패턴 불균형에 강건한 자가 지도학습 기반의 웨이퍼 불량 패턴 클러스터링 방법 제안

Abstract

반도체 EDS(Electrical Die Sorting) 테스트 결과 얻어진 웨이퍼 빈 맵(Wafer Bin Map, WBM)의 불량 패턴을 분석하는 것은 매우 중요한 작업이다. 엔지니어는 원인 분석을 통해 반도체 공정 시 발생한 불량의 원인을 빠른 시간 내에 파악하고 해결할 수 있다. 따라서 불량의 원인이 되는 공정을 조기에 해결하여 생산성을 향상시키고자 본 연구에서는 웨이퍼 불량 패턴 클러스터링 모델을 제안한다. 이를 위해 불량 패턴의 특징을 용이하게 검출하기 위한 깊이 우선 탐색(Depth First Search, DFS) 알고리즘을 이용하여 WBM의 노이즈 제거를 함으로써 노이즈의 영향을 최소화하고 불량 패턴을 극대화하였다. 또한 디리클레 프로세스(Dirichlet Process)를 이용하여 새로운 패턴을 자유롭게 탐지할 수 있다. 자가 지도학습을 이용하여 잠재벡터를 최적화하여 특징 추출을 함으로써 클러스터링의 정확도를 상승시켰다. 위 학습 과정에서 클러스터 불균형을 고려한 손실 함수를 적용함으로써 라벨 비율이 적은 불량 패턴도 효과적으로 검출할 수 있게 되었다. 즉 데이터 불균형에도 강건한 모델을 구현할 수 있다.