반도체 클러스터링 장비의 생산량 최적화를 위한 연구
- 주제(키워드) 머신러닝 , 반도체 , CNN , DNN
- 주제(DDC) 005.1
- 발행기관 아주대학교 정보통신대학원
- 지도교수 손경아
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 지능형소프트웨어
- 실제URI http://www.dcollection.net/handler/ajou/000000033412
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 논문은 반도체 제조 공정에서 핵심적인 역할을 하는 클러스터 도구의 생산성 최적화를 목표로 하고 있습니다. 반도체 식각 장비 중에서도 특히 클러스터 도구 는 웨이퍼 생산량 증가에 큰 영향을 미치며, 공정의 다양성 증가로 인해 이의 최 적화 과정은 점점 더 복잡해지고 있습니다. 이러한 복잡성에 대응하기 위해, 최근 에는 KNN 및 DNN 같은 기계 학습 알고리즘이 도입되었으며, 이들은 웨이퍼 처 리량 예측에 중요한 역할을 수행하고 있습니다. 이 연구는 기존 연구들의 결과를 재현하는 데 집중하면서, 그 과정에서 발생하는 어려움을 탐구합니다. 특히, 복잡 한 비선형 관계를 모델링하고 예측하는 능력을 갖춘 1D CNN과 Semantic segmentation을 기반으로 하는 Two stage 알고리즘을 실험합니다. 이 알고리즘 들은 기존의 단순한 선형 모델을 넘어서는 예측 능력을 보여주며, 특히 1D CNN 은 JIT1 설정에 대한 연속적인 처리량 예측에 매우 효과적입니다. 그러나 실제 반 도체 산업 환경에서의 클러스터 도구 운영은 이론적 모델과 항상 일치하지 않는 경우가 많으며, 이는 불규칙한 웨이퍼 흐름 패턴과 시퀀스 인터럽트 등의 문제로 인해 더욱 복잡해집니다. 이 연구는 기계 학습 모델을 통한 실제 데이터 기반의 더 현실적인 처리량 예측을 제시하며, 이를 위해 다양한 선형 및 비선형 기계 학 습 알고리즘을 실험합니다. 연구 과정에서, 현장 데이터에 대한 정교한 클러스터 링 기법들이 더 정확한 예측 가능성을 제시한다는 것을 발견했습니다. 그래서 발 견된 최적의 클러스터링 기법으로 데이터를 재가공하고 그 정확도를 높이는데, 연구의 주요한 목적이 있습니다. 이는 반도체 제조 공정에서 클러스터 도구의 생 산량 최적화에 대한 새로운 접근 방식을 제시하는 것으로, 이는 공정의 효율성을 높이는 데 중요한 기여를 할 수 있습니다. 이 연구는 또한 기계 학습 기술의 발전 과 그 적용 가능성을 보여주며, 반도체 제조 공정의 미래에 대한 새로운 비전을 제공합니다.
more목차
제 1 장 서론 1
제 1 절 연구 배경 1
제 2 절 연구 목적 4
제 2 장 이론적 배경 5
제 1 절 기본 개념 정의 5
제 2 절 데이터 수집 10
1. 데이터 수집 및 특성 10
2. 데이터 상관 관계 12
제 3 장 사례 연구 15
제 1 절 사례 선정 기준 15
제 2 절 사례 분석 16
1. KNN의 활용 그리고 DNN의 가능성 16
2. Two Stage 알고리즘 18
제 4 장 실험 결과 19
제 1 절 결과 요약 19
1. 기존 알고리즘 최적화 평가 19
2. 클러스터링 기법 도입 및 데이터 재가공 22
제 2 절 결과에 대한 논의 24
제 5 장 결론 25
<참고문헌> 26
