IC 廠案例
PVD / Etching / CMP / Wire Bonding / 光阻配方，每個方法配一個半導體真實情境。
AI Prompt
含 Gate 階段專屬，從選 DOE 類型到 Control Plan 自動生成。
互動工具
DOE 決策樹、Gage R&R 計算器、SPC 圖樣體檢、EWMA 模擬、Cpk 拖動、ANOVA 流程。
Module 課程地圖
DOE 類型互動決策樹
回答下面 5 個問題，系統會推薦最適合的 DOE 方法，並說明為什麼不選其他選項。
方法速查表
| 方法 | 適用情境 | 典型實驗數 | 能多 Y？ |
|---|---|---|---|
| 田口 L9 | 4 因子 3 水準快速篩選 | 9 | 否 |
| 田口 L8 + 交互 | 4 因子 2 水準，需特定交互 | 8 | 否 |
| 2K Full Factorial | 2~4 因子，看完整交互作用 | 2^k × Replicates | 是 |
| 2K-P Partial | 5+ 因子篩選，預算有限 | 2^(k-p) | 是 |
| DSD | 6+ 因子，同時要篩主效果與曲率 | 2k+1 ~ 2k+4 | 是 |
| RSM (CCD) | 2~5 關鍵因子最佳化，要曲面 | 2^k + 2k + center | 是 |
| RSM (Box-Behnken) | 3~7 因子 RSM，避免角點 | 變動 | 是 |
| Robust Parameter Design | 有 Noise Factor，要降低變異、提高穩健性 | Inner × Outer Array | 通常否 |
| Split-Plot | 有 Hard-to-change 因子 | 變動 | 是 |
| Mixture Design | 配方類因子（總和=100%） | 視成分數 | 是 |
DOE 的入場券與離場票：MSA / SPC Gate
9 成失敗的 DOE 不是輸在統計，而是輸在 Gate。 量測雜訊比因子效應大、Baseline 在漂移、或最佳化結果交不出 Control Plan，再漂亮的 ANOVA 也救不回來。 本分頁提供三道 Gate 的互動檢核工具，下一個實驗就能用。
Gate 1 · 量測能信嗎
Before DOE如果量測誤差比因子效應還大，DOE 會把雜訊當成顯著效果。
- ✓ Gage R&R 計算 %GRR、NDC
- ✓ 對破壞性、Attribute 用對方法
- ✓ 偏差/線性度確認
Gate 2 · 製程穩定嗎
Before DOE不穩定的 baseline 會讓 special cause 混進實驗，誤導結論。
- ✓ 對照 4 種典型 SPC 圖樣
- ✓ Western Electric Run Rules
- ✓ 大事件 / 漂移先處理再做 DOE
Gate 3 · 結果守得住嗎
After DOE最佳參數若沒交接到 Control Plan 與 SPC 監控，3 個月內就會回到原狀。
- ✓ Confirmation Run 計畫
- ✓ EWMA / CUSUM 監控小漂移
- ✓ Control Plan + Reaction Plan
Gate 1 · Gage R&R 互動計算器
輸入您的 Minitab 或 JMP MSA 結果，立即得到 IC 廠等級的判定與行動建議。
NDC ≥ 8
NDC 5-7
NDC < 5
該用哪一種 MSA 方法
Gate 2 · SPC 圖樣體檢
DOE 前先看 baseline。出現以下三種異常圖樣，不要做 DOE，先處理 special cause。
Western Electric Run Rules · 8 條完整版
Minitab 預設只開 1、2、5、6 四條。建議在 IC 廠的關鍵製程開全 8 條。
Gate 3 · 為什麼 IC 廠要用 EWMA
CD、Overlay、Film Thickness 的漂移通常 < 1σ，傳統 Shewhart 抓不到。EWMA / CUSUM 才是半導體標配。
DOE 後的 Control Plan 模板
這是讓 DOE 結果真的能進量產的關鍵交付物。每一個顯著的 X 都應該有一行。
| 關鍵 X | 規格 / Target | 監控方式 | 頻率 | OOC 反應計畫 | 負責人 |
|---|---|---|---|---|---|
| CMP Down Force | 3.2 ± 0.2 psi | EWMA (λ=0.2) | Every Lot | 停線 → 校正壓力規 → 檢查 Pad 磨耗 | Process Eng. |
