복합 반도체 산업은 지속적인 도전에 직면해 있습니다: 결정 성장 및 에피택시 과정에서 발생하는 결함은 종종 최종 테스트나 조립 단계에서야 드러나며, 이때는 수율 손실을 방지하기에는 너무 늦고 비용이 너무 많이 듭니다. 실리콘 카바이드(SiC), 갈륨 나이트라이드(GaN), 갈륨 비소(GaAs) 소재를 다루는 제조업체들에게 있어 문제는 기판 결함이 수율에 영향을 미칠지 여부가 아니라, 웨이퍼가 후공정으로 이동하기 전에 그 영향을 예측하고 완화하는 방법이다.
복합 반도체 제조 과제복합 반도체 제조 과제
복합 반도체는 실리콘이 해결할 수 없는 응용 분야에서 필수 불가결한 존재가 되었다. 높은 전자 이동도는 현대 통신을 구동하는 5G/6G RF 칩과 고속 전자기기를 가능케 한다. 직접 밴드갭 특성은 LED, 레이저 다이오드, 적외선 센서에서 효율적인 발광을 실현한다. 높은 항복 전압과 우수한 열전도성의 결합은 전기차 전력 전자기기, 고속 충전기, 재생 에너지 시스템에 요구되는 극한 조건 하에서의 작동을 가능하게 한다.
그러나 이러한 성능상의 장점은 제조 복잡성을 수반하며, 이는 세 가지 중대한 문제를 야기합니다:
원천적 재료 결함. 결정 성장 및 에피택시는 결함이 발생하는 고비용 공정이지만, 이러한 결함은 종종 테스트 및 조립 단계에서 훨씬 후에야 드러납니다. 이 시점에는 이미 상당한 가치가 추가된 웨이퍼가 결국 폐기되거나 낮은 수율을 보일 운명에 처하게 됩니다. 통합 데이터 시스템 없이는 이러한 결함의 원인을 기판이나 에피택셜 층으로 추적하는 것이 어렵습니다.
서로 다른 시스템에 고립된 데이터. 제조 데이터는 여러 현장, 공장 및 장비 시스템에 걸쳐 분산되어 존재합니다. 기판 결함, 인라인 공정 데이터 및 최종 전기 테스트 결과를 연결하는 중앙 집중식 뷰가 없으면 근본 원인 분석은 체계적인 엔지니어링 프로세스가 아닌 시간이 많이 소요되는 수동 작업이 됩니다.
신호를 압도하는 성가신 결함들. 웨이퍼 결함 맵은 수율에 영향을 주지 않는 비중요 "방해 결함"으로 넘쳐나며, 진정한 치명적 결함을 가려버립니다. 재작업 및 로트 분할로 인한 기판 ID 변경 같은 데이터 품질 문제까지 더해지면, 의미 있는 분석을 위한 신호 대 잡음 비율이 문제가 됩니다.
종단간 데이터 통합 접근법
이러한 과제를 해결하려면 불루 성장부터 에피택시, 웨이퍼 프런트엔드 공정, 최종 조립 및 테스트에 이르기까지 제조 공정 전반에 걸친 데이터를 통합할 수 있는 플랫폼이 필요합니다. Exensio 플랫폼은 인라인 결함 및 계측 데이터, 장비 센서 데이터, 전기적 테스트 결과, 조립 추적성을 단일하고 일관된 계층 구조로 통합합니다.
이 통합된 데이터 구조를 통해 불량 다이의 원인을 원재료 로트, 사용된 특정 공구 및 레시피, 심지어 해당 다이 생산 공정 조건까지 거슬러 올라가 추적할 수 있습니다. 복합 반도체 제조업체에게 이러한 완벽한 추적성은 예측 기계 학습을 실용화하는 기반이 됩니다.이 통합된 데이터 구조는 불량 칩을 원재료 로트, 사용된 특정 공구 및 레시피, 심지어 해당 칩을 생산한 공정 조건까지 완전히 추적할 수 있게 합니다.
해당 플랫폼은 현재 전 세계 100개 이상의 반도체 기업에 도입되었으며, 10개 이상의 복합 반도체 제조사가 IDM, 파운드리, 팹리스 운영 전반에 걸친 전사적 수율 관리에 이를 활용하고 있습니다.
