Semiconductor manufacturers are intensively competing with each other, and increasing the yield is getting more important than ever. For yield enhancement, it is especially helpful to analyze wafer map data which contain the location and functional status of each chip on a wafer. Spatial patterns of defective chips (e.g., zone, scratch, ring patterns, etc.) on a wafer map can provide information on the potential causes of fabrication process malfunctions, and numerous automated defect pattern analysis algorithms have been developed for identifying the existence or non-existence of such patterns.
A new defect pattern analysis algorithm using density-based clustering (DBC) is developed in this thesis. The proposed algorithm consists of two steps. The first step, called automatic autocorrelation detection (AAD), is to evaluate whether or not spatial correlations exist among defects (or whether or not clustered defects are present due to fabrication process malfunction) on a wafer. The second step, called automatic defect pattern classification (ADC), is to classify spatial defect patterns into classes. In the AAD step, a hypothesis test for spatial correlation among defects is conducted using a test statistic based on the number of core points. In the ADC step, the defects regarded as belonging to the same spatial pattern are clustered using DBC, and then each cluster is classified into one of the pre-specified spatial patterns using a decision tree.
The proposed algorithm is evaluated using simulated and real wafer map data. Experimental results for the simulated wafer map data show that in the AAD step, the test for spatial correlation among defects based on the number of core points is as accurate as the tests previously proposed, but with much less computational effort. It is also found that the ADC step accurately classifies the spatial patterns on wafer maps using DBC and decision trees.
최근 반도체 제조회사들 간의 경쟁이 치열해지면서 수율은 중요한 문제가 되고 있다. 수율을 향상시키려면 웨이퍼 상의 칩의 위치와 상태를 표시하는 웨이퍼 맵을 분석하여 공정 개선에 필요한 정보를 얻을 필요가 있다. 불량칩의 분포 모양(선형, 타원형, 고리형)를 파악하면 문제 공정을 찾아 제거할 수 있기 때문에 신속하고 정확하게 결함 패턴을 분석하는 자동화된 알고리즘 개발을 위한 연구가 진행되고 있다.
본 논문에서는 밀도기반 클러스터링(density-based clustering)에 기반한 결함 패턴 분석 알고리즘을 개발하였다. 결함 패턴 분석 알고리즘은 전역적 결함과 국소적 결함을 지닌 웨이퍼 맵을 구분하는 자동 자기상관 탐지 단계와 국소적 결함의 패턴 유형을 분류하는 자동 결함 분류단계로 형성된다. 본 논문에서는 자동 자기상관 탐지 단계에서는 core point 수를 이용한 공간 의존성 검정 방법을 개발하였다. Core point 수를 이용한 방법은 기존의 방법보다 적은 양의 칩을 조사하여 비슷한 정확도로 공간 의존성 검정이 가능하다. 자동 결함 분류 단계에서는 웨이퍼 맵 상의 동일 패턴에 속하는 국소적 결함만 군집화하기 위해 밀도기반 클러스터링과, 각 군집이 어떤 모양인지 분류하기 위해 의사결정나무를 결합하여 사용하였다.
시뮬레이션 데이터를 통해 core point 수를 이용한 방법과 기존 방법을 이용해 공간 의존성 검정 성능을 비교한 결과, 검정의 정확도는 비슷한 반면, 검정을 위해 조사하는 칩의 수는 core point 수를 이용한 방법이 적었다. 또한, 밀도기반 클러스터링과 의사결정나무를 결합한 결함 패턴 분류도 우수한 성능을 보였다. 실제 웨이퍼 맵에 대한 결함 패턴 분석 실험에서도 밀도기반 클러스터링에 기반한 결함 패턴 분석 알고리즘은 우수한 성능을 보였다.
