KR101466798B1 - 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 - Google Patents
제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 Download PDFInfo
- Publication number
- KR101466798B1 KR101466798B1 KR1020140060603A KR20140060603A KR101466798B1 KR 101466798 B1 KR101466798 B1 KR 101466798B1 KR 1020140060603 A KR1020140060603 A KR 1020140060603A KR 20140060603 A KR20140060603 A KR 20140060603A KR 101466798 B1 KR101466798 B1 KR 101466798B1
- Authority
- KR
- South Korea
- Prior art keywords
- product
- facilities
- contribution
- facility
- calculating
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 215
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 156
- 230000002950 deficient Effects 0.000 claims description 55
- 230000001186 cumulative effect Effects 0.000 claims description 45
- 230000007547 defect Effects 0.000 claims description 14
- 238000010187 selection method Methods 0.000 claims description 9
- 238000012314 multivariate regression analysis Methods 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000012805 post-processing Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 104
- 238000012360 testing method Methods 0.000 description 21
- 230000001419 dependent effect Effects 0.000 description 15
- 235000012431 wafers Nutrition 0.000 description 15
- 239000004065 semiconductor Substances 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000002994 raw material Substances 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- 238000005530 etching Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000005468 ion implantation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
-
- 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
- G05B2219/32204—Performance assurance; assure certain level of non-defective products
-
- 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
- G05B2219/32324—Quality data determines optimum machine sequence selection, queuing rules
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
- H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
- H01L22/20—Sequence of activities consisting of a plurality of measurements, corrections, marking or sorting steps
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
본 발명의 실시 예에 따른 제조 공정에서의 불량 설비 탐지 방법은: 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 단계; 상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 복수의 설비들 각각의 기여도를 산출하는 단계; 상기 산출된 기여도에 기초하여 선택된 설비들에 대하여, 상기 제품의 불량에 기여하는 설비 및 경로의 누적 효과를 규칙으로 생성하는, 수정된 연관 규칙을 적용하는 단계; 그리고 상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 단계를 포함할 수 있다. 본 발명의 실시 예에 따르면, 제조 공정에서의 제품 불량을 야기하는 혐의 설비를 효율적으로 탐지할 수 있다. 또한, 제조 공정의 수율을 증가시키는 최적의 경로를 탐색할 수 있다.
Description
본 발명은 반도체 제조 공정에 관한 것으로, 좀 더 구체적으로는, 반도체 제조 공정에서의 제품 불량을 야기하는 원인 설비를 감지하는 방법에 관한 것이다.
제조 공정에서의 수율은 제품의 품질, 원가 등을 결정하는 중요한 요소이다. 특히, 반도체 제조 공정과 같은 미세 제조 공정은 일반적으로 많은 단계의 공정을 거친다. 반도체 제조 공정은 각각의 공정마다 복수의 설비를 갖추고 있고, 복수의 설비들 중, 정해진 스케줄에 따라, 임의의 설비를 통하여 해당 공정에서의 처리가 완료된다. 이 경우, 제조 공정에서의 전체 설비의 수는 기하급수적으로 증가한다. 따라서, 수많은 설비들을 모두 검사하여 제품 불량의 원인 설비를 감지하는 것은 현실적으로 어려운 문제이다. 게다가, 설비들 간의 상관 관계가 존재하므로, 선공정과 후공정이 복합적으로 제품의 불량을 야기하는 누적효과가 존재할 수 있다. 이는 단순히 공정들 간의 상관 관계가 아니라, 공정에 관여하는 설비들 간의 상관 관계이다. 따라서, 제품 불량을 야기하는 설비 각각의 기여도를 분석하는 것뿐만 아니라, 설비 및 공정 경로에 따른 누적 요인을 분석하여 제품 불량을 야기하는 혐의 설비(suspicious equipment)를 감지하고 관리하는 것이 매우 중요하다.
본 발명의 목적은 제조 공정에서의 제품 불량을 야기하는 설비를 효율적으로 감지하는데 있다.
또한, 본 발명의 다른 목적은 제조 공정의 수율을 증가시키는 최적의 경로를 탐색하는데 있다.
본 발명의 실시 예에 따른, 복수의 공정들 각각에서 복수의 설비들 중 선택된 설비에 의해 제품이 생산되는 제조 공정에서의 불량 설비 탐지 방법은: 상기 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 단계; 상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 상기 복수의 설비들 각각의 기여도를 산출하는 단계; 상기 산출된 기여도에 기초하여 선택된 설비들에 대하여, 상기 제품의 불량에 기여하는 설비 및 경로의 누적 효과를 규칙으로 생성하는, 수정된 연관 규칙을 적용하는 단계; 그리고 상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 단계를 포함할 수 있다.
실시 예로써, 상기 획득하는 단계는: 상기 복수의 설비들이 상기 제품을 생산하는데 관여한 설비인지 여부에 따라 상기 공정 경로 데이터를 이진화하는 단계; 그리고 상기 제품이 정상인지 여부에 따라 상기 공정 결과 데이터를 이진화하는 단계를 포함할 수 있다.
다른 실시 예로써, 상기 기여도를 산출하는 단계는 다변량 회귀분석 또는 변수 선택법을 사용하여 수행될 수 있다.
또 다른 실시 예로써, 상기 다변량 회귀분석 또는 상기 변수 선택법은 PLSR-VIP (Partial Least Square Regression-Variable Importance in the Projection), mRMR (Minimum-Redundancy-Maximum-Relevance) 변수 선택법, 또는 SVM-RFE (Support Vector Machine Recursive Feature Elimination) 중 어느 하나일 수 있다.
또 다른 실시 예로써, 상기 수정된 연관 규칙을 적용하는 단계는: 상기 공정 경로 데이터에 대응하는 설비들로부터 상기 기여도가 제 1 기준값 이하인 설비들을 제거하여, 상기 규칙들을 생성하는 단계; 상기 규칙들로부터 상기 규칙들에 포함된 설비들 중 후공정 설비에 의한 누적 효과를 산출하는 단계; 그리고 상기 누적 효과가 제 2 기준값을 초과하는 규칙들에 대하여, 상기 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값을 산출하는 단계를 포함할 수 있다.
또 다른 실시 예로써, 상기 누적 효과는 선공정의 정확도에 대한, 후공정에 의한 불량율의 증가분의 비율일 수 있다.
또 다른 실시 예로써, 상기 수정된 연관 규칙을 적용하는 단계는 Apriori, Eclat, AprioriDP, 또는 CMPNARM 알고리즘을 사용함으로써 수행될 수 있다.
또 다른 실시 예로써, 상기 불량설비 판단 지수는 상기 기여도, 상기 파라미터들의 상기 대표값, 및 불량 제품의 개수 중 적어도 하나를 독립 변수로 하는 제 1 함수를 포함할 수 있다.
또 다른 실시 예로써, 상기 대표값은 산술평균(arithmetic mean), 강건평균(robust mean), 절사평균(trimed mean), 가중평균(weighted mean), 기하평균(geometric mean), 조화평균(harmonic mean), 또는 중앙값(median) 중 하나일 수 있다.
또 다른 실시 예로써, 상기 불량설비 판단 지수는 상기 제품을 생산되는데 관여된 설비들 중 상기 누적 효과가 상기 기준값을 초과하는 규칙에 대응하는 설비들의 개수의 평균값을 독립 변수로 하는 제 2 함수를 포함할 수 있다.
본 발명의 실시 예에 따른, 제조 공정에서의 불량 설비 탐지 장치는: 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 입력부; 그리고 상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 각각의 설비의 기여도를 산출하고, 상기 산출된 기여도에 기초하여 선택된 설비들에 대하여 상기 제품의 불량에 기여하는 설비 및 생산 경로의 누적 효과를 규칙으로 생성하는 수정된 연관 규칙을 적용하고, 그리고 상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 제어부를 포함할 수 있다.
실시 예로써, 상기 제어부는 상기 복수의 설비들이 상기 제품을 생산하는데 관여한 설비인지 여부에 따라 상기 공정 경로 데이터를 이진화하고, 그리고 상기 제품이 정상인지 여부에 따라 상기 공정 결과 데이터를 이진화할 수 있다.
