Critical Dimension(CD) of a semiconductor glass is a important factor which directly affect the performance of semiconductor. The smaller and more uniform CD is, the better performance. Direct measurement of this CD require many resources, so in this paper, we conduct regression task to predict CD of a glass cell using process data of glass combined with location information of cell and time information of glass. To seek non-linear relation between process data and CD, this paper utilizes Deep Gaussian Process Regression(DGPR) which use Deep Gaussian Process(DGP), the multi-layer version of Gaussian Process(GP). To find factor which are more influence to the CD, we present hierarchical model which set latent representation from Variational Auto-Encoder(VAE) to input of DGPR. Our model can predict CD successfully.
반도체 글라스(Glass)의 임계 치수(Critical Dimension)는 반도체의 성능에 직접적인 영향을 미친다. 임계 치수가 작고 균일할수록 반도체의 성능이 좋다고 할 수 있는데, 이 임계 치수를 직접 측정하는 데에는 많은 비용이 소요되어 반도체 글라스의 모든 셀(Cell)에 대해 임계 치수를 측정할 수 없다. 본 연구에서는 쉽게 얻을 수 있는 반도체의 공정정보(Process Data)와 셀의 위치정보와 글라스의 시간정보로부터 임계 치수를 회귀(Regression)하였다. 본 논문에서는 공정정보와 임계 치수 사이의 비선형적인(Non-linear)한 관계를 보기 위하여 가우시안 프로세스(Gaussian Process)의 여러 계층(Multi-layer) 버전인 심층 가우시안 프로세스(Deep Gaussian Process)를 이용한 회귀인 심층 가우시안 프로세스 회귀(Deep Gaussian Process Regression)를 사용한다. 공정정보 중에서 임계 치수에 영향을 더 크게 주는 요인을 찾기 위해서 변분 오토인코더(Variational Auto-Encoder)를 도입했다. 본 논문에서는 변분 오토인코더를 통해 구한 잠재 표현(Latent Representation)을 심층 가우시안 프로세스 회귀의 입력으로 사용하는 계층적 모델(Hierarchical Model)을 제시한다. 계층적 모델을 통해 공정정보로부터 임계 치수를 예측하는데 성공했다.
