신경망의 시계열 특징 추출 기능과 개선된 해석 방안을 활용한 반도체 수율 예측 모델 (Interpretable convolutional neural network model for yield prediction in semiconductor fabrication)

서지정보

· 발행기관 : 한국데이터정보과학회
· 수록지 정보 : 한국데이터정보과학회지 / 31권 / 5호 / 691 ~ 720페이지
· 저자명 : 이원석, 강현희

초록

본 논문은 시계열 형태인 다변량 설명변수를 이용하여 분류 예측 모델을 생성하고 해석하는 방안에 관한 것이다. 특히 예측 모델에 영향을 미친 주요 시계열 구간을 파악하는 방법을 소개하였다. 기존에는 시계열 데이터의 특징을 분석가가 직접 추출한 후 모델에 적용하여 예측 성능이 하락하거나 분석 비용이 높다는 문제가 있었다. 대안으로 신경망을 이용하여 특징을 스스로 학습하는 방안이 소개되었으나 결과에 대한 해석이 불가능하여 실용적 활용에 제한이 있었다. 우리는 신경망이 학습을 통해 추출한 각 특징에 대한 중요도를 계산하고 더 나아가 시계열 구간에 대한 중요도를 파악할 수 있도록 모델을 설계하고 해석하였다.

영어초록

Yield prediction models serve critical functions in semiconductor manufacturing. Generally, such models require a manual and knowledge-based feature engineering process. The engineered features are limited in use and susceptible to the new changes in production system. This paper focuses on developing a convolutional neural network (CNN) model that can automatically extract important features from multivariate time series data recorded during wafer production. The trained 1D-CNN model could accurately predict yield efficiency and class activation map (CAM) could point out regions of input that have significant influence on a prediction. In addition, the trained CNN model is ensembled with a random forest model to identify important convolution kernels and time series variables. CNN models show 96.1% accuracy in average and the average accuracy is increased by 1.8% when random forest model is trained with the features extracted by CNN model. CAM enables better interpretation of CNN prediction and ensemble method allow extended analyzation of multivariate time series data.

참고자료

· 없음