다른 실시 예로써, 상기 제어부는 PLSR-VIP (Partial Least Square Regression-Variable Importance in the Projection), mRMR (Minimum-Redundancy-Maximum-Relevance) 변수 선택법, 또는 SVM-RFE (Support Vector Machine Recursive Feature Elimination) 중 어느 하나에 의하여 상기 기여도를 산출할 수 있다.
또 다른 실시 예로써, 상기 누적 효과는 선공정의 정확도에 대한, 후공정에 의한 불량율의 증가분의 비율일 수 있다.
또 다른 실시 예로써, 상기 제어부는 상기 공정 경로 데이터에 대응하는 설비들로부터 상기 기여도가 제 1 기준값 이하인 설비들을 제거하여 상기 규칙들을 생성하고, 상기 규칙들로부터 상기 규칙들에 포함된 설비들 중 후공정 설비에 의한 누적 효과를 산출하고, 그리고 상기 누적 효과가 제 2 기준값을 초과하는 규칙들에 대하여, 상기 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값을 산출할 수 있다.
또 다른 실시 예로써, 상기 불량설비 판단 지수는 상기 기여도에 비례하고, 그리고 상기 파라미터들의 대표값 또는 상기 파라미터들의 대표값들의 합에 비례할 수 있다.
본 발명의 실시 예에 따른, 복수의 공정들을 거치되, 상기 공정들 각각에서 복수의 설비들 중 선택된 설비에 의해 제품이 생산되는 제조 공정에서의 불량 설비 감지 방법은: 상기 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 단계; 상기 복수의 설비들이 상기 제품을 생산하는데 관여한 설비인지 여부에 따라 상기 공정 경로 데이터를 이진화하는 단계; 상기 제품이 정상인지 여부에 따라 상기 공정 결과 데이터를 이진화하는 단계; 상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 단계; 상기 공정 경로 데이터 및 상기 산출된 기여도에 기초하여 생성된 규칙들에 대하여, 상기 제품의 불량에 기여하는 누적 효과를 반영함으로써, 수정된 연관 규칙을 적용하는 단계; 그리고 상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 단계를 포함할 수 있다.
실시 예로써, 상기 수정된 연관 규칙을 적용하는 단계는: 상기 복수의 설비들 각각의 상기 기여도가 제 1 기준값을 초과하는지 여부를 판단하는 단계; 상기 규칙들 중, 상기 기여도가 상기 제 1 기준값을 초과한다고 판단된 설비들이 포함된 규칙들에 대하여, 누적 효과를 산출하는 단계; 그리고 상기 누적 효과가 상기 제 2 기준값을 초과하는 규칙들에 대하여, 상기 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값을 산출하는 단계를 포함할 수 있다.
다른 실시 예로써, 상기 기여도를 산출하는 단계는 PLSR-VIP (Partial Least Square Regression-Variable Importance in the Projection), mRMR (Minimum-Redundancy-Maximum-Relevance) 변수 선택법, 또는 SVM-RFE (Support Vector Machine Recursive Feature Elimination) 중 어느 하나를 사용하여 수행될 수 있다.
또 다른 실시 예로써, 상기 수정된 연관 규칙을 적용하는 단계는 Apriori, Eclat, AprioriDP, 또는 CMPNARM 알고리즘을 사용함으로써 수행될 수 있다.
본 발명의 실시 예에 따르면, 제조 공정에서의 제품 불량을 야기하는 혐의 설비, 설비 조건(recipe) 또는 레티클(reticle) 등을 효율적으로 감지할 수 있다.
또한, 본 발명의 실시 예에 따르면, 제조 공정의 수율을 증가시키는 최적의 경로를 탐색할 수 있다.
도 1은 본 발명의 실시 예에 따른 제조 공정에서의 불량 설비 감지 시스템을 보여주는 블록도이다.
도 2는 본 발명의 실시 예에 따른 불량 설비 감지 방법을 설명하기 위해 도시된, 제품의 제조 공정의 일 예를 보여주는 도면이다.
도 3은 본 발명의 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
도 4a 내지 4c는 본 발명의 실시 예에 따라 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 방법을 상세하게 보여주는 도면이다.
도 5는 도 3에 도시된, 누적 효과를 반영하여 수정된 연관 규칙을 적용하는 단계를 상세하게 보여주는 흐름도이다.
도 6은 본 발명의 실시 예에 따라, 선공정의 설비가 후공정의 설비에 의한 제품의 불량에 영향을 미치는 누적 효과를 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
도 8은 본 발명의 실시 예에 따른 불량 설비 감지 방법이 반도체 제조 공정에 적용되는 예를 보여주는 블록도이다.
도 9는 본 발명의 실시 예에 따른 불량 설비 감지 방법이 LCD 제조 공정에 적용되는 예를 보여주는 블록도이다.
도 2는 본 발명의 실시 예에 따른 불량 설비 감지 방법을 설명하기 위해 도시된, 제품의 제조 공정의 일 예를 보여주는 도면이다.
도 3은 본 발명의 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
도 4a 내지 4c는 본 발명의 실시 예에 따라 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 방법을 상세하게 보여주는 도면이다.
도 5는 도 3에 도시된, 누적 효과를 반영하여 수정된 연관 규칙을 적용하는 단계를 상세하게 보여주는 흐름도이다.
도 6은 본 발명의 실시 예에 따라, 선공정의 설비가 후공정의 설비에 의한 제품의 불량에 영향을 미치는 누적 효과를 설명하기 위한 도면이다.
도 7은 본 발명의 다른 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
도 8은 본 발명의 실시 예에 따른 불량 설비 감지 방법이 반도체 제조 공정에 적용되는 예를 보여주는 블록도이다.
도 9는 본 발명의 실시 예에 따른 불량 설비 감지 방법이 LCD 제조 공정에 적용되는 예를 보여주는 블록도이다.
앞의 일반적인 설명 및 다음의 상세한 설명 모두 예시적이라는 것이 이해되어야 하며, 청구된 발명의 부가적인 설명이 제공되는 것으로 여겨져야 한다. 참조 부호들이 본 발명의 바람직한 실시 예들에 상세히 표시되어 있으며, 그것의 예들이 참조 도면들에 표시되어 있다. 가능한 어떤 경우에도, 동일한 참조 번호들이 동일한 또는 유사한 부분을 참조하기 위해서 설명 및 도면들에 사용된다.
아래에서, 장치 및 방법이 본 발명의 특징 및 기능을 설명하기 위한 한 예로서 사용된다. 하지만, 이 기술 분야에 정통한 사람은 여기에 기재된 내용에 따라 본 발명의 다른 이점들 및 성능을 쉽게 이해할 수 있을 것이다. 본 발명은 다른 실시 예들을 통해 또한, 구현되거나 적용될 수 있을 것이다. 게다가, 상세한 설명은 본 발명의 범위, 기술적 사상 그리고 다른 목적으로부터 상당히 벗어나지 않고 관점 및 용도에 따라 수정되거나 변경될 수 있다.
한 요소 또는 층이 다른 요소 또는 층에 "연결되는", "결합하는", 또는 "인접하는" 것으로 언급되는 때에는, 다른 요소 또는 층에 직접적으로 연결되거나, 결합 되거나, 또는 인접하는 것일 수 있고, 혹은 그 사이에 끼워지는 요소 또는 층이 존재할 수 있음이 잘 이해될 것이다. 본 명세서에서 사용되는 "및/또는"이라는 용어는 나열된 요소들의 하나 또는 그 이상의 가능한 조합들을 포함할 것이다.
비록 "제 1", "제 2" 등의 용어가 여기서 다양한 요소를 설명하기 위해 사용될 수 있다 하더라도, 이들 요소는 이 용어들에 의해 한정되지 않는다. 이 용어들은 단지 다른 것들로부터 하나의 구성요소를 구별하기 위해 사용될 수 있다. 따라서, 본 명세서에서 사용된 제 1 구성요소, 구간, 층과 같은 용어는 본 발명의 사상을 벗어나지 않는 범위 내에서 제 2 구성요소, 구간, 층 등으로 사용될 수 있다.
