[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

KR20230028995A - 결함 예측 방법 및 장치 - Google Patents

결함 예측 방법 및 장치 Download PDF

Info

Publication number
KR20230028995A
KR20230028995A KR1020210110942A KR20210110942A KR20230028995A KR 20230028995 A KR20230028995 A KR 20230028995A KR 1020210110942 A KR1020210110942 A KR 1020210110942A KR 20210110942 A KR20210110942 A KR 20210110942A KR 20230028995 A KR20230028995 A KR 20230028995A
Authority
KR
South Korea
Prior art keywords
data
sub
model
production process
models
Prior art date
Application number
KR1020210110942A
Other languages
English (en)
Inventor
최태림
이준행
Original Assignee
삼성전자주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사 filed Critical 삼성전자주식회사
Priority to KR1020210110942A priority Critical patent/KR20230028995A/ko
Priority to US17/748,241 priority patent/US20230054159A1/en
Publication of KR20230028995A publication Critical patent/KR20230028995A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32222—Fault, defect detection of origin of fault, defect of product

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Factory Administration (AREA)

Abstract

결함 예측 방법 및 장치가 개시된다. 일 실시예에 따른 결함 예측 방법은 생산 공정을 복수의 서브 모델들로 모델링하여 복수의 서브 모델들 사이의 시퀀스를 결정하는 단계, 생산 공정 데이터를 서브 모델들 각각에 매핑하는 단계, 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하는 단계, 서브 모델들 각각에 대응하는 출력 데이터에 기초하여, 생산 공정의 결함과 관련된 정보를 예측하는 단계를 포함하고, 서브 모델들 각각의 출력 데이터는 시퀀스에 따라, 해당 서브 모델의 출력 데이터가 다음 서브 모델로 입력된다.

