KR102136863B1 - S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 - Google Patents

S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 Download PDF

Info

Publication number
KR102136863B1
KR102136863B1 KR1020190051655A KR20190051655A KR102136863B1 KR 102136863 B1 KR102136863 B1 KR 102136863B1 KR 1020190051655 A KR1020190051655 A KR 1020190051655A KR 20190051655 A KR20190051655 A KR 20190051655A KR 102136863 B1 KR102136863 B1 KR 102136863B1
Authority
KR
South Korea
Prior art keywords
defect
severity
circuit
parameter
type
Prior art date
Application number
KR1020190051655A
Other languages
English (en)
Inventor
강태엽
서동환
박용찬
민준기
Original Assignee
국방과학연구소
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 국방과학연구소 filed Critical 국방과학연구소
Priority to KR1020190051655A priority Critical patent/KR102136863B1/ko
Application granted granted Critical
Publication of KR102136863B1 publication Critical patent/KR102136863B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R27/00—Arrangements for measuring resistance, reactance, impedance, or electric characteristics derived therefrom
    • G01R27/28—Measuring attenuation, gain, phase shift or derived characteristics of electric four pole networks, i.e. two-port networks; Measuring transient response
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법이 제공된다. 상기 방법은 회로 결함분석 시스템의 제어부에 의해 수행되고, 결함 회로의 S 파라미터 패턴을 수집하는 결함 회로 S 파라미터 패턴 수집 단계; 상기 수집된 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하는 기계학습 및 학습모델 생성 단계; 및 상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하는 결함 종류/심각도 분석 단계를 포함하여, S 파라미터 측정법을 이용하여 DC 저항으로 구분되지 않는 회로의 결함을 검출할 수 있다.

