臺灣博碩士論文加值系統

對於有經驗的半導體工程師而言，利用晶圓瑕疪點的分佈，可判別某一段製程是否發生狀況，此為重要的一項製程診斷技術。本文利用圖形識別方法取代工程師對晶圓瑕疪圖作分類，以增加工作效能和良率。本文所要識別的晶圓瑕疪圖共有五類；利用觀察晶圓瑕疪點的幾何特性，共開發出八種特徵，其中三種特徵須設定控制參數。和一般圖型識別系統不同的是，本文利用Fisher判別式選定最佳參數，實驗結果驗証此方法可顯著提高正確率。本研究計含135個模擬瑕疪樣本，因此選用較不須大量訓練資料的分類方法，分別為：決策樹、樸素的貝氏分類器、K-最鄰近分類器。由交互驗証實驗結果發現，樸素的貝氏分類器與K-最鄰近分類器皆可達到96%以上的正確辦識率，而決策樹僅有89%的辦識率。

By examining and inspecting the defect patterns on trouble wafers, experienced semiconductor engineers can usually identify the candidate manufacturing processes that caused the problem. This is of the important diagnosis methods in IC manufacturing industry to enhance fabrication efficiency and yield. In this thesis, the pattern recognition approach is used to classify defect patterns automatically instead of human inspection. In our study, five different defect patterns have been identified and categorized by human experts. After reviewing the geometric characteristics of these detect patterns, we extracted eight different features, three of them containing control parameters. To achieve optimal parameter setting, we adopted Fisher’s linear discriminant criterion, which is not common in conventional pattern recognition systems. And the experimental results showed that it did improve the system performance effectively. Our study included 135 simulated samples, implying that the classification models should not require massive training data. Thus we chose the following methods: the decision tree, naïve Bayesian classifier, and K-nearest-neighbor classifier. The results of cross validation showed that both naïve Bayesian and K-nearest-neighbor classifiers achieved extremely high accuracy, above 96%, while the decision tree only reached 89% of accuracy.

中文摘要 i
英文摘要 ii
誌謝 iii
目錄 iv
表列 vi
圖列 vii
第一章 緒論 1
1.1 研究動機與目的 1
1.2 研究步驟和分類系統介紹 2
第二章 晶圓瑕疪圖之特徵抽取 5
2.1 邊環型晶圓瑕疪之特徵 7
2.2 底部型晶圓瑕疪之特徵 8
2.3 線型晶圓瑕疪之特徵 9
2.4 環帶型和弦月型晶圓瑕疪之特徵 13
第三章 特微選擇方法和因素分析 15
3.1 Fisher 線性判別式 15
3.2 因素分析 19
第四章 分類方法 23
4.1 決策樹 23
4.2 樸素的貝氏分類法 28
4.2.1 貝氏定理 29
4.2.2 樸素的貝氏分類法的流程 29
4.3 K-最鄰近分類法 31
4.3.1 機率密度之估測 31
4.3.2 KNN之機率密度之估測 33
4.3.3 KNN的分類規則 33
第五章 實驗 35
5.1 參數選擇 35
5.1.1 之 選定 36
5.1.2 之 選定 40
5.1.3 之 選定 43
5.1.4 哈克轉換門檻值 選定 46
5.2 實驗結果 47
5.2.1 晶圓瑕疪樣本之特選擇與因素分析 47
5.2.2 各種分類法之實驗結果 55
第六章 結論 70
參考文獻 72

[1] R. O. Duda, P. E.Hart, D. G. Stork, Pattern Classification, 2nd ed, John Wiley & Son Inc, New York, 2001.
[2] T. Hastie , R. Tibahirani, J. Friedman, The Elements of Statistical Learning, Springer-Verlag, New York, 2001.
[3] J. Han, M. Kamber, Data Mining Concepts and Techniques, Elsevier, Singapore, 2003.
[4] R. C.Gonzalez, R. E.Woods, Digital Image Processing, 2nd ed, Pearson, New Jersey, 2003.
[5] 鐘國亮, 影像處理與電腦視覺, 第二版, 東華書局, 台北, 2004.
[6] R. O. Duda, P. E. Hart, ”Use of the Hough transformation to detect lines and curves in pictures, ” Commun, ACM, 15(1), 1972, pp.11-15.
[7] J. D. Jobson, Applied Multivariate Data Analysis,Springer-Verlag, New York, 1991.
[8] E. K. P. Chong, S. H. Zak, An Introduction to Optimazation, 2nd ed, John Wiley & Son, New York, 2001.
[9] R. E. Walpole, Introduction Statistics, 3rd ed, Macmillan, New York, 1982.
[10] 黃文吉, C++ Builder與影像處理, 儒林圖書公司, 台北, 2002.
[11] 連國珍, 數位影像處理, 儒林圖書公司, 台北, 2003.
[12] 陳大倫, 「晶圓缺陷點群聚指標之建立」, 國立交通大學, 碩士論文, 民國九十一年。
[13] D. J. Friedman, M. H. Hansen, V. N. Nair and D. A. James, ”Model-Free Estimation of Defect Clustering in Intergrated Circuit Fabrication, ” IEEE Trans. on Semiconductor Manufacturing, Vol. 10, No.3, pp.344-359, 1997.

[14] 蘇文彬, 「晶圓圖分析的應用對於良率的影響」, 私立中華大學, 碩士論文, 民國九十二年。
[15] L. Breiman, J. H. Friedman, R. A. Olshen, and C. J. Stone, Classification and Regression Tree., Wadsworth, Pacific Grove, California, 1984.
[16] 黃俊英, 多變量分析, 第七版, 中華經濟企業研究所, 台北, 2000.
[17] C. M. Bishop, Neural Networks for Pattern Recognition, MIT Press, Oxford, 1995.
[18] 林崇仰,「指紋影像辨識和影像壓縮及指紋在碎形上的分析」, 國立交通大學, 碩士論文, 民國八十七年。
[19] C. Weber, V. Sankaran, K. W. Tobin, Quantifying the Value of Ownership of Yield Analysis Technologies, IEEE Trans. on Semiconductor Manufacturing, Vol. 15, No. 4, November 2002.
[20] 陳順宇, 多變量分析, 華泰, 2000。