中華大學碩士論文

(1)

中華大學碩士論文

兩階段最佳化製程系統應用於導光板模仁微影製程之研究

A Two-Stage Optimization System for The Photolithography Process of LGP Stamper

系所別：工業管理學系碩士班學號姓名： M09721006 陳希平指導教授：陳文欽博士

中華民國 100 年 6 月

(2)

摘要

在目前薄膜電晶體液晶顯示器(Thin Film Transistor Liquid Crystal Display, TFT-LCD)產業中，產品已趨輕、薄、短小，然而要朝向這目標，背光模組之導光板勢必越來越薄，且能使整個背光模組有效的呈現均勻發光。然而目前中小尺寸導光板的製作需先製作其模仁，模仁製作包含微影與蝕刻製程，目前微影製程參數設定時，

往往需要依靠工程師之經驗及直覺，且經由試誤法與實驗設計需經過多次測試才能夠找出適合之參數組合，須花費大量時間、人力及成本。故本研究針對微影製程部分提出了兩階段最佳化之系統，對多品質特性之導光板模仁，進行微影製程參數最佳化研究，其中導光板模仁品質特性分別為微結構之直徑及微結構整體之均勻性，製程之控制因子為烤箱溫度、烤箱時間、滾輪溫度、曝光能量、顯影速度。

本微影製程參數最佳化系統分為兩個階段，第一階段 S/N 比最佳化，將依田口直交表進行微影製程之微結構成形實驗，以實驗數據計算 S/N 比值，利用倒傳遞類神經網路建構S/N 比預測器與品質預測器，及透過主效應圖及 ANOVA 分析, 找出初始製程參數組合，再結合 S/N 比預測器與基因演算法(GA)進行全域搜尋，找出最佳製程參數組合，使各品質特性之S/N 比值都最大化，此階段將使製程變異降至最低；

第二階段品質最佳化，將品質特性值逼近目標規格- 運用 ANOVA 找出控制因子及調整其水準，並結合品質預測器與粒子群演算法(PSO)進行搜尋，以微結構之直徑及均勻性為品質特性，找出最符合品質規格且製程最為穩定之最佳製程參數組合。

以本研究所提出之兩階段最佳化系統所找出之製程參數組合，不僅整個製程更為穩定且微結構直徑符合尺寸規格，同時也有效降低重工次數及有效的提升均勻性以及降低成本，提升整體微影製程之製程穩定度及提高產品品質特性。

關鍵字: 導光板模仁、微影製程、田口方法、倒傳遞類神經網路、基因演算法、

ANOVA、粒子群演算法

(3)

ABSTRACT

In the current thin film transistor liquid crystal display (TFT-LCD) industry, most of the products have become lighter, thinner, shorter and smaller. To face with this trend, the light guide plate of the backlight module is bound to become thinner and needs to be illuminated evenly and effectively. However, the production of the small and medium-sized light guide plates must concern how to create the mold first, and the mold manufacture comprises the photolithography and etching processes. In general, the parameter settings determination of the photolithography process still relies on the engineers’ experience and intuition, and they often use trial-and-error and numerous design of experiment (DOE) to obtain a suitable and more reliable parameter settings, which leads to spend a large amount of time, manpower and cost. In this research, the two-stage optimization system for photolithography process can be proposed in terms of multi-quality characteristics of the light guide plate mold: the diameter of the micro-structure and the uniformity of the whole micro-structure. And the control factors of photolithography process are oven temperature, oven time, hoop temperature, exposure energy and development speed.

The study can be divided into two phases: signal-to-noise (S/N) ratio optimization and quality characteristic optimization. In the first phase, signal-to-noise (S/N) ratio optimization can be achieved using the Taguchi orthogonal array to conduct the combinational experiment for the lithography process of micro-structure molding, and figure out S/N ratio via experiment data. In addition, the signal-to-noise (S/N) ratio and the other quality characteristics predictors can be created by training the former experimental data through back-propagation neural network (BPNN), and coming up with the initial process parameters settings using the main-effect plot and ANOVA analysis. Then applying the genetic algorithms (GA) with signal-to-noise (S/N) ratio predictor execute the

(4)

global search to find out the optimal parameter settings, which maximizes the signal-to-noise (S/N) ratio and can reduce the process variance to a minimum. In the second phase, quality characteristics optimization- to meet the target under the adjustment of control factors’ levels via ANOVA analysis, and using the quality characteristic predictors for the diameter of the micro-structure and the uniformity of the whole micro-structure with particle swarm algorithm (PSO) to carry out the global search, which can come out the optimal parameter settings to meet the approximation value of the target and develop the most stable process.

The proposed two-stage optimization system can effectively identify the best process parameter settings. It not only allows the whole process to become more stable and meet the target specification for micro-structure in diameter, but also effectively reduces the number of reworks, improves the uniformity of photolithography process, and cuts down the cost, and further enhances the process stability and product quality.

Keywords: Light guide plate mold, Photolithography process, Taguchi method, Neural networks, Genetic algorithm, Particle swarm optimization

(5)

謝辭

韶光荏苒，兩年研究所生涯已進入尾聲。首先感謝我的指導教授陳文欽博士，給予指導學生相當大的自由空間，培養我獨立與自動自發的學習習慣，能在恩師的帶領下學習，實屬學生莫大之榮幸。老師對我的栽培與期盼，學生銘記在心，永懷感念這份恩情。同時感謝口試委員陳俊宏老師與陳興華主任撥冗審閱論文，並給予諸多建議及指教，使得本論文更加完整，在此學生致上最誠摯的敬意。

就讀研究所的兩年期間，首先必須感謝工業技術研究院的陳興華主任及蝕刻部門的同仁，對於小弟的栽培，使得小弟在工作之餘方能繼續攻讀碩士班。另外需要感謝文柏及柏睿這兩位同窗好友，他們總是在我最需要幫忙的時候，替我設法解決問題且一同分擔實驗室的苦與樂。另外實驗室的培豪學長、公良學長、東燦學長、書全學長及學弟翔丞、世傑則在相同領域下一同努力與互助，因為你們方得以完成論文。弘裕學長、俊偉學長、與俊宇學長還有我工工所的同學及學弟妹，總是在我遇到挫折的時候，給予我加油鼓勵，你們的幫忙使我銘感在心。

最後感謝我的家人，沒有他們這麼多年無怨無悔的付出，提供我良好求學環境，

使我無憂無慮的念書，沒有他們就沒有今天的我，此外我發自內心感謝所有與我有過交集的人們，你們都在我生命中留下了各自的印記，最後感謝所有曾經幫助過我，而我卻沒有寫上去的人，謝謝你們。

陳希平謹試識於中華大學工工所中華民國100 年 6 月 10 日

(6)

表次

表 1 L9(2³)直交表...11

表 2 參數水準設定範圍表 ...41

表 3 L 25(56)直交表 ...42

表 4 實驗設備規格 ...48

表 5 碳酸鈉物理及化學性質表 ...50

表 6 SUS 430BA 規格表 ...51

表 7 因子水準設定表 ...54

表 8 實驗參數組合表 ...55

表 9 直徑(Diameter)實驗結果...56

表 10 均勻性(Uniformity)實驗結果 ...57

表 11 直徑及均勻性最高 S/N 比之參數表...58

表 12 品質特性-直徑-ANOVA 表 ...59

表 13 品質特性-均勻性-ANOVA 表 ...59

表 14 直徑及均勻性最高 S/N 比之參數組合表...60

表 15 類神經網路訓練設定表(S/N 比預測器) ...60

表 16 基因演算法之參數設定範圍 ...62

表 17 第一階段最佳化參數 ...63

表 18 類神經網路訓練設定表(品質預測器) ...64

表 19 粒子群演算法之參數設定初始值 ...66

表 20 第二階段最佳化參數 ...67

表 21 田口最佳參數 S/N 比預測值...68

表 22 參數搜尋值與參數設定值 ...69

表 23 最佳化參數 30 筆之測量值 ...70

表 24 最佳化結果分析比較表(均勻性) ...72

(9)

