CN104952753A - 测量抽样方法 - Google Patents

Abstract

本发明提出一种测量抽样方法，其是运用可检测出在生产过程中制程机台的各种状态改变(如执行机台保养、更换机台零组件、调整机台参数等)或机台信息异常(如制程资料品质不良、机台参数值漂移、测量资料品质不良等)的各式指标值，来建构出一智能取样决策(Intelligent Sampling Decision；ISD)机制，以在确保虚拟测量的精度下，降低工件测量抽测率。该多个指标值包括：信心指标(Reliance Index；RI)值、整体相似度指标(Global Similarity Index；GSI)值、制程资料品质指标(DQI_X)值和测量资料品质指标(DQI_y)值。

Description

测量抽样方法

技术领域

本发明是有关于一种测量抽样方法，且特别是有关于一种可降低抽测率的测量抽样方法。

背景技术

目前大部分半导体及TFT-LCD厂对于生产机台的产品或工件(Workpiece)的品质监测方法是采取抽测的方式，其中此工件可为半导体业的晶圆或TFT-LCD业的玻璃基板。一般，在制程机台每处理过N个(例如：25个)工件后，制造系统会指定第N个工件为一预期被测量的工件，即抽测率为1/N。此预期被测量的工件会被送至测量机台进行测量，以检视制程机台的生产品质。此种已知的抽样方法是假设制程机台的制程品质不会突然发生异常，因而可使用被抽测的产品或工件的测量结果来推断同一批工件的品质。由于工件实际测量所需的测量时间和测量工具会增加生产周期时间(Cycle Time)和生产成本。因此，为减少生产周期时间和生产成本，如何尽可能地降低抽测率便成为生产者的重要课题。

另一方面，虚拟测量技术可用来减少工件实际测量的频率，而降低抽测率。然而，若原先未排定要被测量的工件在生产时发生变异，则可能会因此发生变异的期间无实际测量资料可用来更新虚拟测量模型，而导致产生虚拟测量预测精度不良的结果。因此，如何及时抽测到适当的工件攸关着虚拟测量模型的预测精度。

因此，必须要提供一种测量抽样方法，借以克服上述的已知技术的缺点。

发明内容

因此，本发明的一目的是在提供一种测量抽样方法，借以降低工件测量抽测率。

本发明的又一目的是在提供一种测量抽样方法，借以及时提供工件的实际测量值，来调校或重新训练虚拟测量模型，以确保虚拟测量的精度。

根据本发明的上述目的，提出一种测量抽样方法。在此测量抽样方法中，首先收集制程机台处理多个历史工件所使用的多组历史制程资料。然后，进行建模步骤。在此建模步骤中，根据历史制程资料来建立一DQI_X(Process DataQuality Index；制程资料品质指标)模型和一GSI(Global Similarity Index；整体相似度指标)模型，并计算出一DQI_X门槛值和一GSI门槛值。然后，进行测量工件取样步骤。在此测量工件取样步骤中，提供一工件至制程机台，制程机台具有处理此工件的一组制程资料。接着，输入制程资料至DQI_X模型和GSI模型中，以获得此工件的制程资料的一DQI_X值和一GSI值。当此工件的DQI_X值大于DQI_X门槛值时，不对此工件进行测量。当此工件的DQI_X值小于或等于DQI_X门槛值时，检查此工件是否为预期被测量工件，并获得第一检查结果。当第一检查结果为是时，对此工件进行测量。当第一检查结果为否时，检查此工件的GSI值是否小于或等于GSI门槛值并获得第二检查结果。当第二检查结果为是时，不对此工件进行测量。

根据本发明的上述目的，另提出一种测量抽样方法。在此测量抽样方法步骤中，设定一预设工件取样率1/N，预设工件取样率为在一制程机台每处理过N个工件后选取第N个工件为一预期被测量的工件。在此测量抽样方法的测量工件取样步骤中，对一工件计数加1。然后，进行第一检查步骤，以检查一工件的DQI_X值是否小于或等于DQI_X门槛值而获得第一检查结果。当第一检查结果为否时，不对此工件进行测量。当第一检查结果为是时，进行第二检查步骤，以检查工件计数是否大于或等于N而获得第二检查结果。当第二检查结果为是时，对此工件进行测量并设定工件计数为0。当第二检查结果为否时，进行第三检查步骤，以检查此工件的GSI值是否小于或等于GSI门槛值，而获得第三检查结果。当第三检查结果为是时，不对此工件进行测量。

因此，应用本发明实施例，可有效地降低工件测量抽测率，并确保虚拟测量的精度。

附图说明

为让本发明的上述和其他目的、特征、优点与实施例能更明显易懂，所附图式的说明如下：

图1为绘示说明本发明实施例的信心指标值的示意图。

图2为绘示说明本发明实施例的信心指标门槛值的示意图。

图3为绘示本发明实施例的测量抽样方法的流程示意图。

图4为绘示本发明实施例的测量工件取样步骤的流程示意图。

图5为绘示本发明实施例的虚拟测量方法的流程示意图。

图中元件标号说明：

110设定预设工件取样率1/N

120收集历史工件的历史测量值和历史制程资料

130进行建模步骤

140进行测量工件取样步骤

200取样步骤

201对当下的生产工件要求进行测量

202提供一工件至制程机台

204获得工件的DQI_X值、GSI值和RI值

210制程机台是否已停机一段时间？

220对一工件计数加1

230工件计数是否大于或等于N+p？

240制程机台状态是否有改变？

250检查此工件的DQI_X值

260工件计数是否大于或等于N？

270检查此工件的GSI值和RI值

280此工件之前k个工件的GSI值或RI值是否异常？

290不对此工件进行测量

292对此工件进行测量并设工件计数为0

具体实施方式

本发明实施例是运用可检测出在生产过程中制程机台的各种状态改变(如执行机台保养、更换机台零组件、调整机台参数等)或机台信息异常(如制程资料品质不良、机台参数值漂移、测量资料品质不良等)的各式指标值，来研发出一智能取样决策(Intelligent Sampling Decision；ISD)机制。这些指标值包括：信心指标(Reliance Index；RI)值、整体相似度指标(Global Similarity Index；GSI)值、制程资料品质指标(Process Data Quality Index；DQI_X)值和测量资料品质指标(Metrology Data Quality Index；DQI_y)值。本发明的实施例所使用的RI值、GSI值、DQI_X值、DQI_y值可参照中国台湾专利公告案第I349867号。本发明的实施例可与此中国台湾专利公告案所建构的虚拟测量系统相结合。即，本发明的实施例引用此中国台湾专利公告案的相关规定(Incorporated by reference)。RI值是用来评估虚拟测量值的可信度，GSI值是用来评估目前输入的制程参数资料与推估模型内用来训练建模的所有制程参数资料的相似程度，GSI值是用以辅助RI值来判断虚拟测量系统的信心度。DQI_X值是用来评估生产工件的制程资料是否异常，而DQI_y值是用来评估工件的测量资料是否异常。

