Yarı iletken yonga plakası haritalarındaki kusur sınıflandırmaları için derin öğrenme temelli bir karar destek yönteminin geliştirilmesi

Abstract

Yarı iletken devre elemanı üretim teknolojilerinde gerçekleşen gelişimler, bu elemanların üzerinde yer aldığı yonga plakası üretim süreçlerini daha karmaşık ve hassas hale getirmektedir. Üretim ile ilişkili çevresel koşullar, malzeme kalitesi gibi çeşitli faktörler, yonga plakası üzerinde kusursuz olarak nitelendirilebilecek alan miktarını yani verimi doğrudan etkilemektedir. Bir yarı iletken yonga plakası üzerindeki kusurlu alanların oluşturabileceği desenler standart olarak tanımlanmış durumdadır. İncelenen bir yonga plakası yüzeyindeki kusurların bu tanımlara göre sınıflandırılması, üretim süreçlerinde oluşan problemlerin kaynaklarının belirlenmesi için önemli bilgiler sağlayabilmektedir. Bu çalışmada, mevcut uygulamalarda her yarı iletken yonga levhası için insan operatörler tarafından yapılan kusur deseni sınıflandırma işlemini belirli bir güvenlik değerine kadar otomatik olarak gerçekleştiren ve böylece toplam işlem süresini azaltan bir karar destek yöntemi geliştirilmiştir. Bu yöntemde temel sınıflandırma işlemi için derin öğrenme metotlarıyla eğitilmiş bir ağ yapısı kullanılmaktadır. İstenilen güvenlik değerinin üzerinde bir doğrulukla sınıflandırılan yonga plakaları doğru sınıflandırılmış olarak kabul edilmekte, bu değerin altında kalan yonga plakaları ise insan operatörün incelemesine tabi tutulmaktadır. Yöntemin kullanılması ile; ortalama büyüklükte bir yonga plakası üretim tesisi için geçerli günlük toplam inceleme süresi, tüm incelemenin insan operatör tarafından yapıldığı durumda geçerli sürenin %10’una indirilebilmekte, ayrıca insan operatörün yapabileceği öznel değerlendirmelerin de önüne geçilebilmektedir.The developments in semiconductor circuit manufacturing technologies make the wafer production processes on which these structures are located more complex and sensitive. Various factorssuch as environmental conditions associated with manufacturing and material quality directly affect the wafer yield, that is, the amount of space on the wafer that can be considered perfect. Possible patternsshowing defective areas on a semiconductor wafer are defined as standard. Classifying the defects on the wafer according to these definitions can provide important information to diagnose the causes of problems that occur in the manufacturing processes. In this study, a decision support method has beendeveloped that automatically performs the wafer defect model classification process up to a certain security value. In this method, the basic classification process is performed by a network structure trained with deep learning methods. Wafers classified with an accuracy above the desired safety value are considered to be correctly classified, only the wafers below this value are subject to the inspection of the human operator. By using the method, the total daily inspection time for an average sized wafermanufacturing facility can be reduced to 10% of the time that would apply if the entire inspection wasdone by the human operator. In addition, subjective evaluations by the human operator can be avoided to a large extent.