(데이터·AI프로젝트) CNN을 활용한 웨이퍼 불량 원인 인자 파악에 관한 연구

문제점 진단

* 기업명 : 00하이닉스(성00)

․ 반도체의 집적도를 높이기 위해서 제조공정 미세화, 자동화, 첨단화로 인해 실시간 대량 데이터가 생성되고 있으며, 이에 따라 단순 비교 분석 업무가 기하급수적으로 증가

․ 데이터를 수집하고 분석하는데 많은 시간이 소요

․ 제조 과정에서의 주요 불량 원인을 조기에 감지하고 예측하는 업무에 많은 어려움이 증가

․ 최근에는 이러한 전문가들의 결함에 대한 분석 수행 경험과 업무 지식을 내재화하고, Good/Bad 웨이퍼의 이미지를 학습하여 불량 유형을 분류하는 머신러닝 모델을 통한 방법들이 최근 들어서 요구되고 필요

․ 머신러닝이나 딥러닝 기술을 활용한 연구들이 제조 현장에서도 활발하게 진행

․ 대량 데이터에 대한 분석 체계를 통하여 공정에서 발생되는 불량에 대해 조기에 예측하고, 사전 예방분석을 통하여 생산되는 제품의 품질을 최적화하고, 생산효율 향상에 기여

해결방안도출

․선행연구를 통하여 선정된 이번 연구에 적절한 인공지능 (AI, Artificial intelligence) 알고리즘을 활용

․ 분석에 활용한 데이터의 대상을 현업에 요청하여 선정

․ 데이터의 구조를 이미지 프로세싱이 가능하기 위한 구조로 최적화

․ 웨이퍼 불량 패턴 이미지를 학습하고, 그 해당 불량 원인 인자를 식별하기 위한 적합한 알고리즘의 선정과정을 거치고 인공지능(AI) 학습을 통하여 모델의 성숙도를 향상

․ 지도교수와 모델 및 파라미터들을 구성하여 모델 알고리즘을 적용 및 분석 결과를 확인, 일련의 과정을 계속 피드백하면서 수행

․ 연구 측정모델에 대한 평가지수를 선정하여 측정모델의 적합성을 평가

핵심성과

정량성과

․ 적용제품의 연 웨이퍼 불량 감소로 인한 약 70억 정도의 기회비용 효과

정성성과

․ 불량 유형별 상세 혐의 인자 관리체계를 수립, 협의 인자 탐지를 자동화하는 학습 및 알고리즘을 통하여 품질 분석 기반 마련

․ AI 기반의 패턴 인식을 통해서 공정의 문제를 발견하고, 학습할 수 있는 기반 마련