Description

결함 예측 방법 및 장치{METHODS AND DEVICES FOR PREDICTING DEFECTS}
아래 실시예들은 제품 생산 공정에 있어서 발생할 수 있는 결함을 예측하는 방법 및 장치에 관한 것이다.
다수의 단계로 구성된 일련의 공정을 통해 하나의 제품이 생산되는 경우, 각각의 공정마다 유기적인 연결에 따른 무결성 보장과 신뢰도가 매우 중요하다. 이러한 무결성을 달성하기 위해 생산 공정에서는 부품의 수입 검사에서부터 각 공정의 이상 유무 판정 및 원인 진단이 파악 가능한 효율적인 품질관리 시스템의 개발이 필요하다.
일 실시예에 따른 결함 예측 방법은 생산 공정을 복수의 서브 모델들로 모델링하여 상기 복수의 서브 모델들 사이의 시퀀스를 결정하는 단계, 생산 공정 데이터를 상기 서브 모델들 각각에 매핑하는 단계, 상기 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하는 단계, 및 상기 서브 모델들 각각에 대응하는 상기 출력 데이터에 기초하여, 상기 생산 공정의 결함과 관련된 정보를 예측하는 단계를 포함하고, 상기 서브 모델들 각각의 상기 출력 데이터는 상기 시퀀스에 따라, 상기 해당 서브 모델의 상기 출력 데이터가 다음 서브 모델로 입력된다.
일 실시예에 따른 결함 예측 방법은 상기 생산 공정 데이터를 획득하는 단계를 더 포함할 수 있다.
상기 생산 공정 데이터는 상기 생산 공정이 수행됨에 따라 측정되는 제1 데이터, 상기 제1 데이터에 기초하여 가공된 제2 데이터, 및 결함 여부 판단을 위해 측정되는 제3 데이터 중 적어도 하나를 포함할 수 있다.
상기 출력 데이터를 결정하는 단계는 상기 해당 서브 모델의 이전 서브 모델의 이전 출력 데이터를 수신하는 단계, 및 상기 이전 출력 데이터 및 상기 해당 서브 모델의 상기 생산 공정 데이터에 기초하여 상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계를 포함할 수 있다.
상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계는 상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 제3 데이터를 예측하는 단계, 및 상기 예측된 제3 데이터와 측정된 제3 데이터에 기초하여 최종 제3 데이터를 결정하는 단계를 더 포함할 수 있다.
상기 최종 제3 데이터를 결정하는 단계는 상기 측정된 제3 데이터가 존재하는 경우, 상기 측정된 제3 데이터를 상기 최종 제3 데이터로 결정하는 단계, 및 상기 측정된 제3 데이터가 존재하지 않는 경우, 상기 예측된 제3 데이터를 상기 최종 제3 데이터로 결정하는 단계를 더 포함할 수 있다.
상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계는 상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 잠재 변수 정보(latent space information)를 생성하는 단계, 및 상기 해당 서브 모델의 상기 제1 데이터, 상기 해당 서브 모델의 상기 제2 데이터, 상기 최종 제3 데이터 및 상기 잠재 변수 정보 중 적어도 하나에 기초하여 상기 출력 데이터를 결정하는 단계를 더 포함할 수 있다.
상기 생산 공정 데이터를 상기 서브 모델들 각각에 매핑하는 단계는 상기 생산 공정 데이터를 스텝에 따라 분리하는 단계를 포함할 수 있다.
상기 시퀀스를 결정하는 단계는 상기 생산 공정의 시간적 순서 및 물리적 상관 관계 중 적어도 하나에 기초하여, 상기 복수의 서브 모델들 사이의 상기 시퀀스를 결정하는 단계를 포함할 수 있다.
일 실시예에 따른 결함 예측 장치는 생산 공정을 복수의 서브 모델들로 모델링하여 상기 복수의 서브 모델들 사이의 시퀀스를 결정하고, 생산 공정 데이터를 상기 서브 모델들 각각에 매핑하고, 상기 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하고, 상기 서브 모델들 각각에 대응하는 상기 출력 데이터에 기초하여, 상기 생산 공정의 결함과 관련된 정보를 예측하는 프로세서를 포함하고, 상기 서브 모델들 각각의 상기 출력 데이터는 상기 시퀀스에 따라, 상기 해당 서브 모델의 상기 출력 데이터가 다음 서브 모델로 입력될 수 있다.
상기 프로세서는 상기 생산 공정 데이터를 획득할 수 있다.
상기 생산 공정 데이터는 상기 생산 공정이 수행됨에 따라 측정되는 제1 데이터, 상기 제1 데이터에 기초하여 가공된 제2 데이터, 및 결함 여부 판단을 위해 측정되는 제3 데이터 중 적어도 하나를 포함할 수 있다.
상기 프로세서는 상기 해당 서브 모델의 이전 서브 모델의 이전 출력 데이터를 수신하고, 상기 이전 출력 데이터 및 상기 해당 서브 모델의 상기 생산 공정 데이터에 기초하여 상기 해당 서브 모델의 상기 출력 데이터를 결정할 수 있다.
상기 프로세서는 상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 제3 데이터를 예측하고, 상기 예측된 제3 데이터와 측정된 제3 데이터에 기초하여 최종 제3 데이터를 결정할 수 있다.
상기 프로세서는 상기 측정된 제3 데이터가 존재하는 경우, 상기 측정된 제3 데이터를 상기 최종 제3 데이터로 결정하고, 상기 측정된 제3 데이터가 존재하지 않는 경우, 상기 예측된 제3 데이터를 상기 최종 제3 데이터로 결정할 수 있다.
상기 프로세서는 상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 잠재 변수 정보(latent space information)를 생성하고, 상기 해당 서브 모델의 상기 제1 데이터, 상기 해당 서브 모델의 상기 제2 데이터, 상기 최종 제3 데이터 및 상기 잠재 변수 정보 중 적어도 하나에 기초하여 상기 출력 데이터를 결정할 수 있다.
상기 프로세서는 상기 생산 공정 데이터를 스텝에 따라 분리할 수 있다.
