기하학적 변환을 이용한 웨이퍼 맵 실패 패턴 분류

Scientific Reports 13권, 기사 번호: 8127(2023) 이 기사 인용

349 액세스

1 알트메트릭

측정항목 세부정보

웨이퍼 맵 결함 패턴 분류는 핵심 근본 원인 정보를 제공하여 생산 수율과 품질을 높이는 반도체 제조 공정에서 필수적입니다. 그러나 대규모 생산 상황에서는 현장 전문가의 수동 진단이 어렵고, 기존 딥러닝 프레임워크는 학습을 위해 많은 양의 데이터가 필요합니다. 이를 해결하기 위해 우리는 웨이퍼 맵 결함 패턴이 라벨의 회전 및 뒤집기에 영향을 미치지 않는다는 라벨링 규칙을 기반으로 하는 새로운 회전 및 뒤집기 불변 방법을 제안하여 부족한 데이터 상황에서 클래스 판별 성능을 달성합니다. 이 방법은 기하 불변성을 달성하기 위해 라돈 변환 및 커널 뒤집기와 함께 CNN(컨벌루션 신경망) 백본을 활용합니다. Radon 기능은 변환 불변 CNN을 위한 회전 등변 브리지 역할을 하는 반면, 커널 플립 모듈은 모델이 플립 불변이 되도록 지원합니다. 우리는 광범위한 정성적, 정량적 실험을 통해 우리의 방법을 검증했습니다. 정성적 분석을 위해 모델 결정을 적절하게 설명하기 위해 다중 분기 레이어별 관련성 전파를 제안합니다. 정량적 분석을 위해 절제 연구를 통해 제안된 방법의 우수성을 검증했습니다. 또한 회전 및 뒤집기 증강 테스트 세트를 사용하여 분산되지 않은 데이터에 대한 회전 및 뒤집기 불변량에 대한 제안 방법의 일반화 성능을 검증했습니다.

웨이퍼 빈 맵 패턴 분류는 근본 원인 분석(RCA)1,2을 통해 반도체 제조 공정의 수율과 품질을 높이기 위한 중요한 접근 방식으로 주목을 받고 있습니다. 다양한 전기제품에서 원하는 기능을 가능하게 하는 전자회로로 구성된 집적회로(IC) 칩은 지속적으로 크기가 감소함에 따라 제조 공정이 더욱 정교해지고 공정상의 결함 원인을 분석하기가 더욱 어려워지고 있습니다3. 반도체 생산 공정의 후반 단계에서는 패키징 전 다양한 전기 및 열 테스트를 수행하여 각 칩이 웨이퍼 다이 수준에서 바이너리로 정상인지 여부를 평가합니다. 그러면 웨이퍼 위에 칩 단위로 결함이 표시되고, 이것이 결함 패턴을 형성하게 된다. 이러한 결함 패턴은 전체 과정의 최종 결과물이기 때문에 결함 패턴과 공정 이력 및 세부 사항 간의 상관관계를 분석하여 공정 내 RCA가 가능하다. 따라서 웨이퍼 맵 결함 패턴 분류는 반도체 산업이 목표로 하는 품질 향상과 생산 수율 향상과 밀접한 관련이 있기 때문에 이 분야에서 특히 중요합니다.

패턴 기반의 결함 분류와 더불어 분류 과정의 자동화에 대한 요구가 높아지고 있습니다. 웨이퍼 맵 패턴 라벨링 공정은 해당 분야 전문가가 직접 진행하기 때문에 노동력과 비용이 많이 들고 엔지니어에 따라 진단 성능이 달라진다. 최근 웨이퍼 맵 분류 모델을 활용한 라벨링 자동화에 대한 연구가 데이터 기반 분류 모델의 우수한 자동화 역량으로 인해 다양한 분야에서 진행되고 있다. 기존 접근 방식은 데이터 기반 추론 메커니즘에 따라 (1) 기계 학습 기반 및 (2) 딥 러닝 기반의 두 가지 범주로 분류될 수 있습니다.

웨이퍼 결함 패턴 분류를 위한 기계 학습 기반 접근 방식은 다양한 예측 모델을 활용하여 웨이퍼 맵에서 파생된 여러 가지 수작업 특징을 기반으로 클래스 구별 특징을 추출합니다. Yuan et al.4는 지원 벡터 클러스터링과 베이지안 방법을 사용하여 공간 결함 패턴의 분류를 제안했습니다. Wu et al.5는 Radon 및 규모 불변 특성 세트를 사용하는 SVM(지원 벡터 머신) 기반 방법을 제안했습니다. 그는 라돈 기반 기능을 사용하여 회전 등변량 응답을 획득할 수 있음을 시연했습니다. Yu와 Lu6는 기하학적 특징과 라돈 특징을 포함한 여러 특징을 기반으로 웨이퍼 맵 결함 탐지 및 인식을 위한 공동 국소 및 비국소 선형 판별 분석의 사용을 제안했습니다. Saqlain et al.7은 Radon 특징을 포함한 다양한 특징을 사용하는 투표 앙상블 분류기를 제안했습니다. 도메인 지식을 기반으로 이러한 방법에 대해 유용한 기능을 사용하는 다양한 모델이 적극적으로 검토되었습니다. 그러나 머신러닝 기반 모델의 얕음으로 인해 추론 성능 측면에서 한계가 있습니다.