先進製程控制技術(APC)導論

先進製程控制技術(APC)導論

曹永誠

[刊登於電機月刊第174期 (2005年6月)]

1、前言

以一座八吋晶圓廠來說，投資額約在200億~300億，而12吋晶圓廠，投資額更需要500億以上。面對如此龐大的投資額，FAB廠的命脈之所在，就在於產能與良率二者。粗估一片12吋DRAM晶圓約US$5000，月產3萬片，營業額推估為NT$4,800,000,000，如果良率能提升1%，則至少可以獲利NT$48,000,000，這將是多麼龐大的數字。因此各個FAB廠無不竭盡心力提高產能與良率，而先進製程控制APC（Advance Process Control）或EES（Equipment Engineering System）就是解決的方案之一。



基本上APC算是某類系統的總稱，是由SEMI所定義與推廣的技術，通常包括下列項目：R2R（批次控制；Run-to-run control）、FDC（故障偵測與分類；Fault Detection and Classification）、OEE（Overall Equipment Efficiency）、e-Diagnostic等等項目[1]（圖一）。不過確切的範圍則很難界定，一方面是因為APC的技術尚在不停開發中；另一方面SEMI針對APC的新標準也陸續制訂出版。因此每個FAB廠對於APC的說法就有些差異，例如將FDC歸類為AEC而不是APC。此外，APC中的子系統規格對於各個FAB廠差異也很大。例如以負責即時監控機台健康狀況的FDC來說，從最簡單的，將機台製程時的參數透過標準通訊協定SECS/HSMS讀入，然後分別檢查其穩態數值是否在所設定的上下限之內；或是進一步使用SPC（統計製程管制；Statistics Process Control）監控；或是考慮參數間的交互作用等非線性狀況所採用的MSPC（多變量統計製程管制；Multivariable Statistics Process Control）；一直到透過各種數學模型或是類神經網路等進行精密的監控等等。有人認為這些都算是APC中的FDC，但是卻也有人會另立名稱來稱呼之。另外某些項目是否歸屬於APC，大家的爭議也很多。例如透過APC資料來推估PM（預防保養；Preventative Maintenance）時程，而非透過設備商標準時數直接排定日期的PdM（Predictive Maintenance）系統。因此在本文中筆者是採用最廣義的觀點來定義APC：凡是基於製程機台設備所收集的製程時序性資料，再參考其他來源資料（例如排程、量測機台量測值、Yield、WAT等），並以提升良率或產能為目的所設計的系統都視為APC系統。

以此觀點，我們可以簡單的描述一下APC的基本概念：一個12吋晶圓廠，每一片Wafer通常需要經過300~400道製程，每一至數道製程之後，就會有量測機台（Metrology）量測該製程的主要品質指標。最後會產生WAT（晶圓允收測試；Wafer Acceptance Test）、CP Yield等等資料。因此如果我們單就一組製程來看，這道製程必定有一個機台設備執行，有一個輸入的工件（Wafer），透過一組設定的配方（Recipe）在一個機台設備中執行，其間尚有一些不可控的因子（factor），最後製程結束，Wafer取出。在這個系統中，輸入的Wafer一定有變異存在，這些可控/不可控的因子也會有雜訊與變異，因而產出的Wafer的各種指標相對會有變異。而提高良率的方法不外乎縮小產出Wafer的變異，以及管控製程中每個參數的變異二者。即使在製程Recipe設計之初，已經透過DOE或田口品質工程等技術，提高了Recipe的強健性（Robust），但是當Wafer進入12吋而線寬進入90奈米以下時，更好的參數監控能力與更佳Wafer變異縮小技術，就會變的更加重要。因此APC大致可分為三大類：管控機台與製程的「健康」、縮小Wafer產出的變異以及全廠前後製程連貫的良率提升。（圖二）

圖一、Factory Diagram（資料來源：SEMATECH & JEITA/Selete）[1]

圖二、APC概念圖 

2、APC的基礎-資料收集

·             Data collection（資料收集） n   製程期間機台設備的時序資料 u   By SECS/HSMS l   直接與機台設備連線 l   透過EAP資料收集 l   透過Pass-through機制收集資料 u   By Extra Sensor l   A/D（0~10V DC、4~20mA、0~5V DC） l   特殊介面（RS-232C、TCP/IP） n   Lot/Wafer生管資料 u   Lot ID、Wafer ID、Slot ID、Recipe、Layer n   製程後的量測資料 u   Metrology u   Defect u   WAT u   CP Yield ·             Data pre-process（資料預先處理） n   For Process Data u   Data Cleaning u   Data Integration u   Data Transformation u   Data Reduction n   For Process Event u  Virtual Step