상기 프로세서는 상기 생산 공정의 시간적 순서 및 물리적 상관 관계 중 적어도 하나에 기초하여, 상기 복수의 서브 모델들 사이의 상기 시퀀스를 결정할 수 있다.
도 1은 일 실시예에 따른 제품 생산 공정에 있어서 발생할 수 있는 결함을 예측하는 방법을 설명하기 위한 순서도이다.
도 2는 일 실시예에 따른 생산 공정을 복수의 서브 모델들로 모델링하는 방법을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 생산 공정 데이터를 서브 모델들 각각에 매핑하는 방법을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 서브 모델에서 출력 데이터를 결정하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 생산 공정에 있어서 결함을 예측하기 위한 서브 모델들의 동작의 예시를 도시한 도면이다.
도 6은 일 실시예에 따른 각각의 서브 모델을 개별로 학습하는 방법을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 결함 예측 방법을 통해 예측한 결함 데이터와 실제 결함 데이터를 비교한 그래프이다.
도 8은 일 실시예에 따른 결함 예측 장치를 설명하기 위한 블록도이다.
본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실제로 구현된 형태는 다양한 다른 모습을 가질 수 있으며 본 명세서에 설명된 실시예로만 한정되지 않는다.
제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의"와 "바로~간의" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 일 실시예에 따른 제품 생산 공정에 있어서 발생할 수 있는 결함을 예측하는 방법을 설명하기 위한 순서도이다.
도 1을 참조하면, 단계들(110 내지 130)은 일 실시예에 따른 결함 예측 장치에 의해 수행될 수 있고, 결함 예측 장치는 하나 또는 그 이상의 하드웨어 모듈, 하나 또는 그 이상의 소프트웨어 모듈, 또는 이들의 다양한 조합에 의하여 구현될 수 있다. 도 1의 동작은 도시된 순서 및 방식으로 수행될 수 있지만, 도시된 실시예의 사상 및 범위를 벗어나지 않으면서 일부 동작의 순서가 변경되거나 일부 동작이 생략될 수 있다. 도 1에 도시된 다수의 동작은 병렬로 또는 동시에 수행될 수 있다.
일 실시예에 따른 결함 예측 장치는 전체 프로세스 사이 사이에 계측 등으로 진행 상태에 대한 정보를 중간에 획득할 수 있는 모든 생산 공정의 모델링에 사용될 수 있다. 아래에서, 설명의 편의를 위하여 반도체 생산 공정에서 결함을 예측하는 방법을 예시로 설명하나, 일 실시예에 따른 결함 예측 방법은 반도체 생산 공정 뿐만 아니라 다양한 생산 공정에 적용될 수 있다.
최근, 반도체 제조 업계에서는 반도체 칩의 동작 속도를 증대시키고 단위 면적당 정보 저장 능력을 증가시키기 위하여 반도체 집적 회로 공정에 적용되는 최소 선폭이 꾸준히 줄어드는 추세에 있다. 또한, 반도체 웨이퍼 상에 집적화 되는 트랜지스터와 같은 반도체 소자의 크기가 서브 하프 마이크론 이하로 축소되고 있다. 예컨대, 반도체 소자의 임계 치수(Critical Dimension; CD), 프로세스 속도 및 프로세스와 관련하여 더욱 큰 중요도를 부여하는 형체 크기(feature size)가 감소하고 있으며, 기판 사이즈가 증가되고 있는 추세에 있다. 따라서, 반도체 소자의 집적도의 증가에 따른 형체 크기가 감소하며, 반도체 소자를 제조하기 위한 기판의 크기의 증가는 반도체 제조 공정의 부담으로서 작용될 수밖에 없다.
한편, 이와 같은 반도체 소자는 증착공정, 포토공정, 식각공정, 확산공정을 통하여 제조될 수 있으며, 이러한 공정들이 수 차례에서 수십 차례 반복되어야 탄생될 수 있다. 또한, 각각의 공정이 이루어지는 과정에서 결과에 영향을 미칠 수 있는 수많은 변수들이 존재한다.
포토공정을 예로 들면, 웨이퍼 상에 형성되는 포토레지스트에 대하여 소정 이상의 해상도, 초점심도, 및 오버레이 등과 같은 다양한 공정 변수가 요구되고 있다. 또한, 해상도, 초점심도, 및 오버레이는 웨이퍼 상에 형성되는 포토레지스트의 굴절율, 입사광의 파장, 및 입사광이 축소 투영되는 렌즈의 개구율과 같은 노광 장치의 재원에 따라 결정되고, 이외에도 초점 거리 및 온도와 같은 노광 장치의 제어 및 주위 환경에 따라 결정될 수 있다. 따라서, 이러한 공정 변수들은 서로 조합(combination)되어 포토공정에서 나타나며, 포토공정의 결과에 중요한 영향을 미친다.
포토공정의 결과는 포토공정이 완료된 웨이퍼의 표면과, 포토공정 이후의 식각공정이 완료된 웨이퍼의 표면 및 단면을 확대 투영하는 SEM, TEM과 같은 전자 현미경 또는 광학 현미경에 의해 전기적 또는 광학적으로 정밀 계측됨으로서 이미지 형태로 획득되어 질 수 있다. 이미지 형태를 갖는 포토공정의 결과를 통해 해상도, 초점심도, 및 오버레이와 같은 공정 변수들의 추적이 가능하다. 예컨대, 포토 공정의 결과를 통해 추적 가능한 공정 변수는 수십 가지에 이른다.
따라서, 종래 기술에 따른 반도체 제조설비 관리 시스템은 해당 단위 공정이 완료된 공정 결과를 통해 추적되는 다수의 공정 변수의 계측값과 설정값을 일대일 대응시키는 단변량 관리방법을 통하여 공정 이상 유무를 관리하고, 정상 상태의 공정 변수를 후속 단위 공정에 피드백시키도록 이루어져 있다. 이때, 단변량 관리 방법은 해당 단위 공정에 대해서만 관리가 가능하다. 때문에, 전후 단위 공정의 연관성을 고려한 다변량 통계적 공정 관리방법에 대한 연구 개발이 활발히 진행되고 있다.
한편, 웨이퍼는 약 500여 개 이상의 칩 패턴을 만들 수 있도록 제작되어지며 포토 공정이 완료된 웨이퍼에 대하여 약 20곳 내지 30곳에서 결함 발견을 위한 정밀 검사가 수행된다. 정밀 검사를 수행하기 위해서는 장시간이 소요된다.