Description

S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법{Method for analysis on defects in circuits using machine learning in s-parameter pattern}
본 발명은 회로 결함분석 방법에 관한 것이다. 보다 상세하게는, S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 및 이를 이용한 회로 결함분석 시스템에 관한 것이다.
건전성 예측 및 관리기술(PHM: Prognotics and Health Management)분야는 전세계적으로 활발히 연구개발이 진행되고 있다. 건전성 예측 및 관리기술은 기계 설비의 고장을 사전에 예측진단하여 불시 고장을 방지하고 적절한 유지보수 시기를 예측하는 기술이다. 이를 통해 가동률 향상, 품질 향상, 생산성 증대, 에너지 효율 향상 등 큰 시너지 효과를 낼 수 있다. 예를 들어 핵심부품의 고장을 해외수리에 의존하고 있는 경우 수리기간과 다운타임이 길다. 그러나 PHM 기술을 적용하면 고장시기를 미리 예측하여 부품 수급이 사전에 가능 하므로 수리기간을 20 ~ 30 % 이상 절약할 수 있다.
과거 무조건적 고장 예방을 통한 가용도 향상을 유지보수의 첫 번째 목적으로 지향해 왔다면 최근 각 설비와 부품의 유형에 적합한 정비 전략을 적용하여 경제적 이득을 최대화 하려는 움직임이 나타나고 있다. 산업설비 유지보수는 세가지 전략으로 구분된다. 첫째, 고장정비로 설비 고장 발생 이후 정비하는 것이다. 둘째, 예방 정비로 일정주기마다 정비하는 것이다. 마지막으로, 예측정비로 현재 건전성 상태를 평가하고 이를 바탕으로 필요한 시점에 정비하는 것이다. 세가지 정비 전략을 적절히 조합하여 최적의 유지보수를 구현하기 위한 핵심 기술로서 공학시스템 고장예지 및 건전성 관리가 있다.
PHM 기술은 1)데이터 취득, 2)특성인자 추출, 3)건전성 진단 및 예지 그리고 4)의사결정의 네 단계로 구성된다. 첫째, 데이터 취득은 공학시스템 설계 특성, 운전상황 및 유지보수 이력분석을 통해 최적의 데이터 베이스를 구축하는 단계이다. 또한 경험적 통계적 접근법에 기반한 비정형 데이터를 수집할 수 있다. 둘째 특성인자 추출은 앞에서 취득한 데이터에서 불필요한 노이즈를 제거하고, 고장 상태와 상관관계가 높은 인자를 추출하는 단계이다. 전문가 지식 또는 특성 인자 엔지니어링 기법이 사용된다. 셋째, 건전성 진단 및 예지를 통해 현재 공학 시스템의 상태 및 미래상태(잔존 수명)을 계산한다.
PHM 특성 인자 추출 및 진단에 인공지능 딥러닝 기술을 활용할 수 있다. 산업현장에서는 오랜 경험과 도메인 지식을 가진 인간 진단 전문가에 의해 특성 인자 추출 및 진단 작업이 이루어져 왔다. 공학시스템에서 많은 데이터 수집이 가능해짐에 따라 전통적으로 인간 진단 전문가가 하던 특성인자 엔지니어링 및 예지진단 작업을 인공지능이 보완할 수 있는 상황으로 변하고 있다. 인간 전문가의 경우 개인의 경험과 지식이 서로 다르기 때문에, 같은 상황에서 다른 판단을 내리는 오류를 범할 가능성이 존재하지만 기계학습을 통해 이를 해결할 수 있다.
Scattering parameters(이하, S-para)는 거의 모든 RF 설계에서 사용하는 Parameters이며, Cascade 시스템에서 하나의 단계에서 다음 단계로 전달 특성을 나타내는 값으로 사용된다. 입력 임피던스가 RS인 신호원, 직렬 인덕터, 캐패시터 연결 소자, 출력 임피던스가 RL인 회로가 있다고 가정한다. 이때, 출력에서 신호를 보면 주파수가
Figure 112019045328938-pat00001
인 신호는 Series 소자가 Short circuit을 구성하고, 입력 임피던스와 출력 임피던스가 conjugation matching일 때 최대 출력을 확인할 수 있다. 이와 다른 주파수는 Series 소자에서 감쇄가 발생한다. 등가적으로 감쇄하는 전압을 반사파로 이해할 수 있다. 다르게 말하면, 이 소자를 입력되는 입사되는 양과 반사되는 양의 차이로 표현할 수 있다.
전술한 바와 같이, 도 1은 본 발명과 관련하여 직렬 LC 회로를 나타낸다. 또한, 도 2는 본 발명과 관련하여 일반화된 two-port 네트워크를 나타낸다.
도 2를 참조하면, 입력포트(Port 1)의 입사파와 반사파는 V1 +, V1 -라고 표현한다. 이와 같이 출력포트(Port 2)의 입사파와 반사파를 V2 +, V2 -라고 한다. V1 +는 Two-port Network의 입력 임피던스가 RS일 때, 신호원 Vin에 의해 발생되는 신호로 볼 수 있다. Two-port Network의 입력 임피던스가 R_S가 아닐 경우, 반사파 V1 -가 발생한다. 그래서 실제 입력에서 측정되는 신호는 V1 + + V1 -와 같다. 출력포트에서 V2 +는 RL에서 입사되는 신호로 나타내거나 등가적으로 RL에서 반사되는 신호라고 볼 수 있다. 이 네 가지 물리량은 Two-port network의 S-para에 의해 수학식 1로 표현할 수 있다.
[수학식 1]
Figure 112019045328938-pat00002
한편, S-para의 각 성분의 의미는 아래의 수학식 2 내지 수학식 5와 같다.
[수학식 2]
Figure 112019045328938-pat00003
S11는 RL로부터 반사되는 값이 ‘0’일 때, 입력포트의 반사파와 입사파의 비율로 입력포트 매칭 정확도를 나타내는 값이다. 또는 이 값을 입력포트의 반사계수라고 한다.
[수학식 3]
Figure 112019045328938-pat00004
S12는 입력포트의 반사파와 출력포트의 입사파의 비율이다. 출력신호가 입력포트에 얼마나 영향을 주는지를 알 수 있다는 의미에서 Two-port Network의 Reverse isolation 특성을 나타낸다.
[수학식 4]
Figure 112019045328938-pat00005
S22는 RS로부터 반사되는 값이 ‘0’일 때, 출력포트에서 반사파와 입사파의 비율이다. 이 값은 출력 포트의 매칭 정확도를 나타낸다.
[수학식 5]
Figure 112019045328938-pat00006
S21는 RL로부터 반사되는 값이 ‘0’일 때, 입력포트의 입사파와 출력포트의 반사파의 비율이다. 이 값은 Two-port Network의 이득을 표현할 수 있다. 그러나 해당 주파수 대역을 벗어나면, 주파수에 따라서 임피던스가 달라지고 결국 임피턴스 매칭이 틀어진다. 캐패시터는 주파수가 커질수록 임피턴스가 작아지고, 인덕터는 주파수가 커질수록 임피던스가 커지는 것과 같은 원리다. 이와 같이 주파수에 따라서 변화되는 임피던스에 따라서 입사파와 반사파의 비율이 달라지므로 S-para 또한 주파수에 따라 달라진다. 이와 관련하여, 도 3은 본 발명과 관련하여 회로 고유의 임피던스를 나타낸다.
특정 회로 또는 Interconnect의 주파수에 따른 입력 임피던스가 위 그림과 같을 때, 주파수가 Fm에서 S11은 최소값, S_21는 최대값을 보이고, 그 이외의 주파수에서는 S11은 증가하고, S21는 감소한다. 간단한 회로 또는 Interconnect는 S-para의 주파수 특성이 간단하다. 그러나 복잡한 회로의 경우, 기생성분, 신호선의 효과등으로 인해 S-para의 주파수 특성이 복잡해진다. 주파수 특성이 복잡해질수록 작은 변화에도 유의미한 차이를 확인할 수 있다.