2.1、機台設備運作時，即時收集的時序型物理量數值資料

APC系統的基礎在於資料的收集，大致上分為三大類：機台製程在進行製程動作期間以時間序列形式所擷取的物理量數值、Lot/Wafer的生管資料以及製程完成之後的量測資料。一般來說，前者是得額外建置APC Data collection unit（DCU）主動收集的資料，後二者大部分的FAB廠都已經將資料收集並存放於MES（製造執行系統；Manufacturing Execution System），只需要連接參照即可。目前業界常用的架構如圖三所示。以12吋機台為例，設備多半已經提供SEMI所定義的標準通訊介面：SECS/HSMS[2]，透過SECS/HSMS介面APC DCU可以直接與機台設備連線，透過類似Trace/report或SVID方式收集資料。

雖然SEMI新標準（E120、E125、E134、E132）要求機台提供3組介面給不同的系統使用，但是目前符合標準的機台還是少數，多數機台還是只提供一組介面對外，而這個介面大多會被MES的EAP（Equipment Adapter；負責連接MES與機台，進行生產管理作業流程）所佔用。面對這種情況可以採用二種方案解決：其一由EAP兼做資料收集，也就是EAP除了連結MES與機台負責進貨、下貨與配方下載等之外，尚且負責於製程進行中資料收集，然後上傳回APC系統；其二則透過Pass-through機制，在EAP與機台連線中間插入具有Pass-through機制的DCU。Pass-through機制在EAP與機台交談交換命令與資料時，自動透通化讓二者不知情的連線，趁機收集相關生管資料，並且趁通訊頻道空閒時，抽空插入詢問機台收集製程資料。這種方式可以在不影響FAB廠運作的情況之下建置與部署DCU，因此在八吋廠廣為使用。不過由於MES/EAP是FAB廠生產的基礎，任何影響機台停機的事故都是很嚴重的事情，因此Pass-through機制應該有足夠的強健性並具備保護機制，保護MES與EAP的連線不受DCU軟/硬體故障的影響。[4] [5]

DCU所能收集的機台製程資料品質（Data Quality）越高，越有助於後續的分析與監控，但是過多的資料也會造成系統的負擔過重。而且機台設備廠在機台設計時的考量多半集中在製程執行能力上，對於資料收集功能方面，優先權往往比較低。因此透過SECS/HSMS所收集的資料，資料品質上常會有些問題。例如Sample rate不夠準，造成暫態分析時的困難；或是資料已經被預先處理過（例如四捨五入、平均值化），造成監控與分析的問題。所以得慎選所需的SVID與所需的Sample rate，必要時與設備製造商洽談協助事宜。目前現況大多數是一個Chamber以20~40 SVID於0.1~10Hz規格進行資料收集。

有些時候機台無法提供所需的資料或是資料品質不敷所需，這時候就得安裝額外的感測器（Sensor）收集製程資料，並且在進入APC儲存之前，與SECS/HSMS所收集的製程/生管資料合併與對齊（Align）。不過由於Sensor多半很昂貴而且缺乏標準介面，因此最好確認是否真有需要再進行安裝與連線。

圖三、Data collection架構圖

2.2、Lot/Wafer生管資料與量測資料

要發揮APC的功能，不管是分析、監控、診斷或決策支援系統，除了應用DCU所收集的製程資料之外，還得參照（Reference）來自其他系統（例如：MES、PMS、RMS、EDA）的Lot/Wafer相關資料。例如生管資料：Lot ID、Wafer ID、Slot ID、Recipe與Layer等等資料；機台維運資料例如PM紀錄；製程後的量測資料、Defect、WAT、CP Yield等等。單靠DCU所收集的機台製程資料，大概只能做簡單的上下限與SPC監控，唯有整合更多的資料，分析比對找尋規則，或是建立機台/製程模型，才能提高APC的效益。

2.3、Data pre-process for process data

資料的品質對於後續分析與監控的效率與成果具有決定性的影響。最佳的資料要以晶圓為單位，具備所有必要的生管資料（例如：Recipe、Lot ID）；而製程資料要具備準確的取樣頻率與低雜訊數值，各來源依照時間點合併與對齊，然後事先按照製程順序切割與分類完成。因此在資料擷取之後，進行工程資料分析之前，我們常會對資料進行資料預先處理。資料預先處理包括幾個項目：[11]

