智慧製造流程與產能最佳化 (Process & Productivity Optimization)
實驗室的技術核心，特別是針對半導體產業的複雜製程進行數學建模與模擬。
• 技術亮點： 實驗室開發了多種先進的演算法，如「漸進式模擬最佳化 (PSO)」、「漸進式模擬元建模 (PSM)」以及基於分位數的優化模型 (AGLS-QC)，用以處理工廠內部的排程與資源分配問題。此外，也提出了全新的產業標準指標「整體晶圓效能 (OWE)」來評估生產力。
• 解決的業界問題與實際成效：
◦ 提升產能與效率： 成功在技術爬坡階段將常規批次的產能提升超過 30%。
◦ 縮短交期 (Cycle Time)： 成功將急件 (Hot Lots) 的週期時間降低了 28%，不影響一般訂單達交率。
◦ 良率大幅躍進： 將模內裝飾 (IMD) 製程產品良率從 10% 提升至 87.5%。
• 技術亮點： 實驗室開發了多種先進的演算法，如「漸進式模擬最佳化 (PSO)」、「漸進式模擬元建模 (PSM)」以及基於分位數的優化模型 (AGLS-QC)，用以處理工廠內部的排程與資源分配問題。此外，也提出了全新的產業標準指標「整體晶圓效能 (OWE)」來評估生產力。
• 解決的業界問題與實際成效：
◦ 提升產能與效率： 成功在技術爬坡階段將常規批次的產能提升超過 30%。
◦ 縮短交期 (Cycle Time)： 成功將急件 (Hot Lots) 的週期時間降低了 28%，不影響一般訂單達交率。
◦ 良率大幅躍進： 將模內裝飾 (IMD) 製程產品良率從 10% 提升至 87.5%。
AI 驅動的品質檢測與設備健康管理 (AI-Quality Control & PHM)
實驗室利用機器學習、影像處理與非監督式學習技術，解決傳統人工檢測效率低且不穩定的痛點。
• 技術亮點： 結合了 Canny 邊緣檢測與分類樹、支援向量機 (SVM) 與相似度比對技術，以及基於 Autoencoder (自動編碼器) 的非監督式學習架構。
• 解決的業界問題與實際成效：
◦ 降低誤報率： 在 CMOS 影像感測器製造中顯著降低缺陷檢測誤報率，提升決策可靠度。
◦ 精準缺陷分類： 在彩色濾光片與微透鏡製程中，自動化架構達到 94% 分類準確率。
◦ 節能與預測性保養： 協助空壓機系統實現 10.3% 節能，並提早預測機台故障實現預測性維護。
◦ 提升量測精確度： 疊對誤差模型成功減少 35.4% 誤差，降低取樣成本並提升良率。
• 技術亮點： 結合了 Canny 邊緣檢測與分類樹、支援向量機 (SVM) 與相似度比對技術，以及基於 Autoencoder (自動編碼器) 的非監督式學習架構。
• 解決的業界問題與實際成效：
◦ 降低誤報率： 在 CMOS 影像感測器製造中顯著降低缺陷檢測誤報率，提升決策可靠度。
◦ 精準缺陷分類： 在彩色濾光片與微透鏡製程中，自動化架構達到 94% 分類準確率。
◦ 節能與預測性保養： 協助空壓機系統實現 10.3% 節能，並提早預測機台故障實現預測性維護。
◦ 提升量測精確度： 疊對誤差模型成功減少 35.4% 誤差，降低取樣成本並提升良率。
不確定性下的韌性決策與風險管理 (Resilient Decision Support under Uncertainty)
將優化技術應用於防災、醫療與能源管理等具有高度「不確定性」的場景。
• 技術亮點： 運用「模擬最佳化 (Simulation Optimization)」、「兩階段隨機規劃模型」以及「資料驅動的網路流動模型」。
• 解決的業界/社會問題與實際成效：
◦ 降低災害成本： 物資配送模型縮短救援時間，避難收容所選址優化降低疏散成本與傷亡。
◦ 能源系統規劃： 混合型再生能源系統 (HRES) 最小化營運成本並滿足電力需求。
◦ 醫療監測革新： 開發「免校正」血壓預測模型，讓智慧穿戴裝置精準監測血壓。
• 技術亮點： 運用「模擬最佳化 (Simulation Optimization)」、「兩階段隨機規劃模型」以及「資料驅動的網路流動模型」。
• 解決的業界/社會問題與實際成效：
◦ 降低災害成本： 物資配送模型縮短救援時間，避難收容所選址優化降低疏散成本與傷亡。
◦ 能源系統規劃： 混合型再生能源系統 (HRES) 最小化營運成本並滿足電力需求。
◦ 醫療監測革新： 開發「免校正」血壓預測模型，讓智慧穿戴裝置精準監測血壓。