한편, 이러한 주파수 의존성을 갖는 회로의 S 파라미터를 통해, 실제 회로의 결함 여부를 알 수 있다. 하지만, 이와 같이 회로의 결함 여부를 알더라도 실제 회로의 결함 종류와 이러한 결함 발생 원인 및 결함의 심각도를 알 수 없다는 문제점이 있다.
본 발명의 목적은 회로, 디스플레이 등의 Interconnect에 발생한 결함을 진단하는 것에 있다.
또한, 본 발명에 따른 회로 결함진단의 목적은 결함의 심각성과 발생원인을 파악하는데 있다.
이와 관련하여, 결함의 심각성을 정량적으로 파악할 수 있다면 잔존수명과 교체필요여부를 파악하여 재앙적 사고 또는 실패가 발생하기 전에 부품을 교체하여 안전성을 높일 수 있다. 이러한 결함의 발생원인을 파악하는 것이 중요한 이유는, 결함원인에 따라 대처 방법과 결함을 예방하는 방법이 달라지기 때문이다.
상기와 같은 과제를 해결하기 위한 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법이 제공된다. 상기 방법은 회로 결함분석 시스템의 제어부에 의해 수행되고, 결함 회로의 S 파라미터 패턴을 수집하는 결함 회로 S 파라미터 패턴 수집 단계; 상기 수집된 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하는 기계학습 및 학습모델 생성 단계; 및 상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하는 결함 종류/심각도 분석 단계를 포함하여, S 파라미터 측정법을 이용하여 DC 저항으로 구분되지 않는 회로의 결함을 검출할 수 있다.
일 실시 예에서, 상기 기계학습 및 학습모델 생성 단계는, 기계 학습을 위한 Ground Truth Table을 생성하는 Ground Truth Table 생성 단계를 더 포함한다. 상기 Ground Truth Table 생성 단계에서, 시편 제작된 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성할 수 있다.
일 실시 예에서, 상기 Ground Truth Table 생성 단계에서, 결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성할 수 있다.
일 실시 예에서, 상기 기계학습 및 학습모델 생성 단계는, 상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축하는 랭킹 네트워크 구축 단계를 더 포함할 수 있다.
일 실시 예에서, 상기 결함 종류/심각도 분석 단계에서, 상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단할 수 있다.
일 실시 예에서, 상기 랭킹 네트워크는, 상기 결함 종류를 판단하는 뉴럴 네트워크 모듈을 포함한다. 상기 뉴럴 네트워크 모듈은, 상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함할 수 있다.
일 실시 예에서, 상기 결함 종류/심각도 분석 단계 이후, 상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가하는 실제 결함 종류/심각도 평가 단계를 더 포함한다. 이때, 상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정할 수 있다.
한편, 본 발명의 다른 양상에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 시스템이 제공된다. 상기 회로 결함분석 시스템은 결함 회로의 S 파라미터 패턴을 수집하도록 구성된 인터페이스부; 및 상기 수집된 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하고, 상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하도록 구성된 제어부를 포함한다.
일 실시 예에서, 상기 인터페이스부는 시편 제작된 정상 회로의 S 파라미터 특성을 수집한다. 이때, 상기 제어부는, 상기 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성할 수 있다.
일 실시 예에서, 상기 제어부는, 결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성할 수 있다. 이때, 상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축할 수 있다.
일 실시 예에서, 상기 제어부는, 상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단할 수 있다.
일 실시 예에서, 상기 랭킹 네트워크는, 상기 결함 종류를 판단하는 뉴럴 네트워크 모듈을 포함한다. 이때, 상기 뉴럴 네트워크 모듈은, 상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함할 수 있다.
일 실시 예에서, 상기 제어부는, 상기 결함의 종류 및 심각도 분석을 수행한 이후, 상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가하고, 상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정할 수 있다.
전술한 바와 같이, 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 및 이를 이용하는 회로 결함분석 시스템은 다음과 같은 기술적 특징을 갖는다.
1. 결함회로 고유의 S파라미터 패턴을 기계학습시켜 결함종류와 심각도를 한번에 분석하는 방법
2. 배치형태로 시편을 제작하여 정상 회로의 S파라미터 특성 Ground Truth Data를 획득하는 방법
3. 결함의 종류와 심각도를 구분하여 결함을 가한 뒤, 결함에 따른 S파라미터 특성 Ground Truth Data를 획득하는 방법
4. Ranking network를 이용하여 결함의 종류와 심각도를 한번에 판단할수 있는 시편 결함분석용 결함분석 알고리즘
4.1 결함 종류를 판단하는 neural network 모듈을 Ranking network에 추가 확장시키는 방법
4.2 기계학습 network를 거치고 난 후의 결과를 사용자가 다시 평가하여 기존 Ranking network에 피드백하는 방법
본 발명은 S parameter 측정법을 이용하면 DC 저항으로 구분되지 않는 결함도 검출할 수 있다는 장점이 있다.
또한, 본 발명은 결함에 의한 S parameter 패턴 DB를 구축하면 결함종류와 결함의 심각성을 정량적으로 보여줄 수 있다는 장점이 있다.
도 1은 본 발명과 관련하여 직렬 LC 회로를 나타낸다.
도 2는 본 발명과 관련하여 일반화된 two-port 네트워크를 나타낸다.
도 3은 본 발명과 관련하여 회로 고유의 임피던스를 나타낸다.
도 4는 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법을 수행하는 회로 결함분석 시스템의 구성을 나타낸다.
도 5는 본 발명에 따른 배치형태의 무결함 interconnect 시편을 나타낸다.
도 6은 본 발명에 따른 무결함 시편의 S 파라미터 패턴을 나타낸다.
