선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 출하 품질보증 검사의 불량률과 공정 처리시간을 개선하기 위해서는 모듈검사 공정의 데이터를 분석하여 불량과 양품을 예측할 수 있는 방법이 필요하다. 따라서 본 연구는 모듈 생산 검사공정의 데이터를 기반으로 하는 앙상블 학습(Ensemble Learning)으로 출하 품질보증 검사 전에 불량로트와 정상로트를 예측할 수 있는 방법을 제안하고자 한다.
- 또한 공정 데이터의 검사항목 중 어떤 항목이 공정에 문제가 되는지를 직관적으로 설명할 수 있다. 따라서 본 연구는 의사 결정나무를 사용한 앙상블 학습 방법을 사용하여 실제 출하 품질보증 검사의 불량을 예측했다.
- 본 연구는 기존의 데이터마이닝 학습방법을 실제 기업의 사례에 적용한 연구로써 정상로트와 불량로트를 예측하는 학습방법을 제안한다. 수집된 로트 데이터를 사용하여 분류 성능을 최대화 할 수 있는 앙상블 학습을 통해 모형을 구축하고, 동일한 현장의 데이터로 성능을 비교 했다.
- 본 연구의 실험은 일반적으로 분류성능이 좋은 5가지 학습방법을 앙상블 방법에 적용하여 출하 품질보증 검사의 불량로트와 정상로트를 효과적으로 예측하는 모델을 구축한다. 이를 통해 현업의 분류공정 적용가능성을 평가한다. 성능평가를 위해 국내 반도체 제조기업인 H사의 2011년 3, 4, 5월의 모듈 검사공정에서 수집된 공정데이터는 불량로트 41.
제안 방법
- 변수선택을 하기 위해 일반적으로 다양한 분야에 사용되는 R통계 패키지를 사용했다. Bootstrap과 n번의 Step을 사용한 Vert (2010)에 의해 제안된 R의 Stability selection을 사용하여 98% 신뢰도로 변수를 추출했다. [Figure 6]의 결과를 바탕으로 67개 변수 중에서 41개를 선택했다.
- 새로운 관찰 값의 클래스를 부여한다. 따라서 본 연구에서는 다양한 학습방법을 적용한 앙상블 학습을 통해 출하 품질보증 검사의 불량로트와 정상로트를 예측한다.
- 기존 출하 품질 보증 검사방식은 불량을 다량으로 내재한 제품이 들어오면 불량률이 증가하고, 공정의 병목현상으로 인해 검사 비용이 증가한다. 따라서 출하 품질보증 검사의 불량률을 줄이기 위해 본 절에서는 제 3.1절, 제 3.2절의 실험에서 기술한 학습방법을 사용하여 출하 품질보증 검사에서 정상로트와 불량로트를 예측하는 분류공정을 제안한다. [Figure 10]은 제안하는 분류기를 사용한 분류공정으로써 Module Test 1, 2, 3의 검사 항목을 기반으로 하고, 배깅과 의사결정나무를 결합한 앙상블 학습을 통해 분류된 로트를 Module Test 4로 전달한다.
- 본 연구는 선택된 변수를 사용하여 앙상블 방법과 함께 5가지 학습방법으로 실험했다. 성능비교에 사용한 학습방법 중 첫 번째는 지지도벡터 분류기로(Cortes and Vapnik, 1995) FAB 수율 및 DRAM 모듈 수율예측 등의 다양한 분야에서 활용됐다.
- 본 연구는 앙상블 학습의 예측 정확도 비교와 출하 품질보증 검사 시 불량로트 감소율 결과를 품질비용으로 계산하여 성능평가 척도로 사용한다. 첫 번째 성능평가 척도인 예측 정확도는 전체 데이터 중에서 클래스를 정확하게 예측하는 비율을 의미하며(.
- 본 연구의 실험은 일반적으로 분류성능이 좋은 5가지 학습방법을 앙상블 방법에 적용하여 출하 품질보증 검사의 불량로트와 정상로트를 효과적으로 예측하는 모델을 구축한다. 이를 통해 현업의 분류공정 적용가능성을 평가한다.
- 불량의 감소율을 사용하여 성능평가의 척도인 품질비용을 계산한다. 품질비용(Quality Cost)은 품질관리 활동의 효과와 경제성을 평가하며, 국제적으로 인정받는 Feigenbaum(1956)이 제창한 품질비용을 사용한다.
- 본 연구는 기존의 데이터마이닝 학습방법을 실제 기업의 사례에 적용한 연구로써 정상로트와 불량로트를 예측하는 학습방법을 제안한다. 수집된 로트 데이터를 사용하여 분류 성능을 최대화 할 수 있는 앙상블 학습을 통해 모형을 구축하고, 동일한 현장의 데이터로 성능을 비교 했다. 성능평가 결과 배깅과 의사결정나무(C4.
- 마지막으로 이진분류에서 효과적인 성능을 나타내는 ADTree(Freund and Mason, 1999)를 사용했다. 앙상블 학습방법인 부스팅(Boosting)과 배깅을 5가지 학습방법과 조합한 방법으로 실험했다. 앙상블 방법은 일반적으로 알고리즘의 분산을 줄이고 학습이 바이어스 되는 것을 방지한다(Breiman, 1996).
- 5), REPTree, ADTree를 사용한다. 이 학습방법 중 분류성능이 뛰어난 학습방법을 선택하여 출하 품질보증 검사의 불량로트와 정상로트를 예측하며, 생산의 이원화된 검사공정을 제안한다. 본 연구의 제 2장에서는 출하 품질보증 검사에 대해 구체적인 설명과 함께 변수선택 방법, 데이터와 앙상블 학습, 다양한 학습방법과 실험방법에 대해 설명한다.
대상 데이터
- 본 연구는 국내 반도체 제조회사 H사의 DRAM 모듈 생산 검사공정의 데이터를 사용했다. 공정의 데이터 예는 [Table 1]과 같으며, [Figure 4]은 기술한 공정의 데이터가 기록되는 공정이다.
- 본 연구에서 사용한 통계 프로그램은 일반적으로 비즈니스와 학계의 연구에 많이 사용되고 다양한 학습방법을 지원하는 Waikato 대학의 웨카(Weka) 3.6이다(Mark, 2009). 이 실험에서 앙상블 방법은 웨카의 배깅과 아다부스트(AdaBoost)를 사용했다.
- 이를 통해 현업의 분류공정 적용가능성을 평가한다. 성능평가를 위해 국내 반도체 제조기업인 H사의 2011년 3, 4, 5월의 모듈 검사공정에서 수집된 공정데이터는 불량로트 41.4%와 정상로트는 58.6%로 구성된다. 또한 수율 및 기타 생산 공정의 파라미터들이 변수로 간주되었다.
- 특히 검사장비에서 나오는 데이터는 모듈 기능상의 특성을 검사하는 항목과 전기적 특성, 반도체 셀(Cell) 특성 및 실제 사용자의 환경에서 문제가 될 수 있는 값들이 발생한다. 수집된 1500로트는 모형검증을 위해 총 90%의 데이터를 사용하고 모형구축을 위해 나머지 10% 데이터를 사용한다. 불량로트 비율로 구성된다.
- 이처럼 제한적 자료를 바탕으로 하는 연구는 실제 현업에 적용하기 어려운 일반화 문제를 내포한다. 하지만 본 연구는 기존의 소량의 시뮬레이션 데이터 사용 시 발생하는 문제를 해결하기 위해 실제 반도체 DRAM 모듈 공정의 데이터를 사용한다. 몇 개의 구축된 모형을 조합하여 정확도가 향상된 모형을 만드는 앙상블 학습방법을 사용한다(Han and Kamber, 2006).
- 따라서 확률을 확인할 수 있는 방법 중 앞의 장점을 갖는 Stability Selection 변수선택법을 사용했다. 학습을 위해 [Table 1]과 [Figure 4]에서 기술한 67개의 변수의 데이터를 사용했다. 변수선택을 하기 위해 일반적으로 다양한 분야에 사용되는 R통계 패키지를 사용했다.
이론/모형
- 세 번째는 지지도벡터 분류기와 함께 보편적으로 사용되는 인공신경망으로 학습 성능이 뛰어나다. 네 번째로 Reduced error-pruning을 사용한 이진분류기인 REP Tree를 사용하였다(Khoshgoftaar et al., 2007). 마지막으로 이진분류에서 효과적인 성능을 나타내는 ADTree(Freund and Mason, 1999)를 사용했다.
- 따라서 확률을 확인할 수 있는 방법 중 앞의 장점을 갖는 Stability Selection 변수선택법을 사용했다. 학습을 위해 [Table 1]과 [Figure 4]에서 기술한 67개의 변수의 데이터를 사용했다.
- , 2007). 마지막으로 이진분류에서 효과적인 성능을 나타내는 ADTree(Freund and Mason, 1999)를 사용했다. 앙상블 학습방법인 부스팅(Boosting)과 배깅을 5가지 학습방법과 조합한 방법으로 실험했다.
- 하지만 본 연구는 기존의 소량의 시뮬레이션 데이터 사용 시 발생하는 문제를 해결하기 위해 실제 반도체 DRAM 모듈 공정의 데이터를 사용한다. 몇 개의 구축된 모형을 조합하여 정확도가 향상된 모형을 만드는 앙상블 학습방법을 사용한다(Han and Kamber, 2006). 앙상블 학습에 사용된 분류 알고리즘은 다양한 연구에서 뛰어난 분류성능을 나타낸 지지도벡터기계, 인공신경망, 의사결정나무(C4.
- [Figure 8] 실험절차를 나타내고 [Table 2]의 10가지 앙상블 학습을 사용하여 분류성능을 비교했다. 모형검증용 로트는 10-교차 타당법(10-fold Cross Validation)을 사용하여 최소의 오차를 나타낼 수 있게 분류 모델을 평가한다(Kang, 2007).
- 학습을 위해 [Table 1]과 [Figure 4]에서 기술한 67개의 변수의 데이터를 사용했다. 변수선택을 하기 위해 일반적으로 다양한 분야에 사용되는 R통계 패키지를 사용했다. Bootstrap과 n번의 Step을 사용한 Vert (2010)에 의해 제안된 R의 Stability selection을 사용하여 98% 신뢰도로 변수를 추출했다.
- 따라서 데이터에 섞여 있는 잡음을 최소화하기 위해 변수선택 과정이 필요하다. 본 연구는 학습의 효과를 높이고 잡음을 최소화하기 위해 Meinshausen and Buhlmann(2010)에 의해 제안된 Stability selection을 사용했다. Stability Selection은 학습방법의 성능을 높일 수 있는 변수선택법이다(Shan and Richard, 2011).
- 6이다(Mark, 2009). 이 실험에서 앙상블 방법은 웨카의 배깅과 아다부스트(AdaBoost)를 사용했다. 또한 파라미터로는 높은 분류성능을 보인 기본 값을 사용했다.
- 불량의 감소율을 사용하여 성능평가의 척도인 품질비용을 계산한다. 품질비용(Quality Cost)은 품질관리 활동의 효과와 경제성을 평가하며, 국제적으로 인정받는 Feigenbaum(1956)이 제창한 품질비용을 사용한다. 품질비용은 불량품 발생을 막기 위해 소모되는 예방비용(Prevention Cost), 시장에서 불량을 발생시키지 않기 위해 사용하는 평가비용(Appraisal Cost)와 품질불량에 의해 발생하는 사내 실패비용과 사외 실패비용인 실패 비용(Failure Cost)으로 구성된다.
성능/효과
- 출하품질 불량률은 출하 품질보증 검사에서 발생된N개의 불량로트가 분류공정을 통해 N × (PP/TF) 비율로 줄어든 비율을 나타낸다. 10가지 학습방법 중 배깅과 의사결정나무(C4.5, No.7)를 조합한 분류기는 불량로트 비율이 34%로 감소시키며 타 경우보다 2%p 이상의 불량로트 감소 효과를 보인다. 하지만 아다부스트와 인공신경망 조합(No.
- 2’ 증가하며 교육훈련 비용의 증가는 데이터 마이닝 학습방법의 적용으로 인한 엔지니어 교육비가 포함되었기 때문이다. 교육비를 제외하고 품질계획, 품질 데이터의 수집분석, 최종제품의 관리, 재작업, 보증비용은 모두 감소했다. 따라서 현재 공정에서 소모되는 ‘22’ 품질비용 대비하여 배깅과 의사결정나무(C4.
- 41 낮은 오차를 보였다. 따라서 앙상블 학습방법 중 배깅(Bagging)과 의사결정나무(C4.5)를 조합한 학습방법이 가장 뛰어난 예측 정확도를 나타냈다.
- 따라서 현재 공정에서 소모되는 ‘22’ 품질비용 대비하여 배깅과 의사결정나무(C4.5, No.7) 분류공정을 적용한 후의 품질비용이 ‘19.6’으로 품질비용이 ‘11%’ 감소한다.
- 반면 지지도벡터 기계과 인공신경망은 앙상블 학습 후에도 분류 성능은 크게 증가하지 않았으며, 표준오차도 감소하지 않았다. 배깅과 의사결정나무(C4.
- 수집된 로트 데이터를 사용하여 분류 성능을 최대화 할 수 있는 앙상블 학습을 통해 모형을 구축하고, 동일한 현장의 데이터로 성능을 비교 했다. 성능평가 결과 배깅과 의사결정나무(C4.5)를 조합한 모형의 우수성을 확인했고 현업 적용가능성도 확인했다. 또한 다른 검사공정에서도 본 연구가 제안하는 분류공정에 적용할 수 있을 것으로 판단된다.
- 첫 번째 분류기의 예측 정확도 성능평가의 결과는 [Figure 9]와 같다. 예측 정확도 평균과 표준오차에 대해 배깅과 AD Tree 조합(No.10), 배깅과 REPTree 조합(No.9), 배깅과 의사결정나무 조합(C4.5, No.7)이 우수한 성능을 나타냈다. 배깅과 REP Tree 조합(No.
후속연구
- 5)를 조합한 모형의 우수성을 확인했고 현업 적용가능성도 확인했다. 또한 다른 검사공정에서도 본 연구가 제안하는 분류공정에 적용할 수 있을 것으로 판단된다.
- 하지만 본 논문은 보다 효율적인 검사 공정을 제안하기 위해 불량로트의 예측 정확도를 높이는 연구가 필요하며 앙상블 학습 시 사용되는 입력 파라미터를 선택하는 방법에 대한 연구 및 유의한 검사항목 선택을 위한 효율적인 변수선택방법에 대한 추후연구도 필요하리라 판단한다. 실제로 현장 적용 시 현업 엔지니어와 협업연구를 통해 모든 분야에서 직면할 수 있는 변수선택에 문제를 해결할 수 있다면 분류 성능을 더욱 향상시킬 수 있을 것으로 기대한다.
- 6’으로 품질비용이 ‘11%’ 감소한다. 특히 실패비용이 가장 크게 감소했으며, 실패비용 중 반품과 Claim 비용은 최소 3개월 후에 고객을 통해 통보받을 수 있는 비용임으로 고객 통보 후에 비용을 재 산출하면 감소효과가 증가 할 것으로 기대된다.
- 하지만 본 논문은 보다 효율적인 검사 공정을 제안하기 위해 불량로트의 예측 정확도를 높이는 연구가 필요하며 앙상블 학습 시 사용되는 입력 파라미터를 선택하는 방법에 대한 연구 및 유의한 검사항목 선택을 위한 효율적인 변수선택방법에 대한 추후연구도 필요하리라 판단한다. 실제로 현장 적용 시 현업 엔지니어와 협업연구를 통해 모든 분야에서 직면할 수 있는 변수선택에 문제를 해결할 수 있다면 분류 성능을 더욱 향상시킬 수 있을 것으로 기대한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.