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
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수8
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 칩을 만들기 위해서는 수백 가지의 복잡한 반도체 제조 공정을 거쳐야한다.
복잡한 공정을 거친 반도체 칩은 제품 품질 확인을 위해 EDS(Electrical Die Sorting)
테스트를 거쳐 칩의 정상과 불량의 정보가 반영된 웨이퍼 빈 맵(Wafer Bin Map)이
생성된다.
웨이퍼 빈 맵에서 발견된 불량 칩들은 다양한 패턴 형성되는데 이를 불량 패턴이라
고 칭하며 불량 패턴은 공정⋅설계 상 결함 원인을 파악하는데 매우 중요한 단서가
된다. 그렇기에 현장에서는 불량 패턴을 자동으로 빠르게 검출하기 원하며, 불량 패
턴 검출을 위해 다양한 방법들이 제안되어왔다.
제안된 방법들에는 단순 불량 패턴, 복합⋅신규 불량 패턴 분류가 있지만, 제안된
방법들에는 알지 못하는 불량 패턴을 탐지하지 못하거나 딥러닝(Deep learning)을 통
해 복합⋅신규 불량 패턴을 검출하더라도 해당 결과에 대한 근거를 제시할 수 없기에
현장 엔지니어에게 설명을 할 수가 없다는 단점이 있다. 이를 보완하여 알지 못하는
불량 패턴에 대한 탐지와 불량 패턴 탐지 결과에 대한 불량의 크기와 위치의 상세한
정보를 제공할 필요가 있다.
본 논문에서는 현장 엔지니어에게 정상 데이터에 비해 이상데이터가 적은 상황에서
도 정상 이외 불량 패턴 탐지 결과와 탐지된 불량 패턴의 불량 크기 및 위치와 같은
상세 정보를 제공하기 위해 정상 데이터만으로 학습시킨 FCDD(Fully Convolutional
Data Description)을 통해 설명가능한 이상탐지 프레임워크를 제안한다.
FCDD는 이상 데이터가 적은 환경에서도 모델을 학습하기 위해 정상 데이터만으로 정상 데이터 외의 불량 패턴을 탐지할 수 있도록 모델을 학습하며, 모델 결과를 기반
으로 시각화하여 불량의 크기 및 위치 등의 정보를 현장 엔지니어에게 전달이 가능하
며 이에 따라 모델에 대한 신뢰를 얻을 수 있다. 특히, 불량 패턴 탐지와 불량 패턴
탐지에 대한 설명력이 핵심이기 때문에 비지역적 평균 필터(Non-local means filter)
로 불량 패턴 이외에 노이즈를 제거하고 양방향 필터(Bilateral filter)를 통해 불량 패
턴의 경계면을 보전시켜 뚜렷하게 된 불량 패턴의 특징을 얻을 수 있다. 이러한 과정
을 이중필터 패턴 디노이징이라고 칭하며, 이중필터 패턴 디노이징을 통해 정상 데이
터와 이상 데이터 간의 차이를 분명히 하여 이상탐지 모델의 성능 향상에 도움을 주
고 열지도를 활용해 설명력을 확보할 때, 이중필터 패턴 디노이징이 적용되었을 때가
디노이징 전과 다른 필터 적용에 비해 명확한 설명력을 확보하는 것을 보였다. 이에
따라 알려져 있지 않은 불량 패턴과 불량 패턴 탐지에 대한 불량의 크기와 위치 정보
를 제공해줌으로써 현장 엔지니어에게 공정 관리에 도움을 주고자 한다.
복잡한 공정을 거친 반도체 칩은 제품 품질 확인을 위해 EDS(Electrical Die Sorting)
테스트를 거쳐 칩의 정상과 불량의 정보가 반영된 웨이퍼 빈 맵(Wafer Bin Map)이
생성된다.
웨이퍼 빈 맵에서 발견된 불량 칩들은 다양한 패턴 형성되는데 이를 불량 패턴이라
고 칭하며 불량 패턴은 공정⋅설계 상 결함 원인을 파악하는데 매우 중요한 단서가
된다. 그렇기에 현장에서는 불량 패턴을 자동으로 빠르게 검출하기 원하며, 불량 패
턴 검출을 위해 다양한 방법들이 제안되어왔다.
제안된 방법들에는 단순 불량 패턴, 복합⋅신규 불량 패턴 분류가 있지만, 제안된
방법들에는 알지 못하는 불량 패턴을 탐지하지 못하거나 딥러닝(Deep learning)을 통
해 복합⋅신규 불량 패턴을 검출하더라도 해당 결과에 대한 근거를 제시할 수 없기에
현장 엔지니어에게 설명을 할 수가 없다는 단점이 있다. 이를 보완하여 알지 못하는
불량 패턴에 대한 탐지와 불량 패턴 탐지 결과에 대한 불량의 크기와 위치의 상세한
정보를 제공할 필요가 있다.
본 논문에서는 현장 엔지니어에게 정상 데이터에 비해 이상데이터가 적은 상황에서
도 정상 이외 불량 패턴 탐지 결과와 탐지된 불량 패턴의 불량 크기 및 위치와 같은
상세 정보를 제공하기 위해 정상 데이터만으로 학습시킨 FCDD(Fully Convolutional
Data Description)을 통해 설명가능한 이상탐지 프레임워크를 제안한다.
FCDD는 이상 데이터가 적은 환경에서도 모델을 학습하기 위해 정상 데이터만으로 정상 데이터 외의 불량 패턴을 탐지할 수 있도록 모델을 학습하며, 모델 결과를 기반
으로 시각화하여 불량의 크기 및 위치 등의 정보를 현장 엔지니어에게 전달이 가능하
며 이에 따라 모델에 대한 신뢰를 얻을 수 있다. 특히, 불량 패턴 탐지와 불량 패턴
탐지에 대한 설명력이 핵심이기 때문에 비지역적 평균 필터(Non-local means filter)
로 불량 패턴 이외에 노이즈를 제거하고 양방향 필터(Bilateral filter)를 통해 불량 패
턴의 경계면을 보전시켜 뚜렷하게 된 불량 패턴의 특징을 얻을 수 있다. 이러한 과정
을 이중필터 패턴 디노이징이라고 칭하며, 이중필터 패턴 디노이징을 통해 정상 데이
터와 이상 데이터 간의 차이를 분명히 하여 이상탐지 모델의 성능 향상에 도움을 주
고 열지도를 활용해 설명력을 확보할 때, 이중필터 패턴 디노이징이 적용되었을 때가
디노이징 전과 다른 필터 적용에 비해 명확한 설명력을 확보하는 것을 보였다. 이에
따라 알려져 있지 않은 불량 패턴과 불량 패턴 탐지에 대한 불량의 크기와 위치 정보
를 제공해줌으로써 현장 엔지니어에게 공정 관리에 도움을 주고자 한다.
목차
1. 서 론 11.1 연구의 배경 및 필요성 11.2 기존 연구 고찰 41.3 연구의 목적 및 절차 82. 이론적 배경 102.1 이미지 디노이징 102.2 합성곱 신경망 기반 이상탐지 133. 제안 내용 173.1 전반적인 프레임워크 173.2 이중필터 패턴 디노이징 183.3 커스터마이징 FCDD 203.4 베이지안 최적화 기반 임계점 설정 244. 분석 결과 264.1 데이터 설명 264.2 이중필터 패턴 디노이징 274.3 최적화 임계점 기반 이상탐지 결과 344.4 커스터마이징 FCDD 기반 설명가능 이상탐지 355. 결론 및 향후 연구 40참고문헌 41ABSTRACT 44
최근 본 자료
댓글(0)
0