表 25 最佳化結果分析比較表(直徑) ...73

(10)

圖次

圖 1 研究流程圖 ... 5

圖 2 直交表示意圖 ... 10

圖 3 品質與因子關係圖 ... 12

圖 4 田口實驗計畫法步驟 ... 15

圖 5 生物神經細胞架構圖 ... 16

圖 6 監督式學習法說明圖 ... 17

圖 7 非監督式學習法說明圖 ... 18

圖 8 階梯函數圖形 ... 18

圖 9 區域線性函數圖形 ... 19

圖 10 雙彎曲函數 ... 19

圖 11 雙曲線正切函數圖形 ... 20

圖 12 倒傳遞神經網路架構圖 ... 21

圖 13 BPNN 演算流程圖 ... 21

圖 14 基因演算法執行流程圖 ... 23

圖 15 單點交配過程 ... 26

圖 16 兩點交配過程 ... 26

圖 17 兩點交配過程 ... 27

圖 18 單點突變圖 ... 27

圖 19 粒子群演算法執行流程圖 ... 29

圖 20 光線行進路線隨擴散點改變之情形圖 ... 30

圖 21 背光模組結構示意圖 ... 31

圖 22 側光式背光模組結構示意圖 ... 32

圖 23 直下式背光模組結構示意圖 ... 32

圖 24 導光板黃光微影基本加工流程圖 ... 37

(11)

圖 25 導光板模仁量測示意圖 ... 39

圖 26 最佳化參數流程圖 ... 40

圖 27 S/N 比預測器結合 GA 之參數最佳化邏輯架構圖 ... 44

圖 28 品質預測器結合 PSO 之參數最佳化邏輯架構圖... 46

圖 29 TAMARACK 8KW 曝光機... 49

圖 30 水平雙面式顯影機 ... 49

圖 31 Mahr 非接觸 3D 影像檢測設備... 50

圖 32 實驗成品圖 ... 52

圖 33 非接觸 3D 影像檢測設備 ... 52

圖 34 均勻規格量測圖 ... 53

圖 35 直徑規格量測圖 ... 53

圖 36 BPNN-S/N 比訓練收斂圖... 61

圖 37 倒傳遞神經網路測試折線圖(直徑) ... 61

圖 38 倒傳遞神經網路測試折線圖(均勻性) ... 62

圖 39 BPNN-品質特性訓練收斂圖 ... 64

圖 40 倒傳遞神經網路測試折線圖(直徑) ... 65

圖 41 倒傳遞神經網路測試折線圖(均勻性) ... 65

圖 42 曝光能量與顯影速度對於直徑趨勢分佈圖 ... 67

圖 43 曝光能量與顯影速度對於均勻性趨勢分佈圖 ... 68

圖 44 品質特性(直徑)製程參數最佳化方法比較圖 ... 71

圖 45 品質特性(均勻性)製程參數最佳化方法比較圖 ... 71

(12)

第一章緒論

第一節研究動機與背景

隨著光電產業的蓬勃發展，在各種顯示器(Display)技術中都朝向輕、薄、短、小、

高亮度及低耗電量與低輻射量等為研發目標，所以傳統的陰極射線管(CRT) 顯示器已經面臨了被取代的趨勢，而其中又以薄膜電晶體液晶顯示器(Thin Film Transistor Liquid Crystal Display, TFT-LCD)之技術發展更加迅速，所應用的層次範圍更加廣泛，

例如手機、數位相機、個人數位助理(Personal Digital Assistant, PDA)、液晶電視、電腦螢幕等，這些都是以液晶顯示器為主要的產品，由於TFT-LCD本身不具有發光特性，必須依賴背光源供應充足與分佈均勻的光源來達到顯示功能，因此背光模組的性能品質好壞將直接的影響到液晶顯示器(TFT-LCD)的品質。

由於TFT-LCD強調，輕、薄、短小且訴求攜帶方便，近年來需求快速的增加，已在顯示器的市場中取代傳統的映像管CRT顯示器。隨著平面顯示器製造技術的提升，

和不斷的開發大尺寸面板以及價格降低的趨勢下，背光模組在未來製作考量中需以輕量化、低耗電力、高亮度、低成本及環保趨勢的市場要求下進行設計。為保持在未來市場的競爭力，開發設計新型的背光模組製作技術，是目前努力的方向及重要課題，

而其中導光板上之微結構更是製作技術開發的重點。

液晶本身並不發光，必須藉由背光模組提供光源讓螢幕整個達到均勻發光之效果，而背光模組最具關鍵的零組件即為導光板,其主要目的為利用導光板上所設計的網點(微結構)分佈來破壞光源於導光板內全內反射的情況，並將光源從點光源轉換成線光源再均勻的將光引導出導光板，所以導光板的光學設計與製造更趨重要，因此吸引許多產學界相關的研究團隊，投入於導光板微結構特徵的光學設計以及製造，以開發出中小尺寸液晶面板背光模組所需的導光板模仁，並使液晶顯示器的均勻度與亮度均可有效再提升。

目前在導光板模仁製作方式可分為印刷式與非印刷式，而非印刷式又可分為：雷

(13)

蝕刻法及電鑄製程，均需利用微影技術形成網點圖形，進而直接將經由光學設計好之網點圖型轉寫至模仁上，而在微影製程中，製程參數設定對於微結構網點圖形尺寸的轉寫率佔了重要地位。而在化學蝕刻法時，導光板模仁在進行蝕刻前，必須先經過微影製程來將微結構圖形轉寫至導光板模仁上，通常此製程如參數控制不佳時則會造成圖形轉寫失敗、轉寫率不佳及尺寸變異過大等成形缺陷。因此微影製程之參數設定對微結構網點之尺寸為重要之關鍵性所在，倘若導光板上之微結構網點小於直徑約 50μm時，則造成微影製程的轉寫率降低，將導致光學端的設計無法落實，進而影響導光板的效率。

目前導光板擴散網點之微結構大多採微透鏡形式，在模仁製作上普遍採用製造成本低、加工時效高的化學蝕刻法來製作導光板模仁之微結構，但由於化學蝕刻所產生出來之微結構其表面粗糙度較難以控制，對於蝕刻時間的控制也較不易。且化學浸蝕之速度與均勻性無法獲得良好控制，再加上微影製程的不良圖形所造成蝕刻的缺陷等等。故本研究將針對如何提升微影製程之均勻性及最佳微影製程參數進行研究，以改善造成圖形不良的缺點，並提高微影製程之穩定性和更佳品質。

第二節研究目的

本研究期望在微影製程參數最佳化中提出一個快速又精確且可同時考量品質特性與製程穩定的模式，能夠在最短時間及成本下獲得最佳微影成形製程參數組合，不僅能讓新進工程師在最短的時間內立即學習且同時應用，透過此種手法也能減少製程中過多的浪費，對於較無實務經驗之操作人員也能輕易完成製程程序，同時可減少開發中的成本、機器與人力的損耗，並提升公司的競爭力。

本研究主要目的是找出符合產品品質且變異最小之最佳微影製程參數組合。其微影製程參數最佳化目的說明如下：

1.調整製程參數須知道製程參數與產品品質彼此間的相關性，如此才能在所需之品質條件下，找出符合產品品質的製程參數組合及當品質發生變異時找出正確的參數進行調整。

(14)

