TWI776444B

TWI776444B - 使用卷積神經網路的虛擬量測方法及其電腦程式產品

Info

Publication number: TWI776444B
Application number: TW110111380A
Authority: TW
Inventors: 鄭芳田; 謝昱銘; 王丹汝; 彭琍瑄; 林晉逸
Original assignee: 國立成功大學
Priority date: 2020-07-23
Filing date: 2021-03-29
Publication date: 2022-09-01
Also published as: TW202205156A

Abstract

本發明實施例提供一種使用卷積神經網路(Convolutional Neural Network；CNN)的虛擬量測方法。在本方法中，使用一動態時間規整(Dynamic Time Warping；DTW)演算法來刪除不相似的製程資料，並將製程資料的長度調整為同樣長度，以使卷積神經網路可被用來進行虛擬量測。本發明實施例之虛擬量測模型包含複數個卷積神經網路模型和一個推估模型，其中此些卷積神經網路模型的複數個輸入分別為製程資料之各參數的時序資料，此些卷積神經網路模型的複數個輸出為推估模型的輸入。

Description

使用卷積神經網路的虛擬量測方法及其電腦程式產品

本發明是有關於一種使用卷積神經網路(Convolutional Neural Network；CNN)的虛擬量測方法及其電腦程式產品，且特別是有關於一種使用動態時間規整(Dynamic Time Warping；DTW)演算法之使用卷積神經網路的虛擬量測方法及其電腦程式產品。

虛擬量測在各種產業中都有相當廣泛的應用，例如：半導體產業、工具機產業。虛擬量測可將離線且具延遲特性之品質抽檢改成線上且即時之品質全檢，以確保生產機台之製程穩定及提高產能與良率。舉例而言，當半導體產業的晶圓製程導入虛擬量測後，便可即時發現製程異常，立即進行即時改善，因而避免後續整批晶圓的報廢。當工具機加工導入虛擬量測後，便可同時兼顧即時性與準確性需求來推估每一個被加工之工件(例如輪圈)的準確度值，因而預測出工具機之加工品質，以克服習知之線上量測與離線量測的缺點。

雖然現存之虛擬量測已大致上適用於其預定達到的目的，但尚未能滿足各方面的需求。

本發明之目的是在提供一種使用卷積神經網路的虛擬量測方法及其電腦程式產品，藉以有效地使用卷積神經網路來進行虛擬量測，以提高習知虛擬量測的精確度。

根據本發明之一態樣，提供一種使用卷積神經網路的虛擬量測方法。在此方法中，首先，獲得複數組製程資料，其中此些組製程資料係在一生產機台處理複數個工件時所使用或產生，此些組製程資料係以一對一的方式對應至此些工件，每一組製程資料包含複數個參數的數值，每一個參數的數值為分別對應至此些工件的複數組時序資料。然後，對此些組製程資料進行一資料對整的操作。在此資料對整的操作中，首先對每一個參數之該些組時序資料的一資料長度進行一次數分配(Frequency Distribution)計算，而獲得一資料出現次數對資料長度的分布，其中每一該些參數之該些組時序資料中出現次數最多的資料長度為一參考資料長度。然後，對每一個參數之此些組時序資料中具有此參考資料長度的時序資料進行平均計算，而獲得每一個參數之一組參考時序資料。接著，使用一動態時間規整(Dynamic Time Warping；DTW)演算法來計算每一個參數之每一組時序資料與其對應之參考時序資料間的一距離。然後，設定一距離門檻值。當前述之距離大於距離門檻值時，刪除對應至此距離的製程資料。接著，進行一資料長度調整操作，以在每一個參數之每一組時序資料之一最後資料點後，重複增加具有此最後資料點之數值的至少一個資料點，直到每一個參數之該每一組時序資料的該資料長度等於該些組製程資料之一最長資料長度。在獲得此些工件的複數個實際量測值後，進行一建模操作，以使用此些組製程參數資料和此些實際量測值來建立一虛擬量測模型，其中此虛擬量測模型包含至少一個卷積神經網路模型。然後，在對又一工件之又一組製程資料進行前述之資料對整的操作後，輸入此又一工件之此又一組製程資料至此虛擬量測模型，以計算出此又一工件之一虛擬量測值。

