跳到主要內容

臺灣博碩士論文加值系統

(3.236.50.201) 您好!臺灣時間:2021/08/02 02:06
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:楊志偉
研究生(外文):Chih-Wei Yang
論文名稱:類神經網路於虛擬量測系統之應用
論文名稱(外文):The Application of Artificial Neural Network in Virtual Metrology System
指導教授:廖宜恩廖宜恩引用關係
學位類別:碩士
校院名稱:國立中興大學
系所名稱:資訊科學與工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
畢業學年度:96
語文別:中文
論文頁數:63
中文關鍵詞:虛擬量測類神經網路
外文關鍵詞:Virtual MetrologyNeural Network
相關次數:
  • 被引用被引用:4
  • 點閱點閱:488
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
虛擬量測系統(Virtual Metrology System)在半導體或TFT-LCD面板產業中一種重要的預測模型,可以減少一些量測的步驟,而不損失產品良率,除了增加獲利的速度外,也可以減少一些量測機台的採購,而降低製造成本。本研究應用類神經網路於虛擬量測系統,目的在於改進虛擬量測系統模型的準確度及建模的效率,藉由討論不同的類神經模型特性及限制,找出適合虛擬量測資料的類神經網路模型,以避免類神經網路中的限制而影響虛擬量測的準確度。本研究以某半導體蝕刻製程資料,來實作虛擬量測系統,並驗證在相同的資料下,採用適合的類神經模型將可得到較高的準確度,並提出虛擬量測系統在未來的發展。
In the semiconductor or TFT-LCD panel industry, the shorter the production cycle the faster the rate on returns (ROR). The production processes are divided into manufacturing and metrology processes. Manufacture process cycle times are unable to do be reduced. The Virtual Metrology System (VMS) can reduce some steps or time of required in the metrology process without the lowering of yield rates, thus not only to make increases on ROR but can also reduce the number of purchases of the metrology machine to further reduce the manufacturing costs. This paper applies Neural Network technology to virtual metrology and focuses on the prediction accuracy and training rate. This paper also tries to find the proper neural network model for virtual metrology dataset by discussing the characteristics and restrictions between different neural networks models to obtain the maximum prediction accuracy. This paper applies the virtual metrology system to a semiconductor manufacturing factory ETCH data to prove that it get better accuracy by applying proper neural network model.
中 文 摘 要 I
英 文 摘 要 II
目 錄 III
圖 目 錄 V
表 目 錄 IX
第1章 簡介 1
1.1研究背景及動機 1
1.2問題描述與定義 3
1.3主要貢獻 3
1.4論文架構 4
第2章 相關研究 5
2.1 數學建模 5
2.2類神經網路 6
2.2.1 類神經網路簡介 6
2.2.2 類神經網路演進 8
2.3.虛擬量測系統架構 15
2.3.1. 實際量測 15
2.3.2. 虛擬量測系統 16
2.3.3. APC系統 18
2.4.虛擬量測系統相關文獻探討 18
2.4.1虛擬量測系統的可信度 18
2.4.2資料前置處理 19
2.4.3. 建模的方式或虛擬量測系統的架構 22
第3章 系統架構與設計 25
3.1離線分析 26
3.2建模 30
3.2.1類神經網路的影響因素 30
3.2.2 準確度及訓練時間 37
3.3背景監控 40
第4章 系統實作與實驗 42
4.1. 資料前置處理 42
4.2. 建模考量 43
4.2.1. 類神經網路參數分析 43
4.2.2. 評估類神經模型準確度及時間 44
4.3 建立類神經網路預測模型 46
4.4 實驗結果與分析 58
第5章 結論與未來研究方向 59
5.1 結論 59
5.2 未來方向 59
參考文獻 61
[1] 吳偉民,鄭芳田,「虛擬量測精度精進之研究與實作」,成功大
學製造工程研究所碩士論文,2006。
[2] 林嶸銓,鄭芳田,「通用型虛擬量測機制與系統」,成功大學製造工程研究所碩士論文,2005。
[3] 周鵬程,類神經網路入門:活用MATLAB,高立圖書有限公司,2006。
[4] 柯璟銘,「化學機械研磨之虛擬量測與製程控制」,交通大學機械工程所碩士論文,2007。
[5] 張智星,「MATLAB程式設計」,清蔚科技,2004。
[6] 梁志翔,鄭芳田,「虛擬量測自變數之篩選法則」,成功大學製造工程研究所碩士論文,2006。
