지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김우주
- 발행연도
- 2021
- 저작권
- 연세대학교 논문은 저작권에 의해 보호받습니다.
이용수42
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
반도체 제조에서 웨이퍼의 높은 수율을 유지하고, 정확한 수율 예측을 하는 것은 생산성 향상 및 품질보증 차원에서 상당히 중요하다. 이러한 중요성에도 불구하고 웨이퍼 수율 예측을 높은 품질과 정확도를 가진 시스템으로 구축하는 것은 매우 어려운 과제이다. 그 이유는 반도체 웨이퍼는 수백 가지의 공정을 통해 생산되며, 이들의 수율 영향성을 결측 치가 높은 공정 파라미터들을 사용하여 하나의 예측 모델에 넣는 것이 쉽지 않기 때문이다. 본 연구에서는 반도체 제조과정에서 얻게 되는 여러 공정 파라미터들을 Long Short-Term Memory (LSTM) 와 Feed-Forward Neural Networks (FFNN) 통합 모델에 넣어서 반도체 웨이퍼 에지 수율을 예측하는 연구를 제안한다. 전체 웨이퍼 평균 수율을 다루던 과거 연구들과 다르게 수율 하락에 가장 큰 영향을 끼치는 웨이퍼 에지에 집중하였다. LSTM-FFNN 통합 모델에는 데이터의 성격에 따라 2가지 종류의 데이터로 분류 후, 시계열 (time-series) 데이터는 LSTM으로, 비시계열 (non-time-series) 데이터는 FFNN 으로 들어가게 된다. 반도체 공정설비의 챔버들은 서로 다른 환경으로 이루어져 있기 때문에 시계열 데이터를 구성할 때, 각각 독립된 존재로 데이터를 구성하였다. 제안된 모델은 모든 평가 지표에서 다른 일반적인 모델들보다 높은 성능을 보이며, 연구 분야의 중요성은 더욱 강조되었다.
목차
등록된 정보가 없습니다.
최근 본 자료
댓글(0)
0