那天 CPK 報告出來，全場沉默了三秒
還記得好幾年前，我們產線一台機台的良率突然往下掉。客戶的 Audit Team 剛走，結果下一批貨的 Cpk 報告一出來，直接掉到 1.08，DPMO 衝到 6210。整個 Fab 的主管臉都綠了，老闆把我們幾個工程師叫到會議室，只說了一句：「給我把問題找出來，產線不能停。」那時候，我們只能土法煉鋼，每批貨都送去量測，等報告出來再調整機台參數。結果就是，每次調整都要等好幾個小時，產線效率整個被拖垮。
問題出在哪
說穿了，半導體製程最大的痛點之一，就是「量測太慢，成本太高」。你每做完一個製程，都想知道結果是不是符合規格對吧？但一台價值幾千萬上億的量測機台，不可能每一片都給你量測。所以我們只能抽樣量測，或是等產品完全做出來才測最終電性。但這樣就錯失了黃金修正期。
虛擬量測（VM）這東西，其實就是一套 AI 預測模型。它不是真的去量測，而是利用你已經有的「機台參數」跟「製程數據」，去預測「量測結果」。換句話句話說，它把過去累積的製程經驗，變成一個聰明的腦袋，告訴你現在這片晶圓的品質大概會長怎樣。它預測的是那些你「沒能量測」的項目，或是「還沒到量測點」的結果。
實際上怎麼做
其實不難，概念上就是三步驟：
- 收集數據： 你必須先有大量的歷史數據。例如，過去 1000 片晶圓，它們在 A 機台的 Recipe 參數、腔體壓力、溫度、流量等等，以及它們最終的量測結果（例如膜厚、蝕刻深度、CD 值）。
- 訓練模型： 把這些機台數據當作「輸入」，量測結果當作「輸出」，餵給 AI 模型去學習。就像教小孩認字一樣，你給它看很多「機台參數組合」和「對應的結果」，它就會學會兩者之間的關係。
- 上線預測： 一旦模型訓練好，它就能上線了。當新的晶圓跑過機台時，模型會即時抓取機台參數，然後馬上預測出這片晶圓的量測結果。它不需要等到真的送去量測機台，省下了大量的時間。
舉個例，我們有個蝕刻製程，最關鍵的量測是蝕刻深度。以前都要等做完幾百片才抽幾片去測。現在 VM 模型可以預測每片晶圓的蝕刻深度，如果預測值開始偏離預設範圍，例如從 1000 Å 慢慢偏到 980 Å，我們就能提早發現，甚至直接調整 Recipe，而不是等實際量測出來才發現已經損失了幾百片。
最常見的坑
說實話，我踩過最大的坑，就是「數據品質」。一開始，我們想得很簡單，把所有數據都丟進去。結果模型出來的預測根本是垃圾。後來才發現：
- 資料不乾淨： 機台數據常常有 Sensor 異常、斷點、或是根本沒記錄到的問題。這種髒資料餵給模型，結果可想而知。
- 特徵工程沒做好： 我們以為直接用機台原始參數就好，但很多時候，某些參數的「變化率」、「累積值」或是「不同參數的組合」才是影響結果的關鍵。這需要懂製程的工程師下去幫忙定義。
- 過度依賴： VM 畢竟是預測，不是百分之百準確。如果你完全相信它，把所有實體量測都拿掉，那風險就太大了。它應該是「輔助」你判斷，幫助你更快發現問題，而不是取代所有量測。所以，實體量測還是要定期做，去校正你的 VM 模型。
今天能做的一件事
盤點手上有沒有長期累積的「機台參數」與「量測結果」歷史數據。