KR102541925B1 - 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치 - Google Patents

파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치 Download PDF

Info

Publication number
KR102541925B1
KR102541925B1 KR1020220183537A KR20220183537A KR102541925B1 KR 102541925 B1 KR102541925 B1 KR 102541925B1 KR 1020220183537 A KR1020220183537 A KR 1020220183537A KR 20220183537 A KR20220183537 A KR 20220183537A KR 102541925 B1 KR102541925 B1 KR 102541925B1
Authority
KR
South Korea
Prior art keywords
defects
defect
noise
calculating
ideal value
Prior art date
Application number
KR1020220183537A
Other languages
English (en)
Inventor
이종석
김태흥
한민석
Original Assignee
성균관대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020220183537A priority Critical patent/KR102541925B1/ko
Application granted granted Critical
Publication of KR102541925B1 publication Critical patent/KR102541925B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/273—Tester hardware, i.e. output processing circuits
    • G06F11/277—Tester hardware, i.e. output processing circuits with comparison between actual response and known fault-free response
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01L—SEMICONDUCTOR DEVICES NOT COVERED BY CLASS H10
    • H01L22/00—Testing or measuring during manufacture or treatment; Reliability measurements, i.e. testing of parts without further processing to modify the parts as such; Structural arrangements therefor
    • H01L22/10—Measuring as part of the manufacturing process
    • H01L22/12—Measuring as part of the manufacturing process for structural parameters, e.g. thickness, line width, refractive index, temperature, warp, bond strength, defects, optical inspection, electrical measurement of structural dimensions, metallurgic measurement of diffusions

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Power Engineering (AREA)
  • Testing Or Measuring Of Semiconductors Or The Like (AREA)

Abstract

본 발명의 일 실시예에 따른 파라미터 설정 없이 결함 데이터에서 노이즈 결함(noise defect)을 추출하는 방법은, 복수의 결함들에 대한 데이터를 포함하는 상기 결함 데이터를 획득하는 단계; 복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계; 상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계; 상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및 상기 유사도에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는 단계를 포함할 수 있다.

