簡禎富;李培瑞;彭誠湧;
頁: 63-84
日期: 2003/07
摘要: 在半導體製造程序中，許多資料會以自動或半自動方式記錄下來。包括產品的基本資料、過站時問與機台紀錄、機台設定參數、測試資料等。由於資料維度與數量龐大且混雜的雜訊等問題，傳統統計分析方法有其限制；而工程師亦往往無法從收集的龐大資料中，迅速有效地察覺可能導致製程異常的原因。本研究目的係分析半導體多維度資料，並以具體實證研究說明，包含製程監控與事故診斷兩大部分：第一部份針對半導體製程晶圓元收測試參數資料的多維度資料，透過人工類神經網路之自我組織映射成圖網路演算法先將資料分群，以發現隱藏於資料中的樣型與良率間的關連性，再以決策樹將類別之特徵以樹狀結構呈現，透過參數表現特徵提供給工程師監控製程變化的決策依據，以改善製程提昇良率。第二部分則針對半導體製程製造測試中的電性功能針測的多維度資料，以良率為目標變數，透過人工類神經網路之自我組織映射成圖網路演算法先將資料分群，以發現隱藏於資料中的樣型，將相同特徵者歸為一類，再由定義之分類作為目標以決策樹將其各分群之特徵以樹狀結構呈現其分類規則。透過綜合資訊的比較縮小診斷範圍，提供給工程師作為事故診斷的決策依據，以快速排除事故提昇良率。
關鍵字: 資料挖礦;決策樹;自我組織映射成圖網路;半導體製程;決策分析;

Semiconductor Manufacturing Data Mining for Clustering and Feature Extraction

Abstract: Owing the rise of e-commerce and information technology, a large amount of data has been automatically or semi-automatically collected in modem industry. Decision makers may potentially use the information buried in the raw data to assist their decisions through data mining for possibly identifying the specific patterns of the data. This study proposes data mining procedures for analyzing semiconductor manufacturing data for manufacturing process monitoring and defect diagnosis. In particular, SOM is applied for clustering and decision tree is applied for feature extraction to analyze multi-dimensional semiconductor manufacturing data. We used real data from a fab to conduct two case studies for validation and found that this approach can effectively limit the scope for defect diagnosis and summarize the findings in specific decision rules. We conclude this study with discussions on the results and future research.
Keywords: data mining;decision tree;SOM;semiconductor manufacturing;decision analysis;

瀏覽次數: 10320     下載次數: 126

引用     導入Endnote