초록 ▼

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

반도체 제조 산업은 혁신적이고 가장 경쟁력이 있어야 하고 빠르게 진화하는 산업 중 하나입니다. 반도체 제품의 높은 소비 수요를 달성하기 위해 이러한 제품의 품질 기준를 유지해야 한다. 하지만 높은 운영 빈도와 전원 공급장치 문제로 인해, 결함있는 반도체 웨이퍼 맵 생산은 제조 비용을 증가시키고 제조 공정의 악화를 유발한다. 또한 이러한 결함있는 웨이퍼 맵은 제품 수율 감소, 품질 변동 및 신뢰성 문제를 일으킨다. 결함있는 웨이퍼 맵을 정확하고 정확한 시간에 식별한다면 제조업체의 산업 경쟁력과 품질관리 안정화에 기여할 수 있다. 그러므로 자동 결함 감지는 다양한 반도체 제품의 품질 검사에 유용한 방법 중 하나이다.
웨이퍼 맵에는 웨이퍼 표면의 다양한 반도체 결함 패턴에 대한 정보가 포함되어 있으며 이러한 웨이퍼맵 결함의 자동 식별 및 분류는 제품 결함의 원인을 찾는데 중요한 역할을 한다. 흔히 반도체 경험이 풍부한 엔지니어는 수동 육안검사, 기계학습 기반 알고리즘 적용 등의 다양한 기술을 웨이퍼맵 결함 검사에 사용한다. 하지만 사람의 시각에 의한 수동적 웨이퍼 결함 식별은 일반적으로 정확도가 떨어지고 결함 식별시간을 증가시킨다. 또한 복잡한 기계학습 기반 ...

반도체 제조 산업은 혁신적이고 가장 경쟁력이 있어야 하고 빠르게 진화하는 산업 중 하나입니다. 반도체 제품의 높은 소비 수요를 달성하기 위해 이러한 제품의 품질 기준를 유지해야 한다. 하지만 높은 운영 빈도와 전원 공급장치 문제로 인해, 결함있는 반도체 웨이퍼 맵 생산은 제조 비용을 증가시키고 제조 공정의 악화를 유발한다. 또한 이러한 결함있는 웨이퍼 맵은 제품 수율 감소, 품질 변동 및 신뢰성 문제를 일으킨다. 결함있는 웨이퍼 맵을 정확하고 정확한 시간에 식별한다면 제조업체의 산업 경쟁력과 품질관리 안정화에 기여할 수 있다. 그러므로 자동 결함 감지는 다양한 반도체 제품의 품질 검사에 유용한 방법 중 하나이다.
웨이퍼 맵에는 웨이퍼 표면의 다양한 반도체 결함 패턴에 대한 정보가 포함되어 있으며 이러한 웨이퍼맵 결함의 자동 식별 및 분류는 제품 결함의 원인을 찾는데 중요한 역할을 한다. 흔히 반도체 경험이 풍부한 엔지니어는 수동 육안검사, 기계학습 기반 알고리즘 적용 등의 다양한 기술을 웨이퍼맵 결함 검사에 사용한다. 하지만 사람의 시각에 의한 수동적 웨이퍼 결함 식별은 일반적으로 정확도가 떨어지고 결함 식별시간을 증가시킨다. 또한 복잡한 기계학습 기반 알고리즘을 학습하려면 원시 웨이퍼맵 이미지 데이터에서 중요한 수작업에 의한 기능 추출작업이 필요하다. 결국 결합있는 웨이퍼맵 식별은 오랜 시간이 소요되는 프로세스이며 많은 수학적 전문 지식과 계산 능력이 필요하다. 따라서 이러한 기술은 신뢰도 떨어지며 식별 성능도 좋지 않다.
따라서 본 논문에서는 자동 웨이퍼맵 결함 식별(CNN-WDI)을 위한 딥러닝 기반 컨볼루션 신경망 모델(CNN)을 제안한다. 제안 모델은 반도체앱 결합 식별을 위해 영상 데이터를 위한 컨볼루션 신경망 모델의 확장과 일반 속성 데이터를 위한 Soft Voting Ensemble(SVE) 분류 모델을 제안하였다. 아울러 논문의 세부 연구내용은 다음과 같이 요약 할 수있다. 첫째, Deep CNN 모델은 웨이퍼맵 결함 검사 성능을 향상시키는 공간 드롭 아웃 및 배치 정규화와 같은 최첨단 정규화 접근 방식으로 설계하였다. 또한 실험 데이터의 웨이퍼맵 클래스 불균형 문제를 극복하기 위해 데이터 증가 방법을 적용하였다. 둘째, 비영상 데이터를 위한 SVE 분류 모델도 함께 제안되었다. SVE는 랜덤 포레스트, 로지스틱 회귀, 그래디언트 부스팅 머신, 인공 신경망과 같은 4 개의 머신 러닝 알고리즘을 적용하였다. 끝으로 본 논문에서는WM-811K의 실제 웨이퍼 데이터셋을 사용하였으며, 성능 평가에는 일반적인 머신러닝 알고리즘의 평가요소인 정확도, 정밀도, 재현율, F1-score, the area under the curve(AUC) 등의 지표를 사용하였다. 한편 제안 모델의 성능 평가는 동일한 실험 데이터를 사용한 기존의 머신러닝 및 딥러닝 기반 웨이퍼맵 결함 패턴 분류 모델과 비교하였다. 제안된 CNN-WDI모델은 평균적으로 96.2%의 분류 정확도를 나타냈고 기존의 다른 모델보다 아주 우수한 성능을 나타냈으며, 가장 최근에 발표된 기존 모델의 정확도보다 6.4 % 증가하였다. 한편 데이터 증강 방법 적용은 분류 모델의 성능을 크게 개선했으며, 기존의 불균형 실험 데이터셋과 비교하여 정밀도, 재현율, F1 점수의 평균값을 각각 6.2 %, 10.2 %, 8.8 % 향상시켰다.

