[논문 리뷰] Data Engineering for the Analysis of Semiconductor Manufacturing Data

Peter D. Turney|ArXiv.org|2002. 12. 12.

Data Mining Algorithms and Applications참고 문헌 5인용 수 11

한 줄 요약

이 논문은 결함 제품의 원인을 규명하기 위해 决定트리 유도(Q-YIELD)를 사용하여 반도체 제조 데이터를 분석하는 데이터 엔지니어링 프레임워크를 제시한다. 특성 공학과 목표 개념 정의—특히 과거 원인 분석에 중점을 두어—연구자들은 다중 분해능 공정 데이터로부터 실질적인 규칙을 도출함으로써 수율을 향상시킨다.

ABSTRACT

We have analyzed manufacturing data from several different semiconductor manufacturing plants, using decision tree induction software called Q-YIELD. The software generates rules for predicting when a given product should be rejected. The rules are intended to help the process engineers improve the yield of the product, by helping them to discover the causes of rejection. Experience with Q-YIELD has taught us the importance of data engineering -- preprocessing the data to enable or facilitate decision tree induction. This paper discusses some of the data engineering problems we have encountered with semiconductor manufacturing data. The paper deals with two broad classes of problems: engineering the features in a feature vector representation and engineering the definition of the target concept (the classes). Manufacturing process data present special problems for feature engineering, since the data have multiple levels of granularity (detail, resolution). Engineering the target concept is important, due to our focus on understanding the past, as opposed to the more common focus in machine learning on predicting the future.

연구 동기 및 목표

• 복잡한 다중 분해능 반도체 제조 데이터를 분석하여 수율 향상에 도전하는 데 목적이 있다.
• 결정트리 유도의 효과를 높이기 위해 데이터 엔지니어링 기법을 개발하여 제품 기각의 근본 원인을 규명하는 데 목적이 있다.
• 예측 모델링에서 과거 원인 분석으로의 초점을 전환하여 엔지니어가 과거 실패 원인을 이해할 수 있도록 하는 데 목적이 있다.
• 산업 제조 환경에서 기계학습 모델의 해석 가능성과 실용적 유용성을 향상시키는 데 목적이 있다.

제안 방법

• 제품 기각을 위한 분류 규칙을 생성하기 위해 Q-YIELD 소프트웨어를 활용한 결정트리 유도를 적용한다.
• 반도체 공정 데이터의 다중 수준 분해능(세부성 및 해상도)을 처리하기 위해 특성 벡터 표현에서 특성 공학을 수행한다.
• 미래 예측이 아닌 과거 실패 원인을 이해하는 데 중점을 두어 목표 개념(클래스)을 재정의한다.
• 결정트리 알고리즘의 유도 편향에 맞추어 원시 제조 데이터를 사전 처리한다.
• 도메인 지식을 활용하여 공정 변동성에 대한 엔지니어링 통찰을 반영하는 특성과 클래스를 구조화한다.
• 실제 적용 가능성을 확보하기 위해 공정 엔지니어와의 반복적 피드백을 통해 규칙 세트를 검증한다.

실험 결과

연구 질문

• RQ1 반도체 제조 데이터의 다중 분해능 특성을 다루기 위해 특성 공학은 어떻게 적응시켜야 하는가?
• RQ2 전통적인 기계학습 방법을 사용할 때 제조 분야의 과거 원인 분석에서 발생하는 과제는 무엇인가?
• RQ3 미래 예측이 아닌 과거 공정 실패 원인을 이해하는 데 기여하기 위해 목표 개념(분류 클래스)은 어떻게 재정의할 수 있는가?
• RQ4 데이터 사전 처리는 산업 환경에서 결정트리 규칙의 품질과 해석 가능성 향상에 어떤 역할을 하는가?
• RQ5 데이터 엔지니어링 기법은 반도체 수율 향상에서 기계학습 모델의 실용적 유용성을 어떻게 향상시킬 수 있는가?

주요 결과

• 데이터 엔지니어링은 반도체 제조 데이터에서 유도된 결정트리 규칙의 품질과 해석 가능성에 크게 기여한다.
• 다중 수준의 데이터 분해능을 고려한 특성 공학은 더 정확하고 실천 가능한 규칙를 도출하는 데 기여한다.
• 미래 예측이 아닌 과거 실패 원인을 이해하는 데 중점을 두어 목표 개념을 재정의함으로써 더 깊은 공정 통찰을 가능하게 한다.
• Q-YIELD 시스템은 공정 엔지니어가 결함 제품의 근본 원인을 규명하고 대응할 수 있도록 도와주는 규칙을 성공적으로 생성한다.
• 결정트리 알고리즘의 유도 편향에 맞추어 데이터를 사전 처리함으로써 규칙 탐색과 모델 성능이 향상된다.
• 이 연구는 효과적인 데이터 엔지니어링가 반도체 제조 분야에서 기계학습을 실질적인 수율 향상으로 전환하는 데 필수적임을 보여준다.