마이크하엘 유, 토마스 자논, 리시 밤 – PDF 솔루션
서론서론
인공지능(AI)의 발전은 반도체 제조를 포함한 산업 전반에 혁신을 가져오고 있습니다. 검사 및 진단에 AI를 활용하는 능력은 생산 효율성 향상, 기존에는 탐지 불가능했던 결함 식별, 시장 출시 기간 단축을 위한 게임 체인저 전략으로 부상했습니다. 본 블로그 포스트는 반도체 설계 정보와 통합된 AI가 보다 효과적인 검사 및 진단 프로세스에 기여할 수 있는 방안을 탐구합니다.
이 블로그 게시물은 마이클 유가 2024년 12월에 진행한 2024년 12월 PDF 솔루션즈 AI 경영진 컨퍼런스에서를 바탕으로 작성되었습니다.
반도체 검사 과제 이해하기반도체 검사의 과제 이해
반도체 제조는 본질적으로 복잡하며, 모든 단계에서 정밀도를 요구하는 미세한 구조와 정교한 설계를 포함합니다. 가장 큰 과제 중 하나는 광학 검사 같은 기존 방법론으로는 탐지할 수 없는 하부 결함, 미세한 비아, 또는 간극 단락과 같은 결함을 검사하는 데 있습니다.
래스터 스캐닝 전자빔 기술과 같은 기존 검사 방법은 처리 속도가 느린 것으로 알려져 있어 현대 생산 주기의 고속 요구 사항을 충족시키기에 부족합니다. 이러한 과제들은 반도체 검사 분야에서 AI 기반 기술 활용의 길을 열 수 있는 더 스마트하고 빠르며 신뢰할 수 있는 솔루션을 요구합니다. 본 블로그 글에서는 AI가 이러한 더 빠르고 신뢰할 수 있는 테스트 및 검사를 실현하는 데 기여할 수 있을 것으로 예상되는 여러 분야를 살펴봅니다.
검사 분야의 AI를 주도하는 기초 역량기초 역량이 주도하는 AI 기반 검사
인공지능 기반 검사 프로세스의 기반이 되는 몇 가지 핵심 역량이 있으며, 각각은 결과 최적화에 중요한 역할을 할 수 있습니다. 여기에는 다음이 포함됩니다:다음과 같습니다:
- eProbe 기술: 기존 래스터 스캐닝 전자빔 방식과 달리, eProbe는 포인트 스캔 방식을 활용하여 관심 영역으로 직접 이동할 수 있습니다. 이 혁신적인 스캐닝 방식은 처리량에서 수십 배의 개선을 달성할 수 있습니다.
- 화재 AI 및 퍼지 패턴 알고리즘: 파이어 AI 플랫폼은 설계 기하학적 구조와 전기적 특성을 종합하여 보다 정밀한 결함 검출을 가능하게 합니다. 퍼지 패턴 알고리즘은 레이아웃 패턴을 고장 모드 계열로 분류하여 검사 대상 선별 정확도를 향상시킵니다.
- 가이드형 분석설계 및 스캔 진단 데이터를 안내형 분석 도구에 통합함으로써 엔지니어는 근본 원인에 대한 심층적인 통찰력을 확보하여 더 빠르고 정확한 진단을 가능하게 합니다.
- 자동화된 일일 수율 요약 및 대시보드자동화된 일일 수율 요약 대시보드
- 기존에는 불가능했던 추가 근본 원인 탐지추가 근본 원인 탐지
- 스캔 진단에서 레이아웃 패턴 분석으로의 물리적 위치 정보 연계스캔 진단에서 레이아웃 패턴 분석으로의 물리적 위치 정보 연계
- 수율 문제에서 레이아웃 민감도 식별수율 문제에서 레이아웃 민감도 식별
- 지멘스 EDA 테센트와의 통합시멘스의 테센트 플랫폼은 스캔 진단을 강화하여 고장 난 셀과 네트에 대한 통찰력을 제공하고, 고급 머신러닝 알고리즘(근본 원인 디콘볼루션)을 통해 고장 모드 추출을 가능하게 합니다. 이 파트너십은 설계 정보와 AI 기반 분석 간의 시너지를 보여주는 사례입니다.
- Tessent의 스캔 진단 데이터가 Exensio로 가져옵니다.테센트(Tessent)의 진단 데이터가 엑센시오(Exensio)로 가져옵니다.
- 원시 진단 보고서는 장애 발생 네트워크, 셀 및 물리적 위치에 대한 정보를 제공합니다.
