半導體測試載具中以分子啟發式粒子群最佳化法進行製程參數設計之研究

Using Molecular-Inspired Particle Swarm Optimization to Solve the Design of Process Parameters in Semiconductor Test Vehicle

洪崇偉

指導教授 ： 洪一峯 ； 劉淑範

國立清華大學/工學院/工業工程與工程管理學系/碩士(2011年)

https://doi.org/10.6843/NTHU.2011.00163

摘要

在半導體產業進入奈米世代後，許多製程對積體電路佈局的敏感度越來越顯著，製程的變異比例也隨著線寬的縮小而提高，許多與電路佈局設計相關的問題已經無法用傳統的檢驗和管制來解決，必須追溯到研發階段之電路佈局設計來做改變與配合，以提升其製造的穩定。從研發設計階段投入不同的測試載具在一片晶圓上，經過設定之製程參數製造後，再將測試載具上每一個Test Structure進行晶圓允收測試(Wafer Acceptance Test；WAT)的參數收集，而研發工程師可藉由WAT電性測試資料，尋找製程空間(Process Window)，而所謂的製程空間就是製程能力，意指晶圓進行所有的製造流程能滿足其設計與製造規範。然而，目前在找出積體電路設計與製程參數最佳組合問題中，皆缺乏一套有效的方法協助研發設計工程師進行分析，需依靠其研發製程參數之個人經驗，因此，本研究提出以分子啟發式粒子群最佳化(Molecular-Inspired Particle Swarm Optimization, MI-PSO)演算法，將測試載具中每一個Test Structure所量測之WAT參數進行分析，找出符合設計規範與電路佈局下表現最佳的參數組合，以提供研發設計工程師有更多的資訊進行可能量產之可製造性的分析。

關鍵字

測試載具 ； 晶圓允收測試 ； 製程空間 ； 粒子群最佳化演算法

參考文獻

譚克平，2008，｢極端值判斷方法簡介｣，台東大學教育學報，第十九卷，第一期，131-150。

游淑敏，2008，｢以WAT參數資料建構半導體研發設計階段黃金晶方群聚分析｣，國立清華大學工業工程與工程管理研究所碩士論文。

魏連均，2006，｢應用類神經網路建構晶圓圖故障圖樣辨識模式｣，國立清華大學工業工程與工程管理研究所碩士論文。

Alpaydin, E., 2004. Introduction to machine learning. MIT Press.

Angeline, P. J. 1998. Evolutionary optimization versus particle swarm optimization: Philosophy and performance differences. Proceedings of the 7th International Conference on Evolutionary Programming VII, San Diego, CA.