부산대학교 도서관

본 논문은 반도체 제조 공정에서 핵심적인 역할을 하는 클러스터 도구의 생산성 최적화를 목표로 하고 있습니다. 반도체 식각 장비 중에서도 특히 클러스터 도구 는 웨이퍼 생산량 증가에 큰 영향을 미치며, 공정의 다양성 증가로 인해 이의 최 적화 과정은 점점 더 복잡해지고 있습니다. 이러한 복잡성에 대응하기 위해, 최근 에는 KNN 및 DNN 같은 기계 학습 알고리즘이 도입되었으며, 이들은 웨이퍼 처 리량 예측에 중요한 역할을 수행하고 있습니다. 이 연구는 기존 연구들의 결과를 재현하는 데 집중하면서, 그 과정에서 발생하는 어려움을 탐구합니다. 특히, 복잡 한 비선형 관계를 모델링하고 예측하는 능력을 갖춘 1D CNN과 Semantic segmentation을 기반으로 하는 Two stage 알고리즘을 실험합니다. 이 알고리즘 들은 기존의 단순한 선형 모델을 넘어서는 예측 능력을 보여주며, 특히 1D CNN 은 JIT1 설정에 대한 연속적인 처리량 예측에 매우 효과적입니다. 그러나 실제 반 도체 산업 환경에서의 클러스터 도구 운영은 이론적 모델과 항상 일치하지 않는 경우가 많으며, 이는 불규칙한 웨이퍼 흐름 패턴과 시퀀스 인터럽트 등의 문제로 인해 더욱 복잡해집니다. 이 연구는 기계 학습 모델을 통한 실제 데이터 기반의 더 현실적인 처리량 예측을 제시하며, 이를 위해 다양한 선형 및 비선형 기계 학 습 알고리즘을 실험합니다. 연구 과정에서, 현장 데이터에 대한 정교한 클러스터 링 기법들이 더 정확한 예측 가능성을 제시한다는 것을 발견했습니다. 그래서 발 견된 최적의 클러스터링 기법으로 데이터를 재가공하고 그 정확도를 높이는데, 연구의 주요한 목적이 있습니다. 이는 반도체 제조 공정에서 클러스터 도구의 생 산량 최적화에 대한 새로운 접근 방식을 제시하는 것으로, 이는 공정의 효율성을 높이는 데 중요한 기여를 할 수 있습니다. 이 연구는 또한 기계 학습 기술의 발전 과 그 적용 가능성을 보여주며, 반도체 제조 공정의 미래에 대한 새로운 비전을 제공합니다.