"아래의", "하부의", "위의", "상부의", 및 이와 유사한 용어들은 직접적으로(directly) 또는 다른 층을 개재하여(indirectly) 배치되는 경우를 모두 포함한다. 그리고, 공간적으로 상대적인 이러한 용어들은 도면에 도시된 방향에 더하여 다른 방향을 포함하는 것으로 이해되어야 한다. 예를 들어, 만일 디바이스가 뒤집히면, "아래의"로 설명된 구성요소는 "위의"가 될 것이다.
본 명세서에서 설명되는 용어는 단지 특정한 실시 예를 설명하기 위한 목적으로 사용되며, 그것에 한정되지 않는다. "하나의"와 같은 용어는 달리 명백하게 지칭하지 않으면 복수의 형태를 포함하는 것으로 이해되어야 한다. "포함하는" 또는 "구성되는"과 같은 용어는 설명된 특징, 단계, 동작, 성분, 및/또는 구성요소의 존재를 명시하며, 추가적인 하나 또는 그 이상의 특징, 단계, 동작, 성분, 구성요소 및/또는 그들의 그룹의 존재를 배제하지 않는다.
달리 정의되지 않으면, 본 명세서에서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 지닌 자에 의해 공통적으로 이해될 수 있도록 동일한 의미를 갖는 것으로 사용된다. 그리고, 사전에서 공통적으로 정의된 용어들은 관련 분야에서 일관된 의미를 갖는 것으로 해석되어야 하며, 달리 정의되지 않으면, 과도한 의미로써 사용되지 않는다.
이하, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있도록 본 발명의 실시 예를 첨부된 도면을 참조하여 설명할 것이다.
도 1은 본 발명의 실시 예에 따른 제조 공정에서의 불량 설비 감지 시스템을 보여주는 블록도이다.
도 1을 참조하여, 불량 설비 감지 시스템(100)은 복수의 공정 파트들(110-1 내지 110-m) 및 불량 설비 감지 장치(120)를 포함할 수 있다. 제품을 생산하기 위해, 제 1 공정 파트(110-1)부터 제 m 공정 파트(110-m)를 통한 공정이 순차적으로 수행될 수 있다. 반도체 제조 공정을 예로 들면, 복수의 공정 파트들(110-1 내지 110-m)은 웨이퍼 제작, 회로 설계, 마스크 제작, 웨이퍼 가공 등의 공정을 포함할 수 있다. 이때, 웨이퍼 가공 공정은 산화 공정, 감광액 도포 공정, 노광 공정, 현상 공정, 식각 공정, 이온 주입 공정 등을 포함할 수 있다. 예를 들어, 제 1 공정 파트(110-1)는 웨이퍼의 산화 공정, 제 2 공정 파트(110-2)는 감광액 도포 공정, 제 3 공정 파트(110-3)는 노광 공정에 각각 대응할 수 있다. 나머지 공정 파트들도 다른 반도체 공정들에 각각 대응될 수 있다.
제 1 공정 파트(110-1) 내지 제 m 공정 파트(110-m) 각각에서, 복수의 설비들이 사용될 수 있다. 최초 투입물(즉, 원재료)은 제품이 완성될 때까지 제조 관리 스케줄에 따라 각각의 공정의 특정 설비를 거치게 된다. 즉, 제품이 완성되기까지 원재료가 각 공정마다 거친 특정 설비의 자취(이하, 공정 경로 데이터라 칭함)는 매우 다양하며, 제품들마다 서로 다를 수 있다.
불량 설비 감지 장치(120)는 공정 경로 데이터와 공정 결과 데이터를 이용하여 제품의 불량에 기여하는 혐의 설비를 감지할 수 있다. 여기서, 공정 결과 데이터란 정상적으로 공정 경로를 거친 제품이 정상인지 또는 불량인지 최종적으로 판정받은 데이터를 의미한다. 불량 설비 감지 장치(120)는 입력부(122) 및 제어부(124)를 포함할 수 있다. 입력부(122)는 공정 파트들(110-1 내지 110-m)로부터 공정 경로 데이터를 입력받을 수 있다. 입력부(122)는 공정 결과 데이터를, 예를 들어, 제품의 불량 유무를 판단하는 별도의 테스터기(미도시)로부터 입력받을 수 있다. 입력된 공정 경로 데이터 및 공정 결과 데이터는 제품의 불량을 야기하는 설비를 감지하고 수율을 증가시킬 수 있는 최적의 경로를 탐색하는데 이용될 수 있다.
본 발명의 실시 예에 따른 불량 설비 감지 장치(120)는 제품의 불량에 기여하는 각각의 설비들의 기여도를 산출할 수 있다. 뿐만 아니라, 불량 설비 감지 장치(120)는 선공정의 설비와 후공정의 설비 간의 상관 관계로 인하여 야기되는 누적 효과를 산출할 수 있다. 불량 설비 감지 장치(120)는 산출된 각각의 설비들의 기여도와 누적 효과를 고려하여 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 효율적으로 감지할 수 있다. 그 결과, 제조 공정의 수율을 증가시키는 최적의 경로를 제공할 수 있다.
도 2는 본 발명의 실시 예에 따른 불량 설비 감지 방법을 설명하기 위해 도시된, 제품의 제조 공정의 일 예를 보여주는 도면이다.
도 2를 참조하여, 원재료는 공정 P1 내지 P10을 거쳐 최종적으로 제품이 생산된다. 그리고, 공정 P1은 설비 A1, B1, C1을 갖추고 있고, 공정 P2는 설비 A2, B2를 갖추고 있다. P3 내지 P10도 마찬가지로 설명이 가능하다. 원재료가 투입되면, 원재료는 각각의 공정마다 정해진 스케쥴에 따라서 임의의 설비를 거치게 되며, 최종적으로 제품이 생산된다. 예를 들어, 제품이 생산되는 경로는 A1→B2→E3→...→B8→A9→B10과 같이 정해진 스케줄에 따라 임의로 선택될 수 있다.
이하, 이해를 돕기 위해 도 2에 도시된 예에 따라 설명하기로 한다. 그러나, 공정의 개수 및 각각의 공정마다 구비된 설비들의 개수는 이에 한정되지 않음은 잘 이해될 것이다.
도 3은 본 발명의 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
S110 단계에서, 공정 경로 데이터 및 공정 결과 데이터가 획득될 수 있다.
전술한 바와 같이, 공정 경로 데이터는 제품이 완성되기까지 제품이 각 공정마다 거친 특정 설비의 자취를 의미한다. 예를 들어, 공정 경로 데이터는 제품이 특정 설비를 거쳤는지 여부에 따라 "1" 또는 "0"의 이진화 데이터로써 획득될 수 있다. 예를 들어, 제품이 도 2의 세 번째 공정 P3에서 설비 E3를 거쳤다면, P3 공정에서의 공정 경로 데이터는 "00001"일 수 있다.
공정 결과 데이터는 정상적으로 공정 경로를 거친 제품이 정상인지 또는 불량인지 최종적으로 판정받은 데이터를 의미한다. 예를 들어, 공정 결과 데이터는 제품이 정상인지 불량인지 여부에 따라 "1" 또는 "0"의 이진화 데이터로써 획득될 수 있다. 또는, 공정 결과 데이터는 정상의 정도에 따라, 연속형 변수의 형태로 표시될 수 있다. 공정 결과 데이터는 제품이 정상인지 여부를 판단하는 별도의 테스터기(tester)로부터 획득될 수 있다.
S120 단계에서, 획득된 공정 경로 데이터 및 공정 결과 데이터에 기초하여 제품의 불량에 대한 각각의 설비의 기여도가 산출될 수 있다.
