Recently, research about modeling of semiconductor production process has been actively developed. There are four equipment models which are affine models, exit recursion models, flow line models and detailed models. They know the physics of the production process and predict cycle time, lot residency time and throughput time of the semiconductor production. However, there are certain settings in which these equipment models show bad performance. In addition to that, to endure the randomness of the system, some learning-based models have been considered. In this paper, neural network, random forest, and XGBoost models are newly revised and applied to predict cycle time, lot residency time and throughput time of the semiconductor production. Then, the performance of learning-based models and the equipment models are compared based on mean value, mean absolute error, and percent error.
최근에는 반도체 제조 공정의 모델링에 대한 연구가 활발히 진행되고 있다. 아핀 모델, 회귀 모델, 플로우 라인 모델, 디테일 모델의 4 가지 장비 모델이 그 예이다. 이 모델들은 생산 공정의 physics에 대한 지식을 기반으로 cycle time, lot residency time, throughput time을 예측한다. 그러나 이러한 장비 모델들은 특정 setting 하에서 성능이 좋지 않다. 더 큰 randomness에도 robust한 모델을 만들기 위해 이 논문에서는 학습 기반 모델이 제시된다. 본 논문에서는 Neural Network, Random Forest, XGBoost 모델을 새롭게 만들어서 반도체 생산의 cycle time, lot residency time, throughput time을 예측한다. 그리고 학습 기반 모델과 장비 모델의 성능을 평균값, mean absolute error, percent error를 기준으로 비교한다.
