반도체 제조공정에서 이미지화 한 웨이퍼 테스트 데이터의 기계 학습을 이용한 패키지 불량 예측 연구
저자
발행사항
서울 : 성균관대학교 일반대학원, 2020
학위논문사항
학위논문(석사)-- 성균관대학교 일반대학원 : 반도체디스플레이공학과 2020. 2
발행연도
2020
작성언어
한국어
주제어
발행국(도시)
서울
기타서명
Package fail prediction using machine learning with imaged wafer test data in semiconductor manufacturing
형태사항
33 p. : 삽화, 표 ; 30 cm
일반주기명
지도교수: 이지형
참고문헌 : p. 30-31
UCI식별코드
I804:11040-000000157868
DOI식별코드
소장기관
The production difficulty of the DRAM devices is rapidly increasing due to integration process complexity and growth of the low power devices such as mobile application. These difficulties also affect product testing and yield analysis. In this study, we propose a precise way of predicting the package level yield using machine learning of imaged wafer data. We found the relationship between the wafer test data and package yield. It covered data pre-processing, feature selection and we verified the relevant data to derive an optimized relationship and the actual production process applied. There are over 200 measurement data in one chip of the wafer.
The conventional way takes a long time since engineers have to investigate and judge the data themselves in order to find the causes of the failure. This leads to significant chip loss as well as man power loss in mass production. It is suggested to image a lot of data through a pre-processing process in this study. It is planning to predict package yields through machine learning of variety of data that is imaged. It is the first attempt to predict package yields through machine learning by imaging wafer data. CNN, which is easy to analyze images, was used as a machine learning tool.
반도체 산업에서 Integration process는 점점 복잡해지고, Mobile application과 같은 저 전력 소자의 성장이 가속화되는 것에 따라 DRAM Device의 생산 난이도는 더욱 급속히 어려워지고 있다. 이와 같은 어려움은 제품을 Test하는 것과 수율 분석 나아가 제품의 양산 화에도 큰 영향을 미친다.
이 연구에서는 이미지화 된 Wafer level test data의 기계 학습을 이용하여 Package Level Test 및 신뢰성 Test 불량을 예측하는 방법을 제안한다. Wafer level test에서 1개의 Chip에는 약 200개 이상의 측정 Data가 존재한다. 기존 방식은 엔지니어가 불량의 원인을 찾기 위해 Data 자체를 조사하고 판단해야 했다. 이는 대량 생산 시 심각한 인력과 시간의 손실을 야기한다.
우리는 Wafer level test data의 전 처리 과정을 통해 많은 양의 data를 이미지화 하고, 이 이미지 기반의 기계 학습을 통해 신뢰성 Test 불량을 예측하였다. 본 연구는 Wafer level test data를 이미지화 한 후 기계 학습을 통해 신뢰성 불량을 예측하려는 첫 번째 시도이다. 기계 학습 tool로는 이미지 내 패턴 분석의 용이성이 높은 CNN을 사용하였다.
분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)