제품의 불량에 대한 각각의 설비의 기여도를 산출하기 위해 여러 가지 수학적 알고리즘이 이용될 수 있다. 각 설비의 기여도를 산출하기 위해 다변량 회귀분석 및 변수 선택 방법론과 같이 여러 변수 간의 관계를 종합적으로 분석할 수 있는 방법론이 사용될 수 있다. 예를 들어, PLSR-VIP (Partial Least Square Regression-Variable Importance in the Projection) 방법, mRMR (Minimum-redundancy-maximum-relevance) 변수 선택법, SVM-RFE (Support Vector Machine Recursive Feature Elimination) 등이 사용될 수 있다.
본 발명의 실시 예에 따른 불량 설비 감지 방법에 있어서, 제품의 불량에 대한 각각의 설비의 기여도는 PLSR-VIP를 사용함으로써 산출하고자 한다. PLSR-VIP를 사용하는 이유는 분석하고자 하는 데이터의 양을 줄이기 위함이다. 예를 들어, 도 2를 참조하면, 제품이 완성되기까지 원재료가 거치는 공정 경로는 3×2×5×4×3×3×5×3×3×2=97200 개가 있을 수 있다. 이렇게 많은 양의 데이터를 실시간으로 분석하고 제품의 불량에 영향을 미치는 설비를 감지한다는 것은 현실적으로 매우 어렵고 큰 부담일 수 있다. 따라서, 제품의 불량에 영향을 미치는 기여도가 낮은 설비를 데이터로부터 제외하는 것이 필요하다.
PLSR을 간략히 설명하면 다음과 같다. 복수의 독립 변수(예를 들어, X1 및 X2)와 하나의 종속 변수(예를 들어, Y)가 선형 방정식(예를 들어, Y=a×X1+b×X2+c)을 만족한다고 가정하자. 이때, 새로운 독립 변수(즉, 잠재 변수 t1 및 t2)와 종속 변수(즉, Y) 사이의 새로운 선형 방정식을 만들되, 종속 변수(즉, Y)에 대한 기여도가 낮은 잠재 변수(예를 들어, t2)는 제거한다.
VIP는 새롭게 산출된 잠재 변수에 관한 선형 방정식(예를 들어, Y=a'×t1+b')으로부터, 원래의 독립 변수들(즉, X1 및 X2)이 종속 변수(즉, Y)에 미치는 영향을 산출하는 방법에 관한 것이다. PLSR-VIP를 사용함으로써, 분석하고자 하는 변수의 수(또는 데이터의 양)를 줄이고, 제품의 생산에 관여한 설비들이 제품의 불량에 미치는 기여도를 보다 효율적으로 계산할 수 있다.
PLSR-VIP를 사용하여 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 구체적인 방법에 대해서는 도 4a 내지 4c에서 상세하게 설명될 것이다. 비록 본 발명에서는 PLSR-VIP를 사용하여 제품의 불량에 대한 각각의 설비의 기여도를 산출하고자 하나, 다변량 회귀분석 및 변수 선택 방법론과 같은 다양한 방법이 사용될 수 있음은 잘 이해될 것이다.
S130 단계에서, 각각의 설비에 대하여, 제품의 불량에 기여하는 누적 효과를 반영함으로써, 수정된 연관 규칙이 적용될 수 있다.
원래의 제품 생산 경로가 A1→B2→E3→...→B8→A9→B10 이라고 가정하자(도 2 참조). 이와 같은 제품 생산 경로는, S120 단계에서 제품의 불량에 미치는 기여도가 작은 설비가 제거됨으로써, 예컨대, E3→A9와 같이, 단순화될 수 있다. 즉, 공정 3의 설비 E3과 공정 9의 설비 A9가 제품의 불량에 미치는 기여도가 가장 큰 설비라는 의미이다.
그러나, 반도체 제조 공정과 같은 미세 제조 공정은 설비들 간의 상관 관계가 존재하므로, 선공정과 후공정이 복합적으로 제품의 불량을 야기할 수 있다. 따라서, 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 것뿐만 아니라, 선공정이 후공정에 의해 야기되는 불량에 어느 정도 기여하는가에 관한 개념인 누적 효과(Cumulative Effect)를 파악하는 것도 중요하다. 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 감지하는데 누적 효과를 반영하면, 불량 설비를 보다 효율적으로 파악하고, 수율을 높이는 최적의 경로를 파악할 수 있다.
그리고, 각각의 설비에 대한 누적 효과를 반영하여 수정된 연관 규칙(modified association rule)을 적용한다. 연관 규칙을 적용함으로써, 제품의 불량에 기여하는 불량설비 판단 지수를 산출하는데 필요한 파라미터를 도출할 수 있다.
누적 효과를 적용하여 후공정에서의 불량에 대한 선공정의 기여도를 산출하는 방법 및 연관 규칙을 이용하여 파라미터를 도출하는 방법에 대해서는 도 5 및 도 6에서 상세하게 설명될 것이다.
S140 단계에서, 제품의 불량에 대한 각각의 설비의 기여도 및 수정된 연관 규칙에 기초하여 불량설비 판단 지수가 산출될 수 있다. 불량설비 판단 지수는 S120 단계에서 산출된 VIP 값 및 S130 단계에서 산출된 파라미터들을 이용하여 계산된다. 본 발명의 실시 예에 따른 불량설비 판단 지수는 단순히 제품의 불량에 기여하는 각각의 설비의 기여도만을 고려한 것이 아니라, 후공정에 의해 야기되는 불량에 대한 선공정의 기여도를 함께 고려한다. 따라서, 불량 설비 탐지의 효율성 및 신뢰성을 높일 수 있다. 또한, 제조 공정의 수율을 증가시키는 최적의 경로를 탐색할 수 있다. 불량설비 판단 지수를 산출하는 구체적인 방법에 대해서는 상세하게 후술될 것이다.
도 4a 내지 4c는 본 발명의 실시 예에 따라 제품의 불량에 대한 각각의 설비의 기여도를 산출하는 방법을 상세하게 보여주는 도면이다.
도 4a를 참조하면, 원래의 선형 방정식으로부터, 감소된 수의 독립 변수(즉, 잠재 변수)에 관한 새로운 선형 방정식을 도출하는 방법이 개념적으로 도시되어 있다.
PLSR을 적용하기 전, 종속 변수 Y는 독립변수 X1 및 X2에 관한 선형 방정식(예를 들어, Y=a×X1+b×X2+c)으로 표시될 수 있다. 이때, 독립 변수 X1 및 X2는 제조 공정에서의 설비에 대응할 수 있다. 그리고, 종속 변수 Y는 공정 결과 데이터에 대응할 수 있다. 만약, 도 2의 제조 공정에 적용하고자 한다면, 독립변수는 전체 설비들의 개수인 33개(X1 내지 X33)가 될 것이다. 이렇게 많은 독립 변수(즉, 설비)들 각각이 종속 변수(즉, 수율)에 미치는 기여도를 판단하는 것은 매우 긴 시간을 요하는 어려운 작업이다. 따라서, 어떤 방법을 사용하여 독립 변수의 수를 줄이는 것이 필요하다.
PLSR을 적용한 후, 독립 변수의 개수는 감소할 수 있다. 도면의 오른쪽 그림과 같이, 종전의 X1과 X2에 관한 직교 좌표계 대신에, t1과 t2에 관한 새로운 직교 좌표계를 생성한다고 하자. 이 경우, 종속 변수 Y는 새로운 독립 변수인 t1과 t2(즉, 잠재 변수)에 관한 새로운 선형 방정식으로 표현될 수 있다. 다만, 데이터의 분포를 살펴보면, t2 방향으로의 데이터의 산포는 t1 방향으로의 데이터의 산포에 비해 상당히 작은 것을 알 수 있다. 이는 종속 변수 Y에 미치는 잠재 변수 t2의 기여도가 낮은 것으로 이해될 수 있다. 따라서, 잠재 변수 t2를 무시하고, 종속 변수 Y는 잠재 변수 t1의 선형 방정식(Y=a'×t1+b')으로 표현될 수 있다.