在一些實施例中，前述之使用卷積神經網路的虛擬量測方法更包含：在進行前述之資料長度調整操作前，設定一資料長度上限值；以及刪除前述之製程資料中其資料長度大於此資料長度上限值的製程資料。

在一些實施例中，前述之資料長度上限值為

，其中Q3為前述之資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一第三四分數；IQR為此資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一四分距；k為大於0的常數。

在一些實施例中，前述之設定該距離門檻值的操作係應用交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理。

在一些實施例中，前述之虛擬量測模型包含複數個卷積神經網路模型和一推估模型，此些卷積神經網路模型的複數個輸入分別為前述之參數的時序資料，此些卷積神經網路模型的複數個輸出為此推估模型的輸入。

在一些實施例中，前述之推估模型係根據類神經網路演算法、複迴歸演算法、部分最小平方演算法或支持向量機演算法來建立。

根據本發明之一態樣，提供一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成前述之使用卷積神經網路的虛擬量測方法。

因此，應用本發明實施例，可有效地使用卷積神經網路來進行虛擬量測，而可提高習知之虛擬量測的精確度。

隨著製程愈來愈複雜，對虛擬量測精確度的要求愈來愈高。習知之虛擬量測係使用倒傳遞類神經網路(Back Propagation Neural Network；BPNN)演算法。然而，即使建模樣本資料的數量大幅成長，習知之虛擬量測的性能改善卻仍有一定的限度。BPNN演算法亦需要嚴格且費時的特徵選取流程。另一方面，當建模樣本資料的數量成長時，卷積神經網路(CNN)演算法精度會隨著改善。若有足夠的建模樣本資料，由CNN演算法所建立之虛擬量測的性能便會大幅地改善。此外，CNN演算法能夠自動地自樣本資料中萃取出具有高度訊息性的資料特徵。因此，當使用CNN演算法來進行虛擬量測時，不僅可提高虛擬量測的精確度，亦可節省特徵選取的時間和人力成本。然而，CNN演算法的輸入值必須具有相同資料長度和相似時間分布形狀。當要使用CNN演算法來進行虛擬量測時，必須先克服輸入之製程資料的時間分布形狀不相似和資料長度不同的問題。

本發明實施例係使用複數組建模樣本，並根據一卷積神經網路演算法來建立一虛擬量測模型。每一組建模樣本包含一組製程資料和一個實際量測值。製程資料係在生產機台在處理工件時所使用或產生，製程資料係以一對一的方式對應至工件。每一組製程資料包含複數個參數的數值，每一個參數的數值為分別對應至工件的複數組時序資料。實際量測值係由量測機台量測工件的品質項目後所獲得。對晶圓製程而言，生產機台為晶圓製程機台，例如：蝕刻機台、沉積機台、濺鍍機台等；實際量測值為薄膜厚度、蝕刻深度、蝕刻側壁角度等；製程資料包含溫度。對晶圓切割製程而言，生產機台為晶圓切割機台；實際量測值為晶圓崩缺量；製程資料包含刀片堵塞(Blade Clogging)、冷卻液流速、主軸轉速、進給速率、晶圓條件(如厚度、塗佈等)、和/或切口寬度(Kerf Width)。對工具機加工而言，生產機台為工具機；實際量測值包含粗糙度、直線度(Straightness)、稜角度(Angularity)、垂直度(Perpendicularity)、平行度(Parallelism)和/或圓度(Roundness)；製程資料包含工作電流、由安裝在此工具機上之偵測器(例如：三軸加速度感測器(Accelerometer)和/或聲射(Acoustic Emission；AE)感測器)所獲得的振動和/或音頻資料資料。

