ASML - 머신러닝을 통한 반도체 제조에 대한 가상 계측 기술 개발 사례

누락된 오버레이 오류로 인해 수율이 감소할 수 있다는 위험에도 불구하고 대부분의 제조업체는 웨이퍼 전체의 24%에 대해서만 오버레이를 측정합니다. TWINSCAN 시스템으로 수집된 모든 웨이퍼에 대한 정렬 계측을 통해 ASML은 머신러닝 기술을 적용하여 웨이퍼의 오버레이 계측을 추정하고 이를 기존 YieldStar 계측과 비교하려고 했습니다.

Schmitt-Weaver는 이전에 머신러닝 알고리즘을 개발한 경험이 없었기 때문에 Python, C 또는 다른 저수준 언어로 알고리즘을 개발하지 않기로 결정했습니다. 그는 ASML의 크고 다양한 사용자 기반에 배포되고 전담 전문가가 유지 관리하는 기능을 활용하여 프로토타입을 신속하게 개발하기를 원했습니다.

Schmitt-Weaver는 MATLAB, Statistics and Machine Learning Toolbox, Deep Learning Toolbox™를 사용하여 가상 계측을 생성하는 방법을 개발했습니다.

먼저 Schmitt-Weaver는 신경망 시계열 예측 및 모델링 앱을 사용하여 Deep Learning Toolbox에서 사용할 데이터를 준비하는 방법을 배웠습니다. 그는 앱을 사용하여 예제 코드를 생성하고 내보냈으며 이를 통해 기능을 함께 사용할 수 있는 방법을 더 자세히 이해할 수 있었습니다. 그의 능력이 향상됨에 따라 그는 MATLAB Central 의 광범위한 다분야 사용자 커뮤니티의 예제를 사용하여 생성된 코드를 기반으로 구축할 수 있었습니다.

Schmitt-Weaver는 TWINSCAN 시스템에서 정렬 계측 데이터를 수집하고 YieldStar 시스템을 사용하여 동일한 웨이퍼에서 오버레이 계측 데이터를 수집했습니다. 그런 다음 그는 데이터셋을 두 그룹으로 나누었습니다. 하나는 네트워크 훈련용이고 다른 하나는 검증용입니다.

그는 Deep Learning Toolbox와 Statistics and Machine Learning Toolbox를 사용하여 외생 입력(NARX)이 포함된 비선형 자기회귀 네트워크를 설계하고 훈련 그룹의 데이터로 훈련했습니다.

훈련 그룹에 신경망이 과적합되는 것을 방지하기 위해 그는 Deep Learning Toolbox 사용하여 베이지안 프레임워크로 자동화된 정규화를 구현했습니다.

네트워크가 훈련된 후 그는 네트워크에 테스트 데이터의 입력을 제공하고 YieldStar 시스템에서 측정된 결과와 비교하여 결과를 검증했습니다.

ASML은 수집된 데이터를 사용하여 MATLAB 에서 프로토타입 실시간 오버레이 컨트롤러를 개발했습니다. 네트워크는 잠재적으로 수율을 향상시킬 수 있는 기반을 제공했을 뿐만 아니라 오버레이 계측을 수신하지 않았을 수 있는 웨이퍼를 식별하는 기능도 제공했습니다.