【文章內容簡介】 Lift）等三個指標來評估其效用和重要性。此三項指標的計算公式與物理意義分別闡述如下：1. 支持度：，即代表前提項目X與結果項目Y一起出現的機率。也就是在規(guī)則中，前提項目X與結果項目Y一起出現的交易記錄筆數佔全部交易記錄筆數的百分比。2. 信賴度：，即代表在前提項目X發(fā)生的情況下，前提項目X與結果項目Y又同時發(fā)生的機率。此為關聯規(guī)則的預測強度。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。3. 增益：，比較信賴度與結果項目Y單獨發(fā)生時之機率兩者間的大小。其代表的物理意義為關聯規(guī)則的條件機率比母體中原本發(fā)生的機率大才具有意義。關聯規(guī)則的產生必需滿足決策者所訂定之最小支持度（Minimum support threshold）和最小信賴度（Minimum confidence threshold），當滿足這兩個條件後，再判斷增益是否大於1，當三個指標皆成立，即推導出有意義的關聯規(guī)則。就一般資料庫的探勘關聯規(guī)則上，其過程可為下列步驟(Han and Kamber, 2001)：1. 找出所有頻繁項目集合(Frequent Itemset)：依據定義，頻繁項目集合所出現的次數必須與使用者預先定義的最小支持度數目相同。2. 由頻繁項目集合產生強關聯規(guī)則：依據定義，其所產生的規(guī)則必須滿足最小支持度與最小信賴度，如此規(guī)則方可成立。過程中其關聯規(guī)則的總體效能是由步驟(1)所決定，因此有效的找出頻繁項目集合是關聯規(guī)則的重點。Apriori演算法是關聯規(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)，依據上述的探勘關聯規(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。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。2. 首先由資料庫讀入所有的交易，得出候選1項目集合 (Candidate 1Itemset)的支持度，在找出頻繁單項目集合(Frequent 1Itemset)，並利用這些頻繁單項目集合的結合，產生候選2項目集合 (Candidate 2Itemset) 。3. 在搜尋資料庫，得出候選2項目集合的支持度以後，在找出頻繁2項目集合，並利用這些頻繁2項目集合的結合，產生3項目集合。4. 重覆搜尋資料庫，與最小支持度比較，產生頻繁項目集合，再結合產生下一級候選項目集合，直到不再結合產生出新的候選項目集合為止。關於關聯規(guī)則的研究，主要是研究發(fā)掘關聯規(guī)則的演算法，如何從含有大量資料的資料庫中，快速的找出有意義的關聯規(guī)則（Srikant and Agrawal, 1996。 Han and Fu, 1999。 Berzal et al., 2001。 Changchien and Lu, 2001。 Tung et al., 2003），在實務應用上，Srikant and Agrawal（1997）有提及關聯規(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）。資料挖礦技術應用於半導體領域的研究很多，本研究將著重於半導體自動化系統(tǒng)生產製造過程中，所蒐集的資料以配合資料挖礦技術的應用，提供工程師一快速的搜尋規(guī)則及方案建議。三、研究方法本節(jié)將探討半導體製造過程中，對於產品量測(Lot QC)資料異常及報廢的產品如何應用資料挖礦技術尋求合適的資訊以提供解決方案的選擇。本研究之研究架構係依據資料挖礦模式及資料挖礦流程建構，包含問題定義、資料處理、資料挖礦應用、以及評估等步驟，研究架構如圖2所示。本研究在資料分類及彙整部分，為了提供資料挖礦模式一正確、乾淨、完整的資料，必須確保來源資料的完整性，使得產生的資訊品質達到有效性及正確性的要求，在資料挖礦部分採用關聯規(guī)則的Apriori演算法進行關聯資料的搜尋，以及決策樹歸納法進行可疑原因區(qū)別的建議。31問題定義本研究將探討在半導體製造過程中，發(fā)生產品報廢問題與Lot QC時產生Data Lost或產生OOS (Out Of Spec.)時，如何從資料庫中快速的追蹤所產生的問題，藉由資料挖礦技術的應用將可能造成的因素從資料庫中篩選出，以提供工程師能掌握有利的資料進行分析。32資料處理為了使資料挖礦的資訊能符合實際需要及其正確性與完整性，對於挖掘前的資料處理是重要的關鍵。因此，本研究將對於產品報廢的現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。在於Lot QC方面將建置搜尋Data Lost及OOS的規(guī)則，說明如下︰1. 產品報廢現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品報廢。當報廢發(fā)生時若能在較短時間內找出原因，對於有同樣製程的產品即可立即追蹤並掌握問題，可減少產品的報廢數量。製造過程中產生報廢的原因錯綜複雜，就以現行工程師的經驗中，再彙整出現象原因及解決方案於領域資料庫中如表1所示，運用此彙整的表格提供工程師一對應的訊息，以縮短找尋資料及因個人經驗判別的時間，並且將其他同生產條件的產品列出可能發(fā)生此現象報廢的產品，以盡早提出因應措施。依據表1的現象為區(qū)分的類別，各類別原因的分類及各原因的處理方式對應如圖3所示，依各類別原因及對策的對應關聯，若有新的現象發(fā)生將可再陸續(xù)加入領域資料庫中。2. Lot QC data lost及發(fā)生OOS問題時的追蹤通常一批Lot在投片開始至完成前段製程的歷程中，將經歷多次的量測以確保產品在製圖2 半導體製造過程產品異常應用資料挖礦研究架構圖造過程中能確實符合製程上的規(guī)格，因此量測出的數值將影響該批Lot的品質。以目前具有自動化系統(tǒng)的半導體廠而言，量測的方法或資料的蒐集與運算已是非常正確與快速，但是在這之前的量測參數是否正確的被設定於自動化系統(tǒng)中，以及資料是否完整的被系統(tǒng)所蒐集，將有賴於系統(tǒng)的設計及參數的設定。Data lost的發(fā)生有兩種狀況，一為參數設定的不完整，可能是由資料維護時遺漏或工程師提供不完整；另一為機臺與系統(tǒng)的data傳送出現異常，可能是機臺端當機或傳送機制停擺或系統(tǒng)端產生異常；至於OOS的產生即是製程條件的異常所致。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)格的產品繼續(xù)產出。此階段將以關聯規(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。表1 產品報廢分類對應表範例現象分類破片污漬………報廢原因說明Box盒蓋鬆脫造成破片 CLEAN及旋乾異常ABNORENG 破片 治工具造成破片治工具造成破片晶舟 人為破片 CLEAN及旋乾異常ABNORNSCRAP 水痕 ………因應方式check run card是否異常造成Box盒蓋未正常蓋上Check Recipe 設定是否異?！?….….….….….….….………33資料挖礦本研究運用關聯規(guī)則的Apriori演算法取得產品報廢的現況與因素分析，計算其支持度與信賴度以確定分析出來的資訊是否為正確有效的，並以決策樹歸納法配合領域資料的分析，建議其合宜的解決方案。至於Lot QC方面，亦是以關聯規(guī)則的Apriori演算法與自動化系統(tǒng)的領域資料推導出發(fā)生問題的可能因素，以提供快速的資料搜尋途徑