학술논문
Data Driven Component Development and Diagnosis in Semiconductor Manufacturing
Document Type
Dissertation/ Thesis
Author
Source
Subject
Language
English
Abstract
As semiconductor development continues, new semiconductor design technology is applied every year. In the past, the 10nm process was carried out, but now the semiconductor process is being carried out by requiring single-digit nanometer technology. This increase in process difficulty has come to appear as a margin defect problem in which the limit of the process design margin appears as a defect during mass production, along with the existing quality defect problem. To overcome this problem, the researchers tried to solve the problem by either solving the problem for each component or by analyzing the data of the production line and introducing big data and machine learning techniques. However, when applied to the production line, the diagnosis for each component could not respond to other components and changing factors that could affect the components. In addition, the diagnosis method through big data could not be expanded because it could not find key variables when applying the results obtained from a specific device to other devices. In this study, a framework for deriving and utilizing key variables was proposed. Through this framework, the control method of each part was analyzed and key variables according to each part were derived. Additional variables for diagnosis were secured through correlation analysis of factors that can affect each other as well as individual components. In the problem detection stage of the framework, a virtual sensor was developed by modeling the component through the curve fitting method. To secure factors that can affect the parts, a test bench similar to the equipment in which the parts are driven was developed and the impact was evaluated. A diagnostic algorithm was developed through modeling with key variables and additional variables by the environment similar to the equipment. Among the key variables for applying the algorithm, there were internal sensor values of parts that could not be accessed from the equipment, or values that could be obtained through additional sensors. To apply the algorithm, these key variables and additional variables had to be secured at the same timestamp. Therefore, we also proposed a standard protocol for communication between equipment and sensors. Through this, not only the equipment collects sensor data, but also it can be used as a trigger signal using other sensor values in the equipment. Using these data, an algorithm was applied to the virtual sensor in the FDC to diagnose. In addition, the key variables were used as key variables for performance and diagnosis in the development of the next generation of parts, so that they were used as important indicators to secure the specifications of parts development. Through this, it not only solved the chronic problems of MFC and vaporizer, but also contributed to the improvement of yield.
반도체 개발이 거듭되면서 매년 새로운 반도체 설계 기술이 적용되고 있다. 기존에는 10nm단위의 공정을 진행했다면 현재는 한자리 nm의 기술을 요구하여 반도체 공정을 진행하고 있다. 이런 공정 난이도의 증가는 고질적으로 발생하는 품질 불량 문제와 더불어 공정설계시 마진 한계로 여겼던 부분이 양산시 불량이 되는 마진 불량 문제로 나타나게 되었다. 이 부분을 극복하기 위해서 지금까지는 부품별로 문제를 해결하거나, 생산라인의 데이터를 분석하여 빅데이터, 머신러닝 기법을 도입하여 문제를 해결하고자 하였다 그러나 생산라인에 적용하였을 때 부품 별 진단은 부품에 영향을 줄 수 있는 다른 부품과 변화요인들에 대해서 대응할 수 없었고, 빅데이터를 통한 진단 방식은 특정 장비에서 얻은 결과를 다른 장비에 적용할 때는 핵심 변수를 찾지 못하여서 확대 적용하지 못하게 되었다. 이에 본 연구에서는 핵심 변수 도출과 활용을 위한 프레임워크를 제안하였다. 이 프레임워크를 통해서 각 부품의 제어 방식을 분석하여 부품에 따른 핵심 변수를 도출하였다. 개별 부품뿐만 아니라, 부품 간 서로 영향을 줄 수 있는 인자들의 상관관계 분석을 통하여 진단을 위한 추가 변수를 확보하였다. 프레임워크의 문제감지 단계에서는 커브피팅 방법을 통해 부품을 모델링하여 가상센서를 개발하였다. 부품에 영향을 줄 수 있는 인자들을 확보하기 위해서 부품이 구동되는 장비와 유사한 테스트 벤치를 개발하여 영향성 평가를 하였다. 장비와 유사한 환경에 맞추어서 핵심변수와 추가변수를 통한 모델링을 통하여 진단 알고리즘을 개발하였다. 알고리즘을 적용을 위한 핵심변수들 중에는 장비에서 접근이 안되는 부품의 내부 센서 값이나, 추가 센서를 통해서 얻을 수 있는 값들이 있었다. 알고리즘을 적용하기 위해서는 이 핵심 변수들과 추가 변수가 같은 타임스탬프에서 확보되어야 했다. 그래서 장비와 센서 간의 통신을 위한 표준 프로토콜을 제안하였다. 이를 통해 센서 데이터를 장비가 수집하는 것뿐 아니라, 장비 내의 다른 센서 값을 활용한 트리거 신호로 활용할 수 있게 하였다. 이 표준화된 프로토콜을 반도체 주요 공정 장비에 적용하여 특정 장비에서 확인된 핵심변수들을 다른 장비들도 동일하게 적용할 수 있도록 하였다. 이 데이터를 활용하여 FDC내 가상센서로 알고리즘을 적용하여 진단하도록 하였다. 또한 핵심 변수들은 부품의 다음세대 개발시에 성능과 진단을 위한 핵심 변수로 활용되어 부품개발의 사양을 확보하는 중요한 지표로도 활용하도록 하였다. 이를 통해 MFC와 기화기의 고질적인 문제 해결할 뿐 아니라, 수율 개선에 기여하였다.
반도체 개발이 거듭되면서 매년 새로운 반도체 설계 기술이 적용되고 있다. 기존에는 10nm단위의 공정을 진행했다면 현재는 한자리 nm의 기술을 요구하여 반도체 공정을 진행하고 있다. 이런 공정 난이도의 증가는 고질적으로 발생하는 품질 불량 문제와 더불어 공정설계시 마진 한계로 여겼던 부분이 양산시 불량이 되는 마진 불량 문제로 나타나게 되었다. 이 부분을 극복하기 위해서 지금까지는 부품별로 문제를 해결하거나, 생산라인의 데이터를 분석하여 빅데이터, 머신러닝 기법을 도입하여 문제를 해결하고자 하였다 그러나 생산라인에 적용하였을 때 부품 별 진단은 부품에 영향을 줄 수 있는 다른 부품과 변화요인들에 대해서 대응할 수 없었고, 빅데이터를 통한 진단 방식은 특정 장비에서 얻은 결과를 다른 장비에 적용할 때는 핵심 변수를 찾지 못하여서 확대 적용하지 못하게 되었다. 이에 본 연구에서는 핵심 변수 도출과 활용을 위한 프레임워크를 제안하였다. 이 프레임워크를 통해서 각 부품의 제어 방식을 분석하여 부품에 따른 핵심 변수를 도출하였다. 개별 부품뿐만 아니라, 부품 간 서로 영향을 줄 수 있는 인자들의 상관관계 분석을 통하여 진단을 위한 추가 변수를 확보하였다. 프레임워크의 문제감지 단계에서는 커브피팅 방법을 통해 부품을 모델링하여 가상센서를 개발하였다. 부품에 영향을 줄 수 있는 인자들을 확보하기 위해서 부품이 구동되는 장비와 유사한 테스트 벤치를 개발하여 영향성 평가를 하였다. 장비와 유사한 환경에 맞추어서 핵심변수와 추가변수를 통한 모델링을 통하여 진단 알고리즘을 개발하였다. 알고리즘을 적용을 위한 핵심변수들 중에는 장비에서 접근이 안되는 부품의 내부 센서 값이나, 추가 센서를 통해서 얻을 수 있는 값들이 있었다. 알고리즘을 적용하기 위해서는 이 핵심 변수들과 추가 변수가 같은 타임스탬프에서 확보되어야 했다. 그래서 장비와 센서 간의 통신을 위한 표준 프로토콜을 제안하였다. 이를 통해 센서 데이터를 장비가 수집하는 것뿐 아니라, 장비 내의 다른 센서 값을 활용한 트리거 신호로 활용할 수 있게 하였다. 이 표준화된 프로토콜을 반도체 주요 공정 장비에 적용하여 특정 장비에서 확인된 핵심변수들을 다른 장비들도 동일하게 적용할 수 있도록 하였다. 이 데이터를 활용하여 FDC내 가상센서로 알고리즘을 적용하여 진단하도록 하였다. 또한 핵심 변수들은 부품의 다음세대 개발시에 성능과 진단을 위한 핵심 변수로 활용되어 부품개발의 사양을 확보하는 중요한 지표로도 활용하도록 하였다. 이를 통해 MFC와 기화기의 고질적인 문제 해결할 뿐 아니라, 수율 개선에 기여하였다.