[7] 曾登琳,鄭芳田,蘇育全,「類神經虛擬量測之參數篩選與精度精進」,成功大學製造工程研究所碩士論文,2007。
[8] 黃國源,類神經網路與圖型識別,維科圖書有限公司,2003。
[9] 葉耀智,鄭芳田,「類神經虛擬量測之參數篩選與精度精進」,成功大學製造工程研究所碩士論文,2007。
[10] 簡禎富、李培瑞、彭誠湧,「半導體製程資料特徵萃取與資料挖礦之研究」,資訊管理學報,第 10卷,第 1 期,第 63-84 頁,2003。
[11] 簡嘉懋,鄭芳田,「虛擬量測系統架構與應用」,成功大學製造工程研究所碩士論文,2007。
[12] 顏羅桑,鄭芳田,「虛擬量測資料品質評估指標」,成功大學製造工程研究所碩士論文,2007。
[13] 羅華強,類神經網路-MATLAB的應用,高立圖書有限公司,2005。
[14] 蘇木春、張孝德,機器學習、類神經網路、模糊系統以及基因演算法則,全華科技圖書股份有限公司,2004。
[15] Dagan.Demuth.Beale著,汪惠健譯,類神經網路設計Neural Network Design,Thomson Learing,2007。
[16] Chen, P.H., et al., “Virtual Metrology: a Solution for Wafer to Wafer Advanced Process Control,” in Proc. 2005 IEEE International Symposium on Semiconductor Manufacturing, San Jose, CA ,USA, pp.155-157, Sep. 2005
[17] Chen, Y.T., Yang, H.C., and Cheng, F.T., “Multivariate Simulation Assessment for Virtual Metrology,” Robotics and Automation, ICRA 2006, in Proc 2006 IEEE International Conference on pp. 1048-1053, May 2006.
[18] Cheng, F.T., Chen, Y.T., Su, Y.C., and Zeng, D.L., “Method for Evaluating Reliance Level of a Virtual Metrology System,”in Proc. 2007 IEEE International Conference on Robotics and Automation, Roma, Italy, pp. 1590-1596, Apr. 2007.
[19] Huang, Y.T., Cheng, F.T., and Chen, Y.T., “Importance of data quality in virtual metrology,” in Proc. of The 32nd Annual Conference of the IEEE Industrial Electronics Society (IECON 2006), Paris, France, pp.3727-3732, Nov. 2006.
[20] Hung, M.H. and Lin, T.H., “A Novel Virtual Metrology Scheme for Predicting CVD Thickness in Semiconductor Manufacturing,” IEEE/ASME TRANSACTIONS ON MECHATRONICS, Vol. 12, No. 3, pp.308-316, Jun. 2007.
[21] Himmel, C.D., Kim, B.W., and May, G.S., “A COMPARISON OF STATISTICALLY -BASED AND NEURAL NETWORK MODELS OF PLASMA ETCH BEHAVIOR,” IEEE/SEMI Int''l Semiconductor Manufacturing Science Symposium 1992.
[22] Himmel, C.D. and May, G.S., “Advantages of plasma etch modeling using neural networks over statistical techniques,” IEEE Trans. Semicond. Manuf., Vol. 6, No. 2, pp.103–111, May 1993.
[23] Jain, A.K., Mao, J.C., and K. Mohiuddin, “Artificial neural networks: a tutorial,”IEEE Computer, Vol. 29, No. 3, pp.31-44 Mar. 1996.
[24] Roy, Asim, “Artificial neural networks: a science in trouble,”ACM SIGKDD Explorations Newsletter, Vol. 1, Issue 2, pp. 33-38 Jan. 2000.
[25] Tsuruoka, Yoshimasa and Tsujii, Jun''ichi, “Bidirectional Inference with the Easiest-First Strategy for Tagging Sequence Data,” In Proceedings of HLT/EMNLP, pp. 467-474 2005.
[26] Wedge, David, et al., “On Global-VLocal Artificial Neural Networks for Function Approximation,”IEEE TRANSACTIONS ON NEURAL NETWORKS, Vol. 17, No. 4, pp. 942-952 Jul. 2006.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top