(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 |
-
이전글
-
다음글