합성곱 장단기기억 신경망을 이용한 화학기계적연마 공정의 재료제거율 예측 및 공정센서 중요도 정량화 :Prediction of Material Removal Rate and Quantification of Process Sensor Importance in Chemical Mechanical Polishing Using Convolution LSTM

김현서

추천

검색

자료유형: 학위논문

저자정보: 김현서 (한양대학교 )

지도교수: 김병훈

발행연도: 2023

저작권: 한양대학교 논문은 저작권에 의해 보호받습니다.

이용수7

이 논문의 연구 히스토리 (3)

2023

합성곱 장단기기억 신경망을 이용한 화학기계적연마 공정의 재료제거율 예측 및 공정센서 중요도 정량화

김현서 산업경영공학과 2023.01 학위논문

2022

합성곱 장단기기억 신경망을 이용한 웨이퍼 평탄화 공정의 재료제거율 예측 및 공정변수 중요도 정량화

김현서 , 김병훈 대한산업공학회 춘계공동학술대회 논문집 2022.06 학술대회자료

합성곱 장단기기억 신경망을 이용한 웨이퍼 평탄화 공정의 재료제거율 예측 및 공정변수 중요도 정량화

김현서 , 김병훈 한국경영과학회 학술대회논문집 2022.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

화학기계적연마 공정인 Chemical Mechanical Polishing(CMP)은 웨이퍼 표면 평탄도를 높여 고도화된 반도체 제조공정 과정에 있어 소자성능 및 최종수율 개선에 중요한 역할을 한다. 재료제거율은 Material Removal Rate(MRR)로 단위시간당 연마되어 제거된 박막 두께로 정의되며 CMP의 주요 공정성능 지표이다. 해당 지표는 피드백 컨트롤 방식의 공정제어에 사용되기 때문에 MRR에 대한 가상계측(Virtual Metrology) 연구가 수행되었다.
관련연구는 크게 물리학 기반 접근법(Physics-based approach)과 데이터 중심 접근법(Data-driven approach)으로 나뉜다. 최근 예측 정확도를 높이기 위해 센서데이터를 활용한 특징추출과 딥러닝 기반 기법의 데이터 중심 연구가 진행중이다. 하지만, 센서데이터 특성 상 시계열 형태를 가지며 다양한 공정인자를 포함하기 때문에 도메인 지식과 시간 소모적 특징 추출 과정에 의존하는 문제가 존재했다. 또한, 딥러닝 기반 모델은 예측 결과를 해석하기 어려워 모델 투명성에 대한 한계도 가졌다.
본 연구에서는 CMP의 MRR 예측 과정에서 시간 소모적 특징추출에 자유로우며 딥러닝 모델을 설명할 수 있는 공정센서 중요도 정량화 방법을 제안한다. 먼저, 합성곱 신경망(CNN)과 장단기기억 신경망(LSTM)을 결합하여 MRR 예측을 위한 ConvLSTM을 개발한다. 해당 모델은 CNN 기반 시간적 특징 추출기를 통해 학습과정에서 공정센서 데이터의 시간적 특징추출을 자동 수행한다. 그리고 LSTM 기반 순차적 관계 예측기를 통해 과거 공정 정보를 반영한 기억학습 기능으로 높은 예측 성능을 가진다. 이후, ConvLSTM에 CNN 기반 모델 해석 기법인 Grad-CAM을 접목해 그레디언트(Gradient) 기반 가중치로 예측 결과에 대한 공정센서별 중요도를 정량화하는 방법을 제안한다. 나아가 정량화된 공정센서 중요도를 통해 높은 영향력을 갖는 주요 공정센서를 선정한다.
제안 방법의 유효성을 확인하기 위해 모든 공정센서를 사용해 학습한 모델 ConvLSTM과 주요 공정센서만을 사용한 모델 MPS ConvLSTM의 예측 성능을 비교하였다. 실험결과는 기존 연구와 본 연구의 ConvLSTM을 비교해 가장 높은 성능을 보이는 연구와 성능이 유사함을 확인하였다. 또한, 제안 방법으로 선정된 주요 공정센서만을 사용한 모델과 모든 공정센서를 사용한 모델 간 성능 차이가 거의 없음을 보여주었다.

Chemical Mechanical Polishing (CMP) is important for improving device performance and final yield in semiconductor manufacturing by improving wafer surface flatness. Material Removal Rate (MRR), known as a main process performance indicator of CMP, is the thickness of the removed thin film per unit time. Since MRR is required for feedback control during the advanced process control (APC), it is measured by metrology equipment for only a few sampled wafers. Therefore, there are many missing values in MRR measurement. To resolve this issue, virtual metrology studies were conducted to impute the missing values of MRR.
The related work is largely divided into a physics-based approach and a data-driven approach. Recently, data-driven approaches using process sensor data and artificial intelligence models have been actively carried out to improve prediction performance. Many existing data-driven approaches has a limitation in that the approaches rely on domain knowledge to extract features aiming at capturing the characteristics of time-series sensor data. In addition, deep learning-based models have another limitation on model transparency because it is difficult to interpret the trained models.
In this study, we propose a new method that assesses the relative importance of process sensors based on a deep learning-based model that doesn’t require time-consuming features extraction in the MRR prediction process of CMP. Firstly, we train ConvLSTM model that combines CNN and LSTM to predict MRR. The model automatically extracts temporal features of process sensor data through a CNN-based temporal feature extractor. In the next step, LSTM captures the relation between the temporal features and MRR in training prediction model. Furthermore, we employ Grad-CAM to calculate the importance of process sensor in predicting MRR in terms of gradient-based weights. Furthermore, we propose to select important process sensors that have large importance scores.
To validate the proposed method, we have compared the ConvLSTM with existing methods in terms of predicting the accuracy of MRR. The experimental results showed that the accuracy of ConvLSTM was almost similar to that of the existing study. In addition, MPS ConvLSTM that uses only the important process sensors in MRR prediction performed as well as Original ConvLSTM that uses all the process sensors did.

#화학기계적연마 #딥러닝 #재료제거율 #공정센서 중요도 정량화

제1장 서론 1
1.1 연구 배경 1
1.2 연구 필요성 3
1.3 연구 목적 및 내용 6
1.4 논문 구성 7
제2장 관련연구 8
2.1 물리학 기반 접근법 8
2.2 데이터 중심 접근법 10
2.2.1 특징추출 기법 기반 연구 10
2.2.2 딥러닝 모델 기반 연구 11
제3장 제안 방법 13
3.1 합성곱 장단기기억 신경망 기반 재료제거율 예측 과정 13
3.1.1 CMP공정의 재료제거율 예측을 위한 시간적 특징 추출기 15
3.1.2 순차적 관계 예측기를 통한 CMP공정의 재료제거율 예측 17
3.2 공정센서 중요도 정량화 및 주요 공정센서 선정 방법 20
3.2.1 제안된 공정센서 중요도 정량화 방법 23
3.2.2 CMP공정의 주요 공정센서 선정 방법 26
제4장 실험 결과 29
4.1 데이터 기술 및 실험 설계 29
4.2 데이터 전처리 34
4.3 예측 성능평가 및 비교 35
4.4 주요 공정센서 선정 결과 39
제5장 결론 및 향후계획 42
참고문헌 43
Abstract 49

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)