초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

반도체 제조가 복잡해지고 미세 공정 기술의 어려움이 증가되면서 새로운 종류의 웨이퍼 결함 맵이 출현하고 있다. 웨이퍼 결함 맵의 결함 패턴에 따라 생성 매커니즘이 다르기 때문에 결함의 참원인을 밝히기 위해서는 웨이퍼 맵을 자동으로 분류하는 것이 중요하다. 본 논문에서는 이미 알고 있는 주요 결함 패턴으로 웨이퍼 맵을 분류할 뿐 아니라, 미확인 결함 패턴도 감지해야 하는 오픈 셋 인식 문제를 다룬다. 우리가 제안하는 모델은 웨이퍼 맵의 이미지 분류를 위해 합성곱 신경망을 기본 분류기로 사용하는 일대일 방법의 앙상블 모델이다. 제안 모델은 결함 패턴별로 ...

반도체 제조가 복잡해지고 미세 공정 기술의 어려움이 증가되면서 새로운 종류의 웨이퍼 결함 맵이 출현하고 있다. 웨이퍼 결함 맵의 결함 패턴에 따라 생성 매커니즘이 다르기 때문에 결함의 참원인을 밝히기 위해서는 웨이퍼 맵을 자동으로 분류하는 것이 중요하다. 본 논문에서는 이미 알고 있는 주요 결함 패턴으로 웨이퍼 맵을 분류할 뿐 아니라, 미확인 결함 패턴도 감지해야 하는 오픈 셋 인식 문제를 다룬다. 우리가 제안하는 모델은 웨이퍼 맵의 이미지 분류를 위해 합성곱 신경망을 기본 분류기로 사용하는 일대일 방법의 앙상블 모델이다. 제안 모델은 결함 패턴별로 가중 평균 점수를 계산하고 이를 기반으로 해당 결함이 존재하는지를 판단한다. 가중치는 특징 공간에서 데이터 그룹들의 인접성에 기반해 산출되며 신규 웨이퍼 맵이 특정 결함 패턴에 속할 지지 수준이라고 간주할 수 있다. 만일 학습되지 않은 웨이퍼 맵들이 모델에 입력되면 지지 수준이 낮아 어떤 알려진 결함 패턴에도 속하지 않게 될 가능성이 높다. 실험에서는 한국 반도체 회사에서 확보한 메모리 셀 단위의 결함을 감지할 수 있는 불량 결점 수 맵을 사용했다. 클래스 불균형 문제의 성능 지표인 F-measure 측면에서 우리가 제안한 모델의 미확인 결함 패턴의 감지율은 비교 모델대비 최대 44.6% 더 높았다.

Abstract ▼ AI-Helper

As semiconductor manufacturing becomes more complicated and the difficulty of
microfabrication technology increases, new types of wafer defect maps are emerging. It is
important to classify the wafer map automatically to reveal the root cause of the defects
because the generation mechani...

As semiconductor manufacturing becomes more complicated and the difficulty of
microfabrication technology increases, new types of wafer defect maps are emerging. It is
important to classify the wafer map automatically to reveal the root cause of the defects
because the generation mechanism is different according to the defect pattern of the wafer
defect map. In this paper, we deal not only with classifying the wafer map into the major
defect patterns that are already known, but also with the problem of open-set recognition
that need to detect unknown defect patterns. The proposed model is an ensemble model of
one-versus-one method that uses a convolutional neural network as a base classifier for
classification of a wafer map image. The proposed model calculates the weighted mean
score for each defect pattern and judges whether or not the corresponding defects exists
based on the calculated weighted mean score. The weights are calculated based on the
proximity of the data groups in the feature space and can be regarded as support level that
the new wafer map will belong to a specific defect pattern. If an untrained wafer map is
input into the model, the support level is likely to be low and not belong to any known
defect pattern. In the experiment, we used failure bit count maps that can detect defects in
memory cell units obtained from a Korean semiconductor company. In terms of the Fmeasure, a performance indicator of the class imbalance problem, the detection rate of the
unknown defect pattern of the proposed model was 44.6% higher than that of the compared
model.

주제어