【正文】 化系統(tǒng)的領(lǐng)域知識(shí)等是必要的，在挖掘的結(jié)果上不論是分類(lèi)、規(guī)則、表示方式皆需要符合領(lǐng)域?qū)＜业恼J(rèn)知與經(jīng)驗(yàn)。也就是說(shuō)，在310筆資料中，產(chǎn)生報(bào)廢的可能因素有6類(lèi)，若為均勻分配的情況，則每一類(lèi)平均約為60筆資料，因此其支持度應(yīng)大於60/310=%，才代表足夠之顯著程度；而設(shè)定信賴(lài)度為獲得關(guān)聯(lián)規(guī)則其顯著程度達(dá)一半以上。結(jié)果如表6所示。因此，若有此現(xiàn)象將需要重新執(zhí)行探勘程式，以確保效度檢定的合理性與正確性。簡(jiǎn)禎富、林鼎浩、徐紹鐘、彭誠(chéng)湧（民90），「建構(gòu)半導(dǎo)體晶圓允收測(cè)試資料挖礦架構(gòu)及其實(shí)證研究」，工業(yè)工程學(xué)刊，18(4)，頁(yè)3748。在研究方法上，以關(guān)聯(lián)規(guī)則的Apriori演算法雖可達(dá)到驗(yàn)證的目的，但是當(dāng)實(shí)際應(yīng)用於半導(dǎo)體產(chǎn)業(yè)中時(shí)，除了系統(tǒng)軟體與硬體上的提升外，領(lǐng)域資料的再補(bǔ)充以及方法效率亦是探討的重點(diǎn)。因此，若工程師在初步的問(wèn)題確認(rèn)後，可立即透過(guò)本研究資料挖礦架構(gòu)的篩選，將可減少以上繁覆的程序與核可步驟，若進(jìn)一步結(jié)合自動(dòng)化工程師、製程工程師、或是設(shè)備工程師的經(jīng)驗(yàn)，將可縮短問(wèn)題追蹤的時(shí)間與產(chǎn)品的損失、或是因人員異動(dòng)而失去的解決問(wèn)題的經(jīng)驗(yàn)值。結(jié)果如表4所示。2. 資料處理將發(fā)生產(chǎn)品報(bào)廢的產(chǎn)品批號(hào)、型號(hào)、目前製程站點(diǎn)、發(fā)生報(bào)廢的站點(diǎn)、發(fā)生報(bào)廢的機(jī)臺(tái)、發(fā)生報(bào)廢時(shí)所使用的製程參數(shù)、特徵等，輸入於雛型系統(tǒng)中以利於資料挖掘。6. 當(dāng)頻繁項(xiàng)目集合出現(xiàn)之後進(jìn)行信賴(lài)度的計(jì)算。若基本資料的設(shè)定問(wèn)題已發(fā)生則調(diào)整設(shè)定，若機(jī)臺(tái)端已發(fā)現(xiàn)未完整蒐集資料則是機(jī)臺(tái)端問(wèn)題，若基本資料的設(shè)定及機(jī)臺(tái)端皆正確，則建議著重在系統(tǒng)與機(jī)臺(tái)端傳送問(wèn)題。因此，在以上所提的這些問(wèn)題將可由自動(dòng)化系統(tǒng)人員與製程工程師共同建立解決方案，至於如何在Lot QC data lost及OOS仍然發(fā)生時(shí)快速找到問(wèn)題，本研究將運(yùn)用資料挖礦技術(shù)提供一快速的搜尋方法，以縮短工程師進(jìn)入資料庫(kù)摸索的時(shí)間，並減少不符合量測(cè)規(guī)格的產(chǎn)品繼續(xù)產(chǎn)出。因此，本研究將對(duì)於產(chǎn)品報(bào)廢的現(xiàn)象原因與歷史資料進(jìn)行分類(lèi)及彙整，以作為領(lǐng)域資料的一部分。 Changchien and Lu, 2001。Apriori演算法是關(guān)聯(lián)規(guī)則中最為常用來(lái)找尋頻繁項(xiàng)目集合的演算法，Apriori演算法是使用逐層搜尋的方法(Agrawal and Srikant, 1994)，依據(jù)上述的探勘關(guān)聯(lián)規(guī)則步驟，可逐步敘述Apriori演算法流程如下：1. 定義最小支持度及最小信賴(lài)度。此為關(guān)聯(lián)規(guī)則的預(yù)測(cè)強(qiáng)度。關(guān)聯(lián)規(guī)則方法是Agrawal et ，T是指一筆交易記錄（Transaction）內(nèi)物品項(xiàng)的集合。