以下先说明信心指标值(RI模型)、整体相似度指标值(GSI模型)、制程资料品质指标值(DQI_X)模型和测量资料品质指标值(DQI_y模型)相关的理论基础。

信心指标(RI)和整体相似度指标(GSI)是为了即时了解虚拟测量值是否可以被信赖。信心指标模型是借由分析制程装置的制程资料，计算出一介于零与壹之间的信心值(信心指标值)，以判断虚拟测量的结果是否可以被信赖。相似度指标模型是用以计算制程的整体相似度指标值。整体相似度指标值的定义为目前输入的制程资料与虚拟测量的推估模型内用来训练建模的所有参数资料的相似程度。

以下说明建构RI模型的方法。如表1所示，假设目前搜集到n组测量的资料，包含制程资料(X_i,i＝1,2,...,n)及其对应的实际测量值资料(y_i,i＝1,2,…,n)，其中每组制程资料包含有p个参数(自参数1至参数p)，即X_i＝[x_i,1,x_i,2,...,x_i,p]^T。此外，亦搜集到(m-n)笔实际生产时制程资料，但除y_n+1外，并无实际测量值资料，即在(m-n)笔实际生产的工件中，仅抽测例如第一笔工件进行实际测量，再以其实际测量y_n+1来推断其他(m-n-1)笔工件的品质。

表1原始资料范例

在表1中，y₁、y₂、…、y_n为历史测量值，y_n+1为正在生产中的工件批货中的第一个工件的实际测量值。通常，一组实际测量值(y_i,i＝1,2,…,n)为具有平均数μ，标准差σ的常态分配，即y_i～N(μ,σ²)。

针对样本组(y_i,i＝1,2,…,n)的平均数与标准差将所有实际测量值资料标准化后，可得到(亦称为z分数(z Scores))，其中每一个z分数的平均数为0，标准差为1，即对实际测量资料而言，若愈接近0，则表示测量资料愈接近规格中心值。其标准化的公式如下：

$Z_{y_i}=\frac{y_i-\stackrel{\‾}{y}}{{\mathrm{\σ}}_y},i=\mathrm{1,2},...,n---\left(1\right)$

$\stackrel{\‾}{y}=\frac{1}{n}(y_1+y_2+...+y_n)---\left(2\right)$

${\mathrm{\σ}}_y=\sqrt{\frac{1}{n-1}[{(y_1-\stackrel{\‾}{y})}^2+{(y_2-\stackrel{\‾}{y})}^2+...+{(y_n-\stackrel{\‾}{y})}^2]}---\left(3\right)$

其中

y_i为第i组实际测量值资料；

为在第i组资料标准化后的实际测量值资料；

为所有实际测量值资料的平均数；

σ_y为所有实际测量值资料的标准差。

此处的说明是应用类神经网络(NN)演算法的推估演算法来建立进行虚拟测量的推估模型，并以例如复回归演算法的参考预测演算法来建立的验证此推估模型的参考模型。然而，本发明亦可使用其他演算法为推估演算法或参考预测演算法，例如：倒传递类神经网络(Back Propagation Neural Network；BPNN)、通用回归类神经网络(General Regression Neural Network；GRNN)、径向基底类神经网络(Radial Basis Function Neural Network；RBFNN)、简单回归性网络(Simple Recurrent Network；SRN)、支持向量资料描述(Support Vector DataDescription；SVDD)、一支持向量机(Support Vector Machine；SVM)、一复回归演算法(Multiple Regression；MR)；部分最小平方法(Partial Least Squares；PLS)、非线性替代偏最小平方法(Nonlinear Iterative Partial Least Squares；NIPALS)或广义线性模式(Generalized Linear Models；GLMs)等。只要参考预测演算法是不同于推估演算法即可，故本发明并不在此限。

在应用类神经网络演算法和复回归演算法时，如其收敛条件均为误差平方和(Sum of Square Error；SSE)最小的条件下，且n→∞时，此两模式各自标准化后的实际测量值定义为与则其均应与真正标准化后的实际测量值相同。换言之，当n→∞时，均代表标准化后的实际测量值，但为因应不同模式的目的而改变其名称。因此且表示与为相同分配，但由于不同的估计模式，使得该两种预测演算法的平均值与标准差的估计值不同。亦即NN推估模型标准化后的平均数估计式()与标准差估计式()将与复回归模式标准化后的平均数估计式()与标准差估计式()不同。

信心指标值是被设计来判断虚拟测量值的可信赖度，因此信心指标值应考量到虚拟测量值的统计分配与实际测量值的统计分配两者之间的相似程度。然而，当应用虚拟测量时，并无实际测量值可被使用来评估虚拟测量值的可信赖度(明显地，若获得实际测量值则便不需要虚拟测量了)。所以本发明采用由参考预测演算法(例如复回归演算法)所估算的统计分配来取代的统计分配。本发明的参考预测演算法亦可为其他相关的预测演算法，故本发明并不在此限。

请参照图1，其绘示说明本发明实施例的信心指标值的示意图。本发明的信心指标值的定义为计算推估模型(例如采用类神经网络(NN)演算法)的预测(虚拟测量值)的分配与参考模型(例如采用复回归演算法)的预测(参考测量值)的分配两者之间的交集面积覆盖值(重叠面积A)。因此，信心指标值的公式如下：

$\mathrm{RI}=2{\∫}_{\frac{Z_{{\hat{y}}_{\mathrm{Ni}}}+Z_{{\hat{y}}_{\mathrm{ri}}}}{2}}^{\∞}\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-\frac{1}{2}{\left(\frac{x-\mathrm{\μ}}{\mathrm{\σ}}\right)}^2}\mathrm{dx}---\left(4\right)$

其中当 $Z_{{\hat{y}}_{\mathrm{Ni}}}<Z_{{\hat{y}}_{\mathrm{ri}}}$ 则 $\mathrm{\&mu;}=Z_{{\hat{y}}_{N_i}}$

当 $Z_{{\hat{y}}_{\mathrm{ri}}}<Z_{{\hat{y}}_{\mathrm{Ni}}}$ 则 $\mathrm{\&mu;}=Z_{{\hat{y}}_{r_i}}$

σ是设为1。

信心指标值是随着重叠面积A的增加而增加。此现象指出使用推估模型所获得的结果是较接近于使用参考模型所获得的结果，因而相对应的虚拟测量值较可靠。否则相对应的虚拟测量值的可靠度是随着重叠面积A的减少而降低。当由所估计的分配与由所估计的分配完全重叠时，依照统计学的分配理论，其信心指标值等于1；而当两分配几乎完全分开时，其信心指标值则趋近于0。

