[논문]반도체 제조 가상계측 공정변수를 이용한 웨이퍼 수율 예측

남완식; 김성범

doi:10.7232/jkiie.2015.41.6.572

[국내논문] 반도체 제조 가상계측 공정변수를 이용한 웨이퍼 수율 예측
A Prediction of Wafer Yield Using Product Fabrication Virtual Metrology Process Parameters in Semiconductor Manufacturing 원문보기

대한산업공학회지 = Journal of the Korean Institute of Industrial Engineers, v.41 no.6, 2015년, pp.572 - 578

남완식 (고려대학교 산업경영공학과) , 김성범 (고려대학교 산업경영공학과)

Abstract ▼ AI-Helper

Yield prediction is one of the most important issues in semiconductor manufacturing. Especially, for a fast-changing environment of the semiconductor industry, accurate and reliable prediction techniques are required. In this study, we propose a prediction model to predict wafer yield based on virtual metrology process parameters in semiconductor manufacturing. The proposed prediction model addresses imbalance problems frequently encountered in semiconductor processes so as to construct reliable prediction model. The effectiveness and applicability of the proposed procedure was demonstrated through a real data from a leading semiconductor industry in South Korea.

주제어

AI 본문요약
AI-Helper

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

문제 정의

기존 수율 예측 모델은 수율 예측 가능변수 및 변수 적용 알고리즘에 따라 다양하게 연구되어왔다. 본 연구에서 제안하는 수율 예측 모델은 반도체 제조 공정에서 생성된 가상계측 데이터를 기반으로 웨이퍼를 고수율, 저수율로 구분하는 분류 모델을 구축하는 것이다. 제안하는 수율 예측 모델링 프로세스는 [Figure 4]와 같이 4단계로 이루어지며 자세한 설명은 다음과 같다.
본 연구에서는 FAB 공정에서 생성된 가상계측 데이터를 공정변수로 사용하여 웨이퍼 단위로 프로브 수율을 고수율 혹은 저수율로 판별하는 예측 모델을 제안하고자 한다. 이를 통하여 FAB 공정 단계에서 웨이퍼 단위로 수율을 예측함으로써 조기에 저수율 제품을 선별 폐기하고 신속하게 고수율 제품을 전환 생산하여 반도체 제조 생산성 향상 및 경비 절감 효과 그리고 고수율 제품 생산을 통한 고객 신뢰성 향상을 기대할 수 있다.
이 단계에서는 전 단계에서 전 처리한 가상계측 데이터를 독립변수로 구성하고, 제품의 수율을 품질 기준에 의하여 고수율, 저수율로 구분한 범주형 변수를 종속변수로 활용하여 분류모델을 구축한다. 본 연구에서는 분류 문제에 널리 사용되고 있는 다양한 분류 알고리즘을 적용하여 비교해 보았다. 예측 모델의 성능을 비교 검증하기 위해 고려된 기법들은 다음과 같다.

제안 방법

데이터 형태는 연속형 독립변수와 범주형 종속변수로 이루어졌다. [Table 2]에서 보듯이, 실험결과의 안정성을 확보하기 위해 10-Fold Cross Validation으로 데이터를 처리하여 진행하였다(Kohavi, 1995).
고수율 웨이퍼와 저수율 웨이퍼의 비율은 9대 1로 범주간 심한 불균형을 보여주고 있다. 데이터 형태는 연속형 독립변수와 범주형 종속변수로 이루어졌다. [Table 2]에서 보듯이, 실험결과의 안정성을 확보하기 위해 10-Fold Cross Validation으로 데이터를 처리하여 진행하였다(Kohavi, 1995).
도메인 지식을 바탕으로 가상계측 데이터 중 웨이퍼 수율을 대표하는 특징을 갖는 변수를 선택한다. 도메인 지식 외에도 데이터마이닝 알고리즘을 기반으로 하는 여러 가지 변수선택 기법들이 있으나, 엔지니어의 경험을 통해 변수를 선택하는 방법이 가장 강건하므로, 본 연구에서는 최종적으로 도메인 지식을 바탕으로 웨이퍼 수율에 영향을 주는 변수를 선정 하였다.
, 2009). 본 연구에서 사용한 이상치 탐지 기법은 모든 가상계측 데이터의 관측치를 단일 클래스로 가정한 후 단일 클래스 분류 알고리즘을 사용하여 정의된 단일 클래스의 정상 범위를 벗어나는 관측치를 이상 데이터로 판별하여 제거하는 방법을 사용하였다(Ferreira et al., 2009).
본 연구에서는 FAB 공정에서 생성된 가상계측 데이터를 기반으로 데이터의 전처리, 데이터의 불균형 문제를 해결한 후 데이터마이닝 분류 알고리즘을 통해서 웨이퍼 단위로 수율을 판별 할 수 있는 예측 모델을 제안하였다. 이렇게 구축된 예측 모델은 FAB 공정 단계에서 제품의 품질 상태를 구분함으로써 생산성 향상에 기여할 수 있을 것이다.
본 연구에서는 R의 데이터마이닝 알고리즘을 사용하여 수율 예측 모델을 구축하였고, 각 알고리즘에 사용된 R 패키지와 최적의 매개변수는 [Table 1]과 같다.

