(3.238.174.50) 您好!臺灣時間:2021/04/16 17:03
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:陳永興
研究生(外文):Yung-Shiang Chen
論文名稱:資料探勘應用於IC設計業良率預測之探討
論文名稱(外文):作者未提供
指導教授:翁振益翁振益引用關係
指導教授(外文):作者未提供
學位類別:碩士
校院名稱:銘傳大學
系所名稱:管理科學研究所
學門:商業及管理學門
學類:企業管理學類
論文種類:學術論文
論文出版年:2004
畢業學年度:92
語文別:中文
論文頁數:80
中文關鍵詞:倒傳遞類神經網路迴歸分析決策樹資料探勘因素分析
外文關鍵詞:Back Propagation Neural NetworkRegression AnalysisDecision TreeData MiningFactor Analysis
相關次數:
  • 被引用被引用:22
  • 點閱點閱:509
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:130
  • 收藏至我的研究室書目清單書目收藏:0
摘 要
本研究旨在找出主要影響良率的因子,再以倒傳遞類神經網路、迴歸分析和決策樹三個方法來預測良率,並且從良率中找出訂定規格之規則。由於台灣IC設計業70%的成本用於晶片製造,因此,降低製造成本變成IC設計業一項很重要的問題。可是,懂得製程的專員非常缺乏,一般小型IC設計業者只能憑經驗或歷史資料來給參數值;也因此,本研究試著從輸入參數與輸出良率間的關係,挖掘出有價值的資訊並加以探討,進而去控制產品的參數值,以提高良率、控制品質,最終達到降低成本的目的。本研究以民國92年所收集的晶圓允收測試資料,以因素分析結合倒傳遞類神經網路、迴歸分析和決策樹建構三種不同的良率預測模式。因此,本研究率先將倒傳遞類神經網路、迴歸分析和決策樹應用至IC設計之晶圓允收測試參數良率預測模型上並加以比較此三個模式。此模擬的方法可省去製造測試所需花費的時間與成本,此為本研究貢獻。
This research is to find out the major factors which influence the yield, then forecast yield. Furthermore, we want to find out the rule to stipulate specification from the yield by three methods: back propagation neural network, regression analysis and decision tree. The cost structure of industry that IC designs of Taiwan, 70% of the cost is used in the chip to make, so reduce the manufacturing cost to turn into a very important problem of IC designing industry. But, the commissioner knowing how to make one is very scarce, general small-scale industry who designs IC person can only is it give parameter value to come according to experience or historical data; therefore this research is tried to find out the relation between input parameter and outputting yield, dig out valuable information and probe into , and then go to control the parameter value of the products, in order to improve the yield, control quality, achieve the goal of lowering costs finally. This research is according to the 92nd year of the Republic of China collected wafer accept test data, construct three kinds of yield predict model by factor analysis combine back propagation neural network, regression analysis and decision tree. So this research is the first application to use back propagation neural network, regression analysis and decision tree into the yield predict model of wafer accept test parameter of IC designs and compare the three models. These simulate methods could save the time and cost of manufacture and test, those are this research contribution.
目 錄 I
圖目錄 III
表目錄 IV
第一章 緒 論 1
1.1 研究背景 1
1.2 研究動機 2
1.3 研究目的 3
1.4 研究流程 4
第二章 文獻探討 6
2.1 台灣IC產業介紹 6
2.2 研究公司之產品介紹 11
2.3 資料探勘介紹 13
2.3.1 資料探勘定義與步驟 14
2.3.2 資料探勘功能 16
2.3.3 資料探勘方法 18
2.4 採用之探勘方法 22
2.4.1 因素分析 22
2.4.2 類神經網路 24
2.4.3 決策樹 29
2.5 半導體良率之相關研究 33
2.6 小結 37
第三章 研究方法 38
3.1 資料庫來源 38
3.2 主要影響參數探勘 41
3.3 良率預測模式探勘 43
3.3.1 類神經網路之預測模式建構 43
3.3.2 迴歸分析之預測模式建構 44
3.3.3 決策樹之預測模式建構 47
3.4 SPEC訂定流程 47
3.5 輔助軟體 48
第四章 研究結果與分析 49
4.1 主要影響因素探勘結果與分析 49
4.2 類神經網路良率預測結果與分析 52
4.3 迴歸分析良率預測結果與分析 56
4.4 決策樹分析良率預測結果與分析 60
4.5 三種方法之預測能力比較 62
4.6 SPEC描述性統計分析 64
第五章 研究結論與建議 66
5.1 結論 66
5.2 建議 67
參考文獻 68
一、英文部分
1.Berry, M. J. A. and Linoff, G., Data Mining Techniques: for Marking, Sales, and Customer Support, NY: John Wiley & Sons Inc., 1997.