以下说明推估模型计算虚拟测量值(和)的分配的方法。在推估模型中，若收敛条件为最小化误差平方和(SSE)，则可假设「在给定下，的分配为平均数等于变异数为的分配」，即给定下，而的NN估计式为的NN估计式为

在进行NN推估模型的建模之前，需先进行制程资料标准化的步骤。NN推估模型制程资料标准化公式如下所示：

$Z_{x_{i,j}}=\frac{x_{i,j}-{\stackrel{\&OverBar;}{x}}_j}{{\mathrm{\&sigma;}}_{x_j}},i=\mathrm{1,2},...,n,n+1,...,m;j=\mathrm{1,2},...,p---\left(5\right)$

${\stackrel{\&OverBar;}{x}}_j=\frac{1}{n}(x_{1,j}+x_{2,j}+...+x_{n,j})---\left(6\right)$

${\mathrm{\&sigma;}}_{x_j}=\sqrt{\frac{1}{n-1}[{(x_{1,j}-{\stackrel{\&OverBar;}{x}}_j)}^2+{(x_{2,j}-{\stackrel{\&OverBar;}{x}}_j)}^2+...+{(x_{n,j}-{\stackrel{\&OverBar;}{x}}_j)}^2]}---\left(7\right)$

其中

x_i,j为第i组制程资料中的第j个制程参数；

为第i组制程资料中的第j个标准化后的制程参数；

为第j个制程参数的平均值；

为第j个制程参数的标准差。

使用此n组标准化后的制程资料与此n组标准化后的实际测量值来建构NN推估模型。然后，输入m组标准化后的制程资料至NN推估模型中，以获得相对应的标准化后的虚拟测量值

因此，(即)的估计值和(即)的估计值可由如下所示的公式来计算：

${\widehat{\mathrm{\&mu;}}}_{z_{y_i}}=Z_{{\hat{y}}_{N_i}},i=\mathrm{1,2},...,n,n+1,...,m---\left(8\right)$

${\widehat{\mathrm{\&sigma;}}}_{Z_{{\hat{y}}_N}}=\sqrt{\frac{1}{n-1}[{(Z_{{\hat{y}}_{N_1}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_N})}^2+{(Z_{{\hat{y}}_{N_2}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_N})}^2+...+{(Z_{{\hat{y}}_{N_n}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_N})}^2]}---\left(9\right)$

${\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_N}=\frac{1}{n}(Z_{{\hat{y}}_{N_1}}+Z_{{\hat{y}}_{N_2}}+...+Z_{{\hat{y}}_{N_n}})---\left(10\right)$

其中为标准化后的虚拟测量值的平均值

以下说明由复回归模式计算参考预测值()的方法。复回归演算法的基本假设为“在给定下，的分配为平均数等于变异数为的分配”，即给定下，而的复回归估计式为的复回归估计式

为求得n组标准化后的制程资料与此n组标准化后的实际测量值间的关系，须定义利用复回归分析中这些p个参数所对应的权重为(β_r0,β_r1,β_r2,...,β_rp)。建构与关系如下：

$\begin{array}{c}{\mathrm{\&beta;}}_{r0}+{\mathrm{\&beta;}}_{r1}{Z}_{x_{\mathrm{1,1}}}+{\mathrm{\&beta;}}_{r2}{Z}_{x_{\mathrm{1,2}}}+...+{\mathrm{\&beta;}}_{r_p}{Z}_{x_{1,p}}=Z_{y_1}\\ {\mathrm{\&beta;}}_{r0}+{\mathrm{\&beta;}}_{r1}{Z}_{x_{\mathrm{2,1}}}+{\mathrm{\&beta;}}_{r2}{Z}_{x_{\mathrm{2,2}}}+...+{\mathrm{\&beta;}}_{r_p}{Z}_{x_{2,p}}=Z_{y_2}\\ \&CenterDot;\&CenterDot;\&CenterDot;\\ {\mathrm{\&beta;}}_{r0}+{\mathrm{\&beta;}}_{r1}{Z}_{x_{n,1}}+{\mathrm{\&beta;}}_{r2}{Z}_{x_{n,2}+...+{\mathrm{\&beta;}}_{r_p}{Z}_{x_{n,p}}=Z_{y_n}}\end{array}---\left(11\right)$

假设 $Z_y=\left(\begin{array}{c}{Z}_{y_1}\\ Z_{y_2}\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ Z_{y_n}\end{array}\right)---\left(12\right)$

利用统计学上复回归分析中的最小平方法，可求得参数β_r的估计式 ${\widehat{\mathrm{\&beta;}}}_r={[{\widehat{\mathrm{\&beta;}}}_{r0},{\widehat{\mathrm{\&beta;}}}_{r1},...{\widehat{\mathrm{\&beta;}}}_{\mathrm{rp}}]}^T,$ 即

${\widehat{\mathrm{\&beta;}}}_r={\left(Z_x^T{Z}_x\right)}^{-1}{Z}_x^T{Z}_y---\left(14\right)$

然后，复回归模式可得到：

$Z_{{\hat{y}r}_i}={\widehat{\mathrm{\&beta;}}}_{r0}+{\widehat{\mathrm{\&beta;}}}_{r1}{Z}_{x_{i,1}}+{\widehat{\mathrm{\&beta;}}}_{r2}{Z}_{x_{i,2}}+...+{\widehat{\mathrm{\&beta;}}}_{\mathrm{rp}}{Z}_{x_{i,p}}$

i＝1,2,…,n,n+1,…,m         (15)

因此，在推估阶段时，制程资料进来后，依公式(15)即可求出其所对应的复回归估计值标准变异数的复回归估计式为具有：

${\widehat{\mathrm{\&sigma;}}}_{Z_{\hat{y}r}}=\sqrt{\frac{1}{n+1}[{(Z_{{\hat{y}}_{r_1}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_r})}^2+{(Z_{{\hat{y}}_{r_2}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_r})}^2+...+{(Z_{{\hat{y}}_{r_n}}-{\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_r})}^2]}---\left(16\right)$

${\stackrel{\&OverBar;}{Z}}_{{\hat{y}}_r}=\frac{1}{n}(Z_{{\hat{y}}_{r_1}}+Z_{{\hat{y}}_{r_2}}+...+Z_{{\hat{y}}_{r_n}})---\left(17\right)$

当求得NN推估模型的估计式与及复回归模式的估计式与后，可绘出如图1所示的常态分配图，计算使用推估模型(例如采用类神经网络(NN)演算法)的预测(虚拟测量值)的分配与参考模型(例如采用复回归演算法)的预测(参考测量值)的分配两者之间的交集面积覆盖值(重叠面积A)，即可求出每一个(虚拟测量值的信心指标值。

