In semiconductor manufacturing, the package test is a process that verifies whether the product specifications are satisfied before finally shipping the products to the customers, classifying the goods or the defects according to the verification results. Since the package test results and customer quality are closely related, it is important to strictly identify and manage defects. In this paper, we propose a method to predict in advance the potential defects using the data of wafer test results which directly related to the package test results. In our method, there are several challenges. First, the package test data is class-imbalanced with a very low defect rate, and the imbalance level may change due to variance of manufacturing processes. Second, there is a complex relationship between package test results and wafer test results. Third, it is more important to increase the detection accuracy for defects, instead of the overall classification accuracy. More specifically, we propose a Bayesian neural network-based model that can adaptively deal with unknown imbalance levels through quantifying uncertainty and flexible adjustment of decision boundary. Using a real semiconductor manufacturing dataset from a global semiconductor company, we show that the proposed model can effectively identify defects even under various imbalance levels.
반도체 제조에서 패키지 테스트는 최종적으로 고객 출하 전에 제품 사양을 충족하는지 검사하는 공정으로 검사 결과에 따라 결함을 분류한다. 패키지 테스트 결과와 고객의 품질은 밀접한 관련이 있기 때문에 패키지 테스트에서 결함을 엄격하게 식별하고 분류하는 것이 중요하다. 따라서 본 논문에서는 패키지 테스트 결과와 직접적으로 관련이 있는 웨이퍼 테스트 공정의 데이터를 이용하여 잠재적 결함을 미리 예측하는 방법을 제안한다. 우리의 문제에는 몇 가지 해결해야 할 문제가 있다. 첫째, 패키지 테스트는 결함 발생율이 매우 낮아 심한 불균형 결과 데이터를 가지며 제조 공정의 미묘한 변화로도 불균형 수준이 변경 될 수 있다. 둘째, 패키지 테스트 결과와 웨이퍼 테스트 데이터 사이에는 복잡한 상관 관계가 있다. 셋째, 전체 분류 정확도보다 결함 탐지 정확도를 높이는 것이 더 중요 하다. 그러므로 우리는 불확실성을 정량화하고 결정 경계를 유연하게 조정하여 알려지지 않은 불균형 수준을 적응하여 처리 할 수있는 베이지안 신경망 기반 모델을 제안 한다. 글로벌 반도체 회사의 실제 반도체 제조 데이터를 사용하여 제안된 모델이 다양한 불균형 수준에서도 효과적으로 결함을 식별 할 수 있음을 보였다.