2.Berson, A., Smith, S. and Thearling, K., Building Data Mining Application for CRM, NY: McGraw-Hill Inc., 2000.
3.Bollen, K. A., Structural Equations with Latent Variables, NY: John Wiley & Sons Inc., 1989.
4.Bowen, J. E., “Using Neural Nets to Predict Several Sequential and Subsequent Future Values from Time Series Data,” The First International Conference on Artificial Intelligence in Wall Street, 1991, pp.30-34.
5.Braha, D. and Shmilovici, A., “Data Mining for Improving a Cleaning Process in the Semiconductor Industry,” IEEE Transactions on Semiconductor Manufacturing, Vol.15, No.1, 2002, pp.91-101.
6.Chu, C. H. and Widjaja, D., “Neural Network System for Forecasting Method Selection,” Decision Support System, Vol.12, 1994, pp.13-24.
7.Cunningham, S. P., Spanos, C. J. and Voros, K., “Semiconductor Yield Improvement: Results and Best Practices,” IEEE Transactions on Semiconductor Manufacturing, Vol.8, No.2, 1995, pp.103-109.
8.Curt, H., “The Devile’s in the Detail: Techniques, Tool, and Applications for Data Mining and Knowledge Discovery-Part 1,” Intelligence Software Strategies, Vol.6, No.9, 1995, p.3.
9.Davies, P. C., “Design Issues in Neural Network Development,” Neurovest Journal, Vol.5, No.1, 1994, pp.21-25.
10.Dutta, S. and Shekhar, S., “Bond Rating: A Non-Conservation Application of Neural Networks,” IEEE International Conference on Neural Nettwork, San Diego, California, Vol.2, 1998, pp.443-450.
11.Eberhart, R. C. and Dobbins, R. W., Neural Network PC Tools: A Practical Guide, NJ: Academic Press Inc., 2000.
12.Fayyad, U. M., Piatesky, S. G. and Smyth, P., “From Data Mining to Knowledge Discovery in Databases,” American Association for Artificial Intelligence, Fall, 1996, pp.37-54.
13.Fish, K. E., Barnes, J. H. and Aiken, M. W., “Artificial Neural Networks: A New Methodology for Industrial Market Segmentation,” Industrial Marketing Management, Vol.24, 1995, pp.431-438.
14.Freeman, J. A. and Skapura, D. M., Neural Networks: Algorithms, Applications and Programming Techniques, Addison-Wesley Publishing Company, 1992.
15.Gardner, M. and Bieker, J., “Solving Tough Semiconductor Manufacturing Problems Using Data Mining,” Advanced Semiconductor Manufacturing Conference and Workshop IEEE/SEMI, Sept., 2000, pp.46–55.
16.Hair, J. F., Tatham, R. L., Anderson, R. E. and Black, W. C., Multivariate Data Analysis, 5th ed., NJ: Prentice Hall Inc., 1998.
17.Hansen, C. K. and Thyregod, P., “Use of Wafer Maps in Integrated Circuit Manufacturing,” Microelectronics and Reliability, Vol.38, 1998, pp.1155-1164.
18.Hong, S. J., May, G. S. and Park, D. C., “Neural Network Modeling of Reactive Ion Etching Using Optical Emission Spectroscopy Data,” IEEE Transactions on Semiconductor Manufacturing, Vol.16, No.4, 2003, pp.598-608.
19.Horn, K. A., Compton, P., Lazarus, L. L. and Quinlan, J. R., “An Expert System for the Interpretation of Thyroid Assays in a Clinical Laboratory,” The Australian Computer Journal, Vol.17, No.1, 1985, pp.7-11.
20.Huang, S. C. and Huang, Y. F., “A Neural Network Structure for Vector Quantizers,” IEEE International Symposium, Vol.5, 1991, pp.2506-2509.
21.Hush, D. R., Horne, B. and Salas, J. M., “Error Surfaces for Multi-Layer Perceptrons,” IEEE Transactions on System, Vol.22, No.5, 1992, p.2.
22.Hush, D. R. and Horne, B. G., “Progress in Supervised Neural Networks,” IEEE Signal Processing Magazine, January, 1993, pp.8-15.
23.Johnson, R. A. and Wichern, D. W., Applied Multivariate Statistical Analysis, 5th ed., NJ: Prentice Hall Inc., 2002.
24.Martinez, E. E., Smith, A. E. and Idanda, B., “Reducing Waste in Casting with a Predictive Neural Model,” Journal of Intelligent Manufacturing, Vol.5, No.4, 1994, pp.277-286.
