半導體產業為因應科技的日新月異，資訊化程度需求的提升，以及市場的競爭激烈，使得高良率成為所追求的目標之一。因此如再以人工目視辨識，不僅浪費時間且有時會因判定的主觀性，而增加誤判的可能性。本研究為提升偵測的準確性及製程良率，將運用機器視覺方法與資料採礦技術，發展一套晶圓錯誤圖樣分析架構。我們首先以模擬方式產生包含十六種錯誤類型以及不同等級隨機誤差的一維與二維晶圓圖資料，在第一階段將討論支持向量機分析方法的錯誤辨識能力，而在第二階段則使用兩種類神經網路方法與兩種分類樹方法，比較這幾種分類方法與資料型態在辨認晶圓圖錯誤樣式的能力優劣。本論文模擬結果顯示使用支持向量機分析法(SVM)的確能提高精準的辨識正確率，且類神經網路中MLP法的表現最佳。當晶圓資料型態轉換成二維時，類神經與分類樹分類方法均可以提升辨識正確率。

The human view-based methods are traditionally used in semi-conductor industry to trace production errors with the disadvantages such as time-wasting and subjectiveness. To enhance the accuracy of detection and the product rate,  machine vision methods and Data Mining Techniques are applied in this study to develop a wafer-map analysis system. A two-phase method is adopted in our study. During the first phase, the ability of identification of the erroneous judgment by Support Vector Machine based method will be discussed. In the second phase, neural networks models and decision tree methos are adopted. Random samples of one-dimension and two-dimension wafer bin maps were generated from sixteen patterns with various levels of random noises to compare identification accuracy. Our study shows that the adoption of Support vector machine analysis increases the accuracy of identification. In the second phase, we find that mulit-layer perceptron neural network models functions best. Also, when the wafer data is converted to spatial data representation, both Neural Networks Model and Decision Tree Analysis Model increase the accuracy of identification.

目  錄	I
表目錄	III
圖目錄	IV
第一章　緒論	1
1.1  研究動機	1
1.2  研究目的	2
1.3  研究架構與流程	3
1.4  論文研究大綱	5
第二章  文獻探討與相關研究	6
2.1  資料採礦(DATA MINING)概論	6
2.2  晶圓處理製程與晶圓圖簡介	9
2.2.1  晶圖處理前段製程	9
2.2.2  晶圓處理後段製程	11
2.2.3  晶圓針測製程	14
2.2.4  晶圓圖的錯誤型態	15
2.3  圖樣辨識（PATTERN RECOGNITION）概論	19
2.3.1  圖樣辨識之簡介	19
2.3.2  圖樣辨識（pattern recognition）方法及文獻研究	21
2.4  支持向量機（SUPPORT VECTOR MACHINE；SVM）	22
2.4.1  支持向量機之簡介	22
2.4.2  支持向量機相關研究探討	25
2.5  類神經網路(NEURAL NETWORK)	25
2.5.1  多層感知網路（Mulit-Layer Perceptron Network）	28
2.5.2  nnet演算法	31
2.6  決策樹(DECISION TREE)	31
2.6.1  C＆RT決策樹（Classification and Regression Trees）	33
2.6.2  C4.5決策樹	35
第三章  晶圓圖分類與模式架構	37
3.1  晶圓圖資料之二維輸入法	37
3.2  研究流程	40
第四章  實作與評估	43
4.1  晶圓圖資料來源與生成過程	43
4.2  分類結果之評估準則	44
4.3  不同晶圓圖分類架構之比較分析	45
4.4  第一階段分類效果分析與比較	47
4.5  第二階段四種監督式方法比較分析	51
4.6  不同晶圓圖分類架構下之比較分析	55
第五章　結論與建議	59
5.1  結論	59
5.2  建議	60
參考文獻	62
表目錄
表2.1  DATA MINING 與STATISTICS比較表	9
表2.2  決策樹演算法比較	32
表3.1  通過晶圓圖上每個晶片的直線與圓之方程式	39
表4.1  評估準則分類列聯表	44
表4.2  評估準則	45
表4.3  四種不同的架構下之測試樣本的準確率、精確率與檢出率	48
表4.4  六種不同的架構之測試樣本的辨識正確率，2000張晶圓圖，訓練集1000張，測試集1000張	51
圖目錄
圖1.1   研究架構圖	4
圖2.1   最基本的矽晶圓加工流程	11
圖2.2   半導體積體電路生產流程（旺宏電子）	14
圖2.3   晶圓針測之流程圖	15
圖2.4   不同BIN層晶圓圖	16
圖2.5   十五種錯誤類型的晶圓圖	18
圖2.6   混合性故障	19
圖2.7   圖樣辨識流程	21
圖2.9   類神經元模型	26
圖2.10  MLP神經網路架構圖	29
圖2.11  決策樹樹狀圖	32
圖3.1   晶圓圖單維資料型態	37
圖3.2   座標上的晶圓圖	38
圖3.3   通過晶圓圖上每個晶片的直線	38
圖3.4   通過晶圓圖上每個晶片的圓	39
圖3.5   晶圓圖二維資料型態	40
圖3.6   本研究晶圓圖分類架構	42
圖4.1   六種不同晶圓圖分類架構	47
圖4.2   不同干擾係數之系統型故障精確率	49
圖4.3   不同干擾係數之隨機型故障精確率	49
圖4.4   不同干擾係數之系統型故障檢出率	49
圖4.5   不同干擾係數之隨機型故障檢出率	49
圖4.6   不同干擾係數之準確率	49
圖4.7   MLP分類法與六種架構之測試樣本辨識正確率，2000張晶圓圖，訓練集  1000張 測試集1000張	52
圖4.8   C4.5分類法與六種架構之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	53
圖4.9   NNET分類法與六種架構之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	53
圖4.10  C&RT分類法與六種架構之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	54
圖4.11   一維資料輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	55
圖4.12   二維資料輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	55
圖4.13   空間統計與判別分析+一維輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	56
圖4.14   空間統計與判別分析+二維輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	56
圖4.15  SVM支持向量機+一維輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	57
圖4.16  SVM支持向量機+二維輸入與四種監督式分類方法之測試樣本辨識正確率，2000張晶圓圖，訓練集1000張 測試集1000張	57

