Translated Titles

Causing factor analysis of low-yield wafer using CART decision tree and data visualization



Key Words

良率分析 ; IC製造 ; CART決策樹 ; 資料探勘 ; 資料視覺 ; yield analysis ; IC manufacturing ; CART decision tree ; data mining ; data visualization



Volume or Term/Year and Month of Publication


Academic Degree Category




Content Language


Chinese Abstract

由於半導體晶圓良率高低影響產品的成本以及競爭力,因此良率的改善成為各家廠商競爭的重要課題之一。在半導體製造過程中,都會蒐集晶圓通過機台時自動紀錄的參數資料來進行產品的監控或是製程分析,從這些資料中,工程師往往根據經驗選擇可能影響低良率的因子,利用實驗設計方法及實驗批來驗證,但是在半導體製程往往包含了數百個,甚至上千個互相影響的製程參數,要從中選擇出影響良率的因子非常困難,因此本研究應用決策樹演算法來輔助工程師找出影響製程變異的因子。半導體製程資料種類很多,其中晶圓批量製程管制(Lot in-process control, LPC)資料為晶圓在製程中經過每一道製程加工後記錄量測的資料,可以用來直接找出製程中造成低良率的成因,本研究使用具有處理大量連續型資料屬性之CART(classification and regression tree)決策樹演算法來分析LPC資料,除了Gini 指標外,我們也設計了兩種新的指標做為決策樹選擇分割條件的依據,利用此三種指標導出之LPC資料的決策樹,提供了製程工程師在一些參數條件組合下所產生的晶圓良率,可輔助製程工程師選擇影響製程良率的因子。

English Abstract

Everyday, there are many production data in the corporation. It is difficult that get any information by analyzing production data rapidly in the situation, which fill up question, variable and competition everywhere. The people who manages the production can’t read and analysis the data which is large amount and variable immediately. Yield analysis is critical for IC manufacturing since yield is directly related to production cast and competitively in the market. To monitor the manufacturing process and product quality, manufacturing data are automatically collected during wafer fabrication. Engineers use these data to select possible causing factors of low-yield wafer and employ statistical techniques (e.g. design of experiment) to verity the hypothesis. This approach, however, is difficult due to the large amount of parameters (from hundreds to thousands) and the complicated interactions among them. This research employs CART decision tree to help engineers select the possible causing factors if low-yield wafers. The input data is the lot in-process control (LPC) data, which are recorded by metrology machine during wafer fabrication. In addition to the Gini index, two indexes are developed for tree node splitting. Decision trees generated using these tree node splitting criteria provides engineers useful rules to analysis the causing factors of low-yield wafers.

Topic Category 工程學院 > 工業工程與管理學系
工程學 > 工程學總論
社會科學 > 管理學
  1. Brada, D., and A. Shmilovici, “Data mining for improving a cleaning process in the semiconductor industry,” IEEE Transactions on Semiconductor Manufacturing, Vol. 15, No. 1, pp. 91-101, 2002.
  2. Cunningham, S. P., C. J. Spanos, and K. Voros, “Semiconductor yield improvement : Results and best practices ,” IEEE Transactions Semiconductor Manufacturing, Vol. 8, pp. 103-109, 1995.
  3. Inselberg, A., and B. Dimsdale, “Parallel coordinates: A tool for visualizing multi-dimensional geometry,” Proc. Visualization’90, San Francisco, CA, pp. 361-370, 1990.
  4. Jaynes, E. T., Probability theory — the logic of science, Physics, St. Louis, 1994.
  5. Keim, D. A., H. P. Kriegel, and M. Ankerst, “Recursive Pattern: A Technique for Visualizing Very Large Amounts of Data,” Proc. Visualization’95, Atlanta, GA, pp. 279-286, 1995.
  6. Keim, D. A., and H. P. Kriegel, “Visualization Techniques for Mining Large Database: A Comparison,” IEEE Transactions on Knowledge and Data Engineering, Vol. 8, No. 6, pp. 923-938, 1996.
  7. Levkowitz, H., “Color Icons: Merging color and texture perception for integrated visualization of multiple parameters,” In Visualization’91, San Diego, CA, pp. 22-25, 1991.
  8. Pickett, R. M., and G. G. Grinstein, “Iconographic Displays for Visualizing Multidimensional Data,” Proc. IEEE Conf. On Systems, Man and Cybernetics, IEEE Press, Piscataway, NJ, pp. 514-519, 1998.
  9. Quinlan, R., C4.5:Programs for machine learning, Morgan Kaufmann, San Francisco, 1993.
  10. 劉亭宜,「GRNN在晶圓製造裡良率模式之建構與分析」,元智大學工業工程與管理學系碩士論文,1999。
  11. Breiman, L., J. H. Friedman, R. A. Olshen, and C. J. Stone, Classification and Regression Trees. Wadsworth, Belmont, CA, 1984.
  12. Fayyad, U., G. G. Grinstein, and A. Wierse, Information visualization in data mining and knowledge discovery, Morgan Kaufmann, San Francisco, 2001.
  13. Hastie, T., J. Friedman, and R. Tibshirani, The elements of statistical learning, Springer-Verlag, New York, 2001.
  14. Han, J., and M. Kamber, Data Mining:Concepts and Techniques, Morgan Kaufmann, San Francisco, 2000.
  15. Kusiak, A., and C. Kurasek, “Data mining of printed-circuit board defects,” IEEE Transactions on Robotics and Automation, Vol. 17, No. 2, pp. 191-196, 2001
  16. LeBlanc, J., M. O. Ward, and N. Wittles, “Exploring N-dimensional Databases,” Proc. Visualization’90, San Francisco, CA, pp. 230-239, 1990.
  17. Salford-system, http://www.salford-systems.com/, 2000.
  18. 林鼎浩,「建構半導體製程資料挖礦架及其實證研究」,國立清華大學工業工程與工程管理學系碩士論文,2000。
  19. 林景堂,「晶圓圖像辨識」,國立台灣大學資訊工程學系碩士論文,1998。
  20. 黃美瑄,「WMG:經由多方塊分解之晶圓圖產生器」,中華大學電機工程學系碩士論文,2000。
  21. 洪紹鯤,「半導體製程之資料探勘」,國立台灣科技大學電機工程系碩士論文,1999。
Times Cited
  1. 許文寶(2008)。應用 CART 決策樹探討資訊商品通路之市場區隔。淡江大學企業管理學系碩士在職專班學位論文。2008。1-61。 
  2. 黃鑠彭(2007)。利用決策樹分析子宮內膜異位病患施行超音波導引穿刺術乙醇硬化治療。淡江大學資訊工程學系碩士在職專班學位論文。2007。1-77。 
  3. 曾韋霖(2004)。印刷電路板工作站內製程品質資料挖掘及建構異常診斷系統。元智大學工業工程與管理學系學位論文。2004。1-91。
  4. 賴瑋諭(2007)。應用人工智慧於醫療資源之輔助規劃研究-以人工全膝關節置換術為例。虎尾科技大學工業工程與管理研究所學位論文。2007。1-124。
  5. 陳嘉宏(2007)。運用資料探勘探討晶圓廠在製品數量與控管方法。清華大學工業工程與工程管理學系學位論文。2007。1-77。
  6. 張家銘(2007)。以CART決策樹方法建構晶圓良率值與晶圓允收參數間之關聯性模式。清華大學工業工程與工程管理學系學位論文。2007。1-64。
  7. 沈偉立(2007)。結合廻歸決策樹與類神經網路 於時間序列資料之預測。大同大學資訊經營學系所學位論文。2007。1-73。
  8. 沈偉立(2007)。結合廻歸決策樹與類神經網路於時間序列資料之預測。大同大學資訊經營學系所學位論文。2007。1-73。
  9. 陳婉君(2008)。金融業作業風險模型之建構-以台灣某銀行之支票存款交易為例。臺北科技大學商業自動化與管理研究所學位論文。2008。1-55。
  10. 簡名芝(2010)。運用CART建構競合策略決策支援模式-以LED產業為例。中原大學企業管理研究所學位論文。2010。1-62。
  11. 林珍猷(2010)。錫膏印刷品質缺陷之探勘。樹德科技大學經營管理研究所學位論文。2010。1-74。
  12. 許素娜(2011)。零售業潛在顧客篩選模式之建構。臺北科技大學商業自動化與管理研究所學位論文。2011。1-89。