TWI835197B

TWI835197B - 製造程序之最佳良率路徑之搜尋方法及其系統

Info

Publication number: TWI835197B
Application number: TW111125841A
Authority: TW
Inventors: 林晉逸; 鄭芳田; 銀慶剛; 謝昱銘
Original assignee: 國立成功大學
Priority date: 2021-11-18
Filing date: 2022-07-11
Publication date: 2024-03-11
Also published as: TW202322031A

Abstract

本發明提供一種製造程序之最佳良率路徑之搜尋方法，其利用雙階段機制搜尋出最佳良率路徑。第一階段包含基於演算法來建立搜尋模型；及藉由輸入工件之生產路徑及最終檢查值至搜尋模型中，以選擇出製程站之關鍵製程站，然後依據關鍵製程站產生關鍵路徑。第二階段包含依據生產路徑及最終檢查值建立關鍵路徑之預測模型；及依據預測模型預測對應關鍵路徑之良率，然後依據良率搜尋出關鍵路徑之最佳良率路徑，最佳良率路徑對應此些良率之最佳良率。藉此，既可降低預測路徑數量並涵蓋未走過路徑，亦可考量裝置間的交互作用，以提高路徑搜尋之效。

Description

製造程序之最佳良率路徑之搜尋方法及其系統

本發明是關於一種製造程序之路徑之搜尋方法及其系統，特別是關於一種製造程序之最佳良率路徑之搜尋方法及其系統。

提高產品良率對於公司的盈利能力表現至關重要，特別是在研發和量產階段。所有的製造者無不尋求在研發和量產階段中迅速地提高產品良率。換言之，當良率損失發生時，必須在研發和量產階段中快速地找出引起此良率損失的根本原因。當遭遇到良率損失時，習知之良率提升方法是收集所有生產相關資料來進行大數據分析，以找出造成良率損失的根本原因並改正這些根本原因。然而，生產相關資料常常是數量龐大且複雜的，因此非常難以從生產相關資料中尋找良率損失的根本原因。

一般實現零缺陷(Zero-Defect；ZD)可以通過實時的在線全檢技術中丟棄所有的缺陷產品來實現，例如：自全自動虛擬量測(Automatic Virtual Metrology；AVM)。此外，習知的智慧型良率管理系統(Intelligent Yield Management；IYM)的關鍵參數搜尋演算法(Key-variable Search Algorithm；KSA)可用於找出缺陷的根本原因，從而對這些缺陷產品進行持續改進，如此就可以實現所有生產產品零缺陷。然而，在多階段製造程序(Multistage Manufacturing Process；MMP)環境中，工件可能會隨機通過每個製程中具有相同功能的製程裝置之一。同一類型的不同裝置在每個製程的性能不同，這些性能將通過指定的製造程序累積並影響最終良率。然而，KSA只能識別單變量(即單個裝置)對良率的影響，而無法搜尋對良率有重大影響的製造路徑(Manufacturing Path)。

由此可知，目前市場上缺乏一種可在所有MMP路徑中找到良率較好的黃金路徑且具有高可靠程度的製造程序之最佳良率路徑之搜尋方法及其系統，故相關業者均在尋求其解決之道。

因此，本發明之目的在於提供一種製造程序之最佳良率路徑之搜尋方法及其系統，其提出最佳良率路徑搜尋演算法(Golden Path Search Algorithm；GPSA)，GPSA可以在參數數量遠大於樣本數量的環境中使用，從而使製造良率提高，適用於多階段製造程序(MMP)的環境中。另外，GPSA可透過特定之雙階段機制實現，且最佳良率路徑可包含工件未走過的路徑，使最佳良率路徑搜尋達到全面性之考量。此外，特定之雙階段機制可在生產線的大量所有可能之製造路徑中搜尋出黃金路徑，不但可供產品製造商選用以有效提高製造良率，而且所搜尋出之黃金路徑的可靠程度相當高。再者，透過特定雙階段機制的模型預測良率及良率排名，既可同時檢視關鍵路徑之所有階層及其對應之所有階層預測模型，以選出最佳模型及最佳良率的黃金路徑，亦能涵蓋關鍵製程裝置之間的交互作用，以納入裝置間交互作用所引起的良率影響。

依據本發明的方法態樣之一實施方式提供一種製造程序之最佳良率路徑之搜尋方法，其包含以下步驟：提供一生產線，生產線包含複數個製程站，此些製程站的每一者包含複數個製程裝置，此些製程裝置的每一者係配置以處理複數個工件之其中一者；根據複數個生產路徑分別處理此些工件，此些生產路徑的每一者指出在此些製程站之此些製程裝置之其中一者，用以處理此些工件之其中一者；對通過生產線後之此些工件的每一者進行至少一良率測試，以獲得分別對應至此些工件之複數組最終檢查值；進行第一階段，第一階段包含：基於一演算法來建立一搜尋模型，其中演算法為一組最小絕對壓縮挑選機制(Group Least Absolute Shrinkage and Selection Operator；Group LASSO)與一組正交貪婪演算法(Group Orthogonal Greedy Algorithm；Group OGA)之其中一者；及藉由輸入此些工件之此些生產路徑及此些組最終檢查值至搜尋模型中，以選擇出此些製程站之複數個關鍵製程站，然後依據此些關鍵製程站產生複數個關鍵路徑；以及進行第二階段，第二階段包含：依據此些生產路徑及此些組最終檢查值建立此些關鍵路徑之複數個預測模型；及依據此些預測模型預測對應此些關鍵路徑之複數個良率，然後依據此些良率搜尋出此些關鍵路徑之最佳良率路徑，最佳良率路徑對應此些良率之最佳良率。

藉此，本發明之製造程序之最佳良率路徑之搜尋方法可透過特定之雙階段機制搜尋出最佳良率路徑，且最佳良率路徑可包含工件未走過的路徑，使最佳良率路徑搜尋達到全面性之考量。此外，特定之雙階段機制可透過關鍵製程站在生產線的大量所有可能之製造路徑中搜尋出黃金路徑，以大幅降低欲確認路徑之數量，進而有效提高路徑搜尋之效率，不但可供產品製造商選用以有效提高製造良率，而且所搜尋出之黃金路徑的可靠程度相當高。再者，透過特定雙階段機制的模型預測良率及良率排名，既可同時檢視關鍵路徑之所有階層及其對應之所有階層預測模型，以選出最佳模型及最佳良率的黃金路徑，亦能涵蓋關鍵製程裝置之間的交互作用，以納入裝置間交互作用所引起的良率影響。

前述實施方式之其他實施例如下：前述第一階段更包含統計此些工件的每一者通過此些製程裝置的每一者之通過率，使此些製程裝置具有複數個通過率，然後濾除此些通過率小於預設通過率之部分此些製程裝置，其中預設通過率小於等於5%。

前述實施方式之其他實施例如下：在前述第二階段中，此些關鍵路徑之此些預測模型包含此些製程站之此些製程裝置之至少二者間的交互作用。

前述實施方式之其他實施例如下：前述第二階段更包含使用訊息準則演算法，來計算出此些關鍵路徑的每一者之此些預測模型的每一者的至少一訊息量，此些預測模型的每一者具有至少一階層且包含至少一階層預測模型，此至少一訊息量對應此至少一階層及此至少一階層預測模型；及選出此至少一階層預測模型之一者為最佳模型，其中此至少一階層預測模型之此者具有此至少一訊息量之最小者。

前述實施方式之其他實施例如下：前述訊息準則演算法為赤池信息量準則(Akaike Information Criterion；AIC)，且此至少一階層之數量小於5。

前述實施方式之其他實施例如下：前述第二階段更包含對此些關鍵路徑之此些良率進行排名，而獲得路徑排名表，路徑排名表包含最佳良率路徑；及計算此些生產路徑及此些組最終檢查值之相關性、此些組最終檢查值之最大值及最小值，以獲得信賴指標，來評估搜尋結果的可靠程度。

前述實施方式之其他實施例如下：前述關鍵路徑之一者包含複數個關鍵製程裝置，此些關鍵製程裝置分別對應此些關鍵製程站，此些關鍵路徑之此者分類為未走過路徑與已走過路徑之一者。未走過路徑代表此些工件之其中此者於通過生產線時在此些關鍵製程站中未被此些關鍵製程裝置全部處理；已走過路徑代表此些工件之其中此者於通過生產線時在此些關鍵製程站中被此些關鍵製程裝置全部處理。

依據本發明的結構態樣之一實施方式提供一種製造程序之最佳良率路徑之搜尋系統，其用以搜尋生產線之最佳良率路徑。生產線包含複數個製程站，此些製程站的每一者包含複數個製程裝置，此些製程裝置的每一者係配置以處理複數個工件之其中一者。製造程序之最佳良率路徑之搜尋系統包含記憶體與處理器，其中記憶體儲存生產資訊及對應至此些工件之複數組最終檢查值，生產資訊包含複數個生產路徑，此些生產路徑的每一者指出在此些製程站之此些製程裝置之其中一者，用以處理此些工件之其中一者。此些組最終檢查值係藉由對通過生產線後之此些工件的每一者進行至少一良率測試來獲得。處理器電性連接記憶體，處理器接收此些生產路徑及此些組最終檢查值並經配置以實施包含以下步驟之操作：進行第一階段，第一階段包含基於一演算法來建立搜尋模型，其中演算法為一組最小絕對壓縮挑選機制(Group Least Absolute Shrinkage and Selection Operator；Group LASSO)與一組正交貪婪演算法(Group Orthogonal Greedy Algorithm；Group OGA)之其中一者；及藉由輸入此些工件之此些生產路徑及此些組最終檢查值至搜尋模型中，以選擇出此些製程站之複數個關鍵製程站，然後依據此些關鍵製程站產生複數個關鍵路徑。再者，進行第二階段，第二階段包含依據此些生產路徑及此些組最終檢查值建立此些關鍵路徑之複數個預測模型；及依據此些預測模型預測對應此些關鍵路徑之複數個良率，然後依據此些良率搜尋出此些關鍵路徑之最佳良率路徑，最佳良率路徑對應此些良率之最佳良率。

藉此，本發明的製造程序之最佳良率路徑之搜尋系統可透過特定之雙階段機制搜尋出最佳良率路徑，且最佳良率路徑可包含工件未走過的路徑，使最佳良率路徑搜尋達到全面性之考量。再者，特定之雙階段機制可透過關鍵製程站在生產線的大量所有可能之製造路徑中搜尋出黃金路徑，以大幅降低欲確認路徑之數量，進而有效提高路徑搜尋之效率，不但可供產品製造商選用以有效提高製造良率，而且所搜尋出之黃金路徑的可靠程度相當高。另外，透過特定雙階段機制的模型預測良率及良率排名，既可同時檢視關鍵路徑之所有階層及其對應之所有階層預測模型，以選出最佳模型及最佳良率的黃金路徑，亦能涵蓋關鍵製程裝置之間的交互作用，以納入裝置間交互作用所引起的良率影響。

前述實施方式之其他實施例如下：前述第一階段更包含統計此些工件的每一者通過此些製程裝置的每一者之通過率，使此些製程裝置具有複數此通過率，然後濾除此些通過率小於預設通過率之部分此些製程裝置，其中預設通過率小於等於5%。

前述實施方式之其他實施例如下：前述第二階段更包含使用一訊息準則演算法，來計算出此些關鍵路徑的每一者之此些預測模型的每一者的至少一訊息量。此些預測模型的每一者具有至少一階層且包含至少一階層預測模型，此至少一訊息量對應此至少一階層及此至少一階層預測模型；及選出此至少一階層預測模型之一者為最佳模型，其中此至少一階層預測模型之此者具有此至少一訊息量之最小者。

前述實施方式之其他實施例如下：前述訊息準則演算法為一赤池信息量準則(Akaike Information Criterion；AIC)，且此些階層之數量小於5。

前述實施方式之其他實施例如下：前述關鍵路徑之一者包含複數個關鍵製程裝置，此些關鍵製程裝置分別對應此些關鍵製程站。此些關鍵路徑之此者分類為未走過路徑與已走過路徑之一者，未走過路徑代表此些工件之其中此者於通過生產線時在此些關鍵製程站中未被此些關鍵製程裝置全部處理，已走過路徑代表此些工件之其中此者於通過生產線時在此些關鍵製程站中被此些關鍵製程裝置全部處理。

以下將參照圖式說明本發明之複數個實施例。為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施例中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之；並且重複之元件將可能使用相同的編號表示之。

此外，本文中當某一元件(或單元或模組等)「連接」於另一元件，可指所述元件是直接連接於另一元件，亦可指某一元件是間接連接於另一元件，意即，有其他元件介於所述元件及另一元件之間。而當有明示某一元件是「直接連接」於另一元件時，才表示沒有其他元件介於所述元件及另一元件之間。而第一、第二、第三等用語只是用來描述不同元件，而對元件本身並無限制，因此，第一元件亦可改稱為第二元件。且本文中之元件/單元/電路之組合非此領域中之一般周知、常規或習知之組合，不能以元件/單元/電路本身是否為習知，來判定其組合關係是否容易被技術領域中之通常知識者輕易完成。

請參閱第1圖，第1圖係繪示本發明之一實施例之生產系統的示意圖。如圖所示，生產系統包含生產線100、製造程序之最佳良率路徑之搜尋系統200、工程資料搜集(Engineering Data Collection；EDC)系統260、製造執行系統(Manufacturing Execution System；MES)270及偵測與分類(Fault Detection and Classification；FDC)系統280。EDC系統260係配置以搜集生產線100所處理之工件的線上(In-line)量測值(y)、缺陷(D)和最終檢查值(Y)。製造執行系統270係配置以儲存生產線100所處理之工件的生產路徑(X _R)。FDC系統280係配置以搜集感應器所獲得之生產線100上各製程裝置之製程參數的數值，並負責即時監控生產線100上各製程裝置的健康狀況。製造程序之最佳良率路徑之搜尋系統200係配置以搜尋生產線100之最佳良率路徑。

請一併參閱第1圖、第2圖、第3圖及第4圖，其中第2圖係繪示本發明之生產線100的示意圖；第3圖係繪示本發明之一實施例之製造程序之最佳良率路徑之搜尋系統200的方塊示意圖；及第4圖係繪示第2圖之生產線100的所有可能之製造路徑的示意圖。如圖所示，生產線100包含複數個製程站(Stages)1001、1002、1003、1004、1005、1006、1007、1008、1009、1010、1011、1012、1013、1014、1015、1016、1017、1018、1019，每一個製程站包含複數個製程裝置(如第4圖之Dv1、Dv2、Dv3、Dv4、Dv5)，每一個製程裝置係配置以處理複數個工件之其中一者。

舉例來說，在半導體封裝技術中，凸塊製程(Bumping Process)可分為重分佈層(Redistribution Layer；RDL)製程與銲錫球下之金屬層(Under Bump Metallurgy；UBM)製程，其中每一個製程包含濺鍍站(如濺射沉積製程站1001、1009)、光罩站(如正光阻塗佈製程站1002、1010、邊緣球狀物移除製程站1003、1011、曝光製程站1004、1012、顯影製程站1005、1013)、電鍍站(如鍍銅製程站1006、1014)、剝除站(如光阻去除製程站1007、1015)及蝕刻站(如蝕刻製程站1008、1016)。此外，UBM製程還包含植球製程站1017、回焊製程站1018、助焊劑清潔製程站1019。在生產時，每一個工件逐一通過製程站1001~1019，最後並受到最終測試(良率測試)，以獲得分別對應至此些工件之複數組最終檢查值。表一顯示各製程站1001~1019的製程裝置數量。由第4圖與表一可知，生產線100的所有可能之製造路徑總共有4×3×4×…×3×5×4=1,433,272,320。表一

層	製程站	製程裝置數量
RDL	濺射沉積 (Sputtering Deposition)	4
RDL	正光阻塗佈 (Positive Photoresist Coating)	3
RDL	邊緣球狀物移除 (Edge Bead Remover)	4
RDL	曝光 (Exposure)	4
RDL	顯影 (Developing)	3
RDL	鍍銅 (Cu Plating)	3
RDL	光阻去除 (Stripping)	2
RDL	蝕刻 (Etching)	4
UBM	濺射沉積 (Sputtering Deposition)	3
UBM	正光阻塗佈 (Positive Photoresist Coating)	3
UBM	邊緣球狀物移除 (Edge Bead Remover)	2
UBM	曝光 (Exposure)	2
UBM	顯影 (Developing)	2
UBM	鍍銅 (Cu Plating)	3
UBM	光阻去除 (Stripping)	2
UBM	蝕刻 (Etching)	4
UBM	植球 (Ball Mount)	3
UBM	回焊 (Reflow)	5
UBM	助焊劑清潔 (Flux Clean)	4

在每一個製程站1001~1019上，每一個工件只在每一個製程站1001~1019的一個製程裝置中被處理。當每一個工件在各製程站1001~1019的一預定製程裝置中被處理後，對此工件進行量測，以獲得分別對應至工件之複數組線上量測值，其中對此工件所進行的量測方式可為虛擬量測或由量測機台所進行的實際量測，如第2圖所示之線上量測值1201(關鍵尺寸)、1202(關鍵尺寸)、1203(厚度)、1204(電阻)、1205(關鍵尺寸)、1206(關鍵尺寸)、1207(厚度)及1208(電阻)。當每一個工件在一個製程裝置中被處理時，使用例如感應器來收集製程裝置之複數個製程參數的數值，如第2圖所示之製程參數1101、1102、1103、1104、1105、1106、1107、1108、1109、1110、1111、1112及1113。

在第3圖中，製造程序之最佳良率路徑之搜尋系統200包含記憶體202與處理器206。其中記憶體202可包含可儲存供處理器206執行之資訊和指令的隨機存取記憶體(Random Access Memory；RAM)或其它型式的動態儲存裝置。處理器206可包含任何型式的處理器、微處理器、或可編譯並執行指令的場效型可編程邏輯陣列(Field Programmable Gate Array；FPGA)。處理器206可包含單一裝置(例如單核心)或一組裝置(例如多核心)。

記憶體202儲存一生產資訊204及對應至此些工件之複數組最終檢查值(Y)，生產資訊204包含複數個生產路徑(X _R)，每一個生產路徑(X _R)指出在此些製程站之此些製程裝置之其中一者，用以處理此些工件之其中一者。此些組最終檢查值(Y)係藉由對通過生產線100後之每一個工件進行至少一良率測試來獲得。詳細地說，記憶體202儲存有生產資訊204、缺陷(D)以及對應至在生產線100中被處理之工件的最終檢查值(Y)。生產資訊204包含複數個生產路徑(X _R)、處理工件之製程資料(X _P)的數值以及工件之多組線上量測值(y)，其中製程資料(X _P)包含製程參數及製程裝置間參數，其可由例如第1圖所示之FDC系統280獲得。每一個生產路徑指出在製程站之製程裝置的其中一者，用以處理一工件，如第4圖所示之在製程站1001的製程裝置Dv1。生產路徑可由例如第1圖所示之製造執行系統270獲得。這些組線上量測值(y)的獲得是透過對被對應之製程裝置處理後之工件進行量測，而這些組最終檢查值(Y)的獲得是透過對通過生產線100後之每一個工件進行至少一個良率測試。缺陷(D)可能會發生在任何製程站中，故亦輸入來進行分析。然後，被處理過的缺陷(D)可依據缺陷(D)的本質加入至生產資訊204或最終檢查值(Y)。線上量測值(y)、缺陷(D)和最終檢查值(Y)可由例如第1圖所示之EDC系統260獲得。

處理器206電性連接記憶體202，處理器206接收此些生產路徑(X _R)及此些組最終檢查值(Y)並經配置以實施一製造程序之最佳良率路徑之搜尋方法300(參見第5圖)。在處理器206中，首先會進行資料前處理步驟210、220、230，以確認所有輸入：生產資訊204(X _R、X _P、y)、缺陷(D)及最終檢查(Y)的品質。以下說明這些輸入的特性。X _R必須被離散化(Discretized)為1或0，其指出工件是否有通過此製程站。X _P包含製程裝置的製程參數(如電壓、壓力、溫度等)的資料及製程裝置間參數，其需被中心化(Centralized)。至於缺陷(D)，不同的公司有不同的缺陷定義，因此在執行資料前處理和資料撿查前必須與領域專家討論。最終檢查(Y)代表良率測試結果，其需被中心化。

