整合分析挖掘半导体制造智能

元智大学信息管理学系助理教授 许嘉裕

元智大学信息管理学系助理教授许嘉裕比喻，综观IC的剖面图，就好比一层层堆叠而上的101大楼，其层与层、楼与楼之间必须正确堆叠，譬如线路与线路的间距务求精准校对，此栋大楼才能牢靠稳固；换言之，从硅片、光罩、晶粒切割…直至IC制造的整个过程，都需要投以良好的控制与改善。

然而，以半导体机台的FDC(Fault Detection and Classification)数据而论，累积的数量已经大到不易善加分析的地步，而且举凡Lot、Wafer、Die、IC等不同数据层次，一旦对应错误皆可能产生分析误差。如何将这些最原始、也最细腻的数据予以集结，藉以呼应诸如SPC、OEE、RtR、FDC、PHM、Scheduling、Yield Correction…等不同应需求，堪称重大挑战。

制程数据整合暨分析的目的，就在于提高良率、缩短上市时间，其中最广为人知的即是「先进制程控制(Advanced process control；APC)」法则，其中最常被采用的手段包括「错误侦测与判断系统(FDC)」及「批次与批次的控制(Run-to-Run；RtR)」，前者旨在提供一个自动化的方法来侦测、警示与判断导致制程异常的原因，后者是利用制程前与制程后的量测，来改变制程配方，以进行批次正向补给回馈自动控制。

然许嘉裕认为，智能制造重点其实并不在于方法本身，而是必须确保方法之有效存活，否则就算方法再好，也只能发挥一次性效益。以FDC设备数据而论，每秒有关气体、温度等类型之数据量十分可观，虽然颇具分析价值，但杂讯(Noise)实在太大，唯有选用适当的Indicator，才能正确表述机台状态，但如何定义好Indicator，本身即隐含重大难题。

回顾过去，业界进行统计制程管制，凭藉的都是事先选定的一把尺，但其缺点就是，若有好的或坏的因素，过去未曾考虑过，即容易遭致误判。在此前提下，人们转而采用「多维度的主成分分析法(MPCA)」，意即拆分为两个不同Domain来进行分析，据此建立相对合宜的控制模型，但若从RtR角度来看，每完成任一步骤的信息，要传递至下一步骤，往往有时间落差(譬如黄光与蚀刻)，在信息不实时的情况下，就会产生变异，如此一来，当下的控制效果或许良好，但随着生产时间一久，仍可能导致状态随之转变。

「不论方法为何，都莫要取决于单一模型，」许嘉裕建议不妨利用机台之间、或Lot之间的互换关系，试图建立一个微调机制，藉以弭平RtR过程中的信息落差。

他并强调，随着线宽愈来愈小、设备愈来愈贵，就益发凸显Predictive analytics的重要性，譬如运用预测性维修(PdM)方式，可在晶膜成长过程中，藉由上下灯泡温度的差异，判别生产因素是否有所改变，此外亦可借助PHM(Prognostic and Health Management)，将自机台蒐集而来的数据，透过分析历程，终至成为足以辅助决策的信息。

许嘉裕说，半导体制造程序复杂、影响变量众多，往往无法从蒐集的庞大数据中，迅速有效地挖掘或归纳其中有意义的样型或规则，所以任何智能化的技术并非完全取代人，而是协助人们进行决策。