2.建構一套兩階段最佳化系統，使製程穩定且也能同時符合產品規範。

3.利用最佳化方法在最短的時間及成本下，找出最快又準確的方法，來搜尋最佳製程參數。取代目前以試誤法或田口方法的模式，避免造成時間與材料成本上的浪費。

4.過去微影成形參數調整設定大多靠工程師之經驗，但現今人員流動率高，微影成形技術經驗傳承不易，因此建構一套最佳化流程，使新進工程師能快速學習。

第三節研究方法

有鑒於上述之研究背景與目的，本研究提出一個利用類神經網路與基因演算法及粒子群演算法為基礎的製程參數最佳化系統，主要透過田口實驗之直交表進行田口實驗，且透過實驗結果計算出訊號雜音比(S/N Ration)及靈敏度，並將田口直交表之實驗數據資料，經由倒傳遞神經網路(Back-Propagation Neural Network)進行訓練與測試並建構 S/N 比預測器與品質預測器，再以 S/N 比預測器搭配基因演算法(Genetic Algorithms, GA)，進行第一階段製程參數 S/N 比最佳化，使製程有效的達到穩定之狀態。第二階段品質最佳化，將品質逼近目標規格，運用ANOVA 找出控制因子，結合品質預測器與粒子群演算法(PSO)進行搜尋，以微結構之直徑及均勻性為品質特性，

找出最符合品質規格且製程最為穩定之最佳製程參數組合。本研究之研究流程架構如圖1 所示，主要分為五大步驟，首先確定研究主題及兩階段最佳化系統，應用於單品質特性之導光板模仁之微影製程參數研究，並參考國內外學者之相關研究及學術探討，同時進一步了解微影成型技術發展與現況，再針對其需求進行深入研究。詳細流程說明如下：

第一部份訂定研究主題

確立本研究之研究目標及研究目的第二部份相關文獻探討

分別針對微影製程技術、田口實驗設計、類神經網路、基因演算法與粒子群演算法做方法及理論之回顧，並整理國內外相關研究之文獻，進一步了解目前產業之現況及需求。

(15)

第三部份基礎理論

關於本文所運用的理論做簡短介紹，包含導光板模仁、背光模組簡介、

微影製程。

第四部份研究方法

研究方法針對其設計流程架構敘述說明，並對微影製程參數最佳化過程進行解說。

第五部份實驗規劃與進行並分析實驗結果

透過田口直交表實驗，規劃微影成形實驗並進行實際實驗，收集數據並利用最佳化方法找出最佳化參數，針對田口方法及最佳化之參數組合進行確認實驗並進行分析。

第六部份提出本研究之結論與未來研究方向

針對實驗分析結果進行探討，對本研究作一完整之結論，並提出未來研究之建議。

(16)

圖 1 研究流程圖

第四節論文章節概述

本論文一共分為六章，第一章為緒論，介紹本研究的研究背景動機與目的及研究架構流程；第二章為文獻探討，針對田口方法、倒傳遞神經網路、基因演算法、粒子群演算法理論回顧，並探討國內外學者之研究，了解現行微影製程在產業界與學術界之研究狀況；第三章為基礎理論對本文所運用的理論做介紹；第四章為研究方法，詳細說明本研究之所使用之研究方法，並針對其架構闡述流程；第五章為實驗建構與結果分析，介紹實驗之進行與結果分析；第六章為結論與未來研究方向。

第一章緒論

第二章文獻探討

第三章基礎理論

第四章研究方法

第五章實驗結果與分析

第六章結論與建議

(17)

第二章文獻探討第一節微影製程

微影製程(photolithography process)早期被應用在半導體製程。目前在導光板(light guide plate, LGP)模仁製程中stamper)也被廣泛應用，以製作導光板模仁之微影製程技術來說，整個微影技術流程需要六道步驟：清洗原材、預烤、光阻塗佈、曝光、顯影和硬烤，影響微影製程參數眾多且彼此間呈現非線性關係，其製程控制參數更直接影響產品的品質與成本，以往大多憑藉著經驗與試誤法或田口實驗的非連續式最佳化設計所決定製程參數及控制因子。通常LGP之微影製程參數控制不佳時則會造成圖形轉寫失敗、轉寫率不佳及尺寸變異過大等成形缺陷，就必須重工把光阻剝除，再不斷的重覆之前的流程直到通過檢查為止。為了能夠降低重工的步驟及減少成本，因此在微影製程中控制因子之參數設定就更加重要。在過去研究中很多學者探討微影製程參數對於微影製程的影響，Huang et al. (2009)應用UV-LIGA製程製作精密之電鑄鎳齒輪模具，其中微影製程之控制因子為：光阻厚度、軟烤時間、曝光能量、曝光後烘烤時間、

顯影時間、硬烤時間、及電鑄鎳材料，這些因子對於精密成形模具之圖案轉移皆有影響，由於微影製程好壞將會影響後續的模具好壞。Pal and Sato(2009)提出一種暫存製造方法，利用微影技術應用於矽微通道和各種形狀的顯微所需的矽片上。在製造方法中使用晶片鍵合的氮化矽(Si3N4陶瓷)作為中間層，局部使用氧化矽，和金屬氧化物半導體(Complementary metal–oxide–semiconductor, CMOS)技術建立所需要的微結構圖形，並結合非等向性的濕蝕刻技術來製作模具，此種方法可在矽晶圓內部製作出各種不同角度的微結構。Huang et al. (2009)提出了新型的mask structure (Γ-shape) 並結合了shadow mask 技術，應用在更薄的版片上進行加工，此法可以提高微結構的開孔率以及降低光蝕刻過程中所不需要的成本，此法證實可成功的應用於OLED被動式陣列設備上。Jang et al. (2008)等人提出，導光板模仁使用噴砂製程時，必需先建立微影製程實驗參數才能夠有效的將微結構圖形轉移到模仁上，然而其中又以微影製程為重要關鍵，實驗之關鍵控制因子分別為，去水烘烤、壓模溫度、曝光能量與顯影速度，

(18)

關於上述之實驗因子皆對於導光板微結構轉寫率的品質佔有絕對之因素，如無法有效的建立此製程參數將對於導光板模仁在後續的射出上會有極大的影響。Mert et al.

(2006)利用微影技術並搭配SU-8光阻劑，進行微矩陣列結構模具製造，利用此技術可以輕易的將所需要的微結構圖形進而轉寫至基材上以利後續製造模仁或是模具，但在微影製程中之各個控制因子及參數範圍都會直接與間接的影響微結構圖形的尺寸，所以在進行此微矩陣列結構模具製造時，必須經由實驗才得以確定其最佳製作參數範圍。由文獻得知大多數的製程都必須藉由微影製程來當作圖像轉移的工具，且這項製程技術是目前產業中不可或缺的一環，不管從TFT-LCD、半導體、太陽能等等產業都必須仰賴微影技術，由此可見其製程之重要性。且從文獻得知大部分之微影製程參數重要因子為，光阻厚度、軟烤時間、曝光能量、曝光後烘烤時間、顯影時間、硬烤時間等等。

