【正文】 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)。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。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。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。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。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。 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）。 Berzal et al., 2001。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。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。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。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。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。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。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。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。Y〈If X, then Y〉，X為前提項目組（Antecedent item set），Y為結(jié)果項目組（Consequent item set），X和Y皆為所有相異物品項目集合的子集合，且。而D則是所有交易記錄T的集合。過去對於關(guān)聯(lián)規(guī)則已有相當(dāng)多的研究，也證明關(guān)聯(lián)規(guī)則為一有效之方法，其方法的特性主要是，關(guān)聯(lián)規(guī)則能容易解釋其產(chǎn)生的規(guī)則，且可完整呈現(xiàn)變數(shù)之間的影響，但篩選規(guī)則的條件設(shè)定很重要，否則條件太鬆可能造成結(jié)果多且凌亂，相反地，如果條件太嚴(yán)可能忽略掉一些罕見變數(shù)的有趣樣型。 陳家仁等，民92）。 Han and Kamber, 2001。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。資料挖礦中所使用的挖掘技術(shù)與類型，通常包含關(guān)聯(lián)規(guī)則、分類規(guī)則、叢集規(guī)則、預(yù)測分析、趨勢分析、偏差分析等類型。綜合以上，資料庫知識發(fā)現(xiàn)和資料挖礦的目的皆相同，同樣是從資料庫的大量資料中發(fā)現(xiàn)有用的資訊以提供決策者參考，只是資料庫知識發(fā)現(xiàn)描述出資料準(zhǔn)備階段之過程，也就是資料如何從資料庫轉(zhuǎn)換成資料挖礦工具可運用的程序皆完整的描述，然而要達(dá)到資料挖礦的目的，資料挖礦的定義已隱含有資料準(zhǔn)備的概念，因此，可直接採用資料挖礦此一名詞。 KDD）、知識萃?。↘nowledge extraction）、資料考古學(xué)（Data archeology）、資料捕撈（Data dredging）（Han and Kamber, 2001）。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與分析資料的方法，以協(xié)助工程人員的問題追蹤與分析。這些資料經(jīng)過規(guī)劃之後有規(guī)則的將及時資料與歷史資料個別置於關(guān)聯(lián)的資料項中，並適當(dāng)適時的進(jìn)行儲存與備份的工作。不論是即時的生產(chǎn)資料或是歷史資料將存放在系統(tǒng)所指定的資料庫中。其次是Recipe即製程參數(shù)的資料流，當(dāng)使用者透過自動化系統(tǒng)的介面取得機(jī)臺與Lot ID的關(guān)係之後，系統(tǒng)將提供一組適合該Lot在此機(jī)臺製造的參數(shù)，這就是自動化系統(tǒng)所帶來的便利之一。關(guān)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(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。自1947年發(fā)明電晶體後，新的技術(shù)亦不斷的被發(fā)現(xiàn)，其技術(shù)的創(chuàng)新與快速使得積體電路製造在短短的數(shù)十年間迅速發(fā)展至今日的奈米半導(dǎo)體製程。目前在半導(dǎo)體產(chǎn)業(yè)的硬體建設(shè)上雖可滿足產(chǎn)業(yè)的大量需求，但是隨之而來的將是如何在快速生產(chǎn)與大量產(chǎn)能中，提升良率與及時發(fā)現(xiàn)異常等問題。二、文獻(xiàn)探討21半導(dǎo)體製程半導(dǎo)體技術(shù)變化快速，目前已進(jìn)入深次微米的時代，產(chǎn)業(yè)的生產(chǎn)趨勢將是集中資源於最具核心競爭力產(chǎn)品的生產(chǎn)方式。2. 建構(gòu)製造過程中製程參數(shù)與機(jī)臺資料的關(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)行問題追蹤。本研究是使用半導(dǎo)體自動化系統(tǒng)的資料庫為資料挖礦的資料來源，並運用資料挖礦中的關(guān)聯(lián)規(guī)則作為分析問題的方法，藉此協(xié)助製程工程人員如何在大量的生產(chǎn)資料中找出可能隱藏的訊息，以快速的找出與問題相關(guān)性的關(guān)聯(lián)資訊，確保問題能在較短的時間內(nèi)予以解決，不至於造成產(chǎn)品的損失擴(kuò)大。資料挖礦技術(shù)是一種統(tǒng)計工具的應(yīng)用，其結(jié)合該產(chǎn)業(yè)領(lǐng)域的專業(yè)與資料庫知識，從資料庫或其他資料儲藏系統(tǒng)中，針對大量的資料進(jìn)行篩選、推演與模式建構(gòu)等程序，以挖掘隱含在資料與模式中的訊息進(jìn)而轉(zhuǎn)換成為商機(jī)，或是提供決策者新的知識以利於決策的進(jìn)行（簡禎富等，民90；簡禎富等，民92）。就目前的企業(yè)對於數(shù)以百萬筆的歷史資料處理方式而言，當(dāng)產(chǎn)品發(fā)生異?；驗樘囟ㄈ蝿?wù)而必須得到部份資訊的支援時，若將其一一分類並運用於分析上，其實是件耗時且相當(dāng)困難的工作；通常在自動化系統(tǒng)中資料庫僅記錄現(xiàn)場正使用的已設(shè)定參數(shù)值，因而當(dāng)產(chǎn)品被發(fā)現(xiàn)已產(chǎn)生異常時往往無法及時取得當(dāng)時製造過程中的參數(shù)設(shè)定值，必須依賴製程或設(shè)備工程人員的紀(jì)錄或是其他備份的資料庫，資料不易取得且方法繁雜。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，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，對於目前已存在的八吋廠或是十二吋廠來說，不論是製程設(shè)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。在半導(dǎo)體製造技術(shù)日趨進(jìn)步與純熟之下，已進(jìn)入八吋、十二吋晶圓的年代，這其中大量資金的投入是不可或缺的，特別是十二吋晶圓廠其所投入的金額約需30億美元。 methods by which obtained data may be appropriately processed, by which affected products