[논문]준지도학습 기반 반도체 공정 이상 상태 감지 및 분류

이용호; 최정은; 홍상진

준지도학습 기반 반도체 공정 이상 상태 감지 및 분류
Semi-Supervised Learning for Fault Detection and Classification of Plasma Etch Equipment

반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.19 no.4, 2020년, pp.121 - 125

이용호 (명지대학교 공과대학 전자공학과) , 최정은 (명지대학교 공과대학 전자공학과) , 홍상진 (명지대학교 공과대학 전자공학과)

Abstract ▼ AI-Helper

With miniaturization of semiconductor, the manufacturing process become more complex, and undetected small changes in the state of the equipment have unexpectedly changed the process results. Fault detection classification (FDC) system that conducts more active data analysis is feasible to achieve more precise manufacturing process control with advanced machine learning method. However, applying machine learning, especially in supervised learning criteria, requires an arduous data labeling process for the construction of machine learning data. In this paper, we propose a semi-supervised learning to minimize the data labeling work for the data preprocessing. We employed equipment status variable identification (SVID) data and optical emission spectroscopy data (OES) in silicon etch with SF6/O2/Ar gas mixture, and the result shows as high as 95.2% of labeling accuracy with the suggested semi-supervised learning algorithm.

주제어

AI 본문요약
AI-Helper

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

문제 정의

[10]. 따라서 본 연구에서는 실험데이터 중 일부에 대해서만 레이블을 지정하고 레이블이 지정되지 않은 데이터(unlabeled data)를 같이 사용하여 주어진 지도학습 알고리즘의 분류 정확도를 향상시키는 준지도학습 (Semi-supervised learning) 알고리즘을 사용하여 보다 적은 비용으로 고효율의 이상탐지를 실현할 방법을 제시하고자 한다 [11].
본 논문에서는 플라즈마 식각 공정에서 OES 데이터를 활용하여 기계학습 알고리즘을 통해 MFC의 FDC 모델을 구현하였다. 알고리즘 학습에 Label Propagation 방법을 사용할 경우 labeled data가 부족한 상황에서 unlabeled data를 함께 사용할 경우 높은 분류 정확도를 보여주었다.
본 연구에서는 반도체 식각 공정 중 MFC 이상 상태에 대한 모사 데이터셋을 레이블 전파 알고리즘에 적용하여 일반적인 지도학습 기반 이상분류모델에 근사한 분류 정확도를 기대할 수 있는 저비용 학습 방법론을 제안한다.

제안 방법

Label Propagation학습을 진행하기 위해 모델을 구성하는 하이퍼 파라미터들을 선정하였다. 각 하이퍼 파라미터는 모델 구성에 직접적인 변화를 주며, 본 연구에서는 Table 3 과 같이 설정하였다.
OES 센서는 플라즈마 내에 존재하는 이온과 라디컬로부터 발생하는 광원을 흡수 스펙트럼으로 변화시켜, 특정한 파장에서 발생하는 스펙트럼의 강도(intensity)를 모니터링 하여 해당 화학종의 변화를 관찰한다. 데이터는 공정에 사용한 가스 변화량을 나타낼 수 있는 파장대의 스펙트럼 강도 변화량으로 이루어져 있다.
56MHz RF 전력 유도 결합 플라즈마 반응성 이온 식각 (ICP-RIE) 과 함께 300mm 플라즈마 식각시스템을 사용하였다. SF6 용 MFC가 공정 시간에 따라서 노후화되는 상황을 모사하기 위해 기본 식각 레시피에서 SF6가스 유량이 2 sccm씩 변화하였을 때 플라즈마에서 나타나는 파장 강도 변화를 OES 센서로 취득하였다. 본 공정에 사용된 이상 레시피(Best-known Method, BKM)은 Table 1 과 같다.
다음으로는 동일한 데이터셋에 대한 지도학습 알고리즘과의 분류 정확도를 비교해 보았다. 지도학습을 대표하여 사용된 알고리즘은 분류 모델 중에서도 일반적으로 많이 사용되는 Support Vector Machine (SVM)을 사용하였다.
003로 설정하였다. 또한 서로 다른 kernel 의 분류 정확도를 확인하기 위해 Radial Basis Function (RBF) kernel과 K-nearest neighbor (KNN) kernel을 각각 사용하여 두 개의 학습모델을 구성하였다. Kernel의 변화에 따른 알고리즘 분류 정확도의 차이는 Table 4 와 같다.
본 연구에서는 labeling이 이루어진 MFC 성능저하 모사데이터셋에서 일부 실험데이터의 레이블을 제거하는 작업을 추가하여 unlabeled data가 포함된 데이터셋으로 학습을 진행하였다. 결과에 대한 신뢰도를 높이기 위해 레이블을 지우는 실험데이터는 무작위로 선정하였다.
실험을 위해 13.56MHz RF 전력 유도 결합 플라즈마 반응성 이온 식각 (ICP-RIE) 과 함께 300mm 플라즈마 식각시스템을 사용하였다. SF6 용 MFC가 공정 시간에 따라서 노후화되는 상황을 모사하기 위해 기본 식각 레시피에서 SF6가스 유량이 2 sccm씩 변화하였을 때 플라즈마에서 나타나는 파장 강도 변화를 OES 센서로 취득하였다.
파장강도는 공정에 사용된 각 가스의 변화량을 반영해 줄 수 있는 파장대를 선별하였고, 최종적으로 총 8 개의 파장대에 대한 강도 변화량을 취득하여 데이터셋을구성하였다.

대상 데이터

광 스펙트럼 데이터는 OES 센서를 사용하여 식각 공정 중 발생하는 실시간 플라즈마 화학종 데이터를 취득하였다. OES 센서는 플라즈마 내에 존재하는 이온과 라디컬로부터 발생하는 광원을 흡수 스펙트럼으로 변화시켜, 특정한 파장에서 발생하는 스펙트럼의 강도(intensity)를 모니터링 하여 해당 화학종의 변화를 관찰한다.
본 연구에 사용된 데이터셋은 MFC 이상상태 모사 과정에서 발생한 파장강도의 실시간 변화량으로 이루어져 있다. 파장강도는 공정에 사용된 각 가스의 변화량을 반영해 줄 수 있는 파장대를 선별하였고, 최종적으로 총 8 개의 파장대에 대한 강도 변화량을 취득하여 데이터셋을구성하였다.
본 연구에서는 반도체 식각 공정 과정에서 유량제어기 (MFC)가 노후화되어 SF6 가스가 설정한 수치와 다르게 공급되는 상황에서 식각 공정 중 발생하는 플라즈마의 상태를 대변할 광 스펙트럼 데이터 및 실시간 장비 조건 변화량 데이터를 취득하였다. Figure 1은 MFC 노후화 데이터를 얻기 위한 모사 실험 진행 구조도이다.
실제 데이터는 OES 8개 파장대에 대한 intensity 값으로 8차원 형태로 이루어져 있다. 이를 보다 직관적으로 확인하기 위해 Fig.

이론/모형

고차원 데이터를 시각적으로 표현하기 위해 데이터의 차원을 축소하는 t-Stochastic Neighbor Embedding (t-SNE)을 적용하였다. 실제 데이터는 OES 8개 파장대에 대한 intensity 값으로 8차원 형태로 이루어져 있다.
분류 정확도를 비교해 보았다. 지도학습을 대표하여 사용된 알고리즘은 분류 모델 중에서도 일반적으로 많이 사용되는 Support Vector Machine (SVM)을 사용하였다. SVM에 적용한 결과 Fig.

성능/효과

KNN kernel보다 RBF kernel을 적용한 학습모델의 분류정확도가 더 높게 나타난 것으로 보아 현재 데이터셋에 RBF kernel이 더 효과적이었음을 확인하였다. 또한 전체 데이터로 예측한 경우와 훈련 데이터만으로 예측한 경우 모두 테스트 데이터만 적용한 경우보다 높은 분류 정확도를 보여주었다.
가스 유량을 변경하여 이상상태를 모사하는 실험을 통해 가스 유량의 변화가 플라즈마 및 공정 결과에 영향을 미치는 것을 확인하였다. Fig.
kernel이 더 효과적이었음을 확인하였다. 또한 전체 데이터로 예측한 경우와 훈련 데이터만으로 예측한 경우 모두 테스트 데이터만 적용한 경우보다 높은 분류 정확도를 보여주었다. 이는 모델이 학습데이터에 다소 과적합 (Over-fitting)된 것으로 보인다.
또한 취득한 OES 센서 데이터의 경우 SF6 가스 유량과 OES 파장 강도가 반비례하는 경향을 보여주었다. 플라즈마의 전자는 충돌 전자에 의해 생성되며, 에너지 적으로 여기 된 전자가 에너지를 잃었을 때 플라즈마 글로우 방전이 발생한다.
알고리즘 학습에 Label Propagation 방법을 사용할 경우 labeled data가 부족한 상황에서 unlabeled data를 함께 사용할 경우 높은 분류 정확도를 보여주었다. 이를 통해 Labeling 비용에 대한 부감이 큰 경우에서도 효과적인 기계학습 기반 FDC를 구성할 수 있다.

후속연구

반도체 부분품에서 발생하는 오류는 대부분 빠른 조치가 가능하지만, 부분품 자체의 노후화로 인해 성능이 감소된 경우에는 변수가 다양하기 때문에 단일 부분품 문제로 정의하기 어려우며, 특히 센서나 제어기가 노후화되어 잘못된 측정수치를 나타낼 경우에는 장비 운용 자가 이를 확인하는데 한계가 있다. 따라서 이러한 문제는 부분품이 아닌 공정 과정에서 원인을 찾아야 한다.
이는 Label Propagation모델이 SVM모델 보다 우수한 성능을 나타낸다고 볼 수 있지만, 학습에 사용된 데이터셋의 분포도가 비선형적이기 때문에 SVM에 적합하지 않았던 것으로 추정된다. 추후 고차원의 데이터를 반영할 수 있는 kernel SVM 알고리즘과의 성능을 비교하고자 한다.

참고문헌 (13)

P. S. Peercy, "The drive to miniaturization," Nature., Vol. 406, No. 6799, pp. 1023-1026, 2000.

상세보기
Q. P. He and J. Wang, "Fault Detection Using the k-Nearest Neighbor Rule for Semiconductor Manufacturing Processes," IEEE Trans. Semi. Manufac., Vol. 20, No. 4, pp. 345-354, 2007.

상세보기
Kim, Dongil, et al. "Machine learning-based novelty detection for faulty wafer detection in semiconductor manufacturing," Expert Systems with Applications., Vol. 39, No. 4, pp. 4075-4083, 2012.

상세보기
D. H. Kim, J. E. Choi, T. M. Ha and S. J. Hong, "Modeling with Thin Film Thickness using Machine Learning," Journal of the Semiconductor & Display Technology, Vol. 18, No. 2, pp. 48-52, 2019.

원문보기 상세보기
S. J. Hong, G. S. May and D. C. Park, "Neural network modeling of reactive ion etching using optical emission spectroscopy data," IEEE Transactions on Semiconductor Manufacturing, Vol. 16, No. 4, pp. 598-608, 2003.

상세보기
K. Nakata, R. Orihara, Y. Mizuoka and K. Takagi, "A comprehensive big-data-based monitoring system for yield enhancement in semiconductor manufacturing," IEEE Transactions on Semiconductor Manufacturing, Vol. 30, No. 4, pp. 339-344, 2017.

상세보기
J. H. Han and S. S. Hong, "Semiconductor Process Inspection Using Mask R-CNN," Journal of the Semiconductor & Display Technology, Vol. 19, No. 3, pp. 12-18, 2020.
S. J. Hong, W. Y. Lim, T. Cheong and G. S. May, "Fault Detection and Classification in Plasma Etch Equipment for Semiconductor Manufacturing $e$-Diagnostics," IEEE Trans. Semi. Manufac., Vol. 25, No. 1, pp. 83-93, 2012.

상세보기
K. B. Lee, S. Cheon and C. O. Kim, "A convolutional neural network for fault classification and diagnosis in semiconductor manufacturing processes," IEEE Transactions on Semiconductor Manufacturing, Vol. 30, No. 2, pp. 135-142, 2017.

상세보기
Chou, Paul B., et al. "Automatic defect classification for semiconductor manufacturing," Machine Vision and Applications., Vol. 9, No. 4, pp. 201-214, 1997.

상세보기
P. K. Mallapragada, R. Jin, A. K. Jain and Y. Liu, "SemiBoost: Boosting for Semi-Supervised Learning," IEEE Trans. Pattern Analysis and Machine Intelligence., Vol. 31, No. 11, pp. 2000-2014, 2009.

상세보기
T. Sarmiento, S. J. Hong and G. S. May, "Fault detection in reactive ion etching systems using one-class support vector machines," IEEE/SEMI Conference and Workshop on Advanced Semi. Manufac., pp. 139-142, 2005.
Xiaojin, Zhu, and Ghahramani Zoubin, "Learning from labeled and unlabeled data with label propagation," Synthesis lectures on artificial intelligence and machine learning., Vol. 3, No. 1, pp. 1-130, 2009.

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