雖可從上述文獻中可得知導光板模仁微影製程參數的重要因子,但大多都是藉由經驗或試誤法以求得參數重要因子。在製程參數最佳化方面，徐瑞富(2004)利用田口方法改善金線偏移之銲線製程問題，利用田口方法建構一組最佳的製程參數組合，來降低IC(Integrated Circuit)封裝時的金線偏移。楊國榮(2005)利用田口方法分析電漿參數對IC晶粒導線接合的影響，並找出一組最佳製程參數經過確認實驗結果顯示電漿製程確實能改善並增加金線的拉力。游昇鑫(2006)在探討BGA(Ball Grid Array)構裝技術中，因錫球的三維尺寸誤差較大時，將會影響錫球和線路板接觸不良，進而影響 IC(Integrated Circuit)晶片的可靠度，故利用田口方法改善現況並得到一组最佳參數使錫球尺寸的誤差在範圍內。楊明棋(2007)利用田口方法探討微電化學加工參數對於製作微圓柱電極刀具和金屬移除量的影響程度且加以評估設計最佳參數組合，並以變異數分析法(Analysis of variance, ANOVA)加以分析發現敏感因子，且順利取得一组最佳參數。吳志政(2008)以RGB三原色之發光二極體(Light Emitting Diode, LED)為燈源之背光模組結構進行最佳化設計，並且利用田口方法針對混光區及導光板微結構進行最佳化效能設計，同時使得整體背光模組之輝度與均齊度達到最適化。Chen et al. (2009)

(19)

探討導光板成型模仁(Stamper)之微影製程最佳化，其中提到在進行導光板模仁製程中之重要控制因子為，烤箱溫度、烤箱時間、滾輪溫度、曝光能量、顯影速度等，利用田口直交表實驗，找出符合品質特性目標之製程參數組合，經實驗結果顯示可得到一組最佳參數組合能同時滿足直徑與均勻性之需求。

然而田口方法是從直交表水準值中找出最好之製程參數組合，但此最佳組合為離散型之組合，未能找出最佳化之製程參數，若使用不適當之製程參數組合將會導致產品缺陷的產生，製程不穩定等現象。要解決上述問題，許多學者應用類神經網路、田口方法、與相關之最佳化理論， Su and Wong (2007)利用粒子群演算法(PSO)結合類神經網路建構一個多個輸入/輸出的控制器，研究結果顯示此方法更能將品質特性更準確的逼近目標值，大幅降低誤差。Li (2008)針對LGP網點的最佳化進行研究，利用類神經網路搭配基因演算法求取最佳化成果，其成果得到90%的均勻度。Chen et al.(2010)對塑膠射出製程參數最佳化進行探討，將田口實驗法所得之數據資料經由倒

傳遞類神經網路建立品質預測器，結合基因演算法與於塑膠射出成形製程參數最佳化，從實驗中得知限定製程參數範圍落於最佳S/N 比之±1/2個田口實驗水準時，基因演算法所搜尋之解優於田口實驗計畫所找出之製程參數組合。Chen et al.(2011) 針對 LGP網點的最佳化進行研究，運用TracePro光學模擬軟體來進行二次光學分析，利用倒傳遞神經網路建立光學透鏡之品質預測器，有效預測LED光學透鏡的發光型態，節省後續光學分析所需花費之時間，並結合基因演算法與倒傳遞神經網路求出全域最佳解。

規納過去文獻，可將以往研究分成三大類，第一類用過往經驗及試誤法進行實驗；第二類運用田口方法從直交表水準值中找出最好之製程參數組合，但此最佳組合為離散型之組合，未能找出最佳化之製程參數；第三類運用品質預測器搭配最佳化手法(GA or PSO)針對品質進行改善。其中第一類運用試誤法搭配經驗值的作法，容易造成不必要的錯誤，且參數如設錯方向將導致整體實驗處於無效之狀態，而第二類未能找出最佳化之製程參數，若使用不適當之製程參數組合將會導致產品缺陷的產生，

(20)

製程不穩定等現象，第三類未考慮產品之穩定性。因此本研究將建構一套兩階段最佳化系統，第一階段為S/N比最佳化穩定製程為目標，以S/N比預測器結合基因演算法搜尋最佳組合，藉以穩定產品之穩定性；第二階段為品質最佳化以逼近目標值為目的，

以品質預測器結合粒子群演算法搜尋最佳參數組合，藉此達到符合品質的規格。本研究所提出之兩階段最佳化系統所找出之製程參數組合，不僅整個製程更為穩定且微結構直徑符合尺寸規格，同時也有效降低重工次數及有效的提升均勻性以及降低成本，

提升整體微影製程之製程穩定度及提高產品品質特性。

第二節田口方法

「田口實驗計劃法」又稱為田口方法，為工業上頗具知名的實驗計劃法為田口玄一博士(1990)的著作中提及，利用極少的實驗次數可等效全部因子的全域性實驗，其主要目的是要極小化產品功能之變異，在工業界中被廣泛應用。田口方法兩項主要工具為直交表(Orthogonal Array)與訊號雜訊比(Signal-Noise Ratio)，以直交表進行實驗規劃，利用直交表的特性藉減少實驗次數，讓實驗設計者以較少的實驗次數而獲得更可靠的因子效果估計量，以訊號雜訊比代表品質變異同時利用變異數分析(ANOVA)探討控制因子對品質特性的影響找出最佳組合，達成產品穩健設計之目的。

一、直交表 (Orthogonal Arrays)

直交表的使用是將控制因子及水準數按照直交表的格式填入，並依照直交表的規則排成行與列的矩陣數字，每一行代表實驗中各個因子的水準數目，每一列則代表各個因子的參數組合，並且任兩行因子的水準數出現次數相同，而利用最合適之直交表進行實驗。

選擇直交表前，需考慮控制因子數量及水準數目，且選擇合適之直交表，依照各品質特性之計算公式來求得各組之實驗S/N比，並選擇其S/N比較高者，求得最佳之參數組合。如圖2所示，L9 的直交表共有4行，代表最多可以配置4個因子，其中本體部分之數字，代表因子為3個水準，L9的直交表的實驗次數為9，故實驗編號由1至9 ，

(21)

順序應該是以實務上之狀況來決定。實驗中為了簡少實驗時間以及次數，通常會使用合乎所需之直交表。

圖 2 直交表示意圖

(22)

表 1 L₉(3⁴)直交表

因子

次數 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

二、因子種類

因子大致上可分為三類，分別為信號因子(Signal Factor)、控制因子(Control Factor)、干擾因子(Noise Factor)，信號因子又可稱為調整因子(Adjustment Factor)，此因子可由實驗者操控，其主要為影響品質特性的大小而並不影響品質之變異。

三、訊號雜訊比

在田口直交表的實驗中，為了能夠更加瞭解實驗當中各個控制因子之間差異，以及挑選出實驗中控制因子的最佳參數組合。田口博士是利用訊號雜音比(S/N)作為實驗中控制因子及各水準間的一個衡量準則。實際上早在通訊領域中就已經開始使用

(23)

信號功率(S) 雜音功率(N)

S/N比作為評估指標之依據，通訊輸出功率可分為信號功率與雜音功率透過兩者的比值即可計算出信號雜音比，信號雜音比越大代表信號越穩定，反之信號雜音比越小代表信號越不穩定，其公式定義如下：

信號雜音比(S/N)= (1)

經由分析S/N比值，可以很清楚的找尋出最合適之參數組合，並使品質特性穩定，

其中對於品質特性影響的因子大致上可分為三類，分別為信號因子、控制因子與干擾因子，並將品質損失包含其中， S/N比越大品質損失越小。如圖3所示。

圖 3 品質與因子關係圖

資料來源：「產品穩健設計：田口方法之原理與應用」，吳復強，

2005

在任意品質特性中，當訊號雜訊比越高表示越接近目標值，且表示該種組合最能達到設定的品質目標，在不同的品質特性下會有不同的訊號雜訊比公式，其中分為望大特性、望小特性、望目特性三種，敘述如下：

望大特性：當品質特性值為越大越好時使用，如：硬度、壽命、強度等



 



 







 n

i yi

N n S

1 2

1 log 1

10

/ (2)

望小特性：當品質特性值為越小越好時使用，如：收縮率、損失、翹曲等



 



 







 n

i

yi

N n S

1

1 2

log 10

/ (3)

(24)