도 4b를 참조하면, 공정 경로 데이터, 공정 결과 데이터, 및 잠재 변수의 관계가 수학식으로 표시되었다. 도 4c는 PLSR 적용시 변수들을 설명하기 위한 테이블이다. 본 발명이 반도체 제조 공정에 적용되는 경우, 전체 데이터의 수 k는 전체 웨이퍼의 수에 대응할 수 있다. 독립 변수 X는 전체 설비에 대응하고, 독립 변수의 수 n은 전체 설비의 수에 대응할 수 있다. 그리고, 종속 변수 Y는 웨이퍼의 수율에 대응할 수 있다.
본 발명의 실시 예에 따라, 제품의 불량에 미치는 기여도가 낮은 설비를 배제하기 위해 수학식 1 내지 3을 만족시키는 잠재 변수 T가 도출될 수 있다. 잠재 변수 T는 공정 경로 데이터와 공정 결과 데이터의 정보를 모두 담고 있는 결과물이다.
PLSR에 의해 산출된 변수 행렬들은 수학식 4에서의 계산을 위해 사용될 수 있다.
수학식 4는 다시 원래의 독립 변수들(X1, X2 등)이 종속 변수(Y)에 미치는 기여도를 산출하기 위한 식이다. 수학식 1 내지 3으로부터는, 단지 잠재 변수(t1, t2 등)가 종속 변수(Y)에 미치는 기여도를 파악할 수 있을 뿐이기 때문이다. 감소된 수의 잠재 변수들로부터 원래의 독립 변수들에 의한 기여도를 계산할 수 있기 때문에, 계산량이 상당히 감소될 수 있다.
VIPj는 j번째 독립 변수가 종속 변수에 미치는 기여도를 의미할 수 있다. 이를 제조 공정에 적용하고자 하는 경우, j는 제조 공정에서 제품이 거치는 해당 설비를, 종속 변수는 수율을 의미할 수 있다. 따라서 수학식 4에서 도출된 VIPj는 해당 설비 j가 공정 결과에 영향을 미치는 기여도로 해석될 수 있다.
본 발명의 실시 예에서는 제품의 불량에 미치는 기여도를 산출하기 위해 PLSR-VIP 방법을 사용하였다. 그러나, 이는 예시적인 것이며, 다변량 회귀분석 및 변수 선택 방법론과 같이 여러 변수 간의 관계를 종합적으로 분석할 수 있는 방법론이 사용될 수 있음은 잘 이해될 것이다. 예를 들어, mRMR (Minimum-Redundancy-Maximum-relevance) 변수 선택법, SVM-RFE (Support Vector Machine Recursive Feature Elimination) 등이 사용될 수 있다.
도 5는 도 3에 도시된, 누적 효과를 반영하여 수정된 연관 규칙을 적용하는 단계(S130)를 상세하게 보여주는 흐름도이다.
S132 단계에서, 수학식 4에 의한 VIP 값이 제 1 기준값을 초과하는 설비들에 대하여, 규칙(rule)들을 생성할 수 있다. 즉, 특정 공정 경로 데이터에 대응하는 설비들로부터, VIP 값이 제 1 기준값 이하인 설비들을 제거하여 규칙을 생성한다. 제품의 불량에 기여도가 높은 설비만을 선택하여 데이터의 양을 줄이고, 탐색의 효율을 증가시키기 위함이다. 이때, 제 1 기준값은 VIP 값들에 따라 임의로 설정되거나 변경될 수 있다. 연관 규칙이란 방대한 양의 데이터에서 주목할 만한 규칙을 찾는데 유용한 방법론이다. 연관 규칙은 불량 설비 군(단독 설비 또는 복수 설비의 선후 공정 관계)으로부터 규칙(rule)을 생성해 내는 알고리즘이며, 규칙(rule)마다 정확도가 계산된다. 예를 들어 도 6을 참조하면, 불량 규칙 {P3=E3, P9=A9, [12, 88]}는 웨이퍼가 E3와 A9설비에서 가공되면 총 100개의 웨이퍼 중 88가 불량이 난다는 뜻으로 이 규칙의 정확도는 88%이다.
연관 규칙을 응용함에 있어서, 서포트(support), 컨피던스(confidence) 등과 같은 파라미터들이 사용될 수 있다. 서포트 값은 일반적으로 전체 데이터 중에서 규칙이 발생하는 비율을 의미한다. 이를 본 발명에 적용하고자 하는 경우, 서포트 값은 총 웨이퍼의 개수에 대한 해당 설비를 거쳐간 웨이퍼들의 개수의 비율을 의미할 수 있다. 컨피던스 값은 해당 설비를 거친 제품의 수에 대한 불량 제품의 비율을 의미할 수 있으며, 규칙의 정확도를 다른 말로 표현한 것이다. 모든 규칙마다 서포트 값과 컨피던스 값을 계산한다.
S134 단계에서, 누적 효과가 계산될 수 있다. 누적 효과(Cumulative Effect)는 제조 공정에서 투입물이 선공정 만을 거쳤을 때의 규칙 정확도와 선공정 및 후공정을 모두 거쳤을 때의 규칙 정확도의 차이를 의미한다. 누적 효과는 수학식 5와 같이 표현될 수 있다. 누적 효과를 계산하는 방법에 대해서는 도 6을 함께 참조하여, 좀 더 상세하게 설명하고자 한다.
도 6은 본 발명의 실시 예에 따라, 선공정의 설비가 후공정의 설비에 의한 제품의 불량에 영향을 미치는 누적 효과를 설명하기 위한 도면이다.
도 6을 참조하면, {P3=E3, [101, 264]}는 각 투입물이 공정의 세 번째 단계(P3)에서 설비 3(E3)을 거쳤을 때, 발생하는 정상 제품의 수(101)와 불량품의 수(264)를 나타낸다. {P3=E3, P9=A9, [12, 88]}는 각 투입물이 공정의 세 번째 단계(P3)에서는 설비 E3을 거치고, 이후 아홉 번째 단계(P9)에서는 설비 A9를 거친다는 것을 나타낸다. 그리고, 이에 따른 공정 결과로 정상 제품 수가 12개, 불량품 수가 88개 발생했음을 나타낸다.
도 6에서, 선공정에 해당하는 규칙이 {P3=E3, [101, 264]}이므로, 후공정에 따른 정확도(즉, 불량율)의 증가분은 컨피던스 값의 차이인 0.157이다. 수학식 5에 따라 선공정에 대한 후공정 설비 A9의 누적효과는 0.157/0.723*100=21.7%이 된다.
다시 도 5를 참조하면, S136 단계에서, 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값이 산출될 수 있다. 구체적으로, VIP 값이 제 1 기준값을 초과하는 설비들 각각에 대해서 다음과 같은 과정을 진행한다. 해당 설비가 후공정으로 포함되어 있고 누적 효과가 제 2 기준값을 초과하는 규칙(rule)들에 대하여, 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값이 산출될 수 있다. 즉, S132 단계에서 계산된 복수의 서포트 값들 중에서, 누적 효과가 제 2 기준값을 초과하는 규칙들의 서포트 값들의 대표값(representative value)을 구한다. 예를 들어, 대표값은 산술 평균(arithmetic mean), 강건 평균(robust mean), 절사 평균(trimed mean), 가중 평균(weighted mean), 기하 평균(geometric mean), 조화 평균(harmonic mean), 또는 중앙값(median) 중 어느 하나일 수 있다. 그러나, 대표값은 이들에 한정되는 것은 아니다. 본 발명에서는 산술 평균값을 예로 들어 설명하기로 한다. 본 발명에서는 산술 평균(supportavg)을 구하여 설명하기로 한다. 마찬가지로, S132 단계에서 계산된 복수의 컨피던스 값들 중에서, 누적 효과가 제 2 기준값을 초과하는 규칙들의 컨피던스 값들의 대표값을 구한다. 대표 값은 위와 마찬가지로 여러 가지가 있을 수 있으나, 본 발명에서는 평균값(confidenceavg)을 예로 들어 설명하기로 한다. 이때, 제 2 기준값은 계산된 누적 효과의 값들에 따라 임의로 설정되거나 변경될 수 있다. 누적 효과가 제 2 기준값을 초과하는 규칙들을 고려해서 연관 규칙을 적용한다는 관점에서, '수정된' 연관 규칙이라 명명된 것이다. 수정된 연관 규칙을 적용하는 경우, Apriori, Eclat, AprioriDP, CMPNARM 등과 같은 알고리즘이 활용될 수 있다. 제품의 불량에 기여하는 누적 효과를 반영한 수정된 연관 규칙을 적용함으로써, 불량설비 판단 지수를 산출하는데 필요한 모든 요소들이 구비된다.
