데이터 마이닝 도구의 혼합적용 방법간 수율 예측 성능 비교 연구
A Comparative Study on the Yield Prediction Performance in the Hybrid Application Methods of Data Mining Tools
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
반도체 및 LCD(liquid-crystal display) 제조시스템에서의 수율(yield)은 많은 요인(factor)들이 비선형적으로 상호 작용하면서 영향을 주기 때문에 예측과 통제가 어렵다. 이러한 수율을 효과적으로 예측하고 관리하기 위해서는 복잡한 관계를 가지는 다수 요인을 효과적으로 분석할 수 있는 지능적인 분석도구의 활용이 필수적이다. 본 연구는 C4.5/5.0과 같은 Inductive learning, BPN(Back- Propagation Network), SOM(Self-Organizing Map), CBR(Case-Based Reasoning)과 같은 데이터 마이닝 도구들의 혼합적용(hybrid application)을 통해 반도체 수율같은 복잡한 특성치를 보다 정확히 예측할 수 있는 방법을 제시하였다. 본 연구에서는 기존에 제시된 혼합적용 방법인 BPN->CBR 혼합적용 방법을 수율 예측 상황으로 구체화하고 아울러 수율 예측에 활용 가능한 Inductive learning->SOM->Inductive learning의 새로운 혼합적용 방법을 제안하였다. 본 연구에서 제시한 혼합적용 방법을 국내 반도체 제조기업의 수율 및 공정변수 데이터에 적용하여 수율 예측 성능을 평가하였다. 성능 평가결과, CBR 및 Inductive learning의 개별 적용보다는 BPN->CBR 및 Inductive learning->SOM->Inductive learning의 혼합적용 방법의 수율 예측 정확도가 높았고 특별히 BPN-> CBR 혼합적용 방법의 수율 예측 정확도가 가장 높았다. 본 연구는 반도체 및 LCD 제조공정 단계에서 사전에 수율을 예측하여 저수율(low-yield) 발생을 예방할 수 있는 효과적인 방법을 제시하였다는 점에서 의의가 있고 후속 연구로 실무 현장에서 요구하는 90% 이상의 예측 정확도를 가지는 방안을 제시하고자 한다.
Abstract
The complex system such as yield in the semiconductor/liquid-crystal display manufacturing company has many input factors with nonlinear relationships and consequently is hard to be predicted and controlled. Data mining tools such as C4.5/5.0, back-propagation neural network (BPN), case-based reasoning (CBR) and self-organizing map (SOM) can be used for analyzing large amount of data such as yield and process parameters data. This study considers the hybrid application methods of those mining tools for improving yield prediction accuracy and compares their performance in the prediction accuracy. In this study, we present two hybrid application methods, BPN->CBR hybrid application and inductive learning-> SOM->inductive learning hybrid application method. We compare the prediction performance of those hybrid application methods through their applications to real yield and process parameters data of a semiconductor company. The comparison result shows that the BPN->CBR hybrid application method predicts yield-level with relatively high accuracy.
참고문헌 (21)
- 강병남, "복잡계 네트워크의 구조적 특징과 동역학 현상", 새물리, 48(2), pp.115~141 (2004)
- 김대수, "신경망 이론과 응용(1)" (1993), 하이테크 정보
- 백동현, "반도체 일관가공 공정의 수율개선 및 예측을 위한 데이터마이닝 기법과 OLAP의 활용", 한국경영정보학회 춘계학술대회. (2002)
- 최윤하, "비정규 시계열 자료의 회귀모형 연구", 응용통계연구, 16(2), pp.365~376 (2003)
- Aha,D.W, "Tolerating Noisy,Irrelevant and Novel Attributes in Instance-based Learning Algorithms", International Journal of Man-Machine Studies, 36, pp.267~287 (1992)
- Benitez,J.M, "Are Artificial Neural Networks Black Boxes?", IEEE Transactions On Neural Networks, 8, pp.1156~1164 (1997)
- Cost,S, "A Weighted Nearest Neighbor Algorithm for Learning with Symbolic Features", Machine Learning, 10, pp.57~78 (1993)
- Cun,Y.L, "Optimal brain damage. In Advances in Neural Information Processing,2,D.S.Touretzky,Ed", 598~605 (1989)
- Daelemans,W, "The Acquisition of Stress:A Data Oriented Approach", Computational Linguistics, 20 (1994)
- Kang,B.S, "Hybrid Machine Learning System For Integrated Yield Management in Semiconductor Manufacturing", Expert Systems With Applications, 15, pp.123~132 (1998)
- Kohonen,T, "Self-organized Formation of Topologically Correct Feature Maps", Biological Cybernetics, 43, pp.59~69 (1982)
- Kolodner,J, "Case-based Reasoning,San Mateo" (1993), Morgan Kaufmann.
- Lee,J.H, "Intelligent Profitable Customers Segmentation System Based on Business Intelligence Tools", Expert Systems with Applications, 29(1), pp.145~152 (2005)
- Quinlan,J.Ross, "C4.5:Programs for Machine Learning,Morgan Kaufmann Publishers(San Mateo California).", ~ (1993)
- Reategui,E, "Using a Neural Network to Learn General Knowledge in a Case-based System. Proceedings of ICCBR-95,Aamodt,A.,Veloso,M.(Eds.),528-537.", ~ (1995)
- Reed,R, "Pruning Algorithms-A Survey", IEEE Transaction On Neural Networks, 4, pp.740~747 (1993)
- Segee,B.E, "Fault Tolerance of Pruned Multilayer Networks", Proceedings of International Joint Conference on Neural Networks, 11, pp.447~452 (1991)
- Setiono,R, "Neural-Network Feature Selector", IEEE Transaction on Neural Networks, 8, pp.654~662 (1997)
- Shin,C.K, "A hybrid Approach of Neural Network and Memory-based Learning to Data Mining", International Journal of IEEE Transactions on Neural Networks, 11(3), pp.637~646 (2000)
- Weigend,A.S, "Generalization by Weight-elimination with Application to Forecasting", Advances in Neural Information Processing Systems, 3, pp.875~882 (1991)
- Wettschereck,D., "An Experimental Comparison of the Nearest-Neighbor and Nearest-Hyperrectangle Algorithms", Machine Learning, 19, pp.5~27 (1995)