在获得信心指标值(RI)后，必须要订定一个信心指标门槛值(RI_T)。若RI≧RI_T，则虚拟测量值的可靠程度是可被接受的。以下描述决定信心指标门槛值(RI_T)的方法：

在订定信心指标门槛值(RI_T)之前，首先需订定出最大可容许误差上限(E_L)。虚拟测量值的误差(Error)为实际测量值y_i与由NN推估模型所获得的的差值，再除以所有实际测量值的平均值后的绝对值的百分率，即

${\mathrm{Error}}_i=\left|\frac{y_i-{\hat{y}}_{\mathrm{Ni}}}{\stackrel{\&OverBar;}{y}}\right|\&times;100\%---\left(18\right)$

然后，可根据公式(18)所定义的误差与虚拟测量的精确度规格来指定最大可容许误差上限(E_L)。因此，信心指标门槛值(RI_T)是被定义为对应至最大可容许误差上限(E_L)的信心指标值(RI)，如图2所示。即，

${\mathrm{RI}}_T=2{\&Integral;}_{Z_{\mathrm{Center}}}^{\&infin;}\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}}{e}^{-\frac{1}{2}{\left(\frac{x-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^2}\mathrm{dx}---\left(19\right)$

μ和σ是定义于公式(4)中；及

$Z_{\mathrm{Center}}=Z_{{\hat{y}}_{\mathrm{Ni}}}+[\stackrel{\&OverBar;}{y}\&times;(E_L/2)]/{\mathrm{\&sigma;}}_y---\left(20\right)$

其中σ_y是定义于公式(3)中。

以下说明建构GSI模型的方法。如上所述，当应用虚拟测量时，并未有实际测量值可获得来验证虚拟测量值的精确度。因此，以标准化后的复回归估计值取代标准化后的实际测量值来计算信心指标值(RI)。然而，此种取代可能会造成信心指标值(RI)的误差，为了补偿这种情形，本发明提出制程的整体相似度指标(GSI)来帮助判断虚拟测量的可靠程度。

本发明所提出的GSI的概念是将目前采用来当虚拟测量系统的输入的设备制程资料与建模时的所有历史参数资料相比较，得到一输入的制程资料与所有历史参数资料的相似程度指标。

本发明可用各种不同的统计距离演算法(例如：马氏距离(MahalanobisDistance)演算法、欧式距离演算法(Euclidean Distance)或中心法(CentroidMethod)等)来量化相似度。马氏距离是由P.C.Mahalanobis于公元1936年所介绍的统计距离演算法。此种技术手段是基于变数间的关联性以辨识和分析不同样本组的型态。马氏距离是用以决定未知样本组与已知样本组间的相似度的方法，此方法考量资料组间的关联性并具有尺度不变性(Scale Invariance)，即不与测量值的大小相关。若资料具有高相似度，则所计算出的马氏距离将会较小。

本发明是利用所计算出的GSI(马氏距离)的大小，来分辨新进的制程资料是否相似于建模的所有制程资料。若计算出的GSI小，则表示新进的制程资料类似于建模的制程资料，因此新进的制程资料(高相似度)的虚拟测量值将会较准确。反之，若计算出的GSI过大，则表示新进的制程资料与建模的制程资料有些不同。因而新进的制程资料(低相似度)的虚拟测量值的准确性的信心度较低。

推估模型的标准化制程参数的计算公式是如式(5)、(6)和(7)所示。首先，定义样版参数资料X_M＝[x_M,1,x_M,2,...,x_M,p]^T，其中x_M,j等于如此，则标准化后的建模制程资料的各参数均为0(亦即标准化后的建模参数Z_M,j为0)。换言之，Z_M＝[Z_M,1,Z_M,2,...,Z_M,p]^T中的所有参数均为0。接下来计算各个标准化后建模参数之间的相关系数。

假设第s个参数与第t个参数之间的相关系数为r_st，而其中有k组资料，则

$r_{\mathrm{st}}=\frac{1}{k-1}\underset{l=1}{\overset{k}{\mathrm{\&Sigma;}}}{z}_{\mathrm{sl}}\&CenterDot;z_{\mathrm{tl}}=\frac{1}{k-1}(z_{s1}\&CenterDot;z_{t1}+z_{s2}\&CenterDot;z_{t2}+...+z_{\mathrm{sk}}\&CenterDot;z_{\mathrm{tk}})---\left(21\right)$

在完成计算各参数间的相关系数之后，可得到相关系数矩阵如下：

假设R的反矩阵(R^-1)是被定义为A，则

$A=R^{-1}=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \&CenterDot;\&CenterDot;\&CenterDot;& a_{1p}\\ a_{21}& a_{22}& \&CenterDot;\&CenterDot;\&CenterDot;& a_{2p}\\ \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;& \&CenterDot;\&CenterDot;\&CenterDot;\\ a_{p1}& a_{p2}& \&CenterDot;\&CenterDot;\&CenterDot;& a_{\mathrm{pp}}\end{array}\right]---\left(23\right)$

如此，第λ笔标准化的制程参数(Z_λ)与标准化的样版参数资料(Z_M)间的马氏距离计算公式如下：

$\begin{array}{c}{D}_{\mathrm{\&lambda;}}^2={(Z_{\mathrm{\&lambda;}}-Z_M)}^T{R}^{-1}(Z_{\mathrm{\&lambda;}}-Z_M)\\ =Z_{\mathrm{\&lambda;}}^T{R}^{-1}{Z}_{\mathrm{\&lambda;}}\end{array}---\left(24\right)$

可得

$D_{\mathrm{\&lambda;}}^2=\underset{j=1}{\overset{p}{\mathrm{\&Sigma;}}}\underset{i=1}{\overset{p}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}{z}_{\mathrm{i\&lambda;}}{z}_{\mathrm{j\&lambda;}}---\left(25\right)$

而第λ笔制程资料的GSI值为

在获得GSI值后，应定义出GSI门槛值(GSI_T)。GSI门槛值(GSI_T)的公式如下：

${\mathrm{GSI}}_T=a*{\stackrel{\&OverBar;}{\mathrm{GSI}}}_{\mathrm{LOO}}---\left(26\right)$

所谓“LOO原理”是从全部建模样本中，抽取一笔作为模拟上线的测试样本，再使用其余的样本建立GSI模型，然后应用此新建的GSI模型针对此笔模拟上线的测试样本计算出其GSI值，此值以GSI_LOO表示。接着重复上述步骤直到建模样本中所有各笔样本均计算出其相对应的GSI_LOO。因此，公式(26)中代表透过LOO原理由全部建模样本所计算出的所有GSI_LOO的例如90％截尾平均數(Trimmed Mean)。公式(26)的a值是介于2至3之间，其可依实际状况微调之，a的预设值为3。