- 기계 학습 기반 '수율 인사이트'는 다이 포화 패턴을 분석합니다머신 러닝 기반 '수율 인사이트'는 다이 배치 패턴을 분석합니다
통합 솔루션은 보다 효과적인 고장 분석 및 진단을 가능하게 합니다.통합 솔루션은 보다 효과적인 고장 분석 및 진단을 가능하게 합니다
인공지능을 활용한 스마트 검사 레시피AI를 활용한 스마트 검사 레시피
인공지능(AI)의 반도체 검사 분야 통합은 속도와 정확성을 동시에 향상시키는 여러 혁신을 가져올 것입니다. 반도체 설계 데이터를 기반으로 AI 알고리즘은 맞춤형 검사 레시피를 생성하고, 결함 탐지를 위한 핵심 영역을 식별하며, 진단 프로세스를 최적화할 수 있게 될 것입니다. 아래에서는 AI의 영향이 변혁적일 것으로 예상되는 세 가지 핵심 적용 분야를 개요합니다.
-
무작위 결함률 검사
무작위 결함 검사에서는 시간 제약으로 인해 일반적으로 극히 일부의 핵심 특징만 분석합니다. 그러나 인공지능을 활용하면 이 과정이 훨씬 효율적으로 개선될 수 있습니다. 설계 정보를 활용하여 인공지능은 스캔 위치를 최적화하고 전자빔 검사를 결함 발생 가능성이 가장 높은 영역으로 유도할 수 있습니다.
새로운 접근 방식은 다음과 같습니다:
- 제품 레이아웃 상의 전자빔 거동을 학습하여 스캔 위치 선택을 최적화합니다전자빔의 제품 레이아웃 상에서의 거동을 학습하여 스캔 위치 선택을 최적화합니다
- 전자빔으로 관찰 가능한 중요 전선의 검사를 우선시한다전자빔으로 관측 가능한 중요 전선의 검사를 우선시한다
- 동일한 시간 예산 내에서 훨씬 더 높은 비율의 중요 영역 검사를 달성합니다동일한 시간 예산 내에서 훨씬 더 높은 비율의 중요 영역 검사를 달성합니다
- 인공지능 지원이 없는 솔루션에 비해 관측 가능한 전선 길이의 훨씬 더 큰 비율을 스캔합니다AI 지원이 없는 솔루션보다 관측 가능한 와이어 길이의 훨씬 더 큰 비율을 스캔합니다
선정 기준에는 다음을 우선시하는 것이 포함됩니다:다음과 같은 사항을 우선시합니다:
- 신호 대 잡음비가 우수한 금속 선
- 의미 있는 임계 영역을 제시하기에 충분히 긴 선들의미 있는 비평 영역을 제시할 수 있을 만큼 충분히 긴 선들
- 전자빔 검사로 관측 가능한 적절한 접지 특성을 지닌 선들.
-
알려지지 않은 체계적 결함 탐지
반도체 제조 과정에서 알려지지 않은 체계적 고장 모드는 적절한 검사 알고리즘 없이는 종종 발견되지 않아 중대한 과제로 남아 있습니다. 인공지능은 설계 패턴을 분석하고 과거 데이터 및 행동 데이터를 기반으로 잠재적 고장 지점을 우선순위화함으로써 이 과제를 해결할 수 있습니다.
인공지능의 지원을 받아 접근 방식은 다음과 같을 것입니다:
- 전체 레이아웃의 도면 작성 수행전체 레이아웃의 지도 제작을 수행하십시오
- 퍼지 패턴 알고리즘을 사용하여 패턴을 고장 모드 그룹으로 분류한다퍼지 패턴 알고리즘을 사용하여 패턴을 고장 모드 그룹으로 분류합니다.
- 알려지지 않은 체계적 패턴에 대한 검사 예산을 우선시하십시오미지의 체계적 패턴에 대한 검사 예산 우선순위 부여
- 체계적 결함 모드 커버리지를 훨씬 더 높게 달성하고, 알려지지 않은 체계적 패턴 위치의 최대 99%를 포착하는 것을 목표로 합니다.
-
스캔 테스트 주도 검사
스캔 테스트 데이터를 검사 프로세스와 통합함으로써 AI의 영향력은 더욱 증폭될 수 있습니다. 스캔 벡터를 분석하고 불량 네트를 식별함으로써, AI 모델이 체계적인 불량 모드를 찾아내기 위한 맞춤형 검사 레시피를 생성할 수 있을 것으로 예상됩니다. 이러한 통합을 통해 엔지니어들은 물리적 설계 속성과 관찰된 결함을 연결할 수 있게 되어 진단 정확도가 크게 향상될 것입니다.
예를 들어, 특정 스캔 테스트에서 결함이 있는 네트가 발견되면 AI는 레이아웃을 분석하여 비아나 교차하는 금속 라인 등 잠재적 결함 지점을 식별할 수 있어야 합니다. 이러한 접근 방식은 집중적인 조사를 가능하게 하여 시간과 자원 소모를 줄이면서 전반적인 진단 성능을 향상시킬 것입니다.
