In NAND flash memory, important characteristics that should be guaranteed to users include operating conditions, functions, write erase endurance limits, retention reliability, and operating speed. We perform various evaluations to satisfy these important characteristics. The retention reliability, which is ability of maintaining '0' or '1' data in the cell, consumes the most time cost among single items due to complex evaluation methods.
The data imbalance and high-dimensional problems of NAND flash memory evaluation data are solved in the following ways. We proposed a variational autoencoder with a guide classifier. When learning the variational autoencoder, various data augmentation techniques such as fast gradient sign method (FGSM), synthetic minor oversampling technique (SMOTE), and mixup were used at the latent variable level. High-dimensional input data is reduced through a variable auto encoder, and data imbalance is solved through data augmentation techniques. We can see the disentangled distribution on the latent variable when we use mixup data augmentation technique. In addition, applying a non-linear classifier performs well regardless of the data augmentation technique. If even one chip is judged as a defective then the wafer conducts the ordinary reliability test. If there is no defect in a wafer, the ordinary retention reliability test would be skipped. Therefore the test cost can be reduced and effectively screen out fault chips.
낸드 플래시 메모리에서 사용자에게 보장되어야 하는 중요한 특성들은 동작 조건, 기능, 쓰기/지우기 한계(endurance), 유지 신뢰성(retention reliability), 동작 속도 등 다양하다. 우리는 이러한 중요한 특성들을 만족시키기 위해서 다양한 평가를 수행한다. 그중 유지 신뢰성은 데이터의 값이 일정 시간 동안 유지하는 능력을 의미하는데, 복잡한 평가 방법으로 인해 단일 항목 중 가장 많은 시간 비용을 소모하고 있다.
본 학위 논문에서는 유지 신뢰성 평가 간소화에 관해서 연구한다. 낸드 플래시 메모리의 평가 자료가 가지는 데이터 불균형과 높은 차원의 문제를 다음과 같은 방법으로 해결하고자 한다. 우리 모델의 기본적인 형태는 가이드가 있는 변분 오토인코더 이다. 변분 오토인코더(variational autoencoder, VAE)를 학습할 때 잠재변수 수준에서 다양한 데이터 증강 기법인 경사 부호법(fast gradient sign method, FGSM), 스모트(synthetic minority oversampling technique, SMOTE), 믹스업(mixup) 들을 활용하여 정상과 불량 사이의 분포를 분리하였다. 변분 오토인코더를 통해 높은 차원의 입력 데이터를 축소 시키고, 데이터 증강 기법을 통해 데이터 불균형 문제를 해결한다. 그중 믹스업을 활용한 데이터 증강 기법을 활용하였을 때, 잠재변수의 로그가능도를 비교해보면 정상과 불량 간 분포가 잘 분리됨을 알 수 있다. 또한, 잠재변수 수준에서 비선형 분류기를 적용하게 되면 데이터 증강 기법과 상관없이 좋은 성능을 발휘한다. 위와 같은 모델을 반영하여서 한 칩이라도 불량으로 판단되면 해당 웨이퍼는 기존의 유지 신뢰성 평가를 진행하고, 불량이 없을 때 유지 신뢰성 평가를 건너뛴다면 불량은 잘 차단하면서 평가 비용은 줄 일 수 있다.