(1).資料清理（Data Cleaning）：主要用於去除明顯的量測錯誤，以避免干擾分析結果。例如以工程師的設備/製程專業知識，透過設定上下限（LCL/UCL）管控製程資料雜訊。又例如對於Missing Data的管控，可以針對Trace data的Process Start/End資料進行偵測，確保資料開頭與結尾都有收到，然後比對每一筆資料，確認都有正確的Sampling Time。

(2). 資料整合（Data Integration）：將數個來源的資料合併（combine）與對齊（align）。例如從不同資料庫資料整合，或是將來自多個SECS/HSMS通訊的資料整合，或是將機台通訊擷取的資料與外加感測器量測的資料整合。又例如如果機台內有安裝End-Point sensor時，會讓每片Wafer的Process Step Time時間長短不同，造成分析上的問題或是使用者察看Trend chart的困擾，因此得針對Step Event進行對齊後插入Dummy data，降低分析時的困難度。另外，目前也常將數種資料結合，再依據某種演算法（例如將Set Point與Value相減然後積分）產生虛擬參數（VSV；Virtual System Value），然後使用這組VSV來進行監控、分析或是控制。

(3). 資料轉換（Data Transformation）：主要在於資料尺度轉換。例如感測器讀入的A/D電位值，必須經過轉換為真實物理量數值，分析上才有意義，或是將某些特性物理量Log化以後分析之。

(4). 資料化約（Data Reduction）：用來得到資料集合的化約表達，數量上可以大幅縮減，但是仍然保有接近原資料的完整性，而且對於分析結果不會有太大的影響。

2.4、Data pre-process for process event

從機台與感測器所擷取的資料，絕大多數都是時間序列資料（Time series data）。如果我們把機台當成一組封閉系統來看的話，這個封閉系統有很多的可控因子（control factor）輸入，例如真空、溫度、化學品；也有不少的不可控因子，例如雜訊、微粒；以及在整個製程中我們可以擷取到一些製程參數的物理量數值。原則上分析的成效與難度，跟輸入因子的數量直接相關，而且由於非線性特性，因子數量過多也有可能會讓分析難度過高無法進行。因此如果我們直接採用整個製程時的全部資料一起分析的話，因為參與的因子數量過多，分析上難度會比較高而成果也不一定會好。如果我們能善用機台運作的特性，將資料分段（step）與標注，對於後續分析與診斷效率會比較好。簡單的說，機台設備的運作並非同時輸入全部的因子，大部份的機台都是以順序控制的方式，一個步驟一個步驟的實施製程。也就是說，機台設備在製程時間中是被切割成數個步驟，在每一個步驟中並不是每個因子都有狀態改變，大多數的因子都以定值（例如同樣壓力、同樣溫度）或是關閉的狀態（例如DIW OFF、N2 OFF）參與進行；而在該步驟中有改變狀態的因子數量很少（例如NH4由OFF變成ON，或是溫度由25度升高到120度）。因此如果我們為每一步驟資料分段（step）並且加入標注（step name），或是切割成獨立的一段資料，在後續的分析上必然有所幫助。當然目前較先進的機台設備在資料擷取時已經具備step參數功能，只是不是所有的機台都具備這項功能，而且有些功能具備但是切割太粗。因此在資料預先處理階段，可以透過設備工程師在專業上的經驗與知識，以及製程工程師在製程與Recipe的技術，想辦法由參數彼此間的特性切割step與標注。例如可以依照專業知識，分析製程與Recipe，輸入某些判斷式，例如「When T > 100 then Virtual Step = Proc1」，系統就會去判斷T參數，當T參數大於100時，自動將虛擬的分段（Virtual Step）數值設定為Proc1，讓後續的分析可以依據Virtual Step分析與監控。[6]

3、FDC- Fault Detection and Classification

·             Basic FDC n   Specification u   UCL/LCL（Upper Control Limit / Lower Control Limit） u   Logic Condition n   SPC u   SPC（Statistics Process Control） l   X bar-R l   Cusum l   EWMA u   MSPC（Multivariable Statistics Process Control） l   T2 l   PCA ·             Model base FDC n   Dynamic Boundary n   Time-Series Model（時序資料模型） n   Equipment / Process Model（設備/製程模型） ·             Advance FDC n   Virtual Equipment / Metrology n   PdM（Predictive maintenance） n   Yield /WAT correlation