기계 학습 방법: 기판 결함에서 수율 예측까지머신 러닝 방법: 기판 결함에서 수율 예측까지
핵심 혁신은 제조 공정 초기에 발생하는 기판 결함을 전기적 테스트의 최종 합격/불합격 결과와 연결하는 것입니다. 이를 통해 수율에 실질적으로 영향을 미치는 결함 유형을 식별하고, 공정 초기에 수율을 예측하며, 심지어 기판이 하류 공정으로 이동하기 전에 등급을 매길 수 있습니다.
분석 흐름
머신 러닝 워크플로는 다섯 가지 핵심 단계로 구성됩니다:
- 데이터 수집 및 매핑. 기판 결함 데이터(또는 후속 공정 단계의 인라인 결함 데이터)는 전기적 테스트 빈맵 데이터와 함께 수집됩니다. Python 스크립트는 절대 결함 좌표를 빈맵 구성에 의해 정의된 다이 좌표계로 매핑하여, 결함 개수와 전기적 테스트 결과를 다이별로 직접 비교할 수 있게 합니다.
- 지능형 결함 필터링. 모든 결함이 동일하게 생성되는 것은 아닙니다. 이 Python 스크립트는 두 가지 특별한 범주를 식별하고 필터링합니다:
- 강력한 킬러: 킬 비율이 0.9를 초과하여 거의 항상 다이 불량을 유발하는 결함. 강력한 킬러를 포함하는 다이는 자동으로 불량으로 표시됩니다.
- 음의 상관관계를 보이는 결함: 이상하게도 불량 다이보다 통과 다이에서 더 빈번하게 나타나는 결함으로, 이는 수율 제한 요인이 아님을 시사한다.
두 범주 모두 훈련 데이터셋에서 제거되어 모델이 의미 있는 예측 신호에만 집중할 수 있도록 합니다.
- 특징 감소. 결함 특징을 표준화하고, 분산의 95%를 유지하는 주성분 분석(PCA)을 적용합니다. 이러한 차원 축소는 중복되거나 덜 유용한 특징으로 모델이 과부하되는 것을 방지하면서 중요한 정보를 포착합니다.
- 모델 훈련. 필터링 및 축소된 특징 집합을 사용하여 XGBoost 분류기를 훈련합니다. 단일 결과에 대한 편향을 방지하기 위해 균형 잡힌 클래스를 적용한 10-fold 교차 검증을 수행합니다. 모델은 결함 특성에 기반하여 다이(die) 단위의 합격/불합격 확률을 예측하도록 학습합니다.
- 예측 및 평가. 훈련된 모델은 각 다이(die)가 전기 테스트를 통과할지 실패할지를 예측합니다. 오버라이드 규칙은 치명적 결함이 있는 모든 다이가 모델의 확률 출력과 무관하게 자동으로 실패로 설정되도록 보장합니다. 결과에는 혼동 행렬, 분류 지표(정밀도, 재현율, F1 점수)가 포함되며, 가장 중요한 것은 예측된 웨이퍼 수율과 실제 웨이퍼 수율의 비교입니다.
과소 살상 대 과잉 살상의 균형 잡기과소 살상 대 과잉 살상의 균형
핵심 기능은 사용자가 비즈니스 우선순위에 따라 모델의 동작을 조정할 수 있도록 하는 가변적 확률 임계값입니다. 낮은 임계값은 불량 다이 통과 위험(언더킬 위험)을 증가시키지만 양품 다이 폐기(오버킬)를 감소시킬 수 있습니다. 높은 임계값은 그 반대의 효과를 냅니다. 이러한 유연성을 통해 엔지니어는 특정 경제적 제약 조건에 따라 수율 손실과 제조 비용 사이의 균형을 맞출 수 있습니다.
생산용 대화형 사용자 인터페이스
분석은 엔지니어가 일상 업무에서 실제로 활용할 수 있을 때만 가치가 있습니다. 구현에는 직관적인 탐색을 위해 설계된 대화형 사용자 인터페이스가 포함됩니다:
- A 랜딩 페이지 개요와 사이드바 내비게이션을 제공합니다
- 소개 소개 페이지 입력 요구사항과 데이터 가져오기 절차를 나열합니다
- A 사용법 페이지 사용자에게 입력 설정을 안내하고 기본 모델을 사용자 정의 Python 스크립트로 대체하는 방법을 보여줍니다사용법 페이지는 사용자에게 입력 설정 방법을 안내하고 기본 모델을 사용자 정의 Python 스크립트로 교체하는 방법을 보여줍니다.
- 예측 예측 페이지 는 실제 작업이 이루어지는 곳으로, 그룹화 열 선택, 결함 좌표 매핑 실행, 합격/불합격 기준값 설정, 예측 실행을 위한 입력 필드가 마련되어 있습니다..
- 결과 섹션 특수 결함 범주, 분류 성능 지표, 웨이퍼 맵 3방향 비교(실제, 예측, 그리고 거짓 음성과 거짓 양성을 보여주는 차이 맵), 그리고 웨이퍼 및 로트별 실제 대 예측 수율의 표/산점도를 표시합니다..
- An 부록 페이지 템플릿을 뒷받침하는 배경 지식을 수집합니다
중요한 점은 사용자가 템플릿 내에서 직접 Python 스크립트를 열고 수정할 수 있어, 모델을 자신의 공정 지식과 요구 사항에 맞게 조정할 수 있다는 것입니다.
실제 적용 사례: 실리콘 카바이드 사례 연구실제 적용 사례: 실리콘 카바이드 사례 연구
이 접근법은 전기차 및 고전력 응용 분야에 필수적인 광대역갭 소재인 실리콘 카바이드를 통해 검증되었습니다. 본 사례 연구에서는 기판 결함을 전기적 테스트 결과와 매핑하고, 결함을 필터링 및 분류한 후 XGBoost 모델을 훈련시켜 다이 수준 수율을 예측했습니다.
결과는 다음과 같은 실용적인 능력을 보여줍니다:다음과 같은 실용적 기능들을 보여줍니다:
- 기판 결함에 기반한 초기 수율 예측 상당한 부가가치 발생 전 기판 결함에 기반한
- 수율에 실질적 영향을 미치는 치명적 결함 유형 식별 수율에 실질적 영향을 미치는 결함과 단순 방해 요소인 결함의 구분수율에 실질적으로 영향을 미치는 결함 유형과 무해한 방해 결함의 식별
- 웨이퍼가 고가의 다운스트림 공정으로 진입하기 전 웨이퍼가 고가의 후속 공정으로 진입하기 전의 잠재적 등급 분류기판 등급 분류
- 시각적 증거 엔지니어가 결정을 안내하는 데 활용할 수 있는 빈맵 비교를 통한
- 정량적 지표 모델 성능 및 수율 예측 정확도
핵심 제조 과제 해결핵심 제조 과제 해결
이 통합 접근법은 화합물 반도체 제조의 세 가지 근본적인 과제를 직접적으로 해결합니다:이 통합 접근법은 복합 반도체 제조에서 발생하는 세 가지 근본적인 과제를 직접 해결합니다:
후기 단계에서 나타나는 재료 결함: 엔드투엔드 데이터 통합 및 머신러닝을 활용함으로써 제조업체는 공정 흐름 초기에 결함 영향을 예측하고 치명적 결함을 식별하며, 웨이퍼가 하류 공정으로 이동하기 전에 기판 등급 분류를 수행할 수 있습니다.
분리된 사일로화된 데이터: 플랫폼은 여러 사이트와 레거시 시스템의 데이터를 단일 환경으로 통합하여 근본 원인 분석을 위한 완벽한 추적성과 보다 효과적인 공급업체 피드백을 제공합니다.
성가신 결함과 변동성: 지능형 결함 필터링 및 상관관계 분석을 통해 무해한 결함과 실질적으로 중요한 결함을 구분하며, 조정 가능한 임계값을 적용한 예측 머신러닝 모델을 통해 사용자는 특정 위험 및 비용 우선순위에 따라 과소검출과 과검출 사이의 균형을 조정할 수 있습니다.
앞으로 나아갈 길
복합 반도체가 5G/6G 통신부터 전기차, 재생 에너지에 이르기까지 차세대 애플리케이션에서 점점 더 중요해짐에 따라, 제조업체들은 복잡성에 발맞출 수 있는 도구가 필요합니다. 통합 데이터 통합, 지능형 필터링, 머신러닝 예측의 결합은 조기 개입, 더 스마트한 의사 결정, 궁극적으로 더 높은 수율로 가는 길을 제공합니다.
엑센시오 플랫폼은 이미 10개 이상의 복합 반도체 제조업체에서 생산 현장에 적용하며 그 성능이 입증되었습니다. 산업 규모가 지속적으로 확대됨에 따라, 원천 결함으로 인한 수율 손실을 예측하고 예방하는 능력은 단순한 경쟁 우위가 아닌 경쟁력 있는 제조를 위한 필수 요건이 될 것입니다.