반도체 etch 공정의 class imbalance 사례 연구

Abstract

본 연구는 반도체 생산 현장인 FAB에서 생산성 및 수율 개선을 위한 데이터 분석 진행 중의 어려웠던 점을 경험 삼아 반도체 제조 데이터 분석의 개선 방향을 제시하여 지금도 반도체 제조 데이터를 분석하는 엔지니어들에게 도움을 주려 한다. 반도체 현장에서는 품질과 생산성을 높이기 위한 일들을 위해 수많은 데이터를 수집하고 저장하며 실시간 의사결정 및 장기간의 생산성 개선을 위한 데이터 분석이 진행되고 있다. 반도체 산업의 특성상 매우 엄격한 품질관리를 진행하다 보니 현장에서는 양품과 불량품의 집단 간 표본크기의 차이가 매우 커서 정확한 분석과 예측을 위한 연구가 필요하다. 이에 본 논문은 Fab에서 진행 중인 48Chamber에서 나오는 2개월간 Etch 공정의 장비 데이터를 활용하여 양품과 불량품의 표본크기가 많이 차이 날 때 적합한 알고리즘을 적용해 보아 반도체 제조 공정에 맞는 활용도 높은 알고리즘을 채택해 보았다. CS-SVM의 분류 성능을 고려해 분류 알고리즘의 대표로 사용하되 본 논문의 실험에서는 각각의 Sampling 기법인 SMOTE, NCR, ENN과 AdaBoost를 CS-SVM과 짝을 이루고 비지도 학습 기법인 KNN과 FD-KNN을 각각 반도체 FAB 공정 중 가장 난이도가 높다는 Etch 공정에 적용해 보았다. 그 결과 양품과 불량품 간의 불균형이 심해질수록 더욱 강건한 모델 성능을 보인 AdaBoost 기법이 가장 우수한 결과로 입증, 확보되었으며 검증된 논문 결과는 실제 진행 중인 많은 장비를 활용하고 있어 유의미한 예측과 분석을 지속해서 수행하는 엔지니어들에게 활용되어 반도체 FAB의 생산성 개선 및 회사의 수익 창출에 기여할 것으로 판단된다; This paper presents the improvement direction of semiconductor manufacturing data analysis by experiencing difficulties in data analysis for improving productivity and yield in FAB, which is a semiconductor production site, and aims to help engineers analyzing semiconductor manufacturing data In the field of semiconductors, data are collected and stored for a number of tasks to improve quality and productivity, and data analysis is conducted for real-time decision making and long-term productivity improvement. Due to the nature of the semiconductor industry, strict quality management is being carried out, so that there is a large difference in the size of the good data and the bad data in the field, so it is necessary to study for accurate analysis and prediction. In this paper, we apply the appropriate algorithm to the semiconductor manufacturing process by applying the appropriate algorithm when the sizes of the good product and the defective product are greatly changed by utilizing the large amount of equipment data of the Etch process for 2 months from the 48Chamber in the Fab. In the experiment of this paper, SMOTE, NCR, ENN and Ensemble are paired with CS-SVM and KNN and FDKNN, which are paired with CS-SVM, are used as representatives of classification algorithm in consideration of classification performance of CS-SVM. We applied it to Etch process which is the most difficult of semiconductor FAB process. As a result, the more robust the model performance is, the more excellent the result of the AdaBoost technique is the more the imbalance becomes stronger. The proved result of the paper utilizes many on-going equipments and is used for the engineers who carry out meaningful prediction and analysis continuously. This will contribute to improving productivity of semiconductor FAB and profit generation of the company.