為完成以上的各類(lèi)型，在資料挖礦的技術(shù)中將運(yùn)用資料庫(kù)理論、資料倉(cāng)儲(chǔ)、人工智慧、機(jī)器學(xué)習(xí)、統(tǒng)計(jì)學(xué)等領(lǐng)域，包含統(tǒng)計(jì)分析方法(Statistical Analysis)、決策樹(shù)(Decision Tree)、類(lèi)神經(jīng)網(wǎng)路(Neural Network)、基因演算法(Genetic Algorithms)、粗糙集(Rough Set)、線(xiàn)上分析處理 (OLAP)的技術(shù)等。也因此當(dāng)工程人員欲進(jìn)行資料追蹤或異常產(chǎn)品原因追查時(shí)，往往必須透過(guò)多方單位的資料支援與溝通即費(fèi)時(shí)又浪費(fèi)人力，容易延誤問(wèn)題的解決，所以如何解決工程人員快速的取得資料與正確的分析資料是各企業(yè)所需要的。圖1 半導(dǎo)體製程示意圖22晶圓廠自動(dòng)化系統(tǒng)半導(dǎo)體產(chǎn)業(yè)的「自動(dòng)化製造系統(tǒng)」一般稱(chēng)之為CIM(Computer Integrated Manufacture)，CIM是以IT技術(shù)應(yīng)用於製造環(huán)境中，將公司內(nèi)部各個(gè)獨(dú)立的局部自動(dòng)化系統(tǒng)加以整合使生產(chǎn)作業(yè)自動(dòng)化，以因應(yīng)大量產(chǎn)品的需求與產(chǎn)品品質(zhì)的提升，進(jìn)而發(fā)揮整體的效益。因此本研究目的有以下三點(diǎn)︰1. 建構(gòu)一半導(dǎo)體製造過(guò)程中所蒐集資料的資料挖礦分析方法，以發(fā)現(xiàn)資料中隱含的有用資訊，以提供決策者參考。因此，在如此龐大的投資金額與技術(shù)快速變化之下，如何規(guī)避經(jīng)營(yíng)風(fēng)險(xiǎn)已是臺(tái)灣甚至全球半導(dǎo)體業(yè)者共同面對(duì)的重要課題。建構(gòu)半導(dǎo)體製造過(guò)程產(chǎn)品異常資料挖礦技術(shù)之研究梁蕙姿 簡(jiǎn)禎富 彭金堂國(guó)立清華大學(xué)工業(yè)工程與工程管理研究所國(guó)立清華大學(xué)工業(yè)工程與工程管理研究所元培科學(xué)技術(shù)學(xué)院經(jīng)營(yíng)管理研究所摘 要為因應(yīng)半導(dǎo)體製造過(guò)程中產(chǎn)品製程技術(shù)的快速變化、複雜產(chǎn)品組合及生產(chǎn)週期時(shí)間長(zhǎng)的生產(chǎn)環(huán)境，如何在自動(dòng)化系統(tǒng)輔助的大量生產(chǎn)之下，在製造過(guò)程中提供工程人員可確認(rèn)正確的製程參數(shù)，以及發(fā)現(xiàn)產(chǎn)品異常時(shí)可立即針對(duì)問(wèn)題的特徵進(jìn)行問(wèn)題真因追蹤與分析，針對(duì)取得的資訊進(jìn)行合適的決策並將可能已受影響的產(chǎn)品列表管理，以減少產(chǎn)品的良率損失，已成為重要的產(chǎn)業(yè)應(yīng)用與學(xué)術(shù)研究議題。在半導(dǎo)體廠製造環(huán)境中，不乏包含200種以上的製程與設(shè)備種類(lèi)，若以半導(dǎo)體製程的創(chuàng)新速度與產(chǎn)品多樣性生産特性、或是生産能力及其大批量生産方式發(fā)展而言，對(duì)於目前已存在的八吋廠或是十二吋廠來(lái)說(shuō)，不論是製程設(shè)備或是自動(dòng)化系統(tǒng)的規(guī)劃上，皆會(huì)影響晶圓廠的成本與生產(chǎn)效率。2. 建構(gòu)製造過(guò)程中製程參數(shù)與機(jī)臺(tái)資料的關(guān)聯(lián)規(guī)則，以提供一可追蹤產(chǎn)品、製程或設(shè)備參數(shù)設(shè)定值的有用資訊，幫助製程或設(shè)備工程人員進(jìn)行問(wèn)題追蹤。關(guān)於晶圓廠自動(dòng)化系統(tǒng)之資料倉(cāng)儲(chǔ)，以前段製程FAB生產(chǎn)流程中的Lot Transportation、Lot History、Recipe、Data Collection等四種資料流來(lái)了解在自動(dòng)化系統(tǒng)的製造環(huán)境中，系統(tǒng)是如何紀(jì)錄與取得各產(chǎn)品的生產(chǎn)資料以及所需要的資料是存放於何處。在本研究中將以資料挖礦的技術(shù)建立一適合使用者查詢(xún)與分析資料的方法，以協(xié)助工程人員的問(wèn)題追蹤與分析。