따라서, 정밀 검사는 해당 포토공정이 이루어진 모든 웨이퍼를 대상으로 이루어질 경우 생산성의 저하를 야기시킬 수 있기 때문에 포토 공정이 완료된 일정 개수의 웨이퍼마다 규칙적으로 수행되거나, 다수개의 웨이퍼 중에서 하나가 선택되어 무작위로 수행될 수 있다. 예컨대, 카세트 또는 캐리어에 약 25개의 웨이퍼가 하나의 로트(lot) 단위로 반도체 제조공정이 진행되는 배치타입의 경우, 하나의 로트 내에서 웨이퍼 하나가 취출되어 정밀 검사를 받게된다.
그러나, 반도체 공정의 경우 계측하는 데 오랜 시간이 소요되어 생산량 극대화를 위해 불가피하게 일부 변수는 매 로트마다 계측하지 않고 일정한 스킵 룰(skip rule)에 따라 스킵되는 상황이 빈번하게 발생하게 된다.
따라서, 종래의 반도체 제조설비 관리 시스템의 통계적 공정 관리방법은 모든 변수가 계측되는 로트만이 관리가 가능하고 부분적으로 계측되는 로트들의 관리가 불가능하기 때문에 신뢰성이 떨어지는 문제점이 있었다.
아래에서 상세히 설명하겠지만, 일 실시예에 따른 결함 예측 장치는 어떤 중간 계측 결과를 갖는 세부 공정을 입력값과 출력값의 페어를 가지는 서브 모델(sub model)로 정의하며, 서브 모델 간의 관계를 통해 전체 공정을 하나의 예측 모델로 표현할 수 있다. 나아가, 일 실시예에 따른 결함 예측 장치는 생산 과정의 문제 확인이나 양불 판정 등을 위해 별도 설비를 통해 획득하는 데이터가 결측된 생산 단위에도 머신러닝을 통한 예측값을 사용하여 전체 공정의 불량률을 예측할 수 있다.
보다 구체적으로, 단계(110)에서, 일 실시예에 따른 결함 예측 장치는 생산 공정을 복수의 서브 모델들로 모델링하여 복수의 서브 모델들 사이의 시퀀스를 결정한다. 일 실시예에 따른 결함 예측 장치는 여러 공정을 거쳐 완성되는 제품의 생산 과정을 복수의 서브 모델들로 모델링할 수 있다.
예를 들어, 결함 예측 장치는 증착 공정, 포토 공정, 식각 공정, 확산 공정을 포함하는 반도체 생산 공정을 복수의 서브 모델들로 모델링할 수 있다. 아래에서, 도 2를 참조하여 일 실시예에 따른 생산 공정을 복수의 서브 모델들로 모델링하는 방법을 설명한다.
도 2를 참조하면, 일 실시예에 따른 결함 예측 장치는 생산 공정을 복수의 서브 모델들로 모델링하여 복수의 서브 모델들 사이의 시퀀스를 결정할 수 있다. 보다 구체적으로, 일 실시예에 따른 결함 장치는 공정의 일부를 나타내는 서브 모델들(210 내지 260)을 실제 생산 공정의 시간적 순서나 물리적 상관 관계에 따라 여러 가지 방식으로 배치할 수 있다.
보다 구체적으로, 일 실시예에 따른 스텝은 데이터의 존재 여부 등을 고려하여 정해진 하나 이상의 세부 공정의 집합으로 정의될 수 있고, 결함 예측 장치는 하나의 스텝을 하나의 서브 모델로 모델링할 수 있다. 예를 들어, 일 실시예에 따른 공정은 공정 1 내지 공정 10을 포함하고, 스텝1은 공정 1 내지 2를 포함하고, 스텝2는 공정3을 포함하고, 스텝3은 공정 4내지 5을 포함하고, 스텝5는 공정6을 포함하고, 스텝5는 공정7 내지 8을 포함하고, 스텝6은 공정9 내지 10을 포함할 수 있다.
이 때, 스텝1, 2, 3이 순차적으로 수행되고, 스텝4, 5가 순차적으로 수행되며, 스텝 1, 2, 3의 결과와 스텝 4, 5의 결과에 기초하여 스텝6이 수행된다고 가정하면, 일 실시예에 따른 결함 예측 장치는 스텝1을 서브 모델A(210)에, 스텝2를 서브 모델B(220)에, 스텝3을 서브 모델C(230)에, 스텝4를 서브 모델D(240) 스텝5를 서브 모델E(250)에, 스텝6을 서브 모델F(260)에 모델링할 수 있다.
다시 도 1을 참조하면, 단계(120)에서, 일 실시예에 따른 결함 예측 장치는 생산 공정 데이터를 서브 모델들 각각에 매핑한다. 일 실시예에 따른 생산 공정 데이터는 생산 공정이 수행됨에 따라 측정되는 제1 데이터, 센서 데이터에 기초하여 가공된 제2 데이터 및 결함 여부 판단을 위해 측정되는 제3 데이터를 포함할 수 있다.
식각 공정을 예로 들면, 제1 데이터는 에치 챔버 내의 압력, 모터의 동작 속도 등 생산에 반드시 필요한 세부 공정에서, 설비 센서 등의 실시간 데이터나 그 요약값일 수 있다. 제2 데이터는 플라즈마의 스펙트럼 값 등 세부 공정의 모니터링 등의 목적을 위해 제1 데이터에 기초하여 가공된 데이터일 수 있다. 제3 데이터는 전자 현미경을 이용하여 측정된 특정 위치에서의 회로 선폭, 식각 깊이 등 생산 과정의 문제 확인이나 양불 판정 등을 위해, 별도 설비(예를 들어, 전자 현미경)를 통해 획득하는 데이터일 수 있다.
일 실시예에 따른 제3 데이터는 최종 결함 여부 판단에 사용되는 데이터로, 제3 데이터를 많이 측정할수록 최종 결함 여부 판단의 정확도가 높아지지만, 많은 제3 데이터 측정은 생산성의 저하를 야기시킬 수 있다. 이에, 일 실시예에 따른 결함 예측 방법은 제3 데이터 예측을 통해 제3 데이터 측정을 대신함으로써 최종 결함 여부 판단의 효율성을 높일 수 있다.
이를 위해, 선행적으로 결함 예측 장치는 생산 공정 데이터를 서브 모델들 각각에 매핑한다. 아래에서, 도 3을 참조하여 일 실시예에 따른 생산 공정 데이터를 서브 모델들 각각에 매핑하는 방법을 설명한다.
도 3을 참조하면, 일 실시예에 따른 결함 예측 장치는 생산 공정 데이터(310)를 스텝에 따라 분리할 수 있다. 일 실시예에 따른 생산 공정은 5개의 공정 스텝을 갖을 수 있고, 결함 예측 장치는 전체 생산 공정에 대한 생산 공정 데이터(310)를 획득할 수 있다.
일 실시예에 따른 생산 공정 데이터(310)의 x축은 시간을, y축은 생산 단위를 의미할 수 있다. 생산 공정 데이터(310)에서 빈칸은 해당 시간, 해당 생산 단위에서 데이터가 없음을 의미할 수 있다.
결함 예측 장치는 생산 공정 데이터(310)를 분리하여, 스텝1에 데이터(320)를, 스텝2에 데이터(330)를, 스텝3에 데이터(340)를, 스텝4에 데이터(350)를, 스텝5에 데이터(360)를 분배할 수 있다. 각각의 스텝에 분배된 데이터(320 내지 360)는 해당 스텝에 대응하는 제1 데이터(301), 제2 데이터(302) 및 제3 데이터(303)를 포함할 수 있다.