望目特性：當有明確目標值時，希望量測值越接近目標值越好，如：長度、重量、厚度、尺寸等。其中望目特性又以不同的特性分為三類，如下：

第一類：同時考慮品質的變異及平均值是否偏移目標。

 



² ²



1

2

log 10 log

10

/ y m S

n m y N

S

n

i i





















 









 (4)

第二類：可將平均值調整至目標值，只考慮品質特性的變異時。

 

²

1

2

log 10 log

10

/ S

n y y N

S

n

i i

















 









 (5)

第三類：與第二類相同，但倘若標準差與平均值差距較大，此時標準差便不具代表性，而使用變異係數來衡量。

) log(

10

/ ₂

2

y N S

S 

(6)

四、靈敏度

利用實驗數據求出靈敏度並且進行ANOVA分析，其主要目的在於，找尋對於產品品質特性影響較為靈敏之製程控制因子，其計算公式如下所示：

靈敏度(S)=10*log(S²) (7)

五、變異數分析

變異數分析(Analysis of Variance，ANOVA)，其目的是以實驗標準偏差數值為基準，利用統計方法評估各個實驗因子對於品質之影響力，同時利用貢獻度來當做判斷各個控制因子對於品質之影響力多寡。其基本公式如下：

1.因子平方和





 

 ^Lp

k

pk y

Lp y r SSp n

1

)2

( (8) SSp 表示 P 因子之因子平方和

n 表示實驗組合總共 n 組

(25)

r 表示每組組合實驗 r 次 Lp表示該因子之水準數 y為實驗數據總平均值 2.總平方和

2 1

1

)



(



  r 

j ij n

i

y

y (9)

n 表示實驗組合總共 n 組 r 表示每組組合實驗 r 次

y為實驗數據總平均值 3.自由度

各個控制因子之自由度為各水準數減 1，而總自由度為全實驗樣本數減 1，誤差自由度為總自由度減去各控制因子自由度之總和。

4.均方合

又可稱為變異數，其定義為因子之平方和除以其自由度所得。

5.貢獻度(Contribution)

貢獻度是指各因子之平方和所佔之比例，可作為一種指標，用來表示各因子的變動對於品質特性所帶來之影響力，亦可作為一種重要性指標。其計算方式為各因子之平方和除以總平方和。

六、決定最佳參數及實驗的驗證

考慮變異數分析所得到的結果，針對整個實驗系統品質特性依照望大、望目或望小特性加以選定其品質特性，經過實驗結果分析後進而決定最佳參數的組合。最後，

透過實驗之驗證最佳的參數設計是否具有再現性，也就是驗證實驗經由變異數分析所決定的最佳參數結果。透過上述之步驟，就可以達到系統參數設計的目的，而有別於一般的單因子實驗設計和試誤法，有系統的去找尋最佳的因子水準組合和其對系統的

(26)

影響程度。本研究之所以會應用此法的原因是希望透過田口方法之實驗規劃，減少在模擬或實驗中，因為不確定性之參數調整，而直接導致影響研究之成果、時間與成本的浪費。圖4為田口實驗計畫法的流程。

圖 4 田口實驗計畫法步驟

資料來源：「田口方法：品質設計的原理與實務」，李輝煌，2008

第三節類神經網路

一、類神經網路簡介

類神經網路或稱為人工神經網路，屬於一種平行計算系統，近年來各領域中常使用的方法，主要利用大量之人工神經元來模仿生物神經網路之處理能力。張斐章與張麗秋(2005)指出當面對複雜且非線性問題時，不需利用數學假設建立模式或是數學方

(27)

程式，在處理這些複雜且不確定性極高之問題時，利用神經網路連想速度快網路架構簡單解決最佳化、非線性問題。根據神經學家多年來的研究，我們的大腦約由1011 個神經元(Nerve Cells)所組成，每一種神經元掌管不同的感知、推理、記憶與學習工作，其中神經細胞的別稱是神經元(Neuron)，實際上生物神經元總類繁多，而蘇木春與張孝德(2007)指出一般典型的神經元可分為1.樹突(Dendrites)、2.細胞本體(Soma)、

3.軸突丘(Hillock)、4.軸突(Axon)、以及5.突觸(Synapse)。神經細胞中常有許多分支突起的部分，短的稱為樹突(Dendrites)，而長的稱之為軸突(Axon)；樹突主要將訊息傳送至細胞中，一個神經元只會有一個突軸，其末端會有許多分支稱為突觸末端 (Synaptic terminal)主要作用是過突觸末端將訊息透傳送出，在軸突與細胞體相連結的部位稱之為神經軸丘(Axon hillock) 圖5為神經元架構之簡圖。

圖 5 生物神經細胞架構圖

資料來源：「類神經網路：理論與實務」，張斐章、張麗秋，2005

二、類神經網路的學習方式

類神經網路是藉由電腦軟硬體來模仿生物大腦神經之概念，類神經網路也跟生物神經一樣具有學習能力，通常我們以權重值大小代表神經元連結的強弱，如果單從改

(28)

變網路神經元間連結強弱的學習演算法來區分，其學習方式較常使用主要為監督式學習法(Supervised Learning)及非監督式學習法(Unsupervised Learning)。

(一)監督式學習法

網路在學習的過程中，每一筆輸入之資料皆對應一個目標或期望輸出值，藉此監督網路之學習，在此過程中不斷的修正各神經元間之權重，直到符合目標所允許之誤差範圍才結束權重之調整。而監督式學習法是從問題去學習輸入值和目標值之間的對應關係，透過既定目標值在過程中不斷的修正神經元間的權重值，直到符合目標允許之誤差範圍時才結束權重之調整，這種方式稱之為監督式學習法，由於網路之連結權重需要不段的學習及調整故需要多次的循環及較長之時間才能得到較好之結果，如圖 6所示。

圖 6 監督式學習法說明圖

(二)非監督式學習法

非監督式學習法與間監督式學習法不同的地方是，非監督式學習法是不需要透過目標值來修正權重值，使神經元間產生對於問題有分類功能之連結能力，使問題能透過物以類聚的方式來做聚類，同樣的也是透過不斷的學習，當神經元之連結權重趨於

(29)

穩定後即可結束停止訓練學習。此種學習方式大多運用在執行聚類(Cluster)運作，通常處理無法輕易瞭解且資料龐大的問題，如圖7。

圖 7 非監督式學習法說明圖

三、類神經網路之轉移函數

類神經網路之轉移函數為神經元中之門檻值，在生物神經元中擔任門檻值的作用，其功能決定了神經元是否傳遞訊息，在同一個神經網路中，藉由使用之轉移函數的不同，隨著運用的領域也有所差異，因此選用合適的轉移函數是顯的相對重要的，

一般是依照轉換函數的值域範圍來決定其轉換後的值域範圍。而將針對門檻值函數、

片段線性函數、雙彎曲函數(Sigmoid function)、雙曲線正切函數(Hyperbolic tangent function)進行說明：

1.階梯函數：

圖 8 階梯函數圖形

(30)

階梯函數：







 

0 x if 0

0 x if

F(x) 1 (10)

2.區域線性函數：

圖 9 區域線性函數圖形

區域線性函數：

























2 -1 x if 0

2 -1 x if 2 x 1

2 1 x if 1

F(x) (11)

3.雙彎曲函數(Sigmoid function)：

圖 10 雙彎曲函數

(31)

雙彎曲函數： F x _x exp 1 ) 1

(   (12)

4.雙曲線正切函數(Hyperbolic tangent function)：

圖 11 雙曲線正切函數圖形

雙曲線正切函數：F(x)tanh(x) (13)