25.Mirsepassi, A., Cathers, B. and Dharmappa, H. B., “Application of Artificial Neural Networks to the Real Time Operation of Water Treatment Plants,” IEEE International Conference on Proceedings, Vol.1, 1995, pp.516-521.
26.Peacock, P. R., “Data Mining in Marketing: Part1,” Marketing Management, Vol.6, No.4, 1998, pp.8-18.
27.Quinlan, J. R., C4.5: Programs for Machine Learning, CA: Morgan Kaufmann Publishers, 1993.
28.Romeu, J. L., Operations Research/Statistic Techniques: A Key to Quantitate Data Mining, FCSM Research Conference, 2000.
29.Rumelhart, D. E., Hinton G. E. and Williams, R. J., “Learning Internal Representations by Error Propagation,” MIT Press, Vol.1, 1986, pp.318-364.
30.Tang, Z., Almeida, C. and Fishwick, P. A., “Time Series Forecasting Using Neural Networks vs. Box-Jenkins Methodology,” Simulation, Vol.57, 1991, pp.303-310.
31.Vellido, A., Lisboa, P. J. G. and Vaughan, J., “Neural Networks in Business: A Survey of Applications,” Expert Systems with Applications, Vol.17, 1999, pp.51-70.
32.Wasserman, P. D., Neural Computing: Theory and Practice, NJ: Van Nostrand Reinhold Co., 1989.
33.Zhang, G., Patuwo, B. E. and Hu, M. Y., “Forecasting with Artificial Neural Networks: The State of the Art,” International Journal of Forecasting, Vol.14, 1998, pp.35-62.

二、中文部分
1.工業技術研究院,http://www.itri.org.tw
2.王志宏,「類神經網路於半導體平坦化製程預測監控功能之研究」,中華大學工業工程研究所碩士論文,民國91年。
3.台灣半導體產業協會,http://www.tsia.org.tw
4.李培瑞,「半導體製程資料挖礦架構、決策樹分類法則及其實證研究」,清華大學工業工程與工程管理研究所碩士論文,民國90年。
5.李銘鈞,「以類神經網路偵測多變量製程變異性變化之管制程序」,元智大學工業工程研究所碩士論文,民國87年。
6.吳聰宏,「類神經網路應用在品質管制中相關性製程數據之管制」,元智大學工業工程研究所碩士論文,民國83年。
7.吳國禎,「資料探索在醫學資料庫之應用」,中原大學醫學工程學系研究所碩士論文,民國89年。
8.林鼎浩,「建構半導體製程資料挖礦架及其實證研究」,清華大學工業工程與工程管理研究所碩士論文,民國88年。
9.周臣忠,「半導體製程良率提升專家系統之量化模式評估與分析」,清華大學工程與系統科學研究所碩士論文,民國89年。
10.邱美珍,「決策樹學習法中連續屬性之分類研究」,中原大學資訊工程研究所碩士論文,民國85年。
11.卓高平,「類神經網路最佳學習參數值找尋之研究-以空調溫濕度異常診斷與處理為例」,元智大學工業工程研究所碩士論文,民國88年。
12.易立達高科技網,http://www.hope.com.tw
13.范治民,「晶圓允收測試之統計製程管制設計」,台灣大學電機工程研究所博士論文,民國88年。
14.柯岐謀,「應用監督式類神經網路於晶粒表面缺陷辨識之研究」,交通大學工業工程與管理研究所碩士論文,民國89年。
15.產業資訊服務網,http://www.itis.org.tw
16.陳慧珠,「技術效率與產業特性之分析-新竹科學園區IC產業之實証研究」,文化大學經濟學研究所碩士論文,民國89年。

17.梁瑞明,「資料群集處理技術在半導體良率預測上之應用」,元智大學工業工程研究所碩士論文,民國89年。
18.黃大倫,「半導體製程良率提升專家系統之失效模式與效應&晶圓允收測試異常分析」,清華大學工程與系統科學研究所碩士論文,民國89年。
19.傅旭正,「考慮缺陷來源與群聚現象之積體電路良率模式」,交通大學工業工程與管理研究所碩士論文,民國87年。
20.葉怡成,應用類神經網路,台北:儒林,第三版,民國91年。
21.葉怡成,類神經網路模式應用與實作,台北:儒林,第八版,民國92年。
22.劉巧雯,「利用資料挖礦方法建立半導體晶圓圖之分群分類系統」,清華大學工業工程與工程管理研究所碩士論文,民國90年。
23.劉亭宜,「GRNN在晶圓製造裡良率模式之建構與分析」,元智大學工業工程研究所碩士論文,民國88年。
24.劉晨貴,「製程參數之偵測-類神經網路之應用」,東海大學工業工程研究所碩士論文,民國83年。
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