The memory module is a semiconductor product fabricated by mounting several memory chips on a printed circuit board. In the module test, which is the final step in the memory-module manufacturing process, the memory module is tested if it properly functions in the end-user system environment. Then, the chips in the memory module are individually checked for defects to guarantee quality matching the consumers’ demand. In this study, we propose a framework to predict which chips are defective in a module test using wafer and package test data. However, several challenges need to be overcome. First, two different data modalities (i.e., image and tabular data) exist, which influence defect prediction differently for different chips. Second, the module test results are highly imbalanced, with a very low defect rate. To address these challenges, we use a multimodal fusion model that integrates the two different modalities by dynamically evaluating the informativeness of each modality. In addition, we adopt a technique to modify the loss function to be Fisher consistent to minimize the balanced error rate. We demonstrate that the proposed framework can effectively predict chip-level defects in a module test using a real dataset collected from a global semiconductor manufacturing company.
메모리 모듈은 인쇄 회로 기판에 여러 개의 메모리 칩을 장착하여 제조되는 반도체 제품 중 하나이다. 반도체 메모리 모듈 제조에서 모듈 테스트는 고객 출하 전에 사용자 시스템 환경에서 메모리 모듈이 제대로 작동하는지 확인하는 최종 테스트이다. 모듈 테스트에서 메모리 모듈의 각 칩은 양호 또는 불량으로 분류되며, 고객이 요구하는 품질 수준을 보장하기 위해서는 불량 칩을 정확하게 검출하는 것이 중요하다. 본 논문에서는 웨이퍼 및 패키지 테스트 데이터를 이용하여 모듈 테스트에서의 불량 칩을 예측하는 프레임워크를 제안하였고, 이를 달성하기 위한 몇 가지 과제가 있다. 첫째, 두 가지 다른 유형의 데이터가 있으며, 각 데이터 유형이 결함 예측에 미치는 영향은 칩마다 다를 수 있다. 둘째, 모듈 테스트 결과는 불량률이 매우 낮아 클래스 불균형이 심하다. 이러한 과제를 해결하기 위해 각 데이터 유형의 중요도를 동적으로 평가하여 두 유형의 데이터를 통합하는 다중 모드 융합 모델을 사용한다. 또한, 균형 오류을 최소화하는 것과 피셔 일관성을 갖는 손실함수를 사용한다. 글로벌 반도체 제조 회사에서 수집한 실제 테스트 데이터 세트를 사용하여 우리가 제안한 프레임워크가 모듈 테스트에서 칩 단위의 결함을 효과적으로 예측할 수 있음을 보여준다.