每一組製程資料之每一個參數的每一組時序資料係在進行一製程時，以一個感應器在一取樣速率對一個工件進行偵測而獲得。請參照圖1，圖1為繪示例示之蝕刻製程之壓力參數的原始製程資料，其中標示有三角形記號的曲線10代表工件樣本1被蝕刻時反應室內之壓力(參數)的時序資料；標示有正方形記號的曲線20代表工件樣本2被蝕刻時反應室內之壓力(參數)的時序資料；標示有x記號的曲線30代表工件樣本3被蝕刻時反應室內之壓力(參數)的時序資料。如圖1之區域A1和放大區域A2所示，即使蝕刻製程具有相同的配方，工件樣本1、2、3壓力(參數)的時序資料的長度仍不相同，而無用以建模。如圖1之區域B所示，在製程開始時，工件樣本3的初始壓力(曲線30)沒有工件樣本1、2的初始壓力(曲線10、20)高。此係由於在蝕刻工件樣本3時感應器延遲而造成在收集工件樣本3時未報告起出兩秒鐘的資料。由於工件樣本3之製程資料的時間分布形狀與工件樣本1、2之製程資料的時間分布形狀不相似，若仍使用工件樣本3之製程資料進行建模，則會汙染模型而影響模型的精度。

因此，本發明實施例提供一種自動資料對整機制(Automated Data Alignment Scheme；ADAS)，以刪除時間分布形狀不相似的製程資料，並使製程資料的資料長度相同。

以下本發明實施例所揭露之虛擬量測、RI(Reliance Index；信心指標) 模型、GSI(Global Similarity Index；整體相似度指標)模型、DQI_X (Process Data Quality Index；製程資料品質指標)、DQI_y (Metrology Data Quality Index；量測資料品質指標)模型、雙階段虛擬量測機制可參照美國專利前案第8095484B2號。即，本發明之實施例引用此美國專利前案之相關規定(Incorporated by reference)。

請參照圖2，圖2為繪示根據本發明一些實施例之虛擬量測應用的方塊示意圖。首先，自生產機台獲得歷史工件之如前所述之多組製程資料102。製程資料前處理模組106根據自動資料對整機制(ADAS)108來對製程資料102進行資料對整的操作，以刪除時間分布形狀不相似的製程資料102，並使製程資料102的資料長度相同。在進行資料對整的操作之前或之後，製程資料前處理模組106可根據DQI_X 模型，來進行製程資料102的資料品質評估，並針對來自生產機台之原始製程資料102進行整理及標準化。量測資料前處理模組112根據DQI_y 模型，來進行歷史工件之量測資料104 (即如前所述之多個實際量測值)的資料品質評估資料，並進行離散化和篩選，以去除其中之異常值。然後，使用歷史工件之量測資料104和對整後的製程資料102為建模樣本，並根據卷積神經網路演算法來建立虛擬量測模型110、RI模型120、GSI模型130，其中虛擬量測模型110包含CNN模型，並具有雙階段機制。在虛擬量測模型110、RI模型120、GSI模型130建模完成後，便可對後續工件進行虛擬量測。在獲得一工件之一組製程資料102後，製程資料前處理模組106根據自動資料對整機制(ADAS)108來進行資料對整的操作和/或其他資料前處理。然後，輸入處理後之製程資料102至虛擬量測模型110、RI模型120、GSI模型130，以計算出工件的第一階段虛擬量測值(VM_I )與其信心指標值(RI)和整體相似度指標值(GSI)。當此工件被生產機台處理完成後，若有被量測機台量測其品質項目而獲得其量測資料104(即如實際量測值)，則可使用此工件之製程資料102和量測資料104來重新訓練或調校虛擬量測模型110、RI模型120、GSI模型130，以計算出此工件的第二階段虛擬量測值(VM_II )與其信心指標值(RI)和整體相似度指標值(GSI)。