參考文獻
【中文參考文獻】
1.陳進興，「圖形辨識方法對自動目標分類之分析比較」，國科會學術合作計畫報告，1993。
2.葉怡成，類神經網路模式應用與實作，儒林圖書公司，1999。
3.林明獻，矽晶圓半導體材料技術，全華科技圖書股份有限公司，2000。
4.周文輝，醫院分類 : SVM Approach，國立東華大學/應用數學系碩士論文，2001。
5.謝邦昌，資料採礦入門及應用－從統計技術看資料採礦，資商訊息顧問公司，2001。
6.賈方霈，結合集群分析與資料視覺於低良率晶圓之成因探討，元智大學工業工程與工程管理學系碩士論文，2001。
7.王若蘭，SVM在基因選擇上的應用與研究國立交通大學/統計所碩士論文，2002。
8.簡禎富、林鼎浩、劉巧雯，“建構晶圓圖分類之資料挖礦方法及其實證研究”，Journal of the Chinese Institute of Industrial Engineers, Vol. 19, No. 2, pp. 23-38 (2002)。
9.劉巧雯，利用資料採礦方法建構半導體晶圓圖之分群分類系統，國立清華大學工業工程與工程管理學系碩士論文，2002。
10.陳俊宏，PHP 5 ＆ MySQL 徹底研究，旗標出版社，2003。
11.謝昌倫，以資料採礦方法辨認半導體晶圓圖的錯誤樣式，私立淡江大學統計系應用統計研究所碩士論文，2003。
12.楊程翔，應用分位數散佈圖之相似度指標於瑕疵檢測，元智大學工業工程與管理學系碩士論文，2003。
13.蔡典霖，應用機械視覺於印刷電路板表面元件之檢測，國立清華大學動力機械工程學系碩士論文，2003。
14.鍾國亮，影像處理與電腦視覺，東華書局，2004。
15.陳奕戎，以資料採礦技術與空間統計方法辨認半導體晶圓圖的錯誤樣式，私立淡江大學統計系應用統計研究所碩士論文，2004。
16.李啟鑫，資料探勘與統計技術的自由軟體整合介面，私立淡江大學統計系應用統計研究所碩士論文，2004。
17.謝祥文，區域分割為基礎之晶圓缺陷圖樣辨識演算法，國立清華大學工業工程與工程管理學系碩士論文，2004。
【英文參考文獻】
18.V. Vapnik and A. Chervonenkis. Theory of Pattern Recognition [in Russian]. Nauka,Moscow, 1974. (German Translation: W. Wapnik & A. Tscherwonenkis, Theorie derZeichenerkennung, Akademie-Verlag, Berlin, 1979).
19.Breiman, Friedman, Olshen, and Stone. Classification and Regression Tress, 1984.
20.Ross Quinlan J., “Induction of Decision Trees”, Machine Learning , 1986.
21.Mallory, C. L., Perloff D. S., Hasan, T. F., and Stanley, R. M., “Spatial Yield Analysis in Integrated Circuit Manufacturing”, Solid State Technology, November, pp. 121-127, 1983.
22.Quinlan R. C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, 1993.
23.C. Cortes and V. Vapnik. Support vector networks. Machine Learning, 20:273 – 297, 1995.
24.Kaempf, U. “The Binomial Test: A Simple Tool to Identify Process Problems”, IEEE Transactions on Semiconductor Manufacturing, Vol. 8, No. 2 pp. 160-166 ,1995.
25.Harris Drucker & Senior Member, Support Vector Machines for Spam Categorization. ,1999.
26.Berry, M., and Linoff, G.., Mastering Data Mining, The Art and Science of Customer Relationship Management, John Wiley and Sons, 2000.
27.Burbudge R., Trotter M., Buxton B., Holden S.,”Drug design by machine learning: Support vector machine for pharmaceutical data analysis”, Computers and Chemistry, May,p5-14,2001.
28.Hastie T., Friedman J., and Tibshirani R., “The element of statistical learning ” Springer-Verlag , New York, 2001. 
29.Abe , S., “Analysis of Support Vector Machines”, Neural Networks for Signal Processing , Proceeding of the 12th IEEE Workshop on , Sept,pp89-98,2002.
30.B. D. Ripley, “Pattern Recognition and Neural Networks”, 2002
31.Sun-Bae Cho , Hong-Hee Won , “Machine Learning in DNA Microarray Analysis for Cancer Classification” , Asia-Pacific Bioinformatics Conference in Information Technology , 2003.
【網頁參考文獻】
30.Ross Quinlan，http://www.rulequest.com/Personal/。
31.晶圓針測製程介紹，http://www.semilink.com.tw/info/probe.html。
32.SVM light，http://svmlight.joachims.org/，2004.02.09。
33.全國博碩士論文資訊網，http://etds.ncl.edu.tw/theabs/index.jsp，2005.03。
34.Christian Borgelt's Webpages，http://fuzzy.cs.uni-magdeburg.de/~borgelt/mlp.html，2006。