| 1 |
1
적어도 하나의 측정 조건에서 테스트 대상 소자에 대한 적어도 하나의 전기적 특성 값을 산출하고, 상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 측정 데이터 학습부;상기 테스트 대상 소자의 전자 현미경 이미지를 획득하고, 상기 획득된 전자 현미경 이미지에서 상기 테스트 대상 소자의 채널 영역과 소스 영역을 이용하여 상기 획득된 전자 현미경 이미지를 기계 학습하는 이미지 데이터 학습부; 및상기 기계 학습된 전기적 특성 값과 상기 기계 학습된 전자 현미경 이미지에 기초하여 상기 테스트 대상 소자의 열화(degradation) 조건을 결정하는 열화 조건 결정부를 포함하고,상기 측정 데이터 학습부는, 상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하여 제1 열화 조건과 제2 열화 조건에 대한 가중치를 각각 산출하는반도체 소자 테스트 장치
|
| 2 |
2
제1항에 있어서,상기 적어도 하나의 측정 조건은, 드레인(Drain) 전압, 게이트(Gate) 전압, 온도, 전압 인가 시간, 화학물질 변화, 채널 물질 변화, 공정 장비 변화 또는 공정 조건 변화를 포함하는반도체 소자 테스트 장치
|
| 3 |
3
제1항에 있어서,상기 산출된 적어도 하나의 전기적 특성 값은 저 주파수 잡음으로(low-frequency noise)로 측정된 계면 포획(interface trap) 양, 산란 계수(scattering parameter), 파워 스펙트럼 밀도(power spectral density)의 변화, 서브쓰레드 홀드 스윙(Subthreshold swing) 또는 드레인 전류 변화를 포함하는반도체 소자 테스트 장치
|
| 4 |
4
삭제
|
| 5 |
5
제1항에 있어서,상기 측정 데이터 학습부는, 상기 기계 학습된 적어도 하나의 전기적 특성 값과 상기 각각 산출된 가중치를 이용하여 상기 제1 열화 조건과 상기 제2 열화 조건의 스코어를 각각 산출하는반도체 소자 테스트 장치
|
| 6 |
6
제1항에 있어서,상기 제1 열화 조건은 BTI(Bias Temperature Instability)를 포함하고,상기 제2 열화 조건은 HCI(Hot Carrier Injection)을 포함하는반도체 소자 테스트 장치
|
| 7 |
7
적어도 하나의 측정 조건에서 테스트 대상 소자에 대한 적어도 하나의 전기적 특성 값을 산출하고, 상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 측정 데이터 학습부;상기 테스트 대상 소자의 전자 현미경 이미지를 획득하고, 상기 획득된 전자 현미경 이미지에서 상기 테스트 대상 소자의 채널 영역과 소스 영역을 이용하여 상기 획득된 전자 현미경 이미지를 기계 학습하는 이미지 데이터 학습부; 및상기 기계 학습된 전기적 특성 값과 상기 기계 학습된 전자 현미경 이미지에 기초하여 상기 테스트 대상 소자의 열화(degradation) 조건을 결정하는 열화 조건 결정부를 포함하고,상기 이미지 데이터 학습부는, 상기 채널 영역을 밝은 부분과 어두운 부분으로 구분하여 제1 열화 조건의 팩터(factor)를 계산하고, 상기 소스 영역을 밝은 부분과 어두운 부분으로 구분하여 제2 열화 조건의 팩터(factor)를 계산하며, 상기 계산된 제1 열화 조건의 팩터(factor)와 상기 계산된 제2 열화 조건의 팩터(factor)를 합산하여 열화 패턴을 기계 학습하는반도체 소자 테스트 장치
|
| 8 |
8
제7항에 있어서,상기 이미지 데이터 학습부는, 상기 획득된 전자 현미경 이미지를 기계 학습 용 데이터로 변형하고, 상기 변형된 데이터에 회귀(regression) 함수를 적용하여 상기 계산된 제1 열화 조건의 팩터(factor)와 상기 계산된 제2 열화 조건의 팩터(factor)를 검증하는반도체 소자 테스트 장치
|
| 9 |
9
측정 데이터 학습부에서, 적어도 하나의 측정 조건에서 테스트 대상 소자에 대한 적어도 하나의 전기적 특성 값을 산출하고, 상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 단계;이미지 데이터 학습부에서, 상기 테스트 대상 소자의 전자 현미경 이미지를 획득하고, 상기 획득된 전자 현미경 이미지에서 상기 테스트 대상 소자의 채널 영역과 소스 영역을 이용하여 상기 획득된 전자 현미경 이미지를 기계 학습하는 단계; 및열화 조건 결정부에서, 상기 기계 학습된 전기적 특성 값과 상기 기계 학습된 전자 현미경 이미지에 기초하여 상기 테스트 대상 소자의 열화(degradation) 조건을 결정하는 단계를 포함하고,상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 단계는,상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하여 제1 열화 조건과 제2 열화 조건에 대한 가중치를 각각 산출하는 단계를 포함하는반도체 소자 테스트 방법
|
| 10 |
10
제9항에 있어서,상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 단계는,상기 기계 학습된 적어도 하나의 전기적 특성 값과 상기 각각 산출된 가중치를 이용하여 상기 제1 열화 조건과 상기 제2 열화 조건의 스코어를 각각 산출하는 단계를 포함하고,상기 적어도 하나의 측정 조건은, 드레인(Drain) 전압, 게이트(Gate) 전압, 온도, 전압 인가 시간, 화학물질 변화, 채널 물질 변화, 공정 장비 변화 또는 공정 조건 변화를 포함하며상기 산출된 적어도 하나의 전기적 특성 값은 저 주파수 잡음으로(low-frequency noise)로 측정된 계면 포획(interface trap) 양, 산란 계수(scattering parameter), 파워 스펙트럼 밀도(power spectral density)의 변화, 서브쓰레드 홀드 스윙(Subthreshold swing) 또는 드레인 전류 변화를 포함하는반도체 소자 테스트 방법
|
| 11 |
11
측정 데이터 학습부에서, 적어도 하나의 측정 조건에서 테스트 대상 소자에 대한 적어도 하나의 전기적 특성 값을 산출하고, 상기 산출된 적어도 하나의 전기적 특성 값을 기계 학습하는 단계;이미지 데이터 학습부에서, 상기 테스트 대상 소자의 전자 현미경 이미지를 획득하고, 상기 획득된 전자 현미경 이미지에서 상기 테스트 대상 소자의 채널 영역과 소스 영역을 이용하여 상기 획득된 전자 현미경 이미지를 기계 학습하는 단계; 및열화 조건 결정부에서, 상기 기계 학습된 전기적 특성 값과 상기 기계 학습된 전자 현미경 이미지에 기초하여 상기 테스트 대상 소자의 열화(degradation) 조건을 결정하는 단계를 포함하고,상기 획득된 전자 현미경 이미지를 기계 학습하는 단계는,상기 채널 영역을 밝은 부분과 어두운 부분으로 구분하여 제1 열화 조건의 팩터(factor)를 계산하는 단계;상기 소스 영역을 밝은 부분과 어두운 부분으로 구분하여 제2 열화 조건의 팩터(factor)를 계산하는 단계; 및상기 계산된 제1 열화 조건의 팩터(factor)와 상기 계산된 제2 열화 조건의 팩터(factor)를 합산하여 열화 패턴을 기계 학습하는 단계를 포함하는반도체 소자 테스트 방법
|