다시 도 1을 참조하면, 단계(130)에서, 일 실시예에 따른 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정한다. 서브 모델에서 출력 데이터를 결정하는 구체적인 방법은 아래에서 도 4 내지 5를 참조하여 설명된다.
단계(140)에서, 일 실시예에 따른 결함 예측 장치는 서브 모델들 각각에 대응하는 출력 데이터에 기초하여, 생산 공정의 결함과 관련된 정보를 예측한다. 서브 모델들 각각은 하나 이상의 이전 서브 모델로부터 얻어진 데이터를 입력으로 사용하여 현재 스텝의 제3 데이터를 예측할 수 있다. 즉, 서브 모델들 각각의 출력 데이터는 시퀀스에 따라, 해당 서브 모델의 출력 데이터가 다음 서브 모델로 입력될 수 있다. 따라서, 일 실시예에 따른 결함 예측 방법은 서브 모델의 결과값들이 이후 혹은 이전 스텝의 서브 모델에 대해 영향을 미침으로써, 생산 공정의 상관 관계를 반영하여 결함을 예측할 수 있다.
도 4는 일 실시예에 따른 서브 모델에서 출력 데이터를 결정하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 일 실시예에 따른 서브 모델은 인공 신경망(410)을 포함할 수 있다. 인공 신경망(410)은 입력층(Input Layer), 출력층(Output Layer), 그리고 선택적으로 하나 이상의 은닉층(Hidden Layer)를 포함할 수 있다. 각 층은 하나 이상의 뉴런을 포함하고, 인공 신경망(410)은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다. 인공 신경망(410)에서 각 뉴런은 시냅스를 통해 입력되는 입력 신호들, 가중치, 편향에 대한 활성 함수의 함숫값을 출력할 수 있다.
모델 파라미터는 학습을 통해 결정되는 파라미터를 의미하며, 시냅스 연결의 가중치와 뉴런의 편향 등이 포함될 수 있다. 그리고, 하이퍼 파라미터는 머신 러닝 알고리즘에서 학습 전에 설정되어야 하는 파라미터를 의미하며, 학습률(Learning Rate), 반복 횟수, 미니 배치 크기, 초기화 함수 등이 포함될 수 있다.
인공 신경망(410)의 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다. 손실 함수는 인공 신경망(410)의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표로 이용될 수 있다.
해당 서브 모델의 인공 신경망(410)은 이전 출력 데이터(420)를 수신할 수 있다. 이전 출력 데이터(420)는 해당 서브 모델의 이전 서브 모델의 출력 데이터일 수 있다. 해당 서브 모델은 이전 출력 데이터(420) 및 해당 서브 모델의 생산 공정 데이터에 기초하여 해당 서브 모델의 출력 데이터(480)를 결정할 수 있다.
보다 구체적으로, 해당 서브 모델의 인공 신경망(410)은 이전 출력 데이터(420), 해당 서브 모델의 제1 데이터 및 해당 서브 모델의 제2 데이터(430)에 기초하여 해당 서브 모델의 제3 데이터를 예측할 수 있다. 이를 위해, 인공 신경망(410)은 해당 서브 모델의 측정된 제3 데이터(440)를 이용하여 학습될 수 있다.
보다 구체적으로, 인공 신경망(410)의 출력인 예측된 제3 데이터(450)와 측정된 제3 데이터(440) 사이의 차이가 최소가 되도록 인공 신경망(410)의 파라미터들을 학습시킬 수 있다. 일 실시예에 따르면, 인공 신경망(410)을 학습시키는 동작은 별도의 서버 장치에서 수행될 수 있다. 서버 장치는 미리 구비된 학습 데이터를 이용하거나, 적어도 하나의 사용자로부터 수집된 학습 데이터를 이용할 수 있다. 또는, 서버 장치는 시뮬레이션에 의하여 생성된 학습 데이터를 이용할 수도 있다.
인공 신경망(410)은 이전 출력 데이터(420), 해당 서브 모델의 제1 데이터 및 해당 서브 모델의 제2 데이터(430)에 기초하여 해당 서브 모델의 잠재 변수 정보(latent space information)(470)를 더 출력할 수 있다.
해당 서브 모델은 측정된 제3 데이터(440) 및 예측된 제3 데이터(450)에 기초하여 최종 제3 데이터(460)를 생성할 수 있다. 보다 구체적으로, 해당 서브 모델은 해당 생산 단위에서 측정된 제3 데이터(440)가 존재하는 경우, 측정된 제3 데이터(440)를 해당 생산 단위의 최종 제3 데이터(460)로 결정할 수 있다. 반대로, 해당 서브 모델은 해당 생산 단위에서 측정된 제3 데이터(440)가 존재하지 않는 경우, 예측된 제3 데이터(450)를 해당 생산 단위의 최종 제3 데이터(460)로 결정할 수 있다.
예를 들어, 제3 데이터가 회로의 선폭일 경우, 전체 생산 단위 중 20%에 해당하는 회로 선폭 데이터는 측정을 통해 획득하고 나머지 80%에 해당하는 회로 선폭 데이터는 인공 신경망(410)을 이용하여 예측을 통해 획득할 수 있다.
해당 서브 모델은 해당 서브 모델의 제1 데이터, 제2 데이터(430), 최종 제3 데이터(460) 및 잠재 변수 정보(470) 중 적어도 하나에 기초하여 출력 데이터(480)를 생성할 수 있다. 해당 서브 모델의 출력 데이터(480)는 시퀀스에 따라 다음 서브 모델의 입력 데이터로 사용될 수 있다. 이러한 구조를 사용함으로써 전체 공정을 하나의 예측 모델로 표현할 수 있게 되고, 제3 데이터가 존재하는 경우와 그렇지 않은 경우를 포함하여 모든 데이터를 학습에 활용할 수 있다.
도 5는 일 실시예에 따른 생산 공정에 있어서 결함을 예측하기 위한 서브 모델들의 동작의 예시를 도시한 도면이다.
도 5를 참조하면, 일 실시예에 따른 생산 공정은 직전-직후로만 상관 관계를 가진 6개의 스텝으로 이루어져 있을 수 있다(도 5에서 스텝1의 동작은 생략되었다).
