AI 應用產線可行性評估報告
四個 AI 模型專案
建立與規劃案例彙整
晶圓缺陷分類・Strip Test Fail Pattern・AOI-CP 電性預測・BGBM SPC 與 AI 導入規劃 — 供管理層評估 AI 導入產線之可行性、成熟度與優先順序
A晶圓缺陷分類系統
BStrip Test Fail Pattern AI
CAOI 影像 AI 模型（AOI-CP）
DBGBM SPC 與 AI 導入規劃
AGENDA
簡報大綱
從總覽評估架構出發，逐一檢視四個案例的現況與成熟度，最後彙整成產線導入建議
A
晶圓缺陷分類系統
雲端＋本機雙版本，RK30906 實測案例
P.05–10
B
Strip Test Fail Pattern AI
規則式＋PyTorch 模型，概念驗證階段
P.11–15
C
AOI 影像 AI 模型（AOI-CP）
四種方法測試，目前卡關待突破
P.16–20
D
BGBM SPC 與 AI 導入規劃
SPC 儀表板已完成，四階段路線圖
P.21–25
EXECUTIVE SUMMARY
四案例總覽：現況與成熟度一覽
同一份資產（產線 Log／影像／量測資料）可以走到完全不同的成熟階段——從已上線到目前卡關
| 案例 |
目標 |
現況成熟度 |
關鍵指標 |
建議動作 |
| A · 晶圓缺陷分類 |
8 類缺陷 pattern 自動判定，雲端＋本機雙部署 |
● 已可用 / 已用真實 Lot 驗證 |
25 片實測、良率規則 + AI 分流全跑通 |
推廣至產線試營運，複製分流架構 |
| B · Strip Fail Pattern |
13×13 網格 fail 樣態自動分類 |
◐ 概念驗證 / 準確度尚不穩定 |
僅 29 筆標記，推論平均信心 31.3% |
持續累積標記，規則式先上線 |
| C · AOI 影像 AI（AOI-CP） |
以 AOI 影像預測 CP 電性，降低 Overkill |
○ 卡關 / 需跨部門資源 |
四種方法 ROC-AUC 皆 0.48–0.54（近乎隨機） |
修 ADC 分類、取得 Layout/GDS 資料 |
| D · BGBM SPC＋AI 規劃 |
線上 SPC 監控 ＋ 分階段 AI 導入 |
● 階段一已完成 / 路線圖清楚 |
SPC 儀表板已交付，抓到真實 9σ 飄移 |
依路線圖投入階段二～四 |
EVALUATION FRAMEWORK
如何解讀本報告：五個評估構面
每個案例都用相同的五個構面檢視，確保跨案例可以互相比較、排優先順序
①
資料就緒度
現有資料量、標記品質、是否有乾淨的驗證集
②
模型準確度／效益
模型指標（準確率、ROC-AUC、信心分數）是否達到可用門檻
③
部署複雜度
雲端／本機部署方式、是否需要額外硬體或人力維運
④
產線整合難度
與既有系統（MES／設備 Log／人工複判）銜接的難易度
⑤
建議動作與優先順序
現在就能做、需要持續投入，還是需要跨部門資源才能突破
案例 A · 01/04
晶圓缺陷分類系統
雲端版與本機版架構、8 類缺陷模式，並以 RK30906 真實 Lot 完整走過一次流程
案例 A · 晶圓缺陷分類系統
背景與雙版本架構
AI 判斷邏輯完全相同，差別只在「模型在哪裡執行」——依網路、隱私、硬體條件彈性選擇
- 以 WM-811K 資料集訓練 ResNet34 模型，8 類缺陷 pattern 自動判定
- 良率規則、CSV／dlog 解析、8 類定義完全共用一套邏輯，只差推論位置
- 雲端版：兩個獨立 Hugging Face Space（前端 + 模型），免安裝即用
- 本機版：單一 Flask + PyTorch 行程，資料與圖片全程不出機、可離線
- 前端無需 GPU/PyTorch，瀏覽器打開即可用
