In semiconductor manufacturing, several measurement data called wafer maps are obtained in the metrology steps, and the variations in the process are detected by analyzing the wafer map data. Hidden processes or equipment affecting the process quality variations can be found by comparing the process tracking history and clustered groups of similar wafer maps; thus, clustering analysis is very important to reduce the process quality variations. Currently, clustering wafer maps are becoming more difficult as the wafer maps are formed into more complex patterns along with high-dimensional data. For more effective clustering of complex and high-dimensional wafer maps, we implement a Gaussian mixture model to a variational autoencoder framework to extract features that are more suitable to the clustering environment, and a Dirichlet process is further applied in the variational autoencoder mixture framework for automated one-step clustering. The proposed method is validated using a real dataset from a global semiconductor manufacturing company, and we demonstrate that it is more effective than other competitive methods in determining the number of clusters and clustering wafer map patterns.
반도체 제조 과정에서 웨이퍼 맵으로 지칭되는 정보가 계측 단계에서 수집되며, 웨이퍼 맵을 분석하여 해당 공정의 변동을 검출할 수 있다. 웨이퍼 맵의 군집 결과와 공정 진행 정보 간의 비교를 통해 공정 품질 변동에 영향을 준 혐의 공정 및 설비를 찾을 수 있기 때문에 군집 분석은 공정 품질 변동을 줄이는데 매우 중요한 역할을 한다. 최근 웨이퍼 맵이 고차원의 정보를 바탕으로 더 복잡한 패턴으로 형성됨에 따라 웨이퍼 맵 군집에 어려움을 겪고있다. 이 문제를 해결하기 위해 우리는 가우시안 혼합모형을 변분 오토인코더에 적용하여 군집 환경에 더 최적화된 웨이퍼 맵의 특징을 추출하고자 하였으며, 디리클레 과정을 제안모형에 추가로 연동하여 자동화된 군집 분석이 가능하도록 하였다. 제안모형은 반도체 제조사에서 제공한 실제 데이터를 이용하여 검증되었으며, 다른 비교모형보다 더 효과적인 군집 결과를 도출함을 확인하였다.
