進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-2908201620220500
論文名稱(中文) 應用類神經網路與SECS以建構化學研磨參數預測模型
論文名稱(英文) An Investigation of CMP Parameter Prediction Model using Neural Network and SECS
校院名稱 成功大學
系所名稱(中) 工業與資訊管理學系碩士在職專班
系所名稱(英) Department of Industrial and Information Management (on the job class)
學年度 104
學期 2
出版年 105
研究生(中文) 熊大綱
研究生(英文) Ta-Kang Hsiung
學號 R37031053
學位類別 碩士
語文別 中文
論文頁數 59頁
口試委員 指導教授-呂執中
口試委員-龍仕璋
口試委員-謝昆霖
口試委員-邱垂昱
中文關鍵字 類神經網路  化學機械研磨  半導體通訊協定 
英文關鍵字 Neural Network  CMP  SECS 
學科別分類
中文摘要 化學機械研磨CMP (Chemical Mechanical Polishing) 成為近年來半導體製造之平坦化製程中的重要步驟,研磨設備對於研磨精密程度與研磨參數的精準控制也日益關鍵。在晶圓平坦化研磨製程中,晶圓研磨厚度受許多研磨參數的影響,包括研磨軸轉速、研磨墊轉速、研磨頭下壓力與研磨液流速四個因子。故本研究設計一預測模型,以類神經網路為方法來探討晶圓研磨厚度與各參數間的影響關係,以獲得CMP機台最佳化的研磨加工參數。
本研究透過半導體通訊協定 (Semiconductor Equipment Communication Standard, SECS)實際蒐集CMP機台研磨製程參數,採用倒傳遞網路(Back Propagation Network, BPN)來建置研磨參數預測模型,接著透過 MATLAB R2015b建構預測模型,搭配訓練資料與此模型模擬之均方誤差 (Mean Square Error, MSE) 的結果作較佳化的調整,進而取得最適參數值。
透過本研究之CMP參數預測模型可以獲得研磨厚度參數精準值,其主要貢獻為: 1. 與原始研磨數據相比,研磨厚度平均誤差從 4.41% 縮小為 2.48%。 2. 有效降低機台耗損與保養頻率,每年節省新台幣 540 萬元研磨耗材購買。 3.每月平均降低 40 小時機台保養時間並提升 1.5% CMP 研磨機台產能。
英文摘要 Chemical mechanical polishing (CMP) has become an important step of the planarization process of semi-conductor manufacturing in the recent years. The importance of polishing equipment for polishing precision and precise control of polishing parameters has become higher and higher. In the wafer planarization and polishing process, wafer removal thickness is influenced by many polishing parameters, including four factors, namely polishing axis rotation rate, polishing pad rotation rate, pressure under polishing head, and polishing slurry flow rate. Thus, this study aimed to design a prediction model using the neural network method, in order to explore the relationships between wafer removal thickness and other parameters, for the purpose of obtaining the optimal polishing processing parameters for CMP equipment.
This study collected actual polishing process parameters of CMP equipment according to the Semiconductor Equipment Communication Standard (SECS) and built a polishing parameter prediction model using the back propagation network (BPN) method. Then, using MATLAB R2015b, the prediction model was constructed. Adjustments were made based on the mean square errors (MSEs) obtained with the training data and this model, to obtain the optimal parameter values.
With the CMP parameter prediction model built by this study, wafer removal thickness can be predicted accurately. The main contributions of this study include: (1) reducing the average error of predicting wafer removal thickness from 4.41% to 2.24% compared with the original polishing data; (2) efficiently reducing equipment attrition and maintenance frequency to save NT$5,400,000 every year in purchasing consumable polishing materials; and (3) reducing the average time spent on equipment maintenance by 40 hours and increasing the CMP equipment production capacity by 1.5%.
