Affiliation:
1. BURSA TEKNİK ÜNİVERSİTESİ
Abstract
Yarı iletken devre elemanı üretim teknolojilerinde gerçekleşen gelişimler, bu elemanların üzerinde yer aldığı yonga plakası üretim süreçlerini daha karmaşık ve hassas hale getirmektedir. Üretim ile ilişkili çevresel koşullar, malzeme kalitesi gibi çeşitli faktörler, yonga plakası üzerinde kusursuz olarak nitelendirilebilecek alan miktarını yani verimi doğrudan etkilemektedir. Bir yarı iletken yonga plakası üzerindeki kusurlu alanların oluşturabileceği desenler standart olarak tanımlanmış durumdadır. İncelenen bir yonga plakası yüzeyindeki kusurların bu tanımlara göre sınıflandırılması, üretim süreçlerinde oluşan problemlerin kaynaklarının belirlenmesi için önemli bilgiler sağlayabilmektedir. Bu çalışmada, mevcut uygulamalarda her yarı iletken yonga levhası için insan operatörler tarafından yapılan kusur deseni sınıflandırma işlemini belirli bir güvenlik değerine kadar otomatik olarak gerçekleştiren ve böylece toplam işlem süresini azaltan bir karar destek yöntemi geliştirilmiştir. Bu yöntemde temel sınıflandırma işlemi için derin öğrenme metotlarıyla eğitilmiş bir ağ yapısı kullanılmaktadır. İstenilen güvenlik değerinin üzerinde bir doğrulukla sınıflandırılan yonga plakaları doğru sınıflandırılmış olarak kabul edilmekte, bu değerin altında kalan yonga plakaları ise insan operatörün incelemesine tabi tutulmaktadır. Yöntemin kullanılması ile; ortalama büyüklükte bir yonga plakası üretim tesisi için geçerli günlük toplam inceleme süresi, tüm incelemenin insan operatör tarafından yapıldığı durumda geçerli sürenin %10’una indirilebilmekte, ayrıca insan operatörün yapabileceği öznel değerlendirmelerin de önüne geçilebilmektedir.
Publisher
Uludag University Journal of the Faculty of Engineering
Reference24 articles.
1. Chen, F. ve Liu, S. (2000), “A neural-network approach to recognize defect spatial pattern in semiconductor fabrication”, IEEE Transactions on Semiconductor Manufacturing, vol. 13, no. 3, pp. 366-373. doi: 10.1109/66.857947.
2. Chen, S., Zhang, Y., Yi, M., Shang, Y. ve Yang, P. (2021), “AI classification of wafer map defect patterns by using dual-channel convolutional neural network”, Engineering Failure Analysis, vol. 130. doi: 10.1016/j.engfailanal.2021.105756.
3. Ergen, G. (2022), “Makine öğrenmesi yaklaşımıyla yonga üretim sürecindeki yarı iletken levha hatalarının sınıflandırılması ve benzerliklerinin derecelendirilmesi”, Yüksek Lisans Tezi, B.T.Ü. Lisansüstü Eğitim Enstitüsü, Bursa.
4. Hiltunen, Y. ve Mika, L. (2018), “Recognition of systematic spatial patterns in silicon wafers based on SOM and K-means”, IFAC-PapersOnLine, vol. 51, no.2, pp. 439-444. doi: 10.1016/j.ifacol.2018.03.075.
5. Hwang, J. ve Kuo, W. (2007), “Model-based clustering for integrated circuit yield enhancement”, European Journal of Operational Research, vol. 178, no. 1, pp. 143-153. doi: 10.1016/j.ejor.2005.11.032.