Description

파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치 {METHOD AND DEVICE FOR EXTRACTING NOISE DEFECT FROM DEFECT DATA WITHOUT SETTING PARAMETER}
본 발명은 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치에 관한 것이다.
반도체 웨이퍼(wafer) 상의 결함의 패턴은 공정 설비의 이상 원인에 관한 유용한 정보를 제공한다. 공정 문제의 조기 감지 여부는 웨이퍼의 수율 문제와 직결되므로, 웨이퍼의 결함의 패턴을 특정하기 위한 방법은 반도체 공정의 설비 상태 관리 및 수율 관리 측면에서 중요한 요소로 인식되고 있다.
결함 패턴을 정확히 특정하기 위해선, 반도체 웨이퍼 상의 결함을 정상 결함(normal defect)과 노이즈 결함(noise defect)으로 구분하고, 노이즈 결함을 제거할 필요가 있다. 여기서, 정상 결함은 다른 결함들과 함께 특정 패턴을 형성하는 결을 의미하고, 노이즈 결함은 웨이퍼 상에 특정한 패턴 없이 듬성하게 분포된 작은 결함들을 의미한다.
기존에는 웨이퍼 공간 상의 거리나 밀도에 기반하여 노이즈 결함을 검출 및 제거하였다. 이와 같은 방법의 정확도를 높이기 위해서는 거리 또는 밀도 기반의 파라미터를 정밀하게 설정할 필요가 있는데, 웨이퍼 결함은 그 패턴이 매우 복잡하고 불규칙적이므로, 매 웨이퍼 마다 적절한 파라미터를 결정하는 것은 매우 어려운 문제이다.
본 발명이 해결하고자 하는 과제는, 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법을 제공하는 것이다.
다만, 본 발명이 해결하고자 하는 과제는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 해결하고자 하는 과제는 아래의 기재로부터 본 발명이 속하는 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 파라미터 설정 없이 결함 데이터에서 노이즈 결함(noise defect)을 추출하는 방법은, 복수의 결함들에 대한 데이터를 포함하는 상기 결함 데이터를 획득하는 단계; 복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계; 상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계; 상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및 상기 유사도에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는 단계를 포함할 수 있다.
상기 복수의 결함들 각각의 이상 값을 산출하는 단계는, 상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하는 단계를 포함할 수 있다.
상기 복수의 결함들 각각의 이상 값을 산출하는 단계는, 상기 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정하는 단계를 더 포함할 수 있다.
상기 복수의 이상 값 산출기들은, AggkNN, CCPOD, COF, DSNOF, FNOF, INFLO, INS, kNN, LDBOD, LDF, LDOF, LIC, LOF, LoOP, NDoT, OF, OOF, POD, RBDA, SOD, VOV, GMMOF, NOF, RDOS, VOS, COPOD 중에서 적어도 둘을 포함할 수 있다.
상기 복수의 결함들 각각의 이상 값을 산출하는 단계는, 상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하는 제1 단계; 상기 선택한 이상 값 산출기를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 제2 단계; 및 상기 제1 단계와 상기 제2 단계를 기 설정된 횟수만큼 반복하는 단계를 포함하고, 상기 빈도 주상도(frequency histogram)를 생성하는 단계는, 상기 반복을 통해 산출한 상기 복수의 결함들 각각에 대한 이상 값들을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계를 포함할 수 있다.
상기 복수의 결함들 각각의 이상 값을 산출하는 단계는, 상기 복수의 결함들 각각의 이상 값을 정규화하는 단계를 포함하고, 상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계는, 상기 정규화된 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계를 포함할 수 있다.
상기 복수의 결함들 사이의 유사도를 산출하는 단계는, 상기 복수의 결함들 중에서 두 결함을 선택하는 단계; 및 상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계를 포함할 수 있다.
상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계는, 상기 두 결함의 빈도 주상도를 이용하여, 상기 두 결함의 계급 별 빈도의 차이를 산출하는 단계; 및 상기 계급 별 빈도의 차이의 절대 값을 계급 별로 더하여, 상기 두 결함의 빈도 주상도 차이를 산출하는 단계를 포함할 수 있다.
상기 복수의 결함들 중에서 두 결함을 선택하는 단계와 상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계는, 상기 복수의 결함들 중에서 서로 다른 두 결함을 선택하는 경우의 수만큼 반복하여 수행될 수 있다.
상기 방법은, 상기 복수의 결함들 사이의 유사도를 이용하여, 상기 결함 데이터에 대한 유사도 행렬을 생성하는 단계를 더 포함하고, 상기 노이즈 결함을 추출하는 단계는, 상기 유사도 행렬에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는 단계를 포함할 수 있다.