四、倒傳遞類神經網路架構

倒傳遞類神經網路架構為結合了多層感知器(Multilayer perception, MLP)及誤差倒傳遞演算法(Error Back Propagation, EBP)，故稱之為倒傳遞類神經網路(Back Propagation Neural Network, BPNN)，其網路架構屬多層前饋式網路，並以監督式學習法處理輸入層及輸出層間之非線性映射關係，倒傳遞類神經網路是以多層前饋式網路其中包含了有輸入層、隱藏層以及輸出端的輸出層，其架構如圖12所示，而輸入層之神經元主要只有傳遞的功能，隱藏層及輸出層之神經元才是有真正實際功用。隱藏層神經元個數往往都以試誤法決定，但會根據問題之複雜度來增加或減少神經元個數，

藉此增強神經元之間之關係加強類神經網路之能力，而也只有傳遞功能有輸入層的神經元，真正有實際作用的是隱藏層及輸出層之神經元。一般都會依照問題的形式來決定兩者的神經元數目，隱藏層層數可以依問題複雜度來增加。其倒傳遞類神經網路演算法如圖13所示。

(32)

Y

1

Y

2

X

1

X

2

X

i

圖 12 倒傳遞神經網路架構圖

圖 13 BPNN 演算流程圖

資料來源：「類神經網路：理論與實務」，張斐章、張麗秋，2005

(33)

第四節基因演算法

基因演算法(Genetic Algorithm, GA)是由密西根大學的John Holland(1975)教授所提出，其基本概念是依據達爾文所提出的物競天擇與生物界中的適者生存的道理。而此種搜尋方法採用隨機搜尋方式，因此可避免在求解時陷入局部最佳解(Local optimum)，並可求得所謂的全域最佳解(Global optimum)，基因演算法它能夠選擇物種中較優良之父代並進行所謂的複製(Reproduction) 、交配 (Crossover)以及突變 (Mutation)等，以此種方式產生比父代更強更優良之子代。Goldberg(1989)指出這些遺傳運算是模擬自然界的演化程序，包括有複製 (Reproduction)、交配 (Crossover) 與突變(Mutation) 等等。因此 GA 具有下列幾點特性：

1.GA 是將參數編碼進行演化運算，而不是使用參數本身做搜尋。

2.GA 是高度平行搜尋，同時考慮空間的多個點而不是單一點，避免陷入區域最佳解。

3.GA 只使用適應函數做為本體的知識，沒有其他繁瑣的數學計算。

4.GA 使用“機率規則”而不是使用“明確規則”來導引搜尋方向，因此可適用於不同類型的問題上。

因此在運用基因演算法在尋找所謂的最佳化問題之前，首先必須先將問題的控制參數進行編碼，此步驟稱為染色體(Chromosome)，而編碼的型態又可分為數值型與二位元字串，並且同時透過適應函數(Fitness Function)計算其適合度是否為佳，若符合則為本問題之最佳解，反之則再次進行所謂的複製、交配與突變等過程找出新的參數組合，並且再次計算其適合度是否符合要求，不斷重複計算直到尋找到最佳解才停止，其基因演算法流程架構如圖14所示：

(34)

圖 14 基因演算法執行流程圖

(35)

關於基因演算法的運作，以下做進一步詳細說明：

一、編碼(Encoding)

根據問題與精確度需求來決定字串編碼的長度，長度越長則精確度越高相同的所需浪費太多資源進行編碼、解碼。反之長度太短有可能導致無法取得最佳解。編碼方式主要分為二位元 (Binary)編碼法和順序(Order)編碼法，說明如下：

1.二位元編碼法

二位元編法法為一種傳統的編碼方式，以0與1來表示基因。如可用0011表示數字3，用1100表示數字12。

2.順序編碼法

以流程順序之方式表達基因，如工廠的生產排程問題、旅行者問題(TSP)…等，

以直接數列的方式來進行表示順序。

二、產生初始族群(Initial Population)

初始族群即為第一代染色體之組合，亦可稱母體，為演化的開始點。在基因演算法中，一般產生起始解的方法有兩種：一是隨機產生組合、二是啟發式產生與問題想關之組合。由於基因演算法本身就是以隨機產生作為其演算法之基本法則，倘若採用啟發式產生起始解，則容易陷入所謂的區域最佳解，近年許多研究皆採用啟發式產生起始解，再隨機產生一些起始解成為初始族群，提高了求解之效益及效率。

三、解碼計算適應函數

解碼流程與編碼流程正好相反，將基因轉換為編碼前之的數值，且運用二位元編碼之基因轉換為十進制數值，並將其數值代入適應函數中計算其適合度，藉此作為判斷適應能力之指標，適應函數之定義為越接近使用者訂定之目標即為其適應力。在眾多染色體中，我們必須判斷染色體適應環境的能力，而此判斷的標準或準則之函數即為適應函數，可能是極小化問題，如成本、花費時間以及行程問題等；也可能是極大化問題，如利潤。

(36)

四、複製

在基因演算法之運算過程中，會複製前一代較佳之物種至交配池中，主要是為了將較優良之物種留下提供下一代進行挑選，主要可分為(1)輪盤式選擇、(2)競爭式選擇，個別介紹如下：

1.輪盤式選擇

所謂輪盤式選擇，計算所有基因之適合度，並根據適合度大小決定在輪盤上所佔之面積比例，越優良之物種在輪盤上所佔之面積越大，即表示配複製之交配池機率也越大。

2.競爭式選擇

每一代之演化過程中，隨機選取兩個或以上之物種，並計算其適合度，從中挑選較佳適合度之物種送入下一代之交配池中。此種方式可確保下一代交配池中皆為比較過之物種加速演算法之收斂。

五、交配

交配之過程為在交配池中隨機選取兩個父代物種，並交換彼此位元，產生出另一新物種。藉此期望產生比前一代更優秀之子代。而交配所發生之機率由交配率所決定。可分為1.單點交配、2.兩點交配與3.字罩交配。其說明如下：

1.單點交配

在隨機選取兩父代物種字串中，隨機選取一點作為交配點，並交換兩字串於交配點後之全部位元，其過程如圖15所示：

(37)

圖 15 單點交配過程

2.兩點交配

在隨機選取兩父代物種字串中，隨機選取兩點作為交配點，並交換兩交配點中全部位元。其過程如圖16所示：

圖 16 兩點交配過程

3.字罩交配

隨機產生一組長度與物種字串相同的字罩，字罩與物種字串一樣由0與1所組成，而只要字罩中為1的位元則隨機選取之兩組父代即進行交換。其過程如圖17 所示：

(38)

圖 17 兩點交配過程

六、突變

突變在基因演算法中扮演這非常重要之功能，其被視為跳脫區域最佳解之重要關鍵。突變的過程可針對單一位元進行突變稱為單點突變，或是種個物種字串運用字罩方式進行突變。而突變運算的機率則是經由突變率來控制調整的，一般突變率設定都很低，倘若設定太高將會失去基因演算法物種演化之意義。其突變過程如圖18 所示：

圖 18 單點突變圖

(39)

第五節粒子群演算法

粒子群最佳化演算法(Particle Swarm Optimization, PSO)是Eberhart and Kennedy (1995)提出，其最主要概念源自於動物群體行為理論，其啟發於觀察鳥群及魚群集體行動時，透過個體之間的特殊傳遞訊息的方式，使整個團體能夠朝同一方向前進，藉此尋求群體之最大利益。粒子群演算法之演算流程如圖19所示：其演算法首先產生初始粒子群，每個粒子都為問題的一個解。而在粒子群收尋空間中，每個粒子皆雍有自己的速度，並根據自我過去經驗及群體行為進行演化及修正，逐漸趨近最佳解，其演算法描述如下所示：

