[논문]단일 클래스 분류기법을 이용한 반도체 공정 주기 신호의 이상분류

조민영; 백준걸

doi:10.7232/ieif.2012.25.2.170

단일 클래스 분류기법을 이용한 반도체 공정 주기 신호의 이상분류
One-class Classification based Fault Classification for Semiconductor Process Cyclic Signal 원문보기

산업공학 = IE Interfaces, v.25 no.2, 2012년, pp.170 - 177

조민영 (고려대학교 산업경영공학과) , 백준걸 (고려대학교 산업경영공학과)

Abstract ▼ AI-Helper

Process control is essential to operate the semiconductor process efficiently. This paper consider fault classification of semiconductor based cyclic signal for process control. In general, process signal usually take the different pattern depending on some different cause of fault. If faults can be classified by cause of faults, it could improve the process control through a definite and rapid diagnosis. One of the most important thing is a finding definite diagnosis in fault classification, even-though it is classified several times. This paper proposes the method that one-class classifier classify fault causes as each classes. Hotelling T2 chart, kNNDD(k-Nearest Neighbor Data Description), Distance based Novelty Detection are used to perform the one-class classifier. PCA(Principal Component Analysis) is also used to reduce the data dimension because the length of process signal is too long generally. In experiment, it generates the data based real signal patterns from semiconductor process. The objective of this experiment is to compare between the proposed method and SVM(Support Vector Machine). Most of the experiments' results show that proposed method using Distance based Novelty Detection has a good performance in classification and diagnosis problems.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

기존의 반도체 생산 공정에 비해 고집적을 위한 나노공정의 운영은 보다 정밀함이 요구되며 작은 변동에 따른 불량 발생 위험도 증가하였다. 또한 반도체 시장의 치열한 경쟁은 단위 생산비를 절감하기 위한 방안으로의 수율 증대를 추구함에 따라 불량률 감소를 목표로 삼게 하였다.
본 논문에서는 단일 클래스 분류기법을 활용하여 다중 이상 분류 방법을 제시하였다. 주성분분석을 이용해 추출된 특징 데이터에 Hotelling’s T², kNNDD 및 Distance based novelty detection의 단일 클래스 분류 기법을 적용하였다.
본 연구는 보다 신속한 이상 원인의 진단을 위해 가장 적합한 이상 클래스부터 그렇지 않은 이상 클래스별로 이상 진단 순서를 결정한다. 다중 클래스 분류를 이용하여 이상 분류를 할 경우 가장 적합한 하나의 이상 클래스만 결과 값으로 도출된다.
본 연구는 주성분분석을 통해서 신호의 특성을 추출하고 Hotelling’s T2, kNNDD, Distance based Novelty detection을 통해서 novelty score을 계산하여 검사 순서를 배열하여 검사 횟수를 줄임을 목적으로 한다.
본 연구에서 제안하는 이상분류의 성능을 평가하기 위해 실제 반도체 공정에서 발생하는 주기 신호의 형태를 모방한 데이터를 생성하여 실험을 수행하였다. 실제 현업에서 사용하는 데이터는 기업의 보안상의 이유로 본 연구는 실제 데이터를 가지고 실험할 수 없었다.
본 연구에서는 단일 클래스 분류기법 기반의 이상 분류를 제안한다. 각각의 이상 클래스를 기반으로 단일 클래스 분류 모델을 만들어 각각의 모델의 Novelty score가 큰 순서대로 정렬 하여 클래스에 속할 가능성에 따라 정렬하도록 하였다.
본 연구에서는 반도체 공정에서 이상이 발생했을 때 어떤 종류의 이상인지를 분류하는 방법을 제안한다. 이상을 잘 분류하는지에 대한 분류 정확도가 중요한 동시에 이상의 원인을 파악하기 위한 시간을 줄이는 것도 중요하다.
본 연구에서는 이상 원인에 따른 신호의 패턴이 알려져 있다는 가정을 바탕으로 공정의 이상을 분류(classification)하는 방법을 제시하고자 한다. 일반적으로 공정의 이상이 탐지되었다면 이상의 원인을 찾아 개선하고자 해당 공정 시스템을 검사하게 된다.
본 연구에서는 주기길이가 100인 고차원 다변량 데이터를 사용함으로 주성분 분석을 이용하여 이상분류를 위한 단일 클래스 변수 알고리즘의 효율을 높이고자 한다.
실제 현업에서 사용하는 데이터는 기업의 보안상의 이유로 본 연구는 실제 데이터를 가지고 실험할 수 없었다. 이에 본 연구에서는 반도체 제조 공정 중에서 가장 많은 장비가 필요하며 긴 시간이 소요되는 FAB 공정에서 발생하는 주기신호를 본떠 데이터를 만들었다. 그중에서도 가장 대표적인 3종류 주기 신호의 특성을 반영하여 실험 신호 데이터를 생성하여 실험을 수행하였다.
동일한 이상 원인에 따라 발생한 신호를 바탕으로 기준 모델을 만들고 이상이 발생했을 때 해당 이상인지 아닌지를 분류하여 가장 적합한 이상 클래스부터 그렇지 않은 이상 클래스별로 순서를 정하여 이상의 진단을 차례로 진행하는 것이다. 즉, 이상 분류의 정확도와 동시에 이상의 원인을 찾기 위한 오분류 횟수를 줄이는 것을 목적으로 한다.

제안 방법

거리기반의 Novelty detection 방법들은 kNN을 이용한다. kNN 을 이용하여 한 집단으로 이루어진 학습된 데이터 중 k개를 뽑아서 그들의 거리 기반의 novelty score를 계산하여 집단에 속하는지 여부를 결정한다. novelty score란 거리기반으로 새로운 관측치와 이웃패턴 간의 거리를 비율적으로 계산한 분류 척도이다.
마지막은 Distance based Novelty detection을 이상 분류에 적용 시키는 방법이다. kNN을 이용하여 각각 이상 클래스의 관측치로부터 근접한 k개의 nearest neighbor를 뽑아서 그들의 average distance 기반의 novelty score를 계산하여 novelty score가 낮은 순으로 검사 순서를 설정한다. 위의 [Figure 4]는 class가 5개이고 k가 3일 때의 예제이다.
때문에 본 연구에서는 각각의 동일한 이상 원인에 따라 발생한 신호를 바탕으로 단일 클래스 분류 모델을 만들어 이상 분류를 진행한다. 각각의 단일 클래스 분류 모델을 이용하여 가장 적합한 이상 클래스부터 이상 진단 순서를 결정한다. 본 연구에서 적용한 단일 클래스 분류 기법으로는 Hotelling의 T² 관리도, k-NNDD, Distance based Novelty Detection으로 대표적인 분류 기법이다.
본 연구에서는 단일 클래스 분류기법 기반의 이상 분류를 제안한다. 각각의 이상 클래스를 기반으로 단일 클래스 분류 모델을 만들어 각각의 모델의 Novelty score가 큰 순서대로 정렬 하여 클래스에 속할 가능성에 따라 정렬하도록 하였다.
이에 본 연구에서는 반도체 제조 공정 중에서 가장 많은 장비가 필요하며 긴 시간이 소요되는 FAB 공정에서 발생하는 주기신호를 본떠 데이터를 만들었다. 그중에서도 가장 대표적인 3종류 주기 신호의 특성을 반영하여 실험 신호 데이터를 생성하여 실험을 수행하였다. 본 실험에서 생성한 데이터는 Park et al.
다중 클래스 분류를 이용하여 이상 분류를 할 경우 가장 적합한 하나의 이상 클래스만 결과 값으로 도출된다. 때문에 본 연구에서는 각각의 동일한 이상 원인에 따라 발생한 신호를 바탕으로 단일 클래스 분류 모델을 만들어 이상 분류를 진행한다. 각각의 단일 클래스 분류 모델을 이용하여 가장 적합한 이상 클래스부터 이상 진단 순서를 결정한다.
본 논문의 제 2장에서는 Hotelling의 T²와 k-NNDD(k-Nearest Neighbor Data Description), Distance based Novelty detection 등의 단일 클래스 분류 기법에 대해 기술한다. 또한, PCA 변환을 거친 자료에 대해 분류 알고리즘을 활용한 반도체 공정 주기 신호의 이상 분류 방법을 제안하였다. 제 3장에서는 기존 SVM과 제안 기법의 성능을 비교를 위해 수행한 시뮬레이션 실험 결과에 대해 언급하며 마지막으로 결론과 추후 연구의 내용을 제시한다.
본 연구에서는 3가지의 Fault classification 방법을 제안하였고 one-against-one을 이용한 다분류 SVM과 비교 분석을 진행하였다. 주성분분석 기법에 의해 추출된 특질에 대해서 위에서 제안한 3가지 단일 클래스 분류 기반 이상 분류 기법(Hotelling’s T², kNNDD, Distance based novelty detection)을 가지고 클래스의 검사순서를 나열하여 분류 정확도와 검사횟수를 계산한다.
실제 반도체 공정에서 발생되는 신호는 원래의 신호에 화이트노이즈(white noise)가 포함된다. 실제로 반도체 공정에서 발생되는 주기신호의 특성을 반영하기 위하여 길이 100의 주기신호 데이터에 평균이 0이고 분산이 1인 정규분포를 따르는 노이즈를 생성하여 더하였다. 생성한 세 종류의 주기신호는 [Figure 5]와 같은 형태를 가진다.
이상을 잘 분류하는지에 대한 분류 정확도가 중요한 동시에 이상의 원인을 파악하기 위한 시간을 줄이는 것도 중요하다. 이상의 원인을 파악하기 위해서 반도체 공정의 엔지니어는 검사를 실행하는데 평소 이상의 비율이 가장 컸던 종류순으로 검사를 실행한다. 검사를 실행하는데 시간과 비용이 소요되기 때문에 이상의 원인을 잘 분류해 내어 검사 횟수를 감소시키는 것이 중요하다.
주성분분석 기법에 의해 추출된 특질에 대해서 위에서 제안한 3가지 단일 클래스 분류 기반 이상 분류 기법(Hotelling’s T2, kNNDD, Distance based novelty detection)을 가지고 클래스의 검사순서를 나열하여 분류 정확도와 검사횟수를 계산한다.
와 S는 관측 값들로부터 계산한 표본의 평균과 분산을 의미한다. 중심으로부터 얼마나 떨어져 있는 지를 나타내는 X- #와 이를 각 변수의 공분산 행렬의 역행렬을 곱하여 각 변수의 영향을 보정하여 조금 더 설명력이 높은 유사도를 계산하게 하였다.
한 주기 신호는 5개의 step으로 구성되며 본 실험은 구성된 신호의 step에 shift나 drift값이 더해진 이상 신호만을 이용해 실험을 수행한다. 이상 신호의 패턴 그룹은 [Table 1]과 [Table 2]에 언급한 5개의 종류이다.

대상 데이터

본 실험에서 사용한 주기신호 데이터 중 첫 번째 step 신호 (Type1)는 주로 광전자 센서에서 측정되는 전압 데이터를 모방한 것이다. 두 번째 Steep 신호(Type2)는 Diffusion 공정의 온도 센서에서 측정되는 데이터이며, 마지막 신호(Type3)는 Smooth 신호로 Photo-lithography 공정의 온도 데이터이다.
본 실험에서 사용한 주기신호 데이터 중 첫 번째 step 신호 (Type1)는 주로 광전자 센서에서 측정되는 전압 데이터를 모방한 것이다. 두 번째 Steep 신호(Type2)는 Diffusion 공정의 온도 센서에서 측정되는 데이터이며, 마지막 신호(Type3)는 Smooth 신호로 Photo-lithography 공정의 온도 데이터이다.

이론/모형

kNNDD(k-Nearest Neighbor Data Description)은 kNN(k-nearest neighbor) 방법을 기반으로 k번째 nearest neighbor와의 거리를 사용한다(Wang et al., 2004). kNNDD는 kNN을 이용하여 데이터의 local density를 추정함으로써 단일 클래스 분류 문제에 적용된다(Breunig et al.
본 논문에서 제안한 방법 중 Distance based novelty detection에서 novelty score로 사용한 average distance는 k개의 nearest neighbor의 관측치의 척도로 사용하였다. 하지만 nearest neighbor의 패턴모양에 따라 구분을 하지 못하는 문제가 발생한다(Harmeling et al.
본 연구에서 적용한 단일 클래스 분류 기법으로는 Hotelling의 T2 관리도, k-NNDD, Distance based Novelty Detection으로 대표적인 분류 기법이다.
신속한 이상 원인의 진단을 위해서는 단순히 발생한 이상이 어떠한 종류인지 분류하는 성능을 높이는 데 그치는 것이 아니라 오분류되는 경우 적합한 원인을 찾는 데까지 소요되는 시간을 줄이는 것이 필요하다. 이를 위해 단일 클래스 분류(One-Class Classification : OCC) 기법을 활용할 수 있다. 동일한 이상 원인에 따라 발생한 신호를 바탕으로 기준 모델을 만들고 이상이 발생했을 때 해당 이상인지 아닌지를 분류하여 가장 적합한 이상 클래스부터 그렇지 않은 이상 클래스별로 순서를 정하여 이상의 진단을 차례로 진행하는 것이다.
주성분분석을 이용해 추출된 특징 데이터에 Hotelling’s T2, kNNDD 및 Distance based novelty detection의 단일 클래스 분류 기법을 적용하였다.
2002). 커널 함수는 대표적으로 많이 쓰이는 Gaussian 커널 함수와 Polynomial 커널 함수 중 이 타입의 문제에서 Polynomial 커널 함수의 성능이 더 좋았기 때문에 Polynomial 커널을 사용 하였다. 이 때 검사 횟수는 먼저 분류된 클래스의 검사 우선순위를 제일 앞으로 두고 나머지 클래스를 빈도순으로 배열하여 계산한다.

성능/효과

Distance based novelty detection을 제외하고 본 연구에서 제안한 나머지 방법들인 Hotelling’s T2와 kNNDD는 모든 실험 종류에 대해서 SVM보다 분류 정확도가 떨어졌다.
주성분분석을 이용해 추출된 특징 데이터에 Hotelling’s T², kNNDD 및 Distance based novelty detection의 단일 클래스 분류 기법을 적용하였다. 각 이상 클래스별 분류 모델을 생성하여 모델의 novelty score를 이용해 검사 순서를 배열하는 방법은 SVM과 유사한 분류성능을 나타낼 뿐만 아니라 적은 검사 횟수를 가짐을 확인할 수 있었다.
검사 횟수 면에서 가장 큰 성능 차이를 보이는 Type1, Mix1 데이터를 보면 Distance based novelty detection과 SVM의 검사 횟수 차이가 평균 0.432만큼 나는 것을 볼 수 있다. 이는 공정에서 1000개의 이상이 탐지 되었다고 가정 했을 때, Distance based novelty detection는 SVM보다 432번의 검사 횟수를 줄여 공정 개선을 위한 시간을 단축시키고 비용을 감소시킬 수 있는 효과이다.
결과적으로 본 연구에서 제안한 방법은 SVM과 유사한 분류 정확도를 보장하는 동시에 이상 원인을 파악하는 시간을 의미 하는 검사 횟수에서 전체적으로 더 좋은 결과를 보였다.
그러나 Hotelling’s T2는 SVM보다 모든 데이터에서 검사 횟수가 적었으며, kNNDD 역시 6개의 데이터 중 4개의 데이터에서 SVM보다 검사 횟수가 적은 결과를 보였다.
검사 횟수의 감소는 이상이 탐지 되었을 때 이상의 원인을 찾아 개선하고자 해당 공정을 검사하는 시간을 감소시킬 수 있다. 본 논문에서는 검사순서를 제안함으로써 오분류되는 경우에도 적합한 원인을 찾는데 까지 소요되는 시간을 줄일 수 있다. 즉, 신속한 이상 원인의 진단을 위해서 검사시간을 줄일 수 있고, 검사 비용을 감소시킬 수 있는 효과가 있다.
전체적으로 볼 때, Distance based novelty detection(PC-Averagedist)이 가장 우수한 성능을 보이고 있다. 분류 정확도면에서는 SVM이 좋은 성능을 보이는 경우도 있었지만 검사 횟수 측면에서는 모든 경우 Distance based novelty detection이 가장 우수한 성능을 보였다.
전체 5가지 종류의 이상 패턴에 따라 생성한 데이터에 대해 5-fold Cross validation으로 이상 분류 방법의 성능을 평가한 결과가 [Table 4]와 같다. 전체적으로 볼 때, Distance based novelty detection(PC-Averagedist)이 가장 우수한 성능을 보이고 있다. 분류 정확도면에서는 SVM이 좋은 성능을 보이는 경우도 있었지만 검사 횟수 측면에서는 모든 경우 Distance based novelty detection이 가장 우수한 성능을 보였다.
검사 횟수 감소는 이상 원인을 찾아 개선하고자 공정을 검사 하는 시간을 감소시킬 수 있고, 검사 비용을 감소시킬 수 있는 효과가 있다. 제안한 방법들은 기존의 다분류 문제 분류기 보다 분류 정확도는 더 높지 않을 수 있지만 검사 횟수는 더 낮을 것으로 예상된다.
본 논문에서는 검사순서를 제안함으로써 오분류되는 경우에도 적합한 원인을 찾는데 까지 소요되는 시간을 줄일 수 있다. 즉, 신속한 이상 원인의 진단을 위해서 검사시간을 줄일 수 있고, 검사 비용을 감소시킬 수 있는 효과가 있다.

후속연구

검사를 실행하는데 시간과 비용이 소요되기 때문에 이상의 원인을 잘 분류해 내어 검사 횟수를 감소시키는 것이 중요하다. 검사 횟수를 줄이기 위해 가장 가능성이 높은 이상 클래스로부터 적은 것까지 순서를 나열한다면 검사 횟수를 줄일수 있을 것이라 기대된다.
추후 연구에서 이점을 고려한다면 더욱 향상된 결과를 기대할 수 있을 것이다. 또한 인공신경망을 이용하여 단일 클래스 분류 기법을 통합한 형태의 다중 클래스 분류기법을 적용하는 것은 검사 횟수를 줄이는 동시에 분류의 정확도를 높일 것이라 기대된다.
, 2006). 추후 연구에서 이점을 고려한다면 더욱 향상된 결과를 기대할 수 있을 것이다. 또한 인공신경망을 이용하여 단일 클래스 분류 기법을 통합한 형태의 다중 클래스 분류기법을 적용하는 것은 검사 횟수를 줄이는 동시에 분류의 정확도를 높일 것이라 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	반도체 산업의 중요성이 증대되는 이유는?	컴퓨터를 비롯한 각종 디지털 정보기기들의 수요가 증가함에 따라 반도체 산업의 중요성은 증대되고 있다. 기계의 휴대성 증대 및 많은 데이터 처리를 위한 고집적(high integrated) 반도체 제품의 생산은 반도체 산업의 당면과제로 고집적 반도체 생산을 위해 초미세 공정의 안정적인 운영은 필수적이다.
	컴퓨터 기술의 발전은 무엇을 가능하게 하였는가?	컴퓨터 기술의 발전은 공정의 완료로 발생하는 결과물을 바탕으로 공정 상태를 진단하는 대신 공정과 동시에 발생하는 주기 신호를 바탕으로 공정 상태를 진단하는 것을 가능하게 하였다. 주기신호 데이터란 하나의 주기를 기준으로 특정패턴을 반복하는 공정 데이터이다.
	통계 공정 제어 기법은 어떻게 구성되는가?	공정을 관리하기 위한 방법으로는 공정에서 발생하는 자료를 통계적으로 관리하는 통계 공정 제어(Statistical Process Control, SPC) 기법이 대표적이다. 이는 생산된 제품의 관측치의 평균이 정규분포를 근사적으로 따른다는 가정 하에 구축되는 Shewart 관리도, 공정 자료의 자기상관성이 존재할 때 이용하는 CUSUM 관리도(CUmulative SUM) 및 EWMA(Exponentially Weighted Moving Average) 등으로 구성된다. 이러한 다양한 SPC 관리도들을 이용하여 공정의 모니터링을 통해 이상을 감지하여 제품의 품질을 향상시킨다(Montgomery, 1996; Chiang et al.

