【精品】类神经网路於半导体平坦化制程预测监控功能之研究91.pptVIP

類神經網路於半導體平坦化製程預測監控功能之研究 指導老師:陳沛仲 學生:李佶峰 游哲軒 摘要 近年來積體電路晶片在我們的生活中佔有舉足輕重的地位，積體電路晶片已然成為電腦科技的基礎，同時也刺激了相關科技產業的發展，故積體電路的製程也成為目前最備受矚目 本研究以倒傳遞類神經網路為主，以建立預測平坦化製程之品質為目標，減少工程人員在尋求製程最佳化時，重複實驗的次數與時間，並分析其製程參數對於品質的影響，經由線上即時製程參數與產品參數的取得，找出與品質相關的可能製程參數，並透過三組不同類神經網路模式的組合可得知在此製程狀態下，其品質是否合格。 研究目的 本研究將以BPSG此段製程為範例，此段製程為後段金屬化製程，若無良好之控制，將嚴重造成產品良率之下降。 製程站點共有三站，各站點之製程參數皆會產品產生變異，且採實驗設計方法調整將花費大量的時間與實驗用之晶片，利用類神經網路模擬，找出最佳之製程參數，將可大幅降低實驗所花費之時間與經費。 本研究之研究目的之優點 (一)方便於無經驗之工程人員學習 (二)幫助有經驗之工程人員減少實驗之次數 (三)即時針對此批次產品進行管制或重工 (四)利用累神經網路監控與預測連續製程站 點 網路建構 以類神經網路來建構即時品質異常判斷時，有關工作內容順序為: (一)學習樣本及測試樣本之收集與編輯 (二)各個最佳學習參數值之找尋與設定 (三)使用數學演算模式，執行類經網路 Input的部分皆是Run-in-Run蒐集的實際參數output皆為模擬數據 本研究所採用的學習樣本資料，是來自生產線上 即時數據收集與歷史製程資料記錄，學習樣本資料取生產線之製程與產品參數共2500組，隨機取300組輸入，以建構類神經網路模型中訓練學習。 分析結果與效益評估 本研究以MATLAB6.5軟體來建構平坦化製程網路模型。 總共有四項參數設定，以固定其他三項參數之設定值，變動其中一項參數設定的方法，以尋找較佳的參數組合。 (一)尋找NN1的隱藏層數目 (二)尋找NN1的學習速率 (三)尋找NN1的學習次數 (四)尋找NN1的最佳參數組合結果 (五)尋找NN2的隱藏層數目 (六)尋找NN2的學習速率 (七)尋找NN2的學習次數 (八)尋找NN2的最佳參數組合結果 (九)尋找NN3的隱藏層數目 (十)尋找NN3的學習速率 (十一)尋找NN3的學習次數 (十二) 尋找NN3的最佳參數組合結果 利用T檢定分析模擬結果 T值等於組平均數差值除以組平均數差值的標準誤差。 若T值越大，表示兩組間平均數越大，越能達到「顯著」水平。 T檢定分析為辨別母群體變異數是否相同的依據。 本研究分析之信心水準設為99%，若呈現的F值達到顯著(即0.01)，則需接受對立假設，若F值未達顯著(即0.01) ，則接受虛無假設。 虛無假設(Null Hypothesis) ，指兩母體群的變異數(非平均數)相等 對立假設(Alternative Hypothesis) ，指兩母體群的變異數(非平均數)不相等 結論 由實驗結果與類神經網路利用隨機取之製程參數，得到的結果可大幅節省生產機台重複實驗所花費的時間，所以倒傳遞類神經網路的高準確性與快速性為最佳工具。 半導體產業中所要求的不外乎以提升最終良率為目標。本研究建立一套學習模擬的系統，當產品品質發生異常時，由模擬系統中尋找製程站點產生變異，進而針對該段製程站點進行修正，改善，以節省反覆測試之時間的耗費。 參考文獻 * * 摘要 研究目的 網路建構 分析結果與效益評估 結論 參考文獻 固定學習數率及學習次數，經過實驗訓練誤差最小，及測試誤差最小，為隱藏層運算元數目為八個時。 過大的學習速率會造成震盪不易收斂，過小的學習速率則容易陷入局部最佳解。 學習次數不足會造成網路無法記憶所有的狀況而效果不佳 ; 學習次數過多則會造成訓練誤差很小，但是測試誤差會偏大，因此適當的學習次數有注於提升網路學習效果 (一)類神經網路對於平坦化製成的適用性 (二)製程整合與最佳參數的重要性