대상 데이터

본 연구에서 제안하는 웨이퍼 수율 예측 모델의 효용성을 입증하기 위해 국내 반도체기업의 실제 가상계측 데이터를 적용하였다. 실험에 사용한 데이터는 1개월간 생산된 웨이퍼의 가상계측 데이터이며 사용 변수는 90개, 고수율 웨이퍼의 관측치는 548개, 저수율 웨이퍼의 관측치는 67개로 구성되었다.
본 연구에서 제안하는 웨이퍼 수율 예측 모델의 효용성을 입증하기 위해 국내 반도체기업의 실제 가상계측 데이터를 적용하였다. 실험에 사용한 데이터는 1개월간 생산된 웨이퍼의 가상계측 데이터이며 사용 변수는 90개, 고수율 웨이퍼의 관측치는 548개, 저수율 웨이퍼의 관측치는 67개로 구성되었다. 고수율 웨이퍼와 저수율 웨이퍼의 비율은 9대 1로 범주간 심한 불균형을 보여주고 있다.

이론/모형

결과에 대한 해석이 쉽고 학습 시간이 짧은 의사결정나무 (Quinlan, 1986), 최적의 초평면으로 분류 문제를 해결하는 SVM (Vapnik, 2000), 선형 모델로 분류 문제를 해결하는 로지스틱 회귀분석(Hosmer and Lemeshow, 1989), 패턴인식이나 데이터 마이닝 등 다양한 분야에 응용되고 있는 인공신경망(Rosenblatt, 1958) 기법을 사용하였고, 마지막으로 랜덤 포레스트(이하 RF) 기법을 사용하였다. RF 알고리즘은 나무 유도 과정에서 임의의 변수선택을 사용하여 학습 데이터의 부트스트랩(Bootstrap) 샘플로 유도된 잘라내지 않은 분류 또는 회귀 나무의 앙상블이다(Chen et al.
, 2012). 그러므로 가상계측 데이터 중에서 신뢰도가 낮은 관측치를 제거하기 위해 비지도 이상치 탐지(Unsupervised Anomaly Detection)기법을 사용하였다(Chandola et al., 2009). 본 연구에서 사용한 이상치 탐지 기법은 모든 가상계측 데이터의 관측치를 단일 클래스로 가정한 후 단일 클래스 분류 알고리즘을 사용하여 정의된 단일 클래스의 정상 범위를 벗어나는 관측치를 이상 데이터로 판별하여 제거하는 방법을 사용하였다(Ferreira et al.
따라서 본 연구에서는 불균형 데이터 분류 문제에서 평가척도로 사용하고 있는 식 (1)의 민감도(Sensitivity)와 특이도(Specificity)의 기하평균(이하 GM)을 사용하였다(Kubat et al., 1998).
그러므로 웨이퍼 수율을 고수율, 저수율로 구분하는 분류 모델 구축을 위해서는 데이터 불균형 문제를 해결해야 한다. 본 연구에서는 여러 가지 방법 중 SMOTE(synthetic minority over-sampling technique) 기법을 사용하여 데이터 불균형 문제를 해결하였다. SMOTE 알고리즘은 소수 계층 과다추출, 다수계층 과소추출의 조합으로 데이터 불균형 문제를 해결하는 방법이다.

성능/효과

SMOTE(200 : 100) 부터 SMOTE(500 : 100) 조건은 소수계층 과다추출 샘플링 개수를 단계적으로 증가시킨 것이다. SMOTE를 미적용한 원 데이터를 사용하여 구축한 예측 모델은 GM 기준 21%의 예측 정확도를 보였으나, 고수율과 저수율의 비율을 1 : 1로 동일하게 샘플링하여 예측 모델을 구축한 SMOTE (100 : 100) 조건은 GM 기준 76%의 예측 정확도를 나타내었다. 또한 저수율 데이터의 샘플링을 과도하게 할수록 예측 정확도가 낮아지는 것을 확인 할 수 있었다.
[Table 5]는 본 연구에서 제안한 수율 예측 방법을 다양한 데이터마이닝 분류 알고리즘에 동일하게 적용하여 각 모델의 성능을 비교한 것이다. 가장 우수한 예측 모델은 RF 알고리즘을 사용한 예측 모델로써 76%의 정확도를 보이고 있고, 그 뒤로 support vertor machine 이 74%로 비슷한 정확도를 보이고 있다. 특이한 점은 인공신경망 알고리즘을 사용한 예측 모델은 민감도 기준 72%의 예측 정확도를 나타내었다.
이렇게 구축된 예측 모델은 FAB 공정 단계에서 제품의 품질 상태를 구분함으로써 생산성 향상에 기여할 수 있을 것이다. 또한 FAB 공정 단계에서 고수율, 저수율 제품을 분석하여 최적의 공정조건을 찾으므로 제조 공정 능력 향상이 가능하다. 제안기법의 한계점으로는 수율 예측 모델의 변수로 이용되는 가상계측 데이터의 정합성에 따라 수율 예측 모델의 성능이 결정되는 것이다.
SMOTE를 미적용한 원 데이터를 사용하여 구축한 예측 모델은 GM 기준 21%의 예측 정확도를 보였으나, 고수율과 저수율의 비율을 1 : 1로 동일하게 샘플링하여 예측 모델을 구축한 SMOTE (100 : 100) 조건은 GM 기준 76%의 예측 정확도를 나타내었다. 또한 저수율 데이터의 샘플링을 과도하게 할수록 예측 정확도가 낮아지는 것을 확인 할 수 있었다.
가장 우수한 예측 모델은 RF 알고리즘을 사용한 예측 모델로써 76%의 정확도를 보이고 있고, 그 뒤로 support vertor machine 이 74%로 비슷한 정확도를 보이고 있다. 특이한 점은 인공신경망 알고리즘을 사용한 예측 모델은 민감도 기준 72%의 예측 정확도를 나타내었다. 즉, 소수 범주의 분류 문제 해결에 있어서는 인공신경망 알고리즘을 사용한 예측 모델이 우수한 성능을 나타낸다고 할 수 있다.

후속연구

본 연구에서는 FAB 공정에서 생성된 가상계측 데이터를 기반으로 데이터의 전처리, 데이터의 불균형 문제를 해결한 후 데이터마이닝 분류 알고리즘을 통해서 웨이퍼 단위로 수율을 판별 할 수 있는 예측 모델을 제안하였다. 이렇게 구축된 예측 모델은 FAB 공정 단계에서 제품의 품질 상태를 구분함으로써 생산성 향상에 기여할 수 있을 것이다. 또한 FAB 공정 단계에서 고수율, 저수율 제품을 분석하여 최적의 공정조건을 찾으므로 제조 공정 능력 향상이 가능하다.
본 연구에서는 FAB 공정에서 생성된 가상계측 데이터를 공정변수로 사용하여 웨이퍼 단위로 프로브 수율을 고수율 혹은 저수율로 판별하는 예측 모델을 제안하고자 한다. 이를 통하여 FAB 공정 단계에서 웨이퍼 단위로 수율을 예측함으로써 조기에 저수율 제품을 선별 폐기하고 신속하게 고수율 제품을 전환 생산하여 반도체 제조 생산성 향상 및 경비 절감 효과 그리고 고수율 제품 생산을 통한 고객 신뢰성 향상을 기대할 수 있다.
또한 FAB 공정 단계에서 고수율, 저수율 제품을 분석하여 최적의 공정조건을 찾으므로 제조 공정 능력 향상이 가능하다. 제안기법의 한계점으로는 수율 예측 모델의 변수로 이용되는 가상계측 데이터의 정합성에 따라 수율 예측 모델의 성능이 결정되는 것이다. 추후 과제로는 가상계측으로부터 얻어진 오차를 반영한 모델을 구축하여 보다 현실적인 모델을 구축하는 것이다.
제안기법의 한계점으로는 수율 예측 모델의 변수로 이용되는 가상계측 데이터의 정합성에 따라 수율 예측 모델의 성능이 결정되는 것이다. 추후 과제로는 가상계측으로부터 얻어진 오차를 반영한 모델을 구축하여 보다 현실적인 모델을 구축하는 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	FAB 공정은 어떤 단계인가?	, 1992). FAB 공정은 잉곳(Ingot)을 가공하여 만든 웨이퍼(Wafer)25매를 1랏(Lot)으로 구성하여 FAB에 투입한 후, 패턴 생성 공정, 층 생성 공정 등의 세부 공정을 통하여 웨이퍼 위에 수천 개의 집적 회로를 형성하는 단계이다. 프로브 검사 공정은 웨이퍼 상태에서 각각의 칩(Chip)을 전기적으로 테스트하여 양품과 불량품으로 판별하는 단계이다.
	프로브 검사 공정은 어떤 공정인가?	FAB 공정은 잉곳(Ingot)을 가공하여 만든 웨이퍼(Wafer)25매를 1랏(Lot)으로 구성하여 FAB에 투입한 후, 패턴 생성 공정, 층 생성 공정 등의 세부 공정을 통하여 웨이퍼 위에 수천 개의 집적 회로를 형성하는 단계이다. 프로브 검사 공정은 웨이퍼 상태에서 각각의 칩(Chip)을 전기적으로 테스트하여 양품과 불량품으로 판별하는 단계이다. 조립 공정은 프로브 검사 공정 이후에 웨이퍼 단위에서 칩 단위로 분리하여 칩의 전기적, 물리적 특성을 향상시키고 외부의 기계적, 물리적 충격으로부터 칩을 보호하기 위한 단계이다.
	반도체 제조 공정을 어떻게 구분할 수 있는가?	[Figure 1]은 수백 개의 정밀 공정으로 진행되는 반도체 제조 공정을 요약하여 보여주고 있다. 대표적으로 원재료가 투입된 후 제작공정(이하 FAB 공정), 프로브(Probe) 검사, 조립, 그리고 패키지 검사 등 크게 네 단계로 구분 할 수 있다(Uzsoy et al., 1992).

참고문헌 (32)

An, D., Ko, H. H., Gulambar, T., Kim, J., Baek, J. G., and Kim, S. S. (2009), A semiconductor yields prediction using stepwise support vector machine, In Assembly and Manufacturing, ISAM 2009, IEEE International Symposium, 130-136.
Baek, D. H. and Han, C. H. (2003), Application of data mining for improving and predicting yield in wafer fabrication system. KIISS, 9(1), 157-177.
Breiman, L. (2001), Random forests. Machine learning, 45(1), 5-32.
Chandola, V., Banerjee, A., and Kumar, V. (2009), Anomaly detection : A survey. ACM computing surveys (CSUR), 41(3), 15.
Chang, Y. J., Kang, Y., Hsu, C. L., Chang, C. T., and Chan, T. Y. (2006), Virtual metrology technique for semiconductor manufacturing, In Neural Networks, IJCNN 2006. International Joint Conference on, IEEE, 5289-5293.
Chawla, N. V., Bowyer, K. W., Hall, L. O., and Kegelmeyer, W. P. (2002), SMOTE : Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321-357.

상세보기
Chen, C., Liaw, A., and Breiman, L. (2004), Using random forest to learn imbalanced data, University of California, Berkeley.
Chen, P., Wu, S., Lin, J., Ko, F., Lo, H., Wang, J., and Liang, M. (2005), Virtual metrology : a solution for wafer to wafer advanced process control, In Semiconductor Manufacturing, ISSM 2005, IEEE International Symposium, 155-157.
Chen, Y.-T., Yang, H.-C., and Cheng, F.-T. (2006), Multivariate Simulation Assessment for Virtual Metrology, Proc. IEEE Int. Conf. on Robotics and Automation(ICRA 2006), 1048-1053.
Chien, C. F., Wang, W. C., and Cheng, J. C. (2007), Data mining for yield enhancement in semiconductor manufacturing and an empirical study. Expert Systems with Applications, 33(1), 192-198.

상세보기
Cunningham, S. P., Spanos, C. J., and Voros, K. (1995), Semiconductor yield improvement: results and best practices. Semiconductor Manufacturing, IEEE Transactions on, 8(2), 103-109.

상세보기
Ferreira, A., Roussy, A., and Conde, L. (2009), Virtual metrology models for predicting physical measurement in semiconductor manufacturing, In Advanced Semiconductor Manufacturing Conference, ASMC 2009, IEEE/SEMI, 149-154.
Hosmer, D. and Lemeshow, W. (1989), Applied Logistic Regression, Ed. John Wolfley and Sons, 8-20.
Kang, P. and Cho, S. (2006), EUS SVM : Ensemble of under-sampled SVMs for data imbalance problems, Proceedings in Korean Industrial Engineering Conference, 291-298.
Kang, P. and Cho, S. (2006), EUS SVMs : Ensemble of under-sampled SVMs for data imbalance problems, In Neural Information Processing, Springer Berlin Heidelberg, 837-846.
Kang, P., Kim, D., Lee, H. J., Doh, S., and Cho, S. (2011), Virtual metrology for run-to-run control in semiconductor manufacturing. Expert Systems with Applications, 38(3), 2508-2522.

상세보기
Kang, P., Kim, D., Lee, S. K., Doh, S., and Cho, S. (2012), Estimating the reliability of virtual metrology predictions in semiconductor manufacturing : A novelty detection-based approach. Journal of the Korean Institue of Industrial Engineers, 38(1), 46-56.

원문보기 상세보기
Kang, P., Lee, H. J., Cho, S., Kim, D., Park, J., Park, C. K., and Doh, S. (2009), A virtual metrology system for semiconductor manufacturing. Expert Systems with Applications, 36(10), 12554-12561.

상세보기
Khan, A. A., Moyne, J. R., and Tilbury, D. M. (2008), Virtual metrology and feedback control for semiconductor manufacturing processes using recursive partial least squares. Journal of Process Control, 18(10), 961-974.

상세보기
Kohavi, R. (1995), A study of cross-validation and bootstrap for accuracy estimation and model selection. In IJCAI, 14(2), 1137-1145.
Kubat, M., Holte, R. C., and Matwin, S. (1998), Machine learning for the detection of oil spills in satellite radar images. Machine learning, 30(2/3), 195-215.
Kumar, N., Kennedy, K., Gildersleeve, K., Abelson, R., Mastrangelo, C. M., and Montgomery, D. C. (2006), A review of yield modelling techniques for semiconductor manufacturing. International Journal of Production Research, 44(23), 5019-5036.

상세보기
Li, T. S., Huang, C. L., and Wu, Z. Y. (2006), Data mining using genetic programming for construction of a semiconductor manufacturing yield rate prediction system. Journal of Intelligent Manufacturing, 17(3), 355-361.

상세보기
Liaw, A. and Wiener, M. (2002), Classification and Regression by randomForest. R news, 2(3), 18-22.
Lynn, S., Ringwood, J., and MacGearailt, N. (2012), Global and local virtual metrology models for a plasma etch process, Semiconductor Manufacturing, IEEE Transactions, 25(1), 94-103.

상세보기
Murphy, B. T. (1964), Cost-size optima of monolithic integrated circuits. Proceedings of the IEEE, 52(12), 1537-1545.

상세보기
Park, K. S., Jun, C. H., and Kim, S. Y. (1997), The comparison and use of yield models in semiconductor manufacturing. IE interfaces, 10(1), 79-93.
Quinlan, J. R. (1986), Induction of decision trees. Machine learning, 1(1), 81-106.

상세보기
Rosenblatt, F. (1958), The perceptron : a probabilistic model for information storage and organization in the brain. Psychological review, 65(6), 386.

상세보기
Shin, C. K. and Park, S. C. (2000), A machine learning approach to yield management in semiconductor manufacturing. International Journal of Production Research, 38(17), 4261-4271.

상세보기
Uzsoy, R., Lee, C. Y., and Martin-Vega, L. A. (1992), A review of production planning and scheduling models in the semiconductor industry part I : system characteristics, performance evaluation and production planning. IIE Transactions, 24(4), 47-60.

상세보기
Vapnik, V. (2000), The Nature of Statistical Learning Theory, Springer.

저자의 다른 논문 :

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