Makine öğrenmesi yaklaşımıyla yonga üretim sürecindeki yarı iletken levha hatalarının sınıflandırılması ve benzerliklerinin derecelendirilmesi
Classification and rating of wafer defect patterns in the chip manufacturing process by machine learning approach
- Tez No: 715677
- Danışmanlar: DR. ÖĞR. ÜYESİ EKREM DÜVEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Bilim ve Teknoloji, Mekatronik Mühendisliği, Computer Engineering and Computer Science and Control, Science and Technology, Mechatronics Engineering
- Anahtar Kelimeler: Evrişimli sinir ağları, Çip üretimi, Wafer analizi, Yarı-iletkenler, WM-811K, Litografi, Convolutional neural networks, Chip fabrication, Wafer defect pattern analysis, Semiconductors, WM-811K, Lithography
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Bursa Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
2019 yılında ortaya çıkan çip krizi ile çip üretimine artan talep üssel oranda artmaya devam etmektedir. Yarı iletken sektörünün önde gelen üreticileri artan bu talep karşısında yeni altyapı yatırımları ile mevcut sistemlerinin verimini artırmak için adımlar atmaktadır. Bu adımlar arasında araştırma enstitüleri ile ortak yapılan araştırmalar, bazı veri setlerinin araştırmacılara açık hale getirilmesi gibi çalışmalar yer almaktadır. Çip üretim süreci oldukça maliyetli ve hata toleransı çok düşük adımlara sahiptir. Bu sebeple üretimin en kritik adımı olan 'Litografi' adımında yapılan wafer kusur analizinin, üretilen her wafer için yapılması gerekmektedir. Bir waferda tespit edilen kusur desenini oluşturan hata kaynakları giderilmedikçe üretime devam edilmemektedir. Bu da wafer kusur desenlerinin oldukça hızlı ve doğru şekilde sınıflandırılıp, sorun giderici önlemlerin en kısa sürede alınmasını gerektirir. Bu çalışmada çip sektörünün en yüksek hacimli üreticisi TSMC firmasının, MIRLAB iş birliğiyle araştırmacılara açık hale getirdiği WM-811K isimli gerçek çip üretim şartlarından elde edilmiş wafer veri seti kullanılarak, wafer kusur desenini sınıflandıran bir evrişimli sinir ağı modeli geliştirilmiştir. Çip üretiminin maliyetli ve yüksek teknolojik altyapı gerektirdiği göz önünde bulundurulduğunda, araştırmacılara açık hale getirilen bu veri setinin değeri daha iyi anlaşılabilir. Bu sayede yapılan araştırmalar tekrarlanabilir, karşılaştırılabilir ve daha şeffaf hale gelmiştir. Tabi bu durumdan en çok yine çip üreticileri yararlanacaktır. Elde edilen evrişimli sinir ağı modeli, genel olarak 94% doğruluk göstermiş ve bir uzman mühendisin 5 sn'de yaptığı sınıflandırma işlemini 0.0015sn'de yaparak bir günde yaklaşık 8 saatlik bir iş gücünü tasarruf ettirebilecektir. Önerilen yöntem, literatürde WM-811K veri setini kullanarak geliştirilen diğer makine öğrenmesi algoritmaları ile karşılaştırılmış ve sınıflandırdığı 8 farklı wafer deseni kategorisinden 3'ünde literatüre kıyasla daha yüksek doğruluk göstermiştir. Diğer 5 wafer deseni kategorisinde de literatüre kıyasla ortalamanın üzerinde bir performans göstermiştir.
Özet (Çeviri)
With the chip crisis that emerged in 2019, the increasing demand for chip production continues to increase at an exponential rate. The leading manufacturers of the semiconductor industry are taking steps to increase the efficiency of their existing systems with new infrastructure investments in the face of this increasing demand. Among these steps are studies carried out jointly with research institutes, making some datasets available to researchers. The chip manufacturing process is very costly and has very low fault tolerance steps. For this reason, the wafer defect analysis made in the 'Lithography' step, which is the most critical step of production, must be done for each wafer produced. Production is not continued unless a defect pattern detected in a wafer is corrected. This requires very fast and accurate classification of wafer defect patterns and prompt remedial action. In this study, a convolutional neural network model was developed to classify the wafer defect pattern by using the wafer dataset obtained from real chip production conditions named WM-811K, which was made available to researchers by TSMC, the highest volume manufacturer of the chip industry, in cooperation with MIRLAB. Considering that chip production is costly and requires high technological infrastructure, the value of this data set, which has been made available to researchers, can be better understood. In this way, research has become reproducible, comparable and more transparent. Of course, chip manufacturers will benefit the most from this situation. The resulting convolutional neural network model showed 94% accuracy in general, and it can save about 8 hours of work in a day by performing the classification process in 0.0015 seconds, which an expert engineer does in 5 seconds. The proposed method was compared with other machine learning algorithms developed using the WM-811K dataset in the literature and showed higher accuracy in 3 of 8 different wafer pattern categories it classified compared to the literature. It also performed above the average in the other 5 wafer pattern categories compared to the literature.
Benzer Tezler
- A machine learning approach for the detection of trade‑based manipulations in Borsa İstanbul
Makine öğrenmesi yaklaşımıyla Borsa İstanbul'da işlem bazlı manipülasyonların tespiti
NURULLAH CELAL USLU
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FUAT AKAL
- Predictive e-sports game analysis using machine learning approaches
Makine öğrenmesi yaklaşımıyla kestirimci e-spor oyun analizi
ATAKAN TUZCU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİZMİR BAKIRÇAY ÜNİVERSİTESİBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ OKAN BURSA
- Entity-relationship diagram generation with natural language processing and machine learning approach
Doğal dil işleme ve makine öğrenmesi yaklaşımıyla varlık-ilişki diyagram üretimi
MERTALİ KÖPRÜLÜ
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIşık ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİNE EKİN
- Kütüphane danışma sorularının makine öğrenmesi yaklaşımıyla yanıtlanması: Akademik veri tabanları üzerine bir çalışma
Answering library consultation questions with a machine learning approach: A study on academic databases
ERTUĞRUL BURAK EROĞLU
Doktora
Türkçe
2024
Bilgi ve Belge YönetimiÇankırı Karatekin ÜniversitesiBilgi ve Belge Yönetimi Ana Bilim Dalı
DOÇ. DR. KASIM BİNİCİ
- S-cam/epoksi tabakalı kompozitlerin farklı sıcaklıklar ve deformasyon hızlarındaki statik ve kırılma davranışlarının belirlenmesi
Determination of static and fracture behavior of S-cam / epoxy laminated composites at different temperatures and deformation speeds
ZAFER KAYA
Doktora
Türkçe
2021
Makine MühendisliğiUşak ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HALİT GÜN