Recently, AI research has been active in all industries, and the semiconductor industry is no exception. In particular, due to the characteristics of the semiconductor industry, it takes several months for wafers to be input, commercialized, and delivered to customers. It has become important to use various information from semiconductor Fab. to quickly determine good/defective. If a defect occurs in the front process relatively and it is discovered in the test process or the customer at the back, the quality cost increases. Therefore, the probability of detecting defects is increased by predicting the judgment of the test process with the information of the semiconductor fab, or by increasing the image classification sampling of the inspection gate. If all these processes are done by humans, this also leads to an increase in cost, so we are researching how to solve it through automation and artificial intelligence. In this thesis, we are going to learn a model for image classification, classify actual semiconductor images through deep learning, and deal with methods to improve accuracy.
최근 전 산업에 걸쳐 인공지능 연구가 활발해 지고 있으며, 반도체 산업 또한 예외는 아니다. 특히 반도체 산업의 특성상 웨이퍼가 투입되고 제품화되어 고객에게 전달 되기까지 수개월이 걸리기 때문에 반도체 팹에서 나오는 여러가지 정보를 활용하여 빠르게 양품/불량 판정을 하는 것이 중요해졌다. 상대적으로 앞쪽 공정에서 불량이 발생하여 이를 뒤쪽 테스트 공정이나 고객에서 발견되었을 경우 품질비용이 증가하게 된다. 그래서 반도체 팹의 정보를 가지고 테스트 공정의 판정을 예측하거나, 검사 게이트의 이미지 분류 샘플링을 증가시켜 불량을 검출할 확률을 높이고 있다. 이 모든 과정을 사람이 하게 되면 이 또한 비용의 증가로 이어져서, 자동화, 인공지능을 통해 해결하는 방법을 연구 중이다. 본 학위 논문에서는 이미지 분류를 위한 모델을 알아보고, 실제 반도체 이미지에 대해 딥러닝 기법을 통해 분류해보고 정확도를 높이는 방법을 다루고자 한다.