상기 노이즈 결함을 추출하는 단계는, 스펙트럴 군집법(spectral clustering)을 이용하여, 상기 복수의 결함들을 제1 군집과 제2 군집으로 군집화하는 단계; 및 상기 제1 군집과 상기 제2 군집 중에서 크기가 보다 작은 군집에 포함된 결함들을 상기 노이즈 결함으로 추출하는 단계를 포함할 수 있다.
본 발명의 다른 실시예에 따른 노이즈 결함 추출 장치는, 노이즈 결함 추출 프로그램이 저장된 메모리; 및 상기 메모리를 제어하는 프로세서를 포함하고, 상기 프로세서는, 상기 노이즈 결함 추출 프로그램을 실행하여, 복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하고, 복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하고, 상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하고, 상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하고, 상기 유사도에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출할 수 있다.
상기 프로세서는 상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택할 수 있다.
상기 프로세서는 상기 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정할 수 있다.
본 발명의 또 다른 실시예에 따른 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서, 상기 컴퓨터 프로그램은, 복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하는 단계; 복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계; 상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계; 상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및 상기 유사도에 기초하여, 상기 복수의 결함들 중에서 노이즈 결함을 추출하는 단계를 포함하는 결함 데이터에서 노이즈 결함을 추출하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 또 다른 실시예에 따른 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은, 복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하는 단계; 복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계; 상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계; 상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및 상기 유사도에 기초하여, 상기 복수의 결함들 중에서 노이즈 결함을 추출하는 단계를 포함하는 결함 데이터에서 노이즈 결함을 추출하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함할 수 있다.
본 발명의 실시예에 의하면, 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하고, 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정함으로써, 파라미터를 정교하게 설정하지 않고도 노이즈 결함을 추출할 수 있다.
본 발명의 실시예에 의하면, 파라미터를 정교하게 설정하지 않고도 노이즈 결함을 추출함으로써, 반도체 제조 현장에서 데이터마이닝 비전문가들도 쉽게 사용할 수 있다.
본 발명의 실시예에 의하면, 노이즈 결함 제거 장치(100)는 반도체 웨이퍼 내 노이즈 결함을 제거하는 목적 뿐만 아니라, 일반적인 수치 데이터 분석 시 데이터 세트 내 존재하는 이상치를 제거하는 목적으로도 사용될 수 있다.
도 1은 일 실시예에 따른 노이즈 결함 추출 장치를 나타내는 블록도이다.
도 2는 일 실시예에 따른 노이즈 결함 추출 프로그램의 기능을 개념적으로 나타내는 블록도이다.
도 3은 일 실시예에 따른 이상 값 산출부에서 생성한 복수의 결함들의 빈도 주상도의 예시를 나타낸다.
도 4와 도 5는 일 실시예에 따른 노이즈 결함 장치를 이용하여 인공 데이터에 포함된 노이즈 정보를 제거한 예시를 나타낸다.
도 6은 일 실시예에 따른 노이즈 결함 추출 방법과 기존의 방법들과의 성능 차이를 나타낸다.
도 7, 도 8 및 도 9는 일 실시예에 따른 노이즈 결함 장치를 이용하여 실제 반도체 웨이퍼 맵 데이터에서 노이즈 결함을 제거한 실험례를 나타낸다.
도 10은 일 실시예에 따라 노이즈 결함 추출 장치가 결함 데이터로부터 노이즈 결함을 추출하는 방법을 나타내는 흐름도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다.
본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1은 일 실시예에 따른 노이즈 결함 추출 장치를 나타내는 블록도이다.
도 1을 참조하면, 노이즈 결함 추출 장치(100)는 프로세서(110), 입력기(120) 및 메모리(130)를 포함할 수 있다.
프로세서(110)는 노이즈 결함 추출 장치(100)의 동작을 전반적으로 제어할 수 있다.
프로세서(110)는, 입력기(120)를 이용하여, 결함 데이터를 입력받을 수 있다.
본 명세서에서 결함 데이터는 웨이퍼 내에 형성된 결함에 대한 데이터를 의미할 수 있다. 실시예에 따라, 웨이퍼 내에 복수 개의 결함이 형성되어 있는 경우, 결함 데이터는 형성된 복수 개의 결함 각각에 대한 데이터를 포함할 수 있다. 또한, 실시예에 따라, 결함 데이터는 결함의 위치를 나타낼 수 있다.