| Slurry Flow | 200 ± 20 mL/min | SPC Xbar-R | Hourly | 切換備用 Pump → 通知 Vendor | Equip. Eng. |
| Pad Conditioning | 30 sec / Wafer | Recipe Lock | Every Recipe Change | MES 強制鎖定不可改 | IE |
| RR Output (Y1) | 380 ± 30 Å/min | EWMA + Shewhart | Every Wafer | 觸發 OCAP → DOE 重新最佳化 | YE / PE |
| WIWR (Y2) | ≤ 8% | Trend Chart | Daily | Pad/Slurry 對策；超 10% 客訴風險 | QE |
失敗案例 · 跳過 Gate 的代價
背景：某 28nm 廠 Cu CMP 良率異常下滑，PE 緊急啟動 2³ Full Factorial DOE，跑了 32 片實驗 wafer（成本約 NTD 27 萬）。
結果：ANOVA 顯示 Down Force × Slurry Flow 交互作用顯著（p=0.008），按建議參數量產 3 個月。
真相：客戶端反映 thickness 變異反而變大。回頭重做 MSA 才發現：原本 OCD 的 %GRR = 47%（早就該停掉）；DOE 抓到的「顯著效應」其實大部分是量測雜訊。
後果：3 個月 RMA + 重工 + 客戶賠償總計超過 NTD 1,200 萬。
- 沒做 MSA 的 DOE 不能算數，no exception。
- %GRR > 30% 一律停 DOE（這個案例若先做 3 萬元的 MSA，能避免 1,200 萬損失）。
- DOE 結果要量產前，再做一次 MSA Audit 與 Confirmation Run。
IC DOE 八步驟 · 含 Gate 與失敗模式
Gate 階段專用 AI Prompts
這 5 組 prompt 補足主 AI 庫沒有的 Gate 場景，直接複製到 Claude / ChatGPT 使用。
AI 可協助，但不能取代工程簽核
- 整理 DOE charter、Y/X/Noise/Block 清單
- 檢查是否遺漏 randomization、replication、blocking
- 把 Minitab/JMP 輸出轉成主管摘要
- Gage R&R 結果初步判讀
- 產生 Control Plan / 8D / DMAIC 報告初稿
- 實驗條件是否安全、可量產、符合設備限制
- 機密 recipe、客戶資料是否可外傳
- MSA 失敗原因的物理根因
- Confirmation Run 的最終放行
- Control Plan 的 owner 與 reaction plan
Cp / Cpk 視覺化模擬
拖動滑桿改變製程平均、標準差，即時觀察 Cp、Cpk 的變化。對主管解釋「為什麼平均偏移會吃掉一半的 Cp」最快的工具。
• 客戶 Qual 要求 Cpk ≥ 1.33
• 內部高階產品要求 Cpk ≥ 1.67
• Cpk < 1.0 必須立即啟動 8D
- Cp 只看「分配寬度 vs 規格寬度」，不管在不在中心
- Cpk 同時看「寬度」與「偏移」，是真正能用的指標
- 當 μ 偏離規格中心，Cp 不變但 Cpk 直接掉
- 把 σ 縮小一半 → Cpk 約變兩倍（這是 DOE 改善的核心目的）
進階：半導體常被忽略的 Cpk 細節
田口法 vs 傳統 DOE 全方位對照
這是學員最容易混淆的概念。本表將兩者從 9 個維度對照，並標示出 IC 廠的選擇建議。
| 維度 | 田口法 (Taguchi) | 傳統 DOE (Factorial / RSM) | IC 廠建議 |
|---|---|---|---|
| 實驗次數 | 極少 (L9 = 9 跑) | 中等 (2³ Full = 8 跑、RSM = 13+) | 每片 wafer 8000+ 元 → 預算少時田口優先 |
| 能求交互作用？ | L9 飽和不可，L8 可 | Full 可全部，Partial 視 Resolution | 新製程開發必須能看 Interaction → 傳統 DOE |
| 能多 Y 嗎？ | 原始版本不行 | 能（Response Optimizer） | RR 與 WIWR 同時看 → 傳統 DOE |
| 能含 Block？ | 需特殊設計 | 原生支援 | 多機台實驗 → 傳統 DOE |
| 能含曲率？ | 不容易 | RSM 專長 | 找最佳值 → RSM |
| S/N 比？ | 核心特色，同時看均值與變異 | 通常分開分析 | Robust 設計、Noise factor 多 → 田口 |
| X 數據型態 | 視為文字型 (Nominal) | 可連續、可離散 | RSM 必須連續 X |
| 學習曲線 | 陡（需理解直交表概念） | 緩（Minitab 引導完整） | 新手先學傳統，老手再加田口 |
| AI 整合難度 | 中（規則明確但軟體少） | 低（多軟體 / API 成熟） | Vibe Coding 場景 → 傳統 DOE |
田口法的真正強項
不是「實驗次數少」，而是把 Noise Factor 顯式納入設計。對成本敏感的 OSAT/封裝廠特別有用。
- Inner Array (Control) × Outer Array (Noise) 的 Crossed Array
- S/N 比把均值與變異一次處理
- 適合「先不要找最佳，先要穩健」的場景
傳統 DOE 的真正強項
是系統性的演繹分析，能完整解構主效果、交互作用、曲率，並支援多 Y 最佳化。
- Sequential 策略：Screening → Modeling → Optimization → Confirmation
- Response Optimizer + Desirability 多 Y 處理
- 與 SPC、APC、ML 模型無縫銜接
IC 廠案例展示
每個案例都示範「情境 → 方法選擇 → 設計矩陣 → 結論」的完整教學鏈。
PVD 薄膜：4 因子 3 水準快速篩選
情境：新導入一台 AMAT Endura PVD，工程師需在 2 週內找出 Power、Pressure、Time、Ar Flow 四個關鍵參數對 Sheet Resistance 的影響。每片 wafer 成本 NTD 8,500。
| 因子 | L1 | L2 | L3 |
|---|---|---|---|
| Power (W) | 3000 | 5000 | 7000 |
| Pressure (mTorr) | 3 | 5 | 7 |
| Time (sec) | 30 | 60 | 90 |
| Ar Flow (sccm) | 30 | 50 | 70 |
CMP Cu Damascene：雙響應最佳化
情境：28nm 邏輯廠 BEOL CMP，需同時最佳化 Removal Rate (350~400 Å/min) 與 WIWR (<8%)。兩台 Polisher 列為 Block。
| 因子 | Low | High |
|---|---|---|
| Down Force (psi) | 2 | 4 |
| Table Speed (rpm) | 60 | 100 |
| Slurry Flow (mL/min) | 150 | 250 |
| Block: Polisher # | A vs B（2 機台） | |
Wire Bonding：降低 NSOP 不良
情境：OSAT 廠 Cu Wire Bonding 出現 NSOP（Non-Stick on Pad）不良率 0.8%。已知 Material 與 Diameter 之間可能有交互作用。
| 因子 | Low | High |
|---|---|---|
| A: Material | Cu | Au |
| B: Diameter (μm) | 18 | 25 |
| C: Force (gf) | 50 | 80 |
| D: Time (ms) | 10 | 20 |
Plasma Etching：7 因子篩選
情境：新製程 Plasma Etching 有 7 個可調參數，工程師希望在 8 跑內找出 Vital Few。Etch Rate 與 Selectivity 雙目標。
| 因子 | Low | High |
|---|---|---|
| Source Power | 500W | 1000W |
| Bias Power | 50W | 150W |
| Pressure | 10mT | 30mT |
| CF4 Flow | 30 | 60 sccm |
| O2 Flow | 5 | 15 sccm |
| Temp | 40°C | 80°C |
| Time | 30s | 90s |
光阻配方：Mixture DOE
情境：研發 ArF 光阻配方，含 Polymer / PAG / Solvent / Quencher 四成分（總和=100%），目標最佳化解析度與 LWR（Line Width Roughness）。
| 成分 | 下限 | 上限 |
|---|---|---|
| Polymer | 3% | 10% |
| PAG | 0.5% | 2% |
| Solvent | 85% | 96% |
| Quencher | 0.05% | 0.3% |
爐管 Hard-to-Change：Split-Plot
情境：LPCVD 爐管調溫一次需 2 小時穩定，但同一 Run 中可放多片 wafer。Temperature 是 Whole Plot Factor，Time、Pressure 是 Subplot Factor。
| 層級 | 因子 | 水準 |
|---|---|---|
| Whole Plot | Temperature | 700 / 750°C |
| Subplot | Time | 30 / 60 min |
| Subplot | SiH4 Flow | 50 / 100 sccm |
10 組可立即套用的 AI Prompt 模板
點任一卡片右上方的「複製」按鈕，貼到 Claude / ChatGPT / Gemini 即可使用。建議將自家機密資料替換為去識別化版本後再用公有雲 LLM。Gate 階段專屬的 5 組請見「MSA/SPC Gate」分頁。
三條安全紅線
ANOVA 解讀五步流程
學員拿到 Minitab 輸出常常不知該看什麼。這個流程圖把判讀順序固定下來，搭配 AI 使用更穩。
學員最常犯的 5 個 ANOVA 錯誤
- 只看 p-value，不看 Effect 大小：p=0.001 但 Effect 0.1，可能在工程上不重要。
- 忘了看 VIF：VIF > 10 代表共線性嚴重，係數方向可能反過來。
- 把 Block 列為 Factor 解讀：Block 顯著只代表「不同機台有差異」，不能當改善方向。
- 過度詮釋三因子交互：除非有強物理意義，三因子交互通常是雜訊。
- 不檢查 Outlier：一個 Bad Wafer 可以毀掉整個模型。檢查 Cook's Distance。
殘差圖判讀口袋卡
把這頁存到手機，跑完 DOE 對照查。Minitab 的 Four-in-One 是 DOE 成敗最關鍵的檢核。
Normal Plot · 直線
殘差呈常態分配 → 健康，可信任 p-value。
Normal Plot · S 型
非常態 → 行動：對 Y 做 Box-Cox 或 Log 轉換。
vs Fits · 水平帶狀
變異齊一 → 健康，不需轉換。
vs Fits · 喇叭狀
變異隨配適值放大 → 行動：Y 取 Log 或 √Y。
vs Fits · 曲線
模型漏二次項 → 行動：升級到 RSM。
Histogram · 對稱鐘形
常態 → 健康。
Histogram · 偏斜
行動：Box-Cox 找最佳 Lambda。
vs Order · 趨勢
時間相關因素未控 → 行動：加 Block / Random Run Order。
30 秒判讀口訣
Capstone Project · 四週實戰
學員以自家工廠真實問題（去識別化）執行完整 DOE 流程，結業時繳交報告 + 5 分鐘 Pitch。
Week 1 · 問題定義與 DOE 規劃
Define- 用 SIPOC、是/非（IS/IS-NOT）分析鎖定問題
- 列出 5~8 個可能因子，含水準範圍與成本
- 使用「DOE 決策樹」分頁選擇方法，繳交設計矩陣（Minitab/JMP 截圖）
- 用 AI Prompt #1（選擇 DOE 類型）取得第二意見
Week 2 · 執行實驗與資料蒐集
Measure- 實驗順序必須隨機化（Random Order）
- 每跑一個實驗點即時記錄日誌（含異常事件）
- 檢查 Gauge R&R 是否 < 10%，避免量測誤差吃掉實驗訊號
- 學員間互相 Peer Review 設計合理性
Week 3 · ANOVA 分析與最佳化
Analyze- 跑完 ANOVA 後，依「ANOVA 解讀」分頁的五步走完
- 檢查殘差圖（用「殘差口袋卡」對照）
- 用 Response Optimizer 找最佳組合
- 用 AI Prompt #2、#3、#4 取得結果解讀
Week 4 · 確認試驗與報告
Improve / Control- 執行 Confirmation Run（建議 5 點以上）
- 對比預測值與實際值，計算 Prediction Error
- 規劃後續 SPC 監控（建議用 EWMA）
- 用 AI Prompt #9（8D 報告生成）寫初稿，自己潤飾
- 5 分鐘 Pitch + Q&A，講師與同學評審
結業認證
通過 Capstone 評審（評分標準：方法選擇 25% + 設計嚴謹度 25% + 結果分析 25% + 簡報能力 25%），可獲得：