- 適合展示、教學、多人共用
- 免費方案有休眠喚醒延遲（約 20–30 秒）
- 推論在自己電腦執行（Flask + PyTorch）
- 圖片與 log 不上傳外部伺服器
- 需自行安裝 Python + PyTorch（約 200MB）
案例 A · 晶圓缺陷分類系統
核心功能與使用流程
兩個版本共用同一套 Web UI：Single Wafer／Whole Lot／Instructions，操作方式完全相同
8 類缺陷模式（含 None）
None
Center
Donut
Edge-Loc
Edge-Ring
Loc
Near-Full
Random
使用流程：良率規則 → AI 模型 兩段式分流
1
上傳圖片／CSV
Single Wafer 上傳晶圓圖，或 Whole Lot 上傳整批測試 log
2
良率規則判定
良率 ≥ 95% 門檻 → 直接判定 None，節省模型推論
3
AI 模型推論
低於門檻者送入 ResNet34，回傳 8 類機率排序 + 64×64 預覽
4
標籤修正／再訓練
判斷不準確可手動修正並存入 corrected_labels/，供後續再訓練
案例 A · 實測案例 RK30906
實測案例：25 片 Wafer 良率分布與分流結果
真實 Lot RK30906・25 片・CRAFT dlogTDO log，以 95% 門檻套用在真實資料上
52.29–97.71%
良率區間（#11 → #21）
觀察：25 片良率落差明顯，非單一均勻批次；僅 4 片可由規則直接判定，多數仍需 AI 模型判斷 pattern
案例 A · 實測案例 RK30906
從真實資料得到的洞察
整合良率分佈、主要 Fail 測項、Hotspot 三個角度，得到可執行的下一步建議
IR0 系統性主導
96% 的晶圓（24/25）主要 fail 測項同為 IR0（電流測試），遠非隨機分佈，指向共同的測試或製程條件
熱點集中外環
Top 5 熱點座標中，(6,21) 與 (7,17) 兩點在 14/25 片（56%）重複失效，位置偏外環
分流機制發揮作用
21 片自動送模型判定 pattern、4 片規則直接判定，兼顧速度與正確性
非隨機、可追查
系統性訊號較符合探針卡接觸不良或邊緣製程均勻度問題，而非單顆晶片隨機瑕疵
建議下一步
檢查探針卡對位與邊緣接觸點 → 追蹤 IR0 測試條件是否偏移 → 比對歷史 Lot 是否有相同熱點座標
案例 A · 晶圓缺陷分類系統
再訓練機制與案例總結
上線後的模型不會永遠準確，靠「上線→收集回饋→再訓練→驗證→替換」持續進化
- 資料混合策略：原始資料集（基礎泛化）＋人工修正資料（針對性修正）混合訓練
- 修正資料 20 倍加權，避免被大量原始資料稀釋、學不到教訓
- 驗證集只從原始資料切分，修正資料絕不進驗證集，確保公平比較
- Champion / Challenger：新模型須在同一驗證集勝過舊模型，人工決定才替換，無自動覆蓋風險
成熟度評估
● 已可用 / 已驗證
- 架構完整：雲端＋本機雙版本，皆已跑通
- 已用真實 25 片 Lot 資料完整驗證分流＋推論流程
- 具備可重複的再訓練流程與版本比較機制
- 資料隱私可控：本機版資料全程不出機，適合機密產線資料
產線導入建議
四案例中成熟度最高，建議優先正式導入產線試營運；本機版適合機密場景，並可將「良率規則 + AI 模型」兩段式分流架構複製到其他缺陷判讀站別
案例 B · 02/04
Strip Test Fail Pattern AI
Stage 1 資料蒐集 → Stage 2 規則式判斷（Route A）→ PyTorch 模型訓練與推論（Route B）
案例 B · Strip Test Fail Pattern AI