以下说明建构DQI_X模型的方法。假设收集到n组历史制程资料来建构DQI_X模型，其中每一组历史制程资料是由p个参数所组成。透过主成分分析法并应用此n组历史制程资料来产生p个特征向量(Eigenvectors)，此p个特征向量具有对应的大至小排序的特征值(Eigenvalues)λ₁≥λ₂≥...≥λ_p。然后，选择一组k个重要的特征值(λ≥1)，以建构一特征撷取矩阵M如下：

$M={\left[\begin{array}{c}\left[\mathrm{eigenvector}1\right]\\ \left[\mathrm{eigenvector}2\right]\\ \&CenterDot;\\ \&CenterDot;\\ \&CenterDot;\\ \left[\mathrm{eigenvectork}\right]\end{array}\right]}_{k*p}---\left(27\right)$

以下说明计算DQI_X值的方法：首先，应用公式(28)将第i个输入的制程资料X_i转成k个资料特征变数A_i＝[a₁,a₂,...,a_k]。

A_i＝M·X_i                   (28)

接着，将k个资料特征变数转成标准化的一组z分数再以欧氏距离(ED)将此组z分数转成DQI_X值：

${\mathrm{DQI}}_{X_i}=\sqrt{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}(z_{a_{i,j}}-{\stackrel{\&OverBar;}{z}}_{a_j})*{(z_{a_{i,j}}-{\stackrel{\&OverBar;}{z}}_{a_j})}^T}---\left(\text{29}\right)$

其中i：第i组制程资料；

训练样本的第j个标准化变数的平均值。

理论上，故公式(29)可被简化如下：

${\mathrm{DQI}}_{X_i}=\sqrt{\underset{j=1}{\overset{k}{\mathrm{\&Sigma;}}}\left(z_{a_{i,j}}\right)*{\left(z_{a_{i,j}}\right)}^T}---\left(30\right)$

同时，利用交互验证(Cross Validation)中的留一法(Leave-One-Out；LOO)原理，来决定制程资料品质门槛值()，其公式如下：

${\mathrm{DQI}}_{X_T}=a*{\stackrel{\&OverBar;}{\mathrm{DQI}}}_{X_{\mathrm{LOO}}}---\left(31\right)$

所谓“LOO原理”是从全部建模样本中，抽取一笔作为模拟上线的测试样本，再使用其余的样本建立DQI_X模型，然后应用此新建的DQI_X模型针对此笔模拟上线的测试样本计算出其DQI_X值，此值以DQI_XLOO表示。接着重复上述步骤直到建模样本中所有各笔样本均计算出其相对应的DQI_XLOO。因此，公式(31)中代表透过LOO原理由全部建模样本所计算出的所有DQI_XLOO的例如90％截尾平均数(Trimmed Mean)。公式(31)的a值是介于2至3之间，其可依实际状况微调之，a的预设值为3。

值得注意的是特征撷取矩阵M和制程资料品质门槛值()共同组成一DQI_X模型。接着，计算历史制程资料的z分数(z Scores)。然后，建构DQI_y模型，其中DQI_y模型的建立是根据标准化变异和一分群演算法，其中此分群演算法可为适应性共振理2、模糊自适共振理论(Fuzzy Adaptive ResonanceTheory；Fuzzy ART)、或k-平均数(K-means)分群法等。本实施例的DQI_y模型是由m个相似样版(Similar Patterns)所组成。本实施例是应用适应性共振理2(ART2)在ρ＝0.98的条件下，从n组历史制程资料的z分数中分类(Sorting)出相似样版{P₁,P₂,…,P_m}。

以下说明计算DQI_y值的方法。首先，当收集到新进的实际测量值y_j时，以适应性共振理2(ART2)，并应用实际测量值y_j所对应的制程资料的z分数在相似样版群{P₁,P₂,…,P_m}中搜寻出最相似的样版：P_q＝[X_q,1,X_q,2,...,X_q,v]。然后，应用P_q中的v个样本与其对应的v个实际测量值Y_q＝[y_q,1,y_q,2,...,y_q,v]及此新进的实际测量值y_j，来计算和的门槛值()。y_j的值以标准化变异(NV)来表示：

${\mathrm{DQI}}_{y_j}=\frac{|y_j-{\stackrel{\&OverBar;}{y}}_q|}{{\stackrel{\&OverBar;}{y}}_q}---\left(32\right)$

其中 ${\stackrel{\&OverBar;}{y}}_q=\frac{1}{v}\underset{l=1}{\overset{v}{\mathrm{\&Sigma;}}}{y}_{q,l}---\left(33\right)$

其中Y_q内的所有y_q,l的平均值；v：P_q中的样本个数。

某一个样版P_q的是被定义为P_q的最大可容许的变异。假设y_t为最大可容许的测量值，其具有P_q的最大可容许的变异，则y_t可被表示为：

$y_t={\stackrel{\&OverBar;}{y}}_q+R_{\max }$ 或 $y_t={\stackrel{\&OverBar;}{y}}_q-R_{\max }---\left(34\right)$

其中R_max为最大可容许的变异：

$R_{\max }=\max (R_{P_1},R_{P_2},...,R_{P_m})---\left(35\right)$

其中i＝1,2,…,m为相似样版P_i的范围(Range)，m为所有相似样版群组的总数目。借由加入y_t至相似样版P_q，可获得为：

${\mathrm{DQI}}_{y_T}=\frac{|y_t-{\stackrel{\&OverBar;}{y}}_q|}{{\stackrel{\&OverBar;}{y}}_q}---\left(36\right)$

在获得和后，若则代表实际测量值为异常；否则为正常。

以上所述的主成分分析法、留一法(LOO)原理、适应性共振理2(ART2)、z分数、欧氏距离等均为发明所属技术领域具有通常知识者所熟知，故不再此赘述。

请参照图3，其绘示本发明的实施例的测量抽样方法的流程示意图。首先，设定一预设工件取样率1/N(步骤110)，此预设工件取样率为在一制程机台每处理过N个工件后选取第N个工件为一预期被测量的工件。例如：已知的工件取样率为制程机台每处理过25个工件(工件计数＝25)选取第25个工件来进行测量。本发明实施例使用“工件计数”来实现预设工件取样率，其初始值为0。理论上，工件计数为N的工件会被选取为预期被测量的工件。然后，收集制程机台处理多个历史工件所使用的多组历史制程资料，以及此些历史工件的多个历史测量值(步骤120)。接着，根据这些历史测量值和这些组历史制程资料来进行建模步骤130，以建立RI模型(推估模型和参考预测模型)、DQI_X模型、DQI_y模型、GSI模型，并计算出RI门槛值、DQI_X门槛值、DQI_y门槛值和GSI门槛值。建模步骤130的内容已详细说明如上。当建模步骤130完成后，便可进行测量工件取样步骤140。以下说明测量工件取样步骤140的ISD机制所考虑到的五种情境。