또한, 본 명세서에서는, 노이즈 결함 추출 장치(100)는 입력기(120)를 이용하여 결함 데이터를 입력받는 것으로 설명하였지만, 이에 한정되지 않는다. 즉, 실시예에 따라, 노이즈 결함 추출 장치(100)는 입력기(120) 대신에, 또는 입력기(120)에 더하여 송수신기(미도시)를 포함하고, 송수신기(미도시)를 이용하여 결함 데이터를 수신할 수도 있다. 또는, 실시예에 따라, 결함 데이터는 노이즈 결함 추출 장치(100) 내에서 생성될 수도 있다. 따라서, 본 명세서에서 송수신기(120) 및 입출력기(미도시)는 획득부로 통칭될 수 있다.
메모리(130)는 노이즈 결함 추출 프로그램(200) 및 노이즈 결함 추출 프로그램(200)의 실행에 필요한 정보를 저장할 수 있다.
본 명세서에서 노이즈 결함 추출 프로그램(200)은 결함 데이터를 입력받으면, 입력된 결함 데이터 중에서 노이즈 결함을 추출하도록 프로그램된 명령어들을 포함하는 소프트웨어를 의미할 수 있다.
프로세서(110)는 노이즈 결함 추출 프로그램(200)을 실행하기 위하여 메모리(130)에서 노이즈 결함 추출 프로그램(200) 및 노이즈 결함 추출 프로그램(200)의 실행에 필요한 정보를 로드할 수 있다.
또한, 프로세서(110)는, 노이즈 결함 추출 프로그램(200)을 실행하여, 결함 데이터 중에서 노이즈 결함을 추출할 수 있다.
노이즈 결함 추출 프로그램(200)은 도 2에서 보다 자세하게 설명하기로 한다.
도 2는 일 실시예에 따른 노이즈 결함 추출 프로그램의 기능을 개념적으로 나타내는 블록도이다.
도 2를 참조하면, 노이즈 결함 추출 프로그램(200)은 이상 값 산출부(210), 유사도 산출부(220) 및 노이즈 결함 추출부(230)를 포함할 수 있다.
도 2에 도시된 이상 값 산출부(210), 유사도 산출부(220) 및 노이즈 결함 추출부(230)는 노이즈 결함 추출 프로그램(200)의 기능을 쉽게 설명하기 위하여 노이즈 결함 추출 프로그램(200)의 기능을 개념적으로 나눈 것으로서, 이에 한정되지 않는다. 실시예들에 따라, 이상 값 산출부(210), 유사도 산출부(220) 및 노이즈 결함 추출부(230)의 기능은 병합/분리 가능하며, 하나의 프로그램에 포함된 일련의 명령어들로 구현될 수도 있다.
이상 값 산출부(210)는 복수의 이상 값 산출기들 중 어느 하나를 이용하여 결함 데이터의 이상 값을 산출할 수 있다.
보다 자세하게는, 이상 값 산출부(210)는 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤하게 선택하고, 선택된 이상 값 산출기를 이용하여 결함 데이터의 이상 값을 산출할 수 있다.
여기서, 이상 값은 결함의 정도를 나타낼 수 있다.
또한, 복수의 이상 값 산출기들은 결함의 이상 값을 산출하는 서로 다른 알고리즘, 소프트웨어 또는 장치로서, 기존의 노이즈 결함 산출 방법(장치)에 해당할 수 있다. 예컨대, 복수의 이상 값 산출기들은 AggkNN, CCPOD, COF, DSNOF, FNOF, INFLO, INS, kNN, LDBOD, LDF, LDOF, LIC, LOF, LoOP, NDoT, OF, OOF, POD, RBDA, SOD, VOV, GMMOF, NOF, RDOS, VOS, COPOD 중에서 적어도 둘을 포함할 수 있다.
실시예에 따라, 결함 데이터가 복수 개의 결함들에 대한 데이터를 포함하는 경우, 이상 값 산출부(210)는 복수 개의 결함들 각각에 대한 이상 값을 산출할 수 있다. 반면, 결함 데이터가 복수 개의 결함들에 대한 데이터를 포함하는 경우, 이상 값 산출부(210)는 복수 개의 결함들 중에서 기 설정된 방법으로 선택된 적어도 하나에 대한 이상 값만을 산출할 수도 있다.
선택된 이상 값 산출기를 이용하여 결함 데이터의 이상 값을 산출할 때, 선택된 이상 값 산출기의 파라미터가 설정되어야 하는데, 이상 값 산출부(210)는 이상 값 산출기의 파라미터를 랜덤한 값으로 설정할 수 있다.
여기서, 이상 값 산출기의 파라미터는 아래의 표 1과 같을 수 있다.
Figure 112022139344787-pat00001
즉, 이상 값 산출기가 POD인 경우, 파라미터는 np, k1, k2 및 δ 중에서 적어도 하나를 포함할 수 있고, 이상 값 산출기가 LoOP인 경우, 파라미터는 λ를 포함할 수 있다.
이상 값 산출부(210)가 이상 값 산출기의 파라미터를 랜덤한 값으로 설정함으로써, 일 실시예에 따른 노이즈 결함 추출 장치(100)는 기존의 방법과는 달리 파라미터를 정밀하게 설정하지 않고도 노이즈 결함을 추출할 수 있다.
이상 값 산출부(210)는 산출한 결함 데이터의 이상 값을 정규화(normalization)할 수 있다. 이는, 선택된 이상 값 산출기에 따라, 산출된 이상 값의 범위(최소 값, 최소 값)가 다를 수 있기 때문이다.
실시예에 따라, 이상 값 산출부(210)는 산출한 결함 데이터의 이상 값을 [0, 1]의 범위의 값으로 정규화할 수 있다.
이상 값 산출부(210)는 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤하게 선택하고, 선택된 이상 값 산출기를 이용하여 결함 데이터의 이상 값을 산출하고, 산출한 이상 값을 정규화하는 과정을 기 설정된 횟수만큼 반복 수행할 수 있다.
위의 과정을 반복 수행함에 따라, 이상 값 산출부(210)는 결함 데이터에 포함된 복수 개의 결함들 각각에 대해, 적어도 하나 이상의 정규화된 이상 값을 획득할 수 있다.
이상 값 산출부(210)는 획득한 적어도 하나 이상의 정규화된 이상 값을 이용하여, 복수 개의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성할 수 있다.
유사도 산출부(220)는, 복수 개의 결함들 각각에 대한 빈도 주상도를 이용하여, 복수 개의 결함들 사이의 유사도를 산출할 수 있다.
