技術資源
關於半導體製程控制、虛擬量測、製造 AI 與量產營運的技術內容。
如何預測與控制製程結果
為什麼製程控制的難度不只在演算法
從建立、驗證、量產營運與重用角度，比較方程式、單一演算法與 Amfibian。
只有 EPD 與 OES
就夠了嗎？
找到 endpoint，和讓最終品質長期維持在目標，是兩個不同的控制問題。
Run-to-Run APC: Feedback + Feedforward
利用前次結果與目前狀態持續更新下一個 run 的製程條件。
Wafer Profile Control 與
multi-zone 製程控制
建立 zone 操作變數與空間結果關係，不只控制平均值，也管理 target profile 與 WIWNU。
把 batch 內位置變異反映到下一個 recipe
從 batch 設備的實測結果計算下一 batch 的 zone 條件。
虛擬量測（VM）：
不破壞控制迴路，
補足量測缺口
在稀疏或延遲的直接量測之間使用推估值，連接後續判斷與控制。
為什麼只有 TTTM 不夠：晶圓製造中的 APC
把機台 baseline 對齊，和隨時間把實際結果維持在目標內，是兩件不同的事。
如何讓製造 AI 真正運行在量產
為什麼製造現場
總是在重複解同樣的問題
如何把製程知識留給下一台機台、下一個產品與下一道製程。
隱性知識也有有效期限
探討 Excel 巨集與個人自動化為何不容易留下成為組織知識，以及過去的判斷為何需要放回今天的脈絡重新解讀。
AI 模型也需要量產技術
製造業把製程開發與量產技術分開是有原因的。資料與 AI 同樣需要把準備、模型開發、實際運行與持續改善串起來的體系。
為什麼製造軟體應該作為產品長期營運，而不是一次性 SI 專案
每天使用、跨多道製程擴展的軟體，需要不同於一次性交付的營運方式。
導入製造 AI 前，一定要先有 SPC 與 FDC 嗎？
真正的限制往往不是系統數量，而是有限工程人力能不能持續營運。
什麼是半導體製造的 Physical AI
把物理系統狀態理解連接到真正的營運判斷與 action。
診斷與監控之後，
是製程控制
異常偵測、品質預測與製程條件變更，解決的是不同製造問題。
使用 AI 的 Fab，
和由 AI 運行的 Fab，
有什麼不同？
關鍵不是有沒有模型，而是製程環境改變後仍能不能穩定持續運作。
為什麼很多 PoC
到不了量產
PoC 與量產的差異不只在精度，也在 operating trust、資料一致性、change management 與 workflow integration。
Fab IT modernization：
從系統專案走向 event-driven data platform
從 MES 中心架構走向 event-driven data flow 與 lakehouse 型平台。