情境1：稳定制程。当制程机台的状态无任何变化且多个工件的RI值、GSI值、DQI_x值和DQI_y值皆符合其各自的门槛值的规定，即RI≧RI_T；GSI≦GSI_T；此时，不需实际测量资料来更新虚拟测量模型。ISD机制可设定N为一大数目(低预设工件取样率)，也不会影响虚拟测量模型的精度。

情境2：制程机台的状态改变。制程机台的状态可能会因机台保养、维护或配方调整而有所改变。此时，本发明实施例会立刻要求对制程机台状态改变时所处理的工件进行实际测量，并重设工件计数为0。例如：若原本预期被测量的工件为第25个工件，而制程机台的状态在第2个工件时发生变化，本发明实施例便会对第2个工件进行实际测量，而下一个预期被测量的工件则为第27个工件。

情境3：工件的DQI_x值异常()。DQI_x值的功能为检查制程机台处理工件所使用的制程资料的品质。为避免DQI_x值异常的制程资料使虚拟测量模型变坏，不应选择DQI_x值异常的工件来进行测量。即，本发明实施例将跳过DQI_x值异常的工件的测量。若此DQI_x值异常的工件为原本预期(排定)被测量的工件(此时用以控制工件取样的工件计数为N)，则本发明实施例会不对此DQI_x值异常的工件进行测量，而请求测量下一个工件。若下一个工件的DQI_x值正常(此时用以控制工件取样的工件计数已大于N)，则对此下一个工件进行测量。若此下一个工件的DQI_x值仍异常，则再跳过此下一个工件的测量。然后，按同样的方式依序再考虑另下一个工件。

情境4：工件的GSI值(GSI＞GSI_T)或RI值(RI＜RI_T)异常。RI值的目的是用以验证虚拟测量值的信心度。若工件的RI值(RI＜RI_T)异常，代表虚拟测量值的可靠程度低，需要工件的实际测量值来调校或重新训练虚拟测量模型。GSI值的目的是用以评估工件的制程资料的偏差程度。工件的制程资料的偏差可造成其对应的测量值偏离正常值，因而必须检查GSI值异常的工件。然而，若RI值或GSI值异常只发生一次，其可能是由资料噪声或其他因素所产生的假性警报，故本发明实施例可在连续几个(例如：2或4个)工件的GSI值或RI值异常时，才对第2或4个工件进行测量。

情境5：工件的DQI_y值异常()。DQI_y值的功能为检查工件的实际测量值的品质。若工件的实际测量值的品质不佳，便不能被用来调校或重新训练虚拟测量模型。当工件的实际测量值的品质不佳时，本发明实施例立即请求测量下一个工件。

以下说明本发明实施例的测量工件取样步骤140的流程，其中测量工件取样步骤140包含如图4所示的取样步骤200、和如图5的步骤201。

在取样步骤200中，首先提供一工件至制程机台(步骤202)，此制程机台具有处理此工件的一组制程资料。输入此工件的制程资料至DQI_X模型和GSI模型中，以获得此工件的制程资料的DQI_X值和GSI值(步骤204)。在步骤204中，亦输入此工件的一组制程资料至推估模型，而计算出此工件的一虚拟测量值；输入此工件的制程参数资料至参考模型，而计算出此工件的一参考预测值。然后，分别计算此工件的虚拟测量值的分配(Distribution)与参考预测值的分配之间的重叠面积而产生此工件的RI值，其中当重叠面积愈大，则RI值愈高，代表所对应至虚拟测量值的可信度愈高。

然后，进行步骤210，以检查制程机台是否已停机一段时间(例如：停机超过1天)。当步骤210的检查结果为是时，此工件被视为停机后第一个工件，而必须进行步骤292，以使用测量机台对此工件进行测量，并设工件计数为0，而确认制程机台是否正常。当步骤210的检查结果为否时，则对工件计数加1(步骤220)。接着，进行步骤230，以检查工件计数是否大于或等于N+p，p为正整数(例如：5)。为避免跳过太多工件的测量，步骤230设立一个安全门槛值，以强制在避免跳过一数量的工件的测量后进行工件测量。当然，步骤230是一个选择性的步骤，本发明实施例亦可省略步骤230。当步骤230的检查结果为是时，使用测量机台对此工件进行测量并设定工件计数为0(步骤292)。当步骤230的检查结果为否时，进行步骤240，以检查制程机台的状态是否有改变(如执行机台保养、更换机台零组件、调整机台参数等)。当步骤240的检查结果为是时，使用测量机台对此工件进行测量并设定工件计数为0(步骤292)，以确认制程机台的生产品质是否正常。

当步骤240的检查结果为否时，进行步骤250，以检查此工件的DQI_X值的好坏。当DQI_X值大于DQI_X门槛值时，代表此工件的制程资料的品质(DQI_X值)不佳(步骤250的检查结果为坏)，因为DQIx值异常的制程资料所生产的工件的实际测量值不可靠，所以不对此工件进行测量(步骤290)。当DQI_X值小于或等于DQI_X门槛值时，代表此工件的DQI_X值的品质佳(步骤250的检查结果为好)，则进行步骤260，以检查此时的工件计数是否大于或等于N。当步骤260的检查结果为是时，代表此工件为预期被测量的工件，应对此工件进行测量并设定工件计数为0(步骤290)。

当步骤260的检查结果为否时，进行步骤270，以检查此工件的GSI值和RI值的好坏。当此工件的GSI值小于或等于GSI门槛值、且此工件的RI值大于或等于RI门槛值，代表由此工件的制程资料所推估的虚拟测量值的可靠度佳(步骤270的检查结果为好)，故不必对此工件进行测量(步骤290)。当此工件的GSI值大于GSI门槛值、或此工件的RI值小于RI门槛值，代表由此工件的制程资料所推估的虚拟测量值的可靠度低(步骤270的检查结果为坏)，可能有必要对此工件进行测量。然而，若RI值或GSI值异常只发生一次，其可能是由资料噪声或其他因素所产生的假性警报，故本发明实施例可在连续几个(例如：2或4个)工件的GSI值或RI值异常时，才对第2或4个工件进行测量。换言之，当步骤270的检查结果为坏时，进行步骤280，以检查此工件之前k个工件(例如：前1个或前3个)的GSI值是否大于GSI门槛值、或此工件之前k个工件的RI值小于RI门槛值，k为正整数。当步骤280的检查结果为是时，使用测量机台对此工件进行测量并设定此工件计数为0(步骤292)。当步骤280的检查结果为否时，不对此工件进行测量(步骤290)。值得一提的是，步骤270亦可只检查此工件的GSI值的好坏。若此工件的GSI值过大，则表示此工件的制程资料与建模的制程资料有些不同，因而此工件的品质较可能异常，故需进行实际测量。由上述可知，应用本发明实施例，使用者可等制程机台处理过较多个工件后再选取工件来进行测量，即可增加N来降低预设工件取样率(1/N)，而不需担心错过应该被测量的异常工件。因此，本发明实施例可有效地降低工件测量抽测率。然而，在本发明的又一实施例中，只进行步骤250(检查此工件的DQI_X值)、步骤260(检查此工件是否为预期被测量的工件)、步骤270(检查此工件的GSI值和RI值，或仅检查此工件的GSI值)，亦可有效地降低工件测量抽测率。

此外，在此工件进行实际测量后，测量工件取样步骤140亦对此工件的测量资料品质指标(DQI_y)值进行评估，如图5的步骤201所示。首先，收集此工件的实际测量值及与实际测量值相对应的制程资料。转换生产此组制程资料为一组z分数。将z分数与实际测量值输入至DQI_y模型中，以计算此工件的实际测量值的DQI_y值。当此工件的DQI_y值大于DQI_y门槛值时代表此实际测量值异常，亦即此实际测量值不能被采用来进行调校或换模工作，为补偿此不足，所以必须对当下生产的工件要求进行测量(即设定工件计数为N)。

可理解的是，本发明的测量抽样方法为以上所述的实施步骤，本发明之内储用于测量抽样的电脑程序产品，是用以完成如上述的测量抽样的方法。上述实施例可利用电脑程序产品来实现，其可包含储存有多个指令的机器可读取媒体，这些指令可程序化(programming)电脑来进行上述实施例中的步骤。机器可读取媒体可为但不限定于软盘、光盘、只读光盘、磁光盘、只读存储器、随机存取存储器、可擦除可编程只读存储器(EPROM)、电子可擦除可编程只读存储器(EEPROM)、光卡(optical card)或磁卡、快闪存储器、或任何适于储存电子指令的机器可读取媒体。再者，本发明的实施例也可做为电脑程序产品来下载，其可借由使用通讯连接(例如网络连线之类的连接)的数据信号来从远端电脑转移本发明的电脑程序产品至请求电脑。

另一方面，本发明实施例的测量抽样方法亦可结合至虚拟测量技术，例如：中国台湾专利公告案第I349867号所揭示的全自动化型虚拟测量方法。请参照图5，其绘示本发明实施例的虚拟测量方法的流程示意图。在完成第一阶段虚拟测量的所有步骤后，进行取样步骤200，以决定工件是否需被实际测量。在第二阶段虚拟测量中，当获得某一工件的实际测量值时，检查工件的DQI_y值。当此工件的DQI_y值大于DQI_y门槛值时，进行步骤201，以对当下生产的工件要求进行测量(即设定工件计数为N)。当本发明实施例的测量抽样方法与虚拟测量方法相结合后，可及时获工件的实际测量值来调校或重新训练虚拟测量模型，以确保虚拟测量的精度。

由上述本发明实施方式可知，借由代表生产过程中制程机台状态改变或机台信息异常的各式指标值所建构的智能取样决策(ISD)机制，本发明可有效地确保虚拟测量的精度，并大幅地降低工件测量抽测率。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (15)

1.一种测量抽样方法，包含：

收集一制程机台处理多个历史工件所使用的多组历史制程资料；

进行一建模步骤，包含：

根据该多组历史制程资料来建立一DQI_X(Process Data Quality Index；制程资料品质指标)模型和一GSI(Global Similarity Index；整体相似度指标)模型，并计算出一DQI_X门槛值和一GSI门槛值；

进行一测量工件取样步骤，包含：

提供一工件至该制程机台，该制程机台具有处理该工件的一组制程资料；

输入该组制程资料至该DQI_X模型和该GSI模型中，以获得该工件的该组制程资料的一DQI_X值和一GSI值；

当该工件的该DQI_X值大于该DQI_X门槛值时，不对该工件进行测量；

当该工件的该DQI_X值小于或等于该DQI_X门槛值时，检查该工件是否为该预期被测量工件，并获得一第一检查结果；

当该第一检查结果为是时，对该工件进行测量；

当该第一检查结果为否时，检查该GSI值是否小于或等于该GSI门槛值，并获得一第二检查结果；

当该第二检查结果为是时，不对该工件进行测量。

2.如权利要求1所述的测量抽样方法，还包含：

收集该多个历史工件的对应至该多组历史制程资料的多个历史测量值；

进行该建模步骤，还包含：

使用该多组历史制程参数资料和该多个历史测量值来建立一推估模型，其中该推估模型的建立是根据一推估演算法；

使用该多组历史制程参数资料和该多个历史测量资料来建立一参考模型，其中该参考模型的建立是根据一参考预测演算法，该推估演算法与该参考预测演算法不同；以及

根据该多个历史测量值与最大可容许误差上限来计算出一RI门槛值；

输入该组制程资料至该推估模型，而计算出该工件的一虚拟测量值；

输入该组制程参数资料至该参考模型，而计算出该工件的一参考预测值；

分别计算该工件的该虚拟测量值的分配(Distribution)与该参考预测值的分配之间的重叠面积而产生该工件的一RI值；

当该第一检查结果为否时，进行一第三检查步骤，以检查该工件的该RI值是否大于或等于该RI门槛值，而获得一第三检查结果；以及

当该第三检查结果为是时，不对该工件进行测量。

3.如权利要求2所述的测量抽样方法，其特征在于，当该第二检查结果或该第三检查结果为否、且该工件的前k个工件的GSI值大于该GSI门槛值或该工件的前k个工件的RI值小于该RI门槛值时，对该工件进行测量，k为正整数。

4.如权利要求1所述的测量抽样方法，其特征在于，该GSI模型的建立是根据一马氏距离(Mahalanobis Distance)演算法、一欧式距离演算法(EuclideanDistance)或一中心法(Centroid Method)，该DQI_X模型的建立是根据一主成分分析法(Principal Component Analysis；PCA)和一欧氏距离(Euclidean Distance)，该建模步骤包含：

以该多组历史制程资料，并应用交互验证(Cross Validation)中的留一法(Leave-One-Out；LOO)原理来重计算出该GSI门槛值；以及

以该多组历史制程资料，并应用留一法原理于该DQI_X模型，来计算出该DQI_X门槛值。

5.如权利要求1所述的测量抽样方法，其特征在于，该推估演算法和该参考预测演算法分别为一倒传递类神经网络(Back Propagation Neural Network；BPNN)、一通用回归类神经网络(General Regression Neural Network；GRNN)、一径向基底类神经网络(Radial Basis Function Neural Network；RBFNN)、一简单回归性网络(Simple Recurrent Network；SRN)、一支持向量资料描述(SupportVector Data Description；SVDD)、一支持向量机(Support Vector Machine；SVM)、一复回归演算法(Multiple Regression；MR)、一部分最小平方法(Partial LeastSquares；PLS)、一非线性替代偏最小平方法(Nonlinear Iterative Partial LeastSquares；NIPALS)或一广义线性模式(Generalized Linear Models；GLMs)。

