Semiconductor manufacturing tools are highly sophisticated process/metrology systems that consist of multiple interacting clusters or modules operating in extremely quality-demanding conditions. Process and equipment data are typically collected from a tool using built-in and add-on sensors. In practice, statistical methods like statistical process control (SPC) have been widely used in most semiconductor fabs. Thanks to the algorithmic advancements in Advanced Process Control (APC) and the heavily-deployed computing power and storage in fabs, there have been solutions like Virtual Metrology (VM) or Fault Detection and Classification (FDC) to detect anomalies or trends of production over time. Due to the complexity of the processes/tools and unknown correlation among sensory data, Machine Learning (ML) is an important and promising approach in feature extraction, condition monitoring and fault modeling for anomaly detection for semiconductor tools [2].
👉 반도체 제조 도구는 매우 높은 품질을 요구하는 조건에서 작동하는 여러 상호 작용 클러스터 또는 모듈로 구성된 매우 정교한 프로세스/메트릭 시스템입니다. 프로세스 및 장비 데이터는 일반적으로 내장 및 추가 센서를 사용하여 도구에서 수집됩니다. 실제로, 통계적 프로세스 제어(SPC)와 같은 통계적 방법은 대부분의 반도체 팹에서 널리 사용되어 왔다. APC(Advanced Process Control)의 알고리즘 발전과 팹에 많이 배치된 컴퓨팅 성능 및 스토리지 덕분에 시간이 지남에 따라 이상 징후나 생산 동향을 감지하는 가상 계측(VM) 또는 결함 감지 및 분류(FDC)와 같은 솔루션이 있었다. 프로세스/도구의 복잡성과 감각 데이터 간의 알려지지 않은 상관 관계로 인해, 기계 학습(ML)은 반도체 도구의 이상 감지를 위한 기능 추출, 상태 모니터링 및 결함 모델링에서 중요하고 유망한 접근 방식이다[2].
Sensory data collected from semiconductor tools are largely in the form of time series. There are cycles embedded in such time series, which originate from repetitive processing of a process step by the tool. A time-frequency analysis can then extract both timeand frequency-patterns or signatures simultaneously for the data. To our best knowledge, there are no research results of using frequency-domain analysis for anomaly detection in semiconductor tools.
👉 반도체 도구에서 수집된 감각 데이터는 주로 시계열 형태이다. 이러한 시계열에는 도구에 의한 프로세스 단계의 반복적인 처리에서 비롯되는 사이클이 포함되어 있습니다. 그런 다음 시간 빈도 분석을 통해 데이터에 대한 시간 및 빈도 패턴 또는 서명을 동시에 추출할 수 있습니다. 우리가 아는 한, 반도체 도구의 이상 탐지를 위해 주파수 영역 분석을 사용한 연구 결과는 없다.
Semiconductor industry has reported that with the introduction of advanced AD, a fab could have 25% reduction in time to yield maturity, 10% increase in manufacturing capacity and 35% decrease in number of quality problems [2]. Utilizing ESD for AD has helped improve fabrication process control and raise quality [3]. Chien et al. research [4] indicated that with applications of big data analytics by exploiting various data sources in semiconductor fabrication, troubleshooting time can be effectively reduced and the production yield largely increased. Chen et al. proposed in [5] a yield alert and diagnostic analysis framework and showed that it helps quickly clarify the causes of abnormal product yield. Prompt equipment AD exploiting ESD leads to proactive equipment maintenance and process control and is of significant value to yield management of an operational fab.
