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
- 반도체가 고집적화 될수록 칩 품질 예측에 사용되던 기존의 변수들이 상대적으로 불량 발생에 대한 설명력을 잃어감에 따라 칩 단위의 클러스터링을 통한 특질 추출에 한계가 있다. 따라서 본 연구는 반도체 제조업의 방대한 데이터 중 불량 발생에 대해 더욱 세밀한 정보를 가지고 있는 셀 레벨 데이터로부터 추출된 특질을 이용한 품질 예측모델을 제안하였다. 기존에 제시된 프로브 테스트 데이터의 활용(An et al.
- 본 연구는 칩 품질 예측 정확도 향상을 위해 셀 레벨 데이터에서의 OPTICS 기반 특질 추출 방법을 제안하였다. 반도체가 고집적화 될수록 칩 품질 예측에 사용되던 기존의 변수들이 상대적으로 불량 발생에 대한 설명력을 잃어감에 따라 칩 단위의 클러스터링을 통한 특질 추출에 한계가 있다.
- 본 연구의 목표는 셀 레벨 데이터에 대해 OPTICS 기반 특질 추출 방법을 제안함으로써 칩 품질 예측 성능을 향상하는 것이며, 품질 예측은 종속 변수가 고품질과 저품질인 2 클래스 분류 문제이다. 예측 모델 선택을 위해 다양한 분류 기법에 동일 변수와 동일 샘플(Sample)을 사용하여 실험을 진행하였으며, 결과 분석을 통해 높은 예측 성능을 보인 분류 기법을 예측 모델에 적용하였다.
제안 방법
- 이렇게 추출된 셀 결점의 군집 크기와 밀도는 분류기법의 입력 변수로 지정되어 품질 예측 시 사용된다. 기존에 단일 패키지 테스트 공정에서 양품과 불량품으로 구분된 것을, 본 연구에서는 고품질 칩과 저품질 칩으로 구분하고 이를 셀 레벨의 정보로 예측함으로써 더욱 정확한 품질별 이원화 패키지 테스트 공정을 구현한다. 이는 제품의 생산량은 늘리면서 투입 칩의 품질 수준에 맞게 제조 공정을 단축하여 생산 비용 절감을 추구할 수 있다.
- 불량 결점 수는 Function Test에서 제품의 비정상적인 동작까지 고려된 상황에서 발생하는 정보이므로 산업 현장에서 불량 원인 도출을 사용되는 중요한 변수이다. 데이터 형태는 [Table 2]에서 보는 바와 같이 연속형(Continuous)이며, Function Test 세부 항목 중 품질 예측에 영향도가 높은 결점 수를 변수로 선택하였다. 또한, 실험 결과의 일반성을 확보하기 위해 5-Fold Cross Validation으로 데이터를 처리하여 진행하였다(Weiss and Kulikowski, 1991).
- 또한, 품질의 오분류 시 발생하는 기회비용을 오분류율(Misclassification Error Rate, MER)에 가중치화해서 모델 성능 비교의 지수로 사용한다. 저품질과 고품질 칩의 가격 비율이 0.
- , 1996). 본 연구는 불량 발생 칩 판별을 목적으로 하는 예측 모델 구현에 있어서 임의의 모양의 군집 및 군집의 밀도를 고려해야하므로 셀 결점들의 위치를 기반으로 한 밀도 기반 클러스터링을 사용한다. 밀도 기반 클러스터링의 대표적인 기법 들로 DBSCAN(Density Based Spatial Clustering of Applications with Noise)(Ester et al.
- 더구나 패키지 테스트에 투입될 제품은 웨이퍼 형태가 아닌 칩 형태이므로 셀을 대상으로 한 결함에 대한 연구가 필요하다. 본 연구는 셀 결점으로 구성되는 군집으로부터 특질 추출 시, 군집의 크기(Park et al., 1995)뿐만 아니라 군집을 이루는 결점들 사이의 거리도 고려하였다. 결점 간의 거리는 군집의 밀도로도 말할 수 있는데, 동일 수의 결점이 군집을 형성하더라도 형성된 군집 내 결점 간의 거리가 짧을수록 해당 영역을 잠재 불량 발생률이 높은 영역으로 파악할 수 있기 때문이다(Park et al.
- 본 연구에서 관측치는 셀 결점을 의미하므로, 이하 논문에서 관측치라는 용어를 셀 결점으로 대체한다.
- 본 연구에서 제안된 예측 모델의 성능 평가를 위해 모델(1)은 칩 레벨 변수만을 사용한 예측 모델, 모델(2)는 셀 레벨에서의 OPTICS 기반 특질 추출을 이용한 모델, 모델(3)은 칩 레벨 변수와 OPTICS 기반 특질 추출 변수를 같이 사용한 모델로 실험한다.
- 본 연구에서 제안하는 OPTICS 기반 특질 추출 방법의 성능 비교를 위해 선택된 칩 레벨 변수로는 프로브 테스트의 불량 결점 수(Fail Bit Count)이다. 불량 결점 수는 Function Test에서 제품의 비정상적인 동작까지 고려된 상황에서 발생하는 정보이므로 산업 현장에서 불량 원인 도출을 사용되는 중요한 변수이다.
- 본 연구에서는 제안된 방법의 성능 향상도를 측정하기 위해칩 레벨의 변수만을 사용한 예측 모델과 셀 레벨에서의 특질 추출 변수를 사용한 예측 모델의 정확도(Accuracy)와 민감도 (Sensitivity), 특이도(Specificity)의 변화를 알아보았다. 식 (4)는 민감도를, 식 (5)는 특이도를 나타낸다.
- 또한, 셀 레벨 데이터를 획득하는 데 있어 제조 공정의 변경 없이 현 제조 공정에서도 가능하므로 추가적인 시간이 필요 없다는 장점이 있다. 셀 레벨의 정보로는 셀결점 위치, 셀 결점 속성, 결점 발생 항목 등이 있는데, 본 연구에서는 셀 결점 위치를 특질 추출(Feature Extraction)에 사용한다. 고집적화를 위해 작은 크기의 반도체 칩에 좀 더 많은 트랜지스터(Transistor) 및 커패시터(Capacitor), 다이오드(Diode) 등을 집적함에 따라 Angstrom(10- 10m,Å) 단위의 공정 마진 (Margin) 변화에 대해서 셀 결점은 더욱더 민감한 영향성을 보이고 있다.
- 하나의 셀은 한 개의 워드라인(Word Line)과 한 개의 비트라인(Bit Line)으로 구성되므로 이를 2차원 평면에 [Figure 9]의 단위격자(Unit Cell)로 표현할 수 있다. 워드라인 진행 방향을 X축으로, 비트라인 진행 방향을 Y축으로 놓고 Euclidean Distance를 사용하여 계산한다. 식 (3)은 셀 결점인 o, p 간의 거리 계산식이다.
- 이 중 프로브 테스트 공정은 본 연구에서 중점적으로 다룰 제조 단계로써 웨이퍼 상태의 칩 패드에 프로버 팁(Prober Tip) 을 접촉하여 실제 사용자의 사용 조건보다 가혹한 조건에서 테스트하며, 이때 발생하는 칩들의 각종 정보를 자료화한다. 자료화된 정보를 바탕으로 칩의 성능을 파악하고 일정 수의셀 결점에 대해서는 레이저 리페어(Laser Repair) 공정을 통해 양품의 칩으로 변환하는 작업이 이루어진다.
대상 데이터
- 본 연구의 실험은 산업 현장의 실무데이터를 사용하였고 품질 개선이 필요하다고 판단되는 제품을 실험 대상으로 선정하였으며, 조립 불량으로 발생할 수 있는 환경성 노이즈(Noise) 성분을 차단하기 위해 별도로 변경된 제조 공정에서 진행된 데이터를 사용하였다. 또한, 데이터의 일반성 확보를 위해 1개 월간 진행된 로트(Lot)들 중에서 웨이퍼 단위로 샘플링 하였으며, 샘플 수 총 4,500개 칩 중 패키지 양품 칩과 패키지 불량 칩의 비율은 7대 3이다.
- 본 연구의 실험은 산업 현장의 실무데이터를 사용하였고 품질 개선이 필요하다고 판단되는 제품을 실험 대상으로 선정하였으며, 조립 불량으로 발생할 수 있는 환경성 노이즈(Noise) 성분을 차단하기 위해 별도로 변경된 제조 공정에서 진행된 데이터를 사용하였다. 또한, 데이터의 일반성 확보를 위해 1개 월간 진행된 로트(Lot)들 중에서 웨이퍼 단위로 샘플링 하였으며, 샘플 수 총 4,500개 칩 중 패키지 양품 칩과 패키지 불량 칩의 비율은 7대 3이다.
데이터처리
- 데이터 형태는 [Table 2]에서 보는 바와 같이 연속형(Continuous)이며, Function Test 세부 항목 중 품질 예측에 영향도가 높은 결점 수를 변수로 선택하였다. 또한, 실험 결과의 일반성을 확보하기 위해 5-Fold Cross Validation으로 데이터를 처리하여 진행하였다(Weiss and Kulikowski, 1991).
이론/모형
- , 1999) 등이 있다. 본 연구에서는 밀도 기반 클러스터링 기법 중에서도 OPTICS 를 이용한 클러스터링을 수행한다. 그 이유는 DBSCAN의 경우 임계 값(Threshold Level)을 기준으로 관측치의 개수가 그 이상일 때만 군집을 형성하여 군집 간의 관측치 밀집 정도를 판단할 수 없는 반면, OPTICS는 각 관측치 간의 거리를 통해 밀집 정도를 수치로 표현할 수 있다.
- 셀 결점에서의 특질 추출 방법으로는 밀도 기반 클러스터링 기법 중 OPTICS(Ordering Points To Identify the Clustering Structure) 를 이용한다. 클러스터링 기법을 이용한 기존의 수율 예측 연구들은 웨이퍼를 군집 영역으로 간주하고 칩을 하나의 결점 인자로 파악하는 클러스터링 기법(Park et al.
- 본 연구의 목표는 셀 레벨 데이터에 대해 OPTICS 기반 특질 추출 방법을 제안함으로써 칩 품질 예측 성능을 향상하는 것이며, 품질 예측은 종속 변수가 고품질과 저품질인 2 클래스 분류 문제이다. 예측 모델 선택을 위해 다양한 분류 기법에 동일 변수와 동일 샘플(Sample)을 사용하여 실험을 진행하였으며, 결과 분석을 통해 높은 예측 성능을 보인 분류 기법을 예측 모델에 적용하였다. 예측 모델 선택에 고려된 기법들로는 선형 분석에 사용되는 Logistic Regression(Hosmer and Lemeshow, 1989), 비선형 분석에 사용되는 QDA(Quadratic Discriminant Analysis), 결과에 대한 속성 값들의 영향도 해석이 쉽고 학습 시간이 다른 알고리즘에 비해 짧은 Decision Tree(Quinlan, 1986), 최적의 분리 경계면으로 분류 문제를 해결하는 SVM(Vapnik, 2000), 패턴인식, 분류 문제 등 여러 분야에 활용되고 있는 ANN(Artificial Neural Network)로 대표적인 분류 기법들이다.
성능/효과
- [Table 4]에서 보는 바와 같이, 본 연구에서 제안하는 모델 (2)와 모델(3)의 결과를 모델(1)과 비교해 보면, 기존의 칩 레벨 변수만을 사용한 모델보다 예측 정확도는 9.2%P와 9.3%P, 가중치 적용 오분류율(MER)은 8.2%P 개선되었다. 성능 개선의 주요인은 민감도의 증가이다.
- 동일 변수와 동일 샘플을 가지고 구현된 모델들의 예측 정확도를 비교해 볼 때 그 차이는 작으나 [Table 1]에 나타난 것처럼 Logistic Regression이 79.5%로 가장 우수한 성능을 보여본 연구의 결과 해석을 위한 품질 예측 모델로 사용되었다. 나머지 네 기법에서도 기존 칩 레벨 데이터 활용 모델에 비해서셀 레벨 데이터를 활용한 모델에서 예측 정확도가 향상되었으며 해당 결과는 제 4.
- B2B(Business to Business) 사업에서 물량의 선 확보는 거래 기업의 물량 요청에 충분히 대응할 수 있는 능력을 보여줌으로써 경쟁 업체보다 우위에 설 수 있는 발판이 되므로, 더욱 많은 시장 확보가 가능해지기 때문이다. 둘째, 반도체 산업의 특성상 제조 공정이 길어짐에 따라 총 생산비용 중 제조비용이 차지하는 비율이 높아 수율의 수준에 따라 제품 생산의 필요성이 결정되기 때문이다. 이러한 양상은 작은 크기의 고집적도 제품과 특수기능 제품의 생산에 따른 검사 비용 상승으로 더욱더 심화 되고 있다(Bae, 1995).
- , 2009)과 웨이퍼 빈 맵의 패턴 인식(Hsu and Chien, 2007) 등에 비해 전문 지식을 바탕으로 한 데이터 전처리 과정이 필요하므로 모델 구현이 복잡하지만, 논문에서 제시된 엑셀 매크로와 같은 Tool을 이용한다면 셀 레벨 데이터 활용으로 발생하는 문제점은 해결할 수 있다. 또한, 정보의 개체를 칩이 아닌 셀을 활용하면서 본 연구에서 제안한 칩 품질 예측 모델이 기존의 칩 레벨 데이터 활용 모델 대비 민감도와 정확도에서 성능 향상됨을 실험을 통해 입증하였다. 실제 산업 현장 적용 시 발생할 문제점으론 셀 레벨데이터 처리 시간을 예상할 수 있으나 프로브 테스트 공정 후 조립 공정으로의 투입 시간 간격을 고려하면 셀 레벨 데이터를 통한 품질 분류는 가능하다.
- 모델(1) 대비 모델(2)와 모델(3)에서 특이도는 평균 4.0%P와 3.5%P 감소하고 민감도는 평균 39.2%P와 39.5%P 증가하였다. 실험에 사용된 샘플 수에서 고품질의 비율이 저품질 비율 대비 7 대 3으로 크지만 민감도의 증가 효과가 큰 관계로 예측 정확도가 9.
- 이는 본 연구의 추구 목적대로 셀 레벨에서의 OPTICS 기반 특질 추출 방법이 고품질의 예측 정확도는 유지하면서 저품질의 예측 정확도를 향상시켰다. 모델(2)와 모델(3)을 비교 시 특이도와 민감도의 차이가 거의 없는 것으로 보아, 셀 레벨에서의 OPTICS 기반 특질 추출 변수가 칩 레벨 변수보다 예측 모델 구현에 대한 기여도(Contribution) 가 큼을 확인할 수 있다.
- 4절에서 제시된 분류 기법들에 모델(1), 모델(2)와 모델(3)을 적용한 실험 결과이다. 분류 기법들에 따라 정확도 개선의 결과 차이는 존재하지만, Logistic을 이용한 품질 예측 모델과 동일하게 민감도의 개선으로 모델(2)와 모델(3)의 정확도가 모델(1)에 비해 개선됨을 확인할 수 있다.
- 성능 개선의 주요인은 민감도의 증가이다. 선정된 샘플의 칩 레벨 변수가 바뀌면 모델(1)의 예측 정확도 변화가 예상되나, 모델(2)와 모델(3)의 정확도 차이가 거의 없는 것으로 보아 OPTICS 기반 특질 추출 방법 사용으로 인한 개선 효과는 칩 레벨 변수 사용과 무관하게 향상됨을 보인다.
- 5%P 증가하였다. 실험에 사용된 샘플 수에서 고품질의 비율이 저품질 비율 대비 7 대 3으로 크지만 민감도의 증가 효과가 큰 관계로 예측 정확도가 9.2%P와 9.3%P 증가했다. 이는 본 연구의 추구 목적대로 셀 레벨에서의 OPTICS 기반 특질 추출 방법이 고품질의 예측 정확도는 유지하면서 저품질의 예측 정확도를 향상시켰다.
- 3%P 증가했다. 이는 본 연구의 추구 목적대로 셀 레벨에서의 OPTICS 기반 특질 추출 방법이 고품질의 예측 정확도는 유지하면서 저품질의 예측 정확도를 향상시켰다. 모델(2)와 모델(3)을 비교 시 특이도와 민감도의 차이가 거의 없는 것으로 보아, 셀 레벨에서의 OPTICS 기반 특질 추출 변수가 칩 레벨 변수보다 예측 모델 구현에 대한 기여도(Contribution) 가 큼을 확인할 수 있다.
후속연구
- 현재 생산되고 있는 수 기가비트 셀로 이루어진 대용량 칩을 하나의 결점 인자로 파악하기에는 많은 정보를 누락하는 일반화의 오류에 빠질 수 있다. 더구나 패키지 테스트에 투입될 제품은 웨이퍼 형태가 아닌 칩 형태이므로 셀을 대상으로 한 결함에 대한 연구가 필요하다. 본 연구는 셀 결점으로 구성되는 군집으로부터 특질 추출 시, 군집의 크기(Park et al.
- 실제 산업 현장 적용 시 발생할 문제점으론 셀 레벨데이터 처리 시간을 예상할 수 있으나 프로브 테스트 공정 후 조립 공정으로의 투입 시간 간격을 고려하면 셀 레벨 데이터를 통한 품질 분류는 가능하다. 추후 과제로는 본 연구에서 제안하는 특질로 사용된 셀 결점 위치뿐 아니라 불량 발생에 보다 많은 영향을 주는 변수를 찾는 것이며, 해당 변수를 통해 개선된 특질 추출 방법으로 품질 예측 알고리즘의 성능을 향상시키는 연구가 필요하다고 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.