.

1. 우리조luv 팀
산업경영공학과 (야) 201801401 장은아
산업경영공학과 (야) 201801378 김민교
산업경영공학과 (야) 201801383 김예나
산업경영공학과 (야) 201801388 김형주

4. < 반도체 수율 계산법 >
< 웨이퍼맵 시각화 >

5. 이용 데이터
: WM-811K wafer map

6. 라벨링X

9. < 반도체 불량 타입 >

10. [ Support vector machine ]
- 기계 학습의 분야 증 하나로, 패턴 인식, 자료 분석을 위한
지도 학습 모델이며, 주로 분류와 회귀 분석을 위해 사용

13. < 라돈 변환 : 이미지 처리 기법 >

19. 합성곱 신경망(Convolutional neural network, CNN)
시각적 영상을 분석하는 데 사용되는 다층의 피드-포워드적인 인공신경망의 한 종류

20. 불량타입 총 8가지
• Center
• Donut
• Edge-Loc
• Edge-Ring
• Loc
• Random
• Scratch
• Near-full

21. 데이터 불균형 문제가 존재
데이터 확대의 필요성
Convolutional Autoencoder를 이용

22. Autoencoder Generative Adversarial Networks
차원이 적은 데이터가 있어도 다시 복원할 수
있도록 특징을 찾아내는 것이 목표.
영상 의학 분야 등 아직 데이터 수가 충분하지
않은 분야에서 사용.
부족한 학습 데이터 수를 효과적으로 늘려주는
효과.
임의의 Noise로부터 리얼한 영상을 만들어 내
는 신경망.
결과는 매우 뚜렷. 실제같음. 완전한 가상의 이
미지를 만들어냄.
Autoencoder선택

23. autoencoder model 레이어의 일부로 인코더
모델, 디코더 모델을 제작 및 노이즈 추가

24. + =
<원본 결함 웨이퍼 데이터> <신규노이즈 웨이퍼 데이터> <재구성된 웨이퍼 데이터>
불량 타입별로 2000개 증가

25. 모델 생성함수 정의 K Fold Cross Validation Method
K-Fold ACC = 97%

26. CNN ACC = 99%

27. < Random Forest>
데이터를 복원 추출을 통해 랜덤하게 뽑고 그 데이터로 Decision Tree를 만든 뒤 트리를 섞어서 사용하는
것을 Random Forest라고 한다.

28. < train_test_split 모듈을 사용해 학습과 테스트 셋 분리>

29. < accuracy_score 모듈을 사용해 정확도 예측>

30. < 제대로 된 모델인지 확인하기 위해 confusion matrix로 성능 확인>

31. <confusion matrix, Nomalized confusion matrix >

32. SVM CNN Random Forest
모델 SVM CNN Random Forest
예측정확도 약 82% 약 99% 약 89%

33. 불량 유형 파악을 통한 수율 증가 도모 기존 불량품 분류 방식의
개선

34. 웨이퍼맵의 불량의 원인이 되는
위치 추출 파악 용이
다양한 분야 적용을 통한
실용성 확보

35. 연구결과에 대한 신한정밀공업(주)의 입장
신한정밀공업(주)는 현대모비스에 자동차부품을 공급하는 업체로서,
내연기관에서 전기차생산으로 바뀌는 자동차업계의 흐름에 올라타, 전기차시장에서 선두주자가 되고자한다.
이번 연구성과는, 자동차 반도체를 공급할 때, 관련 업계에 매우 유용한 서비스로 간주 됨에 따라,
반도체업계에서 반도체 수율을 높이는 새로운 Innovative algorithms 으로써 고려할 수 있음

36. 데이터 불균형 문제 연구 기간에 대한 아쉬움