論文目次 摘要 I
英文摘要 II
致謝 VII
目錄 VIII
表目錄 X
圖目錄 XII
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機 3
第三節 研究目的 4
第四節 研究範圍與限制 5
第五節 論文架構 6
第二章 文獻探討 7
第一節 半導體製程之簡介 7
2.1.2 半導體製造先進封裝技術 7
2.1.2 晶圓支援載具製程 9
第二節 化學機械研磨製程之簡介 14
2.2.1化學機械研磨與平坦化方法 14
2.2.2化學機械研磨原理 19
2.2.3化學機械研磨之機制與組成 20
第三節 SEMI STANDARD 與SECS之簡介與應用 21
第四節 類神經網路之應用 27
2.4.1網路神經元之基本觀念 27
2.4.2類神經網路之架構 28
2.4.3倒傳遞類神經網路之簡介 29
第三章 應用類神經網路建置CMP參數預測模型 33
第一節 問題描述 33
第二節 機台流程定義與自動化資訊系統建置 34
3.2.1 CMP 研磨機台製造流程 36
第三節 CMP參數資料蒐集系統建置 37
3.3.1 CMP機台資料自動化蒐集流程 38
第四節 類神經研磨參數預測模型之建置 39
3.4.1 預測模型參數設定 40
3.4.2 參數預測模型建 41
第五節 運用類神經網路建置動態CMP參數預測模型 44
第四章 參數最佳化模型實驗結果 46
第一節 類神經研磨參數預測模型之訓練 46
第二節 類神經研磨參數預測模型之測試 47
第三節 類神經研磨參數預測模型之分析與驗證 48
第五章 結論與未來展望 54
第一節 結論 54
第二節 未來展望 55
參考文獻 羅正忠, 張鼎張. (2002). 半導體製程技術導論,台灣培生教育出版,台北市。
王建榮, 林慶福, & 林必窕. (1999). 半導體平坦化 CMP 技術,全華科技圖書股份有限公司,台北市。
林文修. (2000). 演化式類神經網路為基底的企業危機診斷模型:智慧資本之應用,國立中央大學資訊管理學系,博士論文。
施並洲. (1997). 類神經網路、案例推理法、灰色關連分析於財務危機之應用,國立中央大學工業管理研究所碩士論文。
洪佩文. (2002). 化學機械拋光研磨中鑽石修整器修整特性之研究,台灣大學機械工程系碩士論文。
梅玉成. (1998). 應用分散式類神經網路於財經資料庫之資料擷取與決策支援: 以股票評等系統為例,國立台灣大學資管系碩士論文。
莊志豪. (2009). 研磨墊調節之磨削機構及其對化學機械研磨 (CMP) 製程之影響.交通大學工學院碩士在職專班半導體材料與製程設備組學位論文, 1-88.
陳永昌. (2002). 應用類神經網路與遺傳演算法對端銑削加工參數之最佳化,碩士論文,高雄科技大學。
葉怡成. (1994). 應用類神經網路,儒林出版社,台北市。
葉怡成. (2003). 類神經網路模式應用與實作,儒林出版社,台北市。
蔡進晃 (2013). 鑽石修整器修整特性對化學機械研磨製程的細微刮傷缺陷之影響,國立交通大學工學院半導體材料與製程設備學程,碩士論文。
劉近興. (2004). 以類神經網路研究半導體封裝廠銲線機台選擇問題,中原大學工業工程研究所學位論文,1-93。
簡永祥(2014). 張忠謀:半導體迎接三大機會。2014年3月28日取自聯合報系,聯合新聞網網址 http://edn.udn.com/。
戴寶通. (1997). 化學機制研磨機制探討及消耗材的發展,電子月刊,第三卷第三期,pp.63~69。
謝昆霖, 謝明峰. (2005). 具智慧型媒合機制之人力資源網站建置與應用,中華管理評論國際學報,Vol.8,No.4。
鄭丞君, 周君妍, 鄭秀慧, 謝昆霖(2004). 類神經網路於飯店業顧客關係管理之應用,第四屆觀光休閒暨餐旅產業永續經營學術研討會。
羅瑞蘭, 陳安斌. (2005). 以混合式類神經網路改善需求規劃績效於晶圓代工業之個案研究,國立交通大學管理學院,碩士論文。

Butler, S. W., & Stefani, J. A. (1994). Supervisory run-to-run control of polysilicon gate etch using in situ ellipsometry. IEEE Transactions on Semiconductor Manufacturing, 7(2), 193-201.
Davies, E. R. (1994). Soft contaminant detection using neural networks: techniques and limitations. IEEE Transactions on Semiconductor Manufacturing, 7(2), 4316-4320.
Del Castillo, E., & Yeh, J. Y. (1998). An adaptive run-to-run optimizing controller for linear and nonlinear semiconductor processes. IEEE Transactions on Semiconductor Manufacturing, 11(2), 285-295.