도 7은 본 발명에 따른 Interconnect가 가질 수 있는 결함의 종류 및 형태를 나타낸다.
도 8은 본 발명에 따른 결함시편에서 나타나는 S 파라미터 패턴을 나타낸다.
도 9는 본 발명에 따른 시편 분류 알고리즘의 구성 및 동작 원리 개념도를 나타낸다.
도 10은 본 발명에 따른 S파라미터 패턴의 기계학습을 이용한 시편 결함 및 심각도 출력 알고리즘을 구현하기 위한 구성 및 과정을 나타낸다.
도 11은 본 발명에 따른 DC저항측정법으로는 검출되지 않는 결함을 나타낸다.
도 12는 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법의 흐름도를 나타낸다.
상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.
제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시 예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
이하에서는, 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 및 이를 이용한 회로 결함분석 시스템에 대해 살펴보기로 한다.
본 발명은 결함을 가진 회로에서 측정한 고유의 S 파라미터 패턴을 기계학습시켜 운용 중에 결함의 심각도와 원인을 분석할 수 있는 기법이다. 우선, 정상 회로 샘플의 S 파라미터를 측정하여 정상 패턴 기준을 잡는다. 다음으로 의도적으로 결함을 가한 시편의 S 파라미터 패턴을 획득한다. 이때 정량적인 단계로 결함의 심각도를 구별하여 S 파라미터 패턴을 얻는다. 이후 정상패턴과 결함종류 및 심각도별로 구별된 패턴을 다수 확보하여 기계학습을 위한 Ground Truth Data를 생성한다. 본 발명이 포함하고 있는 기계학습 알고리즘을 통하여 납품전 시험검사 또는 운용 중에 측정된 S 파라미터 패턴으로 바로 결함의 심각도와 종류를 분석할 수 있다. 이를 통해 제품의 고장을 미리 진단하고 대처할 수 있게 된다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 설명하면 다음과 같다.
도 4는 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법을 수행하는 회로 결함분석 시스템의 구성을 나타낸다. 도 4를 참조하면, 회로 결함분석 시스템은 네트워크 분석기(Network Analyzer, 100), 프로브 스테이션(Probe Station, 200) 및 회로 결함분석 장치(300)를 포함한다.
프로브 스테이션(200) 상에 시편 회로가 배치되고, 네트워크 분석기(100)는 상기 회로에 대해 전기적 특성을 획득할 수 있다. 즉, 네트워크 분석기(100)는 상기 회로의 S-파라미터를 측정하여 획득할 수 있다.
한편, 회로 결함분석 장치(300)는 인터페이스부(310) 및 제어부(320)를 포함한다. 여기서, 인터페이스부(310)는 네트워크 분석기(100)로부터 시편 회로 또는 특정 회로의 S 파라미터 패턴을 수집하도록 구성된다. 즉, 인터페이스부(310)는 네트워크 분석기(100)로부터 결함 회로의 S 파라미터 패턴을 수집하거나 또는 시편 제작된 정상 회로의 S 파라미터 특성을 수집할 수 있다.
제어부(320)는 상기 수집된 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하도록 구성된다. 또한, 제어부(320)는 상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하도록 구성된다.
한편, 제어부(320)는 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성할 수 있다. 또한, 제어부(320)는 결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성할 수 있다.
한편, 제어부(320)는 상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축할 수 있다.
한편, 제어부(320)는 상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단할 수 있다. 이때, 상기 랭킹 네트워크는 상기 결함 종류를 판단하는 뉴럴 네트워크 모듈을 포함할 수 있다. 이러한 상기 뉴럴 네트워크 모듈은, 상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함할 수 있다.
한편, 제어부(320)는 상기 결함의 종류 및 심각도 분석을 수행한 이후, 상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가할 수 있다. 이때, 상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정할 수 있다.
이상에서는 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법을 수행하는 회로 결함분석 시스템에 대해 살펴보았다. 이하에서는 이러한 회로 결함분석 방법을 수행하기 위한 과제의 해결수단, 구체적인 동작 및 원리에 대해 살펴보기로 한다.
먼저, 본 발명에 따른 회로 결함분석 방법을 수행하기 위한 구체적인 동작은 1) 회로 또는 interconnect의 S parameter 측정, 2) 회로 또는 Interconnect 결함원인 및 심각도에 따른 Ground Truth Data 생성 수단 및 3) 무결함 시편의 S parameter 측정 수단을 포함한다.
또한, 4) 의도적인 결함 생성, 5) 결함시편의 S parameter 측정 및 Ground Truth Data 확보, 6)S parameter 통계분석, 7)S parameter 패턴의 기계학습 알고리즘을 포함한다.
1) 회로 또는 interconnect의 S parameter 측정
시편의 S-parameter를 측정하기 위해서, 도 4와 같은 Probe Station, network analyzer, Probe Tip(GSG Type)으로 측정장비를 구성할 수 있다.
주파수 측정 대역은 원하는 주파수 대역을 설정하면 된다. Matching의로 인해 발생하는 주파수 특성을 확인할 수 있는 대역이어야 한다. 그리고 시편이나 회로, interconnect가 symmetric 한 구조일 경우, S11=S22,S21=S12이므로 각각 하나의 값만 측정하여 확인하면 된다.
2) 회로 또는 Interconnect 결함원인 및 심각도에 따른 Ground Truth Data 생성
무결함 interconnect의 S-parameter pattern에 대한 Ground Truth Data를 생성하기 위해 무결함 Interconnect를 배치형태로 제작한다. 이때 interconnect의 형상은 Wire-bonding, TSV, 투명전극, 2D Transmission line등 다양형태를 가질 수 있다.
이와 관련하여, 도 5는 본 발명에 따른 배치형태의 무결함 interconnect 시편을 나타낸다.
3) 무결함 시편의 S parameter 측정
한편, 도 6은 본 발명에 따른 무결함 시편의 S 파라미터 패턴을 나타낸다.
이와 관련하여, 무결함 시편의 S parameter pattern을 획득한다. 주파수에 따른 S parameter의 절대값은 다르지만 S parameter의 패턴은 동일하다. 즉, 무결함 시편의 S parameter 패턴은 인식가능하다.
