웨이퍼 빈 맵 복합 불량 패턴 탐지를 위한 객체 분할 기반 모델 연구

Abstract

반도체 제조 공정에서는 제품의 성능을 보장하기 위해 Electrical Die Sorting (EDS) 테스트를 진행하며 칩의 정상과 불량 여부를 판단하여 표시한다. 이것을 웨이퍼 빈 맵이라고 한다. 이런 웨이퍼 빈 맵의 불량 칩 패턴은 반도체 제조 공정과 설계상 불량의 원인에 대한 분석을 위해 정확한 감지와 지속적인 추적이 요구된다. 때문에 최근에는 복잡한 구조의 딥러닝 알고리즘을 통해 불량 패턴을 감지하고자 하는 노력이 지속되고 있다. 이러한 목적으로 웨이퍼 빈 맵의 불량 패턴을 자동 분류하는 연구가 많이 이루어져 왔다. 하지만, 대부분 기존 연구들은 웨이퍼 빈 맵에 단일 불량 패턴이 존재한다는 가정하에 불량의 분류 및 탐지를 목표로 연구를 진행하였다는 한계를 지니고 있다. 최근에는 혼합형 불량 패턴에 대한 연구도 진행되었지만, 분류를 통해 해당 불량 패턴의 class 정보만 제공하며, 특히 분류 과정에서 혼합형 불량 패턴의 검출이 어렵다는 문제가 있다. 하지만 실제 반도체 공정의 고도화로 더욱 복잡한 혼합형 불량 패턴이 증가하는 추세이기 때문에 혼합형 불량 패턴을 분류하고 불량 패턴의 위치정보를 제공하여 작업자의 의사결정에 기여하는 것이 매우 중요하다. 본 연구에서는 혼합형 불량의 패턴유형과 위치정보를 제공하기 위해 대해 불량 칩에 대해서 segmentation과 작업자에게 복합 불량 패턴의 유형과 공간적 정보를 제공하기 위하여 객체 탐지 모델의 하나인 YOLOv7모델을 이용할 것을 제안한다. 실제 WBM 데이터를 이용해 평가한 결과 객체 수준 segmentation을 통해 보다 정확한 복합 불량 패턴 탐지가 가능함을 검증하였다.