以下說明基於自動資料對整機制(ADAS)108的資料對整的操作。

請參照圖3A，圖3A為繪示根據本發明一些實施例基於使用自動資料對整機制(ADAS)108的虛擬量測方法的流程示意圖。在進行資料對整的操作300之前，進行資料蒐集的操作302，以獲得獲得複數組製程資料，其中此些組製程資料係在生產機台處理複數個工件時所使用或產生，此些組製程資料係以一對一的方式對應至此些工件，每一組製程資料包含複數個參數的數值，每一個參數的數值為分別對應至此些工件的複數組時序資料。在資料對整的操作300中，首先，進行獲得參考資料長度的操作310，以對每一個參數之多組時序資料的資料長度進行次數分配(Frequency Distribution)計算，而獲得資料出現次數對資料長度的分布，其中每一個參數之多組時序資料中出現次數最多的資料長度為一參考資料長度。然後，進行獲得參考時序資料的操作320，以對每一個參數之多組時序資料中具有前述之參考資料長度的時序資料進行平均計算，而獲得每一個參數之一組參考時序資料。

以下以一應用例來說明獲得參考資料長度的操作310和獲得參考時序資料的操作320。請參照圖3B和3C，圖3B繪示本發明之一應用例中各工件之製程資料的資料長度，而圖3C繪示本應用例中各工件之製程出現次數對資料長度的分布。如圖3B所示，本應用例提供100個工件之某一個參數的資料，每一組製程資料之此參數的資料為如圖1所示之時序資料。其時序資料的資料長度分別為444個資料點至462 個資料點。在進行次數分配計算後，可獲得如圖3C所示之資料出現次數(15次)對資料長度的分布，其中出現次數最多的資料長度為453個資料點，因此參考資料長度為453個資料點，總共有15個工件之製程資料的資料長度為453個資料點。在對此15個工件之此參數的的時序資料進行平均計算後，可獲得此參數之一組參考時序資料。

如圖3A所示，在獲得每一個參數之一組參考時序資料後，進行計算資料距離的操作330，以使用一動態時間規整(DTW)演算法來計算每一個參數之每一組時序資料與其對應之參考時序資料間的一距離。DTW是一種衡量兩個時序資料(時間序列)間之相似度的方法，其廣泛地應用在語音辨識領域來識別兩段語音是否表示同一個單詞。假設圖1所示之工件樣本1的壓力時序資料A = [a ₁ , ...,a _n ]，工件樣本3的壓力時序資料B = [b₁ , ..., b_m ]，其中A為參考時序資料，B為測試時序資料(即每一個參數之每一組時序資料)，資料長度n 、m

R。兩時序資料間的歸整路徑(Warping Path)P包含對準元件的指標，P = [p₁ , p₂ , ..., p_K ]，其中p_K = (i_K , j_K )

[1:n] × [1:m]， k

[1:K]，並滿足下列限制：邊界限制：p₁ =(1,1),p_K =(n,m)；步進大小與方向：(p_k+1 − p_k )

{(1, 0), (0, 1), (1, 1)}，其中 l

[1:K − 1]。歸整路徑P的長度滿足max(n, m) ≤ K ≤ n + m，而A與B間之所有歸整路徑P標示為P_m,n 。歸整路徑P的歸整代價(Warping Cost)d(A,B)定義如下：

(1) 其中d(…)為距離函數，其可為例如歐幾里得距離 (Euclidean distance)，即

。為要獲得最佳歸整路徑，建立一個累積代價矩陣D，其公式如下：

(2)

根據上述公式來計算，工件樣本3的壓力時序資料與參考時序資料(工件樣本1的壓力時序資料)間的距離(累積代價矩陣)為199.79，而工件樣本2的壓力時序資料與參考時序資料(工件樣本1的壓力時序資料)間的距離(累積代價矩陣)為152.29。由於距離愈小代表愈相似，故工件樣本2比工件樣本3相似於工件樣本1。值得一提的是，距離函數亦可為例如馬氏距離(Mahalanobis Distance)或其他演算法。

然後，設定一距離門檻值(操作332)。當參數之時序資料與其對應之參考時序資料間的距離(資料距離)大於距離門檻值時，則刪除對應至此距離的製程資料(操作334)，即此組製程資料與其他組製程資料太不相似，不可用於建模。設定距離門檻值(DTW_T )的操作332可應用例如交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理，其公式如下：

(3) 其中

為每一個參數之各組時序資料與其對應之參考時序資料間的距離的平均值；

為每一個參數之各組時序資料與其對應之參考時序資料間的距離的標準差，其係藉由留一法(LOO)原理對所有工件之製程資料(即建模樣本資料)計算而得。α係由切比雪夫定理（Chebyshev’s theorem）所獲得，其公式如下：

(4) 當以例如95 %的信賴度(λ = 0.05)來辨識低於或等於DTW_T 之正常資料與高於DTW_T 之異常資料時，

= 4.472。

接著，設定一資料長度上限值(操作340)。此資料長度上限值可為例如

，其中Q3為如圖3C所示之資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一第三四分數；IQR為該資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一四分距；k為大於0的常數，例如：1.5。圖3C所示，在100個工件中，資料長度出現順序的的第三四分數為第75個工件的資料長度，即Q3為455個資料點；資料長度出現順序的的第一四分數為第25個工件的資料長度，其為451個資料點；IQR = 455-451=4個資料點。因此，資料長度上限值=

=461個資料點。然後，刪除所有工件之製程資料中其資料長度大於資料長度上限值(461個資料點)的製程資料，即第99個和第100個工件的製程資料。

然後，進行一資料長度調整操作342，以在每一個參數之每一組時序資料之最後資料點後，重複增加具有此最後資料點之數值的至少一個資料點，直到每一個參數之每一個組時序資料的資料長度等於所有製程資料之最長資料長度。

接著，進行建模操作350，以使用調整後的製程參數資料和其對應之實際量測值來建立一虛擬量測模型，其中此虛擬量測模型包含至少一個卷積神經網路模型。然後，進行一預測操作360。在此預測操作360中，首先獲得下一個工件之一組製程資料後，再對此工件之製程資料進行資料對整的操作300。然後，輸入此工件之製程資料至虛擬量測模型，以計算出此工件之虛擬量測值。

卷積神經網路模型典型地係由卷積層、池化(Pooling)層、攤平(Flatten)層、和/或丟棄(Dropout)層、和全連階 (Fully connection；FC)層，其中FC層包含至少一隱藏(Hidden)層和輸出層。由於卷積神經網路模型或演算法為本發明所屬技術領域中具有通常知識者所知，故不再此贅述。

集成學習(Ensemble Learning)可藉由結合系統中之多個單一分類器(Classifier)來有效地改善精度。因此，本發明實施例更提出一種集成學習的方法來建構虛擬量測模型。請參照圖4，圖4為繪示根據本發明一些實施例之的集成虛擬量測模型的示意圖。如圖4所示，本發明實施例之虛擬量測模型包含複數個卷積神經網路(CNN)模型(CNN模型1、CNN模型2、…、CNN模型p)和一個推估模型400，其中此些卷積神經網路模型的複數個輸入分別為製程資料之各參數的時序資料，而卷積神經網路模型的複數個輸出y₁ -y_p 為推估模型400的輸入。推估模型400係根據例如類神經網路演算法、複迴歸演算法、部分最小平方演算法或支持向量機演算法來建立。製程資料之參數1、參數2、…、參數p係以一對一的方式對應至CNN模型1、CNN模型2、…、CNN模型p。此虛擬量測模型對每一個參數個別地進行卷積、池化、攤平、和/或丟棄和全連接，而獲得中間輸出y₁ 、y₂ 、…、y_p 。然後，以這些中間輸出y₁ 、y₂ 、…、y_p 在額外的全連接層(例如：推估模型400為倒傳遞類神經網路(BPNN)模型)上進行集成，而產生最終之虛擬量測值的輸出。

以下以關於蝕刻深度、蝕刻側壁角度的應用例來說明本發明實施例。請參照圖5A，圖5A為繪示本發明應用例關於蝕刻側壁角度的預測結果，其中標示有x記號的曲線42代表實際的蝕刻側壁角度；標示有三角形記號的曲線44代表由習知之BPNN模型所預測出的蝕刻側壁角度；標示有正方形記號的曲線46代表由圖4之集成虛擬量測模型所預測出的蝕刻側壁角度。曲線44的平均絕對誤差(MAE)為0.383度，判定係數(R² )為0.640，曲線46的平均絕對誤差(MAE)為0.326度，判定係數(R² )為0.708。請參照圖5B，圖5B為繪示本發明應用例關於蝕刻深度的預測結果，其中標示有x記號的曲線52代表實際的蝕刻深度；標示有三角形記號的曲線54代表由習知之BPNN模型所預測出的蝕刻深度；標示有正方形記號的曲線56代表由圖4之集成虛擬量測模型所預測出的蝕刻深度。曲線54的平均絕對誤差(MAE)為22.86埃，判定係數(R² )為0.791，曲線56的平均絕對誤差(MAE)為18.83埃，判定係數(R² )為0.849。MAE愈小，精確度愈高；R2愈大，模型的統計關聯性(解釋力)愈強。因此，本發明實施例所提供之集成虛擬量測模型優於習知之BPNN模型。

可理解的是，本發明之使用卷積神經網路(CNN)的虛擬量測方法為以上所述之實施步驟，本發明之內儲用於量測抽樣之電腦程式產品，係用以完成如上述之預測機台加工事件發生的方法與決定是否啟動虛擬量測的方法。上述實施例所說明的各實施步驟的次序可依實際需要而調動、結合或省略。上述實施例可利用電腦程式產品來實現，其可包含儲存有多個指令之機器可讀取媒體，這些指令可程式化(programming)電腦來進行上述實施例中的步驟。機器可讀取媒體可為但不限定於軟碟、光碟、唯讀光碟、磁光碟、唯讀記憶體、隨機存取記憶體、可抹除可程式唯讀記憶體(EPROM)、電子可抹除可程式唯讀記憶體(EEPROM)、光卡(optical card)或磁卡、快閃記憶體、或任何適於儲存電子指令的機器可讀取媒體。再者，本發明之實施例也可做為電腦程式產品來下載，其可藉由使用通訊連接(例如網路連線之類的連接)之資料訊號來從遠端電腦轉移本發明之電腦程式產品至請求電腦。

亦可注意的是，本發明亦可描述於一製造系統的語境中。雖然本發明可建置在半導體製作中，但本發明並不限於半導體製作，亦可應用至其他製造工業。製造系統係配置以製造工件或產品，工件或產品包含但不受限於微處理器、記憶體裝置、數位訊號處理器、專門應用的電路(ASICs)或其他類似裝置。本發明亦可應用至除半導體裝置外之其他工件或產品，如車輛輪框、螺絲。製造系統包含一或多個處理工具，其可用以形成一或多個產品或產品的一部分，在工件(例如：晶圓、玻璃基板)上或中。發明本領域具有通常技藝者應可知，生產機台可為任何數目和任何型式，包含有微影機台、沉積機台、蝕刻機台、研磨機台、退火機台、工具機和類似工具。在實施例中，量測機台包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。

綜上所述，本發明實施例可有效地使用卷積神經網路來進行虛擬量測，而可提高習知之虛擬量測的精確度。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

10:曲線 20:曲線 30:曲線 42:曲線 44:曲線 46:曲線 52:曲線 54:曲線 56:曲線 102:製程資料 104:量測資料 106:製程資料前處理模組 108:ADAS 110:虛擬量測模型 112:量測資料前處理模組 120:RI模型 130:GSI模型 300:操作 302:操作 310:操作 320:操作 330:操作 332:操作 334:操作 340:操作 342:操作 350:操作 360:操作 400:推估模型

為了更完整了解實施例及其優點，現參照結合所附圖式所做之下列描述，其中圖1為繪示例示蝕刻製程之壓力參數的原始製程資料；圖2為繪示根據本發明一些實施例之虛擬量測應用的方塊示意圖；圖3A為繪示根據本發明一些實施例基於使用自動資料對整機制(ADAS)108的虛擬量測方法的流程示意圖；圖3B繪示本發明之一應用例中各工件之製程資料的資料長度；圖3C繪示本應用例中各工件之製程出現次數對資料長度的分布圖4為繪示根據本發明一些實施例之的集成虛擬量測模型的示意圖；圖5A為繪示本發明應用例關於蝕刻側壁角度的預測結果；以及圖5B為繪示本發明應用例關於蝕刻深度的預測結果。

300:操作

302:操作

310:操作

320:操作

330:操作

332:操作

334:操作

340:操作

342:操作

350:操作

360:操作

Claims

一種使用卷積神經網路的虛擬量測方法，包含：獲得複數組製程資料，其中該些組製程資料係在一生產機台處理複數個工件時所使用或產生，該些組製程資料係以一對一的方式對應至該些工件，每一該些組製程資料包含複數個參數的數值，每一該些參數的數值為分別對應至該些工件的複數組時序資料；對該些組製程資料進行一資料對整的操作，該資料對整的操作包含：對每一該些參數之每一該些組時序資料的一資料長度進行一次數分配(Frequency Distribution)計算，而獲得一資料出現次數對資料長度的分布，其中每一該些參數之該些組時序資料中出現次數最多的資料長度為一參考資料長度；對每一該些參數之該些組時序資料中具有該參考資料長度的時序資料進行平均計算，而獲得每一該些參數之一組參考時序資料；使用一動態時間規整(Dynamic Time Warping；DTW)演算法來計算每一該些參數之每一該些組時序資料與其對應之參考時序資料間的一距離；設定一距離門檻值；當該距離大於該距離門檻值時，刪除對應至該距離的製程資料；以及進行一資料長度調整操作，以在每一該些參數之每一該些組時序資料之一最後資料點後，重複增加具有該最後資料點之數值的至少一資料點，直到每一該些參數之該每一該些組時序資料的該資料長度等於該些組製程資料之一最長資料長度；獲得該些工件的複數個實際量測值；進行一建模操作，以使用該些組製程參數資料和該些實際量測值來建立一虛擬量測模型，其中該虛擬量測模型包含至少一卷積神經網路模型；以及對又一工件之又一組製程資料進行該資料對整的操作後，輸入該又一工件之該又一組製程資料至該虛擬量測模型，以計算出該又一工件之一虛擬量測值。
如請求項1所述之使用卷積神經網路的虛擬量測方法，更包含：在進行該資料長度調整操作前，設定一資料長度上限值；以及刪除該些組製程資料中其資料長度大於該資料長度上限值的製程資料。
如請求項2所述之使用卷積神經網路的虛擬量測方法，其中該資料長度上限值為
，其中Q3為該資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一第三四分數；IQR為該資料出現次數對資料長度的分布中資料長度由小到大之出現順序的一四分距；k為大於0的常數。
如請求項1所述之使用卷積神經網路的虛擬量測方法，其中該設定該距離門檻值的操作係應用交互驗證(Cross Validation)中的留一法(Leave-One-Out；LOO)原理。
如請求項1所述之使用卷積神經網路的虛擬量測方法，其中該虛擬量測模型包含複數個卷積神經網路模型和一推估模型，該些卷積神經網路模型的複數個輸入分別為該些參數的時序資料，該些卷積神經網路模型的複數個輸出為該推估模型的輸入。
如請求項5所述之使用卷積神經網路的虛擬量測方法，其中該推估模型係根據類神經網路演算法、複迴歸演算法、部分最小平方演算法或支持向量機演算法來建立。
一種電腦程式產品，當電腦載入此電腦程式產品並執行後，可完成如請求項1至6中任一項所述之使用卷積神經網路的虛擬量測方法。