类神经网路於半导体平坦化制程预测监控功能之研究

《类神经网路於半导体平坦化制程预测监控功能之研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、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:李佶峰游哲軒摘要研究目的網路建構分析結果與效益評估結論參考文獻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

2、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

3、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

4、八個時。(二)尋找NN1的學習速率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。(三)尋找NN1的學習次數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(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

5、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(NullHypothesis)，指兩母體群的變異數(非平均數)相等對立假設(AlternativeHypothesis)，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

6、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。(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參考文獻fViZm$p(t+x~A;E1I5L9PcTgWj#n%r)u@yC:F3J6NaQeUhYl!p*s+w`z.D0H4K8ObSfVjZm%q(u=x~B;E2I5M9PdTgX

7、k#o&r)v@y>C:G3J7NaReUiYl!p*s+w`A.D1H4L8OcSfVjZm%q(u=xC0G3K7NaReUiYl$p*t+w~A.E1H4L8OcSfWjZn%q)u=yC0G3K7NbReViYm$p(t+w~A.E1H5L8PcSgWj#n%q)u=yD0G4K7ObRfViYm$p(t+x~A;E1I5L9Pc