반도체 산업은 수율 향상을 위해 데이터를 추출하고 활용하는 데 있어 상당한 어려움에 직면해 있습니다. 결함률 워크숍의 주요 목표 중 하나는 공정 과정에서 발생하는 생산 웨이퍼의 물리적 결함을 찾아내고 식별하는 것입니다. 이러한 결함은 제품의 전기적 성능에 직접적인 영향을 미칠 수 있으므로, 결함률(웨이퍼당 결함 수)과 관련 공정 간의 상관관계를 더 잘 이해하는 것이 중요합니다. 매우 복잡한 이러한 공정은 여러 변수에 의해 좌우되므로, 결함률과의 관계를 파악하는 것은 수율 향상 및 비용 최적화를 위한 공정 조정의 핵심 요소입니다.
본 사례 연구에서는 다음 단계를 통해 데이터 수집 과정 전반에서 JMP가 데이터 관리 및 서식 지정 도구로서 얼마나 효율적인지 보여줍니다.
마지막으로, 명확한 결과 표시는 경영진이 잠재적인 프로세스 변경을 고려하고 비용 대비 수익 균형에 대한 정보에 입각한 결정을 내릴 때 매우 유익합니다.
제 e-포스터 발표에 오신 것을 환영합니다. 이번 발표의 제목은 "JMP를 활용한 결함 분석과 상관관계 분석 사례 연구"입니다.
자, 이제 추상적인 부분으로 넘어가서, 데이터를 시각화하고 조작하는 다양한 측면들을 살펴보고, 이를 통해 프로세스 변경에 대한 결정을 내리는 데 어떻게 도움이 되었는지 알아보겠습니다.
오늘 우리는 불량률에 대해 이야기해 보겠습니다. 반도체 산업에서 우리의 업무는 웨이퍼를 검사하는 것입니다. 공정 중 특정 단계에서 웨이퍼에 있는 불량품의 수를 세는 것이죠. 따라서 이것이 오늘 Y축의 주요 반응 변수가 될 것입니다. 우리는 이 분석을 통해 수율을 향상시키고자 하며, 그래프 작성 도구를 어떻게 활용하여 이를 달성할 수 있는지 살펴보겠습니다.
먼저 제 데이터가 어떤 모습인지 간략하게 보여드린 후, 다양한 매개변수를 사용하여 상관 분석을 진행하고 어떤 매개변수가 결함 수 변수에 가장 큰 영향을 미치는지 결론을 도출해 보겠습니다.
이제 JMP로 전환하여 시연해 보겠습니다. 여기 제 데이터 세트가 있습니다. 보시다시피 각 행은 로트 내의 웨이퍼를 나타내는 1,000개의 행으로 구성되어 있습니다. 즉, 각 로트에는 25개의 웨이퍼가 있습니다. 각 웨이퍼에는 주요 변수인 결함 개수 값이 있습니다. 이제 다음에 설명할 다른 열들이 결함 개수에 어떤 영향을 미치는지 살펴보겠습니다.
먼저 그래프 작성기를 사용하여 데이터를 시각화하는 방법을 보여드리겠습니다. 그래프 작성기에서 연속형 변수인 결함 수를 드래그 앤 드롭하여 가운데에 놓으면 이상치를 확인할 수 있습니다. 이제 X축에 로트 번호와 웨이퍼 번호를 입력하겠습니다. 여기서 각 데이터 포인트는 한 행을 나타냅니다.
이제 제 인구 분포를 빠르게 살펴보고 싶습니다. X축을 결함 수 기준으로 내림차순으로 정렬하겠습니다. 그러면 인구의 특정 부분이 결함 수가 더 많은 것을 알 수 있는데, 그 이유를 파악해 보겠습니다.
다시 표로 돌아와서, 첫 번째 매개변수는 특정 단계에서 사용된 도구입니다. 여기에는 A, B, C 세 가지 도구가 있습니다. 이 열은 테이블 조인 기능을 사용하여 데이터 세트에 추가되었습니다. 제가 여기에 보여드릴 수는 없지만, 웨이퍼 번호, 로트 번호, 그리고 관련 도구 정보가 담긴 엑셀 테이블이 하나 더 있습니다. 이 두 열을 일치시키면 두 테이블을 조인하여 도구 열을 추가할 수 있습니다.