보다 자세하게는, 유사도 산출부(220)는 복수 개의 결함들 중에서 두 결함을 선택하고, 선택한 두 결함의 빈도 주상도 사이의 차이를 산출함으로써, 선택한 두 결함의 빈도 주상도 사이의 유사도를 산출할 수 있다.
한편, 실시예에 따라, 복수 개의 결함들의 빈도 주상도는 아래의 수학식 1에 따라 복수 개의 계급들로 나뉘어 표현될 수 있다.
Figure 112022139344787-pat00002
여기서, b는 계급들의 개수를 나타내고, r은 이상 값 산출부(210)에서 반복 수행한 횟수를 나타낼 수 있다.
예컨대, 이상 값 산출부(210)가 결함 데이터의 이상 값을 [0, 1]로 정규화하고, 이상 값 산출부(210)가 16회 반복한 경우, 빈도 주상도의 계급은 [0, 1]을 5등분한 값들(0.0, 0.2, 0.4, 0.6, 0.8, 1.0)로 구성될 수 있다.
이와 같은 경우, 유사도 산출부(220)는 계급 별로 두 결함의 빈도를 비교하여, 두 결함의 빈도의 계급 별 차이를 산출하고, 계급 별 차이의 절대 값을 더하여 두 결함의 빈도 주상도의 차이를 산출할 수 있다.
유사도 산출부(220)는 복수 개의 결함들 중에서 서로 다른 두 결함을 선택하는 경우의 수만큼 위의 과정을 반복함으로써(즉, 복수 개의 결함들 중 가능한 모든 결함 쌍에 대해 위의 과정을 반복함으로써), 복수 개의 결함들 사이의 유사도를 산출할 수 있다. 예컨대, 결함 데이터에 12개의 결함들이 포함된 경우, 유사도 산출부(220)는 132번(=12C2, 즉, 12개의 결함들 중에서 서로 다른 2개의 결함들을 선택하는 경우의 수)만큼 위의 과정을 반복하여, 12개의 결함들 사이의 유사도를 산출할 수 있다.
이후, 유사도 산출부(220)는, 복수 개의 결함들 사이의 유사도를 이용하여, 결함 데이터에 대한 유사도 행렬(즉, 복수 개의 결함들에 대한 유사도 행렬)(affinity matrix)을 생성할 수 있다.
보다 자세하게는, 유사도 산출부(220)는, 아래의 수학식 2에 기초하여, 결함 데이터에 대한 유사도 행렬을 생성할 수 있다.
Figure 112022139344787-pat00003
여기서, AF는 유사도 행렬을 나타내고, i와 j는 각각 행렬의 행과 열을 나타내고, Hi와 Hj는 복수 개의 결함들 중에서 선택된 두 결함을 나타내고, MDPA는 두 결함의 빈도 주상도의 차이를 나타낼 수 있다.
수학식 2에 따를 경우, 유사도 행렬 내 각 원소는 [0, 1/2]의 값을 갖게 되고, 유사도 조건이 되기 위한 조건인 비음성(non-negativity), 재귀성(reflexivity), 교환성(commutativity) 및 삼각 부등식을 만족할 수 있다.
노이즈 결함 추출부(230)는, 유사도 행렬에 기초하여, 복수 개의 결함들 중에서 노이즈 결함을 추출할 수 있다.
실시예에 따라, 노이즈 결함 추출부(230)는 유사도 행렬에 스펙트럴 군집법(spectral clustering)을 적용하여 복수 개의 결함들을 적어도 두 군집으로 군집화하고, 적어도 두 군집 중에서 보다 크기가 큰(포함된 결함의 개수가 보다 큰) 적어도 하나의 군집을 정상 결함으로 구분하고, 적어도 두 군집 중에서 보다 크기가 작은(포함된 결함의 개수가 보다 작은) 적어도 하나의 군집을 노이즈 결함으로 구분함으로써, 복수 개의 결함들 중에서 노이즈 결함을 추출할 수 있다.
예컨대, 노이즈 결함 추출부(230)가 스펙트럴 군집법(spectral clustering)을 이용하여 복수 개의 결함을 제1 군집과 제2 군집으로 군집화하는 경우, 크기가 보다 제1 군집을 정상 결함으로, 크기가 보다 작은 제2 군집을 노이즈 결함으로 구분할 수 있다.
도 3은 일 실시예에 따른 이상 값 산출부에서 생성한 복수의 결함들의 빈도 주상도의 예시를 나타낸다.
도 2 및 도 3을 참조하면, 이상 값 산출부(210)는 제1 결함, 제2 결함, 제3 결함 및 제4 결함 각각의 빈도 주상도를 생성할 수 있다.
도 3의 (a), (b), (c) 및 (d)에서 확인할 수 있는 바와 같이, 제1 결함의 빈도 주상도와 제2 결함의 빈도 주상도가 유사한 형태를 나타내고, 제3 결함의 빈도 주상도와 제4 결함의 빈도 주상도가 유사한 형태를 나타낸다.
따라서, 유사도 산출부(220)에서 두 결함의 빈도 주상도의 차이를 산출할 때, 제1 결함과 제2 결함 사이의 차이와 제3 결함과 제4 결함 사이의 차이는 작게 산출될 것이나, 제1 결함과 제3 결함(또는 제4 결함) 사이의 차이와 제2 결함과 제4 결함(또는 제3 결함) 사이의 차이는 크게 산출될 것이다.
따라서, 노이즈 결함 추출부(230)는 제1 결함과 제2 결함을 하나의 군집으로, 제3 결함과 제4 결함을 다른 하나의 군집으로 군집화할 수 있다.
도 4와 도 5는 일 실시예에 따른 노이즈 결함 장치를 이용하여 인공 데이터에 포함된 노이즈 정보를 제거한 예시를 나타낸다.
도 4 및 도 5를 참조하면, D1 내지 D6 각각의 가장 좌측 그림은 노이즈 정보를 제거하기 전의 인공 데이터를 나타내고, D1 내지 D6 각각의 가장 우측 그림은 노이즈 결함 장치를 이용하여 인공 데이터에서 노이즈 정보를 제거한 결과를 나타내고, D1 내지 D6 각각의 중앙 그림은 2개의 특이값을 기준으로 분해된 특이벡터를 표시한 것으로, 검은색과 파란색은 가우시안 혼합 모델(gaussiam mixture model, GMM)에 의해 2개로 나뉘어진 각각의 군집을 나타낸다.
도 4와 도 5에서 확인할 수 있는 바와 같이, 파란색으로 표시된 군집은 노이즈 정보로 판단되었으며, 그 결과, 인공 데이터 내에서 듬성하게 산재하는 포인트들은 제거되고, 큰 무리를 이루는 포인트들은 그대로 남아 있어 노이즈가 적절히 제거되었음을 확인할 수 있다.
도 6은 일 실시예에 따른 노이즈 결함 추출 방법과 기존의 방법들과의 성능 차이를 나타낸다.
도 4, 도 5 및 도 6을 참조하면, 기존의 방법을 이용하여 D1 내지 D6의 인공 데이터에서 노이즈 정보를 제거한 결과와 일 실시예에 따른 노이즈 결함 추출 방법을 이용하여 D1 내지 D6의 인공 데이터에서 노이즈 정보를 제거한 결과를 확인할 수 있다.
