FCDD(Fully Convolutional Data Description) 기반 웨이퍼 빈 맵 설명가능 이상탐지

Abstract

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.|To make semiconductor chips, hundreds of complex semiconductor manufacturing processes are required. Semiconductor chips that have undergone complex processes are subjected to EDS(Electrical Die Sorting) tests to check product quality, and a wafer bin map that reflects the normal and defective information of chips is created. Defective chips found in the wafer bin map form various patterns, which are called defective patterns, and the defective patterns are a very important clue in determining the cause of defects in the process and design. Therefore, it is desired to automatically and quickly detect defective patterns in the field, and various methods have been proposed to detect defective patterns. The proposed methods have simple defect patterns, complex⋅new defect patterns, but the proposed methods have the disadvantage of not being able to explain to field engineers because they can't provide evidence for the results even if they do not detect unknown defect patterns or detect composite new defect patterns through deep learning. It is necessary to supplement this and provide detailed information on the size and location of the defect for detection of unknown defect patterns and the result of detection of defect patterns. In this paper, we propose an anomaly detection framework that can be explained through FCDD(Fully Convolutional Data Description) trained only with normal data to provide field engineers with details such as detection results of abnormal defect patterns and the defect size and location of detected defect patterns. FCDD learns the model so that it can detect bad patterns other than normal data only with normal data to learn the model even in an environment with little abnormal data, and visualizes it based on model results to deliver information such as the size and location of defects to field engineers. In particular, since the explanatory power of defect pattern detection and defect pattern detection is key, noise can be removed with a non-local means filter, and the edge of the defect pattern can be preserved through a double-filter to obtain distinct defect pattern characteristics. This process is called double-filter pattern denoising, and when the difference between normal and abnormal data is clarified through double-filter pattern denoising to help improve the performance of the anomaly detection model and offer explanatory power using heat map, double-filter pattern denoising is offered compared to other filter applications before denoising. Accordingly, we intend to help field engineers manage the process by providing information on the size and location of unknown defective patterns and defects in detecting defective patterns.