이제 각 웨이퍼에는 고유한 공정 도구가 연결되어 있습니다. 범주형 변수가 아닌 연속형 변수인 파라미터 A에도 동일한 작업을 수행했습니다. 이 부분은 나중에 자세히 설명하겠습니다. 다시 도구 이야기로 돌아와서, 그래프 작성기를 다시 사용하여 도구가 불량률에 어떤 영향을 미치는지 알아보겠습니다. Y축은 불량률입니다. 이제 X축에 도구를 놓고 더하기 버튼을 클릭하여 어떻게 변화하는지 살펴보겠습니다.
색상 섹션에 X 변수도 추가하여 좀 더 보기 좋게 만들고 싶습니다. 확대해서 보면 제 도구가 3D 도구 중에서 가장 좋다는 것을 확실히 알 수 있습니다. 이제 이를 더욱 확실히 하고 숫자를 추가하려면 Shift 키를 누른 상태에서 클릭하고 캡션 상자를 추가한 다음 위치 섹션에서 액세스 테이블을 선택하면 됩니다. 그러면 각 모집단의 평균값을 표시할 수 있습니다.
이제 제가 원하는 것은 표본 개수, 평균값, 그리고 중앙값입니다. 이를 통해 도구 C가 모집단으로서 다른 도구들의 평균값보다 훨씬 더 큰 평균값을 가지고 있음을 확인할 수 있습니다.
이것이 첫 번째 요소입니다. 우리는 도구 C가 가장 좋고 도구 B가 가장 나쁘다는 것을 알고 있습니다. 다시 표로 돌아와서, 이제 데이터 세트에 포함된 연속 변수인 매개변수 A에 대해서도 동일한 작업을 수행하려고 합니다. 우선 YX 분석을 할 수 있습니다. Y축에는 결함 수를, X축에는 매개변수 A를 놓습니다.
이렇게 하면 이변량 분석이 수행됩니다. 확인을 클릭하고 확대하면 두 변수 사이에 어떤 상관관계가 있지만 명확하지는 않다는 것을 알 수 있습니다. 시각적으로 300 미만, 300에서 400 사이, 그리고 400 이상으로 세 구간을 구분할 수 있습니다. 이 세 범주를 어떻게 구분하고 각 범주 간의 관계를 분석하는지 보여드리겠습니다. 여기 있는 열을 활용할 수 있습니다.
유틸리티에는 매개변수 A 열 바로 뒤에 새 열을 만들 수 있는 구간화 공식 기능이 있습니다. 이 기능을 사용하면 모집단을 구분하기 위해 값을 동적으로 선택할 수 있습니다. 저는 300과 400에 대해서도 같은 방식으로 작업했고, 나중에 사용할 75와 같이 더 작은 구간에 대해서도 다시 작업했습니다. 이렇게 하면 범주형 변수가 생성됩니다. 이제 Y를 X로 분석하고 결함 수를 다시 입력한 다음, 이번에는 핀 열을 사용하여 단방향 분석을 수행할 수 있습니다.
하지만 고려해야 할 점은 특정 도구의 결함 발생률이 어떻게 변하는지 확인하기 위해 가장 문제가 심각한 도구를 분리해서 살펴보고 싶다는 것입니다. 그래서 로컬 데이터 필터를 추가하고 도구를 기준으로 필터링하겠습니다. 이제 이 열에 대해 분석할 도구를 선택할 수 있습니다. 다시 확대해서 상황을 더 자세히 살펴보고, 평균값과 학생 T 검정 결과를 비교해 보겠습니다.
이제 우리는 매개변수 A가 공구 B의 경우 결함 수 300 미만일 때 결함 수에 상당한 영향을 미친다는 것을 알 수 있습니다. 다른 공구의 경우에는 원들이 서로 가까이 붙어 있기 때문에 그 영향이 크지 않지만, 여기서는 원들이 매우 멀리 떨어져 있습니다.
계속해서, 제가 어떻게 설정했는지 보여드릴 또 다른 매개변수를 살펴보겠습니다. 특정 도구의 경우 특정 날짜부터 다른 구성이 적용되었다는 것을 알 수 있습니다. 이 정보를 표, 데이터 세트에, 아니, 그래프 빌더에서 동적으로 생성하겠습니다. 다시 결함 수를 입력해 보겠습니다.
하지만 이번에는 단순히 로트 번호와 웨이퍼 번호만 넣는 대신, 웨이퍼 검사 시간 열을 사용하겠습니다. 이 변수는 날짜 변수이므로 날짜 및 시간 기능을 사용하여 월, 연도(아, 범주형 변수이기도 합니다)로 변환하겠습니다. 이렇게 하면 그래프 빌더에서 검사 월을 확인할 수 있습니다.
이제 도구를 분리하고 싶습니다. 그래서 도구에도 로컬 필터를 추가하려고 합니다. 도구 B의 경우, 2023년 9월부터 매개변수 B에 대한 새로운 구성이 적용되었다는 것을 알고 있습니다. (여기에서 확인할 수 있습니다.) 이제 제가 할 수 있는 것은 여기에서 해당 지점들을 선택하는 것이고, 그러면 데이터 세트에서 해당 지점들이 선택될 것입니다.
여기서 보시다시피 246개의 행이 선택되었습니다. 이제 행 이름 선택 열을 사용할 수 있습니다. 그러면 선택된 값이 구성 A 또는 B가 되고 다른 하나가 선택되는 새로운 열 매개변수 B가 생성됩니다. 이제 다른 그래프 빌더, 죄송합니다, 바로 이 그래프 빌더를 사용할 수 있는데, 좀 더 고급스럽습니다.
하지만 이제 2B의 경우, 구성에 색상을 입력하면 열 매개변수 B에 대해 구성 A가 적용되는 것을 확인할 수 있습니다. 이는 열 기능에서 이름 선택을 사용하여 생성한 열 매개변수 B가 있기 때문입니다. 흥미로운 점은 이러한 변경 이후 해당 도구에서 훨씬 더 다양한 결과를 얻을 수 있다는 것입니다.
이제 모든 매개변수를 살펴보았으니, 의사결정에 도움이 될 수 있는 요약 그래프를 어떻게 만들었는지 보여드리겠습니다. 이 그래프는 기본적으로 X축의 모든 열을 결합하고 Y축의 결함 수를 사용하며, 매개변수 A에 대해서는 0.75라는 더 얇은 구간을 적용했습니다. 여기서 중요한 점은 모든 영향을 동시에 확인할 수 있다는 것입니다.
도구 C가 가장 좋은 도구임을 알 수 있습니다. 도구 B는 설정 B에서 가장 성능이 떨어지는 도구였습니다. 설정 A를 적용하면 도구 B의 성능이 크게 향상됩니다. 또한 각 도구에 대해 매개변수 A가 증가함에 따라 효과 횟수도 증가하는 것을 확인할 수 있습니다. 300 미만에서는 상당히 양호한 것으로 보입니다.
자, 다시 슬라이드로 돌아가서, 모든 내용이 여기에 요약되어 있습니다. 우리는 기본적인 모집단에서 시작하여 매개변수를 분리하고 그것들이 불량률 변수에 어떤 영향을 미치는지 연구했습니다. 이를 통해 공정 매개변수에 대한 결정을 내리고 공정과 수율을 개선할 수 있었습니다. 우리는 가장 성능이 떨어지는 장비인 B 장비에서 매개변수 B에 대한 최적의 구성, 즉 구성 A를 선택했습니다. 또한 해당 장비에서 매개변수 A를 300으로 제한했습니다.
저희는 주로 그래프 빌더와 약간의 ANOVA를 활용하여 최적의 프로세스를 파악하고 불량률을 개선하는 데 도움을 주는 방식으로 그래프 빌더를 사용합니다.