도 6에선 AUC(Area under the ROC curve) 값을 성능평가척도로 사용하였다.
도 6에 따를 경우, 파라미터의 설정이 없이 노이즈 결함을 추출하는 일 실시예에 따른 노이즈 결함 추출 방법(BROD)을 이용하는 경우, 정확한 파라미터 설정이 필요한 기존의 방법들(AggkNN, CCPOD, …, COPOD)에 대비하여 평균적으로 상회하는 성능을 달성할 수 있음을 확인할 수 있다.
도 7, 도 8 및 도 9는 일 실시예에 따른 노이즈 결함 장치를 이용하여 실제 반도체 웨이퍼 맵 데이터에서 노이즈 결함을 제거한 실험례를 나타낸다.
도 7, 도 8 및 도 9를 참조하면, 도 7, 도 8 및 도 9 각각의 가장 좌측 그림은 노이즈 결함을 제거하기 전의 반도체 웨이퍼 맵 데이터를 나타내고, 도 7, 도 8 및 도 9 각각의 가장 우측 그림은 노이즈 결함 장치를 이용하여 반도체 웨이퍼 맵 데이터에서 노이즈 결함을 제거한 결과를 나타내고, 도 7, 도 8 및 도 9 각각의 중앙 그림은 2개의 특이값을 기준으로 분해된 특이벡터를 표시한 것으로, 검은색과 빨간색은 GMM에 의해 2개로 나뉘어진 각각의 군집을 나타낸다.
도 7, 도 8 및 도 9에서 확인할 수 있는 바와 같이, 빨간색으로 표시된 군집은 노이즈 정보로 판단되었으며, 그 결과, 반도체 웨이퍼 내에서 패턴을 이루는 정상 결함은 그대로 남아 있는 반면, 듬성하게 산재하여 패턴을 특정하지 못하는 노이즈 결함은 적절히 제거되었음을 확인할 수 있다.
도 10은 일 실시예에 따라 노이즈 결함 추출 장치가 결함 데이터로부터 노이즈 결함을 추출하는 방법을 나타내는 흐름도이다.
도 1, 도 2 및 도 10을 참조하면, 이상 값 산출부(210)는 복수의 이상 값 산출기들 중 어느 하나를 이용하여 결함 데이터의 이상 값을 산출하고(S1000), 산출한 결함 데이터의 이상 값을 정규화할 수 있다(S1010).
이상 값 산출부(210)는 결함 데이터의 이상 값을 산출하고, 산출한 이상 값을 정규화하는 과정을 기 설정된 횟수만큼 반복 수행할 수 있다(S1020).
한편, 본 명세서에서는 설명의 편의를 위해, 이상 값 산출부(210)가 결함 데이터의 이상 값을 정규화(S1010)한 이후에, 해당 과정을 기 설정된 횟수만큼 반복했는지 여부를 판단(S1020)하는 것으로 기재하였지만, 이에 한정되지 않는다. 즉, 실시예에 따라, 이상 값 산출부(210)는 반복 회차마다 기 설정된 횟수만큼 반복했는지 여부를 판단한 이후에 이상 값을 정규화할 수 있고, 기 설정된 횟수만큼 반복한 이후에 그때까지 산출된 이상 값을 한번에 정규화할 수도 있다.
이후, 이상 값 산출부(210)는 획득한 적어도 하나 이상의 정규화된 이상 값을 이용하여, 복수 개의 결함들 각각에 대한 빈도 주상도를 생성할 수 있다(S1030).
유사도 산출부(220)는 복수 개의 결함들 각각에 대한 빈도 주상도를 이용하여 복수 개의 결함들 사이의 유사도를 산출하고(S1040), 복수 개의 결함들 사이의 유사도를 이용하여 복수 개의 결함들에 대한 유사도 행렬을 생성할 수 있다(S1050).
노이즈 결함 추출부(230)는, 유사도 행렬에 기초하여, 복수 개의 결함들 중에서 노이즈 결함을 추출할 수 있다(S1060).
본 발명의 실시예에 의하면, 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하고, 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정함으로써, 파라미터를 정교하게 설정하지 않고도 노이즈 결함을 추출할 수 있다.
본 발명의 실시예에 의하면, 파라미터를 정교하게 설정하지 않고도 노이즈 결함을 추출함으로써, 반도체 제조 현장에서 데이터마이닝 비전문가들도 쉽게 사용할 수 있다.
본 발명의 실시예에 의하면, 노이즈 결함 제거 장치(100)는 반도체 웨이퍼 내 노이즈 결함을 제거하는 목적 뿐만 아니라, 일반적인 수치 데이터 분석 시 데이터 세트 내 존재하는 이상치를 제거하는 목적으로도 사용될 수 있다.
본 발명에 첨부된 블록도의 각 블록과 흐름도의 각 단계의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수도 있다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 인코딩 프로세서를 통해 수행되는 그 인스트럭션들이 블록도의 각 블록 또는 흐름도의 각 단계에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방법으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 블록도의 각 블록 또는 흐름도 각 단계에서 설명된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 블록도의 각 블록 및 흐름도의 각 단계에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록 또는 각 단계는 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실시예들에서는 블록들 또는 단계들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들 또는 단계들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들 또는 단계들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 품질에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 균등한 범위 내에 있는 모든 기술사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 노이즈 결함 추출 장치
200: 노이즈 결함 추출 프로그램
210: 이상 값 산출부
220: 유사도 산출부
230: 노이즈 결함 추출부