FDC（Fault Detection and Classification）即時監控機台的狀況，早期偵測與分類故障，以降低因為異常所造成的損失。故障是難以完全防止而且無孔不入的，要想使用一種法則就能補抓到所有的故障，那是很困難的事情，因此FDC最佳的策略是採用「分層式診斷」，透過一層層的故障偵測法則，如同天羅地網般將機台設備可能發生的故障診斷與分類。FDC最基本的故障偵測法則為設備製程參數資料Specification檢查，確認製程參數都在設定的上下限範圍內。接著可以採用SPC、MSPC，針對分佈合乎自然分佈的參數，利用統計手法進行監控，如圖四所示。進階法則為時序資料模型 Time-Series Model，以設定的演算法（例如：mean、max、min、slope、integral、Cpk）檢測製程中的某個特定時間片段；接下來我們可以將製程設備與量測機台資料整合為機台建模（modeling），用以分析診斷設備；最終防線為結合製程設備、量測機台、WAT（Wafer Acceptance Test；晶圓允收測試）以資料挖礦（DM；Data Mining）等方法找出診斷法則，然後設計與導入演算法即時診斷。

FDC的另一個特點是「分析-監控循環式改善」（圖五）。也就是說不可能在一開始開發FDC法則，就能夠找到所有的故障診斷法則，而是透過離線分析原始資料與比對低良率資料，或是壞片發生時交叉比對，然後找尋與設計新的診斷法則，並且使用歷史數據模擬測試。當新的診斷法則被驗證與確認值得使用之後，將法則設定好新增到FDC系統中，讓FDC 系統運用法則進行即時監控與診斷。因此隨著工程師持續性投入分析與因應壞片的特徵法則挖掘，分析成果也會逐步被放入監控中，持續性的提升監控能力與正確性；而假警報與漏網之魚也會被工程師逐一發覺並新增法則監控。如此持續不斷的循環改善，系統必然日漸完善。[7]

3.1、Basic FDC

FDC最基本的故障偵測法則為設備製程參數資料Specification檢查，確認製程參數都在設定的上下限範圍內，雖然機台設備對於重要的參數都會有閉迴路控制或是上下限範圍的檢查，但是並非所有的參數都有提供，因此FDC透過資料收集取得的即時性資料，可以進行大規模的上下限檢查。Specification法則主要以檢查UCL/LCL（Upper Control Limit / Lower Control Limit）為主，可以針對單一參數檢查，也可以透過邏輯運算元AND/OR/NOT等來串接數個參數的上下限，以提供更完善的機制來補抓問題。例如溫度大於120度而且壓力小於1.5Pa則Error。

另一種FDC常用的監控法則是SPC（統計製程管制；Statistics Process Control）。SPC分為單變量SPC與多變量MSPC。單變量目前常用的法則為X bar-R、X bar-S、Cusum、EWMA；而多變量目前應用不廣，常用的手法有T2與PCA，或是依據單變量所衍生的MCUSUM、MEWMA等等[10]。不過因為APC的資料多半來自SECS/HSMS，而這些資料雖然源自機台感測器，但是多半有經過修飾或是四捨五入，因此導入時會有困難點。

3.2、Model base FDC

針對DCU所收集的資料，透過數學等手法，我們可以對資料/機台/製程建立Model，然後透過Model診斷。因為Specification與SPC大多只針對穩態資料進行監控，對於暫態的部分，往往捨去不用。但是有些異常就是針對暫態的部分才能偵測與監控，此時可以使用Model base FDC進行。Model base的種類很多種，以下簡述幾種常用的方法：

(1). Dynamic Boundary：收集某個數量（例如50批）的高良率Wafer的製程資料，Overlay疊圖進行計算，找出時間序列中每一個時間點的範圍（例如每一時間點的平均值與三倍標準差），然後將每個時間點的範圍串連成時間序列區間，最後利用這塊區間即時管控製程。由於區間可以是曲線，所以可以監控暫態與穩態資料，而且每種製程都可以製作一組，分別管控不同的製程。這種方法簡單而直覺，應用範圍很廣很常使用。但是對於製程資料的時間軸偏移（Time shift）容錯度低，因此如果Data pre-process中資料對齊品質不佳就很容易造成誤判。另外這法則大多只能應用於單變量進行監控，無法管控多個參數的交互作用。

