Abstract
良率提升(Yield Enhancement)是現今各半導體廠之最終目的，由於任何良率的損失都會造成成本的提升，因此各半導體廠都會針對生產過程進行嚴格之監控，並藉由各種分析手法來達到此目的，但是目前所使用的良率提升技術都缺乏整合性與效率性，一般而言，當晶圓良率損失時，良率工程師會利用所收集之大量工程資料(Engineering Data)來進行分析，這些工程資料包括缺陷資料、晶圓圖樣資料、製程機台參數、WAT參數等，然而目前工程資料分析方式必須仰賴有經驗之良率工程師，使得尋找製程問題之效率有限，且花費太多的時間。因此，本研究提出以工程資料為基礎之晶圓良率模式分析架構，首先，以晶圓製程與測試之相關工程資料作為分析並萃取其良率特徵值，再運用本研究所提之修正式模糊分群演算法(Modified-Fuzzy C Means, M-FCM)所建立的分群品質指標值（CQI），將所有晶圓良率之特徵向量中求得最佳分群品質解，最後，利用倒傳遞類神經網路（BP）將晶圓良率分群結果進行網路診斷學習，往後良率工程師只需透過網路診斷學習結果，將該晶圓之良率特徵值進行診斷分析，且本研究以某半導體廠實際有限之資料進行驗證後發現，將晶圓良率特徵值萃取經過量化與正規化後，使得良率工程師當有晶圓良率問題發生時，能利用萃取出的良率特徵值，直接利用晶圓良率診斷分析的學習結果，判別晶圓良率的問題，以縮短所花費的時間並降低人為經驗判斷的錯誤，提升其分析時間的效率。