驗過程中只允許某ㄧ因子變動，其餘因子必需保 持固定水準的實驗方法。在初次使用單因子實驗方法，會有單因子實驗較全

因子實驗有效的見解，因其實驗次數少，且可以快速得到所需的資料，並且 節省成本。例如設計一個 8 因子 2 水準的實驗時表 3.3 所示，單因子實驗只 需執行 8 次，乍看之下，顯然是極有效率的，但其實單因子實驗會有以下的 缺點：將會漏失因子間交互作用的訊息、當因子數很多時所得結果將較不真 實、無法保證在實際的製造條件中，獲得良好的實驗結果再現性。

表 3.3 單因子實驗

因子與水準 實驗

編號 A B C D E F G

實驗 結果 1 A1 B1 C1 D1 E1 F1 G1 Y1 2 A2 B1 C1 D1 E1 F1 G1 Y2 3 A2 B2 C1 D1 E1 F1 G1 Y3 4 A2 B2 C2 D1 E1 F1 G1 Y4 5 A2 B2 C2 D2 E1 F1 G1 Y5 6 A2 B2 C2 D2 E2 F1 G1 Y6 7 A2 B2 C2 D2 E2 F2 G1 Y7 8 A2 B2 C2 D2 E2 F2 G2 Y8 資料來源：本研究整理

二、全因子實驗(Complete-factor experiment)：

全因子實驗方法可以在同ㄧ時間內檢查多數因子的效果，且所有因子的 復合水準都將被實驗。可以式(3.9)表示全部組合實驗所需的次數：

因子所有組合的實驗次數=y^x (3.9) x：因子數

y ：因子水準數

例如以 7 個因子，每個因子二水準，則所需的實驗次數為2 =128 次實驗，⁷ 若更多的因子加入實驗時，實驗執行的次數將成幾何級數增加，例如將前述 的實驗增加一個因子，即變成 8 個因子，則所需的實驗次數變為

2 =256 次實驗 8

全因子實驗雖然能包含所有可能的變化水準，但是當因子數及水準數變 得相當大時，形成人力、時間、成本的大量花費實驗反而變得不太可能執行，

因此，全因子實驗適合用在因子數及水準數較少的情況下。

三、直交表實驗(Orthogonal array design experiment)：

直交表係由田口先生所提出，其之所以提出直交表，目的在於利用很少 的實驗次數求得所要得到之目的或結果。而直交表實驗，允許每一個因子的 效果，可以獨立與以評估，著重在實驗結果所反應的平均變化。直交表的符 號所代表的定義如下：

) ( ^c

a b

L

L ：表直交表(Ｌ為 Latin Square 第一個字母) a：列數，即實驗次數

b：因子水準數 c：行數，即因子

例如表 3.4 所示，有 4 個因子，每個因子有三個水準，選擇L₉(3⁴)的直 交表，只需做 9 次實驗，若使用全因子實驗，則需進行3 =81 次實驗，使用⁴ 直交表節省了 72 次實驗。因此，就時間人力、時間與成本而言，使用直交表 較符合經濟效益，而且其所得到的結果再現性也相對提高。

表 3.4L₉(3⁴)直交表

實驗編號 A B C D

1 1 1 1 1

2 1 2 2 2

3 1 3 3 3

4 2 1 2 3

5 2 2 3 1

6 2 3 1 2

7 3 1 3 2

8 3 2 1 3

9 3 3 2 1

資料來源：本研究整理