透過「微影覆蓋誤差量測的抽樣與預測」技術，降低誤差量測的成本與時間，以提高製程效率。經由分群技術與機增量學習模型演算法找出關鍵量測點，建立黃光覆蓋誤差量測點的減點演算法，並可因應產品客製化要求、晶圓種類繁複與樣本資料量測量少的問題，動態增量學習不同資料特徵，以達優化減點與降低成本之目標。

由於實務上缺乏大量完整的各產品晶圓量測資料，我們利用分群技術結合增量學習符合客製化需求。開發動態分群演算法，使其針對不同型態屬性的資料自動給予適當分群數，並利用少量樣本資料逐步建立訓練模型，以擷取各分群中代表性的量測點，預測晶圓曝光補償。本技術在主要的績效標準方面都優於業界採用之商業軟體10以上。

目前因應合作廠商需求開發量測減點演算法，利用動態分群方法分析微影覆蓋誤差的共同特徵，並透過增量學習模型擷取代表性的量測點，以外推預測整片晶圓之實際曝光情況。我們也將該量測技術延伸至Wafer Probe測試階段，達成在測試製程階段降低量測成本之目標，並協助提升台灣半導體產業鏈之尖端技術與國際競爭力。

天使投資人、策略合作夥伴