반도체 수율 예측을 통한 반도체 품질검사 장비의 포고핀 불량 탐지에 관한 연구

국문 초록 (Abstract)

본 논문에서는 반도체 수율을 예측하여 품질검사기의 포고 핀 이상을 여부를 판단하는 방법을 제안한다. 시장에 출고되는 모든 반도체들은 검사기를 통해서 품질의 이상 여부를 확인하는데, 이때 검사기의 포고 핀에 문제가 있어 반도체 핀과의 접촉 저항이 변할 경우 양품인 반도체가 불량으로 판정될 수 있다. 이처럼 정상인 반도체를 불량으로 판정하는 것을 가성 불량이라고 한다. 가성 불량이 발생하면 정상인 반도체가 불량으로 판정되어 반도체 수율이 일정 수준 이하로 떨어지게 된다. 따라서 반도체 수율을 관리하기 위해서는 포고 핀 이상을 사전에 진단하고 정비하여 가성 불량이 발생하지 않도록 할 필요성이 있다.
이를 위해서 본 논문에서는 포고 핀의 접촉 저항 변화와 반도체 수율 간의 상관관계를 확인하고 이를 이용하여 접촉 저항 변화에 따른 수율을 예측하는 회귀모형에 대하여 제안한다. 특히, 반도체 공정을 모니터링하고 관리하는 시스템에서 요구되는 빠른 응답과 실시간성을 충족하기 위해서 최상의 속도로 회귀모형을 만드는 방법을 찾고, 이렇게 만들어진 회귀모형으로 반도체 수율을 예측하여 수율이 일정 수준 이하 일 경우 검사기 포고 핀에 이상이 있는 것으로 판단하고 그 사실을 알리는 방법을 제안한다.

다국어 초록 (Multilingual Abstract)

This paper proposes an approach for bad pogo pins detection of test equipments by predicting yields of semiconductor chips. All semiconductors are tested so that faulty semiconductors are not released into markets. In test equipments, the test signal is transmitted into chips by contact of pogo pins and semiconductor pins. If the contact resistance between pogo pins and semiconductor pins changes due to some problems of pogo pins of test equipments, normal semiconductors can be judged faulty. Since semiconductors which are determined faulty need to be reworked or scraped, the yield is necessarily declined. Therefore, the problems of pogo pins should be detected and repaired before the yield declination.
To resolve these problems, this paper proposes an approach to detect faulty pogo pins in semiconductor test by predicting yields using linear regression analysis. In particular, since semiconductor management systems require the fast response and real-time data processing, this paper suggests an approach which can fast generate a regression model and detect pogo pin problems by the prediction yield of the regression model.

목차 (Table of Contents)

• 논문요약 6
• 1. 서론 7
• 1.1 연구의 필요성 7
• 1.2 연구의 목적 9
• 1.3. 논문 구성 9
• 2. 관련연구 10
• 2.1 접촉저항(Contac Resistance) 10
• 2.2 포고 핀(Pogo Pin) 오염으로 인한 가성 불량 판정과 반도체 수율(Yield) 저하 12
• 2.3 상관관계(Correlation)와 상관계수(Correlation Coefficient) 14
• 2.4 기계학습(Machine Learning)과 회귀분석(Regression) 17
• A. 여러 가지 기계학습 기법 17
• B. 회귀분석 20
• 3. 가성 불량 탐지를 위한 회귀분석 모형 제안 23
• 3.1 개요 23
• 3.2 반도체 공정에서의 여러 가지 한계 사항 24
• A. 수율 예측이 품질 가성 불량 탐지에 사용되는 이유 24
• B. 예측변수로 사용될 반도체 핀을 최소화 해야 하는 이유 25
• 3.3 수율과 반도체 핀의 접촉저항 간의 상관관계 분석 26
• 3.4 전진 선택법(Forward Selection)과 반도체 핀들 상호 간의 상관관계 분석 27
• 4. 실험 및 성능 평가 30
• 4.1 실험 개요 30
• 4.2 실험 및 성능 확인 32
• A. 방법 I – 핀 49개를 예측변수로 선정 33
• B. 방법 II - 반도체 핀 403개에 보통 전진 선택법으로 예측변수 선정 34
• C. 방법 III – 개량된 전진 선택법, 반도체 핀 제거 상관계수 기준 0.8 35
• D. 방법 IV – 개량된 전진 선택법, 반도체 핀 제거 상관계수 기준 0.7 36
• E. 방법 V – 개량된 전진 선택법, 반도체 핀 제거 상관계수 기준 0.6 37
• F. 방법 VI – 개량된 전진 선택법, 반도체 핀 제거 상관계수 기준 0.5 38
• 4.3 실험 결과 해석 39
• 5. 결론 41
• 6. 참고문헌 43
• 7. 영어요약 46