標題: 應用基因演算法及倒傳遞網路構建積體電路之良率預測模式
Constructing the Wafer Yield Prediction Model Using Genetic Algorithm and Back-Propagation Neural Network
作者: 林宗順
Jun-Shuw Lin
唐麗英
洪瑞雲
Lee-Ing Tong
Ruey-Yun Horng
工業工程與管理學系
關鍵字: 積體電路;良率預測模式;缺陷點;群聚現象;群聚指標;基因演算法;類神經網路;局部最佳解;Integrated circuit;yield model;defect;cluster;cluster index;Genetic Algorithm;Neural Network;local optimum
公開日期: 2006
摘要: 晶圓的良率(yield)是積體電路產業衡量其製程能力的一個重要指標,而良率的高低又與晶圓上之缺陷點(defects)數量的多寡成反比。隨著晶圓製程技術的進步,晶圓面積不斷地增大,製程愈來愈複雜,造成晶圓上的缺陷點出現群聚現象,因此晶圓良率的高低除了與晶圓上的缺陷點數有關外,也與缺陷點的群聚現象有關。由於晶圓上缺陷點的群聚現象使得以缺陷點數為依據的卜瓦松良率模式(Poisson yield model)預測良率不再準確。針對此問題,中外文獻提出了一些如負二項良率模式(Negative Binomial yield model),或用類神經網路(Neural Network)等方法來構建良率預測模式,但這些良率預測模式仍各有一些缺失。因此本研究之主要目的是結合基因演算法(Genetic Algorithm, GA)及類神經網路,並以缺陷點數、群聚指標(CIT)及卜瓦松良率值為依據,來構建一個新的晶圓良率預測模式。其中基因演算法是用來搜尋出較佳的類神經網路參數設定(例如隱藏層的處理單元數、動量係數、學習率),由於基因演算法是屬於一種全域搜尋的最佳化方法,因此可避免網路過早收斂而陷入局部最佳解(local optimum),因而能更進一步地提升類神經網路模型的預測精確度。本研究最後以模擬之晶圓資料以及新竹科學園區某積體電路公司所提供之實際晶圓資料來驗證本研究所發展的良率預測模式比現有中外文獻之良率模式有更準確的預測能力。
URI: http://140.113.39.130/cdrfb3/record/nctu/#GT009433547
http://hdl.handle.net/11536/81659
Appears in Collections:Thesis