최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기반도체디스플레이기술학회지 = Journal of the semiconductor & display technology, v.19 no.3, 2020년, pp.12 - 18
한정희 (서울대학교 융합과학기술대학원 융합과학부) , 홍성수 (서울대학교 전기.정보공학부)
In semiconductor manufacturing, defect detection is critical to maintain high yield. Currently, computer vision systems used in semiconductor photo lithography still have adopt to digital image processing algorithm, which often occur inspection faults due to sensitivity to external environment. Thus...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
회전 도포 과정이 잘못되면 무엇에 영향을 주는가? | 이 과정 중 감광제를 도포하는 회전 도포(Spin Coating) 과정은 포토 공정에 필요한 두께의 감광제를 실리콘 웨이퍼(Wafer) 기판 전체에 균일하게 형성하는 과정이다. 따라서 회전 도포 과정은 포토 공정에서 중요한 공정이며, 이 공정이 잘못되면 후속 공정이 아무리 잘 되어도 불량품이 생산되며, 또한 웨이퍼 단위의 공정이어서 불량품 생산율에 크게 영향을 준다. 회전 도포 과정 중 발생하는 결함을 검출하기 위한 요소에는 감광제를 분사하는 노즐의 석백(Suck-Back) 상태와 오염 상태, 감광제를 분사하는 시간으로 이 세가지가 중요한 요소이다. | |
반도체 포토공정 중 회전 도포 과정은 무엇인가? | 반도체 포토공정(Photo Lithography)은 웨이퍼에 반도체 회로를 그리는 작업으로 웨이퍼(Wafer) 위에 빛에 반응하는 감광성 고분자 물질(Photo Resist)을 얇게 코팅한 후 원하는 패턴의 마스크(Mask)를 올려놓고 빛을 쪼여 원하는 패턴을 형성하는 과정이다. 이 과정 중 감광제를 도포하는 회전 도포(Spin Coating) 과정은 포토 공정에 필요한 두께의 감광제를 실리콘 웨이퍼(Wafer) 기판 전체에 균일하게 형성하는 과정이다. 따라서 회전 도포 과정은 포토 공정에서 중요한 공정이며, 이 공정이 잘못되면 후속 공정이 아무리 잘 되어도 불량품이 생산되며, 또한 웨이퍼 단위의 공정이어서 불량품 생산율에 크게 영향을 준다. | |
반도체 포토공정은 어떤 과정인가? | 반도체 포토공정(Photo Lithography)은 웨이퍼에 반도체 회로를 그리는 작업으로 웨이퍼(Wafer) 위에 빛에 반응하는 감광성 고분자 물질(Photo Resist)을 얇게 코팅한 후 원하는 패턴의 마스크(Mask)를 올려놓고 빛을 쪼여 원하는 패턴을 형성하는 과정이다. 이 과정 중 감광제를 도포하는 회전 도포(Spin Coating) 과정은 포토 공정에 필요한 두께의 감광제를 실리콘 웨이퍼(Wafer) 기판 전체에 균일하게 형성하는 과정이다. |
Y. K. C. Yeon Ho Chu, "A Deep Learning based IOT Device Recognition System," Journal of the Semiconductor & Display Technology, vol. 18, no. 2, pp. 1-5, 2019.
K. He, G. Gkioxari, P. Doll'ar, and R. Girshick, "Mask R-CNN," Facebook AI Research (FAIR), 2018.
T. Nakazawa and D. V. Kulkarni, "Wafer Map Defect Pattern Classification and Image Retrieval Using Convolutional Neural Network," IEEE Transactions on Semiconductor Manufacturing, vol. 31, no. 2, pp. 309-314, 2018, doi: 10.1109/tsm.2018.2795466.
M. Everingham, L. Gool, C. Williams, J. Winn, and A. Zisserman, "The Pascal Visual Object Classes (VOC) Challenge," International Journal of Computer Vision, vol. 88, no. 2, pp. 303-338, 2010, doi: 10.1007/s11263-009-0275-4.
R. Girshick, "Fast R-CNN," Microsoft Research, 2015.
R. Girshick, J. Donahue, T. Darrell, and J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," arXiv.org, 2014.
J. Dai, Y. Li, K. He, and J. Sun, "R-FCN: Object Detection via Region-based Fully Convolutional Networks," arXiv.org, 2016.
W. Liu, D. Anguelov, C. Szegedy, S. Reed, F. Cheng-Yang, and A. Berg, "SSD: Single Shot MultiBox Detector," vol. 9905, ed. Ithaca, 2016.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," vol. 2016-, ed, 2016, pp. 779-788.
L. Tsung-Yi, P. Goyal, R. Girshick, H. Kaiming, and P. Dollar, "Focal Loss for Dense Object Detection," vol. 2017-, ed, 2017, pp. 2999-3007.
T. Kong, A. Yao, Y. Chen, and F. Sun, "HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection," arXiv.org, 2016.
T. Kong, F. Sun, A. Yao, H. Liu, M. Lu, and Y. Chen, "RON: Reverse Connection with Objectness Prior Networks for Object Detection," arXiv.org, 2017.
S. Bell, C. Zitnick, K. Bala, and R. Girshick, "Inside-Outside Net: Detecting Objects in Context with Skip Pooling and Recurrent Neural Networks," arXiv.org, 2015.
P. Chao et al., "MegDet: A Large Mini-Batch Object Detector," arXiv.org, 2018.
B. Singh and L. Davis, "An Analysis of Scale Invariance in Object Detection - SNIP," arXiv.org, 2018.
Z. Cai and N. Vasconcelos, "Cascade R-CNN: Delving into High Quality Object Detection," 2017.
Y.-H. L. Hyochang Ahn, "A Research of CNN-based Object Detection for Multiple Object Tracking in Image," Journal of the Semiconductor & Display Technology, vol. 18, no. 3, pp. 110-114, 2019.
E. Shelhamer, J. Long, and T. Darrell, "Fully Convolutional Networks for Semantic Segmentation," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 39, no. 4, pp. 640-651, 2017, doi: 10.1109/TPAMI.2016.2572683.
B. Hariharan, P. Arbelaez, R. Girshick, and J. Malik, "Hypercolumns for Object Segmentation and Finegrained Localization," arXiv.org, 2015.
L.-C. Chen, G. Papandreou, I. Kokkinos, K. Murphy, and A. Yuille, "Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs," arXiv.org, 2016.
D. Jia, D. Wei, R. Socher, L. Li-Jia, L. Kai, and F.-F. Li, "ImageNet: A large-scale hierarchical image database," ed, 2009, pp. 248-255.
K. He, X. Zhang, S. Ren, and J. Sun, "Deep Residual Learning for Image Recognition," Microsoft Research, 2015.
W.-Y. Kang and B.-T. Zhang, "Image Classification using Convolutional Neural Networks Based on Discriminative Features," KOREA INFORMATION SCIENCE SOCIETY, pp. 645-647 (3 pages), 2016.12.
A. L. KABADE and D. V. G. Sangam, "Canny edge detection algorithm," International Journal of Advanced Research in Electronics and Communication Engineering, vol. 5, no. 5, May 2016.
O. R. Vincent and O. Folorunso, "A Descriptive Algorithm for Sobel Image Edge Detection," Proceedings of Informing Science & IT Education Conference (InSITE) 2009.
J. Revaud, J. Almazan, R. Sampaio de Rezende, and C. de Souza, "Learning with Average Precision: Training Image Retrieval with a Listwise Loss," arXiv.org, 2019.
G. Huang, Z. Liu, and K. Weinberger, "Densely Connected Convolutional Networks," arXiv.org, 2018.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.