查詢結果分析
相關文獻
- 積體電路良率管理之良率模式構建--類神經網路之應用
- Neural Network Procedures for Taguchi's Dynamic Problems
- A Fast and Efficient Competitive Learning Design Algorithm Based on Weight Vector Training in Transform Domain
- 專家系統振動訊號圖型判別之研究
- 反傳遞模糊類神經網路於流量推估之應用
- 類神經網路(Neural Networks)的種類及其在影像處理上的應用
- C++Fuzzy類神經網路物件導向發展系統之建立
- 臺灣汽保費率之估計--對數線性費率模式與類神經網路之比較
- 運用類神經網路於股價指數之套利--以日經225指數為例
- 使用類神經網路預估碳化鎢材料放電加工性能
頁籤選單縮合
題 名 | 積體電路良率管理之良率模式構建--類神經網路之應用=Constructing Yield Prediction Model for IC Yield Management: Applying Artificial Neural Networks |
---|---|
作 者 | 謝昆霖; 唐麗英; | 書刊名 | 資訊管理研究. 南華大學 |
卷 期 | 3 2003.07[民92.07] |
頁 次 | 頁47-63 |
分類號 | 471.64 |
關鍵詞 | 良率模式; 良率管理; 缺陷群聚; 類神經網路; |
語 文 | 中文(Chinese) |
中文摘要 | 良率(yield)是半導體積體電路業者進行獲利評估的一個重要指標,為了能快速、有效地且正確地管理與提升製程的良率,許多有關於良率管理(yield management)的研究相繼提出。良率管理的領域非常廣泛,凡致力於提升良率的各種方法或是研究,都包含在良率管理之中;而良率管理中,對於提供預測功能的良率模式(yield model)之研究則是一值得投入研究的課題。 傳統良率模式因只考慮缺陷數目(defect count)與良率間的關係,所以所推導出來的良率模式其準確度並不好;近年來一些經過修正的良率模式持續被發表出來,但卻因過於複雜而導致使用上容易受到限制。本研究所提出的良率模式,在建構上的考量是將晶圓(wafer)上的缺陷來源(defect source)、缺陷數目以及缺陷群聚(defect cluster)等一併納入分析,並利用類神經網路對於非線性結構問題的良好處理能力,建立一適切的良率預測模型,以有效地解決傳統良率模式精確度較差的問題以及修正之良率模式在使用上過於複雜的問題。 本研究並實際收集新竹科學園區某IC製造廠的實際晶圓資料來構建適切的良率模式,從比較結果中可以發現本研究所構建的良率模式相較於其它良率模式,應用於半體導積體電路的良率預測時可以獲得較佳的成效。 |
本系統中英文摘要資訊取自各篇刊載內容。