(2). Time-Series Model（TSM；時序資料模型）：將正常製程的時間序列資料的特定特徵，或是壞片/低良率的特定特徵，用邏輯運算式建立診斷法則，用來監控製程是否有異常的方法。例如參數A的上升斜率S對於良率很重要，則可以設定Pre-process Virtual Step：[When A > 100 then Virtual Step = UP_End]，然後設定

Start: Step = Process_Start
End：Virtual Step = UP_End
Check：Slop(A) between 5 and 20
Alarm：email

這種方法可以應用於多變量與暫態的監控，提高更精確的時間序列資料監控。不過由於TSM並不容易建立，因為如果單從正常片找到的TSM Pattern，往往容易誤判；唯有透過觀察壞片的製程資料，比對好壞片的Trend Chart，才能取得較佳的TSM法則。因此這些TSM法則很難事先建立，往往得付出生產損失之後才作亡羊補牢之事。而且過程繁瑣容易誤判，製作上並不容易，算是公司寶貴的資產。

(3). Equipment / Process Model（設備/製程模型）：應用數學模型或是Neural Network等演算法替機台、製程建立Model。不管是透過黑箱I/O或是白箱分析機構、運作等，找出機台系統數學函式，以監測機台與製程是否有異常。這種方式理論上效果最佳而誤判率最低，但是困難度高而且並非所有的機台都有機會可以成功的建立，大約只會用在最關鍵的機台或製程。

3.3、Advance FDC

FDC主要以分析與監控時間序列製程參數為主，但是如果可以整合其他系統例如MES、EDA、WAT、CP Yield等，就有機會可以設計更強大的機制，對FAB廠的產能與良率有更高的貢獻。例如Virtual Equipment / Metrology：整合製程之後的量測機台，為機台的量測輸出建立Model，如此就可以在製程之後立刻預估未來的量測值，然後進行Wafer level的製程診斷或R2R補償。如此可以達到Wafer level監控與控制，並且降低因為量測延遲的相位誤差以提高精度，甚至於因而可以適度的減少量測機台或抽樣數量。當然Model的係數在Lot/Wafer的實際量測值回饋之後，也可以動態重新計算修正誤差。

又例如PdM（Predictive maintenance）：PM（預防保養；Preventative Maintenance）時程的規劃目前都是依照規定直接排定日期。如果我們能找出機台運作時與時間相關的參數（Parameter），也就是這個參數會隨時間定向飄移，在PM之後又會恢復或重置。我們就可以透過監控這個參數來預估PM的最佳時間。PdM可以提供更精準的PM排定，降低機台每年所需的PM數目，以降低PM成本並提高產能；同時避免因為PM時間延後所造成的良率問題。如果進一步我們能將PM與良率關連建立Mode，提供給排程系統參考。讓排程系統藉此推估延後PM所能提高的產能效益，以及預估延後PM所造成的良率成本，就可以設計出最佳排程，平衡二者取得最佳方案。

再例如Yield /WAT correlation：建立製程時序資料的Parameter與Yield rate之間的關連，可以提供低良率問題的找尋基礎，或是確認參數對良率的敏感度，提供給FDC 法則設計參考。

圖四、Specification/SPC FDC

圖五、「分析-監控循環式改善」示意圖

4、R2R：Run-to-run control

·             Type n   Feedback run-to-run control n   Feed forward run-to-run control n   Feed forward / Feedback run-to-run control ·             Problem n   物料差異影響的混雜 n   量測機台的雜訊 n   量測機台的變異 n   抽樣策略 n   量測延遲且延遲時間不定 n   插貨與手動Run貨 n   混Run不同Recipe或不同材料 ·             Algorithm n   Data pre-process for Metrology n   Controller u   EWMA / d-EWMA u   PID u   Adaptive control n   Model u   Time-Series Model for delay effect u   Equipment Model for mix effect