4) 의도적인 결함 생성
결함이 발생할 수 있는 요소를 예상하고, 무결함 시편 S parameter 측정을 완료한 뒤 Batch별로 결함을 가한다. 이때 결함이란 Crack, Scratch 등의 외부의 Mechanical한 자극에 의한 결함. 산화, 오염 등 화학적인 자극에 의한 결함, 광노화 등이 있을 수 있다. 결함 생성시 기계학습을 위하여 심각도의 단계를 구분한다. 예를 들어, 0단계: 정상, 1단계: 결함에 의하여 특성 S파라미터 패턴이 나타나나 고장은 아님(교체불필요), 2단계: 시스템의 고장을 일으키지는 않았지만 즉시 교체가 필요한 결함, 3단계: 시스템의 고장을 유발하는 치명적인 결함으로 나누어질 수 있다. 이와 관련하여, 도 7은 본 발명에 따른 Interconnect가 가질 수 있는 결함의 종류 및 형태를 나타낸다.
5) 결함시편의 S parameter 측정 및 Ground Truth Data 확보
의도적으로 결함을 가한 시편에 대한 S parameter를 측정한다. 무결함 시편 측정과 마찬가지로 주파수값에 따른 S parameter의 절대값은 다를 수 있지만 결함의 종류와 결함의 정도에 따라 Sparameter 패턴이 뚜렷하게 달라진다. 특히 Crack 시편의 경우 Crack 개수에 따라 Peak의 개수가 달라지기 때문에 결함종류, 심각성에 따라 기계학습을 위한 Ground Truth Data를 획득할 수 있다. 이와 관련하여, 도 8은 본 발명에 따른 결함시편에서 나타나는 S 파라미터 패턴을 나타낸다.
6) S parameter 통계분석,
S parameter 변화의 물리적인 이유와 관련하여, 주파수가 높아질수록 표면으로 전류가 흐르는 현상인 Skin effect 때문에 표면에 결함이 생길 경우, S parameter 변화가 두드러지게 된다. 이때, DC저항은 크게 변하지 않는다.
7) S parameter 패턴의 기계학습 알고리즘
RF 시험을 통한 S parameter의 주파수 특성은 시편의 결함 원인과 밀접한 관련이 있다. 결함의 원인(종류)에 따라 표면에 생기는 물리적/화학적 특성이 다르며, 이에 따라 표면의 전류 흐름 특성이 달라져 S parameter의 주파수 패턴이 다르게 형성된다. 또한 결함의 심각성에 따라 S parameter의 local minima의 높이와 생성되는 수가 다르다는 특징을 가지고 있다. 이에 따라 시편과 결함이 가지는 물리적인 특성을 이용하여 S parameter의 패턴을 분석하여 해당 시편이 어떠한 결함을 가지고 있는지 분류하고, 그리고 그 심각성은 얼마나 되는지 추정할 수 있게 된다.
7.1) 시편 분류
S parameter 기반 결함원인 및 심각도 분류 시스템은 시스템 입력부, 심각도 채점부, 결함/심각도 분류부로 구성된다. 입력부는 시편의 결함 발생여부, 결함의 원인, 그리고 결함의 심각도를 분석하기 위한 입력을 제공하는 모듈로 구성된다. 한편, 시편에 대해 도 1의 회로도를 이용하여 주파수 별 S parameter를 계측하여 주파수 별 S21의 2 x n Matrix(여기서, n은 측정 횟수)로 입력한다.
한편, 도 10은 본 발명에 따른 S파라미터 패턴의 기계학습을 이용한 시편 결함 및 심각도 출력 알고리즘을 구현하기 위한 구성 및 과정을 나타낸다.
심각도 채점부는 입력부에서 제공된 시편의 S parameter를 입력 받아 각 자극 별 심각도를 채점한다. 심각도 채점부는 자극 별 하위 Ranking Network로 구성된다. Ranking Network는 Ranking-CNN 모델을 기반으로 하며, 심각도에 따라 해당 자극에 대한 단계 0, 단계 1, 단계 2, 단계 3을 구분한다. 이때, 특정 자극에 대한 Ranking Network의 단계 0은 정상시편과 다른 자극들에 의한 결함을 포함한다. 실시 예로, Mechanical 자극 Ranking Network는 정상시편, Chemical 자극에 의한 단계 1, 2, 3의 시편, 그리고 Photo Degradation 자극에 의한 단계 1, 2, 3의 시편을 단계 0으로 채점한다. 마찬가지로 Chemical 자극 Ranking Network는 정상시편, ㅅ시chanical 자극에 의한 단계 1, 2, 3의 시편, 그리고 Photo Degradation 자극에 의한 단계 1, 2, 3의 시편을 단계 0으로 채점한다. 심각도 채점부는 각 자극에 대한 심각도를 0부터 3까지 이산 값(Discrete)으로 결함원인/심각도 분류기에 전달한다.
결함원인/심각도 분류기는 상기 심각도 채점부의 결과로부터 결함의 여부, 결함의 원인, 그리고 심각도를 분류한다. 모든 네트워크에서 0이 채점된 시편은 정산시편으로 판단하며, 특정 네트워크에서 0이 아닌 값이 나오고 그 외의 네트워크에서 0인 값이 나오는 경우, 특정 네트워크의 결함원인을 가지는 것으로 판단하며 그 심각도는 해당 네트워크의 채점값을 가진다. 실시예로, 2개의 네트워크에서 0이 아닌 값이 발생할 수 있다. 이때, 결함 원인은 심각도가 더 높게 채점된 것을 따른다. 이와 관련하여, 표 1은 본 발명에 따른 각 네트워크에서 채점되어 분류된 결합 여부, 결함 원인 및 심각도를 나타낸다.
M-Network C-Network P-Network 결함여부 결함 원인
0 0 0 정상시편 정상
N (!= 0) 0 0 결함발생 Mechanical 자극
0 N (!= 0) 0 결함발생 Chemical 자극
0 0 N (!= 0) 결함발생 Photo Degradation 자극
* M-, C-, P- : Mechanical defect ranking Network
* C-Network : Chemical defect ranking Network
* P-Network : Photo Degradation defect Ranking Network
7.2) 기계학습
심각도 채점부는 작동을 위해 사전에 상기 1에 의해 의도적으로 생성된 결함 시편을 이용하여, 각 자극 Ranking Network(Mechanical 자극 Ranking Network, Chemical 자극 Ranking Network, Photo Degradation 자극 Ranking Network)를 개별 학습하여야 한다. 각 자극 Ranking Network에 학습을 위해 들어가는 데이터베이스는 심각도의 단계에 따라 단계 0, 단계 1, 단계 2, 단계 3으로 구분하여 학습시키며, 단계 0에는 무결점 시편과 해당 자극 외의 시편을 포함하여 학습한다. 실시예로 Mechanical 자극 Ranking Network의 학습 데이터는 단계 0에 무결점 시편과 Chemical 자극에 의한 결함시편, Photo Degradation에 의한 결함시편을 포함하고, 단계 1은 Mechanical 자극에 의한 단계 1 결함시편, 단계 2은 Mechanical 자극에 의한 단계 2 결함시편, 단계 3은 Mechanical 자극에 의한 단계 3 결함시편으로 구분하여 학습시킨다.
이와 관련하여, 도 9는 본 발명에 따른 시편 분류 알고리즘의 구성 및 동작 원리 개념도를 나타낸다. 도 9의 심각성 단계 분류 네트워크는 Ranking Network를 기반으로 다음과 같이 구성된다. Ranking Network는 단계 분류를 위한 하위 3개의 CONVNET으로 구성되며, 각각은 (단계 0)과 (단계 1, 단계 2, 단계 3)을 구분하는 CONVNET1, (단계 0, 단계 1)과 (단계 2, 단계 3)을 구분하는 CONVNET2, (단계 0, 단계 1, 단계 2)와 (단계 3)을 구분하는 CONVNET3으로 이루어져있다. 각 CONVNET의 출력을 f_k (x_i)라 하면, 시편의 심각성 출력은 다음의 수학식 6으로 구할 수 있다.
[수학식 6]
Figure 112019045328938-pat00007
여기서 xi는 심각도를 점검하는 i번째 시편, fk (xi)는 k번째 CONVNET의 가능도, r(xi)는 해당 시편의 심각도, [
Figure 112019045328938-pat00008
]는 연산에 대한 TRUE는 1, FALSE는 0 값을 의미한다.
한편, 본 발명에서 회로 또는 Interconnect의 결함을 측정하기 위해 기존에는 저항 측정방법을 사용하였다. 저항 측정 기법은 해당 부분의 물리적 변화(길이, 면적)가 의미있을 정도로 변화를 해야 결함으로써 검출이 가능하다. 이와 관련하여, 저항 값은
Figure 112019045328938-pat00009
로 측정 가능하다.
한편, 물질의 변화로 인해 저항률(ρ)가 일어나지 않는다면, 저항이 크게 변하기 위해서는 특정 회로, Interconnect 부위의 길이, 단면적이 의미있을 정도로 변화해야 한다. 그래서 일반적으로 단선(Open circuit)이 발생하는 수준의 결함이 발생해야 해당 부위의 결함 발생을 확인할 수 있다. 이와 관련하여, 도 11은 본 발명에 따른 DC저항측정법으로는 검출되지 않는 결함을 나타낸다. 도 11을 참조하면, 동일한 시편에 결함의 개수를 증가시켰음에도 불구하고 저항측정으로는 그 패턴을 파악할 수 없다는 문제점이 있다.
그러나 S-parameter를 활용한 결함 분석 기법에서는 주파수 응답 특성을 갖기 때문에 작은 결합이 발생하더라도 높은 주파수에서 큰 변화를 확인할 수 있다. 또한, 입력 임피던스(S11)와 출력 임피던스(S22)의 변화로 인해 Match되는 특정 주파수가 변화하는 특성 등이 패턴형태로 발생한다. 이에 따라, 저항측정기법에 비해 결함의 경향성, 결함의 정도를 비교적 정확하게 파악할 수 있다는 장점이 있다.
이상에서는 본 발명에 따른 회로 결함분석 방법을 이용한 회로 결함분석 시스템의 원리, 구성 및 동작에 대해 살펴보았다. 이하에서는, 본 발명의 다른 측면에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법에 대해 살펴보기로 한다. 이와 관련하여, 회로 결함분석 시스템과 회로 결함분석 방법에서 설명되는 내용들은 상호 결합하여 이용 가능하다.
한편, 도 12는 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법의 흐름도를 나타낸다. 한편, 상기 회로 결함분석 방법은 도 1의 회로 결함분석 시스템의 결함분석 장치(300)에 의해 수행될 수 있다. 보다 상세하게는, 결함분석 장치(300)의 제어부(320)에 의해 수행될 수 있다.
도 12를 참조하면, 상기 회로 결함분석 방법은 결함 회로 S 파라미터 패턴 수집 단계(S100), 기계학습 및 학습모델 생성 단계(S200) 및 결함 종류/심각도 분석 단계(S300)를 포함한다.
결함 회로 S 파라미터 패턴 수집 단계(S100)에서, 결함 회로의 S 파라미터 패턴을 수집한다. 한편, 기계학습 및 학습모델 생성 단계(S200)에서, 상기 수집된 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성한다. 또한, 결함 종류/심각도 분석 단계(S300)에서, 상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석할 수 있다.
한편, 기계학습 및 학습모델 생성 단계(S200)는 기계 학습을 위한 Ground Truth Table을 생성하는 Ground Truth Table 생성 단계(S210)를 더 포함한다. Ground Truth Table 생성 단계(S210)에서, 시편 제작된 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성할 수 있다.
한편, Ground Truth Table 생성 단계(S210)에서, 결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성할 수 있다.
또한, 기계학습 및 학습모델 생성 단계(S200)는 상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축하는 랭킹 네트워크 구축 단계(S220)를 더 포함할 수 있다. 이때, 결함 종류/심각도 분석 단계(S300)에서, 상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단할 수 있다.
여기서, 상기 랭킹 네트워크는, 상기 결함 종류를 판단하는 뉴럴 네트워크 모듈을 포함한다. 한편, 상기 뉴럴 네트워크 모듈은, 상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함할 수 있다.
한편, 결함 종류/심각도 분석 단계(S300) 이후, 상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가하는 실제 결함 종류/심각도 평가 단계(S400)를 더 포함할 수 있다. 이때, 상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정하도록 랭킹 네트워크 구축 단계(S220)를 더 수행할 수 있다.
이상에서는 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 및 이를 수행하는 회로 결함분석 시스템에 대해 살펴보았다. 이러한 본 발명에 따른 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 및 이를 수행하는 회로 결함분석 시스템의 기술적 효과는 다음과 같다.
본 발명의 적어도 일 실시 예에 따르면, S parameter 측정법을 이용하면 DC 저항으로 구분되지 않는 결함도 검출할 수 있다는 장점이 있다.
또한, 본 발명의 적어도 일 실시 예에 따르면, 결함에 의한 S parameter 패턴 DB를 구축하면 결함종류와 결함의 심각성을 정량적으로 보여줄 수 있다는 장점이 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.
회로 또는 Interconnect 부분 결함을 측정하는 기술은 전자관련 산업 전반에서 활용하고 있다.
첫째, 전자제품의 초기 성능테스트에서 인터페이스의 성능 확인을 위해서 해당 결함을 확인하여 제조 공정의 품질관리는 필수적이다. 본 기법을 활용하면, 기존의 단순한 저항측정 방식에서 단선여부를 판단하는 것만이 아니라, 해당 인터페이스 결함의 정도, 특성을 파악하여 초기 성능 만족 여부를 더 정확하게 판단할 수 있다.
둘째, 노화되는 성능에 의해 발생하는 결함 특성을 파악함으로써, 초기 성능 테스트를 마치고 실제 사용되는 제품에 대해서도 주기적으로 결함을 확인하여 해당 부위의 잔여 내용연수를 추정하거나 완전히 단선(Open circuit)되기 이전에 결함을 예측하여 사전 예방 조치도 가능하다.

Claims (13)

  1. S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법에 있어서, 상기 방법은 회로 결함분석 시스템의 제어부에 의해 수행되고,
    결함 회로의 주파수 별 S 파라미터 패턴을 수집하는 결함 회로 S 파라미터 패턴 수집 단계;
    상기 수집된 주파수 별 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하는 기계학습 및 학습모델 생성 단계; 및
    상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하는 결함 종류/심각도 분석 단계를 포함하고,
    상기 기계학습 및 학습모델 생성 단계는,
    상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축하는 랭킹 네트워크 구축 단계를 더 포함하고,
    상기 랭킹 네트워크는,
    상기 결함의 종류를 판단하는 뉴럴 네트워크 모듈을 포함하고,
    상기 뉴럴 네트워크 모듈은,
    상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함하고,
    상기 결함 종류/심각도 분석 단계에서 각 결함 시편에 대하여 상기 주파수 별 S 파라미터 패턴을 입력 받아 각 자극 별로 심각도를 채점하는, 회로 결함분석 방법.
  2. 제1항에 있어서,
    상기 기계학습 및 학습모델 생성 단계는,
    기계 학습을 위한 Ground Truth Table을 생성하는 Ground Truth Table 생성 단계를 더 포함하고,
    상기 Ground Truth Table 생성 단계에서,
    시편 제작된 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성하는 것을 특징으로 하는, 회로 결함분석 방법.
  3. 제2항에 있어서,
    상기 Ground Truth Table 생성 단계에서,
    결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성하는 것을 특징으로 하는, 회로 결함분석 방법.
  4. 제1항에 있어서,
    상기 결함 종류/심각도 분석 단계에서,
    심각도 채점부가 상기 각 결함 시편에 대하여 기계적 자극, 화학적 자극 및 광 열화 자극 별로 심각도를 이산 값으로 결함원인/심각도 분류기에 전달하고, 상기 결함원인/심각도 분류기는 상기 심각도 채점부의 결과로부터 결함의 여부, 결함의 원인 및 심각도를 분류하는, 회로 결함분석 방법.
  5. 제4항에 있어서,
    상기 결함 종류/심각도 분석 단계에서, 상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단하는 것을 특징으로 하는, 회로 결함분석 방법.
  6. 삭제
  7. 제1항에 있어서,
    상기 결함 종류/심각도 분석 단계 이후,
    상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가하는 실제 결함 종류/심각도 평가 단계를 더 포함하고,
    상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정하는 것을 특징으로 하는, 회로 결함분석 방법.
  8. S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 시스템에 있어서,
    결함 회로의 주파수 별 S 파라미터 패턴을 수집하도록 구성된 인터페이스부; 및
    상기 수집된 주파수 별 S 파라미터의 패턴을 기반으로 기계 학습을 통해 학습 모델을 생성하고,
    상기 생성된 학습 모델을 이용하여, 특정 회로의 결함의 종류(type) 및 심각도(severeness)를 분석하도록 구성된 제어부를 포함하고,
    상기 제어부는,
    상기 결함의 종류와 심각도를 판단하기 위한 랭킹 네트워크(Ranking Network)를 구축하고, 상기 랭킹 네트워크는 상기 결함의 종류를 판단하는 뉴럴 네트워크 모듈을 포함하고, 상기 뉴럴 네트워크 모듈은, 상기 특정 회로에 대한 결함의 원인을 분류하기 위한 기계적(mechanical) 자극 랭킹 네트워크 모듈, 화학적(chemical) 자극 랭킹 네트워크 모듈 및 광 열화(photo degradation) 자극 랭킹 네트워크 모듈을 포함하고,
    각 결함 시편에 대하여 상기 주파수 별 S 파라미터 패턴을 입력 받아 각 자극 별로 심각도를 채점하는, 회로 결함분석 시스템.
  9. 제8항에 있어서,
    상기 인터페이스부는 시편 제작된 정상 회로의 S 파라미터 특성을 수집하고,
    상기 제어부는,
    상기 정상 회로의 S 파라미터 특성에 대한 Ground Truth Table을 생성하는 것을 특징으로 하는, 회로 결함분석 시스템
  10. 제9항에 있어서,
    상기 제어부는,
    결함의 종류와 심각도가 구분 가능한 상기 결함이 적용된 회로에 대하여, 상기 결함에 따른 S파라미터 특성에 대한 Ground Truth Data를 생성하는, 회로 결함분석 시스템
  11. 제10항에 있어서,
    상기 제어부는,
    상기 구축된 랭킹 네트워크에 상기 특정 회로의 S 파라미터 패턴을 입력하여 상기 특정 회로의 결함종류 및 심각도를 한번에 판단하는 것을 특징으로 하는, 회로 결함분석 시스템.
  12. 제8항에 있어서,
    상기 제어부는,
    심각도 채점부가 상기 각 결함 시편에 대하여 기계적 자극, 화학적 자극 및 광 열화 자극 별로 심각도를 이산 값으로 결함원인/심각도 분류기에 전달하고, 상기 결함원인/심각도 분류기는 상기 심각도 채점부의 결과로부터 결함의 여부, 결함의 원인 및 심각도를 분류하도록 제어하는, 회로 결함분석 시스템.
  13. 제12항에 있어서,
    상기 제어부는,
    상기 결함의 종류 및 심각도 분석을 수행한 이후,
    상기 특정 회로에 대한 실제 결함 종류/심각도를 입력받아 평가하고,
    상기 입력된 결과가 상기 분석된 결과와 상이한 경우, 상기 입력된 결과와 상기 분석된 결과에 기반하여 상기 랭킹 네트워크를 수정하는 것을 특징으로 하는, 회로 결함분석 시스템.
KR1020190051655A 2019-05-02 2019-05-02 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법 KR102136863B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190051655A KR102136863B1 (ko) 2019-05-02 2019-05-02 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190051655A KR102136863B1 (ko) 2019-05-02 2019-05-02 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법

Publications (1)

Publication Number Publication Date
KR102136863B1 true KR102136863B1 (ko) 2020-07-22

Family

ID=71893306

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190051655A KR102136863B1 (ko) 2019-05-02 2019-05-02 S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법

Country Status (1)

Country Link
KR (1) KR102136863B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220101484A (ko) * 2021-01-11 2022-07-19 국방과학연구소 회로 건전성 향상 방법 및 그 장치
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100793A (ko) * 2010-03-05 2011-09-15 삼성전기주식회사 수동소자가 내장된 인쇄회로기판의 이상 유무 판단 방법
JP2013205320A (ja) * 2012-03-29 2013-10-07 Dainippon Screen Mfg Co Ltd 検査条件決定方法、検査方法および検査装置
KR20180108446A (ko) * 2017-03-23 2018-10-04 (주)모아데이타 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110100793A (ko) * 2010-03-05 2011-09-15 삼성전기주식회사 수동소자가 내장된 인쇄회로기판의 이상 유무 판단 방법
JP2013205320A (ja) * 2012-03-29 2013-10-07 Dainippon Screen Mfg Co Ltd 検査条件決定方法、検査方法および検査装置
KR20180108446A (ko) * 2017-03-23 2018-10-04 (주)모아데이타 Ict 인프라 관리 시스템 및 이를 이용한 ict 인프라 관리 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Chandan Prakash, Amitrajit Sarkar. Ranking with Deep Neural Networks. Fifth International Conference on Emerging Applications of Information Technology. January 2018, pp. 1-5 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220101484A (ko) * 2021-01-11 2022-07-19 국방과학연구소 회로 건전성 향상 방법 및 그 장치
US11808795B2 (en) 2021-01-11 2023-11-07 Agency For Defense Development Prognostic method and apparatus for improving circuit health
KR102607382B1 (ko) * 2021-01-11 2023-11-29 국방과학연구소 회로 건전성 향상 방법 및 그 장치
KR20220141019A (ko) * 2021-04-12 2022-10-19 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치
KR102538542B1 (ko) 2021-04-12 2023-05-30 서울대학교산학협력단 상전류 신호를 이용한 모터 고장 진단 방법 및 장치

Similar Documents

Publication Publication Date Title
CN109186813B (zh) 一种温度传感器自检装置及方法
US7225107B2 (en) Methods and apparatus for data analysis
US8000928B2 (en) Methods and apparatus for data analysis
EP2992340B1 (en) System and method for ups battery monitoring and data analysis
US20060085155A1 (en) Methods and apparatus for local outlier detection
Bigdeli et al. Detection of probability of occurrence, type and severity of faults in transformer using frequency response analysis based numerical indices
US8041541B2 (en) Methods and apparatus for data analysis
KR102136863B1 (ko) S 파라미터 패턴의 기계학습을 이용한 회로 결함분석 방법
Liu et al. Prognosis of underground cable via online data-driven method with field data
JP5080526B2 (ja) データ解析のための方法および装置
Chien et al. Integrated circuit probe card troubleshooting based on rough set theory for advanced quality control and an empirical study
CN117630800A (zh) 一种电能表自动检定装置故障诊断方法及系统
Turakhia et al. Bridging DFM analysis and volume diagnostics for yield learning-A case study
TWI427487B (zh) 工件抽樣檢驗的方法及其電腦程式產品
TWI400619B (zh) 偵測產品品質超規與評估產品實際量測值的方法
KR102649453B1 (ko) 회전기계의 결함을 진단하는 방법 및 시스템
US7035770B2 (en) Fuzzy reasoning model for semiconductor process fault detection using wafer acceptance test data
O'Neill Statistical test: A new paradigm to improve test effectiveness & efficiency
Variyam Increasing the IDDQ test resolution using current prediction
JP4866263B2 (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
CN114002574A (zh) 半导体结构的测试方法
Bigdeli Performance of mathematical indices in transformer condition monitoring using k-NN based frequency response analysis
JP2008078392A (ja) 特性解析方法および装置、異常設備推定方法および装置、上記特性解析方法または異常設備推定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
Liu et al. Enhancing Good-Die-in-Bad-Neighborhood Methodology with Wafer-Level Defect Pattern Information
CN117406048B (zh) 一种变压器放电故障诊断方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant