| 1 |
1
리던던시 셀의 개수 예측 시스템에 의해 수행되는 반도체 장치의 리던던시 셀 개수 예측 방법에 있어서,메모리 셀들 및 리던던시 셀들을 포함하는 제1 웨이퍼에 대하여 전기적 불량을 테스트함으로써, 상기 제1 웨이퍼의 메모리 셀들 중 결함이 발견된 결함 메모리 셀들을 측정하는 제1 단계;RA 알고리즘(Redundancy Ananlysis Algorithm)을 이용하여 상기 결함 메모리 셀들의 개수, 상기 결함 메모리 셀들의 어드레스, 상기 결함 메모리 셀들 각각의 결함 개수 및 상기 리던던시 셀들의 개수 중 적어도 어느 하나에 기초하여 상기 리던던시 셀들을 상기 결함 메모리 셀들 각각에 할당하는 제2 단계;상기 메모리 셀들의 크기, 상기 메모리 셀들의 총 개수, 상기 리던던시 셀들의 총 개수, 상기 결함 메모리 셀들의 총 개수, 로우 어드레스에 따른 상기 결함 메모리 셀들의 개수, 컬럼 어드레스에 따른 상기 결함 메모리 셀들의 개수 및 상기 결함 메모리 셀들 각각에 할당된 리던던시 셀의 개수 중 적어도 하나를 포함하는 양산 데이터를 생성하는 제3 단계;상기 양산 데이터를 이용하여 인공지능을 학습시킴에 따라, 상기 메모리 셀들의 크기에 대응하여 목표 수율 값을 만족하기 위해 필요한 리던던시 셀들의 개수를 예측하는 예측 모델을 생성하는 제4 단계; 및상기 예측 모델을 이용하여, 상기 제1 웨이퍼의 메모리 셀들과 같은 크기를 갖는 메모리 셀들이 형성되고 상기 목표 수율 값을 만족하는 제2 웨이퍼를 제조하기 위해 필요한 리던던시 셀들의 개수를 결정하는 제5 단계를 포함하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 2 |
2
제1항에 있어서,상기 제2 단계는,상기 결함 메모리 셀들 각각의 결함 개수에 기초하여 결함 개수가 많은 결함 메모리 셀부터 차례로 상기 리던던시 셀들을 할당하는 단계를 포함하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 3 |
3
제2항에 있어서,상기 제2 단계는,상기 제1 웨이퍼의 결함 메모리 셀들의 개수가 상기 제1 웨이퍼의 리던던시 셀들의 개수보다 많을 때, 상기 결함 메모리 셀들 각각에 상기 리던던시 셀들을 각각 할당하기 위해 추가로 필요한 리던던시 셀의 개수를 결정하는 단계를 포함하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 4 |
4
제3항에 있어서,상기 양산 데이터의 개수가 기 설정된 신뢰 값보다 커질 때까지 상기 제1 단계 내지 제3 단계를 반복하여 수행하는 제6 단계를 더 포함하고, 상기 제6 단계에서 상기 제1 웨이퍼는 상기 제1 단계에서 상기 제1 웨이퍼와 서로 다른 웨이퍼인 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 5 |
5
제4항에 있어서,상기 기 설정된 신뢰 값은 적어도 1000개인 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 6 |
6
제5항에 있어서,상기 제4 단계는,지도학습을 기반으로 하여 상기 인공지능을 학습시킴에 따라 상기 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 7 |
7
제6항에 있어서,상기 제4 단계는,최근접 이웃 알고리즘(KNN, K-Nearest Neighbor)을 기반으로 하여 상기 인공지능을 학습시킴에 따라 상기 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 8 |
8
제5항에 있어서,상기 제4 단계는,딥러닝을 기반으로 하는 다층 퍼셉트론 모델을 이용하여 상기 인공지능을 학습시킴에 따라 상기 예측 모델을 생성하는 단계를 포함하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 9 |
9
제8항에 있어서,상기 다층 퍼셉트론 모델은, 예측에 필요한 레이어를 순차적으로 쌓아 데이터 관리를 지원하는 Keras 라이브러리를 사용하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 10 |
10
제9항에 있어서,상기 다층 퍼셉트론 모델은,Relu 함수를 이용하는 은닉층(Hidden Layer), Adam을 사용하는 옵티마이저(Optimizer) 및 평균 제곱 오차(Mean Squared Error, MSE)를 사용하는 손실 함수(Loss Function)를 포함하고, 상기 양산 데이터를 독립 변수로 설정하고, 상기 예측된 리던던시 셀의 개수를 종속 변수로 설정하도록 구성되는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 방법
|
| 11 |
11
반도체 장치의 리던던시 셀 개수 예측 방법을 제공하기 위한 시스템으로서,메모리 셀들 및 리던던시 셀들을 포함하는 제1 웨이퍼에 대하여 전기적 불량을 테스트함으로써, 상기 제1 웨이퍼의 메모리 셀들 중 결함이 발견된 결함 메모리 셀들을 측정하는 결함 메모리 셀 검출 장치;RA 알고리즘(Redundancy Ananlysis Algorithm)을 이용하여 상기 결함 메모리 셀들의 개수, 상기 결함 메모리 셀들의 어드레스, 상기 결함 메모리 셀들 각각의 결함 개수 및 상기 리던던시 셀들의 개수 중 적어도 어느 하나에 기초하여 상기 리던던시 셀들을 상기 결함 메모리 셀들 각각에 할당하고, 상기 메모리 셀들의 크기, 상기 메모리 셀들의 총 개수, 상기 리던던시 셀들의 총 개수, 상기 결함 메모리 셀들의 총 개수, 로우 어드레스에 따른 상기 결함 메모리 셀들의 개수, 컬럼 어드레스에 따른 상기 결함 메모리 셀들의 개수 및 상기 결함 메모리 셀들 각각에 할당된 리던던시 셀의 개수 중 적어도 하나를 포함하는 양산 데이터를 생성하는 리던던시 셀 할당 장치; 및상기 양산 데이터를 이용하여 인공지능을 학습시킴에 따라, 상기 메모리 셀들의 크기에 대응하여 목표 수율 값을 만족하기 위해 필요한 리던던시 셀들의 개수를 예측하는 예측 모델을 생성하고, 상기 예측 모델을 이용하여 상기 제1 웨이퍼의 메모리 셀들과 같은 크기를 갖는 메모리 셀들이 형성되고 상기 목표 수율 값을 만족하는 제2 웨이퍼를 제조하기 위해 필요한 리던던시 셀들의 개수를 결정하는 리던던시 셀의 개수 예측 장치를 포함하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 12 |
12
제11항에 있어서,상기 리던던시 셀 할당 장치는,하나 이상의 코어를 포함하는 제1 프로세서; 및제1 메모리;를 포함하고,상기 제1 프로세서는,상기 결함 메모리 셀들 각각의 결함 개수에 기초하여 결함 개수가 많은 결함 메모리 셀부터 차례로 상기 리던던시 셀들을 할당하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 13 |
13
제12항에 있어서,상기 제1 프로세서는,상기 RA 알고리즘을 이용하여, 상기 제1 웨이퍼의 결함 메모리 셀들의 개수가 상기 제1 웨이퍼의 리던던시 셀들의 개수보다 많을 때, 상기 결함 메모리 셀들 각각에 상기 리던던시 셀들을 각각 할당하기 위해 추가로 필요한 리던던시 셀의 개수를 결정하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 14 |
14
제13항에 있어서,상기 반도체 장치의 리던던시 셀 개수 예측 시스템은,상기 양산 데이터의 개수가 기 설정된 신뢰 값보다 커질 때까지, 상기 결함 메모리 셀 검출 장치를 이용하여 새로운 웨이퍼에 대한 결함 메모리 셀들을 측정하고, 상기 리던던시 셀 할당 장치를 이용하여 상기 새로운 웨이퍼에 대한 양산 데이터를 생성하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 15 |
15
제14항에 있어서,상기 기 설정된 신뢰 값은 적어도 1000개인 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 16 |
16
제15항에 있어서,상기 리던던시 셀의 개수 예측 장치는,하나 이상의 코어를 포함하는 제2 프로세서; 및제2 메모리;를 포함하고,상기 제2 프로세서는,지도학습을 기반으로 하여 상기 인공지능을 학습시키는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 17 |
17
제16항에 있어서,상기 제2 프로세서는,최근접 이웃 알고리즘(KNN, K-Nearest Neighbor)을 기반으로 하여 상기 인공지능을 학습시키는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 18 |
18
제16항에 있어서,상기 제2 프로세서는,딥러닝을 기반으로 하는 다층 퍼셉트론 모델을 이용하여 상기 인공지능을 학습시키는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 19 |
19
제18항에 있어서,상기 다층 퍼셉트론 모델은, 예측에 필요한 레이어를 순차적으로 쌓아 데이터 관리를 지원하는 Keras 라이브러리를 사용하는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 20 |
20
제19항에 있어서,상기 다층 퍼셉트론 모델은,Relu 함수를 이용하는 은닉층(Hidden Layer), Adam을 사용하는 옵티마이저(Optimizer) 및 평균 제곱 오차(Mean Squared Error, MSE)를 사용하는 손실 함수(Loss Function)를 포함하고, 상기 양산 데이터를 독립 변수로 설정하고, 상기 예측된 리던던시 셀의 개수를 종속 변수로 설정하도록 구성되는 것을 특징으로 하는 반도체 장치의 리던던시 셀 개수 예측 시스템
|
| 21 |
21
컴퓨터와 결합되어, 제1항 내지 제10항 중 어느 한 항의 반도체 장치의 리던던시 셀 개수 예측 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 프로그램
|
| 22 |
22
컴퓨터와 결합되어, 제1항 내지 제10항 중 어느 한 항의 반도체 장치의 리던던시 셀 개수 예측 방법을 실행시키기 위한 프로그램이 저장된 컴퓨터 판독 가능한 기록매체
|
