CNN을 활용한 웨이퍼 불량 원인 인자 파악에 관한 연구 : 반도체 전공정 중심으로 (An Study on Identification of the Causing Factors for Defected Wafer Using CNN : Focusing on Semiconductor In-line Process)

서지정보

· 발행기관 : 한국상업경영학회
· 수록지 정보 : 상업경영연구 / 36권 / 2호 / 71 ~ 91페이지
· 저자명 : 성대식, 김학수

초록

본 연구는 반도체 제조공정에서의 웨이퍼 불량 원인을 조기 감지하고, 예측하는 시스템 구축을 통한 생산성 향상을 목적으로 한다. 연구 방법으로서 파라미터 탐색을 위해 랜덤 포레스트와 라쏘 알고리즘을 사용하였고, 불량 웨이퍼의 원인 공정 학습에는 CNN 알고리즘을 사용했다. 이번 연구에 적용된 신경망 구조는 de-sampling layer 1개, convolution layer 5개, full connected layer 3개, 8개 layer로 최적화하여 적용하였다. 랜덤 포래스트와 라쏘 알고리즘을 통해 Average와 Standard Deviation 차이가 불량 웨이퍼 원인이 되는 파라미터 후보군을 랭킹에 따라 추출하여 중첩되는 파라미터를 주요 원인으로 도출하였다.
본 연구의 실증적 성과로는 첫째. 기존의 연구가 단순히 웨이퍼의 불량 패턴에 대한 분류가 대부분이었다면 이번 연구는 반도체 제조공정의 데이터를 사용하여, 적합한 모델 알고리즘 연구를 통하여 전공정에서의 실제 불량의 근본적인 원인이 되는 파라미터를 식별할 수 있었다. 둘째, 원인 공정 및 파라미터를 확보하여 불량 유형의 대상 공정 및 파라미터 축소를 통하여 모델의 학습지능의 정확도가 향상되고, 불량 유형에 대한 추가로 확보한 학습데이터를 가지고 재학습한 결과 학습지능이 향상되는 것을 확인하였다.

영어초록

The purpose of this study is to improve productivity through early detection and prediction of the causes of wafer defects in the semiconductor manufacturing process. As a research method, random forest and Lasso algorithm were used for parameter search, and CNN algorithm was used to learn the causal process of bad wafers.The neural network structure applied in this study was applied by optimizing 1 de-sampling layer, 5 convolution layers, 3 full connected layers into 8 layers.Through the random forest and Lasso algorithms, the parameter candidates whose difference between the Average and Standard Deviation cause the defected wafers were extracted according to the ranking, and the overlapping parameters were derived as the main causes. The empirical results of this study are: First, Whereas the previous studies simply classified wafer defect patterns, this study conducted appropriate model algorithms study using semiconductor manufacturing process data, as a result, the parameters of underlying causes of actual defects in the entire process could be identified. Second, it was confirmed that the accuracy of the model’s learning intelligence was improved by securing the causing processes and parameters, reducing them to target processes and parameters for each defect type, and was confirmed that learning intelligence was improved as a result of re-learning with additional secured learning data of the defect type.

참고자료

· 없음