다중 시계열 패턴인식을 이용한 반도체 생산장치의 지능형 감시시스템 An Intelligent Monitoring System of Semiconductor Processing Equipment using Multiple Time-Series Pattern Recognition원문보기
본 논문에서는 다중 시계열패턴인식 사용하여 생산장치의 상태자료부터 공정결과를 예측하여 정상 또는 비정상을 판정하는 지능형 감시시스템에 관하여 기술한다. 제안하는 감시스템은 초기화, 학습 그리고 인식의 세 단계로 구성된다. 초기화 단계에서는 감시대상의 생산장치가 가지는 인사들 각각의 가중치와 각 인자들이 가지는 시계열 자료 중에서 학습과 인식에 유효단계를 설정한다. 학습단계에서는 LBG알고리즘을 사용하여 이 생산장치에 의하여 생성되고 수집된 패턴들을 군집화 한다. 각 패턴은 시계열 형태의 자료와 처리 완료 후 계측기에 의하여 측정된 ACI로 구성된다. 인식단계에서는 DTW를 사용하여 실시간으로 입력된 패턴과 군집화된 패턴들 사이의 대응을 수행하여 가장 잘 정합되는 패턴을 찾는다. 다음은 이 패턴이 가지는 ACI, 차 그리고 가중치들의 조합으로 예측된 ACI 값을 산출한다. 최종적으로 예측된 ACI가 정상으로 수용할 수 있는 값 범위에 없는지 여부를 결정한다. 제안하는 시스템의 성능평가를 위하여 식각장치로부터 획득된 자료를 대상으로 실험하였다. 실험결과에서는 학습횟수가 증가함에 따라 예측 ACI값과 실측ACI값 사이의 오차가 현저히 감소함을 볼 수 있다
본 논문에서는 다중 시계열 패턴인식 사용하여 생산장치의 상태자료부터 공정결과를 예측하여 정상 또는 비정상을 판정하는 지능형 감시시스템에 관하여 기술한다. 제안하는 감시스템은 초기화, 학습 그리고 인식의 세 단계로 구성된다. 초기화 단계에서는 감시대상의 생산장치가 가지는 인사들 각각의 가중치와 각 인자들이 가지는 시계열 자료 중에서 학습과 인식에 유효단계를 설정한다. 학습단계에서는 LBG알고리즘을 사용하여 이 생산장치에 의하여 생성되고 수집된 패턴들을 군집화 한다. 각 패턴은 시계열 형태의 자료와 처리 완료 후 계측기에 의하여 측정된 ACI로 구성된다. 인식단계에서는 DTW를 사용하여 실시간으로 입력된 패턴과 군집화된 패턴들 사이의 대응을 수행하여 가장 잘 정합되는 패턴을 찾는다. 다음은 이 패턴이 가지는 ACI, 차 그리고 가중치들의 조합으로 예측된 ACI 값을 산출한다. 최종적으로 예측된 ACI가 정상으로 수용할 수 있는 값 범위에 없는지 여부를 결정한다. 제안하는 시스템의 성능평가를 위하여 식각장치로부터 획득된 자료를 대상으로 실험하였다. 실험결과에서는 학습횟수가 증가함에 따라 예측 ACI값과 실측ACI값 사이의 오차가 현저히 감소함을 볼 수 있다
This paper describes an intelligent real-time monitoring system of a semiconductor processing equipment, which determines normal or not for a wafer in processing, using multiple time-series pattern recognition. The proposed system consists of three phases, initialization, learning and real-time pred...
This paper describes an intelligent real-time monitoring system of a semiconductor processing equipment, which determines normal or not for a wafer in processing, using multiple time-series pattern recognition. The proposed system consists of three phases, initialization, learning and real-time prediction. The initialization phase sets the weights and tile effective steps for all parameters of a monitoring equipment. The learning phase clusters time series patterns, which are producted and fathered for processing wafers by the equipment, using LBG algorithm. Each pattern has an ACI which is measured by a tester at the end of a process The real-time prediction phase corresponds a time series entered by real-time with the clustered patterns using Dynamic Time Warping, and finds the best matched pattern. Then it calculates a predicted ACI from a combination of the ACI, the difference and the weights. Finally it determines Spec in or out for the wafer. The proposed system is tested on the data acquired from etching device. The results show that the error between the estimated ACI and the actual measurement ACI is remarkably reduced according to the number of learning increases.
This paper describes an intelligent real-time monitoring system of a semiconductor processing equipment, which determines normal or not for a wafer in processing, using multiple time-series pattern recognition. The proposed system consists of three phases, initialization, learning and real-time prediction. The initialization phase sets the weights and tile effective steps for all parameters of a monitoring equipment. The learning phase clusters time series patterns, which are producted and fathered for processing wafers by the equipment, using LBG algorithm. Each pattern has an ACI which is measured by a tester at the end of a process The real-time prediction phase corresponds a time series entered by real-time with the clustered patterns using Dynamic Time Warping, and finds the best matched pattern. Then it calculates a predicted ACI from a combination of the ACI, the difference and the weights. Finally it determines Spec in or out for the wafer. The proposed system is tested on the data acquired from etching device. The results show that the error between the estimated ACI and the actual measurement ACI is remarkably reduced according to the number of learning increases.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
중공업이나 기계 등의 다른 산업 보다 반도체 산업은 생산성 즉, 동일한 시간에 더 많은 수의 웨이퍼를 더 높은 수율로 생산하는 것이 곧 경쟁력이다. 본 논문에서는 반도체 산업의생산성을 향상하기 위한 실시간 감시시스템을 지능화하는방법에 관하여 기술한다.
이 두방법 모두 특정한 인자값이 정의된 범위 밖으로 벗어나는것을 감시하는 시스템이므로 모든 인자들에 의하여 만들어지는 최종 ACKAfter Clean Inspection)를 예측하지 못하는단점이 있다. 본 논문에서는 특정한 공정장치가 가지는 인자들의 상태자료를 조합하여 최종 ACI를 예측하여 정상 여부를 판단하는 지능적인 실시간 감시시스템을 제안한다. 제안하는 시스템의 개요도 (그림 1)과 같이 초기화, 학습, 그리고 예측 모듈로 구성된다.
본 논문에서는 패턴인식 기술을 사용하여 생산장치의 상태자료부터 공정결과를 예측하여 정상 또는 비정상을 판정하는 지능형 감시시스템을 제안하였다. 본 논문에서 제안한시스템은 시스템 초기화 단계에서 진단할 공정에 대한 사전 입력값을 받아 시스템을 초기화하는데, 사전 입력값 중에서 시스템의 전체 결과에 큰 영향을 미칠 수 있는 유효 단계와 가중치 정보가 적절해야 함을 알 수 있었다.
차이점은 군집의 대표를 선택하는방법 즉, K-평균은 군집을 이루는 패턴들의 평균을 그 군집의 대표로 결정하는 반면, LBG는 군집에 속하는 패턴들까지 거리의 평균을 최소로 하는 패턴을 그 군집의 대표로결정한다. 본 논문의 목적은 일반적인 패턴인식 즉, 학습된자료 중에서 유사도가 가장 큰 패턴의 식별자를 출력하는것이 아니라 그 패턴이 가지는 ACI와 오차를 출력하는 것이다. 따라서, 군집에 속하는 시계열 패턴의 각 자료들을평균하는 것은 ACI 역시도 평균하여야 하는데, 이것은 유사한 시계열 패턴은 유사한 ACI 값을 가진다는 조건하에서성립된다.
제안 방법
변하는 시계열 패턴이다. 따라서, 군집화와 예측을 위하여 두 개의 시계열 패턴 즉, 참조패턴(reference pattern) 과 대응패턴(corresponding pattern) 사이의 유사도를 산출하여야 하는데, 패턴의 길이와 위치가 일정하지 않으므로본 논문에서는 DTW(Dynam面c Time WarpingX 사용하여유사도를 측정한다.
불행히도 본 논문에서 취급하는 패턴은 그 형태가 유사하여도 ACI값이 유사한 것은 아니다. 따라서, 주어진 자료들을 가능한 변경하지 않는 방법으로 군집의 대표를 산출하여야 하므로 본 논문에서는 (알고리즘 I)과 같이 LBG 알고리즘을 약간 변형한 알고리즘을 사용하여 군집화를 수행한다.