24關(guān)聯(lián)規(guī)則關(guān)聯(lián)規(guī)則是資料挖礦模式中最常被應(yīng)用模式之一（Berry and Linoff, 1997。而D則是所有交易記錄T的集合。此指標(biāo)之物理意義為當(dāng)前提項(xiàng)目X發(fā)生時(shí)，可推得結(jié)論為結(jié)果項(xiàng)目Y的信賴(lài)度。Apriori演算法使用了候選項(xiàng)目集合(Candidate Itemset) 的觀念，若候選項(xiàng)目集合的支持度大於或等於最小支持度，則該候選項(xiàng)目集合為頻繁項(xiàng)目集合。 Tung et al., 2003），在實(shí)務(wù)應(yīng)用上，Srikant and Agrawal（1997）有提及關(guān)聯(lián)規(guī)則在商業(yè)、保險(xiǎn)、醫(yī)學(xué)等之應(yīng)用，其他主要的應(yīng)用領(lǐng)域包括購(gòu)物籃分析（Fayyad et al., 1996）、商品擺架安排（Srikant and Agrawal, 1997）、欺騙行為偵查（Berry and Linoff, 1997）、醫(yī)學(xué)研究（葉忠和吳恆睿，2002），在半導(dǎo)體的應(yīng)用上，如透過(guò)半導(dǎo)體晶圓允收測(cè)試資料，建構(gòu)製程事故診斷資料挖礦架構(gòu)，以作為工程師及領(lǐng)域?qū)＜医鉀Q問(wèn)題的參考，進(jìn)而提升其製程良率的改善（簡(jiǎn)禎富等，民90； Han and Kamber, 2000）。在於Lot QC方面將建置搜尋Data Lost及OOS的規(guī)則，說(shuō)明如下︰1. 產(chǎn)品報(bào)廢現(xiàn)象原因分類(lèi)及彙整半導(dǎo)體的製造程序是環(huán)環(huán)相扣的，如有任一程序發(fā)生異常通常會(huì)影響未來(lái)的製程甚至導(dǎo)致產(chǎn)品報(bào)廢。此階段將以關(guān)聯(lián)規(guī)則的Apriori演算法與自動(dòng)化系統(tǒng)工程師的領(lǐng)域知識(shí)配合建置一合宜的搜尋方式。當(dāng)OOS發(fā)生時(shí)，工程師可提供該產(chǎn)品的發(fā)生站點(diǎn)、時(shí)間、量測(cè)的機(jī)臺(tái)等訊息，依據(jù)所提供的訊息進(jìn)入CIM資料庫(kù)中確認(rèn)基本資料的設(shè)定值，若基本資料的設(shè)定問(wèn)題已發(fā)生則調(diào)整設(shè)定。7. 當(dāng)頻繁項(xiàng)目集合的信賴(lài)度與最小信賴(lài)度比較，若大於或等於使用者所定義的最小信賴(lài)度，則候選規(guī)則產(chǎn)生並進(jìn)行所有頻繁項(xiàng)目集合最小信賴(lài)度比較。3. 資料挖礦由產(chǎn)品報(bào)廢的特徵與現(xiàn)象可以歸類(lèi)出Recipe Fail、Etch不淨(jìng)、Vt不合等三種可能報(bào)廢類(lèi)型，如表2產(chǎn)品報(bào)廢分類(lèi)對(duì)應(yīng)表。(5). 再搜尋資料庫(kù)，得出該現(xiàn)象的候選3項(xiàng)目集合的支持度，再找出頻繁3項(xiàng)目集合，並利用這些頻繁3項(xiàng)目集合的結(jié)合，產(chǎn)生4項(xiàng)目集合。關(guān)聯(lián)規(guī)則之Apriori演算法是使用逐層搜尋的方法，每進(jìn)行一個(gè)層次的搜尋則必須掃描資料庫(kù)一次，直到條件完成，即找到符合條件的頻繁項(xiàng)目集合，然而當(dāng)程式的條件愈為複雜，則相對(duì)的其重覆搜尋資料庫(kù)次數(shù)亦提高；也就是說(shuō)與最小支持度比較產(chǎn)生頻繁項(xiàng)目集合，再結(jié)合產(chǎn)生下一級(jí)候選項(xiàng)目集合，直到不再結(jié)合產(chǎn)生出新的候選項(xiàng)目集合為止。在未來(lái)的研究上，將資料挖礦觀念導(dǎo)入半導(dǎo)體製造過(guò)程中，則對(duì)於半導(dǎo)體整體的Wafer Level Tracking上，即由前端的Wafer Start以至於EDA(Engineer Data Anal