이 접근 방식은 검사 지침을 위해 스캔 테스트 결과를 활용할 것입니다:이 접근법은 스캔 테스트 결과를 활용하여 검사를 안내할 것입니다:
- 스캔 테스트 실패와 관련된 특정 네트워크를 식별합니다스캔 테스트 실패와 관련된 특정 네트워크를 식별합니다
- 해당 네트워크 내부 및 주변에서 발생할 수 있는 체계적 실패 패턴을 분석한다해당 네트워크 내부 및 주변에서 발생할 수 있는 체계적 실패 패턴을 분석합니다
- 전자빔 검사 레시피를 최적화하여 이러한 특정 패턴을 대상으로 합니다전자빔 검사 레시피를 최적화하여 이러한 특정 패턴을 대상으로 합니다
- 체계적 결함의 수율 영향이 무작위 결함률보다 100배 낮을 때에도 이를 성공적으로 식별합니다수율 영향이 무작위 결함률보다 100배 적을 때에도 체계적 결함을 성공적으로 식별합니다
인공지능 도입의 전략적 이점
인공지능(AI)을 반도체 검사 워크플로우에 통합하면 다음과 같은 포괄적인 이점이 있습니다:
- 개선된 처리량: eProbe와 같은 AI 기반 도구는 중요 영역을 우선적으로 검사하여 검사 시간을 대폭 단축하면서도 검사 범위를 확대합니다. 이를 통해 제조업체는 결함 검출 성능을 저하시키지 않으면서도 촉박한 생산 일정을 준수할 수 있습니다.
- 비용 절감: AI는 우선순위가 높은 영역을 대상으로 불필요한 검사를 줄여 자원 지출을 최소화합니다. 진단 능력을 향상시키는 기능과 결합되어 비용 효율적인 운영을 가능하게 합니다.
- 향상된 정확도: AI의 설계 데이터 및 행동 패턴 분석 능력은 결함 탐지 및 진단을 더욱 정밀하게 수행하여 수율 향상과 결함당 10억 개(DPB) 지표 감소를 보장합니다.
- 미래 대비: 5G와 같은 신기술을 구동하는 반도체 분야에서 AI 기반 검사 기술은 변화하는 수요에 대응하기 위한 적응성과 정밀성을 제공합니다.
반도체 검사의 미래 방향
인공지능을 활용해 설계 데이터를 검사 및 진단과 통합하는 것은 패러다임 전환이 될 수 있다. 무작위 결함 검사 최적화부터 알려지지 않은 체계적 결함 탐지 및 진단 능력 강화에 이르기까지, 인공지능은 반도체 제조에서 가능성의 경계를 재정의하는 길을 열어준다.
인공지능의 잠재력을 최대한 활용하기 위해 반도체 제조업체들은 다음과 같은 다음 단계를 고려해야 합니다:
- AI 플랫폼에 투자하십시오: Fire AI 및 Siemens Tessent와 같은 플랫폼은 설계 및 스캔 테스트 데이터를 검사 워크플로우와 통합하는 검증된 기능을 제공합니다.
- 기술 개발에 집중: 팀이 AI 기반 시스템을 효과적으로 운영하기 위해 필요한 지식과 도구를 갖추도록 지원합니다.: 팀이 AI 기반 시스템을 효과적으로 운영하기 위해 필요한 지식과 도구를 갖추도록 합니다.
- 협업적 접근 방식 채택: 디자인, 테스트, 분석 플랫폼 간의 파트너십은 AI의 영향력을 극대화하는 시너지를 창출할 수 있습니다.
이러한 전략을 통해 제조업체는 현재의 검사 과제를 해결할 뿐만 아니라 미래를 위한 경쟁 우위를 구축할 수 있습니다.
결론
설계 정보를 검사 및 진단과 통합함으로써 반도체 제조업체는 방대한 훈련 데이터를 기다리지 않고도 결함 탐지 및 수율 관리를 획기적으로 개선할 수 있을 것입니다. 이러한 접근 방식은 검사 효율성과 체계적 결함 탐지 측면에서 수십 배에 달하는 개선을 달성할 것으로 예상되며, 반도체 제조 현장에 효과적인 AI 모델을 구현할 수 있는 길을 열어줄 것입니다.
설계, 테스트 및 수율 정보의 이러한 통합은 반도체 검사 및 진단 능력에서 중대한 진전을 의미할 것이며, 특히 탐지 불가능한 비아 및 접점과 같은 까다로운 결함을 해결하는 동시에 기존 검사 방법의 처리량 한계를 관리하는 데 있어 그러할 것이다.