불량설비 판단 지수(또는, 혐의 지수(Suspicious Index))는 제품의 불량에 대한 설비들 각각의 기여도 및 누적 효과가 반영된 수정된 연관 규칙에 기초하여 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 감지하는데 이용될 수 있다. 불량설비 판단 지수는 각 설비별로 계산되며, 수학식 6과 같이 표현될 수 있다.
여기서, f는 VIP 값, 서포트 값(supportavg), 컨피던스 값(confidenceavg), 및 배드_웨이퍼(Bad_Wafers) 중 적어도 하나를 독립 변수로 하는 함수이다. 수학식 6에서는 예시적으로, 위의 4 가지를 독립 변수로 하는 함수로써 표현되었다. g는 룰의 길이(Rule_lengthavg)를 독립 변수로 하는 함수이다. 결국, 불량설비 판단 지수는 함수 f와 g로 표현되므로, 서포트 값(supportavg), 컨피던스 값(confidenceavg), 배드_웨이퍼(Bad_Wafers), 및 룰의 길이(Rule_lengthavg)의 다양한 조합에 의해 구해질 수 있다.
VIP 값은 수학식 4에서 계산된, 제품의 불량에 대한 각각의 설비의 기여도 값이다. 서포트 값(supportavg) 및 컨피던스 값(confidenceavg)은 도 5의 S136 단계에서 계산된 값들이다. 룰의 길이(Rule_lengthavg)는, S136 단계에서 누적 효과가 제 2 기준값을 초과하는 경우, 제품을 생산하는데 관여한 설비의 개수의 평균값을 의미한다. 예를 들어, {P3=E3, P9=A9, [12, 88]}과 같은 룰(rule)이 있다면, 제품을 생산하는데 관여한 설비는 E3, A9이므로, 룰의 길이는 2가 된다. 설비 A9이 포함된 다른 룰 {P9=A9, [20, 200]}이 더 있다면, 룰의 길이는 1이 된다. 따라서, 설비 A9 관점에서는 평균 룰 길이는 (2+1)/2=1.5가 된다. 그리고, 배드_웨이퍼(Bad_Wafers)는 불량 웨이퍼들의 개수로써, 불량설비 판단 지수를 도출하는데 부여되는 가중치이다.
수학식 6은 제품의 불량에 대한 각각의 설비의 기여도인 VIP 값과 누적 효과가 반영된 수정된 연관 규칙에서 발생하는 파라미터들을 이용하여 임의로 산출한 것에 불과하다. 제품의 불량에 대한 각각의 설비의 기여도와 누적 효과가 반영된 수정된 연관 규칙에서 발생하는 파라미터들을 이용하여 다양한 불량설비 판단 지수가 도출될 수 있음은 잘 이해될 것이다.
도 7은 본 발명의 다른 실시 예에 따른 불량 설비 감지 방법을 보여주는 흐름도이다.
S112 단계에서, 각각의 설비들이 제품을 생산하는데 관여한 설비인지 여부에 따라 공정 경로 데이터가 이진화될 수 있다. 공정 경로 데이터는 제품이 특정 설비를 거쳤는지 여부에 따라 "1" 또는 "0"의 이진화 데이터로써 획득될 수 있다. 예를 들어, 공정 경로 데이터는 각각의 공정들로부터 획득될 수 있다. 만일, 제품이 생산되는 경로가 A1→B2→E3→...→B8→A9→B10 라고 한다면(도 2 참조), 공정 경로 데이터는 "1000100001...01010001"로 표시될 수 있다.
S114 단계에서, 제품이 정상인지 여부에 따라 공정 결과 데이터가 이진화될 수 있다. 공정 결과 데이터는 정상적으로 공정 경로를 거친 제품이 정상인지 또는 불량인지 최종적으로 판정받은 데이터를 의미한다. 예를 들어, 공정 결과 데이터는 제품이 정상인지 불량인지 여부에 따라 "1" 또는 "0"의 이진화 데이터로써 획득될 수 있다. 예를 들어, 공정 결과 데이터는 제품이 정상인지 여부를 판단하는 별도의 테스터기(tester)로부터 획득될 수 있다.
S120 내지 S140 단계는 2에서 설명한 바와 동일하므로 상세한 설명은 생략하기로 한다.
본 발명의 실시 예에 따른 불량설비 판단 지수는 단순히 제품의 불량에 기여하는 각각의 설비의 기여도만을 고려한 것이 아니라, 후공정에 의해 야기되는 불량에 대한 선공정의 기여도를 함께 고려한다. 따라서, 불량 설비 탐지의 효율성 및 신뢰성을 높일 수 있다. 또한, 제조 공정의 수율을 증가시키는 최적의 경로를 탐색할 수 있다.
도 8은 본 발명의 실시 예에 따른 불량 설비 감지 방법이 반도체 제조 공정에 적용되는 예를 보여주는 블록도이다.
반도체 제조 공정(1000)은 크게 가공 공정(fabrication)(1100)과 조립 공정(assembly)(1300) 공정을 포함할 수 있다. 가공 공정(1100)이 완료되면 제 1 테스트(1200)가 수행될 수 있고, 조립 공정(1300)이 완료되면 제 2 테스트(1400)가 수행될 수 있다. 가공 공정(1100)은 포토 공정, 에칭 공정, 디퓨전 공정, CVD 공정, 배선 공정 등을 포함할 수 있다. 그리고, 이들 공정 각각은 복수의 설비들을 포함하고 있어서, 하나의 웨이퍼가 생산되기까지 원재료가 각 공정마다 거치는 공정 경로는 다양할 수 있다.
제 1 테스트(1200)는 가공 공정(1100)을 거쳐 생산된 웨이퍼가 정상인지 또는 불량인지 여부를 테스트할 수 있다. 예를 들어, 제 1 테스트(1200)는 EDS (Electrical Die Sorting) 테스트일 수 있다. EDS 테스트는 제조된 웨이퍼에 대해 전기적 특성 검사를 실시하여 웨이퍼가 기준 품질을 만족하는지 여부를 테스트하는 공정이다. EDS 테스트는 ET Test & WBI (Electrical Test & Wafer Burn In), Pre-Laser (Hot/Cold), Laser Repair & Post Laser, Tape Laminate & Bake Grinding, Inking 공정 등을 포함할 수 있다.
제 1 테스트(1200)를 거쳐 제품이 정상인지 여부에 관한 데이터인 공정 결과 데이터가 획득될 수 있다. 본 발명의 실시 예에 따르면, 가공 공정(1100)으로부터 공정 경로 데이터를 획득하고, 제 1 테스트(1200)로부터 공정 결과 데이터를 획득할 수 있다. 그리고, 획득된 데이터에 기초하여, 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 감지하는데 이용될 수 있다.
뿐만 아니라, 본 발명은 조립 공정(assembly)(1300)에도 적용될 수 있다. 예를 들어, 조립 공정(1300)은 패키지 공정일 수 있다. 제 2 테스트(1400)는 패키지 테스트일 수 있으며, Assembly Out, DC test & Loading / Burn-in (& Unloading), MBT (Monitoring Burn-in & Tester), Post Burn Test, Final Test 등을 포함할 수 있다. 조립 공정(1300)에서 생산된 패키지에 대해 제 2 테스트(1400)를 실시함으로써, 제품이 최종적으로 정상인지 불량인지 여부가 판단될 수 있다.