Run-to-run control（R2R）的基本概念是透過Wafer於前製程的量測值或是製程後的量測值，微調該製程的Recipe的某個或某幾個參數設定值[3]。如圖六所示，R2R大致上分為三大類：Feedback（回饋）、Feed forward（前饋）、Feedback/Feed forward（前回饋）控制。所謂Feedback control是透過比對Metrology量測值與目標值的差異，透過某種演算法計算之後，回頭修改或補償下一批或下下一批Lot/Wafer的Recipe參數設定值。最常用來補償機台因為時間漸漸飄移的問題，例如CMP的PAD會隨著時間慢慢磨損，透過回饋演算法可以補償這種飄移的效應，如圖七所示。所謂Feed forward control，主要為了補償前製程的變異，透過前製程的量測值，經由Model換算成Recipe的設定值，即時修正這批Lot/Wafer的Recipe參數設定值，以補償前製程變異所造成的影響。例如CVD的厚度差異得用來修改後面CMP的研磨時間。

雖然R2R在學理上很容易推演，而Sampling rate也很低，但是實際設計上難度卻很高。一方面由於R2R所要控制的是機台在製程中的變異，但是每一次的回饋訊息卻得透過物料（例如Wafer）製程結果，而這製程後的結果是混雜了物料原本的差異性與製程的差異性二者；另一方面因為實際的FAB生產現場，為了要提高產能與機台利用率，造成很多Run-to-run實施上的困難。例如機台輪流執行不同製程所造成的交互影響，面對不同的製程中不同的材質，機台的變動參數飄移曲線會更加非線性。例如量測機台之間的微量差異，量測時的雜訊與抽樣策略的影響。另外還有Wafer由Process Tool到Metrology的時間差所造成的相位問題，而且延遲時間不確定。以及插貨或是手動Run貨，甚至於還有PM所造成的影響等等。

R2R控制法則（Algorithm）的設計包括量測資料的Data pre-process、Controller設計與Model的建立。為因應量測機台的差異與雜訊，量測值在進行運算前要先Pre-process以提高資料品質，例如使用數位低通濾波器以降低雜訊；遺失值補值；或是抽樣量測所進行的內差估測。早期多半採用很基本的方式，但為了因應製程需求，更複雜的演算法已漸漸被開發出來。而Controller目前最常用的為PID、EWMA與double EWMA[8]，但是隨著晶圓尺寸增大而線寬縮小，更高階的控制法則也漸漸的被開發與導入，例如Adaptive control。進一步還將Model技術整合進Controller以提升效能，例如時間延遲則採用時間序列模型來預估；或是透過即時的資料動態計算Model的數學方程式係數，然後立刻計算修正值以補償；或是使用類神經網路等方法作為演算法進行運算；甚至於透過機台Model，分析與預估混料的補償參數。而且以往R2R control主要以Litho黃光與CMP製程為主，由於12吋或90奈米的來到，目前各個製程都研發R2R，期盼能進一步提升良率。

圖六、R2R控制方塊圖

圖七、CMP機構示意圖、隨時間變化趨勢與控制器設計範例

5、User Interface

·             Basic user interface ·             Trend chart ·             Raw data table ·             Alarm statistics ·             System maintain ·             Tools implement ·             Analysis tools ·             Report service

人機介面的需求很多，主要分為三大部分：Base UI、Analysis tools與Report service。所謂的Base UI就是基礎的人機介面工具，提供系統維護運轉、導入工具與基本的查詢圖表分析，例如Historical trend chart、Raw data查詢與擷取、Alarm統計分析等。系統管理者透過這些工具導入系統，機台連線設定，或是診斷系統運作狀況。而使用者也可以藉著這些畫面查閱機台設備的運作狀況，比對相同Recipe中數個Lot/Wafer的時間序列資料（Overlay view），或是透過Summary每批Lot/Wafer的資料，依照長時間觀察是否有飄移現象等等。因為這類工具使用者很多，而且使用時機很多，而人機互動模式與需求簡單，因此常採用Web UI方式，提供簡便、免安裝、免設定的人機介面。Report service則是提供低維運成本的自動化機制監控，提供使用者依照需求設定排程與診斷法則，於預定的時間自動查詢製程資料，然後依照設定的診斷法則，進行運算後產出報表，以email等方式自動發送給預設人員。

Analysis Tools主要提供使用者良率問題的改良研究，或是其他需要長時間研究的製程資料，從中找尋關連規則或是診斷法則的分析工具。因此查詢筆數多而且分析的模式複雜，需要高度互動性的需求與更具彈性的介面，因此常採用Windows Form設計，讓工程師把分析軟體安裝在自己的電腦中進行分析，並且在分析與法則設計完成之後，將法則上傳到FDC，並保存過程與成果在工程KM系統中。簡單的說，Analysis Tools應該整合Query/Trend Chart、統計圖表、手動式分析、自動診斷、電腦輔助法則設計、歷史資料模擬測試、法則上傳與KM等功能，甚至於整合製程設備、量測機台、WAT、Yield rate或是其他相關資料，用來設計各種法則半自動/全自動分析、設計與測試功能，甚至於負責建模（Model）與資料挖礦法則的建立。