背景與兩階段架構
同樣是 fail，發生在邊緣、單一 row，還是整片群聚，代表的製程異常完全不同
半導體 Strip Test 產出大量以 13×13 網格記錄的 pass/fail 資料，需要辨識 fail 分佈的空間樣態（Edge-Ring、Cluster、Row-Streak…），以協助製程異常診斷。
STAGE 1 · 資料蒐集
既有工具
- 把原始 xls log 轉成「每個 strip 一筆」的結構化樣本
- 特徵向量 ＋ 13×13 空間網格
- 提供人工標記介面，產出可餵給模型的 dataset
STAGE 2 · Route A 規則式
已上線
- 拿 Stage 1 dataset 做規則式初步分類
- 工程師建立人工標記（manualLabel）作為 ground truth
- 門檻需人工調校，混合型 pattern 較難處理
STAGE 2 · Route B PyTorch
本報告主軸
- train_fail_pattern_stage2.py（訓練）
- predict_fail_pattern.py（推論）＋ .pt 模型檔
- 銜接既有 Stage1/2 工作流程，離開瀏覽器環境
案例 B · Strip Test Fail Pattern AI
資料設計與模型架構
兩條模型路線並行：Tabular 特徵 MLP，以及 Grid 影像化 CNN
TabularMLP · 16 維特徵向量
- 8 個統計特徵：yield、edgeFailRatio、clusterScore…等
- 2 個外接框比例：bboxW / bboxH（正規化）
- 6 個逐測試項失效率：VTH／VFSD／IPD-10V／IDSS1-3
- 特徵本身可解釋，是判斷依據的一部分
GridCNN · 8-channel 影像張量
- 13×13 grid → One-hot Channel Tensor（8 channels）
- 只允許水平／垂直翻轉，不允許旋轉（避免改變樣態語意）
- 資料增強最多放大訓練樣本 4 倍，緩解小樣本 overfitting
- 保留空間資訊，適合學習規則式難以描述的混合樣態
7 個已知異常樣態：Random/Scatter · Edge-Ring · Corner · Center · Row-Streak · Column-Streak · Cluster · Full-Fail
案例 B · Strip Test Fail Pattern AI
Fail Pattern 類別範例：模型如何辨認樣態
以下為 Stage 1 人工標記選項對應的典型空間樣態示意（示意用簡化網格，非真實資料）；Route B 的 GridCNN 學的正是這種「整片形狀」，而非單一測項數字
Random / Scatter
零星分佈，無特定規律
Row-Streak
單一橫向 row 整排 fail
Column-Streak
單一縱向 column 整排 fail
辨認邏輯：TabularMLP 看的是數字特徵（yield、edgeFailRatio…）；GridCNN 則把上面這種 13×13 網格當「圖片」看，直接學習形狀本身──這也是為何 Edge-Ring 與 Corner 這類位置相關的樣態，用影像模型比純數字特徵更容易分辨。
案例 B · Strip Test Fail Pattern AI
現況結果：標記樣本少、推論信心偏低
大規模推論（predictions.csv）：148 個 Lot、3,532 筆 Strip，平均信心分數僅 31.3%
關鍵洞察
模型從未學過「None」類別
- 訓練只保留 manualLabel 非空樣本，模型沒有「None」選項
- 推論資料含大量應為 None 的良品 strip，模型被迫強制分類
- 預測高度集中於 Random/Scatter（74.4%）與 Edge-Ring（24.9%）
案例 B · Strip Test Fail Pattern AI
限制、建議與案例總結
現階段屬於概念驗證，應與規則式 Route A 並行使用，而非直接取代人工複核
主要限制
- 樣本量過小且分佈不均：全數僅 29 筆，Corner 僅 1 筆
- 模型未學習「None／正常」類別，推論產生誤報
- 推論信心普遍偏低，尚不足以完全取代人工複核
- Route A／Route B 準確率差異尚未量化比較
下一步建議
- 持續蒐集標記，優先補足 Corner／Cluster／Center 等稀少類別
- 訓練資料加入「None／正常」類別，避免強制誤判
- 每個類別累積 30～50 筆以上，再評估切換路線 B
- 建立信心門檻（如 <50%）自動退回人工複核，定期重訓
已建立完整工具鏈並雲端化（3 個 HF Space/Repo），全程瀏覽器操作、免本機安裝、單一 CPU 即可訓練。但受限樣本量，不建議獨立上線；應維持路線 A 上線把關、路線 B 背景平行訓練，待驗證集準確率穩定超過路線 A 再接手。
案例 C · 03/04
AOI 影像 AI 模型
以 AOI 瑕疵影像預測 CP 電性結果，降低人工複判負擔 — 進度報告：目前卡關的原因與下一步建議
案例 C · AOI 影像 AI 模型（AOI-CP）
背景與目標
AOI 用光學閾值判斷瑕疵，無法分辨「真的會影響電性」跟「外觀異常但其實沒事」
≈ 90%
AOI 標記異常中，事後電性測試（CP）其實正常，屬於誤殺 Overkill
目標：訓練 AI 模型，讓 AOI 站別自動預判「這顆瑕疵會不會真的讓 CP Fail」，減少人工複判工作量，複判資源留給真正不確定的案例
資料規模：已經不是問題
第一階段
36 顆
confirmed 樣本
12 片 wafer・初步驗證資料格式
第二階段
224 顆
confirmed 樣本
2 批 lot・建立圖片資料集
第三階段
422 顆
confirmed 樣本
12 批 lot・1,902 筆・正式跨過 300+ 門檻
案例 C · AOI 影像 AI 模型（AOI-CP）
四種方法，一致的失敗結果
每種方法都用「依 wafer 分組」驗證，避免資料洩漏灌水；1,902 筆資料上全部測過
0.48 ～ 0.54
四次結果全部落在此區間，等同丟銅板
ROC-AUC = 0.5 代表模型完全沒有分辨能力
實用門檻參考
業界瑕疵分類／風控應用通常需 ROC-AUC ≥ 0.70 才具備獨立判斷的實用價值，目前離門檻還有明顯差距
案例 C · AOI 影像 AI 模型（AOI-CP）
為什麼卡住：兩個根本原因
四種獨立方法一致失敗，不太可能是巧合——已先排除「標籤錯亂」這個容易誤判的可能性
✓
已排除的可能性：座標配對邏輯是乾淨的
用 25 片 wafer、199 筆有 CP 對照的瑕疵逐一核對，符合率 100%；歷史「Y 軸反向」矛盾已查清並記錄。四次結果不是標籤錯亂造成的假陰性。
瑕疵照片缺乏「語意」資訊
500×500 裁切照片只能看到瑕疵旁有沒有可見圖案，但看不出是關鍵電路結構（bump/pad/訊號線）還是純裝飾區域。真正關鍵的「這個座標壓到了什麼電路結構」，目前照片與表格數字都沒有捕捉到。
AOI 自動分類（ADC）實質沒有運作
約 96% 的瑕疵代碼是「22」，而這個代碼在機台自己的分類定義表裡根本不存在。代表 AOI 站別的自動缺陷分類功能形同虛設，少了「這是什麼種類瑕疵」的關鍵資訊來源。
案例 C · AOI 影像 AI 模型（AOI-CP）
下一步建議、需要的支持與案例總結
不再期待單純加量能翻盤，關鍵在於補齊「語意」資訊
優先
修正 AOI 站別 ADC 分類設定
與 AOI 工程師確認自動分類功能是否啟用、分類規則庫是否需重建
關鍵
評估取得 Layout / GDS 電路結構資訊
疊加「座標是否落在關鍵結構上」，是唯一可能突破天花板的方向
持續
調整樣本收集優先順序
優先收集「同一顆 die 多瑕疵、已知責任瑕疵」案例，改善標籤精確度
並行
維持分級複判架構的長期規劃
不需等模型達 70% 準確率才上線，可先建立信心區間、未來套用同一套架構
四案例中風險最高：現有影像＋表格資料已測試到技術天花板，需管理層裁示是否投入跨部門資源（ADC 重建、GDS 取得），否則此路徑難以突破，建議先以「輔助人工複判」小規模試行。
案例 D · 04/04
BGBM SPC 與 AI 導入規劃
從既有設備 Log，走出「線上 SPC → AI 模型」的第一步 — SPC 儀表板已完成交付，AI 導入分四階段推進
案例 D · BGBM SPC 與 AI 導入規劃
背景與已完成成果
不只是規劃，是可以直接打開使用的成果 — BGBM_SPC_Dashboard.html
BGBM＝ Back Grinding Back Metal（晶圓背面研磨＋背面金屬化）；機台以濺鍍（Sputtering）技術依序鍍上 Ti／Ni／Ag 三層金屬。分析期間 2026/05/29–06/04，設備本身已把每秒數據整理成統計摘要，不需從零做資料工程，這也是「上線 SPC」能在 1–2 週內完成的原因。
已完成：線上 SPC 監控儀表板（BGBM_SPC_Dashboard.html）
🟢
腔體即時狀態卡
Ti/Ni/Ag/L11 四張卡片，一眼看出每個腔體目前正常／警戒／超限
📈
SPC 管制圖 (I-Chart)
自動用歷史資料算出管制界線，並能抓「連續同側偏移」隱藏趨勢
🚨
異常事件記錄
自動列出所有超限／警戒事件，工程師可直接追查是哪個批次、哪片晶圓
🎯
靶材壽命追蹤
Ti/Ni/Ag 累積耗用量趨勢圖，自動標出重置點（推測為換靶事件）
案例 D · BGBM SPC 與 AI 導入規劃
真實案例：從既有 Log 挖到的訊號
這些不是模擬案例，而是儀表板從真實製程 Log 抓出的實際訊號
① Ti 腔濺鍍電壓永久性飄移
396.1V → 385.6V
6/3 之後永久性下降
此後都維持在新水準，不是單點雜訊，而是跨多個批次的持續性轉變。這證明只要有上線 SPC 監控，這種轉變在「發生的當下」就能被抓到，而不是像現在靠事後分析 Log 才發現——這是規劃「線上 SPC」的第一個具體理由。
② 靶材累積耗用量呈鋸齒狀趨勢
159 → 7.68 kWh
Ni 腔曾一次驟降（推測為換靶或保養事件）
Ti／Ni／Ag 三腔體都有各自的累積耗用功率計數器，數值持續上升並在特定時間點下降重置。只要確認這個計數器的定義，就能拿它來預測「還能撐多少批次、什麼時候該換靶材」——這正是「預測性維護 PM」的具體應用場景。
另有兩個額外可監控訊號：製程時間一致性與真空抽氣時間，可提前排定保養。
案例 D · BGBM SPC 與 AI 導入規劃
AI 模型分階段導入地圖
原則：由易到難、分階段導入，每階段都能立即產生價值，後面階段直接沿用前面建立的資料管線
01
SPC 即時監控儀表板
直接用設備算好的統計值做管制圖，不需複雜運算
1–2 週
已完成
02
靶材壽命／PM 預測
用累積量＋使用速率預測何時該保養／換靶
約 1 個月
規劃中
03
多變量異常偵測
用完整製程曲線（PCA/Autoencoder）算出每片 wafer 健康分數
2–3 個月
規劃中
04
虛擬量測／良率模型
用製程參數即時預測膜厚等品質結果，需先串接 MES 量測資料
需額外資料
待資料到位
案例 D · BGBM SPC 與 AI 導入規劃
下一步建議與案例總結
已具備的基礎：解析程式、圖表產生程式碼、可直接使用的 SPC 儀表板，皆已完成並可重複使用
1
確認計數器定義
與設備工程師確認『Total Power』計數器與 Rough/Vent Time alarm 欄位的實際物理意義，避免誤判
2
資料庫化
所有 Log 檔統一以 Lot ID + Wafer No + 時間建立資料庫化長期儲存（目前為逐檔文字檔）
3
串接量測資料
若能取得對應批次量測／良率資料，可在 4–6 週內完成第一版虛擬量測 POC
不需要等待完美的資料基礎建設，已用現有 Log 證明：真實製程飄移抓得到、靶材壽命有跡可循、線上監控儀表板已能直接打開使用。四案例中「立即可複製性」最高——建議將 SPC 儀表板模式推廣到其他設備／站別，AI 階段依路線圖分階段投入，優先完成階段二靶材壽命預測。
下一步：確認計數器定義 → 資料庫化 → 串接量測資料
綜合結論
產線導入建議與決策
整合四個案例的成熟度、準確度與資源需求，提出可執行的產線導入優先順序建議
SYNTHESIS
四案例成熟度矩陣
橫軸：資料／技術就緒度；縱軸：模型準確度／效益 — 位置愈右上，愈適合優先投入產線
潛力大但需驗證
可規模化推廣
需要突破性資源投入
基礎已備，效益待提升
A
D
B
C
模型準確度／效益 ↑
資料／技術就緒度 →
案例對照
D
BGBM SPC 與 AI 規劃
階段一完成，路線清楚
B
Strip Fail Pattern AI
概念驗證，持續累積資料
C
AOI 影像 AI（AOI-CP）
卡關，需跨部門資源
RECOMMENDATION
產線導入建議與優先順序
依成熟度分成三個行動類別：現在就做、持續投入、需要決策才能突破
- 晶圓缺陷分類系統：導入產線試營運，本機版優先用於機密資料場景
- 複製「規則判斷＋AI 模型」兩段式分流架構到其他判讀站別
- BGBM SPC 儀表板模式，推廣到其他設備／站別的既有 Log 資料
持續投入、分階段推進
案例 B、案例 D（階段二～四）
- Strip Fail Pattern：規則式 Route A 先上線把關，Route B 背景訓練累積樣本
- BGBM：依路線圖投入靶材壽命預測（階段二）與異常偵測（階段三）
- 設定明確的資料量門檻（如每類別 30–50 筆）作為模型上線判準
- AOI-CP：現有影像＋表格資料已達技術天花板，非持續加量可解決
- 需裁示是否投入跨部門資源：ADC 分類重建、Layout/GDS 資料取得
- 在決策明朗前，先以「輔助人工複判」角色小規模試行，不獨立上線
DECISIONS NEEDED
需要的支持與決策事項
四個案例現階段共通需要管理層協助的事項彙整
1
AOI-CP：跨部門資源投入
同意評估重建 ADC 自動分類規則庫的可行性與時程；協調 AOI 站別工程師與跨部門窗口，確認是否能取得 Layout/GDS 電路結構資料
2
AOI-CP：角色定位
現階段模型準確率有限，是否同意先以「輔助人工複判」而非「自動判定」角色小規模試行
3
Strip Fail Pattern：資料累積時程
同意持續投入 Stage 1/2 標記作業，設定每類別 30–50 筆里程碑，作為 Route B 上線判準
4
晶圓缺陷分類：正式導入
核准將本機版導入涉及機密資料的產線站別試營運，並評估複製分流架構到其他站別
5
BGBM：資料串接與投資
支持與設備工程師確認計數器定義、建立 Log 資料庫化機制，並協助串接 MES 量測資料以啟動虛擬量測 POC
THANK YOU
敬請討論與指示
四個案例的完整技術驗證過程與詳細資料，已分別整理成各專案技術報告，可另行提供參考
A晶圓缺陷分類
BStrip Fail Pattern
CAOI-CP
DBGBM SPC＋AI