스텝2에서, 제2 서브 모델(510)은 스텝1의 출력 데이터(500), 스텝2의 제1 데이터 및 제2 데이터(511)를 수신하여 예측된 제3 데이터(512) 및 잠재 변수 정보(515)를 생성할 수 있다. 이후, 제2 서브 모델(510)은 스텝1의 제3 데이터(513) 및 예측된 제3 데이터(512)를 이용하여 최종 제3 데이터(514)를 결정할 수 있고, 스텝2의 제1 데이터 및 제2 데이터(511), 최종 제3 데이터(514) 및 잠재 변수 정보(515)에 기초하여 스텝2의 출력 데이터(516)를 결정할 수 있다.
마찬가지 방법으로 스텝3의 제3 서브 모델(520)은 스텝2의 출력 데이터(516)를 수신하여 스텝3의 출력 데이터(526)를 결정할 수 있고, 스텝5의 제4 서브 모델(530)은 스텝3의 출력 데이터(526)를 수신하여 스텝4의 출력 데이터(536)를 결정할 수 있고, 스텝5의 제5 서브 모델(540)은 스텝4의 출력 데이터(536)를 수신하여 스텝5의 출력 데이터(546)를 결정할 수 있다.
마지막 스텝6의 제6 서브 모델(550)은 스텝5의 출력 데이터(546)를 수신하여 생산 공정의 결함과 관련된 최종 정보(560)를 출력할 수 있다. 제6 서브 모델(550)은 제1 서브 모델 내지 제5 서브 모델(550) 각각의 출력 데이터들(500, 516, 526, 536, 546)을 모두 반영하여 최종 정보(560)를 결정하게 된다. 최종 정보(560)는 예를 들어, 결함의 종류 및 해당 결함의 발생 확률을 포함할 수 있다.
일 실시예에 따른 결함 예측 장치는 결함과 관련된 최종 정보(560)를 예측함과 동시에, 본래는 계측을 위한 별도의 공정이 필요한 각각의 스텝의 제3 데이터들에 대한 예측을 할 수 있다.
도 6은 일 실시예에 따른 각각의 서브 모델을 개별로 학습하는 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 일 실시예에 따른 서브 모델들은 반드시 한 번에 학습할 필요는 없으며, 각각의 서브 모델들을 분리하여 학습할 수도 있다. 다만, 각각의 서브 모델들을 개별로 학습할 경우, 이전 스텝들의 각 서브 모델들의 출력 데이터를 실시간으로 얻을 수 없기 때문에 개별 서브 모델을 여러 번 학습하는 것이 전제될 수 있다.
일 실시예에 따른 시퀀셜(sequential) 학습 방법(610)은 해당 서브 모델 학습 시 해당 서브 모델의 이전 서브 모델들의 모든 데이터를 이용하여 학습하는 방법이다. 다른 실시예에 따른 파라렐(parallel) 학습 방법(620)은 당 서브 모델 학습 시 해당 서브 모델의 데이터만 이용하여 학습하는 방법이다. 시퀀셜 학습 방법(610)은 파라렐 학습 방법(620)에 비해 생산 공정의 상관 관계를 반영할 수 있으나, 모든 데이터에 기초하여 학습하기 때문에 학습 시간이 오래 걸릴 수 있다.
또 다른 실시예에 따른 이터레이션(iteration) 학습 방법(630)은 n번째 이터레이션의 서브 모델의 입력 데이터는 n-1번째 이터레이션에서 이전 스텝들의 서브 모델들로부터 얻어진 예측된 제3 데이터를 사용할 수 있다.
도 7은 일 실시예에 따른 결함 예측 방법을 통해 예측한 결함 데이터와 실제 결함 데이터를 비교한 그래프이다.
도 7을 참조하면, 그래프(710)는 일 실시예에 따른 DRAM 생산 공정에 있어서 결함 예측 방법을 통해 예측한 결함 데이터의 불량률과 실제 결함 데이터의 불랑률을 비교한 그래프이다. 그래프(710)의 x축은 0.0 ~ 1.0 (=100%) 사이로 표현된 불량률을, y축은 도수인 히스토그램을 의미할 수 있다. 나아가, 곡선으로 표현된 부분은 KDE(Kernel Density Estimation)을 사용해 나타낸 확률밀도함수일 수 있다.
그래프(720)는 예측한 결함 데이터의 불량률과 실제 결함 데이터의 불량률의 분포를 도시한 그래프로, 그래프(720)의 x축은 실제 결함 데이터의 불량률을, y축은 예측한 결함 데이터의 불량률을 의미할 수 있다. 그래프(720)를 참조하면, 전체 케이스에서 예측한 결함 데이터의 불량률이 실제 결함 데이터의 불량률의 차이가 1% 미만인 건이 86.63%임을 알 수 있다.
도 8은 일 실시예에 따른 결함 예측 장치를 설명하기 위한 블록도이다.
도 8을 참조하면, 일 실시예에 따른 결함 예측 장치(800)는 프로세서(810)를 포함한다. 결함 예측 장치(800)는 메모리(830) 및 통신 인터페이스(850)를 더 포함할 수 있다. 프로세서(810), 메모리(830) 및 통신 인터페이스(850)는 통신 버스(805)를 통해 서로 통신할 수 있다.
프로세서(810)는 생산 공정을 복수의 서브 모델들로 모델링하여 복수의 서브 모델들 사이의 시퀀스를 결정하고, 생산 공정 데이터를 서브 모델들 각각에 매핑하고, 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하고, 서브 모델들 각각에 대응하는 출력 데이터에 기초하여, 생산 공정의 결함과 관련된 정보를 예측한다.
메모리(830)는 생산 공정 데이터를 저장할 수 있다. 메모리(830)는 휘발성 메모리 또는 비 휘발성 메모리일 수 있다.
이 밖에도, 프로세서(810)는 도 1 내지 도 7을 통해 전술한 적어도 하나의 방법 또는 적어도 하나의 방법에 대응되는 알고리즘을 수행할 수 있다. 프로세서(810)는 프로그램을 실행하고, 결함 예측 장치(800)를 제어할 수 있다. 프로세서(810)에 의하여 실행되는 프로그램 코드는 메모리(830)에 저장될 수 있다. 결함 예측 장치(800)는 입출력 장치(미도시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 데이터를 교환할 수 있다. 결함 예측 장치(800)는 스마트 폰, 태블릿 컴퓨터, 랩톱 컴퓨터, 데스크톱 컴퓨터, 텔레비전, 웨어러블 장치, 보안 시스템, 스마트 홈 시스템 등 다양한 컴퓨팅 장치 및/또는 시스템에 탑재될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (19)