1.定義問題並將 M 個參數最佳化之問題定義成 M 個維度，定義一個具有 N 個粒子之族群，每個粒子的位置及速度皆為M 個維度之向量。

2.訂定初始解，並隨機產生設定每個粒子的位置及速度。

3.根據所設定之目標函數計算各粒子的適合度。

4.各粒子之適合度值與自己過去曾經經歷過之粒子最佳適合度值進行比較，倘若新的粒子適合度值較佳於最佳適合度值，則以新的粒子位置及適合度值取代粒子最佳解位置及適合度值。

5.各粒子之最佳適合度值與群體最佳適合度值進行比較，倘若粒子之最佳評估值較群體的最佳評估值佳，則以粒子最佳解位置及適合度值取代粒子最佳解位置及適合度值

6.在每一次迭代中，各粒子會根據自己過往最佳解位置(pbest)及群體過往最佳位置 (gbest)，來計算粒子之位移向(Vij)，並將粒子向量值(Xij)加上位移向量作為下一世代之粒子向量值，公式如下：

ij n n

ij n

ij

ij j ij

ij ij n ij

n

V X X

X gbest rand

C X pbest rand

C V w V

1 1

2 1

1 * * *( ) * *( )

 













 (14)

(40)

其中X_ijⁿ為粒子現在的位置， n ij

V ^¹ 為粒子的速度，X_ijⁿ^¹為粒子下個世代的位置，

pbestij為各粒子最佳解位置，gbest_j為群體的最佳解位置，rand 為0 至 1 的隨機亂數值，w 介於 0 與 1 之間、C1與C2介於1 與 2 之間。

7.重複步驟 3~步驟 6，直到群體的最佳適合度值符合我們的門檻。

圖 19 粒子群演算法執行流程圖

(41)

第三章基礎理論

在本章節裡將介紹導光板模仁、導光板、背光模組以及導光板模仁的製造方式，

同時也將本次研究重點微影製程做進一步的深入分析。

第一節導光板簡介

導光板導技術最早是由日本明拓公司於1986年發明的，是目前TFT-LCD的主流背光照明方法。它的工作原理是利用PMMA(Poly methyl methcrylate)透明導光板將由冷陰極管或是LED燈源發出的純色白光，從導光板端面導入並擴散到整個板面，當光源照射至導光板背面所印刷之白色反光點時發生漫反射，從與光源入射面垂直的板面射出，如圖20所示。

圖 20 光線行進路線隨擴散點改變之情形圖

資料來源：「LCD 背光模組導光板成型模具精密蝕刻加工技術」，陳興華，2004

PMMA學名聚甲基丙烯酸甲脂，俗稱壓克力，是一種高強度的透明樹脂。透明度高且室溫下比重爲1.2，連續使用之最高溫度可達85℃，對可見光的透過率更高達 95%，折射率則為1.49(25℃)，根據θ2＝Sin^-1(1/n)可得其全反射角約爲42°。因爲當某種材料的全內反射角度低於45°時，其光線會在特定方向行進，此時光線才可從相互平行和垂直的端面中反復反射。由於PMMA之折射率大於外界空氣，當其全反射之臨

(42)

界角度小於為42°，光線即會在導光板內以全內反射的方式傳遞，若要使光線由導光板特定設計位置導出，必須在平整的導光板表面上製作微結構，藉此破壞光源的全內反射，才得以順利讓光線導射出表面。由於導光板巧妙的運用光線在透明板介面上的全內反射之原理使光源往另一端傳導加上導光板上的微結構，神奇的將由端面射入的光線整個偏轉90°，使得光線由正面射出並發揮功能性導光的作用。由此可見利用微結構的疏密、大小等不同圖案之設計，將會顯著影響導光板可均勻發光的效能。

第二節背光模組簡介

由於液晶本身不發光，所以必須仰賴背光模組當作光源，然而顯示器強調高均齊度、高輝度等重點，所以背光模組的零組件設計就必須著這兩個方向來進行，而背光模組裡的零組件眾多，可依照設計者的設計而有所不同，不過在大部分的背光模組中都包含著燈源、燈罩、反射罩、反射板、導光板、擴散膜與增亮片等零組件，如圖21 所示。背光模組之發光源大致上分為兩種，第一種為目前最熱門的發光二極體，也就是LED(Light Emiting Doide)晶粒，其優點為高亮度、低耗電、體積小，但唯一缺點則為低均齊度；第二種則為逐漸被LED取代的冷陰極燈管，也是就CCFL(Cold Cathode Fluorescence Lamp)燈管，雖然CCFL具有高均齊度且CCFL的亮度不及LED，因目前市場強調綠能與節能減碳因此逐漸被市場淘汰。

圖 21 背光模組結構示意圖

資料來源：「LCD 背光模組導光板成型模具精密蝕刻加工技術」，陳興華，2004

(43)

一、側光式結構

一般常用於小尺吋的背光模組上，其光源設計在背光模組的側邊，此結構具有輕、薄、窄框、低耗電量等特色，同時也是筆記型電腦的主要光源設計，而由於目前技術日新月異，此項設計不只用在筆記型電腦，同時也應用於LED TV上，目前市面上大多數的液晶電視都是採用此項設計當作背光源，其結構如圖22所示。

圖 22 側光式背光模組結構示意圖

二、直下式結構

對於大尺寸的背光模組來說，側光式結構已經無法在重量、耗電量及亮度上佔有優勢，因此不含導光板的直下型結構便被發展出來。光源由反射板反射後，向上經擴散板均勻分散後於正面射出，其優點為輕量化、高輝度、良好的出光視角、光利用效率高、結構簡易化等，常用作監視器的螢幕，其結構如圖23所示。

圖 23 直下式背光模組結構示意圖

(44)

第三節導光板模仁及相關製程簡介

導光板為背光模組最關鍵的零組件，目前製作導光板的生產方式是以射出成型為主流技術，目前利用射出成型技術時首先必須先製作模具以及導光板模仁，利用導光板膜仁可降低成本及增加產量。接下來對於導光板及膜仁相關製程將較詳細的介紹。

一、導光板製作方式

在目前市場上的導光板製造技術主要分為兩大類，分別為印刷式與非印刷式。

(一)印刷式製程

利用射出成型方式將光學級壓克力射出成表面光滑的楔形板或者是平板，再利用一些高反射率且不吸收光的材料，如TiO2 和SiO2等等，在導光板之底面以網版印刷方式將圓型擴散點加以印之，並利用烘烤將微結構固化，當光源照射到導光板的擴散點後則會發生散射現象，因此必須對於網點的分佈以及大小控制妥當，即可達到光源均勻之目的，另外因導光板出光處的散射角度較大及印刷點亮度對比較高，所以必須使用較厚的擴散板覆蓋及稜鏡片，才能達到集中品味與光學之要求。

(二)非印刷式

非印刷式的導光板製作重點在於模仁的製作，因為模仁上必須具備數以萬計的微結構。目前主要利用精密蝕刻技術、精密電鑄技術、雷射加工、微精密加工、UV-LIGA 等製程來完成。有了導光板模仁之後，再嵌入射出用之模具內即可射出導光板，經過射出之導光板則已經具有擴散點或微結構等，所以此非印刷式的製程可大量生產且降低成本，因此廣被使用來製造導光板。以下詳細介紹各種模仁製程技術。

1.精密蝕刻技術

利用感光性油墨或乾膜光阻塗佈於鏡面處理之模具鋼上，利用黃光微影製程的曝光與顯影後，將圖形轉移至油墨或乾膜光阻上，再以蝕刻液進行蝕刻，而蝕刻的深度是以時間的長短控制，其缺點是(1)蝕刻的網點經常大於印刷的網點，全反射被破壞的程度不如印刷式，(2)輝度不如印刷成型的導光板，(3)光阻膜之附著性不佳而剝落