 

6、Other Application

·             OEE（Overall Equipment Efficiency） ·             e-Diagnostic ·             mix-and-match n   Equipment grouping n   前後製程配對 ·             Integrate EDA n   WAT Data Mining n   CP Yield Data Mining

此外尚有很多的系統可以應用APC所收集的Raw data，提供FAB廠作效能提升的參考。例如透過分析Raw data，進行機台Overall Equipment Efficiency分析，找出瓶頸與效能改善方案。例如mix-and-match分析手法，對於同類機台進行分群，建立每一個機台與其他機台的相似程度評分表，或是機台的替代機台順序表，如此不但可以提供機台故障時的替代方案，更可以進一步結合排程系統，優化排程演算法以兼顧產能與良率[9]。或是透過分析前後機台的配對程度，藉以避開某些前後製程特別無法配對的特殊狀況，降低Wafer踩到「地雷」造成不明壞片的狀況。另外結合EDA進行Data Mining分析，透過WAT或是CP Yield找到良率瓶頸點，並且結合APC製程資料分析進行Yield/WAT correlation。以期能進一步縮小問題可能範圍，盡快找出改善方案。

7、結論

基本上導入APC並且持續開發進階演算法，對於FAB廠來說需要龐大的人力與財力，而且得花費不短的時間逐步導入與開發。從基本的機台連線與資料收集，進行參數上下限監控、SPC與製程Trend chart圖的分析，進而導入前/回饋批次控制與製程/設備建立模型等等，整個導入與開發過程，需要投入大量的人力與財力，並且需要經驗與技術才能順利進行。而且APC的相關學術研究與理論都還在陸續發展階段，為因應製程發展需求SEMI也不停的制訂新的標準。因此與MES/ERP等系統相較，需要花費更多的心力，更高的耐心，甚至於常會遇到架構需要重新設計的狀況，或是無法使用瀑布式開發流程。因此唯有Top manager有決心而且肯投資執行，才有可能成功的建立並且產生成效。不過面對12吋與90奈米的時代，control window日漸縮小，為了FAB廠的命脈-產能與良率，開發APC已經是時勢所趨。筆者相信TFT廠在面對更大的尺寸與競爭的壓力之下，未來也勢必需要導入APC。

8、參考文獻

[1] SEMI, “Equipment Engineering Capabilities Guidelines (Phase 2.5),” SEMI International Standards, July 2002
[2] SEMI, “SEMI Equipment communications standard 2 message content,” Semi E5-0600, 1999
[3] James Moyne, Arnon Max Hurwitz, Enrique Del Castillo，"Run to Run Control in Semiconductor Manufacturing "，Lewis Publishers, Inc. (November 30, 2000)
[4] 蔡嘉鴻、李正一、楊昌霖，"半導體設備工程資料收集技術探討"，機械工業雜誌，第246期，156-165頁，民國92年9月
[5] 蕭禮明、陳玉雲、李正一、楊昌霖、蔡嘉鴻，"半導體製程監控系統介面之探討"，電機月刊，第162期，民國93年6月
[6] 蔡嘉鴻、曹永誠、黃建榮，"III-V族機台工程資料分析資料預先處理技術探討"，機械工業月刊，第258期，民國93年9月
[7] 徐明照、曹永誠，" Run-to-run control簡介與APC framework架構設計"，機械工業月刊，第258期，民國93年9月
[8] 張耀仁、曹永誠，" Run-to-Run控制法則分析與比較"，機械工業月刊，第258期，民國93年9月
[9] Chia-Yu Hsu, Chen-Fu Chien, Yung-Chen Tsao, Cheng-Yi Li，"Machine Grouping Algorithm and Validation via The Stepper in The Lithography"，SEMICONDUCTOR MANUFACTURING TECHNOLOGY WORKSHOP, SMTW 2004.
[10] Fuchs and Kenett，"Multivariate Quality Control", Theory and Applications, 1998.
[11] Jiawei Han, Micheline Kamber，"Data Mining: Concepts and Techniques"，Morgan Kaufmann Publishers; 1st edition，August 2000
[12] http://apc.itri.org.tw/