참고문헌 (21)

Ahn, H. C. and Kim, K. J. (2009), Corporate Bond Rating Using Various Multiclass Support Vector Machines, Asia pacific journal of information systems, 19(2), 157-178.
Angiulli, F. and Pizzuti, C. (2005), Outlier mining in large high-dimensional data sets, IEEE Transactions on Knowledge and Data Engineering, 17(2), 203-215.

상세보기
Breunig, M. M., Kriegel, H. P., Ng, R. T., and Sander, J. (2000) LOF : identifying density-based local outliers, in Proceedings of the ACM SIGMOD 2000 International Conference on Management of Data, 93-104.
Chiang, L. H., Russell, E. L., and Braatz, R. D. (2001), Fault detection and diagnosis in industrial systems, Springer-Verlag.
Goodlin, B. E., Boning, D. S., Sawin, H. H., and Wise, B. M. (2003), Simultaneous Fault Detection and Classification for Semiconductor Manufacturing Tools, Journal of Electrochemical Society, 150(12), 778-784.

상세보기
Han, A. H., Park, C. S., Kim, S. S., and Baek J. G. (2010), A Method to Adjust Cyclic Signal Length Using Time Invariant Feature Point Extraction and Matching (TIFEM), Journal of the Korea Society for Simulation, 19(4), 111-1222.
Han, H. Y. (2009), Theory of pattern recognition, Hanbit media, 247-250.
Harmeling, S., Dornhege, G., Tax, D., Meinecke, F., and Muller, K.-R. (2006), From outliers to prototypes: ordering data, Neurocomputing, 69(13-15), 1608-1618.

상세보기
Hsu, C.-W. and Lin, C.-J. (2002), A comparison of methods for multi-class support vector machines, IEEE Transactions on Neural Networks, 13, 415-425.

상세보기
Kang, S. P. and Cho, S. J. (2008), Locally Linear Reconstruction for Novelty detection, IE/MS.
Kang, P. and Cho, S. (2009), A hybrid novelty score and its use in keystroke dynamics-based user authentication, Pattern Recognition, 42, 3115-3127.

상세보기
Knorr, E. M., Ng, R. T., and Tucakov, V. (2000), Distance-based outliers: Algorithms and applications, The VLDB Journal, 8(3/4), 237-253.

상세보기
Kymal, C. and Patiyasevi, P. (2006), Semiconductor Quality Initiatives : How to maintain quality in this fast-changing industry, Quality Digest, 26(4), 43-48.

상세보기
Lee, J. H., Kim, J. H., Hwang, J. B., Kim, S. S. (2007), A Study on Fault Detection of Cycle-based Signals using Wavelet Transform, Journal of the Korea Society for Simulation, 16(4), 13-22.
Montgomery, D. C. (1996), Introduction to statistical quality control, 3th edition, Johan Wiley and Sons, Inc.
Park, J. H., Kwon, I. H., Kim, S. S., and Baek, J. G. (2011), Spline regression based feature extraction for semiconductor process fault detection using support vector machine, Expert Systems with Applications, 38(5), 5711-5718.

상세보기
Park, S. H., Kim, J. S., Kim, S. S., Park, C. S., and Baek, J. G. (2010), A Fault Detection of Cyclic Signals Using Support Vector Machine-Regression, KSQM, 354-362.
Scholkopf, B., Platt, J. C., Shawe-Taylor, J., Smola, A. J., and Williamson, R. C. (2001), Estimating the support of a high-dimensional distribution, Neural Computation, 13(7), 1443-1471.

상세보기
Sukchotrat, T., Kim, S. B., and Tstmg, F. (2010), One-Class Classification-based Control Charts for Multivariate Process Monitoring, lIE Transactions, 42, 107-120.
Tax, D. M. J. (2001), One-class classification: concept - learning in the absence of counter-examples, PhD thesis, Delf University of Technology, The Netherlands.
Wang, Q., Lopes, L. S., and Tax, D. M. (2004), Visual Object Recognition Through One-Class Learning, Lecture notes in computer science, 3211, 463-470.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증