【正文】 化系統(tǒng)的領域知識等是必要的，在挖掘的結果上不論是分類、規(guī)則、表示方式皆需要符合領域專家的認知與經(jīng)驗。也就是說，在310筆資料中，產(chǎn)生報廢的可能因素有6類，若為均勻分配的情況，則每一類平均約為60筆資料，因此其支持度應大於60/310=%，才代表足夠之顯著程度；而設定信賴度為獲得關聯(lián)規(guī)則其顯著程度達一半以上。結果如表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。簡禎富、林鼎浩、徐紹鐘、彭誠湧（民90），「建構半導體晶圓允收測試資料挖礦架構及其實證研究」，工業(yè)工程學刊，18(4)，頁3748。在研究方法上，以關聯(lián)規(guī)則的Apriori演算法雖可達到驗證的目的，但是當實際應用於半導體產(chǎn)業(yè)中時，除了系統(tǒng)軟體與硬體上的提升外，領域資料的再補充以及方法效率亦是探討的重點。因此，若工程師在初步的問題確認後，可立即透過本研究資料挖礦架構的篩選，將可減少以上繁覆的程序與核可步驟，若進一步結合自動化工程師、製程工程師、或是設備工程師的經(jīng)驗，將可縮短問題追蹤的時間與產(chǎn)品的損失、或是因人員異動而失去的解決問題的經(jīng)驗值。結果如表4所示。2. 資料處理將發(fā)生產(chǎn)品報廢的產(chǎn)品批號、型號、目前製程站點、發(fā)生報廢的站點、發(fā)生報廢的機臺、發(fā)生報廢時所使用的製程參數(shù)、特徵等，輸入於雛型系統(tǒng)中以利於資料挖掘。6. 當頻繁項目集合出現(xiàn)之後進行信賴度的計算。若基本資料的設定問題已發(fā)生則調整設定，若機臺端已發(fā)現(xiàn)未完整蒐集資料則是機臺端問題，若基本資料的設定及機臺端皆正確，則建議著重在系統(tǒng)與機臺端傳送問題。因此，在以上所提的這些問題將可由自動化系統(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)生時快速找到問題，本研究將運用資料挖礦技術提供一快速的搜尋方法，以縮短工程師進入資料庫摸索的時間，並減少不符合量測規(guī)格的產(chǎn)品繼續(xù)產(chǎn)出。因此，本研究將對於產(chǎn)品報廢的現(xiàn)象原因與歷史資料進行分類及彙整，以作為領域資料的一部分。 Changchien and Lu, 2001。Apriori演算法是關聯(lián)規(guī)則中最為常用來找尋頻繁項目集合的演算法，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度。此為關聯(lián)規(guī)則的預測強度。關聯(lián)規(guī)則方法是Agrawal et ，T是指一筆交易記錄（Transaction）內(nèi)物品項的集合。為完成以上的各類型，在資料挖礦的技術中將運用資料庫理論、資料倉儲、人工智慧、機器學習、統(tǒng)計學等領域，包含統(tǒng)計分析方法(Statistical Analysis)、決策樹(Decision Tree)、類神經(jīng)網(wǎng)路(Neural Network)、基因演算法(Genetic Algorithms)、粗糙集(Rough Set)、線上分析處理 (OLAP)的技術等。也因此當工程人員欲進行資料追蹤或異常產(chǎn)品原因追查時，往往必須透過多方單位的資料支援與溝通即費時又浪費人力，容易延誤問題的解決，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 半導體製程示意圖22晶圓廠自動化系統(tǒng)半導體產(chǎn)業(yè)的「自動化製造系統(tǒng)」一般稱之為CIM(Computer Integrated Manufacture)，CIM是以IT技術應用於製造環(huán)境中，將公司內(nèi)部各個獨立的局部自動化系統(tǒng)加以整合使生產(chǎn)作業(yè)自動化，以因應大量產(chǎn)品的需求與產(chǎn)品品質的提升，進而發(fā)揮整體的效益。因此本研究目的有以下三點︰1. 建構一半導體製造過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快速變化之下，如何規(guī)避經(jīng)營風險已是臺灣甚至全球半導體業(yè)者共同面對的重要課題。建構半導體製造過程產(chǎn)品異常資料挖礦技術之研究梁蕙姿 簡禎富 彭金堂國立清華大學工業(yè)工程與工程管理研究所國立清華大學工業(yè)工程與工程管理研究所元培科學技術學院經(jīng)營管理研究所摘 要為因應半導體製造過程中產(chǎn)品製程技術的快速變化、複雜產(chǎn)品組合及生產(chǎn)週期時間長的生產(chǎn)環(huán)境，如何在自動化系統(tǒng)輔助的大量生產(chǎn)之下，在製造過程中提供工程人員可確認正確的製程參數(shù)，以及發(fā)現(xiàn)產(chǎn)品異常時可立即針對問題的特徵進行問題真因追蹤與分析，針對取得的資訊進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)應用與學術研究議題。在半導體廠製造環(huán)境中，不乏包含200種以上的製程與設備種類，若以半導體製程的創(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，對於目前已存在的八吋廠或是十二吋廠來說，不論是製程設備或是自動化系統(tǒng)的規(guī)劃上，皆會影響晶圓廠的成本與生產(chǎn)效率。2. 建構製造過程中製程參數(shù)與機臺資料的關聯(lián)規(guī)則，以提供一可追蹤產(chǎn)品、製程或設備參數(shù)設定值的有用資訊，幫助製程或設備工程人員進行問題追蹤。關於晶圓廠自動化系統(tǒng)之資料倉儲，以前段製程FAB生產(chǎn)流程中的Lot Transportation、Lot History、Recipe、Data Collection等四種資料流來了解在自動化系統(tǒng)的製造環(huán)境中，系統(tǒng)是如何紀錄與取得各產(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建立一適合使用者查詢與分析資料的方法，以協(xié)助工程人員的問題追蹤與分析。24關聯(lián)規(guī)則關聯(lián)規(guī)則是資料挖礦模式中最常被應用模式之一（Berry and Linoff, 1997。而D則是所有交易記錄T的集合。此指標之物理意義為當前提項目X發(fā)生時，可推得結論為結果項目Y的信賴度。Apriori演算法使用了候選項目集合(Candidate Itemset) 的觀念，若候選項目集合的支持度大於或等於最小支持度，則該候選項目集合為頻繁項目集合。 Tung et al., 2003），在實務應用上，Srikant and Agrawal（1997）有提及關聯(lián)規(guī)則在商業(yè)、保險、醫(yī)學等之應用，其他主要的應用領域包括購物籃分析（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)學研究（葉忠和吳恆睿，2002），在半導體的應用上，如透過半導體晶圓允收測試資料，建構製程事故診斷資料挖礦架構，以作為工程師及領域專家解決問題的參考，進而提升其製程良率的改善（簡禎富等，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，說明如下︰1. 產(chǎn)品報廢現(xiàn)象原因分類及彙整半導體的製造程序是環(huán)環(huán)相扣的，如有任一程序發(fā)生異常通常會影響未來的製程甚至導致產(chǎn)品報廢。此階段將以關聯(lián)規(guī)則的Apriori演算法與自動化系統(tǒng)工程師的領域知識配合建置一合宜的搜尋方式。當OOS發(fā)生時，工程師可提供該產(chǎn)品的發(fā)生站點、時間、量測的機臺等訊息，依據(jù)所提供的訊息進入CIM資料庫中確認基本資料的設定值，若基本資料的設定問題已發(fā)生則調整設定。7. 當頻繁項目集合的信賴度與最小信賴度比較，若大於或等於使用者所定義的最小信賴度，則候選規(guī)則產(chǎn)生並進行所有頻繁項目集合最小信賴度比較。3. 資料挖礦由產(chǎn)品報廢的特徵與現(xiàn)象可以歸類出Recipe Fail、Etch不淨、Vt不合等三種可能報廢類型，如表2產(chǎn)品報廢分類對應表。(5). 再搜尋資料庫，得出該現(xiàn)象的候選3項目集合的支持度，再找出頻繁3項目集合，並利用這些頻繁3項目集合的結合，產(chǎn)生4項目集合。關聯(lián)規(guī)則之Apriori演算法是使用逐層搜尋的方法，每進行一個層次的搜尋則必須掃描資料庫一次，直到條件完成，即找到符合條件的頻繁項目集合，然而當程式的條件愈為複雜，則相對的其重覆搜尋資料庫次數(shù)亦提高；也就是說與最小支持度比較產(chǎn)生頻繁項目集合，再結合產(chǎn)生下一級候選項目集合，直到不再結合產(chǎn)生出新的候選項目集合為止。在未來的研究上，將資料挖礦觀念導入半導體製造過程中，則對於半導體整體的Wafer Level Tracking上，即由前端的Wafer Start以至於EDA(Engineer Data Anal