SVD 기반 데이터 증강과 기계학습을 통한 웨이퍼 결함 패턴 분류

반도체 공정 중 EDS공정의 경우 반도체 칩들의 수율 및 정상 작동 여부를 판단하기 위한 공정이다. EDS 공정으로 얻은 웨이퍼맵(Wafer Map)을 통해 엔지니어들이 육안으로 결함 여부 및 결함 패턴을 구분하는 한편 합성곱 신경망(convolutional neural network, CNN) 딥러닝 모형을 통해 결함 패턴 분류를 자동화하기 위한 연구가 계속해서 이어지고 있다. 현재 웨이퍼맵 데이터의 경우 패턴 분류 모형을 적합하기 위한 양품 대비 불량품의 결함 패턴 별 데이터가 부족하다. 본 논문은 이 문제점을 해결하기 위한 방법으로 특이값 분해(singular value decomposition, SVD) 방법을 이용하여 데이터를 증강한다. 특이값 분해 방법의 데이터 증강 성능 평가를 위해 이미지 데이터의 잡음제거와 증강에 일반적으로 사용되는 잡음제거 오토인코더(denoising autoencoder, DAE)와 변분 오토인코더(variational autoencoder, VAE)의 성능을 비교한다. 성능 비교는 두가지 측면에서 이루어지며 데이터 증강에 소요되는 시간과 증강된 데이터로 적합한 분류 모형의 성능을 비교한다. 성능 비교를 위해 사용된 모형은 서포트 벡터머신(support vector machine, SVM)과 랜덤포레스트(random forest)와 같은 기계학습 기반의 모형으로 증강된 이미지 데이터로부터 공간적 특성을 추출한 후 변수로 활용한다. 성능 비교 결과 특이값 분해로 증강한 데이터로 적합한 분류기 모형의 성능이 가장 좋았고 증강 속도 또한 가장 빠름을 확인하였다.