表面粗糙度是半導體和顯示器產業中衡量缺陷程度的關鍵指標，這是因為表面粗糙度會降低裝置的電氣性能且影響裝置使用壽命。在加工過程中，造成表面粗糙度製程失效的原因可能各不相同，但由於缺乏能全面評估與分析表面粗糙度指標的有效模型，使我們在改進製程方面面臨巨大挑戰。 本計畫旨在建立JMP分析包，將表面粗糙度測量指標與非常態分佈模型建立聯繫，以便進行高效的根本原因分析和製程調整。 本專案使用JMP Random Simulation平台產生粗糙度Z-profile資料並分為六種非常態分佈模型： (1) normal; (2) uniform; (3) heavy tail; (4) right skewed; (5) bimodal; (6) outliers (3%).計算了五個表面粗糙度測量指標(Ra, Rz, Rp, Rv, Rk)和八個描述分佈性的統計參數。比較了不同的clustering聚類方法，包括Hierarchical Cluster, K-means Cluster, Normal Mixtures, Cluster Variables, Multivariate Correlation, Principle Components Analysis和Model Driven Control Charts ，看它們是否能有效地將六個非正態分佈模型分為輕尾聚類和離散點，並將13個變數分為峰值聚類、非對稱聚類和輕尾聚類。有效區分並預測表面粗糙度測量指標與非常態分佈模型之間的關係。 JMP表面粗糙度Data Mining專案能有效偵測製程失效原因，進而縮短了製程調試時間。此外，我們還在公司內部搭建了一個強大的跨部門JMP表面粗糙度分析團隊，為整個應用材料公司建立資料庫（粗糙度、原始Z-輪廓、粗糙度衡量、製程調整）和開發預測模型。
