양자역학 기반의 반도체 제조 공정에서의 불량 예측 프레임웍

Abstract

Intelligence of Things(IoT) 발전에 따라 구현된 자동화시스템을 통해 많은 양의 데이터는수신되고 전송된다. 이때 수집된 데이터를 통해서 기업은 제품의 결함을 사전에 예측할 수있다. 특히, 반도체 공정은 데이터 분석을 통해 제품의 결함을 사전에 예측함으로써 제조 공정의 생산성과 효율성이 향상된다. 하지만 공정 기기의 센서 또는 하드웨어의 고장과 방전같은 이유로 데이터에 결측이 발생한다. 결측치를 제거하는 경우, 데이터의 표본 수가 줄어들어 분석의 신뢰도가 저하되며 머신러닝 및 통계 기법을 사용하여 결측치를 추정하는 경우,결측치의 불확실성을 고려하지 않아 분석 성능의 정확도가 저하된다. 이를 위해 본 연구는양자역학 기반의 확률 과정을 통해 데이터 특성의 추세를 반영하고 결측치의 불확실성을 고려하여 반도체 데이터의 불량 예측 정확도를 향상시키는 프레임웍을 제안한다. 결측치가 보정된 반도체 데이터는 Deep Neural Network(DNN)을 통해서 합격과 불합격으로 분류된다. 제안된 프레임웍의 우수성을 증명하기 위해서, 제안된 프레임웍과 기존의 알고리즘을 적용하여 보정된 데이터의 불량 예측성능을 비교한다.