In semiconductor manufacturing, a wafer bin map (WBM) represents the results of wafer tests using a
binary value according to pass or fail of the tests. Defective dies are often clustered together, forming local systematic defects. Determining the specific pattern of local systematic defects is important, because different patterns of local systematic defects are related to different root causes of failure. Recently, as the wafer size has increased and the process technology has become more complicated, the possibility of observing two or more defect patterns in a single wafer has increased. In this study, we propose the use of convolutional neural networks to classify mixed-type defect patterns in WBMs. Through simulated and real data examples, we show that CNN performs well even when there are many random defects in WBMs.
반도체 웨이퍼 빈맵 데이터는 웨이퍼에 존재하는 칩의 양호/불량 결과를 0과 1로 표현한 데이터이다. 불량칩의 경우를 결함라고 하는데, 웨이퍼빈맵에는 결함들이 특정 패턴을 이루며 모여있는 경우를 로컬 시스테매틱 결함이라고 한다. 이러한 결함 패턴은 네 가지 종류의 형태가 있다. 웨이퍼에 존재하는 특정 결함 패턴은 반도체 제조 공정의 어디에 문제가 있는지에 대한 정보를 가지고 있다. 그러므로 웨이퍼 에 어떤 결함 패턴이 발생하였는지 알아내는 것은 생산성에 큰 영향을 미친다. 최근 웨이퍼의 크기가 커지고 공정기술이 복잡해짐에 따라, 하나의 웨이퍼에 두 개 이상의 결함 패턴이 발생하게 되었다. 단순한 분류자로는 이러한 혼합 결함 패턴을 바로 구분하기 힘들었고 전처리과정을 거친 뒤에 구분할 수 있었다. 그러나 전처리 과정을 거치면서 스크레치 패턴이 사라지는 등의 문제가 발생하였다. 따라서 본 연구에서는 컨벌루셔널 뉴럴 네트워크의 방법을 이용하여 웨이퍼에 존재하는 혼합 결함 패턴을 전처리 과정 없이 구분할 수 있도록 하였다.
