【文章內(nèi)容簡介】 Lift）等三個指標(biāo)來評估其效用和重要性。此三項指標(biāo)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(jié)果項目Y一起出現(xiàn)的機(jī)率。也就是在規(guī)則中，前提項目X與結(jié)果項目Y一起出現(xiàn)的交易記錄筆數(shù)佔全部交易記錄筆數(shù)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(jié)果項目Y又同時發(fā)生的機(jī)率。此為關(guān)聯(lián)規(guī)則的預(yù)測強(qiáng)度。此指標(biāo)之物理意義為當(dāng)前提項目X發(fā)生時，可推得結(jié)論為結(jié)果項目Y的信賴度。3. 增益：，比較信賴度與結(jié)果項目Y單獨發(fā)生時之機(jī)率兩者間的大小。其代表的物理意義為關(guān)聯(lián)規(guī)則的條件機(jī)率比母體中原本發(fā)生的機(jī)率大才具有意義。關(guān)聯(lián)規(guī)則的產(chǎn)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(dāng)滿足這兩個條件後，再判斷增益是否大於1，當(dāng)三個指標(biāo)皆成立，即推導(dǎo)出有意義的關(guān)聯(lián)規(guī)則。就一般資料庫的探勘關(guān)聯(lián)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(jù)定義，頻繁項目集合所出現(xiàn)的次數(shù)必須與使用者預(yù)先定義的最小支持度數(shù)目相同。2. 由頻繁項目集合產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則：依據(jù)定義，其所產(chǎn)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(guān)聯(lián)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(guān)聯(lián)規(guī)則的重點。Apriori演算法是關(guān)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(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(jié)合，產(chǎn)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(jié)合，產(chǎn)生3項目集合。4. 重覆搜尋資料庫，與最小支持度比較，產(chǎn)生頻繁項目集合，再結(jié)合產(chǎn)生下一級候選項目集合，直到不再結(jié)合產(chǎn)生出新的候選項目集合為止。關(guān)於關(guān)聯(lián)規(guī)則的研究，主要是研究發(fā)掘關(guān)聯(lián)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(guān)聯(lián)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(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、醫(yī)學(xué)等之應(yīng)用，其他主要的應(yīng)用領(lǐng)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(xué)研究（葉忠和吳恆睿，2002），在半導(dǎo)體的應(yīng)用上，如透過半導(dǎo)體晶圓允收測試資料，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問題的參考，進(jìn)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(shù)應(yīng)用於半導(dǎo)體領(lǐng)域的研究很多，本研究將著重於半導(dǎo)體自動化系統(tǒng)生產(chǎn)製造過程中，所蒐集的資料以配合資料挖礦技術(shù)的應(yīng)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(dǎo)體製造過程中，對於產(chǎn)品量測(Lot QC)資料異常及報廢的產(chǎn)品如何應(yīng)用資料挖礦技術(shù)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(gòu)係依據(jù)資料挖礦模式及資料挖礦流程建構(gòu)，包含問題定義、資料處理、資料挖礦應(yīng)用、以及評估等步驟，研究架構(gòu)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(jìng)、完整的資料，必須確保來源資料的完整性，使得產(chǎn)生的資訊品質(zhì)達(dá)到有效性及正確性的要求，在資料挖礦部分採用關(guān)聯(lián)規(guī)則的Apriori演算法進(jìn)行關(guān)聯(lián)資料的搜尋，以及決策樹歸納法進(jìn)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(dǎo)體製造過程中，發(fā)生產(chǎn)品報廢問題與Lot QC時產(chǎn)生Data Lost或產(chǎn)生OOS (Out Of Spec.)時，如何從資料庫中快速的追蹤所產(chǎn)生的問題，藉由資料挖礦技術(shù)的應(yīng)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(jìn)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(guān)鍵。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(jìn)行分類及彙整，以作為領(lǐng)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(chǎn)品報廢現(xiàn)象原因分類及彙整半導(dǎo)體的製造程序是環(huán)環(huán)相扣的，如有任一程序發(fā)生異常通常會影響未來的製程甚至導(dǎo)致產(chǎn)品報廢。當(dāng)報廢發(fā)生時若能在較短時間內(nèi)找出原因，對於有同樣製程的產(chǎn)品即可立即追蹤並掌握問題，可減少產(chǎn)品的報廢數(shù)量。製造過程中產(chǎn)生報廢的原因錯綜複雜，就以現(xiàn)行工程師的經(jīng)驗中，再彙整出現(xiàn)象原因及解決方案於領(lǐng)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(yīng)的訊息，以縮短找尋資料及因個人經(jīng)驗判別的時間，並且將其他同生產(chǎn)條件的產(chǎn)品列出可能發(fā)生此現(xiàn)象報廢的產(chǎn)品，以盡早提出因應(yīng)措施。依據(jù)表1的現(xiàn)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(yīng)如圖3所示，依各類別原因及對策的對應(yīng)關(guān)聯(lián)，若有新的現(xiàn)象發(fā)生將可再陸續(xù)加入領(lǐng)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(jīng)歷多次的量測以確保產(chǎn)品在製圖2 半導(dǎo)體製造過程產(chǎn)品異常應(yīng)用資料挖礦研究架構(gòu)圖造過程中能確實符合製程上的規(guī)格，因此量測出的數(shù)值將影響該批Lot的品質(zhì)。以目前具有自動化系統(tǒng)的半導(dǎo)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(shù)是否正確的被設(shè)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(shè)計及參數(shù)的設(shè)定。Data lost的發(fā)生有兩種狀況，一為參數(shù)設(shè)定的不完整，可能是由資料維護(hù)時遺漏或工程師提供不完整；另一為機(jī)臺與系統(tǒng)的data傳送出現(xiàn)異常，可能是機(jī)臺端當(dāng)機(jī)或傳送機(jī)制停擺或系統(tǒng)端產(chǎn)生異常；至於OOS的產(chǎn)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(shù)提供一快速的搜尋方法，以縮短工程師進(jìn)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。此階段將以關(guān)聯(lián)規(guī)則的Apriori演算法與自動化系統(tǒng)工程師的領(lǐng)域知識配合建置一合宜的搜尋方式。表1 產(chǎn)品報廢分類對應(yīng)表範(fàn)例現(xiàn)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(yīng)方式check run card是否異常造成Box盒蓋未正常蓋上Check Recipe 設(shè)定是否異常….….….….….….….….………33資料挖礦本研究運用關(guān)聯(lián)規(guī)則的Apriori演算法取得產(chǎn)品報廢的現(xiàn)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(lǐng)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(guān)聯(lián)規(guī)則的Apriori演算法與自動化系統(tǒng)的領(lǐng)域資料推導(dǎo)出發(fā)生問題的可能因素，以提供快速的資料搜尋途徑