👉 반도체 업계는 첨단 AD의 도입으로 팹의 경우 성숙도가 25%, 제조 능력이 10%, 품질 문제가 35% 감소할 수 있다고 보고했습니다[2]. AD에 ESD를 활용하는 것은 제조 공정 제어를 개선하고 품질을 높이는 데 도움이 되었습니다 [3]. Chien et al. 연구[4]는 반도체 제조에서 다양한 데이터 소스를 활용하여 빅 데이터 분석을 적용하면 문제 해결 시간을 효과적으로 단축하고 생산 수율을 크게 높일 수 있다고 지적했습니다. Chen 등은 [5]에서 수율 경보 및 진단 분석 프레임워크를 제안하고 비정상적인 제품 수율의 원인을 신속하게 명확히 하는 데 도움이 된다는 것을 보여주었다. ESD를 활용한 신속한 장비 AD는 사전 예방적 장비 유지보수 및 프로세스 제어로 이어지며 운영 팹 관리를 산출하는 데 중요한 가치가 있습니다.
A semiconductor fabrication process consists of hundreds of processing steps. Each processing step requires processing by a tool of specific functionality including deposition, removal, patterning, and modification of electrical properties [8]. The set of tool instructions which specify how a processing step is to be performed is called a recipe [9]. The time a tool takes to process a recipe on a wafer is a cycle since the processing is repetitive for wafers of the same product. The ESD of an SVID collected by FDC in a cycle forms a sample sequence, which is a time-stamped series of sampled sensory data values from the SVID. Sample sequences of one SVID resulted from processing one same recipe by a tool should have very similar patterns or features when the tool is normal. Although sample sequences of various SVIDs di er in time series patterns or features, they are generated during tool processing of one same recipe. Thus sample sequences are highly correlated among SVIDs of the tool. Equipment engineers can monitor sample sequences from various SVIDs of individual tools for anomaly detection. However, semiconductor tool complexity and ESD data volume and rates are so high that an engineer can easily be overwhelmed.
👉 반도체 제조 공정은 수백 개의 처리 단계로 구성된다. 각 처리 단계는 증착, 제거, 패터닝 및 전기적 특성의 수정을 포함한 특정 기능의 도구에 의한 처리를 요구한다[8]. 처리 단계를 수행하는 방법을 지정하는 도구 지침 집합을 레시피라고 합니다. [9]. 동일한 제품의 웨이퍼에 대해 반복적으로 처리되기 때문에 도구가 웨이퍼에서 레시피를 처리하는 데 걸리는 시간은 주기입니다. FDC가 사이클에서 수집한 SVID의 ESD는 샘플 시퀀스를 형성하는데, 이는 SVID에서 샘플링된 일련의 감각 데이터 값의 타임스탬프된 시리즈이다. 도구에 의해 동일한 레시피를 처리한 결과 발생한 하나의 SVID 샘플 시퀀스는 도구가 정상일 때 매우 유사한 패턴이나 특징을 가져야 한다. 다양한 SVID의 샘플 시퀀스는 시계열 패턴이나 특징에서 다양하지만 동일한 레시피의 도구 처리 중에 생성된다. 따라서 샘플 시퀀스는 도구의 SVID 간에 높은 상관관계가 있다. 장비 엔지니어는 이상 탐지를 위해 개별 도구의 다양한 SVID에서 샘플 시퀀스를 모니터링할 수 있습니다. 그러나 반도체 도구의 복잡성과 ESD 데이터의 양과 비율이 너무 높아서 엔지니어는 쉽게 압도당할 수 있다.
In this paper, on top of the preliminary design and insights achieved by Liao et al. [27] and Chen, Chang and Liao [28], we shall further define four design problems of semiconductor equipment AD exploiting ESD. To address the four problems and resolve their challenges, we shall propose a novel framework of spectral and time autoencoder learning for anomaly detection (STALAD).
👉 본 논문에서는 Liao 등이 달성한 예비 설계와 통찰력 위에. [27] 및 Chen, Chang 및 Liao [28], 우리는 ESD를 활용하는 반도체 장비 AD의 4가지 설계 문제를 추가로 정의할 것이다. 네 가지 문제를 해결하고 문제를 해결하기 위해, 우리는 이상 탐지를 위한 스펙트럼 및 시간 자동 인코더 학습의 새로운 프레임워크를 제안할 것이다.