본 논문에서 사용하는 자료의 형태는 동일한 시간간격마다 변하는 시계열 패턴이다. 따라서, 군집화와 예측을 위하여 두 개의 시계열 패턴 즉, 참조패턴(reference pattern) 과 대응패턴(corresponding pattern) 사이의 유사도를 산출하여야 하는데, 패턴의 길이와 위치가 일정하지 않으므로본 논문에서는 DTW(Dynam面c Time WarpingX 사용하여유사도를 측정한다.
따라서, 제안하는 감시시스템을 학습할 때 입력되는 자료는 인자의시계열 자료와 ACI 자료로 구성되지만, 예측할 때는 인자의시계열 자료만을 사용하였다. 예측 결과인 출력값은 식각공정의 결과값인 ACI값으로 하였으며, 실제 실시간 실험을할 수 없는 관계로 실험 자료의 형태는 파일 형태로 하였다. 훈련을 위하여 사용된 자료는 15개의 훈련자료군이다.
본 논문에서는 특정한 공정장치가 가지는 인자들의 상태자료를 조합하여 최종 ACI를 예측하여 정상 여부를 판단하는 지능적인 실시간 감시시스템을 제안한다. 제안하는 시스템의 개요도 (그림 1)과 같이 초기화, 학습, 그리고 예측 모듈로 구성된다.
주요 인자만을 사용한 경우는 전체 18개의 인자 중에서약 5개의 주요 인자만을 추출하여 학습량 증가와 예측 ACI 값의 정확도 향상을 평가하였으며, 가중치 정보의 변경을통한 평가는 초기 학습시 각 인자별 가중치 순위의 초기값을 변경하여 가중치를 임의로 변경한 경우 가중치의 적합성에 관한 평가를 하였다. 주요 단계만을 사용한 평가는 총 8개 단계 중에서 공정결과와 밀접한 관련이 있는 단계라판단되는 3단계와 4단계 자료만을 사용하여 평가하였다.
군집의 번호는 각 인자별로 다음과 같이 산출된다. 즉, (알고리즘 I)의 군집화에 의하여 생성된 군집의 중심들 각각과하나의 학습용 자료와의 비유사도와 차의 표준편차를 DTW 를 사용하여 산출한 다음, 이 두 특징에 의하여 산출되는거리가 가장 적은 군집을 선택함으로써 결정된다.
실제공정을 수행하기 전어】, 레시피중에서 하나의 웨이퍼를 임의로 선택하여 시험 공정을 수행한 후, 계측기를 사용하여 처리의 정확성을 측정한다. 측정된 정확도가 만족하지 않는 경우는 공정장치의 인자값들을 재조정 후 다시 처리하지만, 만족하는 경우는 나머지 웨이퍼들 모두에 대하여 현재 상태로 처리를 계속 수행한 다음, 임의로 선택된 하나의 웨이퍼에 대한 정확도를 계측기를 사용하여 측정한다. 이때, 측정된 정확도가 만족하는 경우는 다음 공정단계로 넘어가지만, 만족하지 않을 경우는모든 웨이퍼를 폐기처분한 후, 처음부터 다시 수행한다.
평가에 사용된 예측 자료가 실제 계측기로부터 측정된 ACI 값이 없다는 가정하에 인자들의 상태정보만을 사용하여 학습량의 증가에 따른 예측 ACI 값과 실제 ACI 값의차이가 어떻게 변화하는지를 평가 방법으로 사용하였다. 실험에 사용된 예측 자료는 총 7개이며, 실험은 주요 인자만을 사용한 경우, 가중치 정보의 변경을 통한 평가, 주요 단계만을 사용한 경우에 대하여 평가하였다.
코드열이다. 효과적으로 이 코드열을 저장하고 검색하기위하여 본 논문에서는 해슁(hashing)을 사용하였다.
효율적인 관리를 위하여 공정 하나를 수행할 때, 통상적으로 50개의 웨이퍼로 구성된 레시피(recipe) 단위로처리한다. 하나의 레시피에 대하여 공정을 수행하는 일반적인 방법은 다음과 같다.
대상 데이터
훈련을 위하여 사용된 자료는 15개의 훈련자료군이다. 각자료군은 18개의 인자 각각에 대하여 8단계로 구성된 시계열 자료이다. 각 인자의 시계열 자료에 대한 유효단계는 초기화 단계에서 사용자에 의하여 설정된다.
실험을 위한 자료는 식각장치로 부터 획득하였고, 계측기로부터는 ACI 자료를 획득하였다. 따라서, 제안하는 감시시스템을 학습할 때 입력되는 자료는 인자의시계열 자료와 ACI 자료로 구성되지만, 예측할 때는 인자의시계열 자료만을 사용하였다. 예측 결과인 출력값은 식각공정의 결과값인 ACI값으로 하였으며, 실제 실시간 실험을할 수 없는 관계로 실험 자료의 형태는 파일 형태로 하였다.
실험에 사용된 예측 자료는 총 7개이며, 실험은 주요 인자만을 사용한 경우, 가중치 정보의 변경을 통한 평가, 주요 단계만을 사용한 경우에 대하여 평가하였다.
실험은 펜티엄 DI 1.2GHz 칩과 MS WindowsXP를 탑재한 PC에서 수행하였으며, 구현을 위하여 사용한 언어는 MS Visual C++이다. 실험을 위한 자료는 식각장치로 부터 획득하였고, 계측기로부터는 ACI 자료를 획득하였다.
2GHz 칩과 MS WindowsXP를 탑재한 PC에서 수행하였으며, 구현을 위하여 사용한 언어는 MS Visual C++이다. 실험을 위한 자료는 식각장치로 부터 획득하였고, 계측기로부터는 ACI 자료를 획득하였다. 따라서, 제안하는 감시시스템을 학습할 때 입력되는 자료는 인자의시계열 자료와 ACI 자료로 구성되지만, 예측할 때는 인자의시계열 자료만을 사용하였다.
관한 평가를 하였다. 주요 단계만을 사용한 평가는 총 8개 단계 중에서 공정결과와 밀접한 관련이 있는 단계라판단되는 3단계와 4단계 자료만을 사용하여 평가하였다. <표 1>은 7개의 실험자료 F6735X, F674EX, F681YX, F70QAX, F791PX, F791TX, F796UX에 대한 실험결과 중에서 3개의 공정에 대하여 학습 횟수가 증가함에 따라 예측 ACI 값 그리고 실측 ACI값과의 차이값이 변화하는 것을 보여준다.
예측 결과인 출력값은 식각공정의 결과값인 ACI값으로 하였으며, 실제 실시간 실험을할 수 없는 관계로 실험 자료의 형태는 파일 형태로 하였다. 훈련을 위하여 사용된 자료는 15개의 훈련자료군이다. 각자료군은 18개의 인자 각각에 대하여 8단계로 구성된 시계열 자료이다.
이론/모형
따라서, 유사한 특성을 가지는 시계열 패턴들을 하나의 집단으로 분류하고 그 집단의 대표를 선택하는군집화를 수행하여야 한다. 군집화를 위하여 본 논문에서는 LBG 알고리즘 사용한다. LBG 알고리즘의 처리 과정은 K-평균(mean)과 유사하다.
모듈이다. 이때, 두 시계열 패턴의 유사도를 산출하기 위하여 본 논문에서는 DTW(Dynamic Time Warping) [9]를 사용한다.
학습은 LBG(Linde, Buzo, and Gray)[8] 알고리즘을 사용한 인자별 군집화 즉, 군집의 수와 각 군집의 대표값를 생성하는 모듈이다. 이때, 두 시계열 패턴의 유사도를 산출하기 위하여 본 논문에서는 DTW(Dynamic Time Warping) [9]를 사용한다.
성능/효과
본 논문에서 제안한시스템은 시스템 초기화 단계에서 진단할 공정에 대한 사전 입력값을 받아 시스템을 초기화하는데, 사전 입력값 중에서 시스템의 전체 결과에 큰 영향을 미칠 수 있는 유효 단계와 가중치 정보가 적절해야 함을 알 수 있었다. 또한 학습 단계는 실시간으로 저장된 공정 장치별 자료와 계측기로부터 획득된 자료를 이용하여 군집화하는 단계인데, 학습량이 많을수록 좀더 정확한 결과값을 예측한다는 것은 본논문에서 사용한 군집화 알고리즘이 여러 개의 클래스로이루어진 클래스 시리즈의 유사패턴을 찾아내는데 적당함을 알 수 있었다.
반도체 식각장치에 대하여 실험해 본 결과는 학습량의 증가에 따라 보다 정확한 결과값을 예측하였으며 사용자의임의적인 가중치 변경은 학습과 예측에 대한 오류를 가질수 있음을 보여주었다. 그리고 경험적으로 획득 가능한 공정장치의 인자별 주요 단계 정보도 중요하게 선택되어야 함을알 수 있었다.
지능형 감시시스템을 제안하였다. 본 논문에서 제안한시스템은 시스템 초기화 단계에서 진단할 공정에 대한 사전 입력값을 받아 시스템을 초기화하는데, 사전 입력값 중에서 시스템의 전체 결과에 큰 영향을 미칠 수 있는 유효 단계와 가중치 정보가 적절해야 함을 알 수 있었다. 또한 학습 단계는 실시간으로 저장된 공정 장치별 자료와 계측기로부터 획득된 자료를 이용하여 군집화하는 단계인데, 학습량이 많을수록 좀더 정확한 결과값을 예측한다는 것은 본논문에서 사용한 군집화 알고리즘이 여러 개의 클래스로이루어진 클래스 시리즈의 유사패턴을 찾아내는데 적당함을 알 수 있었다.
주요 단계만을 사용한 평가는 총 8개 단계 중에서 공정결과와 밀접한 관련이 있는 단계라판단되는 3단계와 4단계 자료만을 사용하여 평가하였다. <표 1>은 7개의 실험자료 F6735X, F674EX, F681YX, F70QAX, F791PX, F791TX, F796UX에 대한 실험결과 중에서 3개의 공정에 대하여 학습 횟수가 증가함에 따라 예측 ACI 값 그리고 실측 ACI값과의 차이값이 변화하는 것을 보여준다. (그림 5)는<표 1>에서 차이값이 변화하는형태를 그림으로 나타낸 것이다.
후속연구
그리고 경험적으로 획득 가능한 공정장치의 인자별 주요 단계 정보도 중요하게 선택되어야 함을알 수 있었다. 향후 연구과제로는 진단결과에 오류가 있음을나타내는 자료에 대한 실험을 통한 연구와 여러 개의 결과값을 가지는 공정에 대한 확장에 관한 연구가 필요하다.
참고문헌 (9)
Suttipan Limanond, Jennie Si and Kostas Tsakalis, 'Monitoring and control of semicondutor manufacturing processes,' IEEE Control System Magazine, Vol.8, No.6, pp.46-58, December, 1998
Sylvie Bosch-Charenay, Jiazhan Xu, John Haigis, Peter A. Resenthal, Peter %R. Solomon, and James M. Bustillo, 'Real-time etch-depth measurements of MEMS devices,' Journla of Mocroelectromechanical systems, Vol.110, No.2, pp.111-117, April, 2002
T. J. Knight, D. W. Greve, X. Cheng and B. H. Krogh, 'Real-time multivariable control of PECVD silicon nitride film properties,' IEEE Transaction on Semiconductor Manufacture, Vol.10, No.1, pp.137-145, February, 1997
T. L. Vincent, P. P. Khargonekar and F. L. Terry, Jr., 'An extended Kalman filtering-based method of processing reflectometry data fro fast In-Situ Rate Measurements,' IEEE Transaction on Semiconductor Manufacture, Vol.10, No.1, pp.137-145, February, 1997
P. J. O'Sullivan, J. Martinez, J. Durham and S. Felker, 'Using UPM for real-time multivariate modeling of semiconductor manufacturing equipment,' SEMATECH APC/AEC Workshop VII, New Oeleans, Louisiana, pp.5-8, November, 1995
E. A. Rietman, 'A neural network model of a contact plasma etch process for VLSI production,' IEEE Transaction on Semiconductor Manufacture, Vol.9, No.1, pp.95-100, February, 1996
H. Sake and S. Chiba, 'Dynamic programming algorithm optimization for spoken word recognition,' IEEE Transactions on Acoustic, Speech, and Signal Processing, Vol.26, No.1, pp.43-49, 1978
※ AI-Helper는 부적절한 답변을 할 수 있습니다.