  1. 생산 공정을 복수의 서브 모델들로 모델링하여 상기 복수의 서브 모델들 사이의 시퀀스를 결정하는 단계;
    생산 공정 데이터를 상기 서브 모델들 각각에 매핑하는 단계;
    상기 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하는 단계; 및
    상기 서브 모델들 각각에 대응하는 상기 출력 데이터에 기초하여, 상기 생산 공정의 결함과 관련된 정보를 예측하는 단계
    를 포함하고,
    상기 서브 모델들 각각의 상기 출력 데이터는
    상기 시퀀스에 따라, 상기 해당 서브 모델의 상기 출력 데이터가 다음 서브 모델로 입력되는 결함 예측 방법.
  2. 제1항에 있어서,
    상기 생산 공정 데이터를 획득하는 단계
    를 더 포함하는, 결함 예측 방법.
  3. 제1항에 있어서,
    상기 생산 공정 데이터는
    상기 생산 공정이 수행됨에 따라 측정되는 제1 데이터;
    상기 제1 데이터에 기초하여 가공된 제2 데이터; 및
    결함 여부 판단을 위해 측정되는 제3 데이터
    중 적어도 하나를 포함하는, 결함 예측 방법.
  4. 제1항에 있어서,
    상기 출력 데이터를 결정하는 단계는
    상기 해당 서브 모델의 이전 서브 모델의 이전 출력 데이터를 수신하는 단계; 및
    상기 이전 출력 데이터 및 상기 해당 서브 모델의 상기 생산 공정 데이터에 기초하여 상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계
    를 더 포함하는, 결함 예측 방법.
  5. 제4항에 있어서,
    상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계는
    상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 제3 데이터를 예측하는 단계; 및
    상기 예측된 제3 데이터와 측정된 제3 데이터에 기초하여 최종 제3 데이터를 결정하는 단계
    를 더 포함하는, 결함 예측 방법.
  6. 제5항에 있어서,
    상기 최종 제3 데이터를 결정하는 단계는
    상기 측정된 제3 데이터가 존재하는 경우, 상기 측정된 제3 데이터를 상기 최종 제3 데이터로 결정하는 단계; 및
    상기 측정된 제3 데이터가 존재하지 않는 경우, 상기 예측된 제3 데이터를 상기 최종 제3 데이터로 결정하는 단계
    를 더 포함하는, 결함 예측 방법.
  7. 제5항에 있어서,
    상기 해당 서브 모델의 상기 출력 데이터를 결정하는 단계는
    상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 잠재 변수 정보(latent space information)를 생성하는 단계; 및
    상기 해당 서브 모델의 상기 제1 데이터, 상기 해당 서브 모델의 상기 제2 데이터, 상기 최종 제3 데이터 및 상기 잠재 변수 정보 중 적어도 하나에 기초하여 상기 출력 데이터를 결정하는 단계
    를 더 포함하는, 결함 예측 방법.
  8. 제1항에 있어서,
    상기 생산 공정 데이터를 상기 서브 모델들 각각에 매핑하는 단계는
    상기 생산 공정 데이터를 스텝에 따라 분리하는 단계
    를 포함하는, 결함 예측 방법.
  9. 제1항에 있어서,
    상기 시퀀스를 결정하는 단계는
    상기 생산 공정의 시간적 순서 및 물리적 상관 관계 중 적어도 하나에 기초하여, 상기 복수의 서브 모델들 사이의 상기 시퀀스를 결정하는 단계
    를 포함하는, 결함 예측 방법.
  10. 하드웨어와 결합되어 제1항 내지 제9항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  11. 생산 공정을 복수의 서브 모델들로 모델링하여 상기 복수의 서브 모델들 사이의 시퀀스를 결정하고, 생산 공정 데이터를 상기 서브 모델들 각각에 매핑하고, 상기 서브 모델들 각각에 있어서, 해당 서브 모델은 해당 스텝에서 발생할 수 있는 결함 정보를 포함하는 출력 데이터를 결정하고, 상기 서브 모델들 각각에 대응하는 상기 출력 데이터에 기초하여, 상기 생산 공정의 결함과 관련된 정보를 예측하는
    프로세서를 포함하고,
    상기 서브 모델들 각각의 상기 출력 데이터는
    상기 시퀀스에 따라, 상기 해당 서브 모델의 상기 출력 데이터가 다음 서브 모델로 입력되는 결함 예측 장치.
  12. 제11항에 있어서,
    상기 프로세서는
    상기 생산 공정 데이터를 획득하는, 결함 예측 장치.
  13. 제11항에 있어서,
    상기 생산 공정 데이터는
    상기 생산 공정이 수행됨에 따라 측정되는 제1 데이터;
    상기 제1 데이터에 기초하여 가공된 제2 데이터; 및
    결함 여부 판단을 위해 측정되는 제3 데이터
    중 적어도 하나를 포함하는, 결함 예측 장치.
  14. 제11항에 있어서,
    상기 프로세서는
    상기 해당 서브 모델의 이전 서브 모델의 이전 출력 데이터를 수신하고, 상기 이전 출력 데이터 및 상기 해당 서브 모델의 상기 생산 공정 데이터에 기초하여 상기 해당 서브 모델의 상기 출력 데이터를 결정하는, 결함 예측 장치.
  15. 제14항에 있어서,
    상기 프로세서는
    상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 제3 데이터를 예측하고, 상기 예측된 제3 데이터와 측정된 제3 데이터에 기초하여 최종 제3 데이터를 결정하는, 결함 예측 장치.
  16. 제15항에 있어서,
    상기 프로세서는
    상기 측정된 제3 데이터가 존재하는 경우, 상기 측정된 제3 데이터를 상기 최종 제3 데이터로 결정하고, 상기 측정된 제3 데이터가 존재하지 않는 경우, 상기 예측된 제3 데이터를 상기 최종 제3 데이터로 결정하는, 결함 예측 장치.
  17. 제15항에 있어서,
    상기 프로세서는
    상기 이전 출력 데이터, 상기 해당 서브 모델의 제1 데이터 및 상기 해당 서브 모델의 제2 데이터에 기초하여 상기 해당 서브 모델의 잠재 변수 정보(latent space information)를 생성하고, 상기 해당 서브 모델의 상기 제1 데이터, 상기 해당 서브 모델의 상기 제2 데이터, 상기 최종 제3 데이터 및 상기 잠재 변수 정보 중 적어도 하나에 기초하여 상기 출력 데이터를 결정하는, 결함 예측 장치.
  18. 제11항에 있어서,
    상기 프로세서는
    상기 생산 공정 데이터를 스텝에 따라 분리하는, 결함 예측 장치.
  19. 제11항에 있어서,
    상기 프로세서는
    상기 생산 공정의 시간적 순서 및 물리적 상관 관계 중 적어도 하나에 기초하여, 상기 복수의 서브 모델들 사이의 상기 시퀀스를 결정하는, 결함 예측 장치.

KR1020210110942A 2021-08-23 2021-08-23 결함 예측 방법 및 장치 KR20230028995A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020210110942A KR20230028995A (ko) 2021-08-23 2021-08-23 결함 예측 방법 및 장치
US17/748,241 US20230054159A1 (en) 2021-08-23 2022-05-19 Method and device for predicting defects

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210110942A KR20230028995A (ko) 2021-08-23 2021-08-23 결함 예측 방법 및 장치

Publications (1)

Publication Number Publication Date
KR20230028995A true KR20230028995A (ko) 2023-03-03

Family

ID=85228672

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210110942A KR20230028995A (ko) 2021-08-23 2021-08-23 결함 예측 방법 및 장치

Country Status (2)

Country Link
US (1) US20230054159A1 (ko)
KR (1) KR20230028995A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102672799B1 (ko) * 2023-04-25 2024-06-05 고성훈 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024208800A1 (en) * 2023-04-03 2024-10-10 Basf Se Method for monitoring or controlling a chemical production process

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100928205B1 (ko) * 2007-06-05 2009-11-25 삼성전자주식회사 반도체 제조설비 관리시스템 및 그의 통계적 공정 관리방법
US8571696B2 (en) * 2009-06-10 2013-10-29 Fisher-Rosemount Systems, Inc. Methods and apparatus to predict process quality in a process control system
US20130030760A1 (en) * 2011-07-27 2013-01-31 Tom Thuy Ho Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor
US9678505B2 (en) * 2013-10-14 2017-06-13 Invensys Systems, Inc. Line management in manufacturing execution system
US11275361B2 (en) * 2017-06-30 2022-03-15 Kla-Tencor Corporation Systems and methods for predicting defects and critical dimension using deep learning in the semiconductor manufacturing process
WO2019155471A1 (en) * 2018-02-07 2019-08-15 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
DE102019213547A1 (de) * 2019-09-05 2021-03-11 Robert Bosch Gmbh Vorrichtung und Verfahren zum Trainieren eines Modells sowie Fahrzeug
WO2021075927A1 (ko) * 2019-10-16 2021-04-22 (주)아인스에스엔씨 대상 시스템을 기술하는 모델을 구현하고 동작시키는 컴퓨팅 시스템 및 이를 이용한 대상 시스템의 동작 예측 방법
CN112288128A (zh) * 2020-09-14 2021-01-29 北京沃东天骏信息技术有限公司 信息预测方法和装置
US20220188943A1 (en) * 2020-12-15 2022-06-16 Sap Se Simulation and prediction platform services in integrated system environment

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102672799B1 (ko) * 2023-04-25 2024-06-05 고성훈 반도체 장비의 실시간 공정 데이터를 매칭 및 분석하는 시스템 및 그 방법

Also Published As

Publication number Publication date
US20230054159A1 (en) 2023-02-23

Similar Documents

Publication Publication Date Title
US11099486B2 (en) Generating predicted data for control or monitoring of a production process
US7673278B2 (en) Enhanced process yield using a hot-spot library
US11886783B2 (en) Simulation system for semiconductor process and simulation method thereof
JP7566080B2 (ja) 予測モデルの改良
TW201735210A (zh) 透過異常值偵測之特徵選擇及自動化製程窗監控
Wu et al. Remaining useful life prediction for ion etching machine cooling system using deep recurrent neural network-based approaches
CN111566566A (zh) 半导体制造的度量和制程控制
KR20230028995A (ko) 결함 예측 방법 및 장치
US20220129775A1 (en) Prediction and metrology of stochastic photoresist thickness defects
US8183062B2 (en) Creating metal gate structures using Lithography-Etch-Lithography-Etch (LELE) processing sequences
Huang et al. Intelligent manufacturing: TCAD-assisted adaptive weighting neural networks
Maitra et al. Virtual metrology in semiconductor manufacturing: Current status and future prospects
TWI734390B (zh) 自資料集中提取特徵
Pan et al. An inferential modeling method using enumerative PLS based nonnegative garrote regression
US20230066516A1 (en) Virtual cross metrology-based modeling of semiconductor fabrication processes
US20230056595A1 (en) Method and device for predicting process anomalies
TW202326507A (zh) 使用深度學習預測分佈的計算裝置及其操作方法
Sawlani et al. Perspectives on artificial intelligence for plasma-assisted manufacturing in semiconductor industry
Xu et al. A fast ramp-up framework for wafer yield improvement in semiconductor manufacturing systems
Liu et al. A concise subspace projection based meta-learning method for fast modeling and monitoring in multi-grade semiconductor process
KR20220051868A (ko) 반도체 장치의 제조를 위한 방법 및 컴퓨팅 장치
US20240320508A1 (en) Transfer learning for metrology data analysis
Shiely Machine learning for compact lithographic process models
Lee et al. Double bagging trees with weighted sampling for predictive maintenance and management of etching equipment
Hsiao et al. GAGAN: Global Attention Generative Adversarial Networks for Semiconductor Advanced Process Control

Legal Events

Date Code Title Description
A201 Request for examination