반도체 웨이퍼 제조 공정에서 2차원 가상 계측 모형 :Two-dimensional virtual metrology in semiconductor wafer manufacturing process

이한강

추천

검색

자료유형: 학위논문

저자정보: 이한강 (연세대학교, 연세대학교 대학원)

지도교수: 김창욱

발행연도: 2018

저작권: 연세대학교 논문은 저작권에 의해 보호받습니다.

이용수39

초록· 키워드

반도체 공정은 물리, 화학, 전자, 기계 등 다양한 분야를 아우르는 복잡한 미세 공정으로 이루어져 있다. 반도체 제조 과정에서 세부 공정 결과를 알기 위해서 공정을 마친 재공품 또는 웨이퍼의 품질을 계측한다. 하지만 실제 계측은 많은 시간과 비용이 소모되기 때문에, 공정 진행과정에서 수집된 FDC (fault detection and classification) 변수로 웨이퍼의 계측 값을 예측하는 가상 계측에 대한 연구가 활발히 진행되어 왔다. 현재까지 진행되어 온 가상 계측 관련 연구는 웨이퍼 내 포인트의 평균 계측 값을 예측하는 것에 집중되어 왔다. 그러나 실제 공정에서는 웨이퍼 내의 위치에 따라서 계측 값의 차이가 존재한다. 따라서 본 연구에서는 웨이퍼의 공간 위치를 고려한 2차원 가상 계측 모형을 기계 학습 기법을 이용해 구축한다. 2차원 가상 계측을 구축하는 과정에서 두 가지 문제점이 존재한다. 첫째, FDC 변수가 많지만 공정 과정이 매우 복잡하고 반복되어 진행되기 때문에, 각 포인트 별 계측 값에 영향을 주는 FDC 변수를 파악하는 것이 어렵다. 이러한 문제점을 해결하기 위해서 본 연구에서는 선형 회귀 모형을 사용하여 2차원 가상 계측 모형을 제안한다. 선형 회귀 모형은 포인트 별 계측 값과 높은 상관관계가 있는 웨이퍼 평균 가상 계측 값을 절편으로 설정하였다. 또한 포인트 별 특성으로 각 포인트 별 잠재 계수를 고려한다. 두번째 문제점은 센서에서 수집되는 다양한 FDC 파라미터는 전처리 과정을 거치면서 매우 많아지는 반면, 웨이퍼의 실제 계측 값은 매우 적다는 점이다. 이로 인해 정확한 예측 모형을 구현하는데 한계를 보인다. 따라서 본 연구에서는 인공신경망으로 예측한 후 시뮬레이티드 어닐링으로 평가하는 변수 선택 모형을 제안한다. 결과적으로, 웨이퍼 평균 가상 계측 모형은 변수 선택 모형에 의해서 선택된 변수를 통해서 예측한다. 본 연구의 제안 방법론의 성능은 에칭 공정 및 CVD (chemical vapor deposition)공정에서 기존에 제안된 가상 계측 모형에 비해서 높은 결과를 보인다. 특히 2차원 가상 계측 모형의 성능은 데이터가 부족함에도 불구하고 비교 방법론보다 우수하다. 또한 이 연구는 웨이퍼 평균에 대한 가상 계측 모형에서 웨이퍼 내의 2차원 가상 계측 모형으로 가상 계측 모형의 시야를 넓히는 연구이다.

The semiconductor manufacturing process is composed of complicated micro-processes covering a variety of fields such as physics, chemistry, electronics, and machinery. In order to control the detail process in the semiconductor fabrication the quality of work-in-process or wafer is measured. However, since the real metrology is time and cost consuming, the studies on virtual metrology which predicts the wafer metrology value based on FDC (fault detection and classification) variables collecting from the current process have been widely conducted. The virtual metrology researches that have been carried out so far have been focused on predicting the average metrology value of points within the wafer. However, there is variance on the metrology depending on the position in the wafer. Therefore, in this study, a two-dimensional virtual metrology model for considering each point''s spatial position of the wafer is constructed using a machine learning technique. There are two major problems in the processing to conduct 2D virtual metrology. First, although there are a lot of FDC parameters, it is difficult to identify FDC parameters which affect metrology values for each point because the process is very complicated and iterative. In order to solve this problem, the writer proposes two-dimensional virtual metrology model by using a linear regression model. The regression model set wafer average virtual metrology, which has high correlation with the metrology value per point, as an intercept. Also, the model takes into account the potential coefficients of each point as a point characteristics. The second problem is that the various FDC parameters collected by the sensors are greatly increased through preprocessing, while the real metrology values of the wafers are few. This causes a limitation to construct an accurate prediction model. Therefore, in this study, the writer proposes a feature selection model with artificial neural network for prediction and simulated annealing for evaluation. Consequently, the wafer average metrology model estimates virtual metrology values with the features selected by the feature selection model. The performance of the proposed methodology is higher compared to the previously proposed virtual metrology model in etching process and CVD (chemical vapor deposition) process. Especially, the performance of a 2D virtual metrology model is superior to comparative methods despite of the lack of data. The study also broadens the sight of virtual metrology model from the wafer-average virtual metrology model to 2D virtual metrology model within the wafer.

#가상 계측 #에칭 공정 #CVD 공정 #인공 신경망 #시뮬레이티드어닐링, 선형 회귀 #virtual metrology #etching process #CVD (chemical vapor deposition) process #artificial neural networks #simulated annealing #linear regression

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

목차

최근 본 자료

댓글(0)