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

Abstract

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.