X _R的資料品質評估演算法(標示為DQI _XR)評估下列四個事實：1)雖然一個製程站可包含多個同樣型式的製程裝置，但此製程站只使用其中一個製程裝置；2)若一個生產線應通過多個(例如三個)同樣製程裝置型式的製程裝置，則此生產線具有三個製程站，此三個製程裝置分別位於此三個製程站上；3)若一個製程裝置被使用於不同的生產線上，則在不同生產線上的同樣裝置會被視為一個不同的製程站；4)對通過製程裝置的一工件而言只有兩種可能：通過(“1”)或不通過(“0”)；5)一工件不能通過不屬於其製程站的製程裝置。

類似地，X _P和y的資料品質評估演算法分別標示為DQI _XP和DQI _y。Y的資料品質評估演算法標示為DQI _Y。DQI _XP和DQI _y採用類似於美國專利前案第8095484B2號所使用的製程資料品質評估方法，而DQI _Y亦應用類似於美國專利前案第8095484B2號所使用的量測資料品質評估方法。本發明之實施例引用此美國專利前案第8095484B2號之相關規定(Incorporated by reference)。

當執行完資料前處理步驟210、220、230之後，處理器206執行最佳良率路徑搜尋演算(Golden Path Search Algorithm；GPSA)的步驟240與計算信賴指標(RI _GP)的步驟250，其中最佳良率路徑搜尋演算(GPSA)的步驟240包含最小絕對壓縮挑選機制(Group Least Absolute Shrinkage and Selection Operator；Group LASSO)242與正交貪婪演算法(Group Orthogonal Greedy Algorithm；Group OGA)244，藉以在生產線100的大量所有可能之製造路徑(如1,433,272,320條路徑)中搜尋出具有最佳良率(或較佳良率)的黃金路徑，進而供產品製造商選用以有效提高製造良率。以下將利用第5圖之流程示意圖說明最佳良率路徑搜尋演算(GPSA)的步驟240與計算信賴指標(RI _GP)的步驟250之細節。

請一併參閱第1圖、第2圖、第3圖、第4圖及第5圖，其中第5圖係繪示本發明之一實施例之製造程序之最佳良率路徑之搜尋方法300的流程示意圖。如圖所示，處理器206係配置以實施一製造程序之最佳良率路徑之搜尋方法300，且製造程序之最佳良率路徑之搜尋方法300包含一資料獲得步驟及複數個處理步驟S02、S04、S06、S08。

資料獲得步驟包含獲得生產資訊204、缺陷(D)以及對應至在生產線100中被處理之工件的最終檢查值(Y)。生產資訊204包含複數個生產路徑(X _R)、處理工件之製程資料(X _P)的數值及工件之多組線上量測值(y)。詳細地說，資料獲得步驟包含提供生產線100，生產線包含複數個製程站1001~1019，每一個製程站1001~1019包含複數個製程裝置(如第4圖之Dv1、Dv2、Dv3、Dv4、Dv5)，每一個製程裝置係配置以處理複數個工件之其中一者；接著，根據複數個生產路徑(X _R)分別處理此些工件，每一個生產路徑(X _R)指出在此些製程站1001~1019之此些製程裝置之其中一者，用以處理此些工件之其中一者；然後，對通過生產線100後之每一個工件進行至少一良率測試，以獲得分別對應至此些工件之複數組最終檢查值(Y)。最後，透過EDC系統260、製造執行系統270及FDC系統280獲得生產資訊204、缺陷(D)以及最終檢查值(Y)。

處理步驟S02包含進行前述之資料前處理步驟210、220、230，亦即進行資料前處理與品質評估，其細節不再贅述。處理步驟S04、S06包含進行最佳良率路徑搜尋演算(GPSA)的步驟240。處理步驟S04包含進行第一階段，以確認關鍵製程站及關鍵路徑。處理步驟S06包含進行第二階段，以預測關鍵路徑之良率。處理步驟S08包含進行計算信賴指標(RI _GP)的步驟250，亦即確認關鍵路徑之信賴指標。

請一併參閱第5圖、第6圖及第7圖，其中第6圖係繪示第5圖之第一階段(處理步驟S04)的流程示意圖；及第7圖係繪示第5圖之第二階段(處理步驟S06)的流程示意圖。如圖所示，處理步驟S04包含進行第一階段(Phase-I)，第一階段包含步驟S042、S044、S046。步驟S042代表「濾除通過率小於預設通過率之製程裝置」，其包含統計每一個工件通過每一個製程裝置之通過率，使此些製程裝置具有複數個通過率，然後濾除此些通過率小於預設通過率(r%)之部分此些製程裝置。在一實施例中，預設通過率(r%)可小於等於5%，但本發明不以此為限。

步驟S044代表「依據一組最小絕對壓縮挑選機制演算法與一組正交貪婪演算法選擇出關鍵製程站」，其包含基於一演算法來建立一搜尋模型，其中演算法為一組最小絕對壓縮挑選機制(Group LASSO)與一組正交貪婪演算法(Group OGA)之其中一者。Group LASSO之演算法不同於習知的LASSO之演算法，習知的LASSO之演算法是一種收縮(Shrinkage)方法，其令係數之絕對值總和小於一常數，使殘值平方和最小化。由於此常數的本質，LASSO傾向於產生一些剛好為0的係數，因而提供可解釋(解釋力較強)的模型。雖然LASSO可處理獨立變量，但無法確保整組多變量能從模型中被選入或移出，而本發明所使用的Group LASSO之演算法可確保整組多變量能從模型中被選入或移出。此外，Group OGA之演算法不同於習知的OGA之演算法，習知的OGA之演算法是一種逐步迴歸法(Stepwise Regression Method)，其考慮到生產路徑(X _R)和最終檢查值(Y)間的關係。雖然OGA可解決高維度迴歸問題，但無法確保整組多變量能從模型中被選入或移出，而本發明所使用的Group OGA之演算法可確保整組多變量能從模型中被選入或移出。本發明實施例所使用之Group LASSO之演算法的細節可參考Ming Yuan與Yi Lin的論文(“Model selection and estimation in regression with grouped variables”, Journal of the Royal Statistical Society, vol. 68, no. 1, pp. 49-67, 2006)，而所使用之Group OGA之演算法的細節可參考Ngai Hang Chan、Ching-Kang Ing、Yuanbo Li及Chun Yip Yau的論文(“Threshold estimation via group orthogonal greedy algorithm”, Journal of Business & Economic Statistics, vol. 35, no. 2, pp. 334-345, Mar. 2017)，本發明之實施例引用Ming Yuan與Yi Lin的論文以及Ngai Hang Chan、Ching-Kang Ing、Yuanbo Li及Chun Yip Yau的論文之相關規定(Incorporated by reference)。

步驟S046代表「依據關鍵製程站產生關鍵路徑」，其包含藉由輸入此些工件之此些生產路徑(X _R)及此些組最終檢查值(Y)至搜尋模型中，以選擇出此些製程站1001~1019之複數個關鍵製程站(key stages)，然後依據此些關鍵製程站產生複數個關鍵路徑。生產路徑(X _R)及最終檢查值(Y)可由式子(1)、(2)表示： (1)； (2)；其中 p代表參數數量，亦即表示一個工件可能經過的製程裝置之數量， n代表樣本數量。生產路徑(X _R)可用 x _i _{R
j}表示， i為1~ n之正整數， j為1~ p之正整數。 x _i _{R
j}為過站資訊，其等於“1”或“0”，“1”代表工件通過製程裝置，“0”代表工件未通過製程裝置。

請配合參閱第3圖與第8圖，其中第8圖係繪示第6圖之最小絕對壓縮挑選機制(Group LASSO)與正交貪婪演算法(Group OGA)所選擇出之六個關鍵製程站的示意圖。最小絕對壓縮挑選機制(Group LASSO)所選擇出之六個關鍵製程站(GP _L)分別為曝光製程站1012(UBM曝光)、濺射沉積製程站1009(UBM濺射沉積)、光阻去除製程站1007(RDL光阻去除)、蝕刻製程站1008(RDL蝕刻)、顯影製程站1013(UBM顯影)及鍍銅製程站1014(UBM鍍銅)。正交貪婪演算法(Group OGA)所選擇出之六個關鍵製程站(GP _O)分別為曝光製程站1012(UBM曝光)、光阻去除製程站1007(RDL光阻去除)、濺射沉積製程站1009(UBM濺射沉積)、蝕刻製程站1008(RDL蝕刻)、顯影製程站1013(UBM顯影)及鍍銅製程站1014(UBM鍍銅)。在本實施例中，最小絕對壓縮挑選機制(Group LASSO)所選擇出之六個關鍵製程站(GP _L)與正交貪婪演算法(Group OGA)所選擇出之六個關鍵製程站(GP _O)相同，但本發明不以此為限。

處理步驟S06包含進行第二階段(Phase-II)，第二階段包含步驟S061、S062、S063、S064、S065。步驟S061代表「建立關鍵路徑之良率預測模型」，其包含依據此些生產路徑(X _R)及此些組最終檢查值(Y)建立此些關鍵路徑之複數個預測模型。此些關鍵路徑之預測模型包含製程站1001~1019之製程裝置之至少二者間的交互作用。其中預測模型可由式子(3)表示： (3)；其中Y _t 代表第 t個取樣之良率； β ₀、 β _m 、 β _k,m 均為係數， β ₀代表中心化後為0， β _k,m 代表此些關鍵製程站之複數個關鍵製程裝置之二者( k、 m)間的交互作用，此些關鍵製程站包含此些關鍵製程裝置，此些關鍵製程裝置為部分之此些製程裝置， k、 m代表對應關鍵製程裝置之數值； x _t _{R
km}代表 x _t _{R
k}× x _t _{R
m}， x _t _{R
k}、 x _t _{R
m}代表關鍵路徑之關鍵製程裝置( k、 m)的過站資訊， x _t _{R
k}、 x _t _{R
m}等於“1”或“0”，“1”代表工件通過關鍵製程裝置，“0”代表工件未通過關鍵製程裝置； ε _t 為隨機雜訊(random noise)。

步驟S062代表「選出各關鍵路徑之最佳模型」，其包含使用一訊息準則演算法，來計算出每一個關鍵路徑之每一個預測模型的至少一訊息量，每一個預測模型具有至少一階層( O ^th )且包含至少一階層預測模型。此至少一訊息量對應此至少一階層( O ^th )及此至少一階層預測模型；及選出此至少一階層預測模型之一者為一最佳模型，其中此至少一階層預測模型之此者具有此至少一訊息量之最小者。在一實施例中，訊息準則演算法可為一赤池信息量準則(Akaike Information Criterion；AIC)，且此至少一階層( O ^th )之數量小於5( O＜5)，但本發明不以此為限。舉例來說，階層( O ^th )之數量等於4，表二顯示其中一條關鍵路徑(如最佳良率路徑Path 6；Top1)之所有階層(1 ^st 、2 ^nd 、3 ^rd 及4 ^th )及對應之所有階層預測模型，階層預測模型對應式子(3)。 β _a,b 代表此些關鍵製程站之此些關鍵製程裝置之二者( a、 b)間的交互作用， x _t _{R
ab}代表 x _t _{R
a}× x _t _Rb； β _a,b,c 代表此些關鍵製程站之此些關鍵製程裝置之三者( a、 b、 c)間的交互作用， x _t _{R
abc}代表 x _t _{R
a}× x _t _{R
b}× x _t _{R
c}； β _a,b,c,d 代表此些關鍵製程站之此些關鍵製程裝置之四者( a、 b、 c、 d)間的交互作用， x _t _{R
abcd}代表 x _t _{R
a}× x _t _{R
b}× x _t _{R
c}× x _t _{R
d}。表三顯示其中一條關鍵路徑(如最佳良率路徑Path 6；Top1)之所有階層預測模型之訊息量，其中第四階層預測模型(4 ^th )為最佳模型，係因其訊息量為所有階層預測模型之訊息量的最小者。表四顯示其中一條關鍵路徑(如最佳良率路徑Path 6；Top1)之各階層的係數，亦即顯示製程裝置之間具有交互作用之係數，其中未顯示之係數(如 β _2,4,6、 β _2,3,4,5)代表其關鍵製程裝置之間無交互作用。另外值得一提的是，當階層( O ^th )之數量過大(如大於等於5)時，階層預測模型之複雜度會增加，導致預測困難度增加，故階層數量之合理性與必要性需加以考量。表二

階層 ( O ^th )	階層預測模型
1 ^st
2 ^nd
3 ^rd
4 ^th

表三

階層 ( O ^th )	1 ^st	2 ^nd	3 ^rd	4 ^th
AIC 訊息量	2058.57	2048.56	1995.79	1988.24

表四

β ₁	β ₂	β ₃	β ₄	β ₅	β ₆
-102.94	-100	-146.98	-101.58	-102.26	-103.48
β _1,2	β _1,3	β _1,4	β _1,5	β _1,6	β _2,3
-100.33	149.26	102.31	104.61	104.19	146.98
β _2,4	β _2,5	β _2,6	β _3,4	β _3,5	β _3,6
-101.21	101.95	100.45	141.56	-110.72	146.26
β _4,5	β _4,6	β _5,6	β _1,2,3	β _1,2,4	β _1,2,5
101.88	103.02	102.89	102.14	103.74	-102.22
β _1,2,6	β _1,3,4	β _1,3,5	β _1,3,6	β _1,4,5	β _1,4,6
-101.92	-145	105.41	-149.9	104.8	-104.67
β _1,5,6	β _2,3,4	β _2,3,5	β _2,3,6	β _2,4,5	β _3,4,5
-105.49	102.82	-104.39	-149.32	100.24	107.86
β _3,4,6	β _3,5,6	β _4,5,6	β _1,2,3,4	β _1,2,3,5	β _1,3,4,5
-140.98	107.06	-105.21	-101.04	108.75	-109.2
β _1,3,4,6
140.65

步驟S063代表「依據最佳模型預測關鍵路徑的良率」，其包含依據此些預測模型預測對應此些關鍵路徑之複數個良率。換言之，步驟S063會依據步驟S062所選出之最佳模型預測每一個關鍵路徑所對應之良率Y _P 。良率Y _P 可由式子(4)表示： (4)；其中 k、 m P，且Y _P 代表第 P個路徑之良率， x _{R
km}代表 x _{R
k}× x _{R
m}， x _{R
k}、 x _{R
m}代表第 P個路徑之關鍵製程裝置( k、 m)的過站資訊。

步驟S064代表「對關鍵路徑之良率進行排名」，其包含對此些關鍵路徑之此些良率進行排名，而獲得一路徑排名表，路徑排名表包含最佳良率路徑(Path 6；Top1)，如表五與表六所示。表五顯示路徑排名及關鍵製程站之關鍵製程裝置Dv1、Dv2、Dv3、Dv4，表六顯示路徑排名、預測良率Y _P 、信賴指標RI _GP、最佳模型之階層、工件通過次數及實際良率。Top1代表最佳良率路徑，其擁有最高之預測良率Y _P ，亦為關鍵路徑之第六條路徑(Path 6)；Last1代表最差良率路徑，其擁有最低之預測良率Y _P 。最佳模型之階層代表此路徑的階層預測模型之AIC訊息量具有最小者的階層。工件通過次數代表工件通過對應路徑之次數。實際良率代表實際量測到的平均良率，亦即最終檢查值(Y)的平均值。其中「NaN」代表無數值，亦即所對應之路徑屬於未走過路徑。若工件通過次數為0，則代表所對應之路徑屬於未走過路徑，且實際良率對應「NaN」；若工件通過次數不為0(即大於等於1)，則代表所對應之路徑屬於已走過路徑，且實際良率會有平均的良率值。換言之，此些關鍵路徑之一者包含複數個關鍵製程裝置，此些關鍵製程裝置分別對應此些關鍵製程站(如表五之RDL光阻去除、RDL蝕刻、UBM濺射沉積、UBM曝光、UBM顯影及UBM鍍銅)，此些關鍵路徑之此者分類為未走過路徑與已走過路徑之一者。未走過路徑代表此些工件之其中此者於通過生產線100時在此些關鍵製程站中未被此些關鍵製程裝置全部處理；已走過路徑代表此些工件之其中此者於通過生產線100時在此些關鍵製程站中被此些關鍵製程裝置全部處理。表五

路徑排名	RDL光阻去除	RDL蝕刻	UBM濺射沉積	UBM曝光	UBM顯影	UBM鍍銅
Top1 (Path 6)	Dv2	Dv2	Dv3	Dv2	Dv2	Dv1
Top2	Dv2	Dv3	Dv3	Dv2	Dv1	Dv1
Top3	Dv2	Dv2	Dv3	Dv2	Dv1	Dv1
Top4	Dv2	Dv1	Dv3	Dv2	Dv1	Dv1
Top5	Dv2	Dv3	Dv1	Dv2	Dv2	Dv1
. . .	. . .	. . .	. . .	. . .	. . .	. . .
Last5	Dv1	Dv1	Dv1	Dv1	Dv2	Dv2
Last4	Dv1	Dv4	Dv1	Dv2	Dv3	Dv2
Last3	Dv1	Dv4	Dv1	Dv1	Dv2	Dv2
Last2	Dv1	Dv4	Dv1	Dv2	Dv2	Dv2
Last1	Dv1	Dv4	Dv1	Dv1	Dv3	Dv2

表六

路徑排名	預測良率(Y _P )	RI _GP	最佳模型之階層	工件通過次數	實際良率
Top1 (Path 6)	99.991	0.9976	4	0	NaN
Top2	99.56	0.9961	3	1	99.55
Top3	99.94	0.997	3	0	NaN
Top4	99.93	0.9881	3	1	100
Top5	99.9	0.9987	3	0	NaN
. . .	. . .	. . .	. . .	. . .	. . .
Last5	87.94	0.9773	4	0	NaN
Last4	87.11	0.9834	4	0	NaN
Last3	86.45	0.9977	4	1	86.65
Last2	85.49	0.996	4	0	NaN
Last1	83.85	0.9935	4	2	83.85

步驟S065代表「產生最佳良率路徑」，其包含依據此些良率Y _P 搜尋出此些關鍵路徑之最佳良率路徑，最佳良率路徑對應此些良率Y _P 之一最佳良率。在一實施例中，最佳良率路徑之數量可為複數(如前10名之路徑，即Top1~Top10)。

處理步驟S08代表「確認關鍵路徑之信賴指標」，其包含計算此些良率Y _P 、此些生產路徑(X _R)及此些組最終檢查值(Y)之一相關性Corr( x _R _θ)、此些組最終檢查值(Y)之一最大值(Y _max )及一最小值(Y _min )，以獲得一信賴指標(RI _GP)，來評估搜尋結果的可靠程度。信賴指標(RI _GP)可由式子(5)表示： (5)；其中RI _GP( kp)代表第 P個路徑之信賴指標。在表五之實施例中，最佳良率路徑(Path 6；Top1)之RI _GP( kp)為0.9976；換言之，本發明所搜尋出之最佳良率路徑的可靠程度相當高。

藉此，本發明之製造程序之最佳良率路徑之搜尋方法300可透過特定之雙階段機制搜尋出最佳良率路徑，且最佳良率路徑可包含工件未走過的路徑，使最佳良率路徑搜尋達到全面性之考量。此外，特定之雙階段機制可在生產線100的大量所有可能之製造路徑中搜尋出具有最佳良率(或較佳良率)的黃金路徑，不但可供產品製造商選用以有效提高製造良率，而且所搜尋出之黃金路徑的可靠程度相當高。再者，透過特定雙階段機制的模型預測良率及良率排名，既可同時檢視關鍵路徑之所有階層及其對應之所有階層預測模型，以選出最佳模型及最佳良率的黃金路徑，亦能涵蓋關鍵製程裝置之間的交互作用，以納入裝置間交互作用所引起的良率影響。

請一併參閱第2圖、第8圖、第9A圖及第9B圖，其中第9A圖係繪示本發明之六個關鍵製程站中三者(即光阻去除製程站1007(RDL光阻去除)、蝕刻製程站1008(RDL蝕刻)及濺射沉積製程站1009(UBM濺射沉積))之良率Y _P 的示意圖；及第9B圖係繪示本發明之六個關鍵製程站中另三者(即曝光製程站1012(UBM曝光)、顯影製程站1013(UBM顯影)及鍍銅製程站1014(UBM鍍銅))之良率Y _P 的示意圖。如圖所示，虛框部分為最佳良率路徑(Path 6；Top1)之關鍵製程裝置，最佳良率路徑之六個關鍵製程站之關鍵製程裝置依序為Dv2、Dv2、Dv3、Dv2、Dv2、Dv1，如表五所示。由第9A圖與第9B圖可知，在各關鍵製程站中，最佳良率路徑之關鍵製程裝置皆具有較高的平均良率。除了UBM顯影(顯影製程站1013)之關鍵製程裝置Dv2具有第二高的平均良率之外，其餘關鍵製程站的關鍵製程裝置都具有最高的平均良率。另外值得一提的是，本發明所挑選出來的關鍵路徑之數量S ₆等於六個關鍵製程站之關鍵製程裝置之數量乘積，亦即S ₆=S _TOP1×S _TOP2×S _TOP3×S _TOP4×S _TOP5×S _TOP6=2×4×3×2×2×3=288，其中S _TOP1、S _TOP2、S _TOP3、S _TOP4、S _TOP5、S _TOP6分別代表六個關鍵製程站之關鍵製程裝置之數量，數量S ₆遠小於生產線100的所有可能之製造路徑之數量(1,433,272,320)。藉此，本發明透過第一階段的關鍵製程站之確認，可以大幅降低欲確認路徑之數量，進而有效提高路徑搜尋之效率。

可理解的是，本發明之製造程序之最佳良率路徑之搜尋方法300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量測抽樣的方法。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，處理工具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，製造系統亦包含散射儀、橢圓偏光儀、掃描式電子顯微鏡和類似儀器。

由上述實施方式可知，本發明具有下列優點：其一，透過第一階段的關鍵製程站之確認，可以大幅降低欲確認路徑之數量，進而有效提高路徑搜尋之效率；換言之，可在生產線的大量所有可能之製造路徑中搜尋出具有最佳良率(或較佳良率)的黃金路徑，不但可供產品製造商選用以有效提高製造良率，而且所搜尋出之黃金路徑的可靠程度相當高。其二，透過第二階段的模型預測良率及良率排名，既可同時檢視關鍵路徑之所有階層及其對應之所有階層預測模型，以選出最佳模型及最佳良率的黃金路徑，亦能涵蓋關鍵製程裝置之間的交互作用，以納入裝置間交互作用所引起的良率影響。其三，所提出之最佳良率路徑搜尋演算法(GPSA)可以在參數數量遠大於樣本數量的環境中使用，從而使製造良率提高，適用於多階段製造程序(MMP)的環境中。此外，GPSA可透過特定之雙階段機制實現，且最佳良率路徑可包含工件未走過的路徑，使最佳良率路徑搜尋達到全面性之考量。

雖然本發明已以實施方式揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:生產線 1001,1002,1003,1004,1005,1006,1007,1008,1009,1010,1011,1012,1013,1014,1015,1016,1017,1018,1019:製程站 1101,1102,1103,1104,1105,1106,1107,1108,1109,1110,1111,1112,1113:製程參數 1201,1202,1203,1204,1205,1206,1207,1208:線上量測值 200:製造程序之最佳良率路徑之搜尋系統 202:記憶體 204:生產資訊 206:處理器 210,220,230:資料前處理步驟 240:最佳良率路徑搜尋演算的步驟 242:最小絕對壓縮挑選機制 244:正交貪婪演算法 250:計算信賴指標的步驟 260:工程資料搜集系統 270:製造執行系統 280:偵測與分類系統 300:製造程序之最佳良率路徑之搜尋方法 D:缺陷 Dv1,Dv2,Dv3,Dv4,Dv5:製程裝置 GP _O,GP _L:關鍵製程站 RDL:重分佈層 S02,S04,S06,S08:處理步驟 S042,S044,S046,S061,S062,S063,S064,S065:步驟 UBM:銲錫球下之金屬層 X _P:製程資料 X _R:生產路徑 y:線上量測值 Y:最終檢查值 Y _P :良率

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，第1圖係繪示本發明之一實施例之生產系統的示意圖；第2圖係繪示第1圖之生產線的示意圖；第3圖係繪示本發明之一實施例之製造程序之最佳良率路徑之搜尋系統的方塊示意圖；第4圖係繪示第2圖之生產線的所有可能之製造路徑的示意圖；第5圖係繪示本發明之一實施例之製造程序之最佳良率路徑之搜尋方法的流程示意圖；第6圖係繪示第5圖之第一階段的流程示意圖；第7圖係繪示第5圖之第二階段的流程示意圖；第8圖係繪示第6圖之最小絕對壓縮挑選機制(Group LASSO)與正交貪婪演算法(Group OGA)所選擇出之六個關鍵製程站的示意圖；第9A圖係繪示本發明之六個關鍵製程站中三者之良率的示意圖；以及第9B圖係繪示本發明之六個關鍵製程站中另三者之良率的示意圖。

300:製造程序之最佳良率路徑之搜尋方法

S02,S04,S06,S08:處理步驟

Claims

一種製造程序之最佳良率路徑之搜尋方法，用以搜尋一生產線之一最佳良率路徑，該生產線包含複數個製程站，該些製程站的每一者包含複數個製程裝置，該些製程裝置的每一者係配置以處理複數個工件之其中一者，該製造程序之最佳良率路徑之搜尋方法包含以下步驟：配置一記憶體獲得一生產資訊及對應至該些工件之複數組最終檢查值，該生產資訊包含複數個生產路徑，該些生產路徑的每一者指出在該些製程站之該些製程裝置之其中一者，用以處理該些工件之其中一者，該些組最終檢查值係藉由對通過該生產線後之該些工件的每一者進行至少一良率測試來獲得；配置一處理器進行一第一階段，該第一階段包含：基於一演算法來建立一搜尋模型，其中該演算法為一組最小絕對壓縮挑選機制(Group Least Absolute Shrinkage and Selection Operator；Group LASSO)與一組正交貪婪演算法(Group Orthogonal Greedy Algorithm；Group OGA)之其中一者；及藉由輸入該些工件之該些生產路徑及該些組最終檢查值至該搜尋模型中，以選擇出該些製程站之複數個關鍵製程站，然後依據該些關鍵製程站產生複數個關鍵路徑；以及配置該處理器進行一第二階段，該第二階段包含：依據該些生產路徑及該些組最終檢查值建立該些關鍵路徑之複數個預測模型；及依據該些預測模型預測對應該些關鍵路徑之複數個良率，然後依據該些良率搜尋出該些關鍵路徑之一最佳良率路徑，該最佳良率路徑對應該些良率之一最佳良率。
如請求項1所述之製造程序之最佳良率路徑之搜尋方法，其中該第一階段更包含：統計該些工件的每一者通過該些製程裝置的每一者之一通過率，使該些製程裝置具有複數該通過率，然後濾除該些通過率小於一預設通過率之部分該些製程裝置，其中該預設通過率小於等於5%。
如請求項1所述之製造程序之最佳良率路徑之搜尋方法，其中在該第二階段中，該些關鍵路徑之該些預測模型包含該些製程站之該些製程裝置之至少二者間的交互作用。
如請求項3所述之製造程序之最佳良率路徑之搜尋方法，其中該第二階段更包含：使用一訊息準則演算法，來計算出該些關鍵路徑的每一者之該些預測模型的每一者的至少一訊息量，該些預測模型的每一者具有至少一階層且包含至少一階層預測模型，該至少一訊息量對應該至少一階層及該至少一階層預測模型；及選出該至少一階層預測模型之一者為一最佳模型，其中該至少一階層預測模型之該者具有該至少一訊息量之最小者。
如請求項4所述之製造程序之最佳良率路徑之搜尋方法，其中該訊息準則演算法為一赤池信息量準則(Akaike Information Criterion；AIC)，且該至少一階層之數量小於5。
如請求項1所述之製造程序之最佳良率路徑之搜尋方法，其中該第二階段更包含：對該些關鍵路徑之該些良率進行排名，而獲得一路徑排名表，該路徑排名表包含該最佳良率路徑；及計算該些生產路徑及該些組最終檢查值之一相關性、該些組最終檢查值之一最大值及一最小值，以獲得一信賴指標，來評估搜尋結果的可靠程度。
如請求項1所述之製造程序之最佳良率路徑之搜尋方法，其中該些關鍵路徑之一者包含複數個關鍵製程裝置，該些關鍵製程裝置分別對應該些關鍵製程站，該些關鍵路徑之該者分類為一未走過路徑與一已走過路徑之一者，該未走過路徑代表該些工件之其中該者於通過該生產線時在該些關鍵製程站中未被該些關鍵製程裝置全部處理，該已走過路徑代表該些工件之其中該者於通過該生產線時在該些關鍵製程站中被該些關鍵製程裝置全部處理。
一種製造程序之最佳良率路徑之搜尋系統，用以搜尋一生產線之一最佳良率路徑，該生產線包含複數個製程站，該些製程站的每一者包含複數個製程裝置，該些製程裝置的每一者係配置以處理複數個工件之其中一者，該製造程序之最佳良率路徑之搜尋系統包含：一記憶體，儲存一生產資訊及對應至該些工件之複數組最終檢查值，該生產資訊包含複數個生產路徑，該些生產路徑的每一者指出在該些製程站之該些製程裝置之其中一者，用以處理該些工件之其中一者，該些組最終檢查值係藉由對通過該生產線後之該些工件的每一者進行至少一良率測試來獲得；以及一處理器，電性連接該記憶體，該處理器接收該些生產路徑及該些組最終檢查值並經配置以實施包含以下步驟之操作：進行一第一階段，該第一階段包含：基於一演算法來建立一搜尋模型，其中該演算法為一組最小絕對壓縮挑選機制(Group Least Absolute Shrinkage and Selection Operator；Group LASSO)與一組正交貪婪演算法(Group Orthogonal Greedy Algorithm；Group OGA)之其中一者；及藉由輸入該些工件之該些生產路徑及該些組最終檢查值至該搜尋模型中，以選擇出該些製程站之複數個關鍵製程站，然後依據該些關鍵製程站產生複數個關鍵路徑；及進行一第二階段，該第二階段包含：依據該些生產路徑及該些組最終檢查值建立該些關鍵路徑之複數個預測模型；及依據該些預測模型預測對應該些關鍵路徑之複數個良率，然後依據該些良率搜尋出該些關鍵路徑之該最佳良率路徑，該最佳良率路徑對應該些良率之一最佳良率。
如請求項8所述之製造程序之最佳良率路徑之搜尋系統，其中該第一階段更包含：統計該些工件的每一者通過該些製程裝置的每一者之一通過率，使該些製程裝置具有複數該通過率，然後濾除該些通過率小於一預設通過率之部分該些製程裝置，其中該預設通過率小於等於5%。
如請求項8所述之製造程序之最佳良率路徑之搜尋系統，其中在該第二階段中，該些關鍵路徑之該些預測模型包含該些製程站之該些製程裝置之至少二者間的交互作用。
如請求項10所述之製造程序之最佳良率路徑之搜尋系統，其中該第二階段更包含：使用一訊息準則演算法，來計算出該些關鍵路徑的每一者之該些預測模型的每一者的至少一訊息量，該些預測模型的每一者具有至少一階層且包含至少一階層預測模型，該至少一訊息量對應該至少一階層及該至少一階層預測模型；及選出該至少一階層預測模型之一者為一最佳模型，其中該至少一階層預測模型之該者具有該至少一訊息量之最小者。
如請求項11所述之製造程序之最佳良率路徑之搜尋系統，其中該訊息準則演算法為一赤池信息量準則(Akaike Information Criterion；AIC)，且該些階層之數量小於5。
如請求項8所述之製造程序之最佳良率路徑之搜尋系統，其中該第二階段更包含：對該些關鍵路徑之該些良率進行排名，而獲得一路徑排名表，該路徑排名表包含該最佳良率路徑；及計算該些生產路徑及該些組最終檢查值之一相關性、該些組最終檢查值之一最大值及一最小值，以獲得一信賴指標，來評估搜尋結果的可靠程度。
如請求項8所述之製造程序之最佳良率路徑之搜尋系統，其中該些關鍵路徑之一者包含複數個關鍵製程裝置，該些關鍵製程裝置分別對應該些關鍵製程站，該些關鍵路徑之該者分類為一未走過路徑與一已走過路徑之一者，該未走過路徑代表該些工件之其中該者於通過該生產線時在該些關鍵製程站中未被該些關鍵製程裝置全部處理，該已走過路徑代表該些工件之其中該者於通過該生產線時在該些關鍵製程站中被該些關鍵製程裝置全部處理。