Fan, X. J., Varia, B., & Han, Q. (2010). Design and optimization of thermo-mechanical reliability in wafer level packaging. Microelectronics Reliability,50(4), 536-546.
Feng, T. (2007). Nonuniformity of wafer and pad in CMP: kinematic aspects of view. IEEE Transactions on Semiconductor Manufacturing, 20(4), 451-463.
Global Information & Control Committee (1998), SEMI E5-0299, SEMI equipment communications standard 2 Message content.
Global Information & Control Committee (1999), SEMI E4-0699, SEMI equipment communications standard 1 Message transfer.
Global Information & Control Committee (1999b), SEMI E13, Standard for SEMI equipment communication standard message service
Global Information & Control Committee (2000a), SEMI E79-0200, Standard for definition and measurement of equipment productivity.
Global Information & Control Committee (2000b), SEMI E30-0600, Generic model for communication and control of manufacturing equipment.
Gubbi, J., Buyya, R., Marusic, S., & Palaniswami, M. (2013). Internet of Things (IoT): A vision, architectural elements, and future directions. Future Generation Computer Systems, 29(7), 1645-1660.
Huey, S., Mear, S. T., Wang, Y., Jin, R. R., Ceresi, J., Freeman & Eppert, S. (1999). Technological breakthrough in pad life improvement and its impact on CMP CoC. In Advanced Semiconductor Manufacturing Conference and Workshop, 1999 IEEE/SEMI (pp. 54-58). IEEE.
Jain, A. K., Mao, J., & Mohiuddin, K. M. (1996). Artificial neural networks: a tutorial. IEEE Transactions on Semiconductor Manufacturing, 29(3), 31-44.
Kim, B. S., Tucker, M. H., Kelchner, J. D., & Beaudoin, S. P. (2008). Study on the mechanical properties of CMP pads. IEEE Transactions on Semiconductor Manufacturing, 21(3), 454-463.
Kirrane (1990). Machine Learning, Training and Development Journal, Pages. 24-29.
Ma, M. D., & Li, J. Y. (2015). Improved variable EWMA controller for general ARIMA processes. IEEE Transactions on Semiconductor Manufacturing, 28(2), 129-136.
Makridakis, S, Wheelwright S.C. dan McGee V.E., (1993), Metode dan Aplikasi Peramalan, EdisiKedua Jilid Satu, Alih Bahasa: Ir. Untung Sus Adriyanto, M.Sc dan Ir. Abdul Basith, M.Sc, Erlangga, Jakarta.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. The bulletin of mathematical biophysics, 5(4), 115-133.
Navon, R. (2005). Automated project performance control of construction projects. Automation in construction, 14(4), 467-476.
Nian, C. Y., Yang, W. H., & Tarng, Y. S. (1999). Optimization of turning operations with multiple performance characteristics. Journal of Materials Processing Technology, 95(1), 90-96.
Rumelnhart, D. E., Hinton, D. E., and Williams, R. J. (1986). Learning Internal Representations by Error Propagation in Parallel Distributed Process,” MIT Press, Cambridge, MA, Vol. 1, pp. 318-362.
Shao, Y. E., & Chiu, C. C. (1999). Developing identification techniques with the integrated use of SPC/EPC and neural networks. Quality and Reliability Engineering International, 15(4), 287-294.
Susto, G. A., Pampuri, S., Schirru, A., De Nicolao, G., McLoone, S., & Beghi, A. (2012). Automatic control and machine learning for semiconductor manufacturing: Review and challenges. In Proceedings of the 10th European Workshop on Advanced Control and Diagnosis (ACD 2012).
Welstead, S. T. (1994). Neural Network and Fuzzy Logic Applications in C-C++. John Wiley & Sons, Inc.
Yang, W. P., & Tarng, Y. S. (1998). Design optimization of cutting parameters for turning operations based on the Taguchi method. Journal of materials processing technology, 84(1), 122-129.
Yoon. Y., Swales, G. & Vlargavio. T. (1993). A Comparison of Discriminant Analysis Versus Artificial Neural Networks. Journal of the Operational Research Society, Vol.44. No.1, pp. 51-60.
Zhao, D., He, Y., Wang, T., & Lu, X. (2012). Effect of kinematic parameters and their coupling relationships on global uniformity of chemical-mechanical polishing. IEEE Transactions on Semiconductor Manufacturing, 25(3), 502-510.
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2026-05-31起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw