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
- 김병훈
- 발행연도
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수6
이 논문의 연구 히스토리 (4)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
반도체 EDS(Electrical Die Sorting) 테스트 결과 얻어진 웨이퍼 빈 맵(Wafer Bin Map, WBM)의 불량 패턴을 분석하는 것은 매우 중요한 작업이다. 엔지니어는 원인 분석을 통해 반도체 공정 시 발생한 불량의 원인을 빠른 시간 내에 파악하고 해결할 수 있다. 따라서 불량의 원인이 되는 공정을 조기에 해결하여 생산성을 향상시키고자 본 연구에서는 웨이퍼 불량 패턴 클러스터링 모델을 제안한다.
이를 위해 불량 패턴의 특징을 용이하게 검출하기 위한 깊이 우선 탐색(Depth First Search, DFS) 알고리즘을 이용하여 WBM의 노이즈 제거를 함으로써 노이즈의 영향을 최소화하고 불량 패턴을 극대화하였다. 또한 디리클레 프로세스(Dirichlet Process)를 이용하여 새로운 패턴을 자유롭게 탐지할 수 있다. 자가 지도학습을 이용하여 잠재벡터를 최적화하여 특징 추출을 함으로써 클러스터링의 정확도를 상승시켰다. 위 학습 과정에서 클러스터 불균형을 고려한 손실 함수를 적용함으로써 라벨 비율이 적은 불량 패턴도 효과적으로 검출할 수 있게 되었다. 즉 데이터 불균형에도 강건한 모델을 구현할 수 있다.
이를 위해 불량 패턴의 특징을 용이하게 검출하기 위한 깊이 우선 탐색(Depth First Search, DFS) 알고리즘을 이용하여 WBM의 노이즈 제거를 함으로써 노이즈의 영향을 최소화하고 불량 패턴을 극대화하였다. 또한 디리클레 프로세스(Dirichlet Process)를 이용하여 새로운 패턴을 자유롭게 탐지할 수 있다. 자가 지도학습을 이용하여 잠재벡터를 최적화하여 특징 추출을 함으로써 클러스터링의 정확도를 상승시켰다. 위 학습 과정에서 클러스터 불균형을 고려한 손실 함수를 적용함으로써 라벨 비율이 적은 불량 패턴도 효과적으로 검출할 수 있게 되었다. 즉 데이터 불균형에도 강건한 모델을 구현할 수 있다.
목차
목차목차 ⅰ그림 목차 ⅲ표 목차 ⅴ국문요지 ⅵ제1장 서론 11.1 연구 배경 11.2 연구의 필요성 21.3 연구의 목적 31.2 논문 구성 4제2장 관련 연구 52.1 지도학습을 통한 패턴 분류 52.2 비지도학습을 통한 패턴 클러스터링 62.2.1 삼중항 손실 기반 비지도 표현 학습 62.2.2 자가 지도학습을 이용한 동적 클러스터링 7제3장 제안 방법론 93.1 공간 필터링 및 깊이 우선 탐색 알고리즘 기반 특징 추출 113.1.1 공간 필터링 및 깊이 우선 탐색 알고리즘 113.1.2 합성곱 오토인코더를 이용한 특징 추출 183.2 클러스터 가중치를 적용한 Fine Tuning 203.2.1 디리클레 프로세스를 이용한 클러스터링 203.2.1.1 디리클레 분포(Dirichlet Distribution) 213.2.1.2 디리클레 과정(Dirichlet Process) 223.2.2 클러스터 가중치를 적용한 자가 지도학습 25제4장 실험 및 평가 284.1 데이터 소개 284.2 실험 설계 294.2.1 노이즈 제거 및 특징 추출 294.2.2 클러스터링 및 미세 조정 314.3 클러스터링 결과 324.4 평가 방법 및 제안방법론과의 성능 비교 334.4.1 평가 방법 334.4.2 제안방법론과의 결과 비교 35제5장 결론 46참고문헌 48Abstract 53
최근 본 자료
댓글(0)
0