1. 연구 배경
- 웨이퍼 빈 맵(Wafer Bin Map, WBM) 은 반도체 후공정의 prob test 결과가 2차원의 배열 형태로 표현된 것이다. 웨이퍼 상의 각 개별 chip의 prob test 결과가 배열 내 하나의 element로 할당된다. WBM은 웨이퍼 상에 발생하는 불량 칩들의 존재 여부와 그 분포 정보를 포함하고 있기 때문에, WBM에 대한 분석은 반도체 제조에서 매우 중요한 과정이다. 생성된 WBM을 관찰하면, 웨이퍼 상에 빈번하게 발생하는 불량 칩들의 공간적 패턴을 발견할 수 있는데, 이 같은 불량 패턴을 분류하고 해당 불량 패턴이 발생한 혐의 공정 또는 설비를 파악하는 작업을 WBM 불량 분석이라 한다. WBM 불량 분석은 웨이퍼 불량의 원인을 빠르게 파악하고 조치하여 제품 수율을 높이고 비용을 절감하며, 나아가 더 높은 품질의 제품을 고객에게 제공하는데 필수적인 절차이다.
그러나, 실제 반도체 제조 환경에서는 매일 많은 수의 WBM이 생성되고, 그에 따라 발생하는 WBM 불량 패턴에 대한 분석은 전적으로 엔지니어의 판단을 통해 이루어진다. 이 같은 절차는 다수의 WBM 불량 분석을 필요로 하는 도메인 특성 상 큰 비용을 수반하며, 엔지니어 간 불량 패턴 분석 기준 차이로 인해 WBM 불량 분석의 신뢰도 또한 낮아지는 문제가 있다. 이에, 기존의 연구에서는 WBM 상의 불량 패턴을 분류하는 모델을 설계하였으나, 해당 연구들은 웨이퍼의 개별 칩 prob test 결과를 불량과 정상으로만 binary mapping을 진행하였기 때문에, 개별 칩의 구체적인 불량 유형까지는 고려하지 않았다.
따라서, 본 연구에서는 칩 별 prob test 결과인 빈(bin) 번호를 포함하여, 같은 불량 원인을 가지는 칩 간의 분포를 고려한 새로운 WBM 불량 패턴 분류 체계를 수립하고, 이를 이용하여 WBM불량 패턴을 분류하는 모델을 설계하고 결과에 따라 불량 패턴을 가진 웨이퍼의 공정 이력을 추적하여 불량을 발생시킨 혐의설비를 탐색하는 End-to-end 프로세스를 구축하였다.
그림 1. WBM 예시
그림 2. 대표적인 WBM 불량 패턴
2. 연구 내용
1) Augmentation for small & imbalanced data
WBM 데이터는 일반적으로 모든 불량 패턴이 일정한 수로 존재하지 않고, 불량 패턴 유형에 따라 그 수가 불규칙하여 일부 클래스의 경우 샘플 수가 매우 적을 수 있다. 따라서, 연구에서는 이러한 데이터의 클래스 불균형을 고려하여, 소수의 클래스에 속하는 WBM 인스턴스를 증강하여 모델이 모든 불량 패턴을 고르게 학습할 수 있도록 유도하였다. [1]
표 1. WBM augmentation 예시
2) Bin2Vec & Classification
Bin2Vec은 언어 모델 학습에서 단어를 토큰화하여 잠재 공간에 벡터로 임베딩 시키는 기법인 Word2Vec에서 착안한 방법론이며, 연구에서는 이러한 Bin2Vec 방법론을 이용하여, 개별 칩 중, 전기적 특성이 유사한 칩을 잠재 공간에서 가깝게 위치하도록 모델을 학습시키고, 학습이 완료된 빈 벡터를 RGB 정보로 변환하여 시각화 하였다. 시각화한 결과를 통해, 새로운 WBM 분류 체계를 수립하고, 새로운 분류 체계와 기존 분류 체계를 동일 모델 하에서 비교 분석하였다.[2]
표 2. 기존 분류체계와의 성능 비교
표 3. WBM 시각화 및 개선된 분류 체계
3) Detecting suspicious machine sets
기존의 root cause analysis에서 association rule-based 기법들은 설비 이력 데이터를 통해 혐의 machine set을 도출하였음. 하지만, 이러한 방법론들은 redundant machine set을 과대평가하는 경향을 보였음. 따라서 본 연구에서는 multi-item association을 기반으로 한 혐의 machine set 도출 방법론을 제안함.[3]
그림 3. 혐의 설비 set screening
3. 관련논문
[1] E.S. Kim, S.H. Choi, D.H. Lee, K.J. Kim, Y.M. Bae, Y.C. Oh, An oversampling method for wafer map defect pattern classification considering small and imbalanced data, Comput Ind Eng 162 (2021).
[2] D.H. Lee, E.S. Kim, S.H. Choi, Y.M. Bae, J.B. Park, Y.C. Oh, K.J. Kim, Development of taxonomy for classifying defect patterns on wafer bin map using Bin2Vec and clustering methods, Comput Ind 152 (2023).
[3] S.H. Choi, D.H. Lee, Y.M. Bae, K.J. Kim, Development of a suspiciousness measure with reduced redundancy for screening machine sets in serial-parallel multistage manufacturing processes, Expert Syst Appl 269 (2025)