Application of Data mining for improving and predicting yield in wafer fabrication system

데이터마이닝을 이용한 반도체 FAB공정의 수율개선 및 예측

  • 백동현 (천안대학교 경상학부) ;
  • 한창희 (한양대학교 디지털 경영학부)
  • Published : 2003.06.01

Abstract

This paper presents a comprehensive and successful application of data mining methodologies to improve and predict wafer yield in a semiconductor wafer fabrication system. As the wafer fabrication process is getting more complex and the volume of technological data gathered continues to be vast, it is difficult to analyze the cause of yield deterioration effectively by means of statistical or heuristic approaches. To begin with this paper applies a clustering method to automatically identify AUF (Area Uniform Failure) phenomenon from data instead of naked eye that bad chips occurs in a specific area of wafer. Next, sequential pattern analysis and classification methods are applied to and out machines and parameters that are cause of low yield, respectively. Furthermore, radial bases function method is used to predict yield of wafers that are in process. Finally, this paper demonstrates an information system, Y2R-PLUS (Yield Rapid Ramp-up, Prediction, analysis & Up Support), that is developed in order to analyze and predict wafer yield in a korea semiconductor manufacturer.

본 논문은 반도체 FAB공정의 수율개선 및 예측을 위해 데이터마이닝 기법을 적용한 사례를 소개한다. FAB 공정의 복잡성과 생산현장에서 수집되는 방대한 기술데이터로 인해 기존의 통계적 방법이나 엔지니어의 경험적 분석 방법만으로는 미처 파악하지 못하는 수율 저하 요인이 상당 수 존재한다. 본 논문은 먼저, FAB공정을 마친 웨이퍼에 불량 칩(chip)이 지리적으로 특정 위치에 집중적으로 발생하는 현상을 육안검사 대신 군집분석을 이용하여 데이터로부터 자동 판별할 수 있는 방법을 제안한다. 다음으로 연속패턴분석, 분류분석, RBF(Radial Base Function) 기법을 적용하여 수율 저하의 원인이 되는 문제 장비나 문제 파라미터를 신속, 정확하게 파악할 수 있도록 해 줄 뿐만 아니라 공정 진행 중인 제품의 미래 수율을 예측할 수 있도록 지원하는 방법을 제안한다. 또한 위 기법들을 반도체 FAB공정을 대상으로 국내 모 반도체 회사에서 정보시스템으로 구현한 Y2R-PLUS (Yield Rapid Ramp-up, Prediction, analysis & Up Support) 시스템을 소개한다.

Keywords

References

  1. SAS Enterprise Miner 4.0을 이용한 데이터마이닝 강현철;한상태;최종후;김은석;김미경
  2. 대한산업공업회지 v.26 no.2 실시간 기계상태 데이터베이스에서 데이터마이닝을 위한 적응형 의사결정트리 알고리즘 백준걸;김강호;김성식;김창욱
  3. 대한설비관리학회지 v.4 no.2 데이터마이닝을 이용한 최적 공정조건 탐색 안진석;고용민;장중순
  4. SPSS 10.0 메뉴얼 이학식;김영
  5. 데이터마이닝 장남식;홍성완;장재호
  6. 정보과학회지 v.16 no.9 데이터마이닝과 의사결정 지원 시스템 지원철;김민용
  7. 반도체 공정의 생산 및 공정관리 시스템 개발 최종보고서 한국과학기술원 산업공학과
  8. International journal of production research v.36 no.6 A spatial rule adaptation procedure for reliable production control in a wafer fabrication system Baek,D.H.;Yoon,W.C.;Park,S.C.
  9. IEEE transactions on semiconductor manufacturing v.15 no.1 Data mining for improving a cleansing process in the semiconductor industry Braha,D.;Shmilovici,A.
  10. Advanses in knowledge discovery and data mining From data mining to knowledge discovery in databased Fayyad,U.;Piatetsky-Shapiro,G;Smyth,P.
  11. 1999 ACM SIGKDD v.1 no.1 A survey of data mining and knowledge discovery software tools Goebel,M.;Gruenwald,L.
  12. Quality engineering v.8 no.3 Use of ridge regression in the improved control of casting process Hancock,W.M.;Yoon,J.W.;Plont,R.
  13. Inteligent miner for data 사용자 메뉴얼 버전 6 릴리스 1 IBM
  14. IEEE transactions on robotics and automation v.17 no.2 Data mining of printed-circuit board defects Kusiak,A.;Kurasek,C.
  15. Journal of materials processing technology v.129 Application of data mining and process knowledge discovering in sheet metal assembly dimensional variation diagnosis Lian,I.;Lai,X.M.;Lin,Z.Q.;Yao,F.S.
  16. Computer and chemical engineering v.24 no.2 Supervised learning for the analysis of process operational data Yamashita,Y.
  17. Knowledge discovery in databases Knowledge discovery in databases: An overview Frawley,W.J.;Piatetsky-Shapiro,G.;Matheus,C.J.