본 발명의 실시 예에 따르면, 조립 공정(1300)으로부터 공정 경로 데이터를 획득하고, 제 2 테스트(1400)로부터 공정 결과 데이터를 획득할 수 있다. 그리고, 획득된 데이터에 기초하여, 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 감지하는데 이용될 수 있다.
도 9는 본 발명의 실시 예에 따른 불량 설비 감지 방법이 LCD 제조 공정에 적용되는 예를 보여주는 블록도이다.
LCD 제조 공정(2000)은 크게 TFT 공정(2100), 칼라 필터(Color Filter) 공정(2200), 셀(Cell) 공정(2300), 및 모듈(Module) 공정(2400)을 포함할 수 있다. 그리고 각각의 공정들을 많은 서브-공정들을 포함할 수 있다. 예를 들어, TFT 공정은 세정(Cleaning), 증착(Deposition), 세정(Cleaning), PR 도포(PR coating), 노광(Exposure), 현상(Develop), 식각(Etching), PR 박리(PR strip) 공정 등을 포함할 수 있다.
TFT 공정(2100)이 완료되면, 제품의 불량 여부를 테스트하는 검사가 수행될 수 있다. 본 발명의 실시 예에 따르면, TFT 공정(1300)에 포함된 복수의 서브-공정들로부터 공정 경로 데이터가 획득되고, TFT의 불량 여부를 테스트하는 테스터기(미도시)로부터 공정 결과 데이터가 획득될 수 있다. 그리고, 획득된 데이터에 기초하여, 제품의 불량을 야기하는 혐의 설비(suspicious equipment)를 감지할 수 있다. 마찬가지로, 다른 공정들(2200 내지 2400)에도 본 발명이 적용될 수 있음은 잘 이해될 것이다.
본 발명의 범위 또는 기술적 사상을 벗어나지 않고 본 발명의 구조가 다양하게 수정되거나 변경될 수 있음은 이 분야에 숙련된 자들에게 자명하다. 상술한 내용을 고려하여 볼 때, 만약 본 발명의 수정 및 변경이 아래의 청구항들 및 동등물의 범주 내에 속한다면, 본 발명이 이 발명의 변경 및 수정을 포함하는 것으로 여겨진다.
110-m: 제 m 공정 120: 불량 설비 감지 장치
122: 입력부 124: 제어부
122: 입력부 124: 제어부
Claims (10)
- 복수의 공정들 각각에서 복수의 설비들 중 선택된 설비에 의해 제품이 생산되는 제조 공정에서의 불량 설비 탐지 방법에 있어서:
상기 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 단계;
상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 상기 선택된 설비들 각각의 기여도를 산출하는 단계;
상기 산출된 기여도에 기초하여, 선택된 설비들에 대하여 상기 제품의 불량에 기여하는 설비 및 생산 경로의 누적 효과를 반영하는 규칙들을 생성하는, 수정된 연관 규칙을 적용하는 단계; 그리고
상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 단계를 포함하되,
상기 획득하는 단계는:
상기 복수의 설비들이 상기 제품을 생산하는데 관여한 설비인지 여부에 따라 상기 공정 경로 데이터를 이진화하는 단계; 그리고
상기 제품이 정상인지 여부에 따라 상기 공정 결과 데이터를 이진화하는 단계를 포함하는 불량 설비 탐지 방법. - 삭제
- 제 1 항에 있어서,
상기 기여도를 산출하는 단계는 다변량 회귀분석 또는 변수 선택법을 사용하여 수행되는 불량 설비 탐지 방법. - 제 3 항에 있어서,
상기 다변량 회귀분석 또는 상기 변수 선택법 은 PLSR-VIP (Partial Least Square Regression-Variable Importance in the Projection), mRMR (Minimum-Redundancy-Maximum-Relevance) 변수 선택법, 또는 SVM-RFE (Support Vector Machine Recursive Feature Elimination) 중 어느 하나인 불량 설비 탐지 방법. - 제 3 항에 있어서,
상기 수정된 연관 규칙을 적용하는 단계는:
상기 공정 경로 데이터에 대응하는 설비들로부터 상기 기여도가 제 1 기준값 이하인 설비들을 제거하여, 상기 규칙들을 생성하는 단계;
상기 규칙들로부터 상기 규칙들에 포함된 설비들 중 후공정 설비에 의한 누적 효과 값들을 산출하는 단계;
상기 누적 효과가 제 2 기준값을 초과하는 규칙들을 선택하는 단계; 그리고
상기 선택된 규칙들에 대하여, 상기 수정된 연관 규칙 적용시 발생하는 파라미터들의 대표값을 산출하는 단계를 포함하는 불량 설비 탐지 방법. - 제 5 항에 있어서,
상기 누적 효과는 선공정의 정확도에 대한, 후공정에 의한 불량율의 증가분의 비율인 불량 설비 탐지 방법. - 제 5 항에 있어서,
상기 수정된 연관 규칙을 적용하는 단계는 Apriori, Eclat, AprioriDP, 또는 CMPNARM 알고리즘을 사용함으로써 수행되는 불량 설비 탐지 방법. - 제 5 항에 있어서,
상기 불량설비 판단 지수는 상기 기여도, 상기 파라미터들의 상기 대표값, 및 불량 제품의 개수 중 적어도 하나를 독립 변수로 하는 제 1 함수를 포함하는 불량 설비 탐지 방법. - 제품의 공정 경로 데이터 및 공정 결과 데이터를 획득하는 입력부; 그리고
상기 획득된 데이터들에 기초하여 상기 제품의 불량에 대한 각각의 설비의 기여도를 산출하고, 상기 산출된 기여도에 기초하여 선택된 설비들에 대하여 상기 제품의 불량에 기여하는 설비 및 생산 경로의 누적 효과를 반영하는 규칙들을 생성하는 수정된 연관 규칙을 적용하고, 그리고 상기 산출된 기여도 및 상기 수정된 연관 규칙에 기초하여 불량설비 판단 지수를 산출하는 제어부를 포함하되,
상기 제어부는 상기 복수의 설비들이 상기 제품을 생산하는데 관여한 설비인지 여부에 따라 상기 공정 경로 데이터를 이진화하고, 그리고 상기 제품이 정상인지 여부에 따라 상기 공정 결과 데이터를 이진화하는 불량 설비 탐지 장치. - 삭제
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140060603A KR101466798B1 (ko) | 2014-05-20 | 2014-05-20 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
| US14/674,383 US20150338847A1 (en) | 2014-05-20 | 2015-03-31 | Method and apparatus for discovering equipment causing product defect in manufacturing process |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140060603A KR101466798B1 (ko) | 2014-05-20 | 2014-05-20 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101466798B1 true KR101466798B1 (ko) | 2014-12-01 |
Family
ID=52676937
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140060603A KR101466798B1 (ko) | 2014-05-20 | 2014-05-20 | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20150338847A1 (ko) |
| KR (1) | KR101466798B1 (ko) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180031698A (ko) * | 2015-07-22 | 2018-03-28 | 도쿄엘렉트론가부시키가이샤 | 공간 왜곡 유사도를 사용하는 툴 오류 분석 |
| KR20200052426A (ko) * | 2018-10-26 | 2020-05-15 | 안상의 | 공정인자를 고려한 공정불량 예측방법 |
| KR20200125734A (ko) * | 2018-04-19 | 2020-11-04 | 미쓰비시덴키 가부시키가이샤 | 이상 설비를 특정하는 장치, 방법, 및 기록 매체에 저장된 컴퓨터 프로그램 |
| CN111932394A (zh) * | 2020-08-10 | 2020-11-13 | 成都数之联科技有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN114090647A (zh) * | 2021-10-22 | 2022-02-25 | 国家电网公司西南分部 | 一种电力通信设备缺陷关联性分析方法及缺陷排查方法 |
| KR20230072164A (ko) | 2021-11-17 | 2023-05-24 | 주식회사 유유랑컴퍼니 | 불량률 제로를 위한 제품의 품질 관리 시스템 |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9910429B2 (en) * | 2013-09-03 | 2018-03-06 | The Procter & Gamble Company | Systems and methods for adjusting target manufacturing parameters on an absorbent product converting line |
| CN106093612B (zh) * | 2016-05-26 | 2019-03-19 | 国网江苏省电力公司电力科学研究院 | 一种电力变压器故障诊断方法 |
| EP3379354A1 (de) * | 2017-03-20 | 2018-09-26 | Klingelnberg AG | Verfahren und vorrichtung zur automatisierten bearbeitung von zahnrad-bauteilen |
| CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
| WO2019226715A1 (en) * | 2018-05-21 | 2019-11-28 | Promptlink Communications, Inc. | Techniques for assessing a customer premises equipment device |
| CN109444602A (zh) * | 2018-12-12 | 2019-03-08 | 云南电网有限责任公司电力科学研究院 | 一种基于投影变化的避雷器故障监测方法及装置 |
| CN109840554B (zh) * | 2018-12-26 | 2023-05-02 | 贵州联科卫信科技有限公司 | 一种基于svm-rfe-mrmr算法的阿兹海默症mri图像分类方法 |
| JP7406441B2 (ja) * | 2020-04-08 | 2023-12-27 | 株式会社日立製作所 | 製造不良要因探索方法、及び製造不良要因探索装置 |
| KR102711997B1 (ko) * | 2021-11-12 | 2024-09-30 | (주)미소정보기술 | 비정상을 감지하는 방법 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070064259A (ko) * | 2005-12-15 | 2007-06-20 | 오므론 가부시키가이샤 | 프로세스 이상 분석 장치 및 프로그램 |
| KR20100129757A (ko) * | 2008-03-07 | 2010-12-09 | 엠케이에스 인스트루먼츠, 인코포레이티드 | 프로세스 데이터 및 수율 데이터를 사용한 프로세스 제어 |
| KR20120128251A (ko) * | 2011-05-17 | 2012-11-27 | 구흥섭 | 문제 검출 방법 |
| KR20140039380A (ko) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3870052B2 (ja) * | 2001-09-20 | 2007-01-17 | 株式会社日立製作所 | 半導体装置の製造方法及び欠陥検査データ処理方法 |
| US7539585B2 (en) * | 2007-06-14 | 2009-05-26 | International Business Machines Corporation | System and method for rule-based data mining and problem detection for semiconductor fabrication |
| US8855804B2 (en) * | 2010-11-16 | 2014-10-07 | Mks Instruments, Inc. | Controlling a discrete-type manufacturing process with a multivariate model |
| US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
| JP6165658B2 (ja) * | 2014-03-20 | 2017-07-19 | 株式会社東芝 | 製造装置管理システム及び製造装置管理方法 |
-
2014
- 2014-05-20 KR KR1020140060603A patent/KR101466798B1/ko active IP Right Grant
-
2015
- 2015-03-31 US US14/674,383 patent/US20150338847A1/en not_active Abandoned
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20070064259A (ko) * | 2005-12-15 | 2007-06-20 | 오므론 가부시키가이샤 | 프로세스 이상 분석 장치 및 프로그램 |
| KR20100129757A (ko) * | 2008-03-07 | 2010-12-09 | 엠케이에스 인스트루먼츠, 인코포레이티드 | 프로세스 데이터 및 수율 데이터를 사용한 프로세스 제어 |
| KR20120128251A (ko) * | 2011-05-17 | 2012-11-27 | 구흥섭 | 문제 검출 방법 |
| KR20140039380A (ko) * | 2012-09-20 | 2014-04-02 | 국립대학법인 울산과학기술대학교 산학협력단 | 데이터마이닝을 이용하여 생산 공정에서 품질을 관리하는 장치 및 방법 |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180031698A (ko) * | 2015-07-22 | 2018-03-28 | 도쿄엘렉트론가부시키가이샤 | 공간 왜곡 유사도를 사용하는 툴 오류 분석 |
| KR102564629B1 (ko) | 2015-07-22 | 2023-08-07 | 도쿄엘렉트론가부시키가이샤 | 공간 왜곡 유사도를 사용하는 툴 오류 분석 |
| KR20200125734A (ko) * | 2018-04-19 | 2020-11-04 | 미쓰비시덴키 가부시키가이샤 | 이상 설비를 특정하는 장치, 방법, 및 기록 매체에 저장된 컴퓨터 프로그램 |
| KR102244169B1 (ko) | 2018-04-19 | 2021-04-23 | 미쓰비시덴키 가부시키가이샤 | 이상 설비를 특정하는 장치, 방법, 및 기록 매체에 저장된 컴퓨터 프로그램 |
| KR20200052426A (ko) * | 2018-10-26 | 2020-05-15 | 안상의 | 공정인자를 고려한 공정불량 예측방법 |
| KR102247945B1 (ko) * | 2018-10-26 | 2021-05-03 | 안상의 | 공정인자를 고려한 공정불량 예측방법 |
| CN111932394A (zh) * | 2020-08-10 | 2020-11-13 | 成都数之联科技有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN111932394B (zh) * | 2020-08-10 | 2023-10-31 | 成都数之联科技股份有限公司 | 一种基于关联规则挖掘的不良根因路径分析方法及系统 |
| CN114090647A (zh) * | 2021-10-22 | 2022-02-25 | 国家电网公司西南分部 | 一种电力通信设备缺陷关联性分析方法及缺陷排查方法 |
| KR20230072164A (ko) | 2021-11-17 | 2023-05-24 | 주식회사 유유랑컴퍼니 | 불량률 제로를 위한 제품의 품질 관리 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20150338847A1 (en) | 2015-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101466798B1 (ko) | 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치 | |
| KR102568074B1 (ko) | 반도체 제조 프로세스에서 딥 러닝을 사용하여 결함 및 임계 치수를 예측하기 위한 시스템 및 방법 | |
| TWI649650B (zh) | 模型化系統或執行諸如微影系統之系統之預測維修的方法及相關聯微影系統 | |
| US7260444B2 (en) | Real-time management systems and methods for manufacturing management and yield rate analysis integration | |
| JP4615222B2 (ja) | ライン末端データマイニングとプロセスツールデータマイニングとの相関 | |
| KR102352701B1 (ko) | 투명 또는 반투명 웨이퍼 상에서의 결함 검출 | |
| US20190064253A1 (en) | Semiconductor yield prediction | |
| CN110503288B (zh) | 考虑机台交互作用的辨识良率损失原因的系统与方法 | |
| US9689923B2 (en) | Adaptive electrical testing of wafers | |
| US20090185739A1 (en) | Multi-Modal Data Analysis for Defect Identification | |
| JP7354421B2 (ja) | エラー要因の推定装置及び推定方法 | |
| JP2018504772A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定 | |
| US20170309009A1 (en) | Computer Assisted Weak Pattern Detection and Quantification System | |
| JP2011054804A (ja) | 半導体製造装置の管理方法およびシステム | |
| Gangidi | Application of six sigma in semiconductor manufacturing: A case study in yield improvement | |
| KR20220115820A (ko) | 변조된 웨이퍼의 감도를 튜닝하고 변조된 웨이퍼에 대한 프로세스 윈도우를 결정하는 시스템, 방법 및 비일시적 컴퓨터 판독 가능 매체 | |
| JP2005033090A (ja) | 製造プロセスにおける装置状態判別システム及び製造プロセス安定化システム | |
| Baek et al. | Optimization of blended virtual and actual metrology schemes | |
| JP4276503B2 (ja) | 半導体不良原因絞込み方法 | |
| JP6832175B2 (ja) | 処理フロー管理装置及び処理フロー管理方法 | |
| JP2007165930A (ja) | 電子デバイスの品質管理方法および電子デバイスの品質管理システム | |
| CN115362457B (zh) | 预测容易发生过早使用寿命失效的裸片 | |
| JP2005044840A (ja) | 検査データの解析プログラム、検査装置、レビュー装置、歩留り解析装置 | |
| US11624775B2 (en) | Systems and methods for semiconductor defect-guided burn-in and system level tests | |
| Verjan | Smart sampling for risk reduction in semiconductor manufacturing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20181031 Year of fee payment: 5 |