Claims (16)

  1. 노이즈 결함 추출 장치에 의해 수행되는 파라미터 설정 없이 결함 데이터에서 노이즈 결함(noise defect)을 추출하는 방법에 있어서,
    복수의 결함들에 대한 데이터를 포함하는 상기 결함 데이터를 획득하는 단계;
    복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계;
    상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계;
    상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및
    상기 유사도에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  2. 제1 항에 있어서,
    상기 복수의 결함들 각각의 이상 값을 산출하는 단계는,
    상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  3. 제2 항에 있어서,
    상기 복수의 결함들 각각의 이상 값을 산출하는 단계는,
    상기 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정하는 단계를 더 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  4. 제3 항에 있어서,
    상기 복수의 이상 값 산출기들은,
    AggkNN, CCPOD, COF, DSNOF, FNOF, INFLO, INS, kNN, LDBOD, LDF, LDOF, LIC, LOF, LoOP, NDoT, OF, OOF, POD, RBDA, SOD, VOV, GMMOF, NOF, RDOS, VOS, COPOD 중에서 적어도 둘을 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  5. 제1 항에 있어서,
    상기 복수의 결함들 각각의 이상 값을 산출하는 단계는,
    상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하는 제1 단계;
    상기 선택한 이상 값 산출기를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 제2 단계; 및
    상기 제1 단계와 상기 제2 단계를 기 설정된 횟수만큼 반복하는 단계를 포함하고,
    상기 빈도 주상도(frequency histogram)를 생성하는 단계는,
    상기 반복을 통해 산출한 상기 복수의 결함들 각각에 대한 이상 값들을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  6. 제1 항에 있어서,
    상기 복수의 결함들 각각의 이상 값을 산출하는 단계는,
    상기 복수의 결함들 각각의 이상 값을 정규화하는 단계를 포함하고,
    상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계는,
    상기 정규화된 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도를 생성하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  7. 제1 항에 있어서,
    상기 복수의 결함들 사이의 유사도를 산출하는 단계는,
    상기 복수의 결함들 중에서 두 결함을 선택하는 단계; 및
    상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  8. 제7 항에 있어서,
    상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계는,
    상기 두 결함의 빈도 주상도를 이용하여, 상기 두 결함의 계급 별 빈도의 차이를 산출하는 단계; 및
    상기 계급 별 빈도의 차이의 절대 값을 계급 별로 더하여, 상기 두 결함의 빈도 주상도 차이를 산출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  9. 제7 항에 있어서,
    상기 복수의 결함들 중에서 두 결함을 선택하는 단계와 상기 두 결함의 빈도 주상도 사이의 차이를 산출하는 단계는,
    상기 복수의 결함들 중에서 서로 다른 두 결함을 선택하는 경우의 수만큼 반복하여 수행되는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  10. 제1 항에 있어서,
    상기 복수의 결함들 사이의 유사도를 이용하여, 상기 결함 데이터에 대한 유사도 행렬을 생성하는 단계를 더 포함하고,
    상기 노이즈 결함을 추출하는 단계는,
    상기 유사도 행렬에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  11. 제1 항에 있어서,
    상기 노이즈 결함을 추출하는 단계는,
    스펙트럴 군집법(spectral clustering)을 이용하여, 상기 복수의 결함들을 제1 군집과 제2 군집으로 군집화하는 단계; 및
    상기 제1 군집과 상기 제2 군집 중에서 크기가 보다 작은 군집에 포함된 결함들을 상기 노이즈 결함으로 추출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법.
  12. 노이즈 결함 추출 프로그램이 저장된 메모리; 및
    상기 메모리를 제어하는 프로세서를 포함하고,
    상기 프로세서는, 상기 노이즈 결함 추출 프로그램을 실행하여,
    복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하고,
    복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하고,
    상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하고,
    상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하고,
    상기 유사도에 기초하여, 상기 복수의 결함들 중에서 상기 노이즈 결함을 추출하는
    노이즈 결함 추출 장치.
  13. 제12 항에 있어서,
    상기 프로세서는,
    상기 복수의 이상 값 산출기들 중에서 어느 하나를 랜덤으로 선택하는
    노이즈 결함 추출 장치.
  14. 제13 항에 있어서,
    상기 프로세서는,
    상기 선택한 이상 값 산출기의 파라미터를 랜덤한 값으로 설정하는
    노이즈 결함 추출 장치.
  15. 컴퓨터 프로그램을 저장하고 있는 컴퓨터 판독 가능 기록매체로서,
    상기 컴퓨터 프로그램은,
    복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하는 단계;
    복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계;
    상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계;
    상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및
    상기 유사도에 기초하여, 상기 복수의 결함들 중에서 노이즈 결함을 추출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 판독 가능한 기록매체.
  16. 컴퓨터 판독 가능한 기록매체에 저장되어 있는 컴퓨터 프로그램으로서,
    상기 컴퓨터 프로그램은,
    복수의 결함들에 대한 데이터를 포함하는 결함 데이터를 획득하는 단계;
    복수의 이상 값 산출기들 중 어느 하나를 이용하여, 상기 복수의 결함들 각각의 이상 값을 산출하는 단계;
    상기 이상 값을 이용하여, 상기 복수의 결함들 각각에 대한 빈도 주상도(frequency histogram)를 생성하는 단계;
    상기 복수의 결함들 각각에 대한 빈도 주상도를 이용하여, 상기 복수의 결함들 사이의 유사도를 산출하는 단계; 및
    상기 유사도에 기초하여, 상기 복수의 결함들 중에서 노이즈 결함을 추출하는 단계를 포함하는
    결함 데이터에서 노이즈 결함을 추출하는 방법을 프로세서가 수행하도록 하기 위한 명령어를 포함하는
    컴퓨터 프로그램.
KR1020220183537A 2022-12-23 2022-12-23 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치 KR102541925B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220183537A KR102541925B1 (ko) 2022-12-23 2022-12-23 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220183537A KR102541925B1 (ko) 2022-12-23 2022-12-23 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치

Publications (1)

Publication Number Publication Date
KR102541925B1 true KR102541925B1 (ko) 2023-06-13

Family

ID=86762540

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220183537A KR102541925B1 (ko) 2022-12-23 2022-12-23 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102541925B1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100755372B1 (ko) * 2006-08-25 2007-09-04 삼성전자주식회사 웨이퍼 검사방법
KR20110040847A (ko) * 2008-07-18 2011-04-20 아사히 가라스 가부시키가이샤 결함 검사를 위한 화상 데이터의 처리 장치 및 방법, 이것들을 사용한 결함 검사 장치 및 방법, 이것들을 사용한 판 형상체의 제조 방법, 및 기록 매체
US20180103247A1 (en) * 2016-10-07 2018-04-12 Kla-Tencor Corporation Three-Dimensional Imaging For Semiconductor Wafer Inspection
JP2019032268A (ja) * 2017-08-09 2019-02-28 日立金属株式会社 表面欠陥判定方法および表面欠陥検査装置
KR20190022757A (ko) * 2016-09-27 2019-03-06 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 장치 및 결함 검사 방법

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100755372B1 (ko) * 2006-08-25 2007-09-04 삼성전자주식회사 웨이퍼 검사방법
KR20110040847A (ko) * 2008-07-18 2011-04-20 아사히 가라스 가부시키가이샤 결함 검사를 위한 화상 데이터의 처리 장치 및 방법, 이것들을 사용한 결함 검사 장치 및 방법, 이것들을 사용한 판 형상체의 제조 방법, 및 기록 매체
KR20190022757A (ko) * 2016-09-27 2019-03-06 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 장치 및 결함 검사 방법
US20180103247A1 (en) * 2016-10-07 2018-04-12 Kla-Tencor Corporation Three-Dimensional Imaging For Semiconductor Wafer Inspection
JP2019032268A (ja) * 2017-08-09 2019-02-28 日立金属株式会社 表面欠陥判定方法および表面欠陥検査装置

Similar Documents

Publication Publication Date Title
CN109344921B (zh) 一种基于深度神经网络模型的图像识别方法、装置及设备
CN111444247B (zh) 一种基于kpi指标的根因定位方法、装置及存储介质
Hennig et al. Package ‘fpc’
Goldberger et al. A hierarchical clustering algorithm based on the Hungarian method
US20210398674A1 (en) Method for providing diagnostic system using semi-supervised learning, and diagnostic system using same
Wei et al. Mixed-type wafer defect recognition with multi-scale information fusion transformer
Demir et al. Deepsmartfuzzer: Reward guided test generation for deep learning
CN106033425A (zh) 数据处理设备和数据处理方法
CN110995461B (zh) 网络故障诊断方法
KR101584883B1 (ko) 그래프 분류를 위한 빈발 부분그래프의 생성 방법
KR102541925B1 (ko) 파라미터 설정 없이 결함 데이터에서 노이즈 결함을 추출하는 방법 및 장치
CN117033912B (zh) 一种设备故障预测方法、装置、可读存储介质及电子设备
Wahba et al. Wafer plot classification using neural networks and tensor methods
CN112287036A (zh) 一种基于谱聚类的离群点检测方法
WO2023123851A1 (zh) 数据可视化方法、装置、电子设备、存储介质和程序
Mori et al. Incremental estimation of project failure risk with Naive Bayes classifier
US20240223217A1 (en) Method and apparatus for extracting noise defect, and storage medium storing instructions to perform method for extracting noise defect
Hanczar et al. Precision-recall space to correct external indices for biclustering
CN116226693A (zh) 基于密度峰值聚类的高斯混合模型核电运行工况划分方法
CN114706780A (zh) 一种基于Stacking集成学习的软件缺陷预测方法
Rital Hypergraph cuts & unsupervised representation for image segmentation
Bürk Spectral clustering
US10878167B2 (en) Method of determining colorability of a semiconductor device and system for implementing the same
US8959460B1 (en) Layout decomposition method
Khotilin The technology of constructing an informative feature of a natural hyperspectral image area for the classification problem

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant