在半導體製造邁入3奈米甚至更先進製程的今日，晶圓廠（Fab）面臨著前所未有的挑戰。虛擬量測技術是半導體產業從經驗驅動轉向數據驅動的里程碑。它不僅解決了實體量測的瓶頸，更為晶圓廠提供了製程透明度。

一片晶圓的生產週期長達數月，需經過上千道複雜工序。傳統的品質控管依賴於「實體量測」（Physical Metrology），即在特定工序後，將晶圓送往量測機台（如 CD-SEM、Scatterometry）進行抽檢。

圖一 : 一片晶圓的生產週期長達數月，需經過上千道複雜工序。

半導體製造的「品質盲區」

這種模式存在三個致命痛點：

1.抽檢缺口：由於量測設備昂貴且耗時，通常一個卡匣（Cassette）25片晶圓中僅抽測 1 片。其餘 24 片的品質處於「未知」狀態，這就是所謂的品質盲區。

2.量測延遲（Metrology Delay）：實體量測往往在加工完成後的數小時甚至數天後才執行。若機台發生偏移（Drift），等發現問題時，產線上可能已有數千片晶圓淪為廢品。

3.成本高昂：為了校正機台，廠內必須投入大量的「控片」（Monitor Wafer），這不僅浪費材料，也佔用了寶貴的產能。

因此，虛擬量測（Virtual Metrology, VM）應運而生。它並非真的「去量測」，而是透過機台感測器數據（Sensor Data），結合先進的數學模型，「預測」出每一片晶圓的加工品質。這項技術讓半導體廠從「抽檢」走向「全檢」，是實現工業4.0智慧製造的核心。

從感測器數據到品質預測

虛擬量測的本質是建立一個高度複雜的函數映射。假設機台的感測器參數為X，最終的品質結果（如蝕刻深度、薄膜厚度）為Y，VM的目標就是精準找出 f(X) = Y這樣的函數。

在半導體機台中，每秒會產生數以百計的狀態變數（SVID），包括：

‧ 氣體流量（Gas Flow）

‧ 反應室壓力（Chamber Pressure）

‧ 射頻功率（RF Power）

‧ 晶圓靜電吸盤電壓（ESC Voltage）

這些原始數據（Raw Data）充滿雜訊，且不同感測器的採樣頻率不一。因此，第一步必須進行特徵工程（Feature Engineering），將時間序列數據轉化為統計特徵（如平均值、標準差、斜率），並透過主成分分析（PCA）進行降維，剔除不相關的干擾項。

雙階段虛擬量測（Dual-Phase VM）是由業界廣泛採用的指標性技術架構。其運作邏輯如下：

‧ 第一階段（即時預測）：當晶圓在反應室加工結束的一瞬間，系統立即抓取感測器特徵，投入預測模型，產出「預測值」。

‧ 第二階段（動態校正）：當這片晶圓（或後續抽測片）完成了實體量測後，系統會比對「預測值」與「真實量測值」的誤差，並利用該誤差自動微調模型參數，確保模型能追蹤機台的老化與漂移。

信心指標（Reliance Index, RI）與全球相似指標（GSI）則是關乎半導體廠是否「敢於相信」VM 結果的關鍵。

‧ RI（信心指標）：評估預測值的準確度。若 RI 越高，代表模型對此筆數據的預測極為可靠。

‧ GSI（全球相似指標）：評估目前的機台感測數據是否超出了模型訓練時的範疇。如果 GSI 過高，代表這是一個「從未見過」的異常製程狀況，系統會主動發出警告，提示工程師此時的 VM 預測值不可信，應改採實體量測。

從統計回歸到深度學習

早期的VM主要採用多元線性回歸（MLR）或偏最小平方回歸（PLS）。這些方法優點是運算快、可解釋性高，但在面對高度非線性的半導體製程（如電漿蝕刻）時，精準度往往受限。

隨著AI技術成熟，現代虛擬量測已大量導入：

‧ 人工神經網路（ANN）：能捕捉極其複雜的非線性關係。

‧ 隨機森林（Random Forest）與 XGBoost：對於處理機台的大量分類特徵與數值特徵具有極佳穩定性。

‧ 長短期記憶網路（LSTM）：專門處理具有時間相關性的感測器序列數據，能預測機台隨時間產生的衰減趨勢。

半導體製程中的關鍵應用場景

1.蝕刻製程（Etching）：關鍵尺寸（CD）預測

在蝕刻過程中，電漿的穩定性直接影響線寬（Critical Dimension）。透過監測電漿的光學發射光譜（OES）數據，VM 可以預測蝕刻深度，避免過度蝕刻導致電路毀損。

2.薄膜沉積（CVD/PVD）：厚度均勻度

薄膜的厚度分布對後續製程至關重要。VM 能即時分析氣體流量與溫度分佈，預測晶圓表面各點的厚度，實現對每一片晶圓的品質監控。

3.化學機械平坦化（CMP）：移除率預測

CMP製程中，研磨墊（Pad）的磨耗與研磨液（Slurry）的濃度會不斷變化。VM結合R2R（Run-to-Run）控制，能預測移除率（Removal Rate），並自動計算下一片晶圓所需的研磨時間，大幅提升製程平整度。

虛擬量測與先進製程控制

圖二 : 半導體虛擬量測的主要概念示意圖

虛擬量測若僅僅是「預測」，價值僅發揮一半。其真正的威力在於與先進製程控制（APC）的深度整合。在現代Fab中，VM被視為APC的「眼睛」。

當VM預測出當前晶圓的薄膜厚度略微偏離目標值（Target）時，系統會立即將此偏移量回傳給Run-to-Run（R2R）控制器。控制器會根據模型計算，自動調整下一片晶圓的配方參數（例如增加2秒的加工時間），達成自動補償。

此外，VM也能推動控片減量。過去工程師每天必須跑數片控片來確認機台狀態，現在透過VM的高信心度預測，可將控片數量減少50%以上，直接轉化為數百萬美元的成本節省。

資料治理與模型韌性

雖然虛擬量測在理想環境下能展現極高的預測精度，但半導體製造是一個高度動態且對變異極度敏感的環境。要不間斷運行的晶圓廠中落實 VM，必須解決兩個核心挑戰：資料的真實性與模型的適應能力。

因此，建立VM系統的第一步並非建模，而是資料清洗與降噪。工程師會導入FDC（Fault Detection and Classification）系統作為前哨。

Garbage In, Garbage Out

虛擬量測完全仰賴機台感測器回傳的數據。然而，感測器本身也會發生偏移或故障。例如，一個壓力計可能因為製程副產物的堆積而產生數值漂移，或者流量控制器（MFC）因老化導致輸出不穩。

VM系統必須先過濾掉機台異常停機、暖機階段或感測器失效的數據。此外，由於半導體機台參數動輒上千個，如何從中篩選出真正影響品質的「關鍵特徵」至關重要。這通常需要結合製程工程師的領域知識與統計學上的相關性分析，確保模型輸入端的純淨度。

模型的遷移學習與適應

半導體產線通常擁有數台、甚至數十台執行相同工序的機台。即便型號完全相同，不同機台（或同一機台內的不同反應室）之間仍存在微小的物理差異。如果為每一台機台單獨訓練模型，將耗費龐大的計算資源與標記資料（量測值）。現代VM技術正導入遷移學習（Transfer Learning）來解決此問題。

機台的物理狀態會隨著生產次數增加而改變，例如蝕刻室壁的聚合物堆積或零件更換。一個固定的VM模型在運行三個月後，精準度往往會大幅下滑。因此，卓越的虛擬量測系統必須具備「自動刷新機制」。

當系統偵測到預測值與實體量測值的殘差持續擴大，但信心指標卻維持高位時，系統會自動觸發重新訓練程序。這種自動化的閉環訓練能確保模型始終追蹤機台的最新狀態。更先進的做法是導入線上學習，即時地微調內部參數。

結語

隨著5G與邊緣運算的普及，VM的運算將從秒級縮短至毫秒級，實現真正的「零延遲、全自動」自我修復生產線。

虛擬量測技術是半導體產業從「經驗驅動」轉向「數據驅動」的里程碑。它不僅解決了實體量測的瓶頸，更為晶圓廠提供了製程透明度。在全球半導體競賽中，誰能更精準地掌握虛擬量測，誰就能在良率與成本的戰爭中取得絕對領先。