(45)

造成圖樣蝕刻缺陷。在以往蝕刻微結構的直徑小於100μm時，就會出現上述所提到的缺點，但是目前因黃光微影及蝕刻技術設備的提升，即便微結構直徑介於 40~100μm時，上述之缺點都可以被克服。

2.精密電鑄技術

精密電鑄應用的電化學原理和一般金屬電鍍相同，都是一種電沉積的過程。藉由外界提供的電能，使含有金屬離子及其他添加物的混合溶液，在陰極及陽極表面進行電化學的氧化還原反應，而把想要產生的金屬沉積在原型件上。在電化學反應中，

溶液中的金屬陽離子在電能的驅動下會朝向陰極移動，藉由還原反應把金屬鍍膜沉積在工件的表面上。因此，一般常用的電鍍與精密電鑄製程，都是把被鍍物或原型件當作陰極。雖然二者使用的電化學原理都一樣，但是以電鍍法成型的金屬鍍膜與底材是不可分離的，也就是說，鍍膜必須很堅牢地附著在被鍍物上，而電鑄則是將金屬沉積層自底材上分離。電鑄(Electroform)與電鍍(Electroplating)的另一差別在於電鍍之金屬層厚度僅於微米級(μm)，而電鑄的厚度則為毫米到厘米等級(mm ~ cm)。電鑄層厚度為電鍍之數百數千倍。雖然精密電鑄所製造出來的微結構誤差非常的低，但礙於精密電鑄所製作出來的模仁，因製作時間長且電鑄出來的鎳材料本身的硬度高但卻脆，所以並不適合大量生產的應用。

3.雷射加工

雷射加工是應用雷射將其能量直接與基板(Substrate)接觸，使其表面產生熔融口。

雷射製程的速度可每秒達到500孔以上，平均每個兩吋模仁只要5分鐘內即可完成，

並可提升改版及送樣速度。除了可做傳統網點蝕刻之外，還可利用特殊的火山口現象做出類似可程式噴砂的效果，或利用修改雷射參數改變網點結構來滿足光學設計上的特殊需求。雖然雷射製程擁有眾多的優點，但由於對孔形、孔徑、等的精度控制不易,故常見之雷射加工鋼板僅少量應用於導光板光學模仁之開發與量產。

4.微精密加工

主要是以鑽石超精密加工的方式切削出V型槽的結構，一般的模具鋼材採用不銹鋼

(46)

420系列的鏡面鋼來加工，或是在化學鍍鎳的模具鋼表面、鈹銅等軟質金屬上切削。

藉由V型槽兩側的反射鏡面來破壞全反射，使光源由導光板正面射出，由V型槽之寬度及深度控制出光面之光學強度及性質。切削方式的優點為輝度的提高(光源擴散角較小，使正面光源增強)及製造方便，另外在出光面亦使用切削的方式製造與稜鏡片結構相似的鏡面結構，更能增加輝度，但在均一性與加工時效性仍待加強。

5.UV-LIGA

利用光學微影製程曝光、顯影後，所得到之柱狀微結構，再經由熱迴流(Reflow)製程，使受高溫烘烤而由柱狀轉變為半圓形後，再鍍上導電層並電鑄即可得到擴散點的模仁(Stamper)。其優點是可製造出具有高解析度(Resolution)、高深寬比(Aspect Ratios)與高精度之高分子或金屬垂直側壁微結構，但由於現階段LIGA 製程所用的光阻劑為較高成本的光阻(SU-8)。另外在設備上也是一筆非常龐大費用，且在光源的取得上非常不容易，並需要定期維修，在光罩製作方面程序繁瑣也困難，所以利用UV-LIGA製作導光板膜仁，除了因導光板本身要求相對高的精度外，加上製程的複雜與困難，使得製作成本相對地提高。

第四節微影成形技術

所謂的微影成形技術，簡單的說就是希望將設計好的線路圖形能夠精確的複製到工件(Substrate)上。步驟為首先將設計好的線路圖形製作成光罩(Mast)，利用光學成像的原理，將此線路圖形投影到所需的工件上。光源所發出的光只有經過光罩的透明區的部分，才可以繼續通過透鏡在工作物表面上成像。工件表面須先經過清潔處理，再塗抹上光阻劑。經過光罩及透鏡的光線會與光阻劑發生反應，此步驟我們稱之為曝光 (Exposure)，而曝光後的工件則必須再經過顯影(Develop)步驟即可使光罩上所設計的線路圖形複製到工件上。

一、微影成形技術流程

微影製程加工技術為一高精密之加工程序，而微影製程可細分為數道步驟，然而

(47)

1.前處理

由於不銹鋼板因製造過程中都含有些許粉塵與油漬，故不銹鋼板在使用之前，需先經過電解脫脂之清潔程序，讓不銹鋼板中的粉塵與油漬能夠徹底的清除乾淨，以避免因為不銹鋼板中含有粉塵與油漬而導致後段製程出現瑕疵。經過電解脫脂這個階段處理後，可將不銹鋼板上之油漬等給清潔乾淨，以增加版片本身之附著性且可減少後段製程品質不穩的狀況發生。

2.去水烘烤

此步驟為微影成像的第二個步驟，主要目的是在對不銹鋼表面做處理，以增加光阻覆蓋在不銹鋼表面上之附著力，當不銹鋼板在前處理製程完成後送至黃光區，或不銹鋼在黃光製程前曾閒置一段時間，不銹鋼表面便容易有含水氣之可能性。加入去水烘烤之步驟，可把不銹鋼之水氣給去除，此步驟可使不銹鋼和光阻間之附著力能有所增加及改善。

3.光阻塗佈

此步驟是微影成像的第三個步驟，主要目的是將光阻能夠緊貼在不鏽鋼板表面上，以利後續曝光之步驟，此步驟的好壞將對於後續蝕刻階段將有絕對的影響力。

此步驟需要注意的地方是光阻的膜厚、滾壓的壓力、滾壓的時間及光阻本身的溫度。

4.曝光

曝光之主要目的是將光罩之圖形轉寫到不銹鋼板上，一般使用紫外光當曝光源，

當光源經過光罩達到光阻時，將使光阻之感光物質產生高分子聚合(負型光阻)或分解(正型光阻)，而達到圖形轉移之目的，此步驟的參數控制好壞將對於產品有絕對的影響。

5.顯影

曝光後，為使圖案顯現，必須移去不必要之光阻，負光阻顯影液，會將未曝光之部分以溶劑洗去，已曝光部份則因分子聚合而留下圖形，對正光阻而言曝光部分將被洗去，而留下未曝光部份之圖形，正好與負光阻式呈現相反的形貌。

(48)

6.硬烤

在光阻顯影成像後，最後仍會經過一道烘烤之步驟，稱為硬烤(Hard Back)，其目的在移除剩餘之溶劑及水氣，使光阻內未溶解之感光化合物和樹脂之結合更緊密，

以增加光阻對熱之穩定性和底層物質之附著性。

7.3D 量測

在製作導光板模仁的最終一道程序，就是將微影製程好的導光板模仁經由精密的 3D量測儀器來確定在導光板模仁上之微結構尺寸是否超出範圍，如果超出範圍就重工，如微結構尺寸有達到規範內就可進行之後的蝕刻步驟。

導光版模仁之黃光微影製程步驟一共需要六道程序，只要沿著此六道程序即可將光學設計好之圖形成功的轉印到不鏽鋼板上，導光板黃光微影基本加工程序如圖24 所示。

圖 24 導光板黃光微影基本加工流程圖

資料來源：ITRI 材料與化工研究所精密金屬實驗室

中 華 大 學 碩 士 論 文