[논문]전력반도체의 수율향상을 위한 최적 공정조건 결정에 관한 연구

고관주; 김나연; 김용수

doi:10.7469/jksqm.2019.47.4.725

전력반도체의 수율향상을 위한 최적 공정조건 결정에 관한 연구
Process Conditions Optimizing the Yield of Power Semiconductors 원문보기

品質經營學會誌 = Journal of Korean society for quality management, v.47 no.4, 2019년, pp.725 - 737

고관주 (경기대학교 일반대학원 산업경영공학과) , 김나연 (경기대학교 일반대학원 산업경영공학과) , 김용수 (경기대학교 산업경영공학과)

Abstract ▼ AI-Helper

Purpose: We used a data analysis method to improve semiconductor manufacturing yield. We defined and optimized important factors and applied our findings to a real-world process. The semiconductor industry is very cost-competitive; our findings are useful. Methods: We collected data on 15 independent variables and one dependent variable (yield); we removed outliers and missing values. Using SPSS Modeler ver. 18.0, we analyzed the data both continuously and discretely and identified common factors. Results: We optimized two independent variables in terms of process conditions; yield improved. We used DS Leak software to model netting and Contact CD software to model meshes. DS Leak shows smaller the better characterisrics and Contact CD shows normal the best characteristics Conclusion: Various efforts have been made to improve semiconductor manufacturing yields, and many studies have created models or analyzed various characteristics. We not only defined important factors but also showed how to control processing to improve semiconductor yield.

주제어

표/그림 (14)

그림 Figure 1. Power Semiconductor application field
그림 Figure 2. Research Flow Chart
표 Table 2. Process variables
그림 Figure 4. Neural Network Predictive Variables Importance
표 Table 3. Continuous data analysis result
표 Table 4. Top Level Decision Rule
표 Table 4. Decision tree analysis, Neural network, Logistic regression confusion matrix table
표 Table 5. Comparison of classification matrix table results of each technique
그림 Figure 5. Decision Tree Predictive Variables Importance
그림 Figure 6. C5.0 Decision Tree
표 Table 6. Variance Analysis for Response Surface Analysis
표 Table 7. Model summary of Variance Analysis for Response Surface Analysis
그림 Figure 7. Yield curve according to factor condition
그림 Figure 8. Contact Etch Process Figure 9. Contact SEM image

AI 본문요약
AI-Helper

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

문제 정의

DS Leak의 경우 불순물의 농도와 열공정과 같은 여러 공정의 조합에 의해 발생되는 현상이므로 이를 제어하는 방법보다는 모니터링을 통해 관리할 수 있는 방안을 강구하는 것이 더 바람직하다 할 수 있다. 본 연구에서는 급속도로 변하는 반도체 산업의 제조공정에서 수율을 관리하고 개선하는데 있어 보다 더 실용적이고 과학적인 기법이라고 사료된다.
일반적으로 데이터 전처리 단계에서는 데이터 중 결측치를 채워넣고 잡음이 있는 데이터를 제거하며 이상치를 식별하고, 데이터 불일치를 교정한다. 본 연구에서는 데이터의 이상치 및 결측치에 대해 해당 레코드를 삭제하여 데이터 불완전성에 대해 문제점을 제거하였다. 모델링 단계에서는 SPSS Modeler 18.
본 연구에서는 변수와의 관련성뿐만 아니라 중요변수에 대한 최적점과 그에 대한 현장적용 방법 등을 제시한다. 또한 데이터마이닝 기법을 활용하여 수율을 연속형 변수와 이산형 변수로 전환하여 수율에 영향을 주는 가장 중요한 인자를 예측하였다.
본 연구에서는 수율을 분석하기 위하여 특정 제품을 선정하고, 이 제품의 수율에 영향을 미치는 주요 인자를 선정하기 위하여 반도체 공정의 15개 공정 파라미터 데이터를 수집하였다. 그 다음, 기존 단변량 분석인 중회귀 분석에서 벗어나 데이터마이닝 기법을 활용하여 두 가지 속성인 연속형 분석과 이산형 분석으로 가장 수율에 영향을 크게 미치는 주요 공통인자를 선정하였다.
고수율과 저수율을 분리하여 의사결정나무분석, 인공신경망, 로지스틱회귀분석을 통해 인자를 분류하고, 수율에 영향을 가장 크게 미치는 주요 인자를 도출하였다. 선정된 주요한 인자와 수율과의 관계를 확인하고 최적조건을 선정하기 위해 반응표면 분석방법으로 최적조건을 설정하고 이에 대한 공정조건 제어방안을 제시하고자 한다.
또한 데이터마이닝 기법을 활용하여 수율을 연속형 변수와 이산형 변수로 전환하여 수율에 영향을 주는 가장 중요한 인자를 예측하였다. 예측된 인자들에 대한 최적조건을 반응표면분석법을 사용하여 도출하고 이에 대한 공정제어 방안을 제시하여 수율개선에 최대 효과를 얻는 모형을 도출하는데 그 의미를 찾고자 한다.
이러한 결과를 근거로 각 공정에서 제어할 수 있는 방향을 설정하여 최적의 수율을 확보할 수 있는 제어방안을 제시하였다. Contact을 형성하는 산화 식각(Oxide Etch)공정에서는 포토 패턴 CD로부터 일정 편의 만큼 변화되는 특성을 감안하여 Photo 패턴을 형성하는 공정에서 일정 제어범위를 설정하여 노광을 진행함으로써 최적의 수율을 얻을 수 있는 CD를 형성해주는 방법을 제안하였다.
반도체 제조업에서 공정의 수율을 확보하는 것은 매우 중요하다. 이를 위해 본 연구에서는 반도체 공정에서 수율에 영향을 주는 주요인자를 도출하였다. 데이터 분석 기법의 특성에 따라 인자에 대한 해석은 차이를 가질 수 있다.
0), 인공신경망, 로지스틱회귀분석을 통해 중요인자를 선정하였다. 인자들에 대한 최적조건 설정을 위해 반응표면분석법을 사용하여 인자의 최적조건을 규명하고 마지막으로 선정된 중요인자에 대해 최적의 수율을 확보할 수 있는 공정제어를 구현하는 방법을 제시하고자 한다.

제안 방법

이러한 결과를 근거로 각 공정에서 제어할 수 있는 방향을 설정하여 최적의 수율을 확보할 수 있는 제어방안을 제시하였다. Contact을 형성하는 산화 식각(Oxide Etch)공정에서는 포토 패턴 CD로부터 일정 편의 만큼 변화되는 특성을 감안하여 Photo 패턴을 형성하는 공정에서 일정 제어범위를 설정하여 노광을 진행함으로써 최적의 수율을 얻을 수 있는 CD를 형성해주는 방법을 제안하였다. DS Leak의 경우 불순물의 농도와 열공정과 같은 여러 공정의 조합에 의해 발생되는 현상이므로 이를 제어하는 방법보다는 모니터링을 통해 관리할 수 있는 방안을 강구하는 것이 더 바람직하다 할 수 있다.
0은 정보이득율을 사용하여 변수들의 결과들에 대해 정보의 이익 비율이 최대화되는점에서 데이터의 분할을 선택한다. 가지 쳐진 노드와 그렇지 않은 가지의 예측 오차를 비교하여 의사결정나무 모델을 생성한다. 정보이득율은 분류를 통해 정보를 얻은 정도를 의미한다.
각 로트가 증착, 사진, 식각, 주입등 단위공정을 진행한 후에는 해당 단위공정이 원하는 스팩(Specification)으로 적절히 진행되었는지 확인하기 위해 계측장비를 통해 임계치수(CD:Critical Dimension), 두께(Thickness) 등을 계측한다. 계측된 데이터는 자동으로 데이터베이스에 저장된다.
본 연구에서는 수율을 분석하기 위하여 특정 제품을 선정하고, 이 제품의 수율에 영향을 미치는 주요 인자를 선정하기 위하여 반도체 공정의 15개 공정 파라미터 데이터를 수집하였다. 그 다음, 기존 단변량 분석인 중회귀 분석에서 벗어나 데이터마이닝 기법을 활용하여 두 가지 속성인 연속형 분석과 이산형 분석으로 가장 수율에 영향을 크게 미치는 주요 공통인자를 선정하였다. 연속형 분석으로는 선형회귀분석(linear regression), 의사결정나무분석(decision tree analysis), 인공신경망(artificial neural network)을 이용하여 분석하였다.
연속형 분석방법으로는 선형회귀분석, 의사결정나무분석, 인공신경망 기법을 활용하여 분석하였으며 선형상관관계를 통하여 인자의 중요도를 결정하였다. 그러나 모델의 적합도가 높지 않아 이산형 분석을 수행하였다. 이산형 분석방법으로는 C5.
연속형 분석으로는 선형회귀분석(linear regression), 의사결정나무분석(decision tree analysis), 인공신경망(artificial neural network)을 이용하여 분석하였다. 그러나, 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다. 고수율과 저수율을 분리하여 의사결정나무분석, 인공신경망, 로지스틱회귀분석을 통해 인자를 분류하고, 수율에 영향을 가장 크게 미치는 주요 인자를 도출하였다.
72% 이상의 수율을 얻을 수 있음을 조건으로 보여주고 있으며 Figure 4는 인공신경망에서 도출된 예측변수 중요도에 대한 그래프 해석을 보여주고 있다. 그러나, 연속형 분석 결과, 모델의 적합도가 높지 않아 이산형분석을 추가적으로 진행하였다.
0), 인공신경망을 이용하였다. 그러나, 연속형 분석을 통해 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다. 이산형 분석은 고수율과 저수율을 분리하여 의사결정나무분석(C5.
(2009)는 인공신경망을 이용하여 수율 개선에 영향을 많이 주는 공정을 예측하고 동시에 그 공정을 개선하기 위한 변수조정값을 예측하였다. 그리고 예측된 정보를 공정에 피드백하고 조정하여 공정의 수율을 동적으로 개선하는 모형을 제시하였다. 그러나 이러한 데이터마이닝 기법이 통계학 분야에서 각광받지 못한 이유는 찾아낸 패턴들의 임의적인 현상일 수 있다는 불확실성과 최적 해를 제시하지 못한다는 이유 때문이다(Lee et al.
데이터 수집은 반도체 제조공정에서 실측된 데이터로 분석하였다. 데이터 전처리 단계에서는 실제 데이터는 불완전(incomplete), 잡음(noisy), 불일치(inconsistent)가 존재하므로 데이터의 전처리가 필요하다.
첫째, 데이터마이닝 기법을 통해 라인 내에서 발생되는 여러 파라미터(parameter) 중 수율에 영향을 미치는 주요 인자를 도출하였다. 둘째, 도출된 인자를 대상으로 반응표면분석법을 적용하여 최적수준을 도출하고, 끝으로 이를 생산 공정에 적용하고자 하였다.
본 연구에서는 변수와의 관련성뿐만 아니라 중요변수에 대한 최적점과 그에 대한 현장적용 방법 등을 제시한다. 또한 데이터마이닝 기법을 활용하여 수율을 연속형 변수와 이산형 변수로 전환하여 수율에 영향을 주는 가장 중요한 인자를 예측하였다. 예측된 인자들에 대한 최적조건을 반응표면분석법을 사용하여 도출하고 이에 대한 공정제어 방안을 제시하여 수율개선에 최대 효과를 얻는 모형을 도출하는데 그 의미를 찾고자 한다.
Lee and Nam(2006)은 TFT-LCD산업에서 방대한 다차원 측정 데이터로부터 변동폭이 큰 그룹을 추출하기 위해 상관분석과 최대나무(maximal tree)기법을 적용하였으며, 주된 변동 패턴을 발견하기 위해 다변량 통계분석을 이용하였다. 또한 변동의 원인 진단을 위해 제품과 조립공정 지식을 기반으로 한 의사결정나무 접근법을 사용하였다. Jung and Koo(2007)는 데이터마이닝을 이용한 로버스트 설계모형을 개발하여 제시하였다.
반응최적화 분석법을 통하여 DS Leak와 Contact CD에 대한 최적의 관리범위를 설정하였다. 여기서 DS Leak는 관리의 특성치로 구분할 수 있다.
본 연구의 프로세스는 Figure 2와 같으며 데이터를 수집 후 이상치나 결측치를 제거하기 위한 데이터 전처리 과정을 거친 후 분석 모델링을 통해 인자를 도출하고 이를 최적화하여 최종적으로 공정제어의 프로세스로 진행되었다.
위에서 선정된 수율에 영향을 주는 공통인자를 DS Leak와 Contact CD에 대한 최적조건을 찾기 위하여 반응표면분석을 실시하였다. 실험에 대한 계획방법으로 현 문제에 대해 실험을 어떻게 실시하고, 데이터를 어떻게 취하며, 어떤 통계적 방법으로 데이터를 분석하면 최소 실험으로 최대 정보를 얻고자 계획하는 것을 실험계획법이라 정의하고있으며 반응표면분석법은 하나 또는 그이상의 반응변수와 독립변수와의 관계를 규명하는데 사용되는 실험 설계 방법으로 반응변수를 최적화 할 수 있는 인자의 조건을 찾는데 사용된다.
이로 인하여 특정 분석기법에 한정하여 데이터를 분석하였을 때는 불필요한 인자를 중요인자로 선택하거나, 중요한 인자를 놓치는 우를 범할 수 있다. 이러한 문제를 피하기 위하여 다양한 분석기법을 활용하여 주요인자가 무엇인지를 확인하였다. 연속형 분석방법으로는 선형회귀분석, 의사결정나무분석, 인공신경망 기법을 활용하여 분석하였으며 선형상관관계를 통하여 인자의 중요도를 결정하였다.
유형노드에서는 연속형과 이산형으로 분리하여 구성하였으며 연속형의 경우 종속변수를 수율로 놓고 15개 인자들을 독립변수로 지정하였다. 이산형의 경우는 종속변수인 수율을 목표값이 93% 이상인 경우 양품으로 93%미만인 경우는 불량으로 분류하여 분석을 진행하였다. 연속형 분석은 선형회귀, 의사결정나무분석(C5.
DS Leak에 영향을 주는 요소는 웨이퍼(wafer)의 특성뿐만 아니라 불순물(Implant)의 농도와 에너지, 옥사이드두께, 열공정 등 다양한 요소에 의해 영향을 받는 인자이므로 이를 제어하기 위해서는 추가적인 분석이 필요하다. 이에 대한 분석 및 제어는 담당공정 엔지니어를 통해 관리될 수 있도록 하였고 두 번째 제어인자는 Contact CD에 대한 제어를 제안하고자 한다.
본 연구에서는 연속형분석을 통한 중요인자를 선정하기 위해 선형회귀, 의사결정나무분석, 인공신경망 기법을 활용하여 분석하였다. 인자선정의 주요 항목은 각 분석에서 예측변수 중요도를 통해 우선순위가 높은 항목에서 선정하였으며 모델의 정합성은 선형상관관계를 통해 확인하였다. 그에 대한 비교결과는 Table 2와 같다.
0을 사용하였다. 입력노드는 국내 A반도체 제조업체에서 생성된 수율과 연계된 반도체 제조공정에서의 공정변수를 대상으로 분석하였다. 유형노드에서는 연속형과 이산형으로 분리하여 구성하였으며 연속형의 경우 종속변수를 수율로 놓고 15개 인자들을 독립변수로 지정하였다.
본 연구에서는 다양한 변동요인을 고려하여 공정을 최적화하기 위해 다음과 같이 진행하고자 한다. 첫째, 데이터마이닝 기법을 통해 라인 내에서 발생되는 여러 파라미터(parameter) 중 수율에 영향을 미치는 주요 인자를 도출하였다. 둘째, 도출된 인자를 대상으로 반응표면분석법을 적용하여 최적수준을 도출하고, 끝으로 이를 생산 공정에 적용하고자 하였다.

대상 데이터

계측된 데이터는 자동으로 데이터베이스에 저장된다. 데이터 분석을 위해 수율에 영향을 줄 수 있는 주요한 15개의 독립변수와 1개의 종속변수를 선정하였고 데이터 수집은 로트단위로 수집된 데이터를 기준으로 하였다. 수집된 데이터에 대한 개략설명은 Table 1과 같다.
본 연구에 활용된 제품은 전력반도체에 적용되는 비메모리 반도체 제품을 대상으로 연구하였다. 전력반도체는 전력용 파워스위칭 소자와 제어 집적 회로(IC:integrated circuit)로 구성되어 전자기기에 들어오는 전력을 그 전자기기에 맞게 전력을 변환, 분배 및 관리하는 역할을 한다.
본 연구에서 사용되는 식각장비는 TEL(Tokyo Electron)사의 DRM(Dipole Ring Magnet) 장비로 플라즈마(plasma)를 활용하여 식각을 진행한다. 플라즈마상에서 옥사이드 식각을 수행하기 위해 주로 사불화탄소(CF4), 플루오로포름(CHF3), 옥타플루오로사이클로뷰테인(C4F8) 등과 같은 높은 탄소/불소 비율의 가스를 활용하여 식각을 수행하고 규소(Si)와 선택비를 10이상을 가질 수 있도록 레시피를 구성하고 규소의 손상을 최소화 할 수 있도록 공정이 종결될 때는 엔드포인트(endpoint)를 통해서 확인할 수 있도록 구성되어 있다.

데이터처리

그러나, 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다. 고수율과 저수율을 분리하여 의사결정나무분석, 인공신경망, 로지스틱회귀분석을 통해 인자를 분류하고, 수율에 영향을 가장 크게 미치는 주요 인자를 도출하였다. 선정된 주요한 인자와 수율과의 관계를 확인하고 최적조건을 선정하기 위해 반응표면 분석방법으로 최적조건을 설정하고 이에 대한 공정조건 제어방안을 제시하고자 한다.
본 연구에서는 연속형분석을 통한 중요인자를 선정하기 위해 선형회귀, 의사결정나무분석, 인공신경망 기법을 활용하여 분석하였다. 인자선정의 주요 항목은 각 분석에서 예측변수 중요도를 통해 우선순위가 높은 항목에서 선정하였으며 모델의 정합성은 선형상관관계를 통해 확인하였다.
이러한 문제를 피하기 위하여 다양한 분석기법을 활용하여 주요인자가 무엇인지를 확인하였다. 연속형 분석방법으로는 선형회귀분석, 의사결정나무분석, 인공신경망 기법을 활용하여 분석하였으며 선형상관관계를 통하여 인자의 중요도를 결정하였다. 그러나 모델의 적합도가 높지 않아 이산형 분석을 수행하였다.
그 다음, 기존 단변량 분석인 중회귀 분석에서 벗어나 데이터마이닝 기법을 활용하여 두 가지 속성인 연속형 분석과 이산형 분석으로 가장 수율에 영향을 크게 미치는 주요 공통인자를 선정하였다. 연속형 분석으로는 선형회귀분석(linear regression), 의사결정나무분석(decision tree analysis), 인공신경망(artificial neural network)을 이용하여 분석하였다. 그러나, 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다.
이산형의 경우는 종속변수인 수율을 목표값이 93% 이상인 경우 양품으로 93%미만인 경우는 불량으로 분류하여 분석을 진행하였다. 연속형 분석은 선형회귀, 의사결정나무분석(C5.0), 인공신경망분석을 수행하였고 이산형 분석은 의사결정나무분석(C5.0), 인공신경망분석, 로지스틱회귀분석을 수행하였다. 선형회귀의 경우 연속형 종속변수와 독립변수와의 관계를 수학적 모델인 선형 회귀방정식을 이용하여 인자와의 관계를 규명하는 분석 모델링이다.
그러나 모델의 적합도가 높지 않아 이산형 분석을 수행하였다. 이산형 분석방법으로는 C5.0, 인공신경망, 로지스틱회귀분석 기법을 활용하여 분석을 수행하였고 정확도, 에러율, AUC, Gini계수 등을 이용하여 인자의 중요도를 결정하였다.
그러나, 연속형 분석을 통해 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다. 이산형 분석은 고수율과 저수율을 분리하여 의사결정나무분석(C5.0), 인공신경망, 로지스틱회귀분석을 통해 중요인자를 선정하였다. 인자들에 대한 최적조건 설정을 위해 반응표면분석법을 사용하여 인자의 최적조건을 규명하고 마지막으로 선정된 중요인자에 대해 최적의 수율을 확보할 수 있는 공정제어를 구현하는 방법을 제시하고자 한다.
이산형분석에서는 의사결정나무분석, 인공신경망분석, 로지스틱회귀분석을 사용하였으며 분류 행렬표를 통하여 정확도와 에러율을 비교하였다. 이산형 데이터 분석을 위해 수율의 데이터를 목표 타겟인 93%를 기준으로 93이상은 양품으로, 93미만인 경우는 불량으로 분류하였다.

이론/모형

0을 활용하여 노드를 구성하였다. 모형을 평가하기 위해 연속형 분석은 선형회귀, 의사결정나무분석(C5.0), 인공신경망을 이용하였다. 그러나, 연속형 분석을 통해 구축된 모델의 적합도가 높지 않았으므로, 수율을 이산형 변수로 변환하여 추가적인 분석을 실시하였다.
본 연구에서 사용된 모델링은 데이터마이닝 SPSS Modeler 18.0을 사용하였다. 입력노드는 국내 A반도체 제조업체에서 생성된 수율과 연계된 반도체 제조공정에서의 공정변수를 대상으로 분석하였다.
R-제곱값의 경우 약 60% 정도로 나타나고 있어 인자에 대한 설명력이 다소 높다고 볼 수 있다. 인자들에 대한 최적 조건을 도출하기 위해 등고선도와 반응최적화 도구를 사용하였다. 이에 대한 그림은 Figure 7과 같다.
이산형의 경우 정확성 척도를 사용하여 분류행렬(classification matrix)로부터 예측값이 목표값에 얼마나 정확한지를 예측 비교한다. 평가노드는 ROC곡선(receiver operating characteristic curve), 이익도표 등 예측모형의 정확성을 평가하는데 활용된다.

성능/효과

중요인자의 경우 선형회귀에서는 DS Leak와 Contact CD, Hardmask Etch CD로 3개의 인자가 유의한 인자로 선정되었으며 의사결정나무분석과 인공신경망 분석에서는 DS Leak, Contact CD 2개의 인자가 예측변수 중요도에서 높은 인자로 선정되었다. 결과적으로 3개의 분석 방법을 비교해보면 선형회귀분석이 모델링으로서는 가장 적합한 모델링이며 인자는 공통적으로 DS Leak와 Contact CD가 주요한 인자임을 알 수 있다.
데이터에 대한 분석결과 정확도 부분에서는 의사결정나무분석이 95.1%, 인공신경망이 89.22%, 로지스틱회귀분석이 94.12%로 의사결정나무분석에서 가장 높은 정확도를 보이며 에러율에서는 의사결정나무분석이 4.9%, 인공신경망이 10.78%, 로지스틱회귀분석은 5.88%로 의사결정나무분석에서 가장 낮은 값을 보이고 있다. 세 분석 모두 높은 정확도를 보이고 있으나 의사결정나무분석이 정확도, 에러율 뿐만 아니라 모델의 정합성을 판정하는 AUC와 지니(gini)계수에서도 높은 값을 보이고 있다.
각각의 분석 기법에 따라 2~3개의 주요인자가 도출되었으며 도출된 인자 중 연속형분석과 이산형분석에서 공통적으로 2개의 인자가 주요한 인자로 선택되었다. 선택된 2개의 인자는 DS Leak와 Contact CD로서 이들 독립변수가 종속변수인 수율에 대한 영향도가 가장 큰 것으로 확인되었다. 이들 독립변수에 대한 수율 영향도의 최적조건을 확인하기 위하여 반응표면분석법을 활용하여 최적조건을 추정하였을 때 DS Leak는 0.
선형상관관계를 분석한 결과 선형회귀는 0.795, 의사결정나무분석은 0.6, 인공신경망분석은 0.694로 선형회귀의 상관관계가 가장 높은 것으로 나타나서 모델의 적합성은 선형회귀가 가장 적합한 것으로 확인된다.
88%로 의사결정나무분석에서 가장 낮은 값을 보이고 있다. 세 분석 모두 높은 정확도를 보이고 있으나 의사결정나무분석이 정확도, 에러율 뿐만 아니라 모델의 정합성을 판정하는 AUC와 지니(gini)계수에서도 높은 값을 보이고 있다. 여기서 AUC는 판별력의 측도로, ROC 곡선 아래의 면적이 넓은 모형은 모형이 관측치 반응의 값을 정확하게 예측할 수 있다는 것을 나타낸다.
선택된 2개의 인자는 DS Leak와 Contact CD로서 이들 독립변수가 종속변수인 수율에 대한 영향도가 가장 큰 것으로 확인되었다. 이들 독립변수에 대한 수율 영향도의 최적조건을 확인하기 위하여 반응표면분석법을 활용하여 최적조건을 추정하였을 때 DS Leak는 0.4이하로 제어하고 Contact CD의 경우는 공정제어 범위를 0.56 ± 0.02로 하였을 때 최적의 수율값을 얻을 수 있다는 최적조건을 얻을 수 있었다.
인자들에 대한 최적조건은 등고선도를 살펴보면 DS Leak는 작을수록 좋고 Contact CD의 경우는 0.56 ~ 0.58 범위에서 높은 수율을 가질 수 있으며 반응최적화 그림을 통해 확인해 보면 최적의 수율은 DS Leak 0.4와 Contact CD 0.5776에서 최적의 수율값인 94.84%의 수율을 얻을 수 있다.
중요인자의 경우 선형회귀에서는 DS Leak와 Contact CD, Hardmask Etch CD로 3개의 인자가 유의한 인자로 선정되었으며 의사결정나무분석과 인공신경망 분석에서는 DS Leak, Contact CD 2개의 인자가 예측변수 중요도에서 높은 인자로 선정되었다. 결과적으로 3개의 분석 방법을 비교해보면 선형회귀분석이 모델링으로서는 가장 적합한 모델링이며 인자는 공통적으로 DS Leak와 Contact CD가 주요한 인자임을 알 수 있다.