Abstract ▼ AI-Helper

The semiconductor manufacturing industry is one of the innovative, most competitive, and faster-evolving industries. In order to achieve the high consumption demands on semiconductor products, quality standards of these products should be maintained. However, due to high operation frequency and powe...

The semiconductor manufacturing industry is one of the innovative, most competitive, and faster-evolving industries. In order to achieve the high consumption demands on semiconductor products, quality standards of these products should be maintained. However, due to high operation frequency and power supply troubleshooting, production of defective semiconductor wafer maps (WM) may cause an increase in the manufacturing cost and deteriorate the fabrication process. These defective WM also caused product yield reduction, quality variation, and reliability problems. Accurately and timely identification of the defective WM helps to quality control for sustaining a competitive edge over the industrial competition. Automatic fault detection is one of the gracious methods applied in the quality examination of different semiconductor products.
Wafer maps contain information about various semiconductor defect patterns on the wafer surface and automatic identification and classification of these WM defects play an important role to find their root causes. Semiconductor experienced engineers use various techniques for WM defect inspection such as by manual visual examination or through applying machine learning-based algorithms. However, manual wafer defect identification through human vision reduces accuracy and increases defect identification time. Moreover, manually valuable feature extraction from raw WM images is required for training these algorithms which is a complex task. It is a time-consuming process and requires a lot of mathematical expertise and computation power. Thus, the above techniques are unreliable, and their identification performance results are also poor.
Therefore, in this thesis, we proposed a deep learning-based convolutional neural network model for automatic wafer-map defect identification (CNN-WDI).
In the proposed model, we designed an extension of convolutional neural network (CNN) for image data and soft voting ensemble (SVE) classifier for general attribute data for identification of wafer defects. The detailed research contents of this thesis can be summarized as follows. First, a deep CNN model is designed with state-of-the-art regularization approaches such as spatial dropout and batch normalization which enhance the WM defect inspection performance. The data augmentation method is applied to overcome the WM class-imbalance problem in the experimental dataset. Second, a machine learning-based SVE model is designed for WM defect identification. The SVE model consists of four machine learning algorithms such as random forest, logistic regression, gradient boosting machine, and artificial neural network. Finally, the experimental result comparisons of this thesis using a real wafer dataset of WM-811K are compared with previously proposed machine learning-based and deep learning-based wafer map defect patterns classification models. Various performance evaluation methods are applied for the comparison such as accuracy, precision, recall, and F1-score. Consequently, the proposed CNN-WDI model outperformed all previous methods with an average classification accuracy of 96.2%, which is an increment of 6.4% from the last highest average accuracy. Data augmentation method increased the performance capability of the proposed method and improved the average value of precision, recall, and F1-score by 6.2%, 10.2%, and 8.8%, respectively.

주제어