6.如权利要求1所述的测量抽样方法，其特征在于，

该建模步骤还包含：

根据该多个历史测量值和该多组历史制程资料来建立一DQI_y(Metrology Data Quality Index；测量资料品质指标)模型，其中该DQI_y模型的建立是根据标准化变异和一分群演算法，其中该分群演算法为一适应性共振理2、一模糊自适共振理论(Fuzzy Adaptive Resonance Theory；FuzzyART)、或一k-平均数(K-means)分群法；以及

以该多个历史测量值，并应用相似样版群内最大可容许的变异的观念于该DQI_y模型来计算出一DQI_y门槛值；

该测量工件取样步骤包含：

收集该工件的一实际测量值及与该实际测量值相对应的该组制程资料；

转换生产该工件的该组制程资料为一组z分数；

将该组z分数与该实际测量值输入至该DQI_y模型中，以计算该工件的该实际测量值的一DQI_y值；以及

当该工件的该DQI_y值大于该DQI_y门槛值时，对当下生产的工件要求进行测量。

7.一种测量抽样方法，包含：

设定一预设工件取样率1/N，该预设工件取样率为在一制程机台每处理过N个工件后选取第N个工件为一预期被测量的工件；

收集多个历史工件的多组历史制程资料；

进行一建模步骤，包含：

根据该多组历史制程资料来建立一DQI_X模型和一GSI模型，并计算出一DQI_X门槛值和一GSI门槛值；

进行一测量工件取样步骤，包含：

提供一工件至该制程机台，该制程机台具有处理该工件的一组制程资料；

输入该组制程资料至该DQI_X模型和该GSI模型中，以获得该工件的该组制程资料的一DQI_X值和一GSI值；

对一工件计数加1；

进行一第一检查步骤，以检查该工件的该DQI_X值是否小于或等于该DQI_X门槛值而获得一第一检查结果；

当该第一检查结果为否时，不对该工件进行测量；

当该第一检查结果为是时，进行一第二检查步骤，以检查该工件计数是否大于或等于N而获得一第二检查结果；

当该第二检查结果为是时，对该工件进行测量并设定该工件计数为0；

当该第二检查结果为否时，进行一第三检查步骤，以检查该工件的该GSI值是否小于或等于该GSI门槛值，而获得一第三检查结果；以及

当该第三检查结果为是时，不对该工件进行测量。

8.如权利要求7所述的测量抽样方法，还包含：

收集该多个历史工件的对应至该多组历史制程资料的多个历史测量值；

进行该建模步骤，还包含：

使用该多组历史制程参数资料和该多个历史测量值来建立一推估模型，其中该推估模型的建立是根据一推估演算法；

使用该多组历史制程参数资料和该多个历史测量资料来建立一参考模型，其中该参考模型的建立是根据一参考预测演算法，该推估演算法与该参考预测演算法不同；以及

根据该多个历史测量值与最大可容许误差上限来计算出一RI门槛值；

输入该组制程资料至该推估模型，而计算出该工件的一虚拟测量值；

输入该组制程参数资料至该参考模型，而计算出该工件的一参考预测值；

分别计算该工件的该虚拟测量值的分配(Distribution)与该参考预测值的分配之间的重叠面积而产生该工件的一RI值；

当该第二检查结果为否时，进行一第四检查步骤，以检查该工件的该RI值是否大于或等于该RI门槛值，而获得一第四检查结果；以及

当该第四检查结果为是时，不对该工件进行测量。

9.如权利要求8所述的测量抽样方法，其特征在于，当该第三检查结果或该第四检查结果为否、且该工件的前k个工件的GSI值大于该GSI门槛值、或该工件的前k个工件的RI值小于该RI门槛值时，对该工件进行测量并设定该工件计数为0，k为正整数。

10.如权利要求7所述的测量抽样方法，还包含：

在对该工件计数加1的步骤前，进行一第四检查步骤，以检查该制程机台是否已停机一段时间而获得一第四检查结果；以及

当该第四检查结果为是时，对该工件进行测量并设定该工件计数为0。

11.如权利要求7所述的测量抽样方法，还包含：

在对该工件计数加1的步骤后且进行该第一检查步骤前，进行一第五检查步骤，以检查该工件计数是否大于或等于N+p而获得一第五检查结果，p为正整数；

当该第五检查结果为是时，对该工件进行测量并设定该工件计数为0。

12.如权利要求7所述的测量抽样方法，还包含：

在对该工件计数加1的步骤后且进行该第一检查步骤前，进行一第五检查步骤，以检查该制程机台的状态是否有改变而获得一第五检查结果；

当该第五检查结果为是时，对该工件进行测量并设定该工件计数为0。

13.如权利要求7所述的测量抽样方法，其特征在于，该GSI模型的建立是根据一马氏距离演算法、一欧式距离演算法或一中心法所组成，该DQI_X模型的建立是根据一主成分分析法和一欧氏距离，该建模步骤包含：

以该多组历史制程资料，并应用交互验证中的留一法原理来重计算出该GSI门槛值；以及

以该多组历史制程资料，并应用留一法原理于该DQI_X模型，来计算出该DQI_X门槛值。

14.如权利要求7所述的测量抽样方法，其特征在于，该推估演算法和该参考预测演算法是分别为一倒传递类神经网络、一通用回归类神经网络、一径向基底类神经网络、一简单回归性网络、一支持向量资料描述、一支持向量机、一复回归演算法、一部分最小平方法、一非线性替代偏最小平方法或一广义线性模式。

15.如权利要求7所述的测量抽样方法，其特征在于，

该建模步骤还包含：

根据该多个历史测量值和该多组历史制程资料来建立一DQI_y模型，其中该DQI_y模型的建立是根据标准化变异和和一分群演算法，其中该分群演算法为一适应性共振理2、一模糊自适共振理论、或一k-平均数分群法；以及

以该多个历史测量值，并应用相似样版群内最大可容许的变异的观念于该DQI_y模型来计算出一DQI_y门槛值；

该测量工件取样步骤还包含：

收集该工件的一实际测量值及与该实际测量值相对应的该组制程资料；

转换生产该工件的该组制程资料为一组z分数；

将该组z分数与该实际测量值输入至该DQI_y模型中，以计算该工件的该实际测量值的一DQI_y值；以及

当该工件的该DQI_y值大于该DQI_y门槛值时，对当下生产的工件要求进行测量。