After wafer fabrication, individual chips on a wafer are checked whether they are defective or not through multiple electrical tests. The test results can be represented by binary values for all individual chips, which form a spatial map called a wafer bin map (WBM). Different defect patterns in WBMs are related to different causes of process faults, and thus it is important to classify WBMs according to their defect patterns to identify root causes of process faults and fix the problems. Recently, as the wafer size has increased and the semiconductor manufacturing process has become more complicated, probability of having mixed type defect patterns on wafer bin maps has increased. Previous studies for the classification of mixed-type defect patterns mainly used labeled WBM data only, although a much larger amount of unlabeled data are often available in practice. To utilize both labeled and unlabeled data to achieve better classification performance, this study proposes the use of semi-supervised deep convolutional generative model. In particular, we formulate the problem of classifying mixed-type defect patterns as a problem of multi-label classification, and adopt multiple latent class variables, each for a distinct single pattern. As an inherent advantage of a generative model, we can also use the proposed model to generate new WBM data.
반도체 공정에서 웨이퍼 가공이 끝나면 웨이퍼 내 각 칩의 결함 여부를 여러 단계의 전기 테스트를 통해 판단한다. 테스트 결과 결함 여부에 따라 웨이퍼 상의 모든 칩에 이진값을 부여하여 공간 데이터로 표현한 것을 웨이퍼빈맵이라고 한다. 웨이퍼빈맵의 다양한 결함 패턴은 서로 다른 공정 이상 원인에 의해 발생하기 때문에 웨이퍼 결함 패턴을 분류하는 것은 공정 이상을 탐지하고 원인을 파악하는 데 중요하다. 최근 웨이퍼의 사이즈가 커지고 반도체 제조 공정이 복잡해지면서 웨이퍼 빈 맵 위에 혼합형 결함 패턴이 발생할 확률이 높아지게 되었다. 기존의 웨이퍼 혼합형 결함패턴 분류 연구는 결함 패턴에 대한 라벨을 가지고 있는 데이터만 활용하였다. 본 연구는 혼합형 결함 패턴에 대한 라벨을 가지고 있지 않은 데이터를 함께 활용하여 보다 효과적으로 혼합형 결함패턴을 분류하고자 하였다. 구체적으로는 준지도 딥 생성 모델을 사용하였으며, 다중 클래스 문제를 다중 라벨 분류 문제로 간주하여 라벨 별 분류기를 두고, 합성곱 은닉층을 활용하여 더 효과적인 이미지 분석이 가능하도록 하였다. 실험을 통해 제안하는 모델이 라벨을 가지고 있지 않은 데이터를 효과적으로 활용하여 분류 성능을 높일 수 있음을 보였고, 혼합형 결함패턴을 가진 웨이퍼 데이터를 생성하는 데에도 이용될 수 있음을 보였다.
