半導體產業在提取和利用數據以提高良率方面面臨著許多挑戰。缺陷研討會的任務之一是定位並識別生產晶圓上由製程引起的物理缺陷。這些缺陷會直接影響產品的電氣性能，因此，深入了解缺陷程度（每片晶圓的缺陷數量）與相關製程之間的關聯至關重要。這些製程高度複雜，受多種參數驅動，這意味著它們與缺陷的關係是實現製程優化、提高良率和降低成本的關鍵因素。
歡迎觀看我的電子海報展示，標題為「使用 JMP 進行缺陷率分析流程相關性案例研究」。
接下來，我們將進入抽象層面，探討資料視覺化、資料處理的不同要點，並了解它如何幫助我們做出流程變更的決策。
今天我們先來聊聊缺陷率。我們的工作是檢測半導體產業的晶圓。在偵測過程中，我們會統計特定步驟中晶圓上的缺陷數量。因此，缺陷率將是我們今天Y軸上的主要反應變數。我們希望透過這項分析來提高良率，接下來我們將主要看看圖表建立工具是如何幫助我們實現這一目標的。
首先，我將展示我的數據的第一印象，然後我們將嘗試用不同的參數進行相關性分析，看看我們如何得出哪個參數對我們的缺陷計數變數影響最大這一結論。
現在切換到 JMP 進行演示。這是我的數據集。可以看到，這裡有 1000 行數據，每一行代表一個批次中的一片晶圓。因此，每個批次包含 25 片晶圓。每片晶圓都有一個缺陷計數值，這是我們的主要變數。我們想看看接下來我將要講解的不同欄位是如何影響缺陷計數的。
首先，我將示範圖表建構器如何幫助我們快速視覺化資料。進入圖表建構器，將缺陷計數變數（連續變數）拖曳到中心位置，現在可以看到存在異常值。我將 X 軸設定為批號和晶圓編號。因此，這裡的每個數據點代表一行。
現在我想快速了解一下人口分佈。我將按缺陷數量降序排列 X 軸。現在我們可以看到，人口中有一部分缺陷數量較高，我們將嘗試找出原因。
回到表格，我們先來看第一個參數，它表示特定步驟中使用的工具。這裡有三個工具，分別是工具 A、B 和 C。這一列是透過表格連接功能新增到資料集中的。我這裡沒有另一個表格（它來自 Excel），其中包含晶圓編號、批號以及關聯的工具。透過符合這兩列，您可以將兩個表格連接起來，並新增工具列。
現在每個晶圓都關聯了其專屬的製程工具。參數 A 也採用了相同的處理方式，它並非分類變量，而是連續變量。稍後我會詳細解釋。回到製程工具，再次開啟圖表建構器，我們想了解製程工具對缺陷計數的影響。 Y 軸仍然是缺陷計數。現在我可以將製程工具放在 X 軸，然後點擊方格中的加號，查看其變化。
我喜歡在顏色設定部分添加 X 變數工具，讓它看起來更美觀。放大後，我可以清楚地看到，我的工具「查看」是我所有 3D 工具中最好的。現在，如果我想確認這一點並添加一些數值，我可以按住 Shift 鍵並點擊，在這裡新增標題框，然後在位置部分選擇存取表。現在我可以顯示每個總體的平均值了。
現在我想要的是樣本數、平均數和中位數。這證實了工具 C 作為總體，其平均值比其他總體的平均值更高。
這是第一個要素。我們知道工具 C 最好，工具 B 最差。回到表格，我們現在要對參數 A 做同樣的分析，參數 A 是一個連續變量，已包含在我們的資料集中。首先，我們可以進行 YX 分析。將缺陷數量放在 Y 軸，參數 A 放在 X 軸。
這將進行雙變量分析。點擊「確定」並放大後，我們可以看到兩個變數之間存在某種相關性，但並不十分明顯。我們可以大致將資料分為三個部分：低於 300 的部分、300 到 400 之間的部分以及高於 400 的部分。接下來，我將向您展示如何區分這三個類別，並對這三個類別之間的關係進行分析。我們可以使用這裡的列。
工具提供了分箱公式功能，可讓您在參數 A 列之後建立新列，並且可以動態選擇值來分隔樣本。我做了同樣的事情。我對 300 和 400 都做了同樣的操作，然後我又對更窄的分箱（例如 75）重複了一遍，稍後我會用到這些分箱。這樣就創建了一個分類變數。現在我可以對 Y 位元和 X 位元進行分析，再次輸入缺陷計數，並使用引腳列進行單因子變異數分析。
但要考慮的是，我想單獨找出表現最差的工具，看看特定工具的缺陷數量是如何變化的。因此，我將新增一個本地資料篩選器，並按工具進行篩選。現在您可以看到，我可以選擇要分析此列的工具。再次放大查看，以便更清楚地了解情況，而有趣的是比較學生t檢定的平均值。
現在我們可以看出，當參數 A 的值低於 300 時，對於工具 B 而言，參數 A 對缺陷計數有很好的影響；而對於其他工具而言，影響則不大，因為這裡的圓圈是連在一起的，而這裡的圓圈則相距甚遠。
接下來，我們還可以研究另一個參數，我稍後會示範它的設定方法。我們知道，對於某個特定的工具，從某個日期開始，它的配置有所不同。為了在表格或資料集中創建這些信息，抱歉，我將在圖表構建器中動態創建。所以，再次輸入缺陷計數。
但這次，我不會只輸入批號和晶圓號，而是會使用「偵測時間」列，也就是晶圓的偵測時間。我會使用日期和時間特徵，因為這是一個日期變量，並將其轉換為新的變數（月份、年份，抱歉，抱歉），這個變數也是分類變數。這樣我就可以把它加入到圖表建構器中，查看具體的檢測月份。
現在我想區分不同的工具，所以我想在工具上也加入局部篩選器。我知道工具 B 自 2023 年 9 月起，參數 B 的配置改變了。具體來說，我可以從這裡選擇這些點，這些點也會被加入到資料集中。
您可以看到我選取了 246 行。現在我可以使用行名稱選擇列。這將建立一個新的列參數 B，其選取值為配置 A 或 B，並選取另一個配置。現在您可以創建另一個圖表，抱歉，就是這個，它有點複雜。
但現在您可以看到，對於 2B，當我在配置中輸入顏色時，參數 B 使用的是配置 A，因為我的列參數 B 是透過列特徵中的名稱選擇建立的。這很有意思，因為我們可以看到，對於這個工具，自從更改後，其變化性似乎大大提高了。
現在我們已經研究了所有參數，接下來我將向您展示如何繪製一個有助於我們做出決策的總和圖。這就是這張圖。基本上，我們將 X 軸上的所有列合併，Y 軸代表缺陷數量，參數 A 的分組較窄，分箱值為 0.75。有趣的是，現在我們可以同時看到所有影響。
我們可以看到，工具 C 是最佳工具。工具 B 在配置 B 下表現最差。配置 A 可顯著提升工具 B 的效能。我們也可以看到，對於每個工具，隨著參數 A 的增加，效果數量也隨之增加。低於 300 時，效果似乎還不錯。
回到投影片，所有內容都總結在這裡了。我們從一個基本總體出發，嘗試分離參數並研究它們如何影響缺陷計數變數。這使我們能夠…這使我們能夠就製程參數做出決策，並改善我們的製程和良率。我們選擇了配置A，即在性能最差的工具（即工具B）上針對參數B的最佳配置。我們也將該工具上的參數A值限制在300。
這就是我們使用圖表建立器，主要使用圖表建立器和一些變異數分析來識別和確保我們擁有最佳製程並提高缺陷率的方法。
