在半導體廠的環境中,監控系統的發展,已經達到很完善的程度,機台設備的製程資料和品質特性蒐集已經具有相當完整歷史資料了。但由於人員流動率高和產品製程具有高變異特性,導致製程參數和產品品質之控制無法像過去一般,長期依賴工程師的直覺與經驗。本研究利用類神經網路優越的逼近能力、主成份分析法的參數壓縮特性和田口實驗計畫法的參數設計建立一套製程參數的分析方法應用於半導體中的氧化製程,本研究建立了四種模式,包含倒傳遞神經網路(Back-propagation Neural Network, BPNN)、主成份倒傳遞神經網路(Principal component Analysis BPNN, PCABPNN)、徑向基神經網路(Radial Basis Function Network, RBFN)和主成份徑向基神經網路(Principal Component Analysis RBFN, PCARBFN)。實驗的結果顯示出各模式在不同的績效準則皆有優劣,由於RBFN模式具有預測誤差小、訓練學習和回想速度快的優勢,因此符合半導體業界的需求,因此本研究建議使用RBFN模式做為製程最佳化之模式。
為了持續優化網站功能與使用者體驗,本網站將Cookies分析技術用於網站營運、分析和個人化服務之目的。
若您繼續瀏覽本網站,即表示您同意本網站使用Cookies。