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
- 배석주
- 발행연도
- 2021
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수26
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 제조 공정에서 하나의 반도체 칩은 매우 정교하고 복잡한 수백 가지의 공정 과정을 통해 완성된다. 만들어진 칩은 제품의 성능을 보장하기 위해 EDS(Electrical Die Sorting)테스트를 수행하고, 칩의 정상과 불량 여부를 판단하여 표시하는데 이것을 웨이퍼 빈 맵(WBM, Wafer Bin Map)이다.
EDS테스트를 통해 확인된 불량 칩은 웨이퍼 빈 맵 상에서 패턴을 그리며 나타나는데 공정 상, 설계 상 불량의 원인에 대한 중요한 단서가 되므로 패턴의 정확한 감지와 지속적인 추적이 요구된다. 실제 현장에서는 발생한 불량의 크기나 위치에 따라 공정 파라미터(Parameter)를 조절하고 설비를 제어하기 때문이다.
이러한 요구사항으로 인하여 불량 패턴을 감지하기 위해 기계학습(Machine learning)을 이용한 여러 가지 방법이 제안되었고, 최근에는 컴퓨터의 성능이 급속도로 발달되면서 합성곱 신경망(CNN, Convolutional Neural Network)과 같은 복잡한 구조의 딥러닝(Deep learning) 알고리즘을 통해 불량 패턴을 감지하고자 하는 노력이 지속되고 있다.
하지만 위와 같은 블랙박스(Black box) 형태의 알고리즘의 경우 불량의 발생 여부나 종류만 알 수 있고 불량의 크기나 위치 등 불량에 대한 추가적인 정보는 제공하지 못한다. 특히, 불량 패턴이 한 웨이퍼에 복합적으로 발생하는 복합 불량 패턴의 경우, 혼재되어 있는 불량 패턴의 공간적 정보를 파악하는 것은 더욱 중요하다.
본 논문에서는 현장 작업자에게 복합 불량 패턴의 크기와 위치와 같은 공간적 정보를 제공하기 위하여 단순 불량 패턴 이미지를 학습시킨 합성곱 신경망 분류기를 기반으로 공간적 정보를 설명해줄 수 있는 Grad-CAM(Gradient-Class Activation Map)을 통해 복합 불량 패턴 분해 프로세스를 제안한다.
Grad-CAM은 합성곱 신경망 분류기를 학습하는 과정에서 마지막 합성곱 층(Convolutional layer)에서 계산된 그래디언트(Gradient) 정보를 사용하며, 각각의 분류 결과에 따른 뉴런 중요도(Neuron importance)를 표현할 수 있고 이것을 특성 맵(Feature map)이라고 한다. 즉, 각각의 불량 패턴 별 특성 맵을 이용하여 복합 불량 패턴을 분해하고 불량의 발생 여부 및 종류뿐만 아니라 불량의 위치와 크기 정보를 추가적으로 제공해줌으로써 현장 작업자에게 공정 설비 제어에 도움을 주고자 한다.
EDS테스트를 통해 확인된 불량 칩은 웨이퍼 빈 맵 상에서 패턴을 그리며 나타나는데 공정 상, 설계 상 불량의 원인에 대한 중요한 단서가 되므로 패턴의 정확한 감지와 지속적인 추적이 요구된다. 실제 현장에서는 발생한 불량의 크기나 위치에 따라 공정 파라미터(Parameter)를 조절하고 설비를 제어하기 때문이다.
이러한 요구사항으로 인하여 불량 패턴을 감지하기 위해 기계학습(Machine learning)을 이용한 여러 가지 방법이 제안되었고, 최근에는 컴퓨터의 성능이 급속도로 발달되면서 합성곱 신경망(CNN, Convolutional Neural Network)과 같은 복잡한 구조의 딥러닝(Deep learning) 알고리즘을 통해 불량 패턴을 감지하고자 하는 노력이 지속되고 있다.
하지만 위와 같은 블랙박스(Black box) 형태의 알고리즘의 경우 불량의 발생 여부나 종류만 알 수 있고 불량의 크기나 위치 등 불량에 대한 추가적인 정보는 제공하지 못한다. 특히, 불량 패턴이 한 웨이퍼에 복합적으로 발생하는 복합 불량 패턴의 경우, 혼재되어 있는 불량 패턴의 공간적 정보를 파악하는 것은 더욱 중요하다.
본 논문에서는 현장 작업자에게 복합 불량 패턴의 크기와 위치와 같은 공간적 정보를 제공하기 위하여 단순 불량 패턴 이미지를 학습시킨 합성곱 신경망 분류기를 기반으로 공간적 정보를 설명해줄 수 있는 Grad-CAM(Gradient-Class Activation Map)을 통해 복합 불량 패턴 분해 프로세스를 제안한다.
Grad-CAM은 합성곱 신경망 분류기를 학습하는 과정에서 마지막 합성곱 층(Convolutional layer)에서 계산된 그래디언트(Gradient) 정보를 사용하며, 각각의 분류 결과에 따른 뉴런 중요도(Neuron importance)를 표현할 수 있고 이것을 특성 맵(Feature map)이라고 한다. 즉, 각각의 불량 패턴 별 특성 맵을 이용하여 복합 불량 패턴을 분해하고 불량의 발생 여부 및 종류뿐만 아니라 불량의 위치와 크기 정보를 추가적으로 제공해줌으로써 현장 작업자에게 공정 설비 제어에 도움을 주고자 한다.
목차
1. 서 론 11.1 연구의 배경 및 필요성 11.2 기존 연구 고찰 41.3 연구의 목적 및 절차 92. 이론적 배경 112.1 노이즈 제거 112.2 합성곱 신경망 기반 이미지 분류 142.3 설명 가능한 인공지능 172.3.1 등장 배경 172.3.2 Grad-CAM 193. 제안 내용 213.1 복합 불량 패턴 분해 프로세스 214. 실험 내용 234.1 실험 절차 234.2 데이터 설명 및 전처리 254.3 DBSCAN 기반 웨이퍼 빈 맵 노이즈 제거 284.4 합성곱 신경망 기반 불량 패턴 분류 모델 학습 304.5 Grad-CAM을 이용한 복합 불량 패턴 분해 및 실험 결과 325. 결론 및 향후 연구 35참고문헌 36ABSTRACT 39
최근 본 자료
댓글(0)
0