후속연구

여기서 DS Leak는 관리의 특성치로 구분할 수 있다. DS Leak에 영향을 주는 요소는 웨이퍼(wafer)의 특성뿐만 아니라 불순물(Implant)의 농도와 에너지, 옥사이드두께, 열공정 등 다양한 요소에 의해 영향을 받는 인자이므로 이를 제어하기 위해서는 추가적인 분석이 필요하다. 이에 대한 분석 및 제어는 담당공정 엔지니어를 통해 관리될 수 있도록 하였고 두 번째 제어인자는 Contact CD에 대한 제어를 제안하고자 한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본문에서 변동요인을 고려하여 공정을 최적화를 위해 무엇을 하였는가?	본 연구에서는 다양한 변동요인을 고려하여 공정을 최적화하기 위해 다음과 같이 진행하고자 한다. 첫째, 데이터마이닝 기법을 통해 라인 내에서 발생되는 여러 파라미터(parameter) 중 수율에 영향을 미치는 주요 인자를 도출하였다. 둘째, 도출된 인자를 대상으로 반응표면분석법을 적용하여 최적수준을 도출하고, 끝으로 이를 생산 공정에 적용하고자 하였다.
	반도체 제조업에서 다양한 생산관련 지표 중 주로 활용되는 지표는 무엇인가?	반도체 제조업에서 다양한 생산관련 지표 중, 생산주기(cycle time), 가동율(availability), 수율(yield)등이 주로 활용된다. 그 중 수율은 생산품 중 양품의 비율을 의미하는 것으로서, 반도체 제조업에서 회사 수익과 밀접한 관련이있는 중요한 요소이다.
	반도체 생산의 수율 요인을 파악하기 힘든 이유는 무엇인가?	이러한 수율을 향상시키거나 현재의 수율을 유지하기 위해서 반도체 제조업에서는 다양한 공정특성을 분석하고 모형화하고 있다. 그러나 반도체 생산의 경우 매우 많은 공정변수 및 장비변수에 영향을 받아, 수율의 요인을 파악하기 매우 어렵다. 따라서, 단순한 통계적 분석이나 경험적 기술로는 수율을 향상하는데 한계를 지니고 있으며, 다양한 변동 요인을 도출하여 공정 최적화를 이루어 내야 한다.

참고문헌 (12)

Baek, D. H., and Han, C. H. 2003. "Application of Data mining for improving and predicting yield in wafer fabrication system." Journal of Korea Intelligent Information Systems Society 9(1):157-177.
Ha, S. J., Cho, Y. K., Cho, M. W., Lee, K. C., and Choi, W. H. 2012. "Process Capability Optimization of a LED Die Bonding Using Response Surface Analysis." Journal of the Korea Academia-industrial cooperation Society 13(10):4378-4384.

원문보기 상세보기
Hsu, S-C., and Chien, C-F. 2007. "Hybrid data mining approach for pattern extraction from wafer bin map to improve yield in semiconductor manufacturing." International Journal of Production Economics 107(1):88-103.

상세보기
Jung, H. C., Kang, C. W., Kang, H. W. 2009. "Dynamic Yield Improvement Model Using Neural Networks." Journal of the Society of Korea Industrial and Systems Engineering 32(2):132-139.
Jung, H. J., and Koo, B. C. 2007. "Optimization of Robust Design Model using Data Mining." Journal of the Society of Korea Industrial and Systems Engineering 30(2):99-105.
Lee, H. W., Nam, H. S. 2006. "A Quality Data Mining System in TFT-LCD Industry." Journal of the Korean Society for Quality Management 34(1):13-19.
Lee, H. W., Nam, H. S., and Kang, J. C. 2005. "A Study on Data Mining Application Problem in the TFT-LCD Industry." Journal of the Korean Data and Information Science Society 16(4):823-833.

원문보기 상세보기
Lee, W. S. 2004. "Multi-response Optimization by a Response Surface Approach for a Taguchi-Type Multi-charateristic Experiments." Journal of Applied Reliability 4(1):39-64.
Nam, Y. S., Jeong, Y. I., and Kim, H. S. 2017. "The Study of Shot Peening Process Optimization for Reliability Improvement of an Aircraft Structural Part." Journal of Applied Reliability 17(4):325-331.
Nkonyana, T., Sun, Y., Twala, B., and Dogo, E. 2019 "Performance Evaluation of Data Mining Techniques in Steel Manufacturing Industry." Procedia Manufacturing 35:623-628.

상세보기
Park, C. H., Baek, J. J., Yun, S-P., Koh, K. J., and Kim, Y. S. 2018. "Optimization of Air Pollutant Emissions in the Cement Firing Process Using a Response Surface Method." Journal of Applied Reliability 18(4):356-369.

상세보기
Yoon, D. H., Kim, S. M., and Kim, D. H. 2019. "Clustering of Time Series Data using Deep Learning." Journal of Applied Reliability 19(2):167-178.

상세보기

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