Support Vector Machine을 이용한 Reactive ion Etching의 Run-to-Run 오류검출 및 분석

Run-to-Run Fault Detection of Reactive Ion Etching Using Support Vector Machine

  • 박영국 (차세대전력기술연구센터) ;
  • 홍상진 (명지대학교 전자공학과) ;
  • 한승수 (차세대전력기술연구센터)
  • 발행 : 2006.05.01

초록

현재 고밀도 반도체제작 환경에서는 반작용적인 이온 식각 과정(reactive ion etching)에서의 생산성을 극대화하기 위해서 비정상적인 공정장비를 발견하는 것이 매우 중요하다. 생산과정에서 오류발견의 중요성을 설명하기 위해 Support Vector Machine (SVM)은 실시간으로 공정오류에 대한 판단을 위해 사용되었다. 반작용적인 이온 식각도구 데이터는 59개 변수들로 구성된 반도체 공정장비로부터 얻는다. 각각의 변수들은 초당 10개의 데이터로 구성되어있다. 식각 런의 11개의 파라미터에 대한 모델을 만들기 위해 baseline런으로부터 얻은 데이터로 SVM모델을 구성하고 정상 런데이터와 비정상 런데이터로 SVM모델을 검증한다. 통계적 공정제어에서 흔히 이용되는 관리한계를 도입하여 정상데이터가 내재하고 있는 램덤변화율이 반영된 SVM 모델 기반의 관리 한계를 수립하고, 그 관리 한계를 바탕으로 오류발견을 실행한다. SVM을 이용함으로써 RIE의 오류발견은 run to run 기반에 정상 런데이터는 0% 오류율이 증명되었다.

키워드

참고문헌

  1. S. Hong, G. May and D. Park, 'Neural Network Modeling of Reactive Ion Etch Using Optical Emission Spectroscopy Data,' IEEE Trans. Semi. Manufac. Vol. 16, No.4, pp. 1-11,2003
  2. D. Montgomery, Introduction to statistical Quality Control, New York, NY: Wiley, 1991
  3. S Hong, J. Park and S. Han, 'Incipient Fault Detection of Reaction Ion Etching Process' Trans. EEM, Vol. 6, No. 6, pp. 262-271, 2005 https://doi.org/10.4313/TEEM.2005.6.6.262
  4. H. Guo, C. Spanos, and A. Miller, 'Real time statistical process control for plasma etching,' in Proc. Semiconductor Manufacturing Science Symposium, 1991, pp. 113-118
  5. G. Barna, 'APC in the Semiconductor Industry; History and Near Term Prognosis,' in Proc. IEEF/SEMI Adv. Semi. Manufac. Conf., pp. 364-369.1996
  6. B. Goodlin, D. Boning and H. Sawin, 'Simultaneous Fault Detection and Classification for Semiconductor Manufacturing Tools,' in Proc. Int. Symposium on Plasma Processing XIV, pp. 415, 2002
  7. H. Yue, S. Qin, R. Markle, C. Nauert, and M. Gatto, 'Fault Detection of Plasma Etchers Using Optical Emission Spectra,' IEEE Trans. Semi. Manufac., Vol. 13, No.3, pp. 374-385 2000 https://doi.org/10.1109/66.857948
  8. S. Lachman-Shalem, N. Haimovitch, E. Shauly, and D. Lewin, 'MBPCA Application for Fault Detection in NMOS Farbrication,' IEEE Trans. Semi. Manufac., Vol. 15, No.5, pp. 60-69, 2002 https://doi.org/10.1109/66.983445
  9. Jolliffe, Principal Component Analysis, New York, NY: Springer-Verlag, 1986
  10. V. N. Vapnik, The Nature of Statistical Learning Theory, New York: Springer-Verlag, 1999
  11. B. Scholkopf, J. Platt, J. Shawe-Taylor, A. Smola and R. Williamson, 'Estimating the support of a high-dimensional distribution' Neural Computation, Vol. 13, pp. 1443-1471,2001 https://doi.org/10.1162/089976601750264965
  12. L. J. Cao, E. Francis and H. Tay, 'Support vector machine with adaptive parameters in financial time series forecasting,' IEEE Trans. Neural Networks, Vol. 14., No.6, pp. 1506-1518,2003 https://doi.org/10.1109/TNN.2003.820556