在前段半導體代工廠，晶圓的生產具有高度複雜性，大量的製程、檢驗資料會在晶圓生產時被自動或是半自動的保存下來以進行產品製程的監控，或是事故異常的分析。然而在面對大量的製造生產資料，工程師有時候卻無法以快速且有效率的方式找出事故發生的原因，導致異常的晶圓持續產出，致使工廠製造成本增加並降低公司的產業競爭力。對於前述問題，本研究提出一整合資料探勘技術的半導體電性事故診斷流程，該流程藉由資料探勘演算法幫助工程師於事故發生時以快速且有效的方式縮小事故診斷範圍。
本研究所提半導體電性事故分析流程分為問題描述、資料選擇、資料檢視、資料處理、資料探勘、解釋與評估階段，各階段執行內容於本研究中進行詳細說明。在個案研究中並以一實際半導體廠資料進行電性事故診斷，驗證本流程分析的有效性。針對個案研究數據的晶圓允收測試異常資料，先以兩階段分群法將電性數據進行分群，藉由分群技術找出資料中數值異常的族群，再以子群組探勘工具，將異常族群的特徵以規則的形式作說明，最終資料探勘的結果提供工程師作為事故診斷的參考依據。本研究結果證實可以幫助工程師於異常發生時縮短事故分析的時間與縮小事故診斷的範圍。

In front-end semiconductor foundries, the production of wafers is highly complex, and a large amount of process and inspection data will be automatically or semi-automatically saved during wafer production to monitor production processes or analyze abnormal accidents. However, while facing a large number of manufacturing data, engineers sometimes cannot find out the cause of the calamity quickly and efficiently. This results in the continuous output of abnormal wafers, which increases the factory's manufacturing cost and reduces the company's competitiveness in the industry. Our study proposes a semiconductor electrical fault diagnosis process for the above question that integrates data mining technology. The method uses data mining algorithms to help engineers narrow down the scope of accident diagnosis quickly and effectively when accidents occur.
The semiconductor electrical accident analysis process proposed in this study is divided into problem description, data selection, data inspection, data processing, data exploration and evaluation stages. The implementation content of each step is described in detail in this study. In the case study, the electrical accident diagnosis is carried out with the data of an actual semiconductor factory to verify the validity of this process analysis. We accept the abnormal data of the wafers from the chosen case. First, we adopt a two-stage clustering method to group electrical data and find out the group with abnormal values in the data by clustering technology. Then, we use the subgroup mining tool to describe the characteristics of abnormal groups in the form of rules. The results of the final data mining provide engineers with a reference for accident diagnosis. This study proves that it can help engineers shorten the time of accident analysis and the scope of accident diagnosis when an exception occurs.

摘要 i
ABSTRACT ii
誌謝 iii
目錄 iv
圖目錄 vi
表目錄 vii
第一章 緒論 1
1.1 研究背景 1
1.2 研究目的 2
1.3 研究流程 2
1.4 論文架構 3
第二章 文獻回顧 5
2.1 半導體製程簡介 5
2.1.1 晶圓長晶 5
2.1.2 晶圓製造 6
2.1.3 晶圓測試 8
2.2 資料探勘 10
2.2.1 資料探勘定義 10
2.2.2 資料探勘流程 10
2.2.3 資料探勘功能 13
2.2.4 資料探勘技術 14
2.3 兩階段分群法 16
2.4 子群組探勘 18
2.5 相關文獻探討 20
第三章 研究方法 24
3.1 問題描述 25
3.2 資料選擇 26
3.3 資料檢視 27
3.4 資料處理 28
3.5 資料探勘 30
3.5.1 兩階段分群 30
3.5.2 子群組探勘 31
3.6 解釋與評估 32
第四章 個案研究 34
4.1 個案公司簡介 34
4.2 問題描述 35
4.3 資料選擇 35
4.4 資料檢視 36
4.5 資料處理 36
4.6 研究工具 39
4.7 資料探勘 40
4.7.1 兩階段分群 40
4.7.2 子群組探勘 44
4.8 解釋與評估 47
4.9 效益分析 51
第五章 結論 53
參考文獻 55

Berry, M. J. A. L. G. (1997). Data mining techniques: for marketing, sales, and customer support, New York, Wiley.
Fayyad, U. (1996). “The KDD process for extracting useful knowledge from volumes of data,” Communications of the ACM, 39(11): 27-34.
Fayyad, U. (1997). “Data mining and knowledge discovery in databases: implications for scientific databases,” Ninth International Conference on Scientific and Statistical Database Management (Cat. No. 97TB100150), IEEE.
Gamberger, D. and N. Lavrac (2002). “Expert-guided subgroup discovery: Methodology and application,” Journal of Artificial Intelligence Research, 17: 501-527.
Giudici, P. (2005). Applied data mining: statistical methods for business and industry, John Wiley & Sons.
Groth, R. (1998). Data mining:a hands-on approach for business professionals, Prentice Hall.
Herrera, F. (2011). “An overview on subgroup discovery: foundations and applications,” Knowledge & Information Systems, 29(3): 495–525.
Kantardzic, M. (2011). Data mining: concepts, models, methods, and algorithms, John Wiley & Sons.
Lavrač, N., B. Cestnik, D. Gamberger and P. Flach (2004). “Decision support through subgroup discovery: three case studies and the lessons learned,” Machine Learning, 57(1): 115-143.
Mannila, H. (1996). “Data mining: machine learning, statistics, and databases,” Proceedings of 8th International Conference on Scientific and Statistical Data Base Management, IEEE.
Novak, P. K., N. Lavrač and G. I. Webb (2009). “Supervised descriptive rule discovery: A unifying survey of contrast set, emerging pattern and subgroup mining,” Journal of Machine Learning Research, 10(2):495-525.
Sgarma, S. (1995). Applied Multivariate Techniques, Strategies and Case Studies, New York, John Wiley & Sons.
Thuraisingham, B. (2000). “A primer for understanding and applying data mining,” It Professional, 2(1): 28-31.
王振彬 (2014)，決策樹運用於LED產業製程異常分析，國立中正大學碩士論文。
王憲旌 (2017)，應用資料探勘技術於晶圓測試回測率預測之研究–以K公司為例，國立交通大學碩士論文。
吳鴻志 (2002)，運用關連式法則分析異常WAT良率之機台組合，國立中正大學碩士論文。
李培瑞 (2002)，半導體製程資料挖礦架構、決策樹分類法則及其實證研究，國立清華大學碩士論文。
林鼎浩 (2000)，建構半導體製程資料挖礦架及其實證研究，國立清華大學碩士論文。
張家銘 (2007)，以CART決策樹方法建構晶圓良率值與晶圓允收參數間之關聯性模式，國立清華大學碩士論文。
莊憲昌 (2015)，封裝產業晶圓切割製程之資料探勘應用，國立中興大學碩士論文。
陳昭賢 (2016)，運用決策樹於半導體封測產業製程異常分析-以S 公司為例，國立中正大學碩士論文。
彭嘉玲 (2021)，應用機器學習進行電鍍金屬厚度預測-以S公司為例，國立陽明交通大學碩士論文。
楊景晴 (2004)，整合決策樹與關聯規則之資料挖礦架構及其實證研究，國立清華大學碩士論文。
趙柏鈞 (2015)，決策樹於產品測試不良因素探勘之應用，中華大學碩士論文。