Journal of the Korea Society for Simulation (한국시뮬레이션학회논문지)

The Korea Society for Simulation (한국시뮬레이션학회)
권호 표지
DOI QR코드

DOI QR Code

Development of a Simulator for Optimizing Semiconductor Manufacturing Incorporating Internet of Things

사물인터넷을 접목한 반도체 소자 공정 최적화 시뮬레이터 개발

  • 당현식 (서울과학기술대학교 전자IT미디어공학과) ;
  • 조동희 (서울과학기술대학교 전자IT미디어공학과) ;
  • 김종서 (서울과학기술대학교 전자IT미디어공학과) ;
  • 정태호
  • Received : 2017.11.23
  • Accepted : 2017.12.14
  • Published : 2017.12.31
Download PDF
⟨ Previous Next ⟩

Abstract

With the advances in Internet over Things, the demand in diverse electronic devices such as mobile phones and sensors has been rapidly increasing and boosting up the researches on those products. Semiconductor materials, devices, and fabrication processes are becoming more diverse and complicated, which accompanies finding parameters for an optimal fabrication process. In order to find the parameters, a process simulation before fabrication or a real-time process control system during fabrication can be used, but they lack incorporating the feedback from post-fabrication data and compatibility with older equipment. In this research, we have developed an artificial intelligence based simulator, which finds parameters for an optimal process and controls process equipment. In order to apply the control concept to all the equipment in a fabrication sequence, we have developed a prototype for a manipulator which can be installed over an existing buttons and knobs in the equipment and controls the equipment communicating with the AI over the Internet. The AI is based on the deep learning to find process parameters that will produce a device having target electrical characteristics. The proposed simulator can control existing equipment via the Internet to fabricate devices with desired performance and, therefore, it will help engineers to develop new devices efficiently and effectively.

사물 인터넷 기술의 발전에 따라 모바일 기기와 센서 등에 대한 수요가 급증하고 있으며, 다양한 전자 제품에 대한 개발이 이루어지고 있다. 이러한 신제품들에 사용될 반도체 소자와 재료, 공정 장비들도 다양해지고 있으며, 공정마다 최적의 공정 변수를 찾는 과정들이 수반된다. 효율적인 공정 최적화를 위하여 시뮬레이션을 이용하거나 실시간 공정 제어 시스템을 사용하여 공정 변수를 찾을 수 있겠지만, 공정 데이터의 피드백과 비용, 범용성 등의 한계가 있다. 본 연구에서는 효율적으로 최적의 공정 변수를 찾기 위해 소자의 목표 특성과 제작된 소자의 특성을 비교하여 공정 장비를 자동으로 제어하는 시뮬레이터를 개발하였다. 이 시뮬레이터의 범용성을 극대화하기 위하여 온라인 기능이 구현되어 있지 않은 반도체 공정 장비에 장착할 수 있는 각종 센서 모듈과 조작 모듈들을 제작하였고, 이 모듈들을 원격에서 접근이 가능하도록 사물 인터넷 기술을 접목하였다. 최적의 공정 변수를 찾기 위한 방법은 딥러닝 기반의 인공지능을 사용하였다. 제안하는 시뮬레이터는 기존의 공정 장비들을 온라인으로 제어하고 최적의 공정 변수들을 찾을 수 있기 때문에 신제품 개발에 필요한 시간과 비용을 줄일 수 있을 것으로 기대된다.

Keywords

References

  1. Park, S.H., Seo, S.H., Kim, J.H. and Kim S.S., "Neural network simulator for semiconductor manufacturing ; Case study - photolithography process overlay parameters," Journal of the Korea Society for Simulation, Vol. 14, No. 4, pp. 55-68, 2005.
  2. Resta, G.V., Agarwal, T., Lin, D., Radu, I.P., Catthoor, F., Gaillardon, E. and Micheli, G.D., Scaling trends and performance evaluation of 2-dimensional polaritycontrollable FETs, Scientific Reports, 7, No. 45556, 2017. https://doi.org/10.1038/srep45556
  3. Nikonov, D.E. and Young, I.A., "Overview of Beyond-CMOS Devices and a Uniform Methodology for Their Benchmarking" Proceedings of the IEEE, Vol. 101, No. 12, pp. 2498-2533, 2013. https://doi.org/10.1109/JPROC.2013.2252317
  4. Ferrari, A.C., Bonaccorso, F., Fal'ko, V., Novoselov, K.S., Roche, S., Boggild, P., Borini, S., Koppens, F.H.L., Palermo, V., Pugno, N., Garrido, J.A., Sordan, R., Bianco, A., Ballerini, L., Prato, M., Lidorikis, E., Kivioja, J., Marinelli, C., Ryhanen, T., Morpurgo, A., Coleman, J.N., Nicolosi, V., Colombo, L., Fert, A., Garcia-Hernandez, M., Bachtold, A., Schneider, G.F., Guinea, F., Dekker, C., Barbone, M., Sun, Z., Galiotis, C., Grigorenko, A.N., Konstantatos, G., Kis, A., Katsnelson, M., Vandersypen, L., Loiseau, A., Morandi, V., Neumaier, D., Treossi, E., Pellegrini, V., Polini, M., Tredicucci, A., Williams, G.M., Hong, B.H., Ahn, J.H., Kim, J.M., Zirath, H., Van Wees, B.J., van der Zant, H., Occhipinti, L., Matteo, A.D., Kinloch, I.A., Seyller, T., Quesnel, E., Feng, X., Teo, K., Rupesinghe, N., Hakonen, P., Neil, S.R.T., Tannock, Q., Lofwanderaq, T. and Kinaretba, J., "Science and technology roadmap for graphene, related two-dimensional crystals, and hybrid systems," Nanoscale, Vol. 7, pp. 4598-4810, 2015. https://doi.org/10.1039/C4NR01600A
  5. Lee, G.C. and Choi, S.H., "A Simulation Study on Capacity Planning in Hybrid Flowshops for Maximizing Throughput Under a Budget Constraint," Journal of the Korea Society for Simulation, Vol. 20, No. 3, pp. 1-10, 2012. https://doi.org/10.9709/JKSS.2011.20.3.001
  6. Li, Y., Yu, S.M. and Chen, C.K., "A Coupled Simulation and Optimization Approach to Nanodevice Fabrication with Minimization of Electrical Characteristics Fluctuation," IEEE Conference on Nanotechnology, Vol. 6, pp. 12-15, 2006.
  7. Kang, S.C., Hwang, J.B., Kim, J.Y. and Kim, S.S., "A Simulation study of EWMA control using dynamic control parameter," Journal of the Korea Society for Simulation, Vol. 16, No. 2, pp. 37-44, 2007.
  8. Agrawal, G.K., Loh, S.Y. and Shebi, A.B., "Advanced Process Control (APC) and Real Time Dispatch (RTD) system integration for etch depth control process in 300mm Fab," Proc. of Advanced Semiconductor Manufacturing Conference, Saratoga Springs, pp. 390-394, 2015.
  9. Smith, T., Boning, D., Stefani, J. and Bulter, S., "Run by Run Advanced Process Control of Metal Sputter Deposition," IEEE Trans. Semiconductor Manufacturing, Vol. 11, pp. 276-284, 1998. https://doi.org/10.1109/66.670176
  10. Moyne, J. and Iskandar, J., "Big Data Analytics for Smart Manufacturing: Case Studies in Semiconductor Manufacturing," Processes, Vol. 5, No. 3, p. 39, 2017. https://doi.org/10.3390/pr5030039
  11. Lee, Y.H., Cho, H.M., Park, J.K. and Lee, B.K., "Scheduling Simulator for Semiconductor Fabrication Line," IE interfaces, Vol. 12, No. 3, pp. 437-447, 1999.
  12. Hagan, M.T., Demuth, H.B. and Beale, M., Neural Network Design, 2nd Edition, PWS Publishing Co., pp. 2-7, 1996.
  13. Plummer, J.D., Deal, M.D. and Griffin, P.B., Silicon VLSI Technology, 1st Edition, Prentice Hall, 2000.