整合分析挖掘半導體製造智慧

元智大學資訊管理學系助理教授 許嘉裕

元智大學資訊管理學系助理教授許嘉裕比喻，綜觀IC的剖面圖，就好比一層層堆疊而上的101大樓，其層與層、樓與樓之間必須正確堆疊，譬如線路與線路的間距務求精準校對，此棟大樓才能牢靠穩固；換言之，從矽晶圓、光罩、晶粒切割…直至IC製造的整個過程，都需要投以良好的控制與改善。

然而，以半導體機台的FDC(Fault Detection and Classification)資料而論，累積的數量已經大到不易善加分析的地步，而且舉凡Lot、Wafer、Die、IC等不同資料層次，一旦對應錯誤皆可能產生分析誤差。如何將這些最原始、也最細膩的資料予以集結，藉以呼應諸如SPC、OEE、RtR、FDC、PHM、Scheduling、Yield Correction…等不同應需求，堪稱重大挑戰。

製程資料整合暨分析的目的，就在於提高良率、縮短上市時間，其中最廣為人知的即是「先進製程控制(Advanced process control；APC)」法則，其中最常被採用的手段包括「錯誤偵測與判斷系統(FDC)」及「批次與批次的控制(Run-to-Run；RtR)」，前者旨在提供一個自動化的方法來偵測、警示與判斷導致製程異常的原因，後者是利用製程前與製程後的量測，來改變製程配方，以進行批次正向補給回饋自動控制。

然許嘉裕認為，智能製造重點其實並不在於方法本身，而是必須確保方法之有效存活，否則就算方法再好，也只能發揮一次性效益。以FDC設備資料而論，每秒有關氣體、溫度等類型之資料量十分可觀，雖然頗具分析價值，但雜訊(Noise)實在太大，唯有選用適當的Indicator，才能正確表述機台狀態，但如何定義好Indicator，本身即隱含重大難題。

回顧過去，業界進行統計製程管制，憑藉的都是事先選定的一把尺，但其缺點就是，若有好的或壞的因素，過去未曾考慮過，即容易遭致誤判。在此前提下，人們轉而採用「多維度的主成分分析法(MPCA)」，意即拆分為兩個不同Domain來進行分析，據此建立相對合宜的控制模型，但若從RtR角度來看，每完成任一步驟的資訊，要傳遞至下一步驟，往往有時間落差(譬如黃光與蝕刻)，在資訊不即時的情況下，就會產生變異，如此一來，當下的控制效果或許良好，但隨著生產時間一久，仍可能導致狀態隨之轉變。

「不論方法為何，都莫要取決於單一模型，」許嘉裕建議不妨利用機台之間、或Lot之間的互換關係，試圖建立一個微調機制，藉以弭平RtR過程中的資訊落差。

他並強調，隨著線寬愈來愈小、設備愈來愈貴，就益發凸顯Predictive analytics的重要性，譬如運用預測性維修(PdM)方式，可在晶膜成長過程中，藉由上下燈泡溫度的差異，判別生產因素是否有所改變，此外亦可借助PHM(Prognostic and Health Management)，將自機台蒐集而來的資料，透過分析歷程，終至成為足以輔助決策的資訊。

許嘉裕說，半導體製造程序複雜、影響變數眾多，往往無法從蒐集的龐大資料中，迅速有效地挖掘或歸納其中有意義的樣型或